Unidad 4: Técnicas de regresión y correlación

Objetivos:
(1) Realizar proyecciones para una variable
(2) Determinar la existencia de alguna relación entre dos variables

Regresión lineal ==> se busca una ecuación lineal que se ajuste a los datos históricos

𝒚=𝒂+𝒃∗𝒙 donde: x = variable independiente

y = variable dependiente
a = la constante que corta el eje X
b = es la pendiente de la recta
Periodo Ventas
1 124
2 125 Ventas
3 132 200
4 116 180
5 133 160
140 f(x) = 3.7027972027972 x + 114.848484848485
6 138 R² = 0.393154979305406
120
7 115 100
8 142 80
9 185 60
10 139 40
11 174 20
0
12 144 0 2 4 6 8 10 1

La ecuación lineal para poder realizar las proyecciones es:

Realizamos la proyección de las ventas para los siguientes 4 periodos:

Periodo Venta estimada
13 146
14 148
15 150
16 151

Pero, ahora se determina la relación que hay entre las dos variables
 En función al coeficiente de correlación se tiene el coeficiente de determinación R 2
El coeficiente nos dá el nivel de confiabilidad de las estimaciones (del grado de relación de las dos variables)

Matemáticamente el coeficiente de determinación es igual al cuadrado del coeficiente de correlación y se multiplic

El coeficiente de determinación, EXCEL nos dá directamente junto con la ecuación.

Veremos ahora otras regresiones:

Periodo Ventas
1 124
2 125 Regresión exponencial
3 132 150
4 130 145
5 133 f(x) = 124.743699290574 exp( 0.0124602217749195 x )
140 R² = 0.830336223713789
6 138 135
7 140 130
8 142 125
9 137 120
10 139 115
11 141 110
12 144 0 2 4 6 8 10 12 14

Regresión lineal Regresión logarítmica

150 150
145 145
f(x) = 1.66783216783217 x + 124.575757575758
140 R² = 0.834061797018288 140 f(x) = 8.16520134243815 ln(x) + 121.81
135 135 R² = 0.878495971869856
130 130
125 125
120 120
 Regresión lineal Regresión logarítmica
150 150
145 145
140 f(x) = 1.66783216783217 x + 124.575757575758 140
R² = 0.834061797018288 f(x) = 8.16520134243815 ln(x) + 121.81
135 135 R² = 0.878495971869856
130 130
125 125
120 120
115 115
110 110
0 2 4 6 8 10 12 14 0 2 4 6 8

Regresión polinómica Regresión potencial

150 150
145 145
140
f(x) = − 0.145604395604396 x² + 3.56068931068931 x + 120.159090909091 140 f(x) = 122.127198802585 x^0.06135295
R² = 0.893392471585727
135 135 R² = 0.884679225565486
130 130
125 125
120 120
115 115
110 110
0 2 4 6 8 10 12 14 0 2 4 6 8

Tabla comparativa
Tipo de regresión Ecuación Coeficiente de determinación
Exponencial y = 124,74e0,0125x 83.03%
Lineal y = 1,6678x + 124,58 83.41%
Logarítmica y = 8,1652ln(x) + 121,82 87.85%
Polinómica y = -0,1456x2 + 3,5607x + 120,16 89.34%
Potencial y = 122,13x0,0614 88.47%

Para proyectar las ventas para los cuatro periodos siguientes, debe utilizar la regresión polinómica
por presentar el mayor coeficiente de determinación.

Ventas
Periodo
estimadas
13 142
14 141
15 141
16 140

Estas son las ventas que se tendrán en los siguientes 4 periodos, con un nivel de confiabilidad del 89,34%
entas

8484848485

8 10 12 14

Donde: X = periodo
y = ventas
a = 124,58 (constante)
b = 1,6678 (pendiente de la recta)

R = coeficiente de correlación
varía entre -1 a +1

-1 ≤ R ≤ +1
lación de las dos variables)

iente de correlación y se multiplica por cien.

4602217749195 x )

10 12 14

sión logarítmica

) = 8.16520134243815 ln(x) + 121.816697447369

= 0.878495971869856
sión logarítmica

) = 8.16520134243815 ln(x) + 121.816697447369

= 0.878495971869856

2 4 6 8 10 12 14

sión potencial

) = 122.127198802585 x^0.0613529535098854
= 0.884679225565486

2 4 6 8 10 12 14

determinación

esión polinómica

confiabilidad del 89,34%

Otro ejemplo:
Mes X Ventas (Y)
Enero 1 265 Regresión exponencial
Febrero 2 255 290
Marzo 3 247
270
Abril 4 217
Mayo 5 208 250
f(x) = 261.199789423681 exp( − 0.0313121958001734 x )
Junio 6 213 230 R² = 0.861447341774386
Julio 7 209 210
Agosto 8 189 190
Septiembre 9 205
170
Octubre 10 192
Noviembre 11 190 150
0 2 4 6 8 10 12
Diciembre 12 185

Regresión lineal Regresión logarítmic

290 290
270 270
f(x) = − 34.3775644838216 ln
250 250 R² = 0.923160340513118
f(x) = − 6.89160839160839 x + 259.378787878788
230 R² = 0.844220064835567 230
210 210
190 190
170 170
150 150
0 2 4 6 8 10 12 14 0 2 4 6

Regresión polinómica Regresión potenc

290 290
270 270 f(x) = 275.359444207898 x^-
f(x) = 0.713536463536464 x² − 16.1675824175824 x + 281.022727272727 R² = 0.914408881175932
250 R² = 0.928686391452735 250
230 230
210 210
190 190
170 170
150 150
0 2 4 6 8 10 12 14 0 2 4 6

Tabla comparativa
Tipo de regresión Ecuación Coeficiente de determinación
 Exponencial y = 261,2e-0,031x 86.14%
Lineal y = -6,8916x + 259,38 84.42%
Logarítmica y = -34,38ln(x) + 271,84 92.32%
Polinómica y = 0,7135x2 - 16,168x + 281,02 92.87%
Potencial y = 275,36x-0,154 91.44%

Proyectamos las ventas para enero a abril del siguiente año, utilizando la regresión polinómica
Ventas
Mes X Con la lineal
estimadas
Enero 13 191 170
Febrero 14 195 163
Marzo 15 199 156
Abril 16 205 149
Mayo 17 212 142
Junio 18 221 135
Julio 19 231 128
Agosto 20 243 122
Septiembre 21 256 115
Octubre 22 271 108
Noviembre 23 287 101
Diciembre 24 304 94

Estas son las ventas estimadas para los siguientes meses del siguiente año, con un nivel se confiabilidad del 92,87%
313121958001734 x )

8 10 12 14

sión logarítmica

x) = − 34.3775644838216 ln(x) + 271.842646264716

= 0.923160340513118

2 4 6 8 10 12 14

gresión potencial

x) = 275.359444207898 x^-0.153890976004178
= 0.914408881175932

2 4 6 8 10 12 14
fiabilidad del 92,87%
Ejemplo
Año Demanda
2012 15,600 Demanda
2013 17,250
30,000
2014 18,470
2015 19,820 25,000
2016 20,570 f(x) = 1132.83333333333 x − 2263245.33333333
R² = 0.992432657350528
2017 21,750 20,000
2018 22,370
15,000
2019 23,970
2020 25,120 10,000

5,000

0
2011 2012 2013 2014 2015 2016 2017 2018 2019 202

Cunado se tiene cantidades grandes, lo mejor es trabajar con cifras pequeñas en una de las dos variables

Año x Demanda
2012 12 15,600 Regresión exponencial
2013 13 17,250
27,000
2014 14 18,470
2015 15 19,820 25,000 f(x) = 8280.27252211965 exp( 0.0561435769249
23,000 R² = 0.98143815315855
2016 16 20,570
2017 17 21,750 21,000
2018 18 22,370 19,000
2019 19 23,970
17,000
2020 20 25,120
15,000
10 12 14 16 18 2

Regresión lineal Regresión logar

27,000 27,000
25,000 25,000
f(x) = 1132.83333333333 x + 2421.33333333334 f(x) = 17801
23,000 R² = 0.992432657350529 23,000 R² = 0.9930
21,000 21,000
19,000 19,000
17,000 17,000
15,000 15,000
10 12 14 16 18 20 22 10 12 1

Regresión polinomial Regresión poten

27,000 27,000
25,000 25,000
f(x) = − 17.4350649350649 x² + 1690.75541125541 x − 1925.80952380952 f(x) = 1759.
23,000 R² = 0.993639402640276 23,000 R² = 0.9923
 Regresión polinomial Regresión poten
27,000 27,000
25,000 25,000
f(x) = − 17.4350649350649 x² + 1690.75541125541 x − 1925.80952380952 f(x) = 1759.
23,000 R² = 0.993639402640276 23,000 R² = 0.9923
21,000 21,000
19,000 19,000
17,000 17,000
15,000 15,000
10 12 14 16 18 20 22 10 12 1

Tabla comparativa
Tipo de regresión Ecuación Coeficiente de determinación
Exponencial y = 8280,3e 0,0561x
98.14%
Lineal y = 1132,8x + 2421,3 99.24%
Logarítmica y = 17801ln(x) - 28572 99.31%
Polinómica y = -17,435x2 + 1690,8x - 1925,8 99.36%
Potencial y = 1759,7x0,8868 99.23%

Estimamos la demanda para los 4 siguientes años

Demanda
Año X estimada
2021 21 25,892
2022 22 26,833
2023 23 27,739
2024 24 28,611
Esta es la demanda estimada para los siguientes cuatro años, con un nivel de confiabilidad del 99,36%
manda

33 x − 2263245.33333333
28

2016 2017 2018 2019 2020 2021

nencial

52211965 exp( 0.0561435769249904 x )

5315855

16 18 20 22

Regresión logarítmica
27,000
25,000
f(x) = 17801.3289541884 ln(x) − 28571.7661860391
23,000 R² = 0.993088283458894
21,000
19,000
17,000
15,000
10 12 14 16 18 20 22

Regresión potencial
27,000
25,000
f(x) = 1759.7438036374 x^0.886834865948769
23,000 R² = 0.99234411319634
 Regresión potencial
27,000
25,000
f(x) = 1759.7438036374 x^0.886834865948769
23,000 R² = 0.99234411319634
21,000
19,000
17,000
15,000
10 12 14 16 18 20 22

determinación

fiabilidad del 99,36%

Año X Ventas
2012 12 12,530
2013 13 11,674
2014 14 12,861 Regresión lineal
2015 15 13,425 16,000
2016 16 14,327 15,000
2017 17 13,842 14,000
2018 18 15,367 13,000 f(x) = − 322.569696969697 x + 17406.6
2019 19 6,147 12,000 R² = 0.119871086989555
2020 20 8,264 11,000
2021* 21 12,405 10,000
Hasta el mes de noviembre 9,000
8,000
Proyectar las ventas para los siguientes 3 años 7,000
Año 6,000
2022 10 12 14 16 18 20
2023
2024

Año X Ventas
2012 12 12,530
2013 13 11,674
2014 14 12,861 Regresión lineal
2015 15 13,425 16,000
2016 16 14,327 15,000
2017 17 13,842 14,000 f(x) = 149.911764705882 x + 10942.7647058824
2018 18 15,367 13,000 R² = 0.135519839920616
2019 19 12,000
2020 20 11,000
2021* 21 12,405 10,000
Hasta el mes de noviembre 9,000
8,000
Proyectar las ventas para los siguientes 3 años 7,000
Año 6,000
2022 10 12 14 16 18 20
2023
2024
l

69697 x + 17406.6
9555

16 18 20 22

5882 x + 10942.7647058824
0616

16 18 20 22