Aplicación del análisis de regresión múltiple en el análisis de la demanda de un producto.

Resumen

Los modelos de mezcla finitos han llegado a desempeñar un papel muy importante en el modelado de datos. El modelo de mezcla finita se basa en la suposición de que existen distintos grupos latentes en la población. El modelo de mezcla finita por lo tanto se basa en una variable latente categórica que distingue a los diferentes grupos, los costos y la complejidad de la organizaciónnecesarias para recoger los datos de mediciones repetidas o longitudinales.

Por lo tanto, lo que se necesita es una generalización de predecir la mezcla finita latente discreta para un factor de predicción continua latente. Así que tenemos que proporcionar una validación de los modelos de regresión desde el punto de vista práctico. En este texto se pretende mostrar y aprender los pasos del procesode construcción de modelos y para dar una comprensión intuitiva de los algoritmos de regresión y las pruebas de hipótesis asociadas y los intervalos de estadística. Un enfoque basado en computadora se utiliza para el cálculo de reducir al mínimo el número de ecuaciones y fórmulas utilizadas. El enfoque propuesto es encontrado para ser muy flexible y lleva a cabo ya sea de igual o mejor manera quelos métodos estadísticos tradicionales. Con estas herramientas, tenemos una manera fácil de tomar la mejor opción y reducir al mínimo los riesgos.

Abstract

Finite mixture models have come to play a very prominent role in modeling data. The finite mixture model is predicated on the assumption that distinct latent groups exist in the population. The finite mixture model therefore is based on acategorical latent variable that distinguishes the different groups, the costs and organizational sophistication necessary to collect repeated measurements or longitudinal data.

Thus, what is needed is a generalization of the finite mixture’s discrete latent predictor to a continuous latent predictor. So we need to provide a validation of regression models from a practical point of view. Inthis text we try to show and learn the steps in the model-building process and to give an intuitive understanding of regression algorithms and the associated hypothesis tests and statistical intervals. A computer-based approach is used for calculations to minimize the number of equations and formulas used. The proposed approach is found to be quite flexible and performs either as well or better thantraditional statistical methods. With these tools, we have an easy way to take the best choice, and minimize the risks.

Introducción

La venta de productos o servicios requieren de una planeación y estimación correcta de posibles ventas, para adelantarnos al futuro y sobre ellas poder tomar decisiones correctas, por ejemplo: qué producto o servicio nos deja más y cuál será la probabilidadde que un producto sea más vendido.
Mediante la utilización de Métodos Cuantitativos para la toma de decisiones como es la regresión lineal múltiple, veremos cómo es posible analizar cierta información y resultados se podrán obtener conclusiones válidas tanto del fenómeno estudiado como de la utilidad de esta herramienta en su ejercicio profesional.
Como ejemplo se desarrollará una ecuación deregresión que estime la demanda de la venta de un refresco a partir de la variable “Temperatura promedio” de un día y la variable “Número de Clientes Potenciales” que pasen frente a el punto de venta a lo largo del mismo día.
La regresión lineal nos permite trabajar con una variable a nivel de intervalo o razón, así también se puede comprender la relación de dos o más variables y nos permitirárelacionar mediante ecuaciones, una variable en relación a otras variables llamándose Regresión múltiple. Constantemente en la práctica de la investigación estadística, se encuentran variables que de alguna manera están relacionados entre sí, por lo que es posible que una de las variables pueda relacionarse matemáticamente en función de otra u otras variables.

Antecedentes

El análisis de...