ANLISIS DE SERIES CRONOLGICAS

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.

En este captulo trataremos aspectos bsicos de las series cronolgicas,

advirtiendo que el tema es bastante extenso y que actualmente se
desarrollan tcnicas sofisticadas para lograr buenas predicciones. Este es un
campo en donde queda mucho por hacer y es un buen reto a la imaginacin
y al talento de los investigadores.

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.

Una serie de tiempo cronolgica, trata una cantidad variable dependiente y

como funcin del tiempo t. Esto se escribe:

Y=F(t)

Es decir estudia el comportamiento de una variable y a lo largo del

tiempo t.

Las unidades de tiempo ms usadas son por lo general de un ao, un

trimestre, un mes, etc. Se elegirn las ms adecuadas para el estudio que
trate de llevarse a cabo.

Dentro de estas unidades de tiempo, algunas tienen duracin constante

(horas, das, etc), pero otras son variables (meses, aos, etc). Este carcter
variable puede influir en los resultados de algunos estudios y debe tenerse
en cuenta al elegir las unidades de tiempo.
Ejemplo:

Series cronolgicas: comportamiento de las ventas mensuales de un

producto A.

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

La grfica de una serie cronolgica es una grfica de lnea, la cual se

construye sobre un sistema de ejes coordenados. En el eje se ubica la
variable independiente tiempo(aos, meses, das, etc), en el eje vertical los
valores de la variable dependiente y (ventas, produccin, etc).

8000
7000
6000
5000
4000
3000
2000
1000
0

TIPOS DE SERIES CRONOLGICAS:

La variable principal se una serie cronolgica es el tiempo. Aunque pueden
estudiarse pueden series cronolgicas con varios caracteres, nos
limitaremos al caso en que slo haya dos: el tiempo y la variable y que
depende de l.
Si estudiamos la variable y , vemos que en cada unidad de tiempo toma
un valor que en general es distinto para cada uno de los perodos
considerados. Este valor de y puede ser el resultado de una medicin
instantnea o de una serie de mediciones que a su vez pueden ser
continuas o discretas; en el primer caso es una variable de NIVEL y el
segundo una variable de FLUJO.

VARIABLE DE NIVEL O DE EXISTENCIA:

En este caso en cada perodo de tiempo considerado t se efecta una
sola medicin y este nos da el valor yt para ese perodo; es decir, yt es
el valor de y en el instante t. Se puede en general suponer que las
mediciones se efectan en instantes regularmente escalonados y el
valor obtenido es el que nos da el valor yt de y de ese perodo. Sin
embargo, al considerar unidades de tiempo que no siempre tienen la
misma duracin puede que en ocasiones no se verifique
rigurosamente esta hiptesis.

EJEMPLO:

Los siguientes son ejemplos de series cronolgicas de este tipo:

El stock de una fbrica el ltimo da de cada mes. Los meses no

tienen la misma duracin, por tanto estas mediciones no estn
rigurosamente escalonadas.

Las temperaturas registradas por un termmetro a lo largo de un da

tomado cada hora. Observaciones escalonadas.

Se representa, grficamente, la evolucin de una variable de nivel,

asignando la observacin yt al instante t.

REPRESENTACIN GRAFICA DE UNA VARIABLE

DE NIVEL

y t+1

yt
 y t-1

t-1 t t+1
tiempo

VARIABLE DE FUJO:

En este caso en cada perodo de tiempo se realiza una serie de

mediciones y la variable y puede tomar cualquiera de los valores
que resultan de esas mediciones. De esta manera si enumeramos los
perodos de observacin de 1 a T y t (1,T), en el perodo t el flujo
transcurrido vendra dado por y1. Es decir, la variable de flujo se mide
durante algn intervalo de tiempo.

En general supondremos que los perodos de observacin son de igual

duracin, aunque esto ya hemos mencionado que no siempre es
posible, porque las unidades de tiempo que conviene tomar en cada
caso algunas veces no son constantes, lo que implicara que esta
hiptesis no se cumpla rigurosamente.

EJEMPLO:

Los siguientes son ejemplos de series cronolgicas de este tipo:

El nmero de Kw/h que consumen los habitantes de un edificio a lo

largo de un ao. Los perodos no son rigurosamente iguales, pues no
todos los meses tienen la misma duracin.

Los dm3/m2 de agua que registra un pluvimetro desde que amanece

hasta que oscurece a lo largo de un mes de invierno.

Para representar grficamente el flujo transcurrido en un perodo t,

tomaremos el flujo en el instante medio del perodo o bien el valor
medio de los flujos medidos en ese perodo yt .

REPRESENTACIN GRFICA DE UN FLUJO

yt+1

yt
 yt-1

perodo(t-1) perodo(t) perodo(t+1) tiempo

COMPONENTES DE UNA SERIE CRONOLGICA:

Si observamos cualquiera de las figuras anteriores podemos ver que
los valores de la serie (valores de y) son distintos en cada perodo de
tiempo, de manera que la grfica de la funcin evoluciona al
transcurrir el tiempo. A esta evolucin que es caracterstica en las
series cronolgicas, le llamaremos movimiento o variacin de la
serie. El anlisis de estos movimientos es un tema central en el
estudio de las series cronolgicas.

Uno de los objetivos es aislar los movimientos que influyen sobre la

serie, con el fin de conocer su marcha en el pasado, para predecirlas
en el futuro o para realizar comparaciones entre dos o ms series.

Los movimientos o variaciones de las series cronolgicas se agrupan

en cuatro categoras:

Tendencia secular
movimientos estacionales
movimientos cclicos
movimientos irregulares

Cualquier serie cronolgica real, estar sujeta a un movimiento ms o

menos complejo que podra descomponerse en los cuatro
movimientos caractersticos principales que llamaremos
componentes de la serie cronolgica. En muchos casos, por
simplicidad, las series cronolgicas se ajustan a uno o dos de estos
componentes para facilitar su estudio, aun a riesgo de perder su
informacin; sin embrago insistimos en que la serie original estar
formada, en un elevado porcentaje de casos, por estos cuatro
movimientos.

TENDENCIA SECULAR:

Se entiende por tendencia secular a un movimiento suave, regular y

de largo plazo, de las series estadsticas. Con este movimiento se
intenta encontrar la direccin general o tendencia del grafico de la
serie en el tiempo, considerando para ello unidades grandes de
tiempo.
Adems consiste en la evolucin a largo plazo de la serie (generalmente ms
de 10 aos)
y que nos indica la marcha general del fenmeno, crecimiento, decrecimiento
o
estacionamiento. La tendencia secular obedece a factores estables que suelen
tener
pocas variaciones a lo largo del tiempo.
Es usual encontrarse con series temporales que presentan un
movimiento sostenido en la misma direccin durante un amplio
periodo de tiempo, con independencia de pequeas oscilaciones al
alza o a la baja.

En general, este movimiento vendr representado por una recta, la

direccin puede ser ascendente, descendente o constante, lo que se
ve en la figura. Tambin podr representarse por curvas (parablicas,
exponencial, etc).

EJEMPLO:

La variacin del precio de los artculos a lo largo de los aos ofrece

una clara tendencia de alza.

El rendimiento fsico en los deportes muestra para todas las personas

una tendencia a aumentar hasta cierta edad, que depende del
deporte que se practique, para luego mostrar una tendencia a
disminuir a medida que aumenta la edad del deportista.

MOVIMIENTOS CCLICOS:

Se estudian tambin en movimientos de larga duracin y representan

las oscilaciones a lo largo de la recta de tendencia. Estas oscilaciones
reflejadas en los perodos de larga duracin constituyen los ciclos de
la serie y pueden ser o no peridicos. Sern peridicos cuando en el
intervalo de tiempo que sigue a uno considerado, la serie recorre un
camino anlogo. En general, un movimiento se considera cclico si su
perodo tiene un intervalo de tiempo no inferior a un ao.

EJEMPLO:

Los ciclos de depresin econmica en los pases se presentan cada

cierto nmero de aos, de acuerdo con resultados obtenidos
observando el crecimiento econmico de las naciones de este siglo.

Y
 X
REPRESENTACIN GENRICA DE ESTOS MOVIMIENTOS, LA
LINEA DE PUNTOS REPRESENTA LA CURVA DE TENDENCIA.

MOVIMIENTOS ESTACIONALES:

Estos movimientos representan, durante aos sucesivos, la evolucin

de la serie de cada perodo de tiempo dentro de cada ao. Una buena
parte de las series cronolgicas siguen normas idnticas durante
estos perodos de tiempo y su grafico tiene un aspecto muy similar al
de aos anteriores sucesivos. Estos movimientos anuales de la serie
son debido a sucesos recurrentes que se repiten anualmente y
aunque los valores dentro de cada ao no sean los mismos, las
grficas evolucionan casi idnticamente.

EJEMPLO:

o La variacin de precios de los productos agrcolas.

o Los incrementos en las ventas en el mes de diciembre.

Obviamente, estos movimientos estacionales no apareceran en las

series cronolgicas que contienen informacin solo de cifras anuales.

LA FIGURA MUESTRA EL ASPECTO GENERAL DE ESTE

MOVIMIENTO, DONDE SE REPRESENTAN CON LNEAS DE
PUNTO LA CURVA DE TENDENCIA Y EL MOVIMIENTO CCLICO.

MOVIMIENTOS IRREGULARES O AL AZAR:

 Son movimientos que suelen presentarse en una unidad de tiempo
dado y que alteran la serie de un modo apreciable. Estos movimientos
son espordicos y suelen ser debidos a sucesos aislados e
imprevisibles o accidentales, tales como los terremotos, las guerras,
inundaciones, catstrofes, huelgas, etc. Aunque estos hechos
producen variaciones en la serie que solo duran un intervalo de
tiempo corto, las consecuencias pueden ser tan grandes que pueden
alterar otros movimientos de la serie; podra originar un nuevo ciclo,
variar la curva de tendencia, etc.

EJEMPLO:

La produccin de maz sufre una alteracin debido a las inundaciones

de 1983, el grfico de la serie se da en la siguiente figura:

Produccin (miles de
toneladas)

1978 1979 1980 1981 1982 1983 1984 1985 1986

1987 1988 1989 AOS

ANLISIS DE LAS SERIES CRONOLGICAS :

Estos movimientos que hemos estudiado has sido identificado por la
experiencia al estudiar muchas series temporales y se presentan en
stas en distintos grados.

El anlisis de tales movimientos es de gran importancia cuando se

trata de predecir situaciones futuras de la serie, lo que es posible
estudiando cmo se ajusta sta fundamentalmente a los tres
primeros movimientos y previniendo su comportamiento posterior. En
el caso de movimientos irregulares casi nunca son predecibles sus
consecuencias y no es posible hacer consideraciones sobre el
comportamiento de la serie. Entonces, el objeto de anlisis de las
series cronolgicas es identificar aquellas componentes presentes
para identificar sus causas y predecir valores futuros de la serie.

Si se presenta por y a la serie considerada, por T a la tendencia, por

C a los movimientos cclos, por E a los movimientos estacionales y
por I a los movimientos irregulares, hay fundamentalmente dos
tcnicas para la definicin de y.

1.- y= T+C+E+I, descomposicin por suma.

2.- y= TCEI, descomposicin por producto.

En general, se puede presentar a y como una funcin de tales

componentes.

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:

Cules de las componentes de una serie cronolgica, puede

esperarse que se encuentren presentes en cada una de las siguientes
series?

a) Las ganancias trimestrales de una compaa gasolinera de los

aos de 1990 a 1991.
b) Las ventas mensuales de implementos deportivos en un cadena
de tiendas a nivel nacional.
c) El nmero de turistas que visitan Cuzco cada mes de enero de
1990 a enero de 1991.
SOLUCIN:

a) Puede esperarse que estn presentes la tendencia a largo plazo

y la variacin al azar.
b) En este caso puede estar en movimiento estacional y la
variacin al azar.
c) Puede que estn presentes, la tendencia a largo plazo, el
movimiento cclico y la variacin al azar.

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:

Mtodo de la mano alzada.

Mtodo de los semi-promedios.
Mtodo de las medias mviles.
Mtodo de los mnimos cuadrados.

MTODO DE MANO ALZADA:

Para ajustar o describir una tendencia por el mtodo de MANO

ALZADA, se traza una lnea a lo largo de un grfico con datos de la
serie en anlisis, de manera que describa aproximadamente el
movimiento a lo largo plazo en todo el perodo.

Este mtodo llamado en muchas ocasiones GRFICO, en el sentido

que se determina la lnea de tendencia inspeccionando la grfica de
la serie. Una vez que se traza la lnea de tendencia a mano alzada; se
puede aproximar una ecuacin de tendencia para la lnea. Esto se
realiza leyendo primero los valores de tendencia para el primer y
ltimo perodo de la grfica en relacin con la mano alzada. Para este
mtodo, se considera generalmente el primer perodo como el origen.
Por consiguiente, el valor de la tendencia para el primer perodo
coincide con el intercepto de la lnea con el eje y.

Para la obtencin de la pendiente si se trata de una lnea recta, se

obtiene la diferencia entre los valores del primer y ltimo perodo de
la serie. Esta diferencia representa el cambio total de la variable y por
toda la duracin de la serie. Luego, cuando se divide esta diferencia
entre el nmero de perodos de la serie, se obtiene un resultado que
representa el cambio medio de y por unidad de tiempo.(el valor de la
pendiente).

DESVENTAJAS DEL MTODO DE MANO ALZADA:

Es un mtodo de alto carcter subjetivo. Es decir, los resultados
de un mismo conjunto de datos varan segn la estimacin
personal.
Se requiere amplia experiencia en el anlisis de la actividad que
se est analizando y que las variaciones no sean muy
acentuadas para obtener un buen ajuste.
De lo antes expuesto, ste mtodo no es recomendable para
principiantes o para personas no especializadas en la actividad
que se analiza.

MTODO DE LOS SEMIPERMETROS:

Este mtodo se aplica con el objeto de simplificar los clculos.

Consiste en dividir los valores de la serie que se est analizando en
dos grupos o segmentos que tengan el mismo nmero de datos.
Luego, se halla la media aritmtica de cada una de las partes y cada
promedio suministra el valor de la tendencia para el subperodo
analizado; obteniendo as dos puntos P y Q entre los cuales se traza
la lnea recta de tendencia de la serie. El mtodo es aplicable a series
en la que la tendencia es lineal aproximadamente lineal para lo cual
es necesario un cuidadoso anlisis de los datos antes de decidir su
aplicacin.

Cuando la serie comprende un nmero impar de perodos, existen

distintas vas de anlisis para la aplicacin del mtodo.

1) Agregar la mitad del valor del perodo central al valor total de

cada parte.
2) Agregar el valor total del perodo central al valor total de cada
parte.
3) No considerar este valor central.

En algunas series los datos pueden agruparse de modo que cada

grupo tenga una cierta tendencia lineal (aunque la serie no goce de
esta tendencia); en este caso aparecer una lnea de tendencia
quebrada que aproximar convenientemente la tendencia global de la
serie.
EJEMPLO:

El volumen de envos de maquinaria agrcola al mercado nacional

desde 1983 hasta 1989 (en millones de soles) viene dado por la tabla
siguiente:

AO 198 198 198 198 198 198 198

S 3 4 5 6 7 8 9
ENV 106 92 95 103 107 98 92
OS

CONSTRUIR LA GRFICA DE LA SERIE Y APLICANDO EL

MTODO DE LOS SEMIPROMEDIOS:

a) Construir una recta de tendencia.

b) Hallar la ecuacin de la recta de tendencia.
c) De acuerdo con la tendencia estimar y para 1990.
d) Estudie la tabla y agrupe los valores en conjuntos diferenciados
y trace la lnea de tendencia.

SOLUCIN:

1.- Considerar la unidad de tiempo inicial (en nuestro caso 1983)

como origen del sistema de coordenadas, obtenindose la siguiente
tabla:

AOS X Y SUMA DE MEDIA DE

GRUPOS GRUPOS
1983 0 106
1984 1 92 396 99
1985 2 95
1986 3 103
1987 4 107
1988 5 98 400 100
1989 6 92
 110

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:

106+ 92+95+103 396

= =99 , para el primer grupo.
4 4

103+107 +98+92 400

= =100 , para el segundo grupo.
4 4

a) Los puntos son: P= (1.5,99) y Q= (4.5,100) vistos en la figura

anterior.
b) Para encontrar la ecuacin de la recta de tendencia PQ de la
figura anterior se hace lo siguiente:

y= a + bX

Para P se tiene 99= a + (1.5) b

Para Q se tiene 100= a + (4.5) b

Resolviendo el sistema de ecuaciones resulta b= 1/3 y a=98.5. Es

decir:

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

d) Al estudiar la tabla observamos que hay cuatro conjuntos

diferenciados:

(106) (92,95) (103,107) y (98,92)

Las medias de cada grupo seran respectivamente stas: 106; 93.5;

105 y 95. En este caso la lnea de tendencia se representara como
indica la figura la siguiente figura, con P= (0,106), Q= (1.5, 93.5), R=
(3.5, 105), y S= (5.5, 95).

110

105

100

95

90

85
0 1 2 3 4 5 6

DESVENTAJAS DEL MTODO DE LOS SEMIPROMEDIOS:

Es aplicable slo a tendencia lineal o aproximadamente lineal.
Como los valores obtenidos son mediante la media aritmtica,
esta puede ser influida por los valores extremos de cualquier
 mitad de la serie. Por tanto, la lnea de tendencia puede quedar
desplazada de su posicin verdadera, debido a factores
accidentales.

MTODO DEL MOVIMIENTO MEDIO:

Llamado tambin mtodo de las medias mviles, es en realidad una

suavizacin de la informacin de las series cronolgicas.
Comenzaremos definiendo que se entiende por un promedio mvil.

DEFINICIN:

Dado una sucesin de valores x1,x2,,xn, se define el promedio

mvil de orden m(m n ) por la secuencia de valores
correspondientes de las medias aritmticas:

X 1+ X 2+ + X m X 2+ X 3++ X m+1 X 3+ X 4+ + X m+2

m
;
m ; m ; (*)

m= nmero de elementos de cada subconjunto de la serie de valores.

Las sumas en los numeradores de las expresiones en (*) se llaman

totales mviles.

EJEMPLO:

Dado la sucesin de valores 2, 1, 6, 5, 4, 3, 8. Calcular el promedio

mvil de orden 3y de orden 4.

SOLUCIN:

Para el movimiento medio de orden 3 significa tomar subconjuntos de

3 valores de los Xi , luego la serie es:

2+1+6 1+ 6+5 6+5+ 4 5+ 4+3 4+3+ 8

; ; ; ;
3 3 3 3 3

O sea los valores 3; 4; 5; 4; 5.

Para el movimiento medio de orden 4 se tiene la serie:

 2+1+6 +5 1+ 6+5+ 4 6+5+ 4+ 3 5+4 +3+8
; ; ;
4 4 4 4

O sea los valores 3.5; 4; 4.5; 5.

Utilizando estos movimientos de ordenes adecuados, puede

eliminarse o al menos atenuarse, las componentes cclicas, las
estacionales y las irregulares, quedando slo el movimiento de
tendencia.

EJEMPLO:

Los envos para el mercado nacional de tractores agrcolas en el

perodo de 1980-1987 por la empresa Mquinas y Herramientas
figuran en la siguiente tabla:

AOS 1980 1981 1982 1983 1984 1985 1986 1987

UNIDA 106 112 94 97 103 109 85 94
DES

Dibujar en la misma grfica, la serie y la estimacin de la tendencia

por un movimiento medio de orden 3.

SOLUCIN:

Para aplicar a esta serie un movimiento medio de orden 3, tomamos

grupos de 3 elementos y hallamos su media. El primer grupo es el 1,
2 y 3 elemento y su media ser:

106+ 112+94 312

3 = 3
=104

El segundo grupo ser formado por el 2, 3 y 4 elemento, su media

ser:

112+ 94+ 97 303

= =101
3 3

El tercer grupo estar formado por el 3, 4 y 5 elemento, su media

ser:
 94+97 +103 294
= =98
3 3

As sucesivamente con este procedimiento encontraramos las medias

aritmticas 104; 101; 98; 103; 99 y 96. Representamos este
movimiento medio de la serie sobre la misma grfica de la serie
original, para compararlas, ver en la siguiente grfica.

Puede observarse que la grfica del movimiento medio tiene saltos

ms suaves que la grfica de la serie.

120 GRFICA DE LA

100

80

60

40

20

0
1979 1980 1981 1982 1983 1984 1985 1986 1987 1988

Observe que este procedimiento de movimientos medios elimina

valores extremos y esto puede hacer variar la grfica del movimiento
medio en gran medida.

El lector habr observado tambin que si m es un nmero par, los

promedios mviles ocurrirn entre los puntos de tiempo en lugar de
en los puntos de tiempo. Entonces, resulta constructivo calcular los
promedios mviles sobre un nmero impar de perodos para tener as
punto de comparacin con los valores originales (como es el caso del
ejemplo anterior).
El mtodo del promedio mvil puede construir una estimacin de la
tendencia satisfactoria para una serie que sea bsicamente lineal y
regular en duracin y amplitud. Pero desafortunadamente en algunos
problemas esto no se cumple.

DESVENTAJAS:
Existen dos ventajas que se pueden sealar a los promedios mviles
o movimientos medios.

1. Ya hemos mencionado que el mtodo de movimientos medios

pierde informacin al inicio y final.
2. El mtodo de movimientos medios no est representado por
ninguna frmula matemtica y por tanto no nos es posible
realizar proyecciones. Puesto que uno de los principales
objetivos del anlisis de la tendencia es la prediccin, el
promedio mvil al carecer de esta propiedad, no es muy
utilizado para hacer una estimacin de la tendencia.

MTODO DE LOS MNIMOS CUADRADOS:

Una tcnica adecuada para obtener un ajuste objetivo de una lnea

recta a una serie de datos, es el mtodo de los mnimos cuadrados.
Un teorema importante en estadstica matemtica plantea una
situacin determinada, la recta ajustada por el mtodo de los
mnimos cuadrados es la recta del mejor ajuste.

El trmino mejor se emplea aqu para indicar que de esta manera

resulta minimizada la suma de cuadrados de las desviaciones de los
datos respecto a la recta. Planteando que para obtener las
estimaciones mnimo-cuadrticas se tiene que resolver el sistema de
ecuaciones normales dada por:

y = na + b x

xy = a x + b x2

Considerando que la recta de tendencia estimada es de la forma:

^y = a + bX , donde X es el tiempo.

La solucin para encontrar a y b en las series de tiempo se simplifican

enormemente considerando el punto medio de la serie como origen
(codificacin del tiempo), ya que de esta manera se tiene x=0 , en

consecuencia las ecuaciones normales se convierten en:

y = na

xy = b x2
De donde se obtiene:

y
a= = y
n

x y
b= 2
x

Entonces, la ecuacin de la lnea de tendencia es:

^y xy
= y +
x2
x

MODELO DE AJUSTE:
El modelo es una ecuacin matemtica que expresa la relacin que existe entre dos o
ms variables.

El problema general de pronstico estadstico es encontrar el modelo que mejor exprese

la tendencia del comportamiento histrico de las variables observadas.

El mtodo ms conocido y utilizado para resolver el problema general planteado es el de

los mnimos cuadrados que a continuacin explicamos:

EL MTODO DE LOS MNIMOS CUADRADOS:

Consiste en determinar la funcin que hace mnima el cuadrado de la distancia entre los
valores observados y los valores de la funcin de ajuste. Esta funcin ha de servir para
encontrar la informacin correspondiente a los aos que continan a la serie histrica.

EL MTODO DE LOS MNIMOS CUADRADOS Y LA FUNCIN

LINEAL:
Este es el mtodo ms utilizado por su versatilidad de ajuste, ya que su uso es
generalizado para cualquier funcin no lineal que puede ser convencionalmente
transformada en lineal mediante el uso de los logaritmos.

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

CUADRO # 1: INFORMACIN Y CLCULOS: 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

El problema consiste en reemplazar los valores encontrados en el

cuadro # 1 (simatorias de las a,b,c,d) en la frmula (1), para luego
encontrar mediante proceso de desarrollo de ecuaciones simultneas
los valores de los parmetros a y b.

Debemos hacer notar que si desarrollando el modelo Y*= a bX (Y*

significa valor de y estimada).

a). 18036.09= 10 a + b 55

108957.71= a 55 + b 385

(-5.5) -99198.46= -55 a b302.5

108957.71= 55 a + b385.0

9759.25= 0 a + b 82.5

b= 9759.25 b= 118.29394.
82.5

b). CLCULO DEL PARMETRO b:

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.

c). ESCRIBIENDO LA ECUACIN DE AJUSTE:

Y= a + Bx

Y*= 1152.9923 +118.29394 X.

B.- DESARROLLO DEL MODELO LINEAL (CASO DE UNA
RECTA) MEDIANTE FRMULAS PARAMTRICAS, SIN
UTILIZAR MEDIAS ARITMTICAS DE LAS VARIABLES:

a) clculo del parmetro de posicin: a, cuando Y= a b X.

X
( 2) ( Y ) ( X )( XY )
n X 2( x)2
( 2 ) a=

b) clculo del parmetro de dispersin o inclinacin: b, cuando Y=

a+bX
n ( XY ) ( X )( Y )
( 3 ) b=
n X 2( x)2

El problema para encontrar los valores de las frmulas (2) y (3),

consiste en reeplazar los valores del cuadro # 1 en las respectivas
frmulas de a y b.

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.

385 X 18036.0955 X 108957.71

a=
10 X 385552

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.

Escribiendo la ecuacin de ajuste:

Y= a + bX

Y*= 1152.9947 + 118.29352 X

C.- DESARROLLO DEL MODELO LINEAL (CASO DE UNA

RECTA) MEDIANTE FRMULAS PARAMTRICAS
UTILIZANDO MEDIAS ARITMTICAS DE LAS
VARIABLES:

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

El problema consiste en reemplazar en la frmula (4) los valores de la

sumatoria de las columnas: i, h de la continuacin del cuadro # 1. La
pequea ventaja que trae trabajar con este procedimiento es que se
opera con nmeros ms pequeos y simplifica el clculo.

A continuacin estimaremos los valores de a y b respectivamente:

9759.219
b=
82.50

b = 118.29356.

Ahora:

a= 1803.609 118.294 x 5.5

a= 1152.992.

ESCRIBIENDO LA ECUACIN DE AJUSTE:

Y*= 1152.992 + 118.294 X.

D.- DESARROLLO DEL MODELO LINEAL (CASO DE UNA

RECTA) POR MEDIO DE DETERMINANTES:
La determinante es una forma particular de expresar las frmulas
paramtricas enunciadas en la parte B de esta seccin.

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

Y*= 1152.9947 + 118.29352 X

Por cualquiera de las formas que desarrollaremos el modelo lineal
para el caso de una recta, los resultados sern los mismos.

E. CALCULO DEL COEFICIENTE DE CORRELACIOB R ,

SIN UTILIZAR MEDIAS ARITMETICAS DE LAS
VARIABLES:

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).

10 X 108957. 7155 X 18036.09

R nx 2( x ) 2 ny 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:

( 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

G. CALCULO DEL COEFICIENTE DE CORRELACION

UTILIZANDO DETERMINANTES:

[ 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:

Por tal motivo, primero encontraremos el valor del coeficiente de

determinacin, y luego su raz cuadrada, lo cual nos dar como
resultado el coeficiente de correlacin.

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

El coeficiente de correlacin (R) calculado por cualquiera de las

formas o mtodos expuestos, los resultados son los mismos; lo
importante es el contenido o significado que tienen tanto el
coeficiente de correlacin (R) como el coeficiente de determinacin
(R2).

Si R es igual a 1 (o menos uno en caso de ser negativo la pendiente b

estimada) significa que la nube de puntos se confunde con la recta:
en este caso hay una casualidad estricta.

Si R es igual a cero, recta es horizontal, entonces y no es explicada

por x ; si R queda comprendido entre cero y uno ( o entre cero y
menos uno), tenemos el caso de una correlacin. Por lo tanto cuando
ms el valor absoluto de R se acerca +/- 1; tanto mejor es la
correlacin y ms eficaz resulta la previsin; es decir la correlacin
nos da la idea cuanto estn Separadas o unidas los datos histricas
con la lnea de ajuste; ms separadas de esta se encuentran cuando
su coeficiente de correlacin tanto ms tiende a cero, y, tanto ms
cerca de la lnea de ajuste se encuentran cuando su correlacin se
acerca ms a +/-.

Una medida importante es el coeficiente de determinacin, que es el

cuadrado del coeficiente de correlacin y nos indica el porcentaje que
la varianza de y es explicada por la varianza de x, ej. Si R es 0.93,
significa que el modelo se ajusta a la informacin histrica en un
grado de asociacin igual a 93y que existe una dispersin de los
datos histrico respecto de la lnea de ajuste en un grado 7. Si R2 es
87 significa que el 84 por ciento de la varianza de y es explicada por
la varianza de x; es decir que la influencia de x sobre y es del 84%
todo esto nos indica, que le modelo se ajusta a la nube de puntos en
un grado de 93, pero que la varianza es un valor que nos indica que el
promedio aritmtico del cuadrado de la dispersin de los datos
histricos respecto a los datos estimados o a la media de las variables
ejm.
 ( xx ) 2 ( y ) 2
2= 2 2= n

y y

2
=

De la misma forma como el coeficiente de correlacin se obtiene

extrayendo la raz cuadrada del coeficiente de determinacin, se
puede tambin encontrar el coeficiente de determinacin elevando al
cuadrado el coeficiente de correlacin.

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:

II. LNEA DOBLE LOGARTMICA O CURVA

GEOMTRICA: Y= A X , CUANDO Y= F(X):
A esta funcin se le denomina doble logartmica, precisamente
porque al transformarlo de su forma exponencial a una forma lineal a
travs del uso de los logaritmos, tanto la variable Y como la variable X
aparecen con valores logartmicos, y como tal su graficacin en un
papel logartmico doble (logartmico en ambos ejes) resultara una
recta.

Modelo: Y= a Xb

Linealizando el modelo:

Log Y = log a + log X

Como podemos apreciar, el modelo linealizando es una funcin con

pendiente b similar de la recta: Y = a + bX donde Y = log Y; a = log
a; b = b; y, X = log X.
Por lo tanto su desarrollo se hace siguiendo el mismo procedimiento
que se utiliz para la lnea recta, teniendo en cuenta que para
despejar el parmetro a es necesario al final calcular su anti
logaritmo, mas no as al parmetro b que permanece con su propio
valor ya qu b=b.

La forma de esta funcin Y= a Xb en el pronstico de mercados

resulta de inters particular porque nos muestra una correlacin de
las variables con elasticidades constante. La elasticidad es igual al
parmetro b.

Modelo: Y = a Xb

Calculando la elasticidad del modelo:

aY X
e= .
a X Y

aY = ab
aX Xb-1

a b Xb-
1
e= X
a Xb

e=b

La importancia de la elasticidad, en el pronstico radica en el hecho

de que relaciona incrementos relativos en las variables; y en este
caso, estamos trabajando con una elasticidad constante (b), la cual
nos indicara el comportamiento de los incrementos de Y respecto a la
variacin en los incrementos de X.

Ya que con mucha frecuencia, no es el volumen de ventas, o el monto

del ingreso, o la cantidad de consumo, o el valor absoluto de un ndice
lo que esta correlacionado con otro valor absoluto, sino el incremento
relativo (en porcentaje) el que se correlaciona con otro incremento
relativo. La relacin entre esos dos incrementos relativos se denomina
elasticidad que para el caso del modelo que estamos estudiando es
una constante a lo largo de toda la funcin.
Por lo tanto, la forma que adopte el modelo graficado, estara en
funcin de los valores que adopte el parmetro b, las mimas que
pueden tener las siguientes formas de curvas de acuerdo al valor que
adopte b.

Y Y= a Xb

a
0
1 X

A. DESARROLLANDO EL MODELO LINEAL (CASO SE

UNA CURVA GEOMTRICA) MEDIANTE ECUACIONES
SIMULTANEAS.
Modelo : Y = a Xb

Modelo linealizado :

Log Y = log a + b log X

Aplicando ecuaciones simultaneas:

 (13) log y = n log a + b log X

log Y log = log a + log X + b (log X)2

El problema se reduce ahora, simplemente a calcular los valores de

a y b respectivamente, y luego estos valores se reemplazan en el
modelo pero antes se calcula el anti logaritmo del parmetro a
quedando inalterable el valor del parmetro b: veamos un ejemplo,
para lo cual utilizaremos las mismas series de las variables X, Y del
cuadro 1.

CUADRO 2 : INFORMACION Y CALCULOS PARA Y = a Xb

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

21.3006284 = -6.5597631 a b 4. 3030491

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.

Es necesario tener presente este resultado para los efectos de la

gratificacin del modelo.

Calculo de a:

32.4716434 = 10 log a + b 6.5597631

32.4716434 = 10 log a + 0.2520757 * 6.5597631

Log a = 32.476434 1.6535569

10

Log a = 3.0818086
Reemplazando valores de b y log a en la ecuacin
linealizada:

Log y = log a + b log X

Log yx = 3.0818086 + 0.2520757 log x

Escribiendo el modelo en su forma original:

Y = a Xb

yx = antilog 3.0818086 X0.2520757

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.

B.DESARROLLANDO EL MODELO LINEAL (CASO DE

UNA CURVA GEOMTRICA) MEDIANTE FRMULAS
PARAMTRICAS, SIN UTILIZAR LAS MEDIDAS
ARITMTICAS SE SUS VARIABLES:
a. calculo del parmetro a, cuando Y = a Xb
(14) a = (logX)2 (log y ) ( log X ) ( log X
log Y )

n (log X )2 - ( log X )2

b. calculo del parmetro b, cuando Y = a Xb

(15) b = n (log X log Y ) ( log X ) ( log Y

)

n ( log X )2 ( log X )2

En las formulas 14 y 15 podemos apreciar que son idnticas a las

correspondientes a la lnea recta 2 y 3. Por lo tanto los consejos
prcticos vlidos para el desarrollo de las formulas 2 y 3 son tambin
validas Para el clculo de las formulas 14 y 15.

a = 5.2151594 * 32.4716434 6.5597631 *

21.5305492

10 * 5.2151594 (6.5597631) 2

a = 28.10949

9.121102

a = 3.0818092

b = 10 * 21.5305492 6.5597631 * 32.4716434

10 * 5.2151594 - (6.5597631)2

b = 2.2992045

9.121102

Escribiendo el modelo linealizado:

Log Y = log a + b log x

 Log Yx = 3.0818092 + b log X

Escribiendo el modelo en su forma original: Y = a Xb

Yx = antilog 3.0818092 X0.2520753

Yx = 1207.2816 X0.2520753

C.DESARROLLO DEL MODELO LINEAL (CASO DE UNA

CURVA GEOMTRICA) MEDIANTE FRMULAS
PARAMTRICAS UTILIZANDO MEDIAS ARITMTICAS
DE LAS VARIABLES:

b = (log X log X) (log Y log Y)

(log X log X)2

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

(logX - (logY- (logX- (logX - log X)

logX) logY) log X)2 (log Y - log Y )
f= a - g= b -
log X log Y h= f*f i= f * g
- -
0.6559 0.11618 0.43030
763 76 49 0.0762140
- - 0.12598 0.0320604
 0.3549 0.09032
463 45 69
- -
0.1788 0.05217 0.03198
55 01 91 0.0093309
- -
0.0539 0.13305 0.00290
163 39 69 0.0071738
0.0429 0.01552 0.00184
937 4 85 0.0006674
0.1221 0.02411 0.01492
75 96 67 0.0029468
0.1891 0.06870 0.03576
217 11 7 0.0129929
0.2471 0.04220 0.06106
137 17 52 0.0104286
0.2982 0.10646 0.08896
662 35 27 0.0317544
0.3480 0.13472 0.11835
237 66 23 0.0463491
0.3194 0.91211
517 03 0.2299183

Log X = log X = 6.5597631 = 0.6559763

n 10

log Y = log Y = 32.471643 = 3.2471643

n 10

b = 0.2299183

0.9121103

b= 0.252073

a= 3.2471643 0.252073 * 0.6559763

a= 3.0818104
 Escribiendo el modelo linealizado:

Log Yx = log a + b logX

LogYx = 3.0818104 + 0.252073 log X

Escribiendo el modelo en su forma original

Yx= antilog 3.0818104 X0.252073

Yx= 1207.2867 X0.252073

Como hemos podido apreciar lo engorroso del procedimiento anterior
radica en los clculos del cuadro que rene la informacin necesaria
para la aplicacin de las formulas, las cuales son fciles y rpidas de
calcular.

D. DESARROLLO DEL MODELO LINEAL (CASO DE UNA

CURVA GEOMTRICA) POR MEDIO DE
DETERMINANTES:
Las determinantes, son una forma particular de expresar las
ecuaciones paramtricas, luego, por lgica consecuencia, tambin se
puede decir que las determinantes son una forma de desarrollo de las
ecuaciones simultneas planteadas en la parte A de este tema.
Veamos cmo funciona lo afirmado en la ltima parte.

Expresin modelo : Y = a Xb

Expresin del modelo linealizado :

Log Y = log a + b
log X

Deduccin de las ecuaciones normales :

Log Y = n log a + b log X

 log X log Y = log a log X + b
(logX) 2

Resolviendo las ecuaciones simultaneas por

determinantes:
log Y log X

(18) a= log X log Y (logX) 2

n log X

log X (logX) 2

(19) n log Y

b= log X log X log Y

n log X

log X (log X) 2

Reemplazando valores en las ecuaciones normales:

32.4716434 = 10 log a + b
6.5597631

21.5305492 = log a 6.5597631 + b

5.2151594

Resolviendo las ecuaciones simultneas por

determinantes (formulas 18 y 19):
32.4716434 6.5597631

a= 21.5805492 5.2151594
 10
6.5597631

6.5597631 5.2151594

a = 28.10949

9.121102

a= 3.0818092 antilog: 1207.2816

10 32.4716434

b= 6.5597631 21.5305492

9.121102

b= 2.992045

9.121102

b= 0.2520753

Escribiendo el modelo en su forma original:

Log Y = log a + b log X

Log Yx= 3.0818092 + 0.2520753 log X

Escribiendo el modelo en su forma natural:

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.

E. CALCULO DEL COEFICIENTE DE CORRELACIN R

SIN UTILIZAR MEDIAS ARITMTICAS DE LAS
VARIABLES:

(20) R= n (log X log Y) (log X ) (log Y)

n (logX)2 (log X)2 n (logY)2 (log Y)2

 R= 10 * 21.5305492 - 6.559731 * 32.4716434

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

F. CALCULO DEL COEFICIENTE DE CORRELACIN R

UTILIZANDO LAS MEDIAS ARITMTICAS DEL AS
VARIABLES:

(21) R= (log X log X) ( log Y log Y)

(log X log X)2 (log Y log Y)2

Debemos tener en cuenta para los efectos del calculo que, el

numerador de la formula (20) es igual al numerador de la formula
(16).

R= 0.2299183

0.9121103 0.0788924

R= 0.8571014
G. CLCULO DEL COEFICIENTE DE CORRELACIN R
UTILIZANDO DETERMINANTES:
(22) n log Y

R= log X log X log Y

n log X n log
Y

log X (logX)2 log Y (log

2
Y)

10 32.4716434

R= 6.5597631 21.5305492

10 6.5597631 10
32.4716434

6.5597631 5.2151594
32.4716431 105.5196549

R= 10 * 21.5305492 - 6.5597631 * 32.4716434

3.0201162 * 0.8882004

R= 0.8571227

H. CLCULO DEL COEFICIENTE DE CORRELACIN

PARA UNA CURABA GEOMTRICA UTILIZANDO LA
RAZ CUADRADA DEL COEFICIENTE DE
DETERMINACIN.
(23) R2= b2 (log X log X)2

(log Y)2 (log Y )2

R2= (0.252073)2 * 0.9121103

105.5196549 - (32.476434)2

10

R2= 0.7346459

R = 0.8571149

III.- LNEA SEMILOGARTMICA O DEL INTERS

COMPUESTO:

A.-DESARROLLO DEL MODELO LINEAL (CASO DE UNA

SEMILOGARITMICA) MEDIANTE ECUACIONES
SIMULTNEAS :

Modelo: X
Y= ab

Linealizando el Modelo:

log Y =log a+X log b

A esta funcin, se le denomina semilogartimica, precisamente

porque al transformarlo de su forma exponencial a una forma lineal
mediante el uso de los logartmicos, solamente la variable Y aparece
con valores logartmicos. En consecuencia cuando desarrollemos el
modelo mediante los mnimos cuadrados, la variable Y aparecer con
su valor logartmico, mientras que la variable X con su valor natural.
Esto tambin determina que, al calcular al parmetro a, como el
parmetro B, para los efectos de reemplazarlos en el modelo original
(y= ). Debemos previamente calcularle sus antilogaritmos (tanto
parmetro a, como al b).

Aplicando ecuaciones simultneas similar a frmula

(1):

(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.

CUADRO 3: INFORMACN Y CLCULOS PARA Y=a

bx
log Y
X Y X log Y X2

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.

Reemplazo valores en la ecuacin linealizada:

log Y =log a+ X log b

log Y =3.089782+ X 0.028614909
Escribiendo el modelo de la forma original:

log Y =1229.6522 X 1.0681074

B.-DESARROLLANDO EL MODELO LINEAL (CASO DE

UNA SEMILOGARTMICA), MEDIANTE FRMULAS
PARAMTRICAS , SIN UTILIZAR LAS MEDIAS
ARITMTICAS DE SUS VARIABLES:

Deduccin de las frmulas de los parmetros a y b, cuando

x
Y=a b

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 :

Aplicando Formula (29)

38532.471643455180.9547704
log a=
103855555

2549.0699
log a=
825

log a=3.0899788

antilog a=1229.652

a=1229.652

Aplicando la frmula (27):

32471643 55
log a=
10 ( )
0.0286149
10

log a=3.0899786

antilog a=1229.652
 a=1229.652

X
B.- CLCULO DEL PARMETRO B, CUANDO Y=A b :

Aplicando frmula (28):

10180.95477045532.4716434
log b=
103855555

log b=0.0286149

antilog b=1.0681074

b=1.0681074

Escribiendo el modelo en su forma original:

Y =a b X

Y =1229.652 ( 1.0681074 )X

C.- DESARROLLO DEL MODELO LINEAL(CASO DE UNA

CURVA SEMILOGARTMICA MEDIANTE FRMULAS
PARAMTRICAS UTILIZANDO MEDIAS ARITMTICAS
DE LAS VARIABLES:

( X X ) ( log Y log Y )
( 30 ) log b=
( X X )2
 (31)
log a=log Y b X
.

Estas frmulas pueden ser reemplazadas por simple inspeccin,

reemplazando las Y que aparecen en la frmula (4) por log Y .

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 |

Reemplazo valores en las frmulas (32) y (33).

log a=
| 32.4716434 55
180.9547704 385 |=3.0899786
|10 55
55 385 |

a=anti log 3.0899786

a=1229.652
 log b=
|
10 32.4716434
55 180.9547704 |
=0.0286149
825

b=anti log 0.0286149=1.0681074

Escribiendo el modelo en su forma original:

Y =1229.652 ( 1.0681074 )X

E.- CLCULO DEL COEFICIENTE DE CORRELACION R

SIN UTILIZAR MEDIAS ARITMTICAS DE LAS
VARIABLES:

(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

G.- CLCULO DEL COEFICIENTE DE CORRELACIN R

n
UTILIZANDO DETERMINANTES:
R=
| |

(36)
| n
X
X
X2 || n
log Y
logY
|
(log Y )2
H.- CLCULO DEL COEFICIENTE DE CORRELACIN
PARA UNA CURVA SEMILOGARITMICA UTILIZANDO LA
RAIZ CUADRADA DEL COEFICIENTE DE
DETERMINACIN:
Por el motivo, primero encontraremos el valor del coeficiente de
determinacin, y luego su raz cuadrada, lo cual nos dar como
resultado el coeficiente de correlacin. Por reciprocidad, se puede
encontrar el coeficiente de determinacin elevando cuadrado el
coeficiente de correlacin.

(37)

2
2 ( log b )2 ( X X )
R=
2 ( log Y )2
( log Y )
n

(38)

R= R2

Otra de las formas del clculo del coeficiente de correlacin a partir

de la raz cuadrada del coeficiente de determinacin, es la siguiente:

(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