Que es la Estimacion y pronostico estadistico predictivo

...

- Coeficiente variable ingreso promedio mensual = 3.26

- Coeficiente variable de población = 3.47

- Abscisa = 44.34

- Coeficiente de determinación = 0.929

Interpretación de resultados:

- Debido a que el coeficiente de determinación tiene un signo positivo podemos decir que la relación entre las variables es directa entre ellas es decir cuando “X” crece, “Y” crece, por lo que cuando se incrementa la población atendida, se incrementan las ventas. Y cuando se incrementa el ingreso de la población se incrementan las ventas.

- Debido a que el coeficiente de determinación es casi igual a 1 podemos decir que las predicciones tienen mucha capacidad o poco porcentaje de error. Si fuera igual a 1 la variable predictora explicaría TODA la variación de Y, y las predicciones NO tendrían error.

- Se obtiene la certeza de un 92.9% sobre la estimación de las ventas.

- Gracias a los resultados obtenidos se tiene un alto grado de confianza en la relación que existen entre las variables.

- Por cada persona adicional que se aumente en la población se estarán aumentando en 3.47pesos las ventas.

- Por cada peso adicional de ingreso familiar se incrementan en 3.36 pesos las ventas.

- El impacto que ejerce el aumento de la población, como el aumento de los ingresos promedio por familia son casi iguales.

Comparación de los resultados obtenidos en cuanto a los dos modelos:

Regresión lineal simple

Regresión lineal múltiple

• Abscisa = 60

• Pendiente = 5

• Coeficiente de determinación = 0.9027

• Coeficiente variable ingreso promedio mensual = 3.26

• Coeficiente variable de población = 3.47

• Abscisa = 44.34

• Coeficiente de determinación = 0.929

- El coeficiente de determinación en ambos casos es positivo y casi igual a uno. Y en caso de la regresión múltiple se acerca más a uno por lo que los resultados de este método son más exactos y confiables, esto derivado al uso de más variables.

- Debido a que en ambos casos el coeficiente de determinación es positivo nos da la certeza de que las variables tienen una alta relación entre ellas. Por lo que en ambos métodos las variables que se utilizan son correctas y tienen gran relación entre ellas.

- Podemos observar que hay una diferencia en el valor de las abscisas esto derivado al número de variables utilizadas en cada caso.

Obtén pronósticos en cuanto a los valores que de la variable dependiente para el primer trimestre de 2013, asignando valores para las variables independientes conforme a su tendencia, compara el pronóstico generado con base en el modelo simple y el múltiple:

Valores asignados a las variables independientes:

2013

Población

Ingreso promedio mensual

Enero

30

23

Febrero

32

25

Marzo

36

28

Cálculos para el modelo simple:

- Ventas Estimadas = 60 + 5 (30) = 210

- Ventas Estimadas = 60 + 5 (32) = 220

- Ventas Estimadas = 60 + 5 (36) = 240

Cálculos para el modelo múltiple:

- Ventas Estimadas = 44.34 + 3.26 (23) + 3.47 (30) = 223.42

- Ventas Estimadas = 44.34 + 3.26 (25) + 3.47 (32) = 236.88

- Ventas Estimadas = 44.34 + 3.26 (28) + 3.47 (36) = 260.54

Con base a los cálculos realizados podemos concluir en ambos métodos se obtienen resultados muy similares a pesar de que en modelo múltiple se incluyan más variables. Pero no debemos de olvidar que debido a que se integran más variables el cálculo es más exacto y confiable.

Conclusión:

Las técnicas de regresión cuantifican la asociación estadística entre dos o más variables. La regresión lineal simple expresa la relación entre una variable dependiente y una variable independiente denominada dependiente y en la regresión lineal múltiple vamos a utilizar más de una variable explicativa; esto nos va a ofrecer la ventaja de utilizar más información en la construcción del modelo y, consecuentemente, realizar estimaciones más precisas.