Análisis de Series Cronologicas
Análisis de Series Cronologicas
Análisis de Series Cronologicas
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
es
(198
9)
Miles
de
soles
En.
Feb
.
Mar
.
Abr.
May Jun.
.
Jul.
Ag.
Set.
Oct
.
Nov
.
Dic
.
275
0
138
2
242
5
567
3
684
2
285
0
295
0
254
0
502
5
635
2
32
5
328
5
t+1
yt
t-1
t-1
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
tiempo
Tendencia secular
movimientos estacionales
movimientos cclicos
movimientos irregulares
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.
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.
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.
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)
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
Mtodo
Mtodo
Mtodo
de
de
de
de
la mano alzada.
los semi-promedios.
las medias mviles.
los mnimos cuadrados.
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
S
ENV
OS
198
3
106
198
4
92
198
5
95
198
6
103
198
7
107
198
8
98
198
9
92
SOLUCIN:
1.- Considerar la unidad de tiempo inicial (en nuestro caso 1983)
como origen del sistema de coordenadas, obtenindose la siguiente
tabla:
AOS
1983
1984
1985
1986
1987
1988
1989
X
0
1
2
3
4
5
6
Y
106
92
95
103
107
98
92
SUMA DE
GRUPOS
396
400
MEDIA DE
GRUPOS
99
100
110
105
100
95
90
85
0
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
4
4
103+107 +98+92 400
=
=100
4
4
y= 98.5 +
1
3
(x)
y= 98.5 +
1
3
(7)=100.83
105
100
95
90
85
0
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
;
m
m
X 3+ X 4+ + X m+2
m
; (*)
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
UNIDA
DES
1980
106
1981
112
1982
94
1983
97
1984
103
1985
109
1986
85
1987
94
312
=104
3
120
GRFICA DE LA
100
80
60
40
20
0
1979 1980 1981 1982 1983 1984 1985 1986 1987 1988
DESVENTAJAS:
Existen dos ventajas que se pueden sealar a los promedios mviles
o movimientos medios.
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.
= a + bX , donde X es el tiempo.
x=0 , en
x2
De donde se obtiene:
a=
y
= y
n
b=
x y
2
x
xy
y +
x
x2
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:
I. LINEA RECTA:
Y
Y= a +
Y= a- bX
Y
B
1352.00
1434.96
1566.73
1300.50
1831.00
1867.60
2069.50
1947.00
2257.50
2409.30
18036.09
XY
c= a . b
1352.00
2869.92
4700.19
5202.00
9155.00
11205.60
14486.50
15576.00
20317.50
24093.00
108957.7
1
X2
d= a . a
1
4
9
16
25
36
49
64
81
100
385
Y2
e = b .b
1827904
2059110
2454643
1691300
3352561
3487930
4282830
3790809
5096306
5804727
3384812
0
XY= a
X+
b X2
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
n ( XY ) ( X )( Y )
n X 2( x)2
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.
a=
951220.65
825
a= 1152.9947.
AHORA:
b=
10 X 108957.7155 X 18036.09
2
10 X 38555
b=
97592.15
825
b = 118.29352.
X X
( X X )(Y Y )
b=
(4)
X
X =
n
Y
Y =
n
(5) a=
-b
55
X = =5.5
10
18036.09
Y =
10
( X X )
Y Y
)
f= a- X
g= b - Y
h= f . f
)
I= f . g
-4.5
-3.5
-2.5
-1.5
-0.5
0.5
1.5
2.5
3.5
4.5
-451.609
-368.649
-236.879
-503.109
27.391
63.991
265.891
143.391
453.891
605.691
20.25
12.25
6.25
2.25
0.25
0.25
2.25
6.25
12.25
20.25
2032.241
1290.272
592.198
754.664
-13.696
31.996
398.837
358.478
1588.619
2725.610
82.50
9759.219
= 0
X X 2
Y Y
( X X )
9759.219
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=
(6)
( 7 ) b=
a=
Y
XY
n
X
X X2
n
Y
X XY
n
X
X
X2
18036.09 55
108957.71 385
10 55
55 385
]
]
X
X2
]
=
18036.09 X 385108957.71 X 55
10 X 38555 X 55
10 18036.09
55 108957.71
b=
825
10 X 108957.7155 X 18036.09
825
a = 1152.9947
b = 118.29352
R=
n xy( x )( y )
n x 2( x ) 2 n y 2( y ) 2
Debemos tener en cuenta para los efectos del clculo del coeficiente
de correlacin por esta forma que su numerador es igual al
numerador de la formula N (3) y el factor comprendido debajo de la
primera raz cuadrada del denominador es igual al denominador de
las formulas (2) o (3).
Debemos tener en cuenta para los efectos del clculo del coeficiente
de correlacin por esta forma que su numerador es igual al
numerador de la formula:
( x 2)( y )( x)( x y )
n x 2( x) 2
R=
R=
10 x 108957.7155 x 18036.09
10 x 385552 10 x 3384812018036.092
97592.15
825 13180657
R= 0.9358782
F.
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=
R=
R=
9759.219
82.50 1318065.86
9759. 219
9. 0829511 1148 . 0705
9759. 219
10427 . 868
R=
0.9358787
[
R=
R=
R=
R=
R=
R=
n
X
] [
n
y
y y2
10 18036.09
55 108957.71
n
X
X X2
y
xy
10 55
55 385
] [
10
18036.09
18036.09 33848120
97592.15
825 13180660
97592.15
28.72281 X 3630.5179
0.9358782
B 2 ( X X X ) 2
( Y ) 2
Y 2
n
R2 =
R=
R 2
R2=
( 118.29394 ) 2 X (82.50)
(18036.09 ) 2
33848120
10
R=
1154460.14
1318065.75
R2=
0.875874
R=
0.875874
R=
0.935881
R2 = 1 -
Y Y
Y* = = a + bb xi
VARIANZA RESIDUAL DE ELIMINABLE DE Y
VARIANZA INICIAL DE Y
R =1-
R = R 2
R2= 1 -
163613.18
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.
2=
( xx ) 2
2
2=
( y ) 2
n
y y
y
245023302210 20901970185017301610-
1490137012501
10
x
y= a + bx
y * = 1152.9947 + 118.294x
Datos histricos:
Datos ajustados:
Y= a Xb
Linealizando el modelo:
Log Y
= log a + log X
Modelo:
e=
aY
aX
aY
a X
X
Y
= ab
Xb-1
a b Xbe=
X
a Xb
e=b
Y= a Xb
a
0
1
Y = a Xb
Modelo linealizado
(13)
X
1
1
2
3
4
5
6
7
8
9
10
55
Y
2
1352.
00
1434.
96
1566.
73
1300.
50
1831.
00
1867.
60
2069.
50
1947.
00
2257.
50
2409.
30
1803
6.09
log X
a
0.000
0000
0.331
0300
0.477
1213
0.602
0600
0.698
9700
0.778
1513
0.845
0980
0.903
0900
0.954
2425
1.000
0000
6.589
7631
log Y
b
3.1309
767
3.1568
398
3.1949
942
3.1141
104
3.2626
883
3.2712
839
3.3158
654
3.2893
660
3.3536
278
3.3818
909
32.471
6434
log X
(log
log Y
X )2
c=a*b d=a*a
0.0000 0.000
000
0000
0.9503 0.090
035
6191
1.5243 0.227
998
6447
1.8748 0.362
813
4762
2.2805 0.488
212
5591
2.5455 0.605
538
5195
2.8022 0.714
312
1906
2.9705 0.815
935
5716
3.2001 0.910
742
5788
3.3818 1.000
909
0000
21.530 5.215
5494
1596
32.4716432 = 10 log a + b
6.5597631
21.5305492 = log a 6.5597631 +
b 5.2151594
6.5597631 a + b
5.2151594
0.2299208 =
+b
0.9121103
b
= 0.22992080
0.9121103
= 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:
= 32.476434 1.6535569
10
Log a = 3.0818086
log X
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:
= 0.2299203log
0.9121103 log
(14)
log Y )
n (log X )2 - ( log X )2
= a Xb
)
n ( log X )2 ( log X )2
= 28.10949
9.121102
a
b
= 3.0818092
= 10 * 21.5305492 6.5597631 * 32.4716434
10 * 5.2151594 - (6.5597631)2
= 2.2992045
9.121102
= log Y b log X
log X = log X
n
log Y = log X
n
Continuacin cuadro 2
(logX logX)
f= a log X
0.6559
763
-
(logYlogY)
g= b log Y
0.11618
76
-
(logXlog X)2
(logX - log X)
(log Y - log Y )
h= f*f
i= f * g
0.43030
49
0.12598
0.0762140
0.0320604
0.3549
463
0.1788
55
0.0539
163
0.0429
937
0.1221
75
0.1891
217
0.2471
137
0.2982
662
0.3480
237
0.3194
517
0.09032
45
0.05217
01
0.13305
39
0.01552
4
0.02411
96
0.06870
11
0.04220
17
0.10646
35
0.13472
66
Log X = log X
n
log Y = log Y
69
0.03198
91
0.00290
69
0.00184
85
0.01492
67
0.03576
7
0.06106
52
0.08896
27
0.11835
23
0.91211
03
6.5597631
0.0093309
0.0071738
0.0006674
0.0029468
0.0129929
0.0104286
0.0317544
0.0463491
0.2299183
= 0.6559763
10
= 32.471643
= 3.2471643
10
b = 0.2299183
0.9121103
b= 0.252073
a= 3.2471643 0.252073 * 0.6559763
a= 3.0818104
Expresin modelo
Y = a Xb
:
Log Y = log a + b
log X
Deduccin de las ecuaciones normales
a=
(19)
log X
(logX) 2
log X log Y
n
log X
log X
(logX) 2
n
b=
log Y
log X
log X log Y
log X
(log X) 2
log X
6.5597631
5.2151594
Resolviendo las ecuaciones simultneas por
determinantes (formulas 18 y 19):
32.4716434
a=
21.5805492
6.5597631
5.2151594
10
6.5597631
6.5597631
5.2151594
a = 28.10949
9.121102
a= 3.0818092
antilog: 1207.2816
10
b=
32.4716434
6.5597631
21.5305492
9.121102
b= 2.992045
9.121102
b= 0.2520753
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.
R=
105.519655 (32.47164)
10 *
R = 215.3054923 - 213.006294
3.0201164
0.888214
R= 2.299207
2.682509
R= 0.8571104
(21)
R= (log X log X)
( log Y log Y)
R=
0.2299183
0.9121103
R= 0.8571014
0.0788924
n
R=
log Y
log X
log X log Y
log X
log X
(logX)2
log
Y
log Y
(log
Y)
10
R=
32.4716434
6.5597631
21.5305492
10
32.4716434
6.5597631
6.5597631
32.4716431 105.5196549
R= 10 * 21.5305492
5.2151594
6.5597631 * 32.4716434
3.0201162 * 0.8882004
R= 0.8571227
10
(23)
Modelo:
X
Y= ab
Linealizando el Modelo:
log Y =log a+X log b
Y =
log n log a+ logb x
( X ) log Y = loga X + log b X 2
El problema se reduce ahora, simplemente a calcular los valores de a
y b respectivamente, y luego estos valores se reemplaza en el
modelo, pero antes se les calcula a ambos parmetros su
antilogaritmo. Veamos un ejemplo, para lo cual utilizaremos las
mismas series de las variables X, Y del cuadro 1.
A
1
1352.0
0
2
1434.9
6
3
1566.7
3
4
1300.5
0
5
1831.0
0
6
1867.6
0
7
2069.5
0
8
1947.0
0
9
2257.5
0
10 2409.3
0
55 18036.
09
log Y
B
3.13097
67
3.15683
98
3.19499
42
3.11411
04
3.26268
83
3.27128
39
3.31586
54
3.28936
60
3.35362
78
3.38189
09
32.4716
434
X log Y
X2
C=a*b
d=a*a
0.00000 0.0000
00
000
0.95030 0.0906
35
191
1.52439 0.2276
98
447
1.87488 0.3624
13
762
2.28052 0.4885
12
591
2.54555 0.6055
38
195
2.80223 0.7141
12
906
2.97059 0.8155
35
716
3.20017 0.9105
42
788
3.38189 1.0000
09
000
21.5305 5.2151
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
2.36073=
log b=
2.36073
=0.028614909
82.5
antilog 0.028614909=1.0681074
b= 1.0681074
log b 82.5
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:
(27)
log a=
( 28 ) log b=
log X
X
log b
n
n
n X logY X log Y
n X 2 ( X )2
(29)
log a=
X 2 logY X X log Y
n X 2 ( X ) 2
bX
38532.471643455180.9547704
103855555
log a=
2549.0699
825
log a=3.0899788
antilog a=1229.652
a=1229.652
32471643
55
0.0286149
10
10
log a=3.0899786
antilog a=1229.652
( )
a=1229.652
X
B.- CLCULO DEL PARMETRO B, CUANDO Y=A b :
10180.95477045532.4716434
103855555
log b=0.0286149
antilog b=1.0681074
b=1.0681074
Y =1229.652 ( 1.0681074 )X
( 30 ) log b=
( X X ) ( log Y log Y )
)2
( X X
(31)
.
log a=log Y b X
log b=
2.3607314
=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
log a=
(32)
(33) logb=
n
X
log Y
( X ) log Y
logY
X log Y
X
X2
n
X
X X2
n X
X X2
log a=
32.4716434 55
180.9547704 385
10 55
55 385
=3.0899786
10 32.4716434
55 180.9547704
log b=
=0.0286149
825
b=anti log 0.0286149=1.0681074
(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=
R=
10180.95477045532.471634
R=0.925342
(35)
R=
)
( X X ) ( log Y logY
2
)2
( X X ) / ( logY logY
)2
( log Y logY
R=
j=g*g
0.134996
0.0081585
0.0027217
0.0177033
0.0002410
0.0005818
0.0047198
0.0017810
0.0115345
0.0181513
0.0788924
2.3607314
82.5 0.0788924
R=0.9253415
R=
| |
n
X
||
X
X2
n
log Y
logY
(log Y )2
(37)
2
( log b )2 ( X X )
R=
( log Y )2
2
( log Y )
n
2
(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)
R =1
( logY log Y )2
( logY log Y )
R2=1
0.0113406
0.0788924
R2=0.8562523
R=0.925339
log Y
k=mode
lo
Estos
1313.4
0
1402.8
2
1498.4
0
1600.4
5
1709.4
5
1825.8
8
1950.2
3
2083.0
6
2224.9
3
2376.4
7
( log Y logY )2
3.11859
35
3.14720
84
3.17582
33
3.20443
82
3.23305
31
3.26166
80
3.29028
29
3.31889
78
3.34751
27
3.37612
76
0.0001533
0.0000928
0.0003675
0.0081591
0.0008782
0.0000925
0.0006545
0.0008721
0.0000374
0.0000332
MODELO: Y=a
Y =1229.652 ( 1.0681074 )
221
209
197
185
0
173
1490
DATOS HISTRICOS:
---------------------------
137
125
0
113
DATOS AJUSTADOS:
0
1
10