ANLISIS DE SERIES CRONOLGICAS

INTRODUCCIN:
Ya hemos estudiado los datos o series estadsticas en general. Dentro de
estas series estadsticas merecen especial atencin aquellas que tienen
como uno de sus variables el tiempo. Ya hemos mencionado tambin que
cuando uno de los caracteres cuantitativos es el tiempo la serie estadstica
se llama serie cronolgica, el segundo carcter puede ser cualitativo o
cuantitativo.
En este captulo trataremos aspectos bsicos de las series cronolgicas,
advirtiendo que el tema es bastante extenso y que actualmente se
desarrollan tcnicas sofisticadas para lograr buenas predicciones. Este es un
campo en donde queda mucho por hacer y es un buen reto a la imaginacin
y al talento de los investigadores.

IMPORTANCIA:
El inters por estas series radica en que son tiles en muchos trabajos en
los que el tiempo juega un papel preponderante, lo cual ocurre en mltiples
aspectos de la administracin, economa y muchas otras disciplinas.

DEFINICIN:
Se llama serie cronolgica o temporal a aquella sucesin de observaciones
en la que alguno de sus caracteres se mide en unidades de tiempo. El
tiempo como sabemos es una caracterstica cuantitativa y el resto de los
caracteres de la serie pueden ser cualitativos o cuantitativos.
Una serie de tiempo cronolgica, trata una cantidad variable dependiente y
como funcin del tiempo t. Esto se escribe:
Y=F(t)
Es decir estudia el comportamiento de una variable y a lo largo del
tiempo t.
Las unidades de tiempo ms usadas son por lo general de un ao, un
trimestre, un mes, etc. Se elegirn las ms adecuadas para el estudio que
trate de llevarse a cabo.
Dentro de estas unidades de tiempo, algunas tienen duracin constante
(horas, das, etc), pero otras son variables (meses, aos, etc). Este carcter
variable puede influir en los resultados de algunos estudios y debe tenerse
en cuenta al elegir las unidades de tiempo.

Ejemplo:
Series cronolgicas: comportamiento de las ventas mensuales de un
producto A.
Mes
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

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

construye sobre un sistema de ejes coordenados. En el eje se ubica la
variable independiente tiempo(aos, meses, das, etc), en el eje vertical los
valores de la variable dependiente y (ventas, produccin, etc).
8000
7000
6000
5000
4000
3000
2000
1000
0

TIPOS DE SERIES CRONOLGICAS:

La variable principal se una serie cronolgica es el tiempo. Aunque pueden
estudiarse pueden series cronolgicas con varios caracteres, nos
limitaremos al caso en que slo haya dos: el tiempo y la variable y que
depende de l.

Si estudiamos la variable y , vemos que en cada unidad de tiempo toma

un valor que en general es distinto para cada uno de los perodos
considerados. Este valor de y puede ser el resultado de una medicin
instantnea o de una serie de mediciones que a su vez pueden ser
continuas o discretas; en el primer caso es una variable de NIVEL y el
segundo una variable de FLUJO.

VARIABLE DE NIVEL O DE EXISTENCIA:

En este caso en cada perodo de tiempo considerado t se efecta una
sola medicin y este nos da el valor

yt para ese perodo; es decir, yt es

el valor de y en el instante t. Se puede en general suponer que las

mediciones se efectan en instantes regularmente escalonados y el
valor obtenido es el que nos da el valor yt de y de ese perodo. Sin
embargo, al considerar unidades de tiempo que no siempre tienen la
misma duracin puede que en ocasiones no se verifique
rigurosamente esta hiptesis.
EJEMPLO:
Los siguientes son ejemplos de series cronolgicas de este tipo:
El stock de una fbrica el ltimo da de cada mes. Los meses no
tienen la misma duracin, por tanto estas mediciones no estn
rigurosamente escalonadas.
Las temperaturas registradas por un termmetro a lo largo de un da
tomado cada hora. Observaciones escalonadas.
Se representa, grficamente, la evolucin de una variable de nivel,
asignando la observacin yt al instante t.
REPRESENTACIN GRAFICA DE UNA VARIABLE
DE NIVEL

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

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

tiempo

COMPONENTES DE UNA SERIE CRONOLGICA:

Si observamos cualquiera de las figuras anteriores podemos ver que
los valores de la serie (valores de y) son distintos en cada perodo de
tiempo, de manera que la grfica de la funcin evoluciona al
transcurrir el tiempo. A esta evolucin que es caracterstica en las
series cronolgicas, le llamaremos movimiento o variacin de la
serie. El anlisis de estos movimientos es un tema central en el
estudio de las series cronolgicas.
Uno de los objetivos es aislar los movimientos que influyen sobre la
serie, con el fin de conocer su marcha en el pasado, para predecirlas
en el futuro o para realizar comparaciones entre dos o ms series.
Los movimientos o variaciones de las series cronolgicas se agrupan
en cuatro categoras:

Tendencia secular
movimientos estacionales
movimientos cclicos
movimientos irregulares

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

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

TENDENCIA SECULAR:
Se entiende por tendencia secular a un movimiento suave, regular y
de largo plazo, de las series estadsticas. Con este movimiento se
intenta encontrar la direccin general o tendencia del grafico de la
serie en el tiempo, considerando para ello unidades grandes de
tiempo.

Adems consiste en la evolucin a largo plazo de la serie (generalmente ms

de 10 aos)
y que nos indica la marcha general del fenmeno, crecimiento, decrecimiento
o
estacionamiento. La tendencia secular obedece a factores estables que suelen
tener
pocas variaciones a lo largo del tiempo.
Es usual encontrarse con series temporales que presentan un
movimiento sostenido en la misma direccin durante un amplio
periodo de tiempo, con independencia de pequeas oscilaciones al
alza o a la baja.

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

direccin puede ser ascendente, descendente o constante, lo que se

ve en la figura. Tambin podr representarse por curvas (parablicas,

exponencial, etc).
EJEMPLO:
La variacin del precio de los artculos a lo largo de los aos ofrece
una clara tendencia de alza.
El rendimiento fsico en los deportes muestra para todas las personas
una tendencia a aumentar hasta cierta edad, que depende del
deporte que se practique, para luego mostrar una tendencia a
disminuir a medida que aumenta la edad del deportista.

MOVIMIENTOS CCLICOS:
Se estudian tambin en movimientos de larga duracin y representan
las oscilaciones a lo largo de la recta de tendencia. Estas oscilaciones
reflejadas en los perodos de larga duracin constituyen los ciclos de
la serie y pueden ser o no peridicos. Sern peridicos cuando en el
intervalo de tiempo que sigue a uno considerado, la serie recorre un
camino anlogo. En general, un movimiento se considera cclico si su
perodo tiene un intervalo de tiempo no inferior a un ao.
EJEMPLO:
Los ciclos de depresin econmica en los pases se presentan cada
cierto nmero de aos, de acuerdo con resultados obtenidos
observando el crecimiento econmico de las naciones de este siglo.

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

MOVIMIENTOS ESTACIONALES:
Estos movimientos representan, durante aos sucesivos, la evolucin
de la serie de cada perodo de tiempo dentro de cada ao. Una buena
parte de las series cronolgicas siguen normas idnticas durante
estos perodos de tiempo y su grafico tiene un aspecto muy similar al
de aos anteriores sucesivos. Estos movimientos anuales de la serie
son debido a sucesos recurrentes que se repiten anualmente y
aunque los valores dentro de cada ao no sean los mismos, las
grficas evolucionan casi idnticamente.
EJEMPLO:
o La variacin de precios de los productos agrcolas.
o Los incrementos en las ventas en el mes de diciembre.
Obviamente, estos movimientos estacionales no apareceran en las
series cronolgicas que contienen informacin solo de cifras anuales.

LA FIGURA MUESTRA EL ASPECTO GENERAL DE ESTE

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

MOVIMIENTOS IRREGULARES O AL AZAR:

Son movimientos que suelen presentarse en una unidad de tiempo

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

EJEMPLO:
La produccin de maz sufre una alteracin debido a las inundaciones
de 1983, el grfico de la serie se da en la siguiente figura:

Produccin (miles de
toneladas)

1978 1979 1980 1981 1982 1983 1984 1985 1986

1987 1988 1989 AOS

ANLISIS DE LAS SERIES CRONOLGICAS :

Estos movimientos que hemos estudiado has sido identificado por la
experiencia al estudiar muchas series temporales y se presentan en
stas en distintos grados.
El anlisis de tales movimientos es de gran importancia cuando se
trata de predecir situaciones futuras de la serie, lo que es posible

estudiando cmo se ajusta sta fundamentalmente a los tres

primeros movimientos y previniendo su comportamiento posterior. En
el caso de movimientos irregulares casi nunca son predecibles sus
consecuencias y no es posible hacer consideraciones sobre el
comportamiento de la serie. Entonces, el objeto de anlisis de las
series cronolgicas es identificar aquellas componentes presentes
para identificar sus causas y predecir valores futuros de la serie.
Si se presenta por y a la serie considerada, por T a la tendencia, por

C a los movimientos cclos, por E a los movimientos estacionales y

por I a los movimientos irregulares, hay fundamentalmente dos
tcnicas para la definicin de y.
1.- y= T+C+E+I, descomposicin por suma.
2.- y= TCEI, descomposicin por producto.

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

componentes.

y= f (T,C,E,I)
En la mayora de los casos no resulta nada simple, en una serie
cronolgica, distinguir entre las componentes. A menudo los efectos
cclico y estacional o las tres componentes, tendencia a largo plazo,
efectos cclico y estacional, se han integrado tanto que resultan
inesperables. Por el contrario si los efectos son distinguibles, no es
difcil separarlos.
EJEMPLO:
Cules de las componentes de una serie cronolgica, puede
esperarse que se encuentren presentes en cada una de las siguientes
series?
a) Las ganancias trimestrales de una compaa gasolinera de los
aos de 1990 a 1991.
b) Las ventas mensuales de implementos deportivos en un cadena
de tiendas a nivel nacional.
c) El nmero de turistas que visitan Cuzco cada mes de enero de
1990 a enero de 1991.

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

ESTUDIO DE LA TENDENCIA:
La curva de la tendencia de una serie cronolgica muestra la
evolucin general de la serie y puede tomar diferentes formas tales
como rectilneas, parablicas, exponencial, etc. Existen varios
mtodos para lograr la estimacin de la tendencia, entre los ms
utilizados se encuentran:

Mtodo
Mtodo
Mtodo
Mtodo

de
de
de
de

la mano alzada.
los semi-promedios.
las medias mviles.
los mnimos cuadrados.

MTODO DE MANO ALZADA:

Para ajustar o describir una tendencia por el mtodo de MANO
ALZADA, se traza una lnea a lo largo de un grfico con datos de la
serie en anlisis, de manera que describa aproximadamente el
movimiento a lo largo plazo en todo el perodo.
Este mtodo llamado en muchas ocasiones GRFICO, en el sentido
que se determina la lnea de tendencia inspeccionando la grfica de
la serie. Una vez que se traza la lnea de tendencia a mano alzada; se
puede aproximar una ecuacin de tendencia para la lnea. Esto se
realiza leyendo primero los valores de tendencia para el primer y
ltimo perodo de la grfica en relacin con la mano alzada. Para este
mtodo, se considera generalmente el primer perodo como el origen.
Por consiguiente, el valor de la tendencia para el primer perodo
coincide con el intercepto de la lnea con el eje y.
Para la obtencin de la pendiente si se trata de una lnea recta, se
obtiene la diferencia entre los valores del primer y ltimo perodo de
la serie. Esta diferencia representa el cambio total de la variable y por
toda la duracin de la serie. Luego, cuando se divide esta diferencia
entre el nmero de perodos de la serie, se obtiene un resultado que

representa el cambio medio de y por unidad de tiempo.(el valor de la

pendiente).

DESVENTAJAS DEL MTODO DE MANO ALZADA:

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

MTODO DE LOS SEMIPERMETROS:

Este mtodo se aplica con el objeto de simplificar los clculos.
Consiste en dividir los valores de la serie que se est analizando en
dos grupos o segmentos que tengan el mismo nmero de datos.
Luego, se halla la media aritmtica de cada una de las partes y cada
promedio suministra el valor de la tendencia para el subperodo
analizado; obteniendo as dos puntos P y Q entre los cuales se traza
la lnea recta de tendencia de la serie. El mtodo es aplicable a series
en la que la tendencia es lineal aproximadamente lineal para lo cual
es necesario un cuidadoso anlisis de los datos antes de decidir su
aplicacin.
Cuando la serie comprende un nmero impar de perodos, existen
distintas vas de anlisis para la aplicacin del mtodo.
1) Agregar la mitad del valor del perodo central al valor total de
cada parte.
2) Agregar el valor total del perodo central al valor total de cada
parte.
3) No considerar este valor central.
En algunas series los datos pueden agruparse de modo que cada
grupo tenga una cierta tendencia lineal (aunque la serie no goce de
esta tendencia); en este caso aparecer una lnea de tendencia
quebrada que aproximar convenientemente la tendencia global de la
serie.

EJEMPLO:
El volumen de envos de maquinaria agrcola al mercado nacional
desde 1983 hasta 1989 (en millones de soles) viene dado por la tabla
siguiente:

AO
S
ENV
OS

198
3
106

198
4
92

198
5
95

198
6
103

198
7
107

198
8
98

198
9
92

CONSTRUIR LA GRFICA DE LA SERIE Y APLICANDO EL

MTODO DE LOS SEMIPROMEDIOS:
a)
b)
c)
d)

Construir una recta de tendencia.

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

SOLUCIN:
1.- Considerar la unidad de tiempo inicial (en nuestro caso 1983)
como origen del sistema de coordenadas, obtenindose la siguiente
tabla:
AOS
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

, para el primer grupo.

, para el segundo grupo.

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

anterior.
b) Para encontrar la ecuacin de la recta de tendencia PQ de la
figura anterior se hace lo siguiente:
y= a + bX
Para P se tiene 99= a + (1.5) b
Para Q se tiene 100= a + (4.5) b
Resolviendo el sistema de ecuaciones resulta b= 1/3 y a=98.5. Es
decir:

y= 98.5 +

1
3

(x)

c) Al ao de 1990 corresponde x=7 ; para calcular el valor de y

para 1990 se tiene:

y= 98.5 +

1
3

(7)=100.83

d) Al estudiar la tabla observamos que hay cuatro conjuntos

diferenciados:
(106) (92,95) (103,107) y (98,92)
Las medias de cada grupo seran respectivamente stas: 106; 93.5;
105 y 95. En este caso la lnea de tendencia se representara como
indica la figura la siguiente figura, con P= (0,106), Q= (1.5, 93.5), R=
(3.5, 105), y S= (5.5, 95).
110

105

100

95

90

85
0

DESVENTAJAS DEL MTODO DE LOS SEMIPROMEDIOS:

Es aplicable slo a tendencia lineal o aproximadamente lineal.

Como los valores obtenidos son mediante la media aritmtica,
esta puede ser influida por los valores extremos de cualquier

mitad de la serie. Por tanto, la lnea de tendencia puede quedar

desplazada de su posicin verdadera, debido a factores
accidentales.

MTODO DEL MOVIMIENTO MEDIO:

Llamado tambin mtodo de las medias mviles, es en realidad una
suavizacin de la informacin de las series cronolgicas.
Comenzaremos definiendo que se entiende por un promedio mvil.

DEFINICIN:
Dado una sucesin de valores x1,x2,,xn, se define el promedio
mvil de orden m(m n ) por la secuencia de valores
correspondientes de las medias aritmticas:
X 1+ X 2+ + X m X 2+ X 3++ X m+1
;
m
m

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

; (*)

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

Las sumas en los numeradores de las expresiones en (*) se llaman
totales mviles.
EJEMPLO:
Dado la sucesin de valores 2, 1, 6, 5, 4, 3, 8. Calcular el promedio
mvil de orden 3y de orden 4.
SOLUCIN:
Para el movimiento medio de orden 3 significa tomar subconjuntos de
3 valores de los Xi , luego la serie es:
2+1+6 1+ 6+5 6+5+ 4 5+ 4+3 4+3+ 8
;
;
;
;
3
3
3
3
3
O sea los valores 3; 4; 5; 4; 5.
Para el movimiento medio de orden 4 se tiene la serie:

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

;
;
;
4
4
4
4
O sea los valores 3.5; 4; 4.5; 5.
Utilizando estos movimientos de ordenes adecuados, puede
eliminarse o al menos atenuarse, las componentes cclicas, las
estacionales y las irregulares, quedando slo el movimiento de
tendencia.

EJEMPLO:
Los envos para el mercado nacional de tractores agrcolas en el
perodo de 1980-1987 por la empresa Mquinas y Herramientas
figuran en la siguiente tabla:
AOS
UNIDA
DES

1980
106

1981
112

1982
94

1983
97

1984
103

1985
109

1986
85

1987
94

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

por un movimiento medio de orden 3.
SOLUCIN:
Para aplicar a esta serie un movimiento medio de orden 3, tomamos
grupos de 3 elementos y hallamos su media. El primer grupo es el 1,
2 y 3 elemento y su media ser:
106+ 112+94
3

312
=104
3

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

ser:
112+ 94+ 97 303
=
=101
3
3
El tercer grupo estar formado por el 3, 4 y 5 elemento, su media
ser:

94+97 +103 294

=
=98
3
3
As sucesivamente con este procedimiento encontraramos las medias
aritmticas 104; 101; 98; 103; 99 y 96. Representamos este
movimiento medio de la serie sobre la misma grfica de la serie
original, para compararlas, ver en la siguiente grfica.
Puede observarse que la grfica del movimiento medio tiene saltos
ms suaves que la grfica de la serie.

120

GRFICA DE LA

100
80
60
40
20
0
1979 1980 1981 1982 1983 1984 1985 1986 1987 1988

Observe que este procedimiento de movimientos medios elimina

valores extremos y esto puede hacer variar la grfica del movimiento
medio en gran medida.
El lector habr observado tambin que si m es un nmero par, los
promedios mviles ocurrirn entre los puntos de tiempo en lugar de
en los puntos de tiempo. Entonces, resulta constructivo calcular los
promedios mviles sobre un nmero impar de perodos para tener as
punto de comparacin con los valores originales (como es el caso del
ejemplo anterior).

El mtodo del promedio mvil puede construir una estimacin de la

tendencia satisfactoria para una serie que sea bsicamente lineal y
regular en duracin y amplitud. Pero desafortunadamente en algunos
problemas esto no se cumple.

DESVENTAJAS:
Existen dos ventajas que se pueden sealar a los promedios mviles
o movimientos medios.
1. Ya hemos mencionado que el mtodo de movimientos medios
pierde informacin al inicio y final.
2. El mtodo de movimientos medios no est representado por
ninguna frmula matemtica y por tanto no nos es posible
realizar proyecciones. Puesto que uno de los principales
objetivos del anlisis de la tendencia es la prediccin, el
promedio mvil al carecer de esta propiedad, no es muy
utilizado para hacer una estimacin de la tendencia.

MTODO DE LOS MNIMOS CUADRADOS:

Una tcnica adecuada para obtener un ajuste objetivo de una lnea
recta a una serie de datos, es el mtodo de los mnimos cuadrados.
Un teorema importante en estadstica matemtica plantea una
situacin determinada, la recta ajustada por el mtodo de los
mnimos cuadrados es la recta del mejor ajuste.
El trmino mejor se emplea aqu para indicar que de esta manera
resulta minimizada la suma de cuadrados de las desviaciones de los
datos respecto a la recta. Planteando que para obtener las
estimaciones mnimo-cuadrticas se tiene que resolver el sistema de
ecuaciones normales dada por:
y = na + b x
xy = a x + b x2
Considerando que la recta de tendencia estimada es de la forma:
^y

= a + bX , donde X es el tiempo.

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

enormemente considerando el punto medio de la serie como origen

(codificacin del tiempo), ya que de esta manera se tiene

x=0 , en

consecuencia las ecuaciones normales se convierten en:

y = na
xy = b

x2

De donde se obtiene:
a=

y
= y
n

b=

x y
2
x

Entonces, la ecuacin de la lnea de tendencia es:

^y

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:

EL MTODO DE LOS MNIMOS CUADRADOS:

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

EL MTODO DE LOS MNIMOS CUADRADOS Y LA FUNCIN

LINEAL:

Este es el mtodo ms utilizado por su versatilidad de ajuste, ya que su uso es

generalizado para cualquier funcin no lineal que puede ser convencionalmente
transformada en lineal mediante el uso de los logaritmos.
Veamos la mecnica de sus frmulas, en los casos de la recta, para una lnea geomtrica
o doble logartmica, para una exponencial o semilogartmica; semilogartmica para el
mediano y largo plazo, parbola de segundo grado para una hiperblica y otras.

I. LINEA RECTA:
Y

Y= a +
Y= a- bX

CUADRO # 1: INFORMACIN Y CLCULOS: Y= a + bX

X
a
1
2
3
4
5
6
7
8
9
10
= 55

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

A.- DESARROLLANDO EL MODELO LINEAL (CASO DE

LA RECTA) MEDIANTE ECUACIONES SIMULTNEAS:
o Y= a + Bx
o Y= na +b X
o

XY= a

X+

b X2

El problema consiste en reemplazar los valores encontrados en el

cuadro # 1 (simatorias de las a,b,c,d) en la frmula (1), para luego
encontrar mediante proceso de desarrollo de ecuaciones simultneas
los valores de los parmetros a y b.
Debemos hacer notar que si desarrollando el modelo Y*= a bX (Y*
significa valor de y estimada).

a).

18036.09= 10 a + b 55
108957.71= a 55 + b 385
(-5.5) -99198.46= -55 a b302.5
108957.71= 55 a + b385.0
9759.25= 0 a + b 82.5
b= 9759.25

b= 118.29394.

82.5

b). CLCULO DEL PARMETRO b:

18036.09= 10 a + b55
18036.09= 10 a + 118.29394 x 55
18036.09= 10 a + 6506.1667
10 a= 11529.923
a= 1152.9923.
c). ESCRIBIENDO LA ECUACIN DE AJUSTE:
Y= a + Bx
Y*= 1152.9923 +118.29394 X.

B.- DESARROLLO DEL MODELO LINEAL (CASO DE UNA

RECTA) MEDIANTE FRMULAS PARAMTRICAS, SIN
UTILIZAR MEDIAS ARITMTICAS DE LAS VARIABLES:
a) clculo del parmetro de posicin: a, cuando Y= a b X.
X
( 2) ( Y ) ( X )( XY )
n X 2( x)2
( 2 ) a=

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

a+bX
( 3 ) b=

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

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

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

En las frmulas (2) y (3) notamos que los denominadores son iguales,
esto es importante observarlo porque simplifica las operaciones y
ahorra tiempo en el clculo de los parmetros, ya que encontrando el
valor del denominador de a, ste se repite como valor del
denominador de b, quedando nicamente por calcular los
numeradores.
Por otro lado no nos debe preocupar para los efectos del clculo si el
comportamiento histrico de la serie es creciente o decreciente, para
ambos casos se trabaja con iguales frmulas, al final si el
comportamiento histrico es decreciente, resultar automticamente
un valor de b negativo y como tal, al reemplazar su valor para los
efectos del modelo de ajuste estimado, este parmetro conserva su
valor algebraico; es decir Y*= a bX.

Y en caso que b sea positivo, entonces el modelo de ajuste estimado

seria Y*= a + bx; es decir, una recta creciente.
a=

385 X 18036.0955 X 108957.71

10 X 385552

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.

Escribiendo la ecuacin de ajuste:

Y= a + bX
Y*= 1152.9947 + 118.29352 X

C.- DESARROLLO DEL MODELO LINEAL (CASO DE UNA

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

X X

( 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 )

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

sumatoria de las columnas: i, h de la continuacin del cuadro # 1. La

pequea ventaja que trae trabajar con este procedimiento es que se

opera con nmeros ms pequeos y simplifica el clculo.
A continuacin estimaremos los valores de a y b respectivamente:
b=

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

Y*= 1152.9947 + 118.29352 X

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

E. CALCULO DEL COEFICIENTE DE CORRELACIOB R ,

SIN UTILIZAR MEDIAS ARITMETICAS DE LAS
VARIABLES:

R=

n xy( x )( y )
n x 2( x ) 2 n y 2( y ) 2

Debemos tener en cuenta para los efectos del clculo del coeficiente
de correlacin por esta forma que su numerador es igual al
numerador de la formula N (3) y el factor comprendido debajo de la
primera raz cuadrada del denominador es igual al denominador de
las formulas (2) o (3).

10 X 108957. 7155 X 18036.09

nx 2( x ) 2 ny 2 ( y ) 2

Debemos tener en cuenta para los efectos del clculo del coeficiente
de correlacin por esta forma que su numerador es igual al
numerador de la formula:

( x 2)( y )( x)( x y )
n x 2( x) 2

Y el factor comprendido debajo de la 1era raz cuadrada del

denominador es igual al denominador de las frmulas (2) y (3).

R=

R=

10 x 108957.7155 x 18036.09
10 x 385552 10 x 3384812018036.092
97592.15
825 13180657

R= 0.9358782
F.

CALCULO DEL COEFICIENTE DE CORRELACION R

UTILIZANDO MEDIAS ARITMETICAS DE LAS
VARIABLES:

R=

( X X )( y )
( X X ) 2 ( Y ) 2

Debemos tener en cuenta para los efectos del clculo del coeficiente
de correlacin por esta forma , que su numerador es igual al
numerador de la formula (4).

R=

R=

R=

9759.219
82.50 1318065.86
9759. 219
9. 0829511 1148 . 0705

9759. 219
10427 . 868

R=

0.9358787

G. CALCULO DEL COEFICIENTE DE CORRELACION

UTILIZANDO DETERMINANTES:

[
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

10 X 108957. 7155 X 18036 . 09

10 X 38555 X 55 10 X 3384812018036 . 09 X 18036 . 09

97592.15
825 13180660

97592.15
28.72281 X 3630.5179

0.9358782

H. CLCULO DEL COEFICIENTE DE CORRELACION

UTILIZANDO LA RAIZ CUADRADA DEL COEFICIENTE DE
DETERMINACION:

Por tal motivo, primero encontraremos el valor del coeficiente de

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

B 2 ( X X X ) 2
( 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

Otras de las formas aconsejables para calcular el coeficiente de

determinacin, y a partir de la raz cuadrada de este el coeficiente de
correlacin, es la siguiente:

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

De la misma forma como el coeficiente de correlacin se obtiene

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

y
245023302210 20901970185017301610-

1490137012501

10

x
y= a + bx
y * = 1152.9947 + 118.294x
Datos histricos:

Datos ajustados:

II. LNEA DOBLE LOGARTMICA O CURVA

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

Y= a Xb

Linealizando el modelo:
Log Y

= log a + log X

Como podemos apreciar, el modelo linealizando es una funcin con

pendiente b similar de la recta: Y = a + bX donde Y = log Y; a = log
a; b = b; y, X = log X.

Por lo tanto su desarrollo se hace siguiendo el mismo procedimiento

que se utiliz para la lnea recta, teniendo en cuenta que para
despejar el parmetro a es necesario al final calcular su anti
logaritmo, mas no as al parmetro b que permanece con su propio
valor ya qu b=b.
La forma de esta funcin Y= a Xb en el pronstico de mercados
resulta de inters particular porque nos muestra una correlacin de
las variables con elasticidades constante. La elasticidad es igual al
parmetro b.
Y = a Xb

Modelo:

Calculando la elasticidad del modelo:

e=

aY
aX

aY
a X

X
Y

= ab
Xb-1

a b Xbe=

X
a Xb
e=b

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

de que relaciona incrementos relativos en las variables; y en este
caso, estamos trabajando con una elasticidad constante (b), la cual
nos indicara el comportamiento de los incrementos de Y respecto a la
variacin en los incrementos de X.
Ya que con mucha frecuencia, no es el volumen de ventas, o el monto
del ingreso, o la cantidad de consumo, o el valor absoluto de un ndice
lo que esta correlacionado con otro valor absoluto, sino el incremento
relativo (en porcentaje) el que se correlaciona con otro incremento
relativo. La relacin entre esos dos incrementos relativos se denomina
elasticidad que para el caso del modelo que estamos estudiando es
una constante a lo largo de toda la funcin.

Por lo tanto, la forma que adopte el modelo graficado, estara en

funcin de los valores que adopte el parmetro b, las mimas que
pueden tener las siguientes formas de curvas de acuerdo al valor que
adopte b.

Y= a Xb

a
0
1

A. DESARROLLANDO EL MODELO LINEAL (CASO SE

UNA CURVA GEOMTRICA) MEDIANTE ECUACIONES
SIMULTANEAS.
Modelo

Y = a Xb

Modelo linealizado

Log Y = log a + b log X

Aplicando ecuaciones simultaneas:

(13)

log y = n log a + b log X

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

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

a y b respectivamente, y luego estos valores se reemplazan en el
modelo pero antes se calcula el anti logaritmo del parmetro a
quedando inalterable el valor del parmetro b: veamos un ejemplo,
para lo cual utilizaremos las mismas series de las variables X, Y del
cuadro 1.
CUADRO 2 : INFORMACION Y CALCULOS PARA Y = a Xb

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

Reemplazando en la formula 13 los resultados obtenidos en el

cuadro 2, se obtiene la siguiente ecuacin simultnea:

32.4716432 = 10 log a + b
6.5597631
21.5305492 = log a 6.5597631 +
b 5.2151594

21.3006284 = -6.5597631 a b 4. 3030491

21.5305492 =

6.5597631 a + b

5.2151594
0.2299208 =

+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:

32.4716434 = 10 log a + b 6.5597631

32.4716434 = 10 log a + 0.2520757 * 6.5597631
Log a

= 32.476434 1.6535569
10

Log a = 3.0818086

Reemplazando valores de b y log a en la ecuacin

linealizada:
Log y = log a + b

log X

Log yx = 3.0818086 + 0.2520757 log x

Escribiendo el modelo en su forma original:
Y = a Xb
yx = antilog 3.0818086 X0.2520757
yx =
1207.2816 X0.2520757

NOTA:
Observemos que al escribir el modelo estimado en su forma original
el valor del parmetro b permanece invariable, mas no a si el
parmetro a, al cual debemos calcularle su valor anti logartmico. La
explicacin de esto es muy sencilla; observemos como se encuentra b
en este ejercicio:

= 0.2299203log
0.9121103 log

Ambos logaritmos se eliminan, por ello que se acostumbra no

colocarlo para los efectos del clculo.

B.DESARROLLANDO EL MODELO LINEAL (CASO DE

UNA CURVA GEOMTRICA) MEDIANTE FRMULAS
PARAMTRICAS, SIN UTILIZAR LAS MEDIDAS
ARITMTICAS SE SUS VARIABLES:
a. calculo del parmetro a, cuando Y = a Xb

(14)

a = (logX)2 (log y ) ( log X ) ( log X

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

b. calculo del parmetro b, cuando Y

(15)

= a Xb

= n (log X log Y ) ( log X ) ( log Y

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

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

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

a = 5.2151594 * 32.4716434 6.5597631 *

21.5305492
10 * 5.2151594 (6.5597631) 2
a

= 28.10949
9.121102

a
b

= 3.0818092
= 10 * 21.5305492 6.5597631 * 32.4716434
10 * 5.2151594 - (6.5597631)2

= 2.2992045
9.121102

Escribiendo el modelo linealizado:

Log Y = log a + b log x

Log Yx = 3.0818092 + b log X

Escribiendo el modelo en su forma original: Y = a Xb
Yx = antilog 3.0818092 X0.2520753
Yx = 1207.2816 X0.2520753
C.DESARROLLO DEL MODELO LINEAL (CASO DE UNA
CURVA
GEOMTRICA)
MEDIANTE
FRMULAS
PARAMTRICAS UTILIZANDO MEDIAS ARITMTICAS
DE LAS VARIABLES:
b

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

(log X log X)2

= log Y b log X
log X = log X
n
log Y = log X
n

Este procedimiento es el menos utilizado por lo engorroso

que resulta trabajar con los valores requeridos. Por tal
motivo, nosotros tampoco lo aconsejamos, y aqu lo
desarrollamos con el propsito de expresar una forma ms de
encontrar los valores de a y b en el modelo Y = a Xb

Continuacin cuadro 2

(logX 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

Escribiendo el modelo linealizado:

Log Yx = log a + b logX
LogYx = 3.0818104 + 0.252073 log X
Escribiendo el modelo en su forma original
Yx= antilog 3.0818104 X0.252073
Yx= 1207.2867 X0.252073
Como hemos podido apreciar lo engorroso del procedimiento anterior
radica en los clculos del cuadro que rene la informacin necesaria
para la aplicacin de las formulas, las cuales son fciles y rpidas de
calcular.

D. DESARROLLO DEL MODELO LINEAL (CASO DE UNA

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

Expresin modelo

Expresin del modelo linealizado

Y = a Xb
:
Log Y = log a + b

log X
Deduccin de las ecuaciones normales

Log Y = n log a + b log X

log X log Y = log a log X + b

(logX)

Resolviendo las ecuaciones simultaneas por

determinantes:
log Y
(18)

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

Reemplazando valores en las ecuaciones normales:

32.4716434 = 10 log a

6.5597631

21.5305492 = log a 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

Escribiendo el modelo en su forma original:

Log Y = log a + b log X
Log Yx= 3.0818092 + 0.2520753 log X
Escribiendo el modelo en su forma natural:
Yx = 1207.2816 X0.2520753

NOTA:
Como hemos podido apreciar, la forma como se expresa las diversas
formas de clculo de los modelos d ajuste de tipo Y = a X b, son
similares a los utilizados para la lnea recta. Y por cualquiera de los
mtodos utilizados el resultado siempre es el mismo.

E. CALCULO DEL COEFICIENTE DE CORRELACIN R

SIN UTILIZAR MEDIAS ARITMTICAS DE LAS
VARIABLES:
(20) R=

n (log X log Y) (log X ) (log Y)

n (logX)2 (log X)2

n (logY)2 (log Y)2

R=

10 * 21.5305492 - 6.559731 * 32.4716434

10 * 5.2151594 (6.559331)2

105.519655 (32.47164)

10 *

R = 215.3054923 - 213.006294
3.0201164

0.888214

R= 2.299207
2.682509
R= 0.8571104

F. CALCULO DEL COEFICIENTE DE CORRELACIN R

UTILIZANDO LAS MEDIAS ARITMTICAS DEL AS
VARIABLES:

(21)

R= (log X log X)

( log Y log Y)

(log X log X)2

(log Y log Y)2

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

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

R=

0.2299183
0.9121103

R= 0.8571014

0.0788924

G. CLCULO DEL COEFICIENTE DE CORRELACIN R

UTILIZANDO DETERMINANTES:
(22)

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

H. CLCULO DEL COEFICIENTE DE CORRELACIN

PARA UNA CURABA GEOMTRICA UTILIZANDO LA
RAZ CUADRADA DEL COEFICIENTE DE
DETERMINACIN.

10

(23)

R2= b2 (log X log X)2

(log Y)2 (log Y )2
n
R2= (0.252073)2 * 0.9121103
105.5196549 - (32.476434)2
10
R2= 0.7346459
R = 0.8571149

III.- LNEA SEMILOGARTMICA O DEL INTERS

COMPUESTO:

A.-DESARROLLO DEL MODELO LINEAL (CASO DE UNA

SEMILOGARITMICA) MEDIANTE ECUACIONES
SIMULTNEAS :

Modelo:

X
Y= ab

Linealizando el Modelo:
log Y =log a+X log b

A esta funcin, se le denomina semilogartimica, precisamente

porque al transformarlo de su forma exponencial a una forma lineal
mediante el uso de los logartmicos, solamente la variable Y aparece
con valores logartmicos. En consecuencia cuando desarrollemos el
modelo mediante los mnimos cuadrados, la variable Y aparecer con
su valor logartmico, mientras que la variable X con su valor natural.

Esto tambin determina que, al calcular al parmetro a, como el

parmetro B, para los efectos de reemplazarlos en el modelo original
(y=
). Debemos previamente calcularle sus antilogaritmos (tanto
parmetro a, como al b).

Aplicando ecuaciones simultneas similar a frmula

(1):
(26)

Y =
log n log a+ logb x
( X ) log Y = loga X + log b X 2
El problema se reduce ahora, simplemente a calcular los valores de a
y b respectivamente, y luego estos valores se reemplaza en el
modelo, pero antes se les calcula a ambos parmetros su
antilogaritmo. Veamos un ejemplo, para lo cual utilizaremos las
mismas series de las variables X, Y del cuadro 1.

CUADRO 3: INFORMACN Y CLCULOS PARA Y=a

bx

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:

log Y =log a+ X log b

log Y =3.089782+ X 0.028614909

Escribiendo el modelo de la forma original:

log Y =1229.6522 X 1.0681074

B.-DESARROLLANDO EL MODELO LINEAL (CASO DE

UNA SEMILOGARTMICA), MEDIANTE
FRMULAS
PARAMTRICAS
,
SIN
UTILIZAR
LAS
MEDIAS
ARITMTICAS DE SUS VARIABLES:
Deduccin de las frmulas de los parmetros a y b, cuando
x
Y=a b

(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

A.- CLCULO DEL PARMETRO A, CUANDO:

Y=A

bX

Aplicando Formula (29)

log a=

38532.471643455180.9547704
103855555

log a=

2549.0699
825

log a=3.0899788

antilog a=1229.652

a=1229.652

Aplicando la frmula (27):

log a=

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 :

Aplicando frmula (28):

log b=

10180.95477045532.4716434
103855555

log b=0.0286149
antilog b=1.0681074

b=1.0681074

Escribiendo el modelo en su forma original:

Y =a b X

Y =1229.652 ( 1.0681074 )X

C.- DESARROLLO DEL MODELO LINEAL(CASO DE UNA

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

( 30 ) log b=

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

(31)

.
log a=log Y b X

Estas frmulas pueden ser reemplazadas por simple inspeccin,

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

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

D.- DESARROLLO DEL MODELO LINEALIZADO DE UNA

CURVA
SEMILOGARITMICA
POR
MEDIO
DE
DETERMINANTES:

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

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

log a=

32.4716434 55
180.9547704 385

10 55
55 385

a=anti log 3.0899786

a=1229.652

=3.0899786

10 32.4716434
55 180.9547704
log b=
=0.0286149
825
b=anti log 0.0286149=1.0681074

Escribiendo el modelo en su forma original:

Y =1229.652 ( 1.0681074 )X

E.- CLCULO DEL COEFICIENTE DE CORRELACION R

SIN
UTILIZAR
MEDIAS
ARITMTICAS
DE
LAS
VARIABLES:

(34)

Y
log
Y
log
)2
2( logY
n
2
2( 2log Y )
nnX
n ( X log Y )( 2 X )( logY )
R=
n X
n ( X log Y )( X )( logY )
R=

R=

10180.95477045532.471634

10385552 10 ( 105.5196549 )32.4716434 2

R=0.925342

F.- CLCULO DEL COEFICIENTE DE CORRELACIN R

ULITIZANDO LAS MEDIAS ARITMTRICAS DE LAS
VARIABLES:

(35)

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

G.- CLCULO DEL COEFICIENTE DE CORRELACIN R

n
UTILIZANDO DETERMINANTES:
(36)

R=

| |

n
X

||

X
X2

n
log Y

logY
(log Y )2

H.- CLCULO DEL COEFICIENTE DE CORRELACIN

PARA UNA CURVA SEMILOGARITMICA UTILIZANDO LA
RAIZ
CUADRADA
DEL
COEFICIENTE
DE
DETERMINACIN:
Por el motivo, primero encontraremos el valor del coeficiente de
determinacin, y luego su raz cuadrada, lo cual nos dar como
resultado el coeficiente de correlacin. Por reciprocidad, se puede
encontrar el coeficiente de determinacin elevando cuadrado el
coeficiente de correlacin.

(37)

2
( 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

17985.1 32.47360 0.0113406

2
56
resultados, nos indicaran que el ajuste respecto a la lnea
quebrada histrica(o lo que es lo mismo que los puntos de
la curva ajustada respecto a la nube de puntos histrica ) se
encuentran correlacionados en un grado de 92 ( es decir
que el desorden con que se ubican los puntos en la nube
difieren en 08 del orden en que se agrupan los puntos que

forma la curva de ajuste). Por otro lado, los resultados nos

indican la variable X influye en un 85% sobre el
comportamiento de la variable Y est determinada en
un85% por la variable X.

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