Marco teorioco

Regresión Lineal
El modelo de pronóstico de regresión lineal permite hallar el valor esperado de una variable
aleatoria a cuando b toma un valor específico. La aplicación de este método implica un supuesto
de linealidad cuando la demanda presenta un comportamiento creciente o decreciente, por tal
razón, se hace indispensable que previo a la selección de este método exista un análisis de
regresión que determine la intensidad de las relaciones entre las variables que componen el
modelo.
¿Cuándo utilizar un pronóstico de regresión lineal?
El pronóstico de regresión lineal simple es un modelo óptimo para patrones de demanda con
tendencia (creciente o decreciente), es decir, patrones que presenten una relación de linealidad
entre la demanda y el tiempo.
Existen medidas de la intensidad de la relación que presentan las variables que son fundamentales
para determinar en qué momento es conveniente utilizar regresión lineal.

Regresión exponencial
es un método que permite encontrar la ecuación de la función exponencial que mejor se ajuste a
un grupo de datos y de esta manera poder estimar valores futuros de su variable Dependiente (Y).
– Características
Los datos deben tener un patrón decrecimiento exponencial, además, la ecuación que rige este
tipo de curva es y = aebx, donde X es el valor de la variable independiente y Y el de la variable
dependiente, e es el numero de Euler (2.7182) aproximadamente, a es lapendiente y b es el punto
donde corta la recta el eje vertical.
Para valorar una empresa o negocio podemos fijar nuestra atención en cómo serán sus futuros
resultados, si bien es cierto que el futuro no siempre es igual que el pasado, analizar los ingresos
del pasado reciente nos ayudara a darnos una idea de lo que puede ocurrir en el corto plazo.

Regresión Polinómica
El ajuste de curvas consiste en encontrar una curva que contenga una serie de puntos y que
posiblemente cumpla una serie de restricciones adicionales
Empecemos con una ecuación polinómica de primer grado:
y=ax+b Esta línea tiene pendiente a. Sabemos que habrá una línea conectando dos puntos
cualesquiera. Por tanto, una ecuación polinómica de primer grado es un ajuste perfecto entre dos
puntos.Si aumentamos el orden de la ecuación a la de un polinomio de segundo grado,
obtenemos:y=ax^{2}+bx+c Esto se ajustará exactamente a tres puntos.
por ejemplo, sería útil en diseños de intercambios en trébol para incorporaciones a autopistas, para
entender las fuerzas a las que somete a un vehículo y poder establecer límites razonables de
velocidad.

Regresión potencial
Será aquella en la que la función de ajuste sea una función potencial del tipo:
y = a. xb también en este caso se resuelve linealizando la función tomando logaritmos ya que:log y
= log a + b log x
Considerando las nuevas variables v = log y u= log x resolveríamos la regresión lineal entre ellas
de forma que si el resultado fuera: v*= A +B u
La solución final quedaría como a= antilog A y b= B

El coeficiente de correlación de Pearson

En estadística, el coeficiente de correlación de Pearson es una medida de la relación lineal entre
dos variables aleatorias cuantitativas. A diferencia de la covarianza, la correlación de Pearson es
independiente de la escala de medida de las variables.

podemos definir el coeficiente de correlación de Pearson como un índice que puede utilizarse para
medir el grado de relación de dos variables siempre y cuando ambas sean cuantitativas
Bibliografia
https://www.uv.es/ceaces/base/regresion/potencial.htm
https://es.m.wikipedia.org/wiki/Regresión_no_lineal
https://es.m.wikipedia.org/wiki/Regresión_no_lineal
https://www.excelfreeblog.com/pronostico-con-tendencia-exponencial-en-
excel/industrial/pronóstico-de-ventas/regresión-lineal/
https://es.m.wikipedia.org/wiki/Coeficiente_de_correlación_de_Pearson