Suavización exponencial y regresiones lineales

Título:

Suavización exponencial y regresiones lineales.

Introducción:

El pronóstico siempre ha sido una herramienta hecha por los humanos para saber más o menos como vamos a vivir en cierto tiempo. Que esperar, para que sea lo menos sorpresivo que se pueda. Somos animales a los que nos cuesta mucho trabajo los cambios y nos gusta generalmente saber que es lo que el futuro tiene para nosotros. Hemos generado técnicas bastante acertadas para, en base a datos pasados generar nuevos pronósticos porque el mundo se comporta de manera parecida, se repite la historia una y otra vez.

Contenido:

1. Explica claramente cuando es mejor utilizar:

• Suavización exponencial simple

La suavización exponencial simple se recomienda cuando los datos no tienen una tendencia definida pero que a la vez no están estacionales los datos.

• Suavización exponencial lineal

La suavización exponencial lineal es recomendada para cuando los datos tienen una tendencia en el incremento de los ejes: a mayor x, mayor y o viceversa, a menor y menor x.

• Método de Winters

El método de Winters se recomienda cuando los datos tienen una tendencia y son datos estacionales.

2. Menciona cuales son los métodos de pronósticos basados en promedios.

Promedio simple, promedio doble, suavización exponencial simple, suavización exponencial doble.

3. Define cuando es útil el análisis de regresión lineal simple.

Cuando se quiere saber la relación entre dos variables (una independiente y una dependiente). Para esto se debe crear una fórmula que sustente la estimación en función de los ejes “y” y “x” respectivamente.

4. Describe y explica los conceptos utilizados en la regresión lineal simple.

• Coeficiente de correlación -Se permite reconocer la dependencia entre las variables.

• Línea de regresión- la línea que mejor ajusta al conjunto de datos dados.

• Error estándar de estimación- mide la diferencia entre el estimado de y y los valores verdaderos del mismo.

5. ¿A qué se refiere la “parte explicada por la regresión” y la “parte no explicada”?

La parte explicada y la no explicada las dos suman un total de variación. El porcentaje donde la variable X influye sobre Y, se llama parte explicada. El porcentaje restante atribuido a causas aleatorias se denomina parte no explicada. La suma de estos dos porcentajes debe ser igual a 100%.

6. ¿Qué alternativa puedes utilizar cuando tu diagrama de dispersión no presenta una tendencia lineal y requieres analizar el caso con regresión lineal?

El primer paso es tener un diagrama con una relación lineal. Si no es una característica propia de propia de la función desde un principio, se puede lograr transformando la variable X utilizando un método por ajuste de curvas. Este método transforma la función para que pueda ser una regresión lineal.

7. Menciona en qué consiste la prueba de hipótesis nula y la prueba de hipótesis alternativa.

La prueba de hipótesis nula representa las ideas pre concebidas sobre la población. La hipótesis alternativa es una hipótesis que se pretende comprobar si es cierta. Las hipótesis se comprueban utilizando la fórmula T.

8. ¿Qué criterio se utiliza para aceptar o rechazar la prueba de hipótesis?

• En muestras grandes cuando r^2 es pequeña se puede rechazar la H0 (hipótesis nula) y confirmar que hay relación lineal de las variables.

• En muestras pequeñas y r^2 es grande se concluye que si hay relación significativa.

9. ¿Cómo puedes relacionar las graficas de residuales vs los supuestos de la regresión?

La información que no se presenta en la función de regresión ajustada se encuentra en las funciones de residuales. Los residuales

...