Aplicaciones Estad. para El Sector Financ

INSTITUTO DE ESTUDIOS BANCARIOS “GUILLERMO SUBERCASEAUX”
Fundado en 1929
Unidad IV
Análisis de Regresión Simple y Series de

Tiempo
PROGRAMA DE FORMACIÓN A DISTANCIA

Fundado en 1929
Objetivos Específicos de la Unidad
Al finalizar el estudio de la unidad, los

alumnos estarán en condiciones de:
A. Identificar herramientas útiles que permiten analizar

las relaciones entre dos variables
B. Determinar ecuaciones de regresión lineal y

exponencial, según sea la distribución de datos, a partir
del método de los mínimos cuadrados
C. Estimar valores en función de datos históricos a través

de ecuaciones de regresión
D. Analizar la tendencia y los resultados de una ecuación

de regresión
E. Aplicar técnicas de suavizamiento de los datos de una

serie cronológica.

Fundado en 1929
Índice de Contenidos de la Unidad
4. Análisis de regresión simple y series de tiempo
4.1. Regresión y correlación
4.2. Método de regresión lineal

4.2.1. Distribución de datos
4.2.2. Constantes β0 y β1 de la ecuación
4.3. Método de regresión exponencial

4.4. Varianza residual y error estándar
4.5. Coeficiente de correlación y de determinación

4.5.1. Definición
4.5.2. Análisis de los valores
4.6. Cambio de variables
4.7. Aplicación de regresión en Excel
4.8. Series de tiempo

4.8.1. Clasificación de movimientos de series de tiempo
4.8.2. Técnica de suavizamiento: tendencia
4.8.2.1. Método de promedios móviles
4.8.2.2. Método de los semipromedios

Fundado en 1929
4.9. Resumen de la unidad
4.10. Actividad de Autoevaluación

Fundado en 1929
UNIDAD 4: ANÁLISIS DE REGRESIÓN SIMPLE Y SERIES

DE TIEMPO
4. Análisis de regresión simple y series de tiempo
4.1. Regresión y correlación
L a regresión y la correlación son las

dos herramientas estadísticas más
poderosas y versátiles, que se pueden
utilizar para solucionar problemas
comunes en los negocios. Muchos
estudios, se basan en la creencia de
que se puede identificar y cuantificar
alguna relación funcional entre dos o
más variables. Se dice que una
variable depende de la otra, es decir,
‘y’ depende de ‘x’, en donde ‘x’ e ‘y’,
son dos variables cualquiera.
Debido a que ‘y’ depende de ’x’:
’y’ es la variable dependiente y
‘x’ es la variable independiente
Es importante identificar cuál es la variable dependiente

y cuál es la variable independiente, en el modelo de regresión. Una
distribución bidimensional puede representarse, gráficamente, en un
plano cartesiano, colocando en el eje horizontal los valores de la
variable’ x’ (variable independiente) y, en el eje vertical, los valores

Fundado en 1929
de la variable’y’ (variable dependiente). A cada par de

observaciones se le hace corresponder un punto, a este conjunto de
puntos, se le llama Diagrama de Dispersión. Este diagrama nos
muestra una idea del tipo de relación que existe entre las dos
variables.
El primero en desarrollar el análisis de regresión, fue el

científico inglés Sir Francis Galton (1822-1911). Sus primeros experimentos
con regresión comenzaron con un intento de analizar los patrones de
crecimiento hereditarios de los guisantes. Animado por los resultados, Sir
Francis extendió su estudio para incluir los patrones hereditarios en la
estatura de las personas adultas. Así, descubrió que los niños que tienen
padres altos o bajos tendían a ‘ingresar’ a la estatura promedio de la
población adulta. Con este modesto inicio, el uso del análisis de regresión, se
dio a conocer, convirtiéndose en una de las herramientas estadísticas más
poderosas que se encuentran disponibles actualmente (Webster, Allen; 2000).
En la regresión simple, se establece

que ‘y’ es una función de sólo una
variable independiente. Con
frecuencia, se le denomina regresión
bivariada, porque sólo hay dos
variables, una dependiente y una
independiente.
Es necesario hacer una distinción entre la regresión

lineal y la regresión curvilínea (no lineal). En el modelo de
regresión lineal, la relación entre ‘x’ e ‘y’, puede representarse por
medio de una línea recta. El modelo sostiene que, a medida que ’x’
cambia,’y’ cambia en una cantidad constante y consiste en
determinar la ecuación y = β1 x + β o que mejor se ajuste a los datos
observados.

Fundado en 1929
La regresión curvilínea utiliza una

curva para expresar la relación entre
’x’ e’ y’. El modelo sostiene que, a
medida que ‘x’ cambia ‘y’ cambia, en
una cantidad diferente cada vez. Es
el caso de la regresión exponencial,
en la cual, la curva que mejor
describe la tendencia de los datos es
una curva exponencial del tipo:
y = β o ⋅ β 1 x .1
Existen otros tipos de regresión curvilínea, pero en esta

unidad, se estudiarán sólo la regresión lineal y la regresión
exponencial, antes citadas.
4.2. Método de regresión lineal
C uando se considera que la línea

recta es la que mejor describe la
tendencia del diagrama de dispersión,
se hablará de una regresión lineal y se
deberá establecer la ecuación
correspondiente.
En este sentido, la ecuación de la recta se define de la

siguiente forma:
y = β1 ⋅ x + β 0 , con β 1 y β , constantes a determinar.

0
1
En ambos modelos, lineal y exponencial, las constantes son mudas, es decir, no importa su
notación. En algunos textos, se utiliza la nomenclatura de α y β o a y b para las constantes

Fundado en 1929
La ecuación anterior nos indica que la variable ‘y’

depende de la variable ‘x’. Para cada valor que tome ‘x’, se puede
encontrar a través de esta ecuación, el valor correspondiente de la
variable’y’.
L a aplicación de una regresión

lineal, sólo será posible para
aquellas tendencias que tienen un
comportamiento lineal. En caso
contrario, deberá utilizarse otro tipo de
regresión, dependiendo del
comportamiento de las variables.
Ejemplo 4.1.
Supongamos las siguientes series de datos:
1,200,000 300
1,000,000 250
800,000 200
Gasto (MM$)
Nº Clientes
600,000 150
400,000 100
200,000 50
- -
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001
Año Año

Fundado en 1929
En la serie 1 (Nº clientes), la distribución de los

datos no tiene una tendencia lineal, ya que los clientes, no
aumentaron de una forma moderada en todo el período. Es así
como, a partir de 1998, se observa un crecimiento explosivo
hasta el año 2001.
En cambio en la serie 2 (gasto), se observa una

tendencia plana (lineal), es decir, el gasto aumentó en forma
moderada año tras año.
as constantes β0 y β1 deben ser

L determinados a partir de las
observaciones.
La forma de estimarlas, a partir de la ecuación de

regresión y = β 1 ⋅ x + β 0 , es la siguiente:
Cada uno de los n pares de observaciones,

deben verificar la ecuación anterior (en forma
aproximada), así se tiene;
y1 = β 1 ⋅ x1 + β 0
.
.
.
y n = β1 ⋅ xn + β 0

Fundado en 1929
Sumando cada una de estas igualdades se

llega a:
∑y i = β 1 ⋅ ( x1 + x 2 + ... + x n ) + n ⋅ β 0
i =1
n n
(1) ∑y
i =1
i = β 1 ⋅ ∑ xi + n ⋅ β 0
i =1
Por otro lado, cada una de las n igualdades

anteriores, se pueden multiplicar por el xi
respectivo, obteniéndose;
y1 ⋅ x1 = β 1 ⋅ x12 + β 0 ⋅ x1
y n ⋅ xn = β 1 ⋅ x n2 + β 0 ⋅ xn
Al sumarlas se llega a:
n n n
(2) ∑x
i =1
i ⋅ yi = β 1 ⋅ ∑ xi2 + β 0 ⋅ ∑ xi
i =1 i =1
Luego, las expresiones (1) y (2) muestran dos

ecuaciones y dos incógnitas (β1 y β0) Este
sistema de ecuaciones, nos permiten encontrar
los valores de β1 y β0.

Fundado en 1929
Resolviendo el sistema de ecuaciones se tiene

que:
Cov ( x, y )
β1 =
S x2
β 0 = y − β1 ⋅ x
Las expresiones anteriores, son válidas para la

ecuación del tipo: y = β 1 ⋅ x + β 0 .
Es decir, en términos generales, siempre se tendrá

que la constante β1 será el cuociente entre la covarianza de las
variables, dividida por la varianza de la variable
independiente.
Es importante destacar que los modelos de

regresión, se utilizan para series largas de datos ( n > 8 ), ya
que, series muy cortas no aseguran un buen grado de
confiabilidad en la estimación.
Ejemplo 4.2
Según cifras de la Dirección General de

Aeronáutica Civil, la evolución del número de pasajeros
internacionales por avión (en miles), en el período 1990-2000,
es la que se muestra en el siguiente cuadro:

Fundado en 1929
Pasajeros
Año
Internacionales
4,000
1990 1.083 3,500
1991 1.260
3,000
1992 1.383
Pax Int (m ile s )

1993 1.609 2,500
1994 2.001 2,000
1995 2.342 1,500

1996 2.520 1,000
1997 3.011 500
1998 3.218
-
1999 3.443 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000
2000 3.684
Lo primero que hay que analizar, es si la serie

tiene un comportamiento lineal. En este caso, la serie de
pasajeros internacionales, tiene un comportamiento
aproximadamente lineal y creciente en el tiempo.
Para los cálculos de las constantes β1 y β0, se

utilizarán las variables t (años) y pint (pasajeros
internacionales)

Fundado en 1929
T pint t2 pint2 t*pint

1990 1,083 3,960,100 1,172,889 2,155,170
1991 1,260 3,964,081 1,587,600 2,508,660
1992 1,383 3,968,064 1,912,689 2,754,936
1993 1,609 3,972,049 2,588,881 3,206,737
1994 2,001 3,976,036 4,004,001 3,989,994
1995 2,342 3,980,025 5,484,964 4,672,290
1996 2,520 3,984,016 6,350,400 5,029,920
1997 3,011 3,988,009 9,066,121 6,012,967
1998 3,218 3,992,004 10,355,524 6,429,564
1999 3,443 3,996,001 11,854,249 6,882,557
2000 3,684 4,000,000 13,571,856 7,368,000
21,945 25,554 43,780,385 67,949,174 51,010,795
Por lo tanto, la ecuación de regresión, tendrá la

forma de: p int = β 1 ⋅ t + β 0 , donde ’t’ es la variable
independiente y ‘p int’ la variable dependiente.
21 . 945
t = = 1 . 995
11
25 . 554
p int = = 2 . 323 ,1
11
43.780.385
St2 = −1.9952 = 10
11
51.010.795
Cov (t, p int) = −1.995⋅ 2.323,1 = 2.760,5
11
De esta forma, las constantes son:
Cov(t , p ) 2.760,5
β1 = = = 276,1
S 2t 10 ⇒
β 0 = p int − β 1 ⋅ t = 2.323,1 − 276,1 ⋅ 1.995 = −548.496,4
p int = 276,1 ⋅ t − 548.496,4

Fundado en 1929
Para estimar el número de pasajeros

internacionales que habrá el año 2005, basta con reemplazar
este valor en la variable independiente de la ecuación de
regresión:
p int 2005 = 276,1 ⋅ 2005 − 548.496,4 = 5.084,1 ≈ 5.084
Si cada valor de la variable independiente, de la

serie original, se reemplaza en la ecuación de regresión, se
obtendrá el valor estimado para cada valor real observado.
Pax Int.
Año Pax Int. Miles Pax. Int. Lineal (Miles Pax. Int.)
Estimado
1990 1,083 943 4,000
1991 1,260 1,219 3,500

1992 1,383 1,495 3,000
1993 1,609 1,771 2,500
1994 2,001 2,047
2,000
1995 2,342 2,323
1,500
1996 2,520 2,599
1997 3,011 2,875 1,000
1998 3,218 3,151 500

1999 3,443 3,428 0
2000 3,684 3,704 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000
Del cuadro, se observa que existen diferencias

entre los valores reales de la variable dependiente y aquellos
que proyecta la ecuación de regresión. La idea de este modelo
de regresión, es que estas diferencias sean mínimas, lo que se

Fundado en 1929
estudiará más adelante con el error estándar y el coeficiente

de correlación.
A continuación desarrolle las actividades de

aprendizaje propuestas, para autoverificar
el nivel de comprensión de los contenidos
tratados.
RECUERDE, consultar siempre con su tutor

cuando se le produzcan dudas o dificultades
en la comprensión de los temas
desarrollados.

Fundado en 1929
Actividad de Aprendizaje N ° 11
1. Para las siguientes series de datos, indique aquellos que

corresponden a una distribución lineal.
(a) (b)
120
250
100
200
P é r d id a s ( M M $ )
80
U t ilid a d e s ( M M U S $ )
150
60
40 100
20 50
-
0
1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001
0 2 4 6 8 10 12 14 16
Año Gasto (MMUS$)
(c) (d)
900
6,000
800
5,000 700
600
A h o rr o (M $)
4,000
N º S o b r e g ir o s
500
3,000 400
2,000 300
200
1,000
100
- 0
- 200,000 400,000 600,000 800,000 1,000,000 1,200,000 - 500 1,000 1,500 2,000 2,500
Nº Clientes Ingreso (M$)

Fundado en 1929
2. Consideremos la evolución del número de pasajeros

nacionales por avión (en miles), para el período 1990-2000:
Pasajeros
Año
nacionales
1990 1.759
1991 1.857
1992 2.428
1993 2.990
1994 3.565
1995 4.024
1996 4.684
1997 5.854
1998 6.570
1999 7.030
2000 7.522
Suponiendo un modelo de regresión de la forma;

pnac = β1 ⋅ t + β 0 , estimar el número de pasajeros nacionales
para el año 2005. (Codifique la variable ‘Año’, considerando
1990 como el año 1)

Fundado en 1929
Actividad de Aprendizaje
Pauta de Respuestas Correctas
Respuesta Correcta Pregunta 1:
La gráfica (a) tiene tendencia aproximadamente lineal y la

gráfica (d) tiene tendencia lineal perfecta.
Debemos identificar las variables dependiente y la

independiente, en este caso ’Años’ es la variable independiente ‘x’, y
‘pasajeros nacionales’ es la variable dependiente ‘y’
Año Pasajeros
(x) nacionales(y)
1990 1.759
1991 1.857
1992 2.428
1993 2.990
1994 3.565
1995 4.024
1996 4.684
1997 5.854
1998 6.570
1999 7.030
2000 7.522

Fundado en 1929
Para obtener las constantes de la ecuación de regresión lineal

solicitada, es necesario agregar las siguientes columnas a los la tabla:
Año Año Pasajeros x*y x2

(x) nacionales (y)
1990 1 1.759 1.759 1
1991 2 1.857 3.714 4
1992 3 2.428 7.284 9
1993 4 2.990 11.960 16
1994 5 3.565 17.825 25
1995 6 4.024 24.144 36
1996 7 4.684 32.788 49
1997 8 5.854 46.832 64
1998 9 6.570 59.130 81
1999 10 7.030 70.300 100
2000 11 7.522 82.742 121
Total 66 48.283 358.478 506
66
x= =6
11
48.283
y= = 4.389,36
11
358.478
Cov( x, y ) = − 6 * 4.389,36 = 6.252,75
11
506
S x2 = − 6 2 = 10
11

Fundado en 1929
6.252,75
β1 = = 625,28
10
β 0 = 4.389,36 − 625,28 * 6 = 637,68
Así, la ecuación de regresión será:
pnac = 625,28 * t + 637,68
Lo cual, nos da un pronóstico, para el año 2005 (t = 16) de:
pnac = 625,28 * 16 + 637,68 ≈ 10.642
4.3. Método de regresión exponencial
Se ha establecido en detalle la correlación lineal, pero

también, pueden efectuarse análisis de correlaciones no lineales.
E n este caso se analizarán

aquellas tendencias que tienen un
crecimiento o decrecimiento, explosivo
a partir de un período. Estas series se
denominan tendencias exponenciales,
y su característica principal, es que la
variable dependiente crece o decrece
mucho más rápido que la variable
independiente.

Fundado en 1929
C uando el diagrama de dispersión

entre las variables queda mejor
representado por una curva
exponencial, se habla de regresión
exponencial.
Gráficamente, correspondería a las siguientes

situaciones:
β1 > 1
x
o:
0 < β1 < 1
3
-
50 100 150 200 250 300 350

Fundado en 1929
En estos casos, la curva está representada por la expresión:
y = β 0 ⋅ β1 , con β 1 > 0 β1 ≠ 1
x
y
Donde,
y: variable dependiente
x: variable independiente
β0 y β1: constantes a determinar
Ejemplo 4.3
Supongamos las siguientes series de datos:
90
1,200
80
1,000
70
P é r d id a s ( M M $ )
800 60
50
600
40
400 30
20
200
10
-
-
1 2 3 4 5 6 7 2 96 28 89 99 32 76
Minutos de Falla

Fundado en 1929
En la serie 1 (pérdidas), la distribución de los

datos es exponencial, ya que, las pérdidas crecen muy
rápidamente, a medida que avanzan los tiempos de falla.
En cambio en la serie 2, no se aprecia ningún tipo

de distribución, dado los altos y bajos que toma la variable
dependiente.
4.3.2. Constantes βο y β1 de la ecuación
ara encontrar las constantes βο y

P β1 en la expresión original se
transforman las variables en:
log y = log β 0 + x ⋅ log β 1
Esta expresión constituye una línea recta. Por lo

tanto, se tomará como la ecuación de la curva de
aproximación, en donde ‘x’ es la variable independiente y ‘log
y’ la nueva variable dependiente.
Las constantes βο y β1 se pueden encontrar sobre

la base del sistema de ecuaciones normales:
∑ log y = n ⋅ log β + log β ⋅ ∑ x

0 1
∑ x ⋅ log y = log β ⋅ ∑ x + log β ⋅ ∑ x

0 1
2

Fundado en 1929
Ambas ecuaciones son similares a las de regresión

lineal, pero con el cambio de variable realizado.
Una vez encontrado los valores de logβ y logβ0 ,

se debe obtener β0 y β1, extrayendo el antilogaritmo de estos
valores, los cuales, permiten obtener la expresión:
y * = β 0 ⋅ β1
x
Todos los demás estadígrafos, se calculan en forma

análoga a la utilizada en la regresión lineal, pero teniendo
siempre presente, el cambio de variable (‘y’ por ‘log y’). Así,
por ejemplo, la desviación estándar s y , será:
∑ (log y)  ∑ log y 
2 2
sy = − 
n  n 
 
En el caso de la covarianza:
Cov( x, log y ) =
∑ x ⋅ log y − x ⋅ ∑ log y
n n
En algunos casos, no es tan clara la tendencia de

la variable, de ser así, se efectúa la regresión lineal y
exponencial y, la curva que mejor se ajuste, será aquella cuyo
coeficiente de correlación r sea más cercano a ± 1 .

Fundado en 1929
Recordemos que de las ecuaciones normales se

deducen otras expresiones, que permiten calcular βο y β1
En este caso serán:
Cov( x, log y )  Cov( x, log y ) 

log β 1 = 2
⇒ β 1 = log −1  

Sx  S x2 
log β 0 = log y − x ⋅ log β 1 ⇒ β 0 = log −1 (log y − x ⋅ log β 1 )
Ejemplo 4.4
La evolución del número de clientes de un

determinado producto, ha tenido un crecimiento explosivo en
el período 1995-2001, tal como se aprecia en la serie y gráfico
adjunto. Obtener la estimación del número de clientes para el
año 2005.

Fundado en 1929
Nº Clientes
Nº 140,000
Año t
Clientes
120,000
1995 0 2,000
100,000
1996 1 4,000
80,000
1997 2 6,000
1998 3 15,000 60,000
1999 4 40,000 40,000

2000 5 75,000 20,000
2001 6 120,000
-
1995 1996 1997 1998 1999 2000 2001
El modelo, es de la forma: Clientes = β 0 ⋅ β 1t .
Para obtener las constantes de la ecuación de

regresión, es necesario transformar la variable años a una
unidad más pequeña. En este caso, esta unidad de medida se
designó con la letra t.2
Calculando el logaritmo del número de clientes

para aplicar el modelo logarítmico, se tiene:
Año t C t2 log c log2 c t*log c

1995 0 2,000 0 3.3 10.9 0.0
1996 1 4,000 1 3.6 13.0 3.6
1997 2 6,000 4 3.8 14.3 7.6
1998 3 15,000 9 4.2 17.4 12.5
1999 4 40,000 16 4.6 21.2 18.4
2000 5 75,000 25 4.9 23.8 24.4
2001 6 120,000 36 5.1 25.8 30.5
21.0 262,000 91.0 29.4 126.3 96.9
2
Esto se analiza con más detalle en el punto 4.4.

Fundado en 1929
21 91 2
t= = 3,0 S t2 = − 3 = 4,0
7 7
⇒ ⇒
29,4 126,3
log c = = 4,2 S 2
log c = − 4,2 2 = 0,4
7 7
s t = 4 = 2,0
s log c = 0,4 = 0,6
96,9
Cov(t , log c) = − 3 ⋅ 4,2 = 1,2
7
Las constantes βο y β1 son:
 Cov(t , log c) 
 = log −1   = 2,0
1,2
β 1 = log −1  2 
 St   4 
β 0 = log (log c − t ⋅ log β 1 ) = log −1 (4,2 − 3,0 ⋅ log 2,0) = 1.981,1
−1
Luego, la ecuación de regresión exponencial será:
Clientes = 1.981,1 ⋅ 2 t
Por lo tanto, el valor estimado de clientes al año

2005 es:
Clientes = 1.981,1 ⋅ 210 = 2.028.646

Fundado en 1929
Si se quiere comparar el valor estimado con la

ecuación de regresión y el valor real observado, se tienen los
siguientes datos:
Nº Clientes Nº Clientes*
Año t Nº Nº 140,000
Clientes Clientes*
120,000
1995 0 2,000 1,981
1996 1 4,000 3,962 100,000
1997 2 6,000 7,924 80,000

1998 3 15,000 15,849
60,000
1999 4 40,000 31,698
2000 5 75,000 63,395 40,000
2001 6 120,000 126,790 20,000
0
1995 1996 1997 1998 1999 2000 2001
A continuación desarrolle la actividad de

aprendizaje propuesta para que puede medir
el nivel de comprensión en su proceso de
autoaprendizaje

Fundado en 1929
Actividad de Aprendizaje N ° 12
1. Para las siguientes series de datos, indique aquellas que

corresponden a una distribución exponencial.
(a) (b)
35
1,600,000
30
1,400,000
25
1,200,000
20 1,000,000
15 800,000
600,000
10
400,000
5
200,000
- -
5 10 15 20 25 30 35 5 10 15 20 25 30 35
(c) (d)
3
60
2
50
2 40
30
1
20
1
10
-
50 100 150 200 250 300 350 -
0 10 20 30 40 50 60

Fundado en 1929
2. Ajuste una curva exponencial a los siguientes datos, sobre

el porcentaje de llantas radiales producidas por cierto
fabricante, que aún son útiles, después de haber recorrido
los números de millas indicados. Además, estime el
porcentaje de las llantas que podemos esperar que sea útil,
después que han recorrido 25.000 millas.
Millas Recorridas
% Útil
(Miles)
1 97,2
2 91,8
5 82,5
10 64,4
20 41,0
30 29,9
40 12,6
50 11,3

Fundado en 1929
La gráfica (b) tiene tendencia exponencial creciente y la gráfica

(c) tiene tendencia, aproximadamente, exponencial decreciente.
Debemos identificar las variables dependiente y la

independiente, en este caso ‘Millas Recorridas’ es la variable independiente
‘x’, y ‘porcentaje útil’ es la variable dependiente ‘y’.
Millas Recorridas % Útil

(Miles) (x) (y)
1 97,2
2 91,8
5 82,5
10 64,4
20 41,0
30 29,9
40 12,6
50 11,3
Para obtener las constantes de la ecuación de regresión

exponencial solicitada, es necesario agregar las siguientes columnas a la
tabla:

Fundado en 1929
Millas Recorridas % Útil x2 logy x*logy

(Miles) (x) (y)
1 97,2 1 1,99 1,99
2 91,8 4 1,96 3,92
5 82,5 25 1,92 9,60
10 64,4 100 1,81 18,10
20 41,0 400 1,61 32,20
30 29,9 900 1,48 44,40
40 12,6 1600 1,10 44,00
50 11,3 2500 1,05 52,50
Total Total Total Total Total
158 430,7 5530 12,92 206,71
158
x= = 19,75
8 5530
⇒ S x2 = − 19,75 2 = 301,19
12,92 8
log y = = 1,62
8
206,71
Cov( x, log y ) = − 19,75 *1,62 = −6,1
8
Las constantes βο y β1 son:
 Cov( x, log y )   − 6,1 

β 1 = log −1  2
 = log −1   = 0,95
 Sx   301,19 
( )
β 0 = log −1 log y − x * log β1 = log −1 (1,62 − 19,75 * log 0,95) = 114,8

Fundado en 1929
Luego, la ecuación de regresión exponencial será:
y * = 114,8 ⋅ 0,95 x
Lo cual, nos da una estimación para 25.000 millas (x=25) de:
y * = 114,8 ⋅ 0,95 25 = 31,84 ≈ 31,8 % de utilidad

Fundado en 1929
4.4. Varianza residual y error estándar
A través de los ejemplos, se pudo

observar que los valores
estimados difieren de los valores
observados. El grado de confianza que
merezca el ajuste de una recta (o
curva) a un conjunto de puntos se
deberá, en gran parte, a la forma como
se concentren los datos alrededor de
dicha recta (o curva). Las diferencias
que se presentan entre los valores
reales y los estimados se denominan
errores de estimación.
El grado de dispersión se podrá obtener a través de la

varianza residual y corresponde a la media de los cuadrados de las
diferencias entre los valores reales y los estimados.
Para la regresión y = β 1 ⋅ x + β 0 la varianza residual

corresponde a:
∑ (y )
n
2
i − yi*
S r2 = i =1
El valor de yi es el valor real de la variable dependiente

de la serie. En cambio el valor yi* es el valor que se estima a través
de la ecuación de regresión.

Fundado en 1929
Otra forma de obtener la varianza

residual es a través de la siguiente
fórmula:
Cov( x, y ) 2
S r2 = S y2 −
S x2
En general, la varianza residual corresponderá a:
Cov( x, y ) 2
S =S
2
r
2
var dependiente − 2
S var independiente
Observación 1: 0 ≤ S r2 ≤ S y2 ∧
0 ≤ S r2 ≤ S x2
Observación 2: las constantes de una

regresión lineal son aquellas que
minimizan la varianza residual, por
esto, el método se conoce como el
método de mínimos cuadrados.
La varianza residual presenta el mismo inconveniente

que la varianza, o sea, que el grado de dispersión entre los valores
reales y los estimados corresponde a la unidad de medida elevada al
cuadrado, de ahí, la necesidad de trabajar con la raíz cuadrada de la
varianza residual, la cual, se denomina error estándar de estimación.

Fundado en 1929
s r = + S r2
El error estándar se utiliza para predecir un valor con

mayor confianza, de esta forma, el valor estimado de ‘y’ se
encontrará en el intervalo [ y* − sr , y * + sr ]
Esto es válido, tanto para la regresión lineal como

exponencial, con la diferencia que, en este último, la variable ‘y’
corresponde a ‘log y’.
Un intervalo de confianza entrega un rango de valores,

dentro de los cuales, se encuentra el valor proyectado con una cierta
probabilidad.
Ejemplo 4.5
Para el caso de la evolución del número de pasajeros

internacionales por avión, en el período 1990-2000, se tenía la
siguiente tabla de cálculos:

Fundado en 1929
t pint t2 pint2 t*pint

1990 1,083 3,960,100 1,172,889 2,155,170
1991 1,260 3,964,081 1,587,600 2,508,660
1992 1,383 3,968,064 1,912,689 2,754,936
1993 1,609 3,972,049 2,588,881 3,206,737
1994 2,001 3,976,036 4,004,001 3,989,994
1995 2,342 3,980,025 5,484,964 4,672,290
1996 2,520 3,984,016 6,350,400 5,029,920
1997 3,011 3,988,009 9,066,121 6,012,967
1998 3,218 3,992,004 10,355,524 6,429,564
1999 3,443 3,996,001 11,854,249 6,882,557
2000 3,684 4,000,000 13,571,856 7,368,000
21,945 25,554 43,780,385 67,949,174 51,010,795
21.945
t= = 1.995
11 ⇒
25.554
p int = = 2.323,1
11
43.780.385
S t2 = − 1.995 2 = 10
11
67.949.174
S p2 int = − 2.323,12 = 780.404,0
11
51.010.795
Cov(t , p int) = − 1.995 ⋅ 2.323,1 = 2.760,5
11
Como el modelo de regresión es de la

forma; p int = β 1 ⋅ t + β 0 , el valor de la varianza residual y el error
estándar será:

Fundado en 1929
2.760,5 2
S r2 = 780.404,0 − = 18.367,9
10
s r = 18.367,9 = 135,5
Por lo tanto, el intervalo de confianza para una

proyección del número de pasajeros internacionales, al año 2005, es:
p int 2005 = 276,1 ⋅ 2005 − 548.496,4 = 5.084,1

⇒ [5.084,1 - 135,5 ; 5.084,1 + 135,5] ≈ [4.949 ; 5.220]
4.5. Coeficiente de correlación y de determinación
4.5.1. Definición
E sta medida es aplicada a fin de

cuantificar en que grado de error
están relacionadas dos variables y,
por lo tanto, entrega el error global de
las estimaciones a partir de una
ecuación de regresión.
Para la regresión y = β 1 ⋅ x + β 0 el coeficiente de

correlación ‘r’ queda definido por:
S r2
r = 1− 2
Sy

Fundado en 1929
Cov( x, y )
Como Sr2 = S y2 − se tiene;
S x2
Cov( x, y ) 2
S y2 −
S x2
r = 1−
S y2
Cov( x, y ) 2
r = 1 −1+
S x2 ⋅ S y2
Cov( x, y )
r=
sx ⋅ s y
En cambio, el coeficiente de determinación R 2

queda definido por:
S r2
r2 = 1−
S y2
Es decir;
Cov( x, y ) 2
r2 =
S x2 ⋅ S y2

Fundado en 1929
El coeficiente de determinación
indica la proporción o porcentaje
de la variación total de la variable
dependiente “y”, que se explica por,
o se debe a, la variación de la
variable independiente x.
4.5.2. Análisis de los valores
E l coeficiente de correlación y de
determinación será un valor que
cumple con la siguiente restricción3:
−1 ≤ r ≤ 1
−1 ≤ r 2 ≤ 1
El grado en que estén correlacionadas las

variables de una regresión, estará dado por el valor del
coeficiente de correlación, mientras este valor sea lo más
cercano a 1 o –1, significará que las variables están muy bien
correlacionadas y el nivel de estimaciones tendrá un buen
grado de ajustabilidad o confiabilidad.4
3
En algunos casos y, por problemas de aproximación de la varianza y desviación estándar, puede
ocurrir que el coeficiente de correlación quede fuera del intervalo, es decir, puede ser menor que
–1 o mayor a 1.
4
No se debe confundir este nivel de confiabilidad de la estimación con los niveles de confianza que
se utilizan en los Test de Hipótesis, que se denotan con la letra α.

Fundado en 1929
El signo, lo único que representa es la tendencia

(creciente o decreciente) de la serie de datos, por lo tanto, lo
único que importa es su valor absoluto.
Se puede dar una regla para definir que tan

confiable es una regresión en la estimación de datos, pero
básicamente, esto depende del tipo de serie.
En general, coeficientes de correlación sobre el

0,80 arrojarán valores confiables de proyección.
A modo de ejemplo, se pueden dar los siguientes

rangos de ajustes de un modelo de regresión:
Proyección perfecta : r = 1 (ascendente) o, r = −1 (descendente)
Proyección excelente : 0.90 ≤ r < 1 o − 1 < r ≤ −0.90
Proyección aceptable: 0.80 ≤ r < 0.90 o − 0.90 < r ≤ −0.80
Proyección regular: 0.60 ≤ r < 0.80 o − 0.80 < r ≤ −0.60
Proyección mala: 0.30 ≤ r < 0.60 o − 0.60 < r ≤ −0.30
No hay correlación : − 0.30 < r < 0.30

Fundado en 1929
Observación 1: El porcentaje de error

de una proyección, viene dado por la
expresión e = 1 − r .
Observación 2: Los cálculos para la

regresión exponencial son similares,
considerando el cambio de variables
asociado.
Ejemplo 4.6
Para el caso de la evolución del número de

pasajeros internacionales por avión, en el período 1990-2000,
se tenía la siguiente tabla de cálculos:
t p t2 p2 t*p
1990 1,083 3,960,100 1,172,889 2,155,170
1991 1,260 3,964,081 1,587,600 2,508,660
1992 1,383 3,968,064 1,912,689 2,754,936
1993 1,609 3,972,049 2,588,881 3,206,737
1994 2,001 3,976,036 4,004,001 3,989,994
1995 2,342 3,980,025 5,484,964 4,672,290
1996 2,520 3,984,016 6,350,400 5,029,920
1997 3,011 3,988,009 9,066,121 6,012,967
1998 3,218 3,992,004 10,355,524 6,429,564
1999 3,443 3,996,001 11,854,249 6,882,557
2000 3,684 4,000,000 13,571,856 7,368,000
21,945 25,554 43,780,385 67,949,174 51,010,795

Fundado en 1929
51.010.795
Cov(t , p int) = − 1.995 ⋅ 2.323,1 = 2.760,5
11
21.945 43.780.385
t= = 1.995 S t2 = − 1.995 2 = 10
11 ⇒ 11 ⇒
25.554 67.949.174
p int = = 2.323,1 S p int =
2
− 2.323,1 = 780.404,0
2
11 11
s t = 10 = 3,2
s p int = 780.404,0 = 883,4
Por lo tanto, el coeficiente de correlación (r) y de

determinación (r2 )entre las variables es:
2.760 ,5
r= = 0 ,9765
3,2 ⋅ 883,4
2.760 ,5 2
r2 = = 0.9764
10 ⋅ 780.404 ,0
Esto refleja que la serie de datos se ajusta,

bastante bien, a una regresión lineal, ya que su coeficiente de
correlación (r) es cercano a 1.

Fundado en 1929
A continuación, encontrará una

actividad de aprendizaje que le
permitirá autoverificar el nivel de
comprensión alcanzado, en los
contenidos desarrollados en la unidad

Fundado en 1929
Actividad de Aprendizaje N° 13
1. Calcular un intervalo de confianza para la predicción

realizada en el Ejercicio 2, de la Actividad de Aprendizaje
N ° 11.
2. Determinar la bondad del ajuste realizado en el Ejercicio 2

de la Actividad de Aprendizaje N ° 12.

Fundado en 1929
Para determinar el intervalo de confianza de esta estimación

debemos calcular el error estándar de estos datos. Por ello es necesario
calcular previamente la varianza residual.
Así, será necesario agregar a la tabla de datos una columna

para calcular la varianza de la variable dependiente y hacer uso de algunos
resultados ya obtenidos:
Año Año Pasajeros y2

(x) nacionales (y)
1990 1 1.759 3.094.081
1991 2 1.857 3.515.625
1992 3 2.428 5.895.184
1993 4 2.990 8.940.100
1994 5 3.565 12.709.225
1995 6 4.024 16.192.576
1996 7 4.684 21.939.856
1997 8 5.854 34.164.025
1998 9 6.570 43.164.900
1999 10 7.030 49.420.900
2000 11 7.522 56.580.484
Total 66 48.283 255.616.956

Fundado en 1929
y = 4.389,36
255.616.956
S y2 = − 4.389,36 2 = 3.971.423,88
11
Cov( x, y ) = 6.252,75
S x2 = 10
6.252,75 2
S r2 = 3.971.423,88 − = 61.735,62 ⇒ s r = 61.735,62 = 248,47
10
Con lo cual, el intervalo de confianza para la estimación

*
y =10.642, será:
[ 10.642 − 248,47 ; 10.642 + 248,47 ] ≈ [ 10.393 ; 10.891 ]
Al igual que en el problema anterior, haremos uso de algunos

resultados ya obtenidos y calcularemos otros. En este caso, para determinar
la calidad del ajuste realizado, debemos determinar el coeficiente de
correlación, pero, previamente, necesitamos calcular la varianza de la
variable dependiente (logy). Así, la tabla requiere de la columna adicional
siguiente:

Fundado en 1929
Millas Recorridas % Útil logy (logy)2

(Miles) (x) (y)
1 97,2 1,99 3,96
2 91,8 1,96 3,84
5 82,5 1,92 3,69
10 64,4 1,81 3,28
20 41,0 1,61 2,59
30 29,9 1,48 2,19
40 12,6 1,10 1,21
50 11,3 1,05 1,10
Total Total Total Total
158 430,7 12,92 21,86
log y = 1,62
21,86
y = − 1,62 2 ≈ 0,11
2
S log
8
S x2 = 301,19
Cov( x, log y ) = −6,1
r =
2 (− 6,1)2 = 1,1 ≈ 1,1 ⇒ r = 1,1 ≈ 1,0
301,19 * 0,11
Note que el coeficiente de determinación resulta mayor que 1,0,

esto es, debido a las aproximaciones realizadas en los cálculos anteriores. El
resultado del coeficiente de correlación nos muestra que el ajuste resulta casi
perfecto.

Fundado en 1929
4.6. Cambio de variables
L os cambios de variable se utilizan

como una forma de facilitar el
cálculo de estadísticos (o estadígrafos)
de una variable determinada.
En algunos casos, la variable independiente’x’ puede ser

expresada como unidad de tiempo como: años, meses, semestres,
días, etc. En estos casos, especialmente, cuando la variable se
encuentra expresada en meses, semestres, etc, se deberá realizar una
transformación de la variable a un tipo numérico, de manera tal, que
sea consistente con la serie original dada.
Ejemplo 4.7
Se quiere estimar la evolución del número de vehículos,

en la Región Metropolitana, para el año 2005. La serie histórica es
la siguiente:
Vehículos
Años
(miles)
1980 750
1988 760
1992 1.290
1994 1.500

Fundado en 1929
En este caso, se realizará una transformación de la

variable años (x). Para ello, se debe elegir el menor valor y
asignarle un valor de uno. Los demás datos, estarán en función de la
unidad escogida, considerando la diferencia de períodos.
De esta forma se obtendrá:
Años Vehículos
Años
(transformación) (miles)
1 1980 750
9 1988 760
13 1992 1.290
15 1994 1.500
Así, los valores al cuadrado y todos aquellos necesarios

para determinar los parámetros βο y β se realizarán con este nuevo
valor de los años. De esta forma, se tendrá lo siguiente:
t veh t2 veh2 t*veh

1 750 1 562.500 750
9 760 81 577.600 6.840
13 1.290 169 1.664.100 16.770
15 1.500 225 2.250.000 22.500
38 4.300 476 5.054.200 46.860
Con esto, se tienen los siguientes valores, para algunos

estadígrafos de interés:

Fundado en 1929
38
t= = 9,5
4
476
S t2 = − 9,5 2 = 28,8
4
s t = 28,8 = 5,4
46.860
Cov = − 9,5 ⋅ 1.075 = 1.502,5
4
1.502,5
β1 = = 52,2
28,8
1.502,5 2
S r2 = 107.925 − = 29.539,4
28,8
4.300
veh = = 1.075
4
5.054.200
2
Sveh = −1.0752 = 107.925
4
sveh = 107.925 = 328,5
1.502,5
r= = 0,85
5,4 ⋅ 328,5
β0 = 1.075− 52,2 ⋅ 9,5 = 579,1
sr = 29.539,4 = 171,9
Se tiene una correlación r de 0,85, lo que implica, que la

proyección para el año 2000 será aceptable.
Como la ecuación de regresión es de la forma

veh = 52,2 ⋅ t + 579,1 , antes de calcular el valor proyectado para el año
2005, se deberá realizar la transformación para dicho año. Por lo
tanto, la proyección para el año 2005 (año 26 transformado) será:
veh = 52,2 ⋅ 26 + 579,1 = 1.936,3 miles de vehículos

Fundado en 1929
Por lo tanto, para el año 2005 (año 26 transformado) se

esperaría tener 1.936.300 vehículos, con un intervalo de confianza
de [1.936,3-171,9 ; 1.936,3+171,9]
Es decir, la proyección de vehículos para el año 2005, se

encuentra en el rango [1.764.400 ; 2.108.200], con un grado de
ajustabilidad del 85%.
Si se quiere calcular una proyección para años

anteriores a 1980, se deberá realizar la transformación
correspondiente. Ejemplo, si se quiere un valor proyectado para
1970, al calcular la proyección se deberá ingresar como variable x
transformada el valor de –9.
Ejemplo 4.8
Consideremos la evolución del IPC, para algunos meses

del año 1998 y proyectemos el valor para diciembre del mismo año.
Mes IPC
Febrero 96.1
Marzo 96.5
Mayo 97.0
Junio 97.4
Julio 97.8
Septiembre 98.6

Fundado en 1929
Realicemos la transformación de variables;
Mes Mes IPC Mes2 IPC2 Mes*IPC

(transformado)
1 Febrero 96,1 1 9.235,2 96,1
2 Marzo 96,5 4 9.312,3 193,0
4 Mayo 97,0 16 9.409,0 388,0
5 Junio 97,4 25 9.486,8 487,0
6 Julio 97,8 36 9.564,8 586,8
8 Septiembre 98,6 64 9.722,0 788,8
26 583,4 146 56.730,0 2.539,7
Con esto se tiene:
26
Mes = = 4,3
6
146
2
S Mes = − 4,3 2 = 5,8
6
s Mes = 5,8 = 2,4
2.539,7
Cov = − 4,3 ⋅ 97,2 = 5,3
6
5,3
β1 = = 0,91
5,8
5,3 2
S r2 = 7,2 − = 2,4
5,8
583,4
IPC = = 97,2
6
56.730
2
S IPC = − 97,2 2 = 7,2
6
s IPC = 7,2 = 2,7
5,3
r= = 0,82
2,4 ⋅ 2,7
β 0 = 97,2 − 0,91 ⋅ 4,3 = 93,3
s r = 2,4 = 1,5

Fundado en 1929
Se tiene un coeficiente de correlación de 0,82, lo que

implica, que las proyecciones serán aceptables.
La ecuación de regresión es de la forma

IPC = 0,91 ⋅ Mes + 93,3 , por lo tanto, antes de proyectar el IPC para
diciembre, se deberá realizar la transformación para dicho mes. La
transformación correspondiente a diciembre es de 11.
Luego, la proyección para diciembre de 1998 es:

IPC = 0,91 ⋅ 11 + 93,3 = 103,3
4.7. Aplicación de regresión en Excel
E
de
n general, la aplicación Excel,
permite establecer cualquier tipo
regresión, ya sea, lineal,
logarítmica, exponencial, etc.
La aplicación, de cada una de ellas, depende de cómo se

encuentren alineados los datos observados. Se debe recordar que
para aplicar una regresión lineal, la tendencia observada debe
aproximarse lo más posible a una línea recta, de manera de
maximizar el coeficiente de correlación y minimizar el error
estándar.

Fundado en 1929
Ejemplo 4.9
Calcular la ecuación regresión del costo en función de

la producción (Costos = β 1 ⋅ Pr oducción + β 0 ) .
Costos V/S Producción

Producción Costo
(MTon) (MM$) MM$
2 4 18
16
5 8
14
8 10 12
10 11 10
12 12 8
6
15 14
4
17 15 2
20 16 0
2 5 8 10 12 15 17 20
MTon
Con los datos, se aprecia una tendencia lineal de los

valores, por lo cual, la ecuación de regresión tendrá un buen nivel de
correlación entre las variables.
Veamos, cómo se aplica Excel en el

cálculo de la ecuación de regresión,
para ello, se deben seguir los
siguientes pasos:

Fundado en 1929
1. Copiar la tabla de datos, a la cual se quiere

calcular la ecuación de regresión, en una hoja de
cálculo de Excel.
2. Marcar la tabla de datos con el mouse y botón

izquierdo, para luego, dejar el sector ennegrecido.
3. Ir a la barra de menú y apretar con botón izquierdo

del mouse ‘insertar’ y, después ‘gráfico’.
4. Elegir el tipo de gráfico ‘lineal’.
5. Apretar ‘siguiente’.
6. Chequear el rango de valores para su posible

modificación.
7. Elegir la hoja ‘serie’ y realizar los siguientes ajustes:
- En el cuadro ‘serie’ quitar la variable

independiente.
- En ‘valores’ dejar el rango de datos de la

variable dependiente (sólo los valores y no
los encabezados de columna, por ejemplo,
Producción y MTon).

Fundado en 1929
- En ‘rótulo del eje de categorías (x)’ apretar

flecha roja hacia arriba para, luego, marcar el
rango de valores de la variable independiente
(sólo valores). Luego, se apreta la flecha roja
hacia abajo y se vuelve a la hoja de ‘datos
origen’.
8. Una vez completada la información en hoja ‘datos

origen’ apretar ‘siguiente’.
9. En esta hoja llamada ‘opciones de gráfico’ se le da

el formato deseado al gráfico. Se pueden colocar
títulos, borrar líneas de división, nombre en los ejes,
etc. Una vez configurado el formato, se apreta
‘siguiente’ para, luego, apretar ‘terminar’.
10. Luego, el gráfico con los valores observados, se

encuentra sobre la hoja de cálculo de Excel.
11. Para agregar la línea de tendencia o ecuación de

regresión, se deberá realizar lo siguiente:
- Con botón izquierdo del mouse, marcar línea de

gráfico con los valores observados.
- Una vez marcado el gráfico, apretar botón

derecho del mouse y elegir la opción ‘agregar
línea de tendencia’

Fundado en 1929
- En este paso, se puede elegir el tipo de regresión

que se quiere aplicar. En nuestro caso,
elegiremos la opción lineal. En la hoja opciones,
se deben marcar las opciones: ‘presentar
ecuación en el gráfico’ y ‘presentar el valor R
cuadrado en el gráfico’. Luego, apretar
‘aceptar’
- Con esto, aparecerá en el gráfico la línea de

tendencia lineal con diferente color y la ecuación
de regresión junto al coeficiente de
determinación.
Así, la ecuación de regresión para la producción en

función del costo, será:
Pr oducción = 1,5714 ⋅ Costo + 4,1786 y R 2 = 0,9472

(regresión buena).
Costos V/S Producción
MM$
18
16
14
12
10 y = 1.5714x + 4.1786
8 R2 = 0.9472
6
4
2
0
2 5 8 10 12 15 17 20
MTon

Fundado en 1929
4.8. Series de tiempo
L as series de tiempo son conjuntos

de observaciones que se van
registrando, a medida que van
ocurriendo a través del tiempo (años,
meses, semestres, trimestres, etc.)
Matemáticamente, una serie de tiempo se define por los

valores y1, y2, y3,..., yn de una variable ‘y’ (temperatura, precio al
cierre de una acción, total de ventas mensuales, producción de
cobre, etc.) en los momentos t1, t2, t3,..., tn De esta forma, la variable
‘y’ es una función de la variable ‘t’, simbolizada por y = F (t ) .
En las series cronológicas,

constituidas por sucesivas
observaciones de un mismo
fenómeno durante cierto lapso, es
fundamental estudiar sus
variaciones, más que su valor
absoluto. Son de gran interés,
especialmente, para el economista
dedicado al análisis del desarrollo
actual y futuro de las actividades
económicas.
Previo al análisis de las series de tiempo, que son casos

especiales de distribuciones bidimensionales, conviene efectuar su
representación gráfica en un sistema de coordenadas.

Fundado en 1929
En el eje horizontal, se representa el tiempo (años,

meses, días, etc.) como variable independiente. En el eje vertical, se
consideran los valores de las correspondientes variables
dependientes (producción, índices, población etc.)
4.8.1. Clasificación de movimientos de series de tiempo
L os movimientos característicos de
una serie de tiempo, pueden
clasificarse en cuatro tiempos
principales, llamados, a menudo,
componentes de una serie de tiempo.
Para el análisis de las series de tiempo, pese a que

en ellas influyen numerosos aspectos, se consideran,
principalmente, las variaciones que sufren los fenómenos
estadísticos en estudio, que pueden ser de diferentes grados.
De acuerdo a esto tenemos:
Tendencia: Movimientos seculares o de

larga duración. Se refieren a la dirección
general a la que el gráfico de una serie de
tiempo parece dirigirse en un intervalo
grande de tiempo. Este movimiento secular o
variación secular, se indica por una curva de
tendencia que aparece a trazos. En algunas
series, puede ser apropiada una recta de
tendencia.

Fundado en 1929
Movimientos cíclicos o variaciones

cíclicas: Se refieren a las oscilaciones de
mediano plazo alrededor de la recta o curva
de tendencia. Estos ciclos, como se llaman a
veces, pueden ser o no períodos, es decir,
pueden seguir o no exactamente caminos
análogos, después de intervalos de tiempos
iguales. En negocios y actividades
económicas, los movimientos se consideran
cíclicos, solamente si su período tiene
intervalos de tiempo superior al año.
Un ejemplo importante de
movimientos cíclicos, son los llamados
asuntos cíclicos, que representan los
intervalos de prosperidad, retroceso,
depuración y recuperación.

Fundado en 1929
Movimientos estacionales o variaciones

estacionales: Se refieren a las idénticas o,
casi idénticas, oscilaciones a corto plazo que
una serie de tiempo parece seguir durante los
correspondientes meses de los sucesivos años.
Tales movimientos, se deben a sucesos
recurrentes que se repiten anualmente, como
por ejemplo, los repentinos incrementos de
ventas de un departamento antes de las
navidades o las ventas de helados en verano.
Aunque los movimientos

estacionales se refieren, en general, a una
periodicidad anual en negocios o teoría
económica, las ideas envueltas pueden
extenderse a incluir periodicidad de cualquier
intervalo de tiempo, tal como: diaria, horaria,
semanal etc., dependiendo del tipo de datos
que se utilizan.

Fundado en 1929
Movimientos irregulares o al azar: Se

refieren a movimientos esporádicos de las
series de tiempo, debidos a sucesos
ocasionales, tales como: inundaciones,
huelgas, elecciones, sequías, etc. Aunque,
normalmente, se supone que tales sucesos
producen variaciones que solamente duran un
corto intervalo de tiempo, se concibe que
pueden ser tan intensos que originan un nuevo
ciclo u otros movimientos.
4.8.2. Técnica de suavizamiento: Tendencia
T endencia: Es una variación

sistemática no periódica, que
corresponde a la forma básica en que
varía, suave y constantemente, un
fenómeno en un período relativamente
largo. Esto implica, considerar como
tendencia, sólo aquellas curvas que
presentan pocos máximos o mínimos.

Fundado en 1929
La forma de determinar la tendencia de una serie

cronológica o de tiempo, es a través de:
El método de los promedios móviles
El método de los semipromedios
4.8.2.1. Método de los promedios móviles
E ste método se utiliza para suavizar

la poligonal que une los datos,
atenuando (o suavizando) las
oscilaciones muy pronunciadas.
Primeramente, se debe determinar el

período, es decir, un conjunto de datos que se designa
por m (de preferencia series impares), luego, se
procede al cálculo del promedio móvil como sigue:
Se suman los primeros m términos (y1, y2, y3,..., ym)
El total se divide por m, resultando así, el primer

promedio móvil.
Para obtener el resultado del segundo promedio

móvil, se suman los m términos a partir del
segundo (y2, y3, y4,..., ym+1) y se divide por m.

Fundado en 1929
Para obtener el tercer promedio móvil, se suman

los m términos a partir del tercero (y3, y4, y5,...,
ym+2) Y así, análogamente, hasta sumar los últimos
m términos, para obtener el último promedio
móvil.
Cuando m es un número par, se presenta una

dificultad, que consiste en que la suma móvil
queda entre dos valores, lo que implica, que el
promedio móvil, también queda entre esos valores.
Para obviar esto, se procede como sigue:
Se forma una columna con una primera suma

móvil de acuerdo al periodo prefijado.
Se forma una columna con una segunda

suma móvil, registrándose en ésta, la suma
de dos valores consecutivos de la primera
suma móvil, de tal manera, que el resultado
(promedio móvil) quede frente a un valor
original.
Se forma una columna en donde se ubicarán

los promedios móviles, en este caso, es el
cuociente que resulte al dividir los valores de
la segunda suma móvil por el doble de m, es
decir 2m.

Fundado en 1929
Ejemplo 4.10
Si m=3, el primer promedio móvil,

incluye los términos y1, y2, y3, con los cuales, se
y1 + y2 + y3
determina el primer valor de la tendencia ,
3
cuya ordenada corresponde a la del valor central y2.
En forma similar se procede con los

tres datos siguientes: y2, y3, y4, los que proporcionan
y2 + y3 + y4
el segundo promedio móvil , cuya
3
ordenada, corresponde a la del valor central y3. Así,
sucesivamente...
Al final, quedan sin ajustar un dato del

comienzo y del final de la serie, para los cuales, no se
obtiene valor de la tendencia.
Ejemplo 4.11
La producción de un bien A durante el

período 1994-2000, se muestra en cuadro adjunto. Se
pide aplicar promedio móvil de tres términos a la

Fundado en 1929
serie y graficar la serie cronológica original y la serie

con los datos ‘suavizados’.
Producción m=3 Producción Bien A Promedios Móviles (m=3)

Año Suma
Bien A Promedio Móvil
Móvil 20
1994 8
1995 10 30 10.0 15
1996 12 29 9.7
1997 7 30 10.0 10
1998 11 31 10.3
1999 13 42 14.0 5
2000 18
0
1994 1995 1996 1997 1998 1999 2000
Ejemplo 4.12
Con la información del ejemplo 4-11, se

ajustará la tendencia, considerando m=2, graficando
la serie cronológica original y la serie cronológica
con los datos ‘suavizados’.

Fundado en 1929
Producción m=2
Año
Bien A 1º Suma Móvil 2º Suma Móvil Prom. Móvil
1994 8
1995 10 18 40 10.0
1996 12 22 41 10.3
1997 7 19 37 9.3
1998 11 18 42 10.5
1999 13 24 55 13.8
2000 18 31
Producción Bien A Promedios Móviles (m=2)
20
15
10
0
1994 1995 1996 1997 1998 1999 2000

Fundado en 1929
4.8.2.2. Método de los semipromedios
C onsiste en agrupar los datos en

dos partes (preferentemente
iguales y con un número impar de
datos) y mediar los datos de cada
parte, así, se obtienen dos puntos en el
gráfico de la serie de tiempo. Una recta
de tendencia puede, entonces, trazarse
entre estos dos puntos y los valores de
tendencia pueden así determinarse.
Los valores de tendencia pueden,

también, determinarse directamente, sin necesidad de
un gráfico.
Aunque este método es sencillo de

aplicar, puede conducir a resultados pobres, cuando
se utiliza sin discernimiento.
También, es aplicable, solamente, cuando

la tendencia es lineal o aproximadamente lineal,
aunque puede extenderse su aplicación a casos en los
que los datos pueden ser divididos en varias partes,
teniendo cada una de ellas una tendencia lineal.

Fundado en 1929
Observación 1: Cuando los datos se

refieren a un número impar de años,
no se considera el valor central.
Ejemplo 3.13
La tabla adjunta muestra la producción

media mensual de una línea X, en millones de
toneladas durante los años 1991-2001.
Producción
Año
(MM Ton)
1991 50.0
1992 36.5
1993 43.0
1994 44.5
1995 38.9
1996 38.1
1997 32.6
1998 38.7
1999 41.7
2000 41.1
2001 33.8

Fundado en 1929
Para obtener los valores de

tendencia, mediante el método de los
semipromedios, se siguen los
siguientes pasos:
Se dividen los datos en dos partes iguales

(omitiendo el año central 1996), como se
muestra en la tabla siguiente y calculando la
media aritmética de los datos de cada parte.
1991 50,0 1997 32,6

1992 36,5 1998 38,7
1993 43,0 1999 41,7
1994 44,5 2000 41,1
1995 38,9 2001 33,8
Total Media 212,9 Total Media 187,9
(correspondiente a (correspondiente a
42,6 37,6
1993) 1999)
De los resultados se deduce que, en

6 años (1993 a 1999), se produce un
decrecimiento de 5,0 millones de toneladas
(37,6-42,6) o un decrecimiento de 0,83 millones
de toneladas por año, 5,0 6 = 0,83 .
Al conocerse esto, se pueden

calcular los valores de tendencia, codificando
el año central del primer grupo (1993) con un
0; los años anteriores con valores enteros

Fundado en 1929
negativos y los años posteriores con valores

enteros positivos. Luego, se reemplazan dichos
valores en la expresión 42,6 + año codificado
* (-0,83) Así, para 1994 y 1995, los valores de
tendencia son, respectivamente,
42,6 + 1 ⋅ (−0,83) = 41,8 y 42,6 + 2 ⋅ (−0,83) = 40,9 y,
así sucesivamente
Producción (MM Ton) Tendencia
60.0
Producción
Año Tendencia
(MM Ton) 50.0
1991 50.0 44.3
1992 36.5 43.4 40.0
1993 43.0 42.6
1994 44.5 41.8 30.0
1995 38.9 40.9
20.0
1996 38.1 40.1
1997 32.6 39.3
10.0
1998 38.7 38.5
1999 41.7 37.6 0.0
2000 41.1 36.8 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001
2001 33.8 36.0
A continuación, desarrolle la
siguiente actividad de aprendizaje
propuesta

Fundado en 1929
Actividad de Aprendizaje N° 14
1. El siguiente cuadro muestra la evolución de aperturas de

cuentas corrientes, durante el año 2001 para una sucursal
bancaria:
Nº de Cuentas
Mes
Corrientes
Enero 81
Febrero 29
Marzo 40
Abril 72
Mayo 89
Junio 48
Julio 79
Agosto 96
Septiembre 23
Octubre 78
Noviembre 18
Diciembre 81
A. Aplicar promedio móvil de 3 (m=3) términos a la serie, para

calcular la tendencia.
B. En un mismo gráfico represente la serie cronológica original y

la serie con los datos ‘suavizados’.

Fundado en 1929
2. La tabla adjunta muestra el ingreso medio mensual (miles

de $), de los jefes de sucursales de una Institución
Financiera.
Ingreso
Año
(Miles de $)
1991 656
1992 804
1993 836
1994 765
1995 777
1996 711
1997 755
1998 747
1999 696
2000 677
A. Obtener los valores de tendencia mediante el método de los

semipromedios, donde la media se toma como la media
aritmética.
B. Construir un gráfico con los resultados obtenidos

Fundado en 1929
A) La tabla siguiente muestra la suma móvil y los promedios móviles

calculados tomando los datos de 3 en 3:
Nº de Cuentas Sumas Móviles Promedios

Mes
Corrientes (m = 3) Móviles
Enero 81
Febrero 29 150 50
Marzo 40 141 47
Abril 72 201 67
Mayo 89 209 69,7
Junio 48 216 72
Julio 79 223 74,3
Agosto 96 198 66
Septiembre 23 197 65,7
Octubre 78 119 40
Noviembre 18 177 59
Diciembre 81
B) La gráfica queda como sigue:

Fundado en 1929
120
100
Número de CC
80
Datos originales
60
Datos suavizados
40
20
0
o
e
e
o
lio
zo
ay
br
br
er
Ju
ar
m
m
En
M
M
ie
ie
pt
ov
Se

Fundado en 1929
A) Primero dividiremos los datos en dos grupos con un número impar de

datos cada uno, calcularemos la media aritmética de cada grupo y
veremos la variación que hay entre ambos períodos de tiempo.
Ingreso
Año
(Miles de $)
1991 656
1992 804
1993 836
1994 765 Grupo 1
1995 777
1996 711
1997 755
1998 747
1999 696 Grupo 2
2000 677

Fundado en 1929
656 + 804 + 836 + 765 + 777

Media aritmética M 1 = = 767,6
5
711 + 755 + 747 + 696 + 677

Media aritmética M 2 = = 717,2
5
Asignamos estas medias a los años centrales de cada grupo, es

decir, la primera media aritmética al año 1993 y, la segunda media
aritmética, al año 1998.
Se observa que entre 1993 y 1998, es decir, en un lapso de 1998 -

1993 = 5 años ha habido una variación de la media de 717,2-767,6 = -50,4,
− 50,4
lo cual, implica un decrecimiento de = -10,08.
5
Ahora, será necesario codificar los años comenzando con 0 para

el año 1993, números enteros positivos para los años siguientes y números
enteros negativos para los años anteriores. La tendencia se calculará,
entonces, con la siguiente expresión:
Tendencia = 767,6 + Año codificado*(-10,08)
Lo cual nos dará la siguiente tabla:

Fundado en 1929
Año Ingreso Tendencia

Año
codificado (Miles de $)
-1 1991 656 787,8
-2 1992 804 777,7
0 1993 836 767,6
1 1994 765 757,5
2 1995 777 747,4
3 1996 711 737,4
4 1997 755 727,3
5 1998 747 717,2
6 1999 696 707,1
7 2000 677 697,0
B) La gráfica resulta ser:
850
800
750
Ingreso
Tendencia
700
650
600
91
92
93
94
95
96
97
98
99
00
19
19
19
19
19
19
19
19
19
20

Fundado en 1929
4.9. Resumen de la Unidad
Una distribución bidimensional puede representarse,

gráficamente, en un plano cartesiano, de manera de observar la
tendencia de la variable dependiente.
El concepto de regresión es utilizar información

histórica, con el fin de determinar los parámetros de la ecuación de
regresión y estimar el valor de una variable en función de otra.
Existen muchos modelos de regresión: lineal,

exponencial, polinomial, potencial, etc. y, su aplicación, depende de
la tendencia de las variables.
La aplicación de un modelo de regresión lineal será

posible, sólo para aquellas variables que tienen un comportamiento
lineal, donde los crecimientos o decrementos de las variables son
suaves, sin observar que una crece (o decrece) más rápidamente que
otra. Su expresión está dada por: y = β 1 ⋅ x + β 0 , donde β0 y β1 son
las constantes a determinar, a partir de la serie de datos históricos y
x e y son las variables independientes y dependientes de la ecuación
de regresión.
En cambio, un modelo de regresión exponencial, será

aplicable cuando la variable dependiente tiene un crecimiento (o
decrecimiento) mucho más rápido que la variable independiente. Su
expresión está dada por: log y = log β 0 + x ⋅ log β 1 , donde ‘x’ es la
variable independiente y ‘log y’ la variable dependiente.

Fundado en 1929
Es así, como la ecuación de regresión, entrega la mejor

línea recta (o curva), que se ajusta a la mayor parte de los datos
observados (históricos), con un cierto grado de confiabilidad o
ajustabilidad.
Para determinar el grado de ajustabilidad de las

variables, no basta con calcular las varianzas y las desviaciones
estándar de cada variable, pues existe el denominado coeficiente de
correlación, que determina el grado de certeza con el que se están
realizando las estimaciones. Es el valor más importante en un
modelo de regresión, pues determina el grado de error o de
ajustabilidad de las proyecciones.
El valor del coeficiente de correlación (r) se encuentra

en el rango [-1,1], el signo, sólo indica la tendencia decreciente o
creciente de las variables, por lo tanto, lo único que importa es su
valor absoluto. En la medida que este valor sea lo más cercano a ± 1 ,
significa que el grado de ajuste de las proyecciones es excelente. Este
valor dependerá de las tendencias de las variables observadas y el
tipo de regresión a aplicar. Por ejemplo, si la tendencia de
observaciones es curvilínea y se quiere aplicar un modelo de
regresión lineal, el coeficiente de correlación no será cercano a ± 1 .
Por otro lado, si no se quiere dar una valor exacto de la

estimación, sino más bien entregar un rango de valores posibles, se
utiliza el intervalo de confianza, el cual, está definido como un
intervalo entre el valor proyectado menos el error estándar y el valor
proyectado más el error estándar: [ y* − sr , y* + sr ].
Si se tiene dificultad con el modelo de regresión a

aplicar, basta con analizar la serie de datos y aplicar el tipo de
regresión que más se ajuste. Siempre existe la opción de probar

Fundado en 1929
diferentes regresiones, siendo la mejor aquella que presente un

coeficiente de correlación lo más cercano a ± 1 .
Las series de tiempo o cronológicas, que son casos

especiales de distribuciones bidimensionales, tienen mucha
importancia en el estudio de tendencias y variaciones.
Previo al análisis de las series, conviene efectuar su

representación gráfica con el objeto de observar el comportamiento
a través del tiempo.
Para el análisis de las series de tiempo se consideran,

principalmente, las variaciones que sufren los fenómenos estadísticos
en estudio, que pueden ser de diferentes grados y, de acuerdo a su
tendencia: movimientos de larga duración, movimientos cíclicos,
movimientos estacionales y movimientos irregulares.
De esta forma, cada tipo de movimiento en el tiempo,

presenta una. La tendencia, se podrá calcular a través del método de
los promedios móviles y el método de los semipromedios.

Fundado en 1929
4.10. Actividad de Autoevaluación
1. La siguiente serie muestra la evolución del número de

eventos (recitales + conciertos) realizados en el país para
el período 1995-2004.
Año Eventos
1995 397
1996 304
1997 460
1998 476
1999 490
2000 548
2001 462
2002 665
2003 603
2004 820
A) Considerando un modelo de regresión de la forma;

eventos = β 1 ⋅ año + β 0 , estimar el número de eventos para el
año 2005 (Codifique la variable “Años” considerando
1995 como Año 1)
B) Calcular el intervalo de confianza para la estimación

realizada en A)
C) Determinar la calidad del ajuste realizado.

Fundado en 1929
2. Los siguientes son datos relacionados con las porciones de

rayos cósmicos medidas en diversas altitudes.
Altitud(Cientos de
Tasa de la Porción
Pies)
0,5 28
4,5 30
7,8 32
12,0 36
45,0 58
53,0 69
A. Ajuste una curva exponencial a los datos
B. Estimar la radiación cósmica a 6.000 pies de altura.
C. Estimar el intervalo de confianza de la estimación realizada

en B).
D. Indicar la calidad del ajuste exponencial.
3. Según el Servicio de Impuestos Internos, la Unidad

Tributaria Mensual (Pesos), para el período 2001-2002, se
muestra en tabla siguiente:

Fundado en 1929
Mes UTM (Pesos)

Enero 2001 27.683
Febrero 27.711
Marzo 27.794
Abril 27.711
Mayo 27.850
Junio 27.989
Julio 28.101
Agosto 28.129
Septiembre 28.073
Octubre 28.298
Noviembre 28.496
Diciembre 28.524
Enero 2002 28.524
Febrero 28.438
Marzo 28.410
Abril 28.410
A. Aplicar promedio móvil, de tres (m=3) términos a la serie
B. Obtener los valores de tendencia, mediante el método de los

semipromedios, donde la media se toma como la media
aritmética.

Fundado en 1929
Actividad de Autoevaluación
En la tabla siguiente se han agregado las columnas necesarias

para realizar todos los cálculos para la determinación de la ecuación
solicitada:
Año Eventos
Codificado (x) (y) xi*yi xi2 yi2
1 397 397 1 157.609
2 304 608 4 92.416
3 460 1.380 9 211.600
4 476 1.904 16 226.576
5 490 2.450 25 240.100
6 548 3.288 36 300.304
7 462 3.234 49 213.444
8 665 5.320 64 442.225
9 603 5.427 81 363.609
10 820 8.200 100 672.400
Total Total Total Total Total
55 5.225 32.208 385 2.920.283
55 385
x= = 5,5 S x2 = − 5,5 2 = 8,25
10 ⇒ 10
5.225 2.920.283
y= = 522,5 S y2 = − 522,5 2 = 19.022,05
10 10
s x = 8,25 = 2,87
⇒
s y = 19.022,05 = 137,92

Fundado en 1929
32.208
Cov( x, y ) = − 5,5 * 522,5 = 347,05
10
Cov( x, y ) 347,05
β1 = = = 42,07
S x2 8,25 ⇒
β 0 = y − β1 ⋅ x = 522,5 − 42,07 * 5,5 = 291,12
La ecuación de regresión será:
y * = 42,07 * x + 291,12
B)
347,05 2
S r2 = 19.022,05 − = 4.422,8
8,25
s r = 4.422,8 = 66,50
y * 2006 = 42,07 * 12 + 291,12 ≈ 796 ⇒ [796 − 67 ; 796 + 67]
Así el intervalo de confianza será:
[729 ; 863] eventos

Fundado en 1929
C) Para determinar la calidad del ajuste debemos calcular el coeficiente de

correlación.
347,5
r= = 0,876
2,87 *137,92
De acuerdo al valor de coeficiente de correlación obtenido el

ajuste es aceptable.
En la tabla siguiente, se han agregado las columnas necesarias

para realizar todos los cálculos para la determinación de la ecuación
solicitada:
Altitud(Cientos Tasa de la x2 logy x*logy (logy)2

de Pies)(x) Porción(y)
0,5 28 0,25 1,45 0,725 2,10
4,5 30 20,25 1,48 6,66 2,19
7,8 32 60,48 1,51 11,78 2,28
12,0 36 144,00 1,56 18,72 2,43
45,0 58 2.25,00 1,76 79,20 3,10
53,0 69 2.809,00 1,84 97,52 3,39
Total Total Total Total Total Total
122,8 253 5.058,98 9,6 214,61 15,49

Fundado en 1929
122,8
x= = 20,47
6
9,6
log y = = 1,6
6
15,49
2
S log y = − 1,6 2 ≈ 0,0217 ⇒ s log y = 0,0217 = 0,15
6
5.058,98
S x2 = − 20,47 2 = 424,14 ⇒ s x = 424,14 = 20,6
6
Cov( x, log y ) =
∑ x ⋅ log y − x ⋅ ∑ log y = 214,61 − 20,47 *1,6 = 3,02
n n 6
 Cov( x, log y )   3,02 

β 1 = log −1  2
 = log −1   = 1,02
 Sx   424,14 
( )
β 0 = log −1 log y − x * log β1 = log −1 (1,6 − 20,47 * log 1,02) = 26,54
La ecuación de regresión será:
y * = 26,54 * 1,02 x

Fundado en 1929
B) Para realizar la estimación a 6.000 pies de altura, debemos reemplazar

x=60, en la ecuación de regresión, debido a que los datos están en
cientos de millas. Así:
y * = 26,54 *1,02 60 ≈ 87
C) El intervalo de confianza para esta estimación, requiere del cálculo de la

varianza residual y luego el error estándar.
Cov( x, log y ) 3,02 2

S r2 = S log
2
y − = 0,0217 − = 0,000196
S x2 424,14
s r = S r2 = 0,000196 = 0,014
Con lo cual, el Intervalo de confianza será:
[y *
] [ ] [
− s r ; y * + s r = 87 − 0,014 ;87 + 0,014 = 86,99 ; 87,01]
D) Para indicar la calidad del ajuste, debemos calcular el coeficiente de

correlación. Así:
Cov( x, log y ) 3,02

r= = = 0,98
sx * sy 20,6 * 0,15
Lo cual, nos indica una correlación excelente.

Fundado en 1929
A) Si aplicamos promedios móviles con m = 3, se obtiene la siguiente tabla:
Suma Móvil Promedio

Mes UTM (Pesos)
Móvil(Tendencia)
Enero 2001 27.683
Febrero 27.711 83.188 27.729
Marzo 27.794 83.216 27.739
Abril 27.711 83.355 27.785
Mayo 27.850 83.550 27.850
Junio 27.989 83.940 27.980
Julio 28.101 84.219 28.073
Agosto 28.129 84.303 28.101
Septiembre 28.073 84.500 28.167
Octubre 28.298 84.867 28.289
Noviembre 28.496 85.318 28.439
Diciembre 28.524 85.544 28.515
Enero 2002 28.524 85.486 28.495
Febrero 28.438 85.372 28.457
Marzo 28.410 85.258 28.419
Abril 28.410
B) Si aplicamos método de los semipromedios, será necesario dividir los

datos en dos grupos. Al dividir los datos, nos quedan grupos con un
número par de datos, como ellos deben contener un número impar de
datos, eliminamos los dos valores centrales y cada grupo queda
conformado por:

Fundado en 1929
Grupo 1
Mes UTM (Pesos)

Enero 2001 27.683
Febrero 27.711
Marzo 27.794
Abril 27.711
Mayo 27.850
Junio 27.989
Julio 28.101
Total 194.839
Grupo 2
Mes UTM (Pesos)

Octubre 28.298
Noviembre 28.496
Diciembre 28.524
Enero 2002 28.524
Febrero 28.438
Marzo 28.410
Abril 28.410
Total 199.100
La media aritmética de cada grupo será:
194.839
x1 = = 27.834
7
199.100
x2 = = 28.443
7

Fundado en 1929
28.443 − 27.834
Lo cual, indica una variación de: ≈ 68 pesos en
9
nueve meses.
Para calcular la tendencia, debemos codificar los meses y

aplicar la ecuación:
Tendencia = 27.834+ Mes codificado*68
La tendencia queda como se indica en la tabla siguiente:
Mes Mes codificado UTM (Pesos) Tendencia

Enero 2001 -3 27.683 27.630
Febrero -2 27.711 27.698
Marzo -1 27.794 27.766
Abril 0 27.711 27.834
Mayo 1 27.850 27.902
Junio 2 27.989 27.970
Julio 3 28.101 28.038
Agosto 4 28.129 28.106
Septiembre 5 28.073 28.174
Octubre 6 28.298 28.242
Noviembre 7 28.496 28.310
Diciembre 8 28.524 28.378
Enero 2002 9 28.524 28.446
Febrero 10 28.438 28.514
Marzo 11 28.410 28.582
Abril 12 28.410 28.650

Aplicaciones Estad. para El Sector Financ

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Aplicaciones Estad. para El Sector Financ

Cargado por

Copyright:

Formatos disponibles

INSTITUTO DE ESTUDIOS BANCARIOS “GUILLERMO SUBERCASEAUX”

Análisis de Regresión Simple y Series de

PROGRAMA DE FORMACIÓN A DISTANCIA

Objetivos Específicos de la Unidad

Al finalizar el estudio de la unidad, los

A. Identificar herramientas útiles que permiten analizar

B. Determinar ecuaciones de regresión lineal y

C. Estimar valores en función de datos históricos a través

D. Analizar la tendencia y los resultados de una ecuación

E. Aplicar técnicas de suavizamiento de los datos de una

PROGRAMA DE FORMACIÓN A DISTANCIA

Índice de Contenidos de la Unidad

4. Análisis de regresión simple y series de tiempo

4.1. Regresión y correlación

4.2. Método de regresión lineal

4.3. Método de regresión exponencial

4.4. Varianza residual y error estándar

4.5. Coeficiente de correlación y de determinación

4.6. Cambio de variables

4.7. Aplicación de regresión en Excel

4.8. Series de tiempo

PROGRAMA DE FORMACIÓN A DISTANCIA

4.9. Resumen de la unidad

4.10. Actividad de Autoevaluación

PROGRAMA DE FORMACIÓN A DISTANCIA

UNIDAD 4: ANÁLISIS DE REGRESIÓN SIMPLE Y SERIES

4. Análisis de regresión simple y series de tiempo

4.1. Regresión y correlación

L a regresión y la correlación son las

Debido a que ‘y’ depende de ’x’:

’y’ es la variable dependiente y

‘x’ es la variable independiente

Es importante identificar cuál es la variable dependiente

PROGRAMA DE FORMACIÓN A DISTANCIA

de la variable’y’ (variable dependiente). A cada par de

El primero en desarrollar el análisis de regresión, fue el

En la regresión simple, se establece

Es necesario hacer una distinción entre la regresión

PROGRAMA DE FORMACIÓN A DISTANCIA

La regresión curvilínea utiliza una

Existen otros tipos de regresión curvilínea, pero en esta

4.2. Método de regresión lineal

C uando se considera que la línea

En este sentido, la ecuación de la recta se define de la

y = β1 ⋅ x + β 0 , con β 1 y β , constantes a determinar.

PROGRAMA DE FORMACIÓN A DISTANCIA

La ecuación anterior nos indica que la variable ‘y’

4.2.1. Distribución de datos

L a aplicación de una regresión

Supongamos las siguientes series de datos:

PROGRAMA DE FORMACIÓN A DISTANCIA

En la serie 1 (Nº clientes), la distribución de los

En cambio en la serie 2 (gasto), se observa una

4.2.2. Constantes β0 y β1 de la ecuación

as constantes β0 y β1 deben ser

La forma de estimarlas, a partir de la ecuación de

Cada uno de los n pares de observaciones,

PROGRAMA DE FORMACIÓN A DISTANCIA

Sumando cada una de estas igualdades se

Por otro lado, cada una de las n igualdades

Luego, las expresiones (1) y (2) muestran dos

PROGRAMA DE FORMACIÓN A DISTANCIA

Resolviendo el sistema de ecuaciones se tiene