Documentos de Académico
Documentos de Profesional
Documentos de Cultura
INTRODUCCIN:
Ya hemos estudiado los datos o series estadsticas en general. Dentro de
estas series estadsticas merecen especial atencin aquellas que tienen
como uno de sus variables el tiempo. Ya hemos mencionado tambin que
cuando uno de los caracteres cuantitativos es el tiempo la serie estadstica
se llama serie cronolgica, el segundo carcter puede ser cualitativo o
cuantitativo.
IMPORTANCIA:
El inters por estas series radica en que son tiles en muchos trabajos en
los que el tiempo juega un papel preponderante, lo cual ocurre en mltiples
aspectos de la administracin, economa y muchas otras disciplinas.
DEFINICIN:
Se llama serie cronolgica o temporal a aquella sucesin de observaciones
en la que alguno de sus caracteres se mide en unidades de tiempo. El
tiempo como sabemos es una caracterstica cuantitativa y el resto de los
caracteres de la serie pueden ser cualitativos o cuantitativos.
Y=F(t)
Mes En. Feb Mar Abr. May Jun. Jul. Ag. Set. Oct Nov Dic
es . . . . . .
(198
9)
Miles 275 138 242 567 684 328 285 295 254 502 635 32
de 0 2 5 3 2 5 0 0 0 5 2 5
soles
8000
7000
6000
5000
4000
3000
2000
1000
0
EJEMPLO:
y t+1
yt
y t-1
t-1 t t+1
tiempo
VARIABLE DE FUJO:
EJEMPLO:
yt+1
yt
yt-1
Tendencia secular
movimientos estacionales
movimientos cclicos
movimientos irregulares
TENDENCIA SECULAR:
EJEMPLO:
MOVIMIENTOS CCLICOS:
EJEMPLO:
Y
X
REPRESENTACIN GENRICA DE ESTOS MOVIMIENTOS, LA
LINEA DE PUNTOS REPRESENTA LA CURVA DE TENDENCIA.
MOVIMIENTOS ESTACIONALES:
EJEMPLO:
EJEMPLO:
Produccin (miles de
toneladas)
y= f (T,C,E,I)
En la mayora de los casos no resulta nada simple, en una serie
cronolgica, distinguir entre las componentes. A menudo los efectos
cclico y estacional o las tres componentes, tendencia a largo plazo,
efectos cclico y estacional, se han integrado tanto que resultan
inesperables. Por el contrario si los efectos son distinguibles, no es
difcil separarlos.
EJEMPLO:
ESTUDIO DE LA TENDENCIA:
La curva de la tendencia de una serie cronolgica muestra la
evolucin general de la serie y puede tomar diferentes formas tales
como rectilneas, parablicas, exponencial, etc. Existen varios
mtodos para lograr la estimacin de la tendencia, entre los ms
utilizados se encuentran:
SOLUCIN:
105
100
95
90
85
0 1 2 3 4 5 6
2.- Se divide los 7 aos en dos grupos de cuatro aos cada uno,
incluyendo en ambos grupos el valor del perodo central. Luego las
semi-medias sern:
y= a + bX
1
y= 98.5 + 3 (x)
c) Al ao de 1990 corresponde x=7 ; para calcular el valor de y
para 1990 se tiene:
1
y= 98.5 + 3 (7)=100.83
110
105
100
95
90
85
0 1 2 3 4 5 6
DEFINICIN:
EJEMPLO:
SOLUCIN:
EJEMPLO:
SOLUCIN:
120 GRFICA DE LA
100
80
60
40
20
0
1979 1980 1981 1982 1983 1984 1985 1986 1987 1988
DESVENTAJAS:
Existen dos ventajas que se pueden sealar a los promedios mviles
o movimientos medios.
y = na + b x
xy = a x + b x2
^y = a + bX , donde X es el tiempo.
y = na
xy = b x2
De donde se obtiene:
y
a= = y
n
x y
b= 2
x
MODELO DE AJUSTE:
El modelo es una ecuacin matemtica que expresa la relacin que existe entre dos o
ms variables.
Veamos la mecnica de sus frmulas, en los casos de la recta, para una lnea geomtrica
o doble logartmica, para una exponencial o semilogartmica; semilogartmica para el
mediano y largo plazo, parbola de segundo grado para una hiperblica y otras.
I. LINEA RECTA:
Y= a +
Y= a- bX
X Y XY X2 Y2
a B c= a . b d= a . a e = b .b
1 1352.00 1352.00 1 1827904
2 1434.96 2869.92 4 2059110
3 1566.73 4700.19 9 2454643
4 1300.50 5202.00 16 1691300
5 1831.00 9155.00 25 3352561
6 1867.60 11205.60 36 3487930
7 2069.50 14486.50 49 4282830
8 1947.00 15576.00 64 3790809
9 2257.50 20317.50 81 5096306
10 2409.30 24093.00 100 5804727
= 55 18036.09 108957.7 385 3384812
1 0
A.- DESARROLLANDO EL MODELO LINEAL (CASO DE
LA RECTA) MEDIANTE ECUACIONES SIMULTNEAS:
o Y= a + Bx
o Y= na +b X
o XY= a X+ b X2
a). 18036.09= 10 a + b 55
108957.71= a 55 + b 385
108957.71= 55 a + b385.0
9759.25= 0 a + b 82.5
b= 9759.25 b= 118.29394.
82.5
18036.09= 10 a + b55
18036.09= 10 a + 118.29394 x 55
18036.09= 10 a + 6506.1667
10 a= 11529.923
a= 1152.9923.
Y= a + Bx
X
( 2) ( Y ) ( X )( XY )
n X 2( x)2
( 2 ) a=
En las frmulas (2) y (3) notamos que los denominadores son iguales,
esto es importante observarlo porque simplifica las operaciones y
ahorra tiempo en el clculo de los parmetros, ya que encontrando el
valor del denominador de a, ste se repite como valor del
denominador de b, quedando nicamente por calcular los
numeradores.
Por otro lado no nos debe preocupar para los efectos del clculo si el
comportamiento histrico de la serie es creciente o decreciente, para
ambos casos se trabaja con iguales frmulas, al final si el
comportamiento histrico es decreciente, resultar automticamente
un valor de b negativo y como tal, al reemplazar su valor para los
efectos del modelo de ajuste estimado, este parmetro conserva su
valor algebraico; es decir Y*= a bX.
Y en caso que b sea positivo, entonces el modelo de ajuste estimado
seria Y*= a + bx; es decir, una recta creciente.
951220.65
a=
825
a= 1152.9947.
AHORA:
10 X 108957.7155 X 18036.09
b= 2
10 X 38555
97592.15
b=
825
b = 118.29352.
Y= a + bX
X X 2
(4) ( X X )(Y Y )
b=
X
X =
n
Y
Y =
n
(5) a= Y -b X
55
X = =5.5
10
18036.09
Y =
10
Y Y X X 2 Y Y
( X X ) )
( X X )
)
h= f . f I= f . g
f= a- X g= b - Y
-4.5 -451.609 20.25 2032.241
-3.5 -368.649 12.25 1290.272
-2.5 -236.879 6.25 592.198
-1.5 -503.109 2.25 754.664
-0.5 27.391 0.25 -13.696
0.5 63.991 0.25 31.996
1.5 265.891 2.25 398.837
2.5 143.391 6.25 358.478
3.5 453.891 12.25 1588.619
4.5 605.691 20.25 2725.610
= 0 82.50 9759.219
9759.219
b=
82.50
b = 118.29356.
Ahora:
a= 1152.992.
a=
[ Y
XY
X
X2]
(6)
[ n X
X X2 ]
( 7 ) b=
[ n Y
X XY ]
[ n
X
X
X2 ]
a=
[ 18036.09 55
108957.71 385 ] 18036.09 X 385108957.71 X 55
= 10 X 38555 X 55
[
10 55
55 385 ]
b=
[
10 18036.09
55 108957.71 ] =
10 X 108957.7155 X 18036.09
825
825
a = 1152.9947
b = 118.29352
R= n xy( x )( y )
n x 2( x ) 2 n y 2( y ) 2
Debemos tener en cuenta para los efectos del clculo del coeficiente
de correlacin por esta forma que su numerador es igual al
numerador de la formula N (3) y el factor comprendido debajo de la
primera raz cuadrada del denominador es igual al denominador de
las formulas (2) o (3).
Debemos tener en cuenta para los efectos del clculo del coeficiente
de correlacin por esta forma que su numerador es igual al
numerador de la formula:
( x 2)( y )( x)( x y )
n x 2( x) 2
Y el factor comprendido debajo de la 1era raz cuadrada del
denominador es igual al denominador de las frmulas (2) y (3).
R=
10 x 108957.7155 x 18036.09
10 x 385552 10 x 3384812018036.092
97592.15
R= 825 13180657
R= 0.9358782
F. CALCULO DEL COEFICIENTE DE CORRELACION R
UTILIZANDO MEDIAS ARITMETICAS DE LAS
VARIABLES:
R= ( X X )( y )
( X X ) 2 ( Y ) 2
Debemos tener en cuenta para los efectos del clculo del coeficiente
de correlacin por esta forma , que su numerador es igual al
numerador de la formula (4).
R=
9759.219
82.50 1318065.86
9759. 219
R= 9. 0829511 1148 . 0705
9759. 219
R= 10427 . 868
R= 0.9358787
[ n
X
y
xy ]
[
R=
n X
X X2 ] [ n y
y y2 ]
[ 10 18036.09
55 108957.71 ]
R=
[ 10 55
55 385 ] [ 10 18036.09
18036.09 33848120 ]
10 X 108957. 7155 X 18036 . 09
R= 10 X 38555 X 55 10 X 3384812018036 . 09 X 18036 . 09
97592.15
R=
825 13180660
97592.15
R= 28.72281 X 3630.5179
R= 0.9358782
H. CLCULO DEL COEFICIENTE DE CORRELACION
UTILIZANDO LA RAIZ CUADRADA DEL COEFICIENTE DE
DETERMINACION:
B 2 ( X X X ) 2
R2 = ( Y ) 2
Y 2
n
R= R 2
( 118.29394 ) 2 X (82.50)
(18036.09 ) 2
R2= 33848120
10
1154460.14
R=2
1318065.75
R2= 0.875874
R= 0.875874
R= 0.935881
Otras de las formas aconsejables para calcular el coeficiente de
determinacin, y a partir de la raz cuadrada de este el coeficiente de
correlacin, es la siguiente:
Y Y
2
R2 = 1 -
Y* = = a + bb xi
VARIANZA RESIDUAL DE ELIMINABLE DE Y
2
R =1- VARIANZA INICIAL DE Y
R = R 2
163613.18
R2= 1 - 1318065.86
R2= 1- 0.1241313
R2= 0.8758687
R= 0 .8758687
R = 0.9358786.
y* ( y- y *) ( y- y *)2
k= modelo l= b-k m= 1.1
1271.29 80.71 6514.104
1389.58 45.38 2059.344
1507.88 58.85 3463.323
1626.17 -325.67 106060.95
1744.46 86.54 7489.172
1862.75 4.84 23.426
1981.05 88.45 7823.403
2099.34 -152.34 23207.476
2217.64 39.86 1588.82
2335.93 73.37 5383.157
163313.175
y* = 1152.9947 + 118.29352 x
y y
2
=
2450-
2330-
2210 -
2090-
1970-
1850-
1730-
1610-
1490-
1370-
1250-
1 2 3 4 5 6 7 8 9 10
x
y= a + bx
y * = 1152.9947 + 118.294x
Datos histricos:
Datos ajustados:
Modelo: Y= a Xb
Linealizando el modelo:
Modelo: Y = a Xb
aY X
e= .
a X Y
aY = ab
aX Xb-1
a b Xb-
1
e= X
a Xb
e=b
Y Y= a Xb
a
0
1 X
Modelo linealizado :
log X (log
X Y log X log Y log Y X )2
1 2 a b c=a*b d=a*a
1352. 0.000 3.1309 0.0000 0.000
1 00 0000 767 000 0000
1434. 0.331 3.1568 0.9503 0.090
2 96 0300 398 035 6191
1566. 0.477 3.1949 1.5243 0.227
3 73 1213 942 998 6447
1300. 0.602 3.1141 1.8748 0.362
4 50 0600 104 813 4762
1831. 0.698 3.2626 2.2805 0.488
5 00 9700 883 212 5591
1867. 0.778 3.2712 2.5455 0.605
6 60 1513 839 538 5195
2069. 0.845 3.3158 2.8022 0.714
7 50 0980 654 312 1906
1947. 0.903 3.2893 2.9705 0.815
8 00 0900 660 935 5716
2257. 0.954 3.3536 3.2001 0.910
9 50 2425 278 742 5788
2409. 1.000 3.3818 3.3818 1.000
10 30 0000 909 909 0000
1803 6.589 32.471 21.530 5.215
55 6.09 7631 6434 5494 1596
Reemplazando en la formula 13 los resultados obtenidos en el
cuadro 2, se obtiene la siguiente ecuacin simultnea:
32.4716432 = 10 log a + b
6.5597631
21.5305492 = log a 6.5597631 +
b 5.2151594
21.5305492 = 6.5597631 a + b
5.2151594
0.2299208 = 0 +b
0.9121103
b = 0.22992080
0.9121103
b = 0.2552757
NOTA:
Cuando el parmetro b es menor que 1, entonces el comportamiento
del modelo debe ser similar en el grafico al que aparece en la fig. 1,
para el caso de b 1.
Calculo de a:
10
Log a = 3.0818086
Reemplazando valores de b y log a en la ecuacin
linealizada:
Y = a Xb
yx =
1207.2816 X0.2520757
NOTA:
Observemos que al escribir el modelo estimado en su forma original
el valor del parmetro b permanece invariable, mas no a si el
parmetro a, al cual debemos calcularle su valor anti logartmico. La
explicacin de esto es muy sencilla; observemos como se encuentra b
en este ejercicio:
b = 0.2299203log
0.9121103 log
Ambos logaritmos se eliminan, por ello que se acostumbra no
colocarlo para los efectos del clculo.
n (log X )2 - ( log X )2
n ( log X )2 ( log X )2
10 * 5.2151594 (6.5597631) 2
a = 28.10949
9.121102
a = 3.0818092
10 * 5.2151594 - (6.5597631)2
b = 2.2992045
9.121102
Yx = 1207.2816 X0.2520753
a = log Y b log X
log X = log X
log Y = log X
n
Este procedimiento es el menos utilizado por lo engorroso
que resulta trabajar con los valores requeridos. Por tal
motivo, nosotros tampoco lo aconsejamos, y aqu lo
desarrollamos con el propsito de expresar una forma ms de
encontrar los valores de a y b en el modelo Y = a Xb
Continuacin cuadro 2
n 10
n 10
b = 0.2299183
0.9121103
b= 0.252073
a= 3.0818104
Escribiendo el modelo linealizado:
Expresin modelo : Y = a Xb
Log Y = log a + b
log X
n log X
log X (logX) 2
(19) n log Y
n log X
log X (log X) 2
32.4716434 = 10 log a + b
6.5597631
a= 21.5805492 5.2151594
10
6.5597631
6.5597631 5.2151594
a = 28.10949
9.121102
10 32.4716434
b= 6.5597631 21.5305492
9.121102
b= 2.992045
9.121102
b= 0.2520753
Yx = 1207.2816 X0.2520753
NOTA:
Como hemos podido apreciar, la forma como se expresa las diversas
formas de clculo de los modelos d ajuste de tipo Y = a X b, son
similares a los utilizados para la lnea recta. Y por cualquiera de los
mtodos utilizados el resultado siempre es el mismo.
10 * 5.2151594 (6.559331)2 10 *
105.519655 (32.47164) 2
R = 215.3054923 - 213.006294
3.0201164 * 0.888214
R= 2.299207
2.682509
R= 0.8571104
R= 0.2299183
0.9121103 0.0788924
R= 0.8571014
G. CLCULO DEL COEFICIENTE DE CORRELACIN R
UTILIZANDO DETERMINANTES:
(22) n log Y
n log X n log
Y
10 32.4716434
R= 6.5597631 21.5305492
10 6.5597631 10
32.4716434
6.5597631 5.2151594
32.4716431 105.5196549
3.0201162 * 0.8882004
R= 0.8571227
105.5196549 - (32.476434)2
10
R2= 0.7346459
R = 0.8571149
Modelo: X
Y= ab
Linealizando el Modelo:
(26)
Y =
log n log a+ logb x
( X ) log Y = loga X + log b X 2
El problema se reduce ahora, simplemente a calcular los valores de a
y b respectivamente, y luego estos valores se reemplaza en el
modelo, pero antes se les calcula a ambos parmetros su
antilogaritmo. Veamos un ejemplo, para lo cual utilizaremos las
mismas series de las variables X, Y del cuadro 1.
A B C=a*b d=a*a
1
1352.0 3.13097 0.00000 0.0000
0 67 00 000
2 1434.9 3.15683 0.95030 0.0906
6 98 35 191
3 1566.7 3.19499 1.52439 0.2276
3 42 98 447
4 1300.5 3.11411 1.87488 0.3624
0 04 13 762
5 1831.0 3.26268 2.28052 0.4885
0 83 12 591
6 1867.6 3.27128 2.54555 0.6055
0 39 38 195
7 2069.5 3.31586 2.80223 0.7141
0 54 12 906
8 1947.0 3.28936 2.97059 0.8155
0 60 35 716
9 2257.5 3.35362 3.20017 0.9105
0 78 42 788
10 2409.3 3.38189 3.38189 1.0000
0 09 09 000
55 18036. 32.4716 21.5305 5.2151
09 434 494 596
ESTA EN LA PGINA 22
a+
32.4716434= 10log logb 55
a+
180.9547704=55log log b 385
a+
178.59404=55log log b 302.5
a+
180.95477= 55log log b 385
log b 82.5
2.36073= 0 +
2.36073
log b= =0.028614909
82.5
antilog 0.028614909=1.0681074
b= 1.0681074
a+
32.4716434= 10log logb 55
a+
32.4716434= 10log 0.02861490955
a+
32.4716434= 10log 1.57382
a=anti log a
a=1229.6522
NOTA:
Debemos observar que cuando se reemplaza el valor log de b para
encontrar en parmetro a, reemplazamos como lo indican el valor del
logaritmo y no el valor natural de b.
log Y =3.089782+ X 0.028614909
Escribiendo el modelo de la forma original:
log X X
log a= log b
(27) n n
n X logY X log Y
( 28 ) log b=
n X 2 ( X )2
(29)
X 2 logY X X log Y
log a=
n X 2 ( X ) 2
A.- CLCULO DEL PARMETRO A, CUANDO:
Y=A bX :
2549.0699
log a=
825
log a=3.0899788
antilog a=1229.652
a=1229.652
log a=3.0899786
antilog a=1229.652
a=1229.652
X
B.- CLCULO DEL PARMETRO B, CUANDO Y=A b :
log b=0.0286149
antilog b=1.0681074
b=1.0681074
Y =a b X
Y =1229.652 ( 1.0681074 )X
( X X ) ( log Y log Y )
( 30 ) log b=
( X X )2
(31)
log a=log Y b X
.
2.3607314
log b= =0.0286149
82.5
0.0286149=
b=anti log
b=1.0681074
a=3.2471643 0.02861495.5=3.0897824
log
a=antilog 3.0897824
a=1229.652
D.- DESARROLLO DEL MODELO LINEALIZADO DE UNA
CURVA SEMILOGARITMICA POR MEDIO DE
DETERMINANTES:
|
log a=
logY
X log Y
X
X2 |
(32)
| n X
X X2 |
(33) logb=
|n
X
log Y
( X ) log Y |
| n X
X X2 |
log a=
| 32.4716434 55
180.9547704 385 |=3.0899786
|10 55
55 385 |
a=1229.652
log b=
|
10 32.4716434
55 180.9547704 |
=0.0286149
825
Y =1229.652 ( 1.0681074 )X
(34) Y
log
Y
log )2
2( logY
n 2
2( 2log Y )
nnX
n ( X log Y )( 2 X )( logY )
R= n X
n ( X log Y )( X )( logY )
R=
10180.95477045532.471634
R=
10385552 10 ( 105.5196549 )32.4716434 2
R=0.925342
F.- CLCULO DEL COEFICIENTE DE CORRELACIN R
ULITIZANDO LAS MEDIAS ARITMTRICAS DE LAS
VARIABLES:
(35) )
( X X ) ( log Y logY
R=
2
)2
( X X ) / ( logY logY
)2
( log Y logY
j=g*g
0.134996
2.3607314
R= 0.0081585
82.5 0.0788924 0.0027217
0.0177033
0.0002410
0.0005818
R=0.9253415
0.0047198
0.0017810
0.0115345
0.0181513
0.0788924
(37)
2
2 ( log b )2 ( X X )
R=
2 ( log Y )2
( log Y )
n
(38)
R= R2
(39)
2 ( logY log Y )2
R =1 2
( logY log Y )
0.0113406
R2=1
0.0788924
R2=0.8562523
R=0.925339
Y log Y ( log Y logY )2
k=mode M
lo
1313.4 3.11859 0.0001533
0 35
1402.8 3.14720 0.0000928
2 84
1498.4 3.17582 0.0003675
0 33
1600.4 3.20443 0.0081591
5 82
Estos
1709.4 3.23305 0.0008782
5 31
1825.8 3.26166 0.0000925
8 80
1950.2 3.29028 0.0006545
3 29
2083.0 3.31889 0.0008721
6 78
2224.9 3.34751 0.0000374
3 27
2376.4 3.37612 0.0000332
7 76
17985.1 32.47360 0.0113406
2 56
resultados, nos indicaran que el ajuste respecto a la lnea
quebrada histrica(o lo que es lo mismo que los puntos de
la curva ajustada respecto a la nube de puntos histrica ) se
encuentran correlacionados en un grado de 92 ( es decir
que el desorden con que se ubican los puntos en la nube
difieren en 08 del orden en que se agrupan los puntos que
forma la curva de ajuste). Por otro lado, los resultados nos
indican la variable X influye en un 85% sobre el
comportamiento de la variable Y est determinada en
un85% por la variable X.
X
MODELO: Y=a b
X
Y =1229.652 ( 1.0681074 )
221
209
197
185
0
173
1490
DATOS HISTRICOS:
137 ---------------------------
125
0
113 DATOS AJUSTADOS:
0
1 2 3 4 5 6 7 8 9
10