Documentos de Académico
Documentos de Profesional
Documentos de Cultura
2021-2022
1
Regresión y Series de Tiempo
Contenido
3
Relación entre variables
Importancia
Ejemplos:
Producción y consumo
Ingresos y gastos
Peso y estatura
El caudal y las precipitaciones
La ley de Pb y la ley de Zn en una mena
La ley de uranio y la radiactividad
La demanda, oferta y el precio
La temperatura, humedad, el viento y la radiación solar
...
4
Relación entre variables
Definición
5
Relación entre variables
Tipos de dependencia
Dependencia de variables
Dos variables son dependientes cuando el conocimiento del valor de
una de ellas en un individuo aporta información sobre el valor de la
otra. Se clasifica en:
Determinista
No determinista
Independencia de variables
Cuando dos variables no son dependientes se dice que son
independientes.
6
Relación entre variables
Tipos de dependencia: Determinista
7
Relación entre variables
Tipos de dependencia: Determinista
Ejemplo:
F
a=
m
Esta ecuación permite calcular con exactitud, el módulo de la
aceleración que una fuerza determinada comunicará a un
cuerpo de masa conocida.
8
Relación entre variables
Tipos de dependencia: Determinista
F
La ecuación a = 10
es el modelo que
explica la relación
de dependencia
entre estas
variables.
9
Relación entre variables
Tipos de dependencia: Determinista
Ejemplo:
1 2
e= gt ,
2
donde g representa el valor de la aceleración de la gravedad, y t
es el valor del tiempo transcurrido.
Despejando: s
2e
t=
g
10
Relación entre variables
Tipos de dependencia: Determinista
La ecuación
q
t = 2e g es el
modelo que explica
la relación de
dependencia entre
estas variables.
Relación entre variables
Tipos de dependencia: No Determinista
¿Qué altura le
corresponde a un
cerezo que tenga un
diámetro en la base
de 14 unidades?
13
Relación entre variables
Tipos de dependencia: No Determinista
¿Qué esperanza de
vida le corresponde
a un país que tenga
un PIB de 15
unidades?
¿Y a otro con un
PIB de 5 unidades?
Relación entre variables
Tipos de dependencia: No Determinista
Problema
En los casos de dependencia estadística no existe un modelo
matemático (ecuación) que permita calcular con exactitud el valor de
una variable, cuando la otra es conocida.
Solución
En ocasiones se puede establecer un modelo que permita calcular,
de manera aproximada, el valor de una variable aleatoria, cuando
el de la otra, también aleatoria, es conocida.
15
Relación entre variables
Tipos de dependencia: No Determinista
Su ecuación es:
y = 610 55 + 10 066x
La altura aproximada de un
cerezo, cuyo diámetro en la
base sea 14, será: y =
610 55 + 10 066 × 14 = 760 47
16
Relación entre variables
Tipos de dependencia: No Determinista
Su ecuación es:
y = 20 03 + 70 76 × ln(x)
La esperanza de vida
aproximada en un país de
5000 millones de dólares
de PIB es:
y = 20 03+70 76×ln(5000) =
680 12
Regresión y modelos de regresión
Definición
Regresión
Método estadístico que propone un modelo matemático para
describir la dependencia de una variable Y con respecto a otra
variable X , llamada independiente o regresora.
Modelo de Regresión
Un modelo de regresión es una expresión matemática que permite
calcular, de forma aproximada, el valor de una variable aleatoria en
un individuo, cuando se conoce el valor de una o varias variables en
ese mismo individuo (regresores), que también son aleatorias.
18
Regresión y modelos de regresión
Clasificación
Modelo Lineal
Modelo Potencial
Regresión simple: ŷ = f (x) Modelo Exponencial
Modelo Logarítmico
Modelo Polinómico
Regresión
Lineal
Regresión múltiple: ŷ = f (x1 , x 2 , ..., xn ) ...
...
19
Regresión y modelos de regresión
Cálculo
20
Regresión y modelos de regresión
Cálculo
X Y
x1 y1
x2 y2
.. ..
. .
xn yn
Regresión y modelos de regresión
Cálculo
Ejemplo:
La recta del siguiente gráfico describe, de forma aproximada, y
según la información disponible, la relación entre la altura de los
cerezos y su diámetro en la base.
22
Regresión y modelos de regresión
Cálculo
23
Regresión y modelos de regresión
Cálculo
Gráficamente,
24
Regresión y modelos de regresión
Cálculo
25
Regresión y modelos de regresión
Cálculo
Covarianza
26
Regresión y modelos de regresión
Cálculo
Covarianza
Sirve para medir la intensidad de la dependencia lineal entre dos
variables X e Y :
P
(xi − x̄)(yi − ȳ )
COV (X , Y ) =
n
X Y
x1 y1
x2 y2
.. ..
. .
xn yn
28
Regresión y modelos de regresión
Cálculo
Para interpretar el
Y b
significado del coeficiente
de covarianza, considérese b b
bb b
b b
b b
la representación gráfica b b b
b
b bb
b
b bb
b b
b b
b b b
de los datos de la tabla. . b
b
b b
bb bb
b b b
b
b b
b b
b b
b b b b
b b b b b b
b b
b b b b
29
Regresión y modelos de regresión
Cálculo
(x̄, ȳ)
30
Regresión y modelos de regresión
Cálculo
(x̄, ȳ)
31
Regresión y modelos de regresión
Cálculo
b
(xi − x̄)(yi − ȳ ) < 0
(x̄, ȳ)
32
Regresión y modelos de regresión
Cálculo
De forma similar, en el
tercer cuadrante:
b (x̄, ȳ)
33
Regresión y modelos de regresión
Cálculo
Y en el cuarto cuadrante:
34
Regresión y modelos de regresión
Cálculo
b
(−) (+) (−) (+)
b b b b
bb b b b
b b
b b b
b b b b b b b b
b bb b bb b
b b b b b
b b b b b b b
b b
b
b b
bb
b bbb b
b b
b bb
b
b bb b
b b b b
b b b b
b b b b
b b b b b b b
b b b b b b b b b b
b b b b
(+) b b b b (−) (+) b b (−)
35
Regresión y modelos de regresión
Cálculo
b
(−) (+) (−) (+)
b b b b
b b bb
b b
b b b b b b b
b
b b b bb b
b b
b b b b b
b b
b b
b
b
b
bb b
b b
b b bb b
b b b
b b b
b b b b
b b b b
b b b b b b
b b b
(+) b b (−) (+) b b (−)
36
Regresión y modelos de regresión
Cálculo
37
Regresión y modelos de regresión
Cálculo
COV (X , Y )
ρ=
SX SY
Donde SX y SY representan las desviaciones típicas de X e Y ,
respectivamente.
38
Regresión y modelos de regresión
Cálculo
En todo caso:
−1 ≤ ρ ≤ 1
39
Regresión y modelos de regresión
Cálculo
b
(−) (+) (−) (+)
b b b b
bb b b b
b b
b b b
b b b b b b b b
b bb b bb b
b b b b b
b b b b b b b
b b
b
b b
bb
b bbb b
b b
b bb
b
b bb b
b b b b
b b b b
b b b b
b b b b b b b
b b b b b b b b b b
b b b b
(+) b b b b (−) (+) b b (−)
40
Regresión y modelos de regresión
Cálculo
Sin embargo, en los casos que resumen los siguientes gráficos cabe
esperar un coeficiente de correlación próximo a uno en valor
absoluto.
b
(−) (+) (−) (+)
b b b b
b b bb
b b
b b b b b b b
b
b b b bb b
b b
b b b b b
b b
b b
b
b
b
bb b
b b
b b bb b
b b b
b b b
b b b b
b b b b
b b b b b b
b b b
(+) b b (−) (+) b b (−)
41
Regresión y modelos de regresión
Cálculo
Estructura de un modelo
de regresión simple
Para analizar la estructura
de un modelo de regresión,
Y
supóngase que se ha b
ŷ = f (x)
ajustado uno de estos b
modelos a un conjunto de b
datos. b b
b
Sin pérdida de generalidad, b
42
Regresión y modelos de regresión
Cálculo
b b
b b
b
xi
X
43
Regresión y modelos de regresión
Cálculo
yi se puede descomponer
como se describe en el
gráfico: . (xi , yi )
Y b
ŷ = f (x)
b
b
b
b b
b b
b
xi X
44
Regresión y modelos de regresión
Cálculo
b
cuyo valor en X es xi . . b b
b
ŷi = f (xi )
b b
b
xi X
45
Regresión y modelos de regresión
Cálculo
La parte superior, ei , es la
diferencia entre el valor
observado de Y en el Y (xi , yi )
b
b
individuo. . b b
b b
b
xi
X
46
Regresión y modelos de regresión
Cálculo
En consecuencia, (xi , yi )
Y b
ŷ = f (x)
yi = ŷi + ei . . ei
b
b b
b
ŷi = f (xi )
b b
b
xi X
47
Regresión y modelos de regresión
Cálculo
Calculado el modelo, el
Y b
valor de ŷi queda ŷ = f (x)
determinado para cada xi , b
ŷi = f (xi ) b
b b
b
ŷi = f (xi ) es la parte b b
determinista, o funcional
del modelo. b b
x1 x2
b
xi X
48
Regresión y modelos de regresión
Cálculo
Calculado el modelo, el
valor de ei no queda
determinado por xi Y b
ŷ = f (x)
b
Puede haber dos
b
observaciones con el b b
mismo xi y distinto ei b *
b
b b
ei = yi − ŷi es la parte
aleatoria del modelo.
X
(Error aleatorio.) .
49
Regresión y modelos de regresión
Cálculo
yi = f (xi ) + ei
|{z} |{z} |{z}
Valor observado Parte determinista, ŷi Error aleatorio
De manera resumida:
y=f(x)+E
50
Regresión y modelos de regresión
Cálculo
51
Regresión y modelos de regresión
Cálculo
y = β0 + β1 x +E
| {z }
Recta
52
Regresión y modelos de regresión
Cálculo
b b
b b
53
Regresión y modelos de regresión
Cálculo
ei
b
en
n
X b
S(β0 , β1 ) = ei2 b
*
b
b
i=1 *
e1 b
. b
b b
54
Regresión y modelos de regresión
Cálculo
∂S
=0
∂β0
y
∂S
=0
∂β1
55
Regresión y modelos de regresión
Cálculo
se tiene que:
ei = yi − (β0 + β1 xi )
56
Regresión y modelos de regresión
Cálculo
De donde:
Pn Pn
ei2 − (β0 + β1 xi ))2
∂S ∂ i=1 ∂ i=1 (yi
= = =0
∂β0 ∂β0 ∂β0
y
Pn Pn
ei2 − (β0 + β1 xi ))2
∂S ∂ i=1 ∂ i=1 (yi
= = =0
∂β1 ∂β1 ∂β1
57
Regresión y modelos de regresión
Cálculo
n
X
ei = 0.
i=1
n
X
ei xi = 0, e
i=1
ȳ = β̂0 + β̂1 x̄
58
Regresión y modelos de regresión
Cálculo
COV (X , Y )
β̂1 =
Sx2
COV (X , Y )
(y − ȳ ) = (x − x̄)
Sx2
59
Regresión y modelos de regresión
Cálculo
60
Regresión y modelos de regresión
Cálculo
61
Regresión y modelos de regresión
Cálculo
β̂0
0 X
62
Regresión y modelos de regresión
Cálculo
β̂1
ŷ (x) = β̂0 + β̂1 x, b
1
63
Regresión y modelos de regresión
Cálculo
Coeficiente de determinación
El coeficiente de determinación poblacional ρ2 ó muestral r 2 , es la
variación total de la variable dependiente Y , que es explicada, o se
debe a la variación de la variable independiente X .
Propiedades:
0 ≤ ρ2 ≤ 1, en términos porcentuales: 0 % ≤ ρ2 ≤ 100 %
ρ2 da una mejor interpretación de la relación lineal entre y y x
que el coeficiente de relación.
64
Regresión y modelos de regresión
Cálculo
65
Series de tiempo
Definición
Esta parte del capítulo trata un caso especial cuando una de las
variables es el tiempo. Todo aquello en función del tiempo puede ser
estudiado o representado como una serie de tiempo.
66
Series de tiempo
Definición
67
Series de tiempo
Definición
Datos temporales
Son aquellos que se van registrando a medida que se van
produciendo, en un estricto orden cronológico.
ŷ = f (t)
En otras palabras, observan lo que ha ocurrido durante un período y
usan una serie de datos históricos para hacer un pronóstico.
68
Series de tiempo
Definición
69
Series de tiempo
Componentes
70
Series de tiempo
Componentes
b. Tendencia
Representa el comportamiento predominante de la serie:
ascendente, descendente, estable.
71
Series de tiempo
Componentes
d. Variaciones aleatorias
Los movimientos irregulares (al azar) representan todos los tipos de
movimientos de una serie de tiempo que no sea tendencia,
variaciones estacionales y fluctuaciones cíclicas.
El análisis de series de tiempo trata de describir su
comportamiento pasado y predecir su comportamiento futuro. El
análisis clásico considera la serie como el resultado de cuatro
efectos o componentes, alguno(s) de los cuales podría no existir.
Tendencia
Estacional
Cíclico
Errático o aleatorio
73
Series de tiempo
Componentes
74
Series de tiempo
Componentes
75
Series de tiempo
Componentes
Hipótesis aditiva
Es un criterio clásico de composición para dar lugar a la serie
cronológica y supone que los componentes quedan concatenados
por agregación:
Ŷ = T + C + E + A
76
Series de tiempo
Componentes
Hipótesis multiplicativa
Cada componente ejerce un efecto proporcional sobre los otros:
Ŷ = T × C × E × A
Hipótesis mixta
Forma multiplicativoaditiva, por ejemplo:
Ŷ = T × (C + E + A)
77
Series de tiempo
Cálculo de tendencia y pronóstico
78
Series de tiempo
Cálculo de tendencia y pronóstico
79
Series de tiempo
Cálculo de tendencia y pronóstico
80
Series de tiempo
Cálculo de tendencia y pronóstico
81
Series de tiempo
Cálculo de tendencia y pronóstico
82
Series de tiempo
Cálculo de tendencia y pronóstico
83
Series de tiempo
Cálculo de tendencia y pronóstico
Cálculo de la tendencia:
yt = 222,6 − 1,9t
84
Series de tiempo
Cálculo de tendencia y pronóstico
Medias móviles
85
Series de tiempo
Cálculo de tendencia y pronóstico
86
Series de tiempo
Cálculo de tendencia y pronóstico
Datos del precio del barril de petróleo (en dólares), de los días miércoles,
entre enero a junio de 2014. En las columnas 3 a 6, se presentan las medias
móviles de orden 3,5,7 y 9, respectivamente.
87
Series de tiempo
Cálculo de tendencia y pronóstico
88
Series de tiempo
Cálculo de tendencia y pronóstico
Tendencia
A medida que aumenta el orden de la media móvil, el efecto del
suavizado es mayor pero se pierden más datos en los extremos.
89
Series de tiempo
Cálculo de tendencia y pronóstico
90
Series de tiempo
Cálculo de tendencia y pronóstico
Suavización exponencial
91
Series de tiempo
Cálculo de tendencia y pronóstico
Zt = αYt + (1 − α)Zt−1
92
Series de tiempo
Cálculo de tendencia y pronóstico
93
Series de tiempo
Cálculo de tendencia y pronóstico
Z1 = Y1
Z2 = αY2 + (1 − α)Z1
Z3 = αY3 + (1 − α)Z2
...
94
Series de tiempo
Cálculo de tendencia y pronóstico
Tendencia
95
Series de tiempo
Cálculo de tendencia y pronóstico
Pronóstico
Se dispone de 28 datos. Es posible hacer una predicción del término
de orden 29, que corresponde al 1 de marzo de 2013, mediante:
96