En estadística la regresión lineal o ajuste lineal es un método matemático que modeliza la relación entre una variable dependiente Y, las variables independientes Xi y un término aleatorio ε. Este modelo puede ser expresado como:
(1)
donde β0 es la intersección o término "constante", las βi son los parámetros respectivos a cada variable independiente, y p es el número de parámetros independientes a tener en cuenta en la regresión. La regresión lineal puede ser contrastada con la regresión no lineal.
Tabla de contenidos[ocultar]
El término regresión se utilizó por primera vez en el estudio de variables antropométricas: al comparar la estatura de padres e hijos, resultó que los hijos cuyos padres tenían una estatura muy superior al valor medio tendían a igualarse a éste, mientras que aquellos cuyos padres eran muy bajos tendían a reducir su diferencia respecto a la estatura media; es decir, "regresaban" al promedio.[4] La constatación empírica de esta propiedad se vio reforzada más tarde con la justificación teórica de ese fenómeno.
El término lineal se emplea para distinguirlo del resto de técnicas de regresión, que emplean modelos basados en cualquier clase de función matemática. Los modelos lineales son una explicación simplificada de la realidad, mucho más ágil y con un soporte teórico por parte de la matemática y la estadística mucho más extenso.
SERIES DE TIEMPO ESTACIONALIZADAS
Una serie de tiempo esta dado por un conjunto de observaciones que están ordenadas en el tiempo, y que estas pueden representar el cambio de una variable ya sea de tipo económica, física, química, biológica, etc, a lo largo esa historia.
Series de Tiempo EstacionariasLa Estacionalidad siempre ha jugado un papel primordial en el análisis de series de tiempo. La mayoría de las técnicas para realizar pronósticos requieren condiciones de estacionalidad. Por lo tanto necesitamos algunas condiciones, es decir, las series de tiempo necesitan tener un proceso estacionario de primer y segundo orden.
Estacionario de Primer Orden: Una serie de tiempo esta en el estacionario de primer orden si el valor esperado de X(t) se mantiene constante para cualquier valor de t.
Por ejemplo, en series de tiempo económicas el proceso se encuentra en estacionario de primer orden cuando removemos cualquier tendencia por algún mecanismo como la diferenciación.
Estacionario de Segundo Orden: Una serie de tiempo se encuentra estacionaria de segundo orden solamente cuando la estacionaria de primer orden y la covarianza entre X(t) y X(s) es función de la anchura (t-s.)
De nuevo, en series de tiempo económicas, un proceso es estacionario de segundo orden cuando estabilizamos sus variables por cualquier tipo de transformación como la raíz cuadrada.
PROMEDIOS MOVILES PONDERADOS
Los técnicos han encontrado dos problemas con el promedio móvil simple. El primer problema se basa en la periodicidad del promedio móvil (MA). La mayoría de los analistas técnicos creen que la acción del precio, el precio de abertura o de cierre, no es suficiente para predecir correctamente las señales de compra o venta.
Para solucionar este problema, los analistas ahora asignan más peso a los datos más recientes del precio usando el promedio móvil exponencial suavizado (EMA). El EMA es similar a un promedio móvil simple (SMA), excepto que da más peso a los últimos datos. También conocido como promedio móvil exponencial ponderado, este tipo de promedio móvil reacciona más rápidamente a los cambios recientes del precio que un promedio móvil simple.
Este indicador se ha explicado de tan muchas diversas maneras que confunde a estudiantes y a inversionistas igualmente. Quizás la mejor explicación viene del análisis de John J. Murphy : El promedio móvil exponencial suavizado trata ambos problemas asociados al promedio móvil simple. Primero, el promedio exponencial suavizado asigna un mayor peso a los datos más recientes. Por lo tanto, es un promedio móvil ponderado. Pero mientras que asigna poca importancia a los últimos datos del precio, incluye en su cálculo todos los datos en la vida del instrumento. Además, el usuario puede ajustar para dar mayor o menor peso al precio más reciente, que se suma a un porcentaje del valor del día anterior. La suma de ambos valores del porcentaje suma 100
ALISADO EXPONENCIAL
El alisado exponencial se obtiene mediante una media móvil con ponderaciones decrecientes en forma de progresión geométrica. El modelo de doble alisado exponencial de Brown, incorpora un componente de tendencia por lo que es útil para realizar predicciones de series con o sin tendencia pero sin estacionalidad. Para conseguir una predicción óptima hay que aplicar un coeficiente de ponderación ALFA que minimice el error cuadrático medio, lo que se consigue probando con distintos valores entre cero y uno en el modelo Excel siguiente.Esta técnica sirve para la predicción de series económicas como pueden ser: ventas, ingresos, costes, gastos, producción, salarios, indicadores económicos, etc.
BIBLIOGRAFIA
Ciencia de la Administración Aplicada para Gerentes y Lideres Gerenciales.
Modelos Deterministas: Optimización lineal.
Optimización de Enteros y Modelos de Redes.
punto de vista:
Lo que encontre en los temas anteriores se me hizo que son datos interesantes por que en ellos encontre bastantes cosas que al desarrollarlas son de gran ayuda para cualquier negocio o empresa. ya que te ayudan a ahorrar o administrar y esto al final de cuentas te deja dinero.