Esta es otra tcnica de tipo cuantitativo que permite el clculo de los pronsticos para
perodos futuros, para lo cual requiere de registros histricos que sean consistentes, reales y
precisos. Esta tcnica como su nombre lo indica se trata de sacar el total de las desviaciones
elevadas al cuadrado a un valor mnimo: su objetivo es determinar los coeficientes a y b, que
son conocidos como coeficientes de regresin, donde x es la variable independiente (tiempo),
y es la variable dependiente (pronstico de la demanda).
En la prctica se pueden utilizar dos mtodos para calcular los pronsticos a travs de mnimos
cuadrados: Frmula general y Mtodos simplificado.
Para aplicar este mtodo en el clculo de pronsticos de la demanda, se deben tener en
cuenta las siguientes expresiones matemticas:
Donde:
n = tamao de la muestra o el nmero de perodos
x = perodo en el que se desea el pronstico
y = el pronstico
El mtodo simplificado como su nombre lo indica, en la prctica es ms simple y se llega al
resultado de forma ms rpida. Las expresiones a usar son:
Donde:
n = tamao de la muestra o el nmero de perodos
x = perodo en el que se desea el pronstico
y = el pronstico
Cundo ser par y cuando ser non?
Pares: Debemos entender por pares el numero de perodos expresados de dos en dos (2, 4, 6,
8...)
Nones: Es cuando los perodos considerados en los clculos son impares (1, 3, 5, 7, 9...)
Periodos
1990
1991
1992
1993
1994
1995
suma
Ventas (miles)
85
89
92
95
93
98
552
X
1
2
3
4
5
6
21
XY
85
178
276
380
465
588
1972
X^2
1
4
9
16
25
36
91
100
98
y = 2.2857x + 84
96
94
Serie1
92
Lineal (Serie1)
90
88
86
84
0
X son los perodos desde el primer dato histrico hasta el pronstico a calcular
Ventas (miles)
85
89
92
1993
1994
1995
suma
95
93
98
552
X
-5
-3
-1
0
1
3
5
0
XY
-425
-267
-92
0
95
279
490
80
X^2
25
9
1
0
1
9
25
70
Calculamos la
variable y la pendiente:
*los perodos se cuentan a partir de 1993 con nmeros consecutivos impares de los asignados
a x en un principio hasta llegar a 2003:
Periodos
93-1
94-3
95-5
96-7
97-9
98-11
99-13
2000-15
2001-17
2002-19
2003-21
Ejemplo 2: MINIMOS CUADRADOS
Sabritas S.A de C.V. desea elaborar el pronstico de ventas para uno de sus productos en el
ao 2003 y en torno a ste resultado, se har la planeacin de los recursos a utilizar en el
sistema; para lo cual cuenta con el volumen de ventas anuales que se indican en la siguiente
tabla.
El clculo de ste pronstico se deber hacer a travs de Frmula General y Mtodo
Simplificado.
Periodos
1987
1988
1989
1990
1991
1992
1993
1994
1995
suma
Ventas (miles)
120
121
117
118
124
125
120
118
130
1093
X
1
2
3
4
5
6
7
8
9
45
XY
120
242
351
472
620
750
840
944
1170
5509
X^2
1
4
9
16
25
36
49
64
81
285
Ventas (miles)
120
121
117
118
124
125
120
118
130
1093
X
-4
-3
-2
-1
0
1
2
3
4
0
XY
-480
-363
-234
-118
0
125
240
354
520
44
X^2
16
9
4
1
0
1
4
9
16
60
*los perodos se cuentan a partir de 1992 con nmeros consecutivos de los asignados a x en un
principio hasta llegar a 2003:
Periodos
93-2
94-3
95-4
96-5
97-6
98-7
99-8
2000-9
2001-10
2002-11
2003-12
PROMEDIO MVIL
Mes
Enero
10
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
12
13
16
19
23
26
30
28
18
16
14
11.67
13.67
16
19.33
22.67
26.33
28
25.33
20.67
16
Por tanto, vemos que el pronstico para diciembre es .Para proyectar la demanda de
cobertizos en enero prximo, sumamos las ventas de octubre, noviembre y diciembre y divide
dimos entre tres: pronostico para enero = (18+16+14)/3=16
Serie1
Serie2
En
er
Fe o
br
er
o
M
ar
zo
Ab
ril
M
ay
o
Ju
ni
o
Ju
li
Ag o
Se os
to
pt
ie
m
b
O re
ct
u
No bre
vie
m
b
Di
ci r e
em
br
e
35
30
25
20
15
10
5
0
1
2
3
4
5
6
7
8
9
10
11
12
Valor de la serie
de tiempo(miles de
galones)
17
21
19
23
18
16
20
18
22
20
15
22
Pronstico de la i-sima
semana con
Promedios mviles
(17+21+19)/3=19
(21+19+23)/3=21
(19+23+18)/3=20
19
18
18
20
20
19
Los promedios mviles tambin se pueden construir tomando en cuenta valores adyacentes
de las observaciones, por ejemplo: En el caso de determinar el promedio mvil para tres
observaciones adyacentes de la tabla anterior, se tiene:
Semana
1
2
3
4
5
6
7
8
9
10
11
12
Valor de la serie
de tiempo(miles de
galones)
17
21
19
23
18
16
20
18
22
20
15
22
Pronstico de la i-sima
semana con
Promedios mviles para 3 aos
(17+21+19)/3=19
(21+19+23)/3=21
(19+23+18)/3=20
(23+18+16)/3=19
18
18
20
20
19
19
-SUAVIZAMIENTO EXPONENCIAL
El suaviza miento exponencial emplea un promedio ponderado de la serie de tiempo pasada
como pronstico; es un caso especial del mtodo de promedios mviles ponderados en el cual
slo se selecciona un peso o factor de ponderacin: el de la observacin ms reciente. En la
prctica comenzamos haciendo que F1, el primer valor de la serie de valores uniformados, sea
igual a Y1, que es el primer valor real de la serie. El modelo bsico de suavizamiento
exponencial es el siguiente:
Cada variable independiente xi tiene un coeficiente de regresin o pendiente propia bi. Este
coeficiente se interpretar como el cambio en la variable dependiente (y), por unidad de
cambio en cada variable independiente (x1, x2 x3) a igualdad de nivel de las otras variables
independientes. Es imposible interpretar una regresin si no se conocen las unidades de
medida de cada variable. Esto se aplica tanto a la regresin simple como a la mltiple.
Ejemplo 1: REGRESION MULTIPLE:
Supongamos que la Tensin Arterial Sistlica (TAS, mmHg) de una muestra de adultos con alto
riesgo cardiovascular se utiliza como variable dependiente y intentando predecirla a partir
La interpretacin ser que por cada ao ms de edad, la TAS aumentar en 0,7 mmHg
por trmino medio, independientemente de cul sea el sexo y el IMC. Por cada kg/m2 ms de
IMC subir la TAS en 0,6 mmHg por trmino medio (en ambos sexos y sea cual sea la edad). La
diferencia entre hombres y mujeres ser de 4,9 mmHg menos en las mujeres, a igualdad de
edad y de IMC. Quizs esto ltimo es ms difcil de entender, se aclarar si construimos dos
ecuaciones, una para hombres y otra para mujeres, sustituyendo la variable "SEXO" por sus
respectivos valores. La variable sexo se codific as:
Hombres: SEXO= 0
Mujeres: SEXO= 1
En los hombres, la ecuacin ser: TAS 85 (0,7 EDAD) (0,6 IMC)
En las mujeres, la ecuacin ser: TAS 85 (0,7 EDAD) (0,6 IMC) - 4,9
Por lo tanto, las mujeres, a igualdad de edad e IMC, tendrn una TAS 4,9 mmHg
inferior. Es posible introducir variables categricas (sexo en el ejemplo) en el modelo.
En la figura se ha asumido un IMC constante (IMC=25 kg/m2) para poder representar
la TAS slo en funcin de la edad y el sexo. Se puede observar que, segn el modelo de
regresin mltiple, las dos ecuaciones (una para hombres y otra para mujeres) son paralelas,
ya que como se ha visto anteriormente nicamente difieren en una constante.
160
155
150
145
140
135
130
55
57
59
61
63
65
67
69
71
73
75
77
79
Edad
Tabla Comparacin entre hombres y mujeres de tensin arterial (TAS), edad e IMC.
Hombres (n=326)
Mujeres (n=413)
151,8 (18,2)
149,4 (20,2)
151,8 - 149,4 = 2,4 mmHg
t 737
151,8 149,4
1,7 p=0,09 (2 colas)
1,43
67,6
28,8
69,9
30,2
Observando la tabla puede apreciarse que los hombres de la muestra son ms jvenes que las
mujeres (diferencia de edad = 2,2 aos) y por eso su TAS es slo 2,4 mmHg superior cuando se
comparan de manera bruta con las mujeres, ya que la TAS aumenta a medida que aumenta la
edad. Si, en la muestra, los hombres son ms jvenes que las mujeres, comparar sus medias en
la muestra (t de Student) infraestimar la verdadera diferencia existente entre hombres y
mujeres. Por eso no basta la comparacin bruta, sino que es necesario igualar por edad a
hombres y mujeres usando un mtodo multivariable para poder realizar una verdadera
comparacin vlida. Esto libera del efecto distorsionador de la edad. Slo mediante el mtodo
multivariable que ajusta por edad se puede realizar una generalizacin cientficamente
rigurosa de las diferencias en TAS entre hombres y mujeres. La verdad es que los hombres
tienen la TAS 4,9 mmHg por encima de las mujeres, sea cual sea su edad. Si esto es verdad a
todas las edades, debe ser verdad tambin para el conjunto.
En este ejemplo, al comparar la TAS segn sexo, se dice que la variable edad acta como factor
de confusin (. Un factor de confusin es una variable que se asocia tanto con la variable
independiente (supuesta "causa") como con el supuesto "efecto" y que hace que la
comparacin bruta o "cruda" (t de Student) sea invlida. Cuando hay factores de confusin se
debe usar el anlisis multivariable. La figura 12.2 representa grficamente el papel de la edad
como factor de confusin:
TAS
Usando terminologa de grficos causales se dira que la edad abre una puerta trasera que
comunica sexo y TAS (Hernn, 2002; de Irala, 2002). Se cierra dicha puerta trasera al "ajustar"
por edad. La comparacin bruta (diferencia = 2,4 mmHg entre hombres y mujeres) no es
vlida. La comparacin ajustada (diferencia = 4,9 mmHg) est libre de confusin por edad. La
figura presenta esto mismo1 segn SPSS.
Tabla Modelos de regresin mltiple con la tensin arterial (TAS), edad, sexo e IMC.
Modelo
1
(Constante)
Sexo1
2
(Constante)
Sexo1
Edad
IMC
1
B
151,827
-2,407
85,000
-4,909
0,741
0,582
Error tp.
1,070
1,431
9,212
1,427
0,109
0,168
Beta
-0,062
-0,126
0,246
0,125
t
141,952
-1,683
9,227
-3,439
6,801
3,455
Sig.
0,000
0,093
0,000
0,001
0,000
0,001
Modelo
1
(Constante)
Sexo
2
(Constante)
Sexo
edad
IMC
3
(Constante)
sexo
edad
IMC
sexo*edad
1
B
151,827
-2,407
85,000
-4,909
0,741
0,582
96,051
-26,089
0,576
0,584
0,308
Error tp.
1,070
1,431
9,212
1,427
0,109
0,168
12,060
15,000
0,159
0,168
0,217
Beta
-0,062
-0,126
0,246
0,125
-0,670
0,192
0,125
0,559
t
141,952
-1,683
9,227
-3,439
6,801
3,455
7,965
-1,739
3,625
3,470
1,418
Sig.
0,000
0,093
0,000
0,001
0,000
0,001
0,000
0,082
0,000
0,001
0,156
Interpretacin:
El modelo 3 proporciona dos ecuaciones, una para hombres y otra para mujeres.
Varones: TAS 96,051 (0,576 EDAD) (0,584 IMC)
Mujeres: TAS 96,051 - 26,089 (0,576 EDAD) (0,584 IMC) (0,308 EDAD)
Sumando las constantes y los coeficientes de la edad, la ecuacin en mujeres ser:
Mujeres (simplificada): TAS 69,962 (0,884 EDAD) (0,584 IMC)
Sin embargo, al valorar una interaccin debe comprobarse si su coeficiente tiene un valor p
significativo o no. Si no es significativo debe suprimirse. Aqu el valor p no es significativo
(p=0,156) y preferiremos el modelo sin interaccin, ya que no hay evidencia para rechazar la
hiptesis nula de que su coeficiente (0,308) sea 0 en la poblacin. No obstante, a efectos
demostrativos, representaremos grficamente el modelo con interaccin para interpretar su
significado.
Figura Interaccin. La ecuacin y=a+b1x1+b2x2+ b2(x1*x2) da lugar a dos rectas que ya no son
paralelas. En el ejemplo y es la TAS, x1 es la edad y x2 el sexo.
160
155
150
145
140
135
130
55
57
59
61
63
65
67
69
71
73
75
77
79
Edad
Observando la figura se aprecia que las diferencias entre hombres y mujeres ya no son
constantes, sino que dependen de la edad (la edad es un modificador del efecto del sexo).
Tambin puede interepretarse al revs: la pendiente de la recta que relaciona TAS y edad es
diferente en hombres y mujeres, es decir el sexo es un modificador del efecto de la edad.
CODIFICACIN
Variable original
Categoras:
AOV
FS
1 = Aceite de oliva
2 = Frutos secos
3 = control
SPSS
(Constante)
AOV
FS
B
-0,280
0,031
0,161
t
Sig. (bilateral)
-0,119
0,905
-0,605
0,546
La ventaja de hacerlo por regresin es que basta con introducir tambin otras variables
en el modelo (p. ej. sexo, edad, peso inicial, etc.) para obtener estas mismas estimaciones ya
ajustadas por esos posibles factores de confusin.
Por lo tanto, al igual que en la regresin lineal simple, el modelo se basa unos
supuestos similares,que son los siguientes.
Las variables estn relacionadas linealmente.
La distribucin de la variable dependiente condicionada a cada posible combinacin
de valores de las independientes es una distribucin normal multivariable.
Las variables son independientes unas de otras.
Homogeneidad de las varianzas (homocedasticidad): las varianzas de la variable y
condicionadas a los valores de x son homogneas.
Para comprobar estos supuestos se deben guardar los residuales y valorar si se adaptan a la
normalidad, igual que se hace en regresin simple. Si el tamao muestral es grande,
habitualmente resultarn significativos los test de normalidad de los residuales, pero esto
tiene poca relevancia prctica. En esta situacin un test de normalidad significativo es slo una
consecuencia del tamao muestral. Resulta entonces ms importante valorar la magnitud del
apartamiento de la normalidad usando mtodos grficos. Habitualmente, con tamaos
mustrales grandes (n>500) la regresin suele ser suficientemente robusta.
Cuando haya un apartamiento notorio de la normalidad en los residuales se puede probar un
trmino cuadrtico para alguna de las variables independientes cuantitativas ms importantes.
Esto conducira a modelos polinmicos y permitira incluir relaciones curvilneas. Existen
amplias posibilidades de modelizacin no lineal en regresin.
Estudios:
0 = Estudios medios o superiores
Tabaco:
1 = Estudios primarios
0 = No fumador
1 = Fumador actual
Actividad fsica en el tiempo libre:
2 = Ex-fumador (lo dej hace < 1 ao)
variable cuantitativa medida en
3 = Ex-fumador (lo dej hace >= 1 ao)
METs-horas/semana
Coeficientes
estandarizados
Beta
1,229
-,993
-,064
,022
,050
,067
-,049
Sig.
65,448
19,672
-15,872
-5,390
1,956
4,177
5,867
-4,404
,000
,000
,000
,000
,051
,000
,000
,000
Figura Relacin entre edad e ndice de masa corporal (BMI). Muestra representativa varones
27
26
IMC 25
24
23
22
15 20 25 30 35 40 45 50 55 60 65 70 75 80 85
Edad
europeos mayores de 15 aos (n=7.375).
Adems, es preciso considerar que este efecto de la edad es independiente de los
otros factores (tabaco, estudios y actividad fsica) incluidos en el modelo.
La variable categrica "tabaco" tena 4 categoras, por lo tanto se han introducido 3
trminos en el modelo (todas las categoras menos una). La categora que no se introduce
(aqu son los nunca fumadores) es la que queda como estrato de referencia frente al cual se
realizan todas las comparaciones. As, los fumadores tenan (independientemente de cul
fuese su edad, estudios y actividad fsica) por trmino medio 0,468 kg/m 2 menos de IMC que
los nunca fumadores. En cambio los ex-fumadores tenan por trmino medio mayor IMC que
los nunca fumadores. Para los que haban dejado de fumar haca menos de un ao esta
diferencia media fue de +0,478 kg/m2, y para los que dejaron de fumar haca ms de un ao
fue de +0,530 kg/m2, en comparacin con los nunca fumadores (siempre independientemente
de cul fuese su edad, estudios y actividad fsica).
Los hombres cuyo nivel de estudios era primario o menor (Estudios=primarios) presentaron
mayor IMC medio que quienes tenan estudios ms elevados. La diferencia media en el IMC
fue de +0,534 kg/m2 (independientemente de cul fuese su edad, hbito tabquico y actividad
fsica).
Cada MET-hora ms a la semana de actividad fsica en el tiempo libre se asoci a una
reduccin del IMC de 0,0085 kg/m2 (independientemente de cul fuese la edad, hbito
tabquico y nivel de estudios de los participantes). Los METs son una medicin de la cantidad
de esfuerzo que se hace en una actividad fsica o deporte. Se suman a lo largo de la semana
multiplicada por las horas que se dedican por trmino medio a esa actividad o deporte (METShoras/semana).
Las 4 variables resultaron ser predictores independientes y estadsticamente significativos de
la variabilidad en el IMC.
La representacin grfica de la figura asume que los sujetos tenan el valor 0 en las otras 3
variables (nivel de estudios, hbito tabquico y actividad fsica). Tener un valor de 0 en estas 3
variables supone no ser fumador, tener estudios superiores o medios y no realizar ninguna
actividad fsica en el tiempo libre.
Perodos
1990
1991
1992
1993
1994
1995
Y Ventas (miles)
85
89
92
95
93
98
552
PARA 1996:
Para 1997
Para 1998
(
Para 1999
(
Para 2000
(
Para 2001
(
Para 2002
Para 2003
Perodos
1996
1997
1998
1999
2000
2001
2002
2003
Y Ventas (miles)
96.00
96.80
96.48
96.60
96.55
96.57
96.56
96.56
Perodos
1990
1991
1992
1993
1994
1995
Y Ventas (miles)
85
89
92
95
93
98
552
x2
25
9
1
1
9
25
70
x
-5
-3
-1
1
3
5
0
log y
1,9294
1,9494
1,9638
1,9777
1,9685
1,9912
11,7800
Luego hallando b:
x log y
-9,6471
-5,8482
-1,9638
1,9777
5,9054
9,9561
0,3803
Perodos
1996
1997
1998
1999
2000
2001
2002
2003
Y Ventas (miles)
100
103
105
108
111
114
117
120
x
7
9
11
13
15
17
19
21
exponencial
Valor
100
90
Real
80
Pronstico
70
1
Punto de datos
1/5 3
X2
1
4
9
16
25
55
11
Y
1,25
5
11,25
20
30,5
68
13,6
X3
1
8
27
64
125
225
X4
1
16
81
256
625
979
X2Y
1,25
20
101,5
320
762,5
1205
XY
1,25
10
33,75
80
152,5
277,5
55,5
Y*
1,18
5,11
11,32
19,81
30,58
68
13,6
e=Y-Y*
0,07
-0,11
-0,07
0,19
-0,08
0
0
e2
0,0049
0,0121
0,0049
0,0361
0,0064
0,0644
0,0128
Y Na b X c X
XY a X b X c X
X Y a X b X c X
2
68 5a 15b 55c
b= 0,51
c= 1,14
Coeficiente de determinacin: R =
S e ECM 2
2
S2 *
Y
2
Y
1-
S e2
S
2
Y
1-
0,01288
0,9998
111,715
0,01288
x2
x3
x4
xy
x2y
1.25
1.25
1.25
16
10
20
11.25
27
81
33.75
101.25
20
16
64
256
80
320
30.5
25
125
625
152.5
762.5
15
68
55
225
979
277.5
1205
Aplicando el mtodo de los mnimos cuadrados se obtiene el siguiente sistema de ecuaciones:
na b x c x 2 y
5a 15b 55 c 68
a 0.47
b 0.51
c 1.14
Por tanto, la ecuacin de la parbola de grado dos que mejor se ajusta a la nube de
puntos es:
30
Y (producc in)
X (tiempo)
20
Y*1 lineal
X (tiempo)
Y*2 parbola
10
X (tiempo)
Y*3 potencial
0
X (tiempo)
Y*4 exponencial
-10
X (tiempo)
1
X (tiempo)
-CORRELACION
-COEFICIENTE DE CORRELACIN SIMPLE DE PEARSON (MODELO RECTILNEO)
El coeficiente de correlacin es una medida de asociacin entre dos variables y se simboliza
con la literal r.
Los valores de la correlacin van de + 1 a - 1, pasando por el cero, el cual corresponde a
ausencia de correlacin. Los primeros dan a entender que existe una correlacin directamente
proporcional e inversamente proporcional, respectivamente.
De lo anterior referimos que:
+1 -1 = Correlacin perfecta.
0.95 = Correlacin fuerte.
80% = Correlacin significativa.
70% = Correlacin moderada.
50% = Existe una relacin parcial.
Donde:
r = coeficiente de correlacin de Pearson.
Este procedimiento estadstico es aplicable cuando las observaciones se miden segn una
escala de intervalo, por otra parte, el fenmeno debe ser lineal.
Al igual que las otras pruebas paramtricas, la varianza de las variables X y Y deben guardar
homogeneidad.
Pasos.
1. Ordenar los valores de la variable dependiente (Y) con respecto a los valores de la
variable independiente (X).
2. Elevar al cuadrado cada valor X y de Y.
3. Obtener los productos de X y Y, para lo cual se deben multiplicar independientemente
ambos valores.
2
2
4.
5. Calcular el tamao de la muestra en funcin de parejas de X y Y.
6. Aplicar la ecuacin.
7. Calcular los grados de libertad (gl): gl = N parejas -1.
8. Comparar el valor de r calculado en la tabla de valores crticos de t de Kendall en
funcin de la probabilidad.
9. Decidir si se acepta o rechaza la hiptesis.
Ejemplo:
Eleccin de la prueba estadstica para medir la asociacin o correlacin. Las edades en das
estn en escala de tipo intervalo, tenemos dos variables, entonces aplicamos esta prueba.
Objetivo: Conocer que grado de asociacin existe entre la edad y peso corporal de nios de
edades desde el nacimiento hasta los 6 meses.
Hiptesis.
Ha. Entre las observaciones de edad de los nios y peso corporal existe correlacin
significativa.
Ho. Entre las observaciones de edad de los nios y pero corporal no existe correlacin
significativa.
gl = 21 - 2 = 19
rc = 0.91
rt = 0.444
rc > rt se rechaza Ho. Entre las variables edad del nio y el peso corporal existe una correlacin
muy significativa. Elevando r al cuadrado obtenemos el error existente r2 = 0.8281 = 0.83,
donde el 83% de los cambios observados en el peso de los nios se debe a los incrementos de
la edad, sin embargo, el 17% se ignora.
Creamos ahora una grfica (hecha con el programa estadstico SPSS) para representar la
correlacin obtenida. Encontramos entonces una correlacin positiva, es decir, conforme la
edad aumenta, tambin aumenta el peso corporal de los nios.
REFERENCIAS BIBLIOGRAFICAS
BIBLIOGRAFIA DEL EJEMPLO DE PRONOSTICOS MOVILES
www.estadistica.mat.uson.mx/.../seriesdetiempo.pdf
BIBLIOGRAFA DEL EJEMPLO DE MINIMOS CUADRADOS
www.monografias.com/.../placo.shtml
BIBLIOGRAFIA DEL EJEMPLO DEL EJEMPLO DE REGRESIN EXPONENCIAL
http://www.monografias.com/trabajos13/placo/placo.shtml
BIBLIOGRAFA DEL EJEMPLO DE CORRELACION
Altman DG, Deeks JJ, Sackett DL (1998). Odds ratios should be avoided when events are
common. BMJ 1998;317:1318.
Altman DG, Goodman SN (1994). Transfer of technology from statistical journals to the
biomedical literature. Past trends and future predictions. JAMA 1994;272:129-32.
Bautista LE (1995). Razn relativa y tasa relativa como traducciones de odds ratio y de
hazard ratio. Bol Ofic Sanit Panam 1995;119:278-80.
BIBLIOGRAFIA DEL EJEMPLO DE REGRESIN PARABOLICO
http://www.google.com/search?hl=es&q=M%C3%A9todo+de+regresi%C3%B3n+parab%C3%B
3lica+de+pron%C3%B3sticos+ejemplo+explicativo%29&aq=f&aqi=&aql=&oq=&gs_rfai=
http://www.scribd.com/doc/41357597/Regresion-Parabolica#