Docsity
Docsity

Prepara tus exámenes
Prepara tus exámenes

Prepara tus exámenes y mejora tus resultados gracias a la gran cantidad de recursos disponibles en Docsity


Consigue puntos base para descargar
Consigue puntos base para descargar

Gana puntos ayudando a otros estudiantes o consíguelos activando un Plan Premium


Orientación Universidad
Orientación Universidad


Estadistica aplicada, Resúmenes de Estadística Económica

Estadistica aplicada en mención de ejercicios

Tipo: Resúmenes

2023/2024

Subido el 20/03/2026

samuel-aranda-1
samuel-aranda-1 🇵🇪

2 documentos

1 / 6

Toggle sidebar

Esta página no es visible en la vista previa

¡No te pierdas las partes importantes!

bg1
CAPITULO IX
REGRESION Y CORRELACIÓN
Acabado de leer el capítulo 9, comprendimos la distribuciones
bidimensionales o bivariantes, mejor dicho, los análisis de dos variables
simultáneamente para determinar si existe una relación funcional entre ellas,
así como para calcular el grado de dicha relación. Como teníamos
conocimiento que las distribuciones unidimensionales que se analizaban de
forma separada en comparación a ésta que acabamos de estudiar que se
estudian conjuntamente. Algunos ejemplos de distribuciones bidimensionales
son producción y consumo, ventas y utilidades, salarios y productividad,
ingresos y gastos, etc.
DIAGRAMA DE DISPERSION
El$diagrama de dispersión, es un gráfico en el que se representa gráficamente
un conjunto de datos de dos variables en dos ejes de coordenadas
cartesianas.
Por lo tanto, los diagramas
de dispersión sirven para
analizar la relación entre dos
variables.
Un buen resultado de un
diagrama de dispersión es
aquella que hace mínima la
suma de los cuadrados de
las diferencias entre los
puntos dados y los obtenidos
mediante la línea ajustada o
estimada.
REGRESIÓN
La palabra regresión, en el aspecto estadístico, la usamos para la
estimación de un valor de una variable en función a otro valor conocido,
correspondiente a otra variable.
Regresión Rectilínea Simple:
Su recta de regresión de 2 en 1 se representa por la ecuación:
ó ó
pf3
pf4
pf5

Vista previa parcial del texto

¡Descarga Estadistica aplicada y más Resúmenes en PDF de Estadística Económica solo en Docsity!

CAPITULO IX

REGRESION Y CORRELACIÓN

Acabado de leer el capítulo 9, comprendimos la distribuciones bidimensionales o bivariantes, mejor dicho, los análisis de dos variables simultáneamente para determinar si existe una relación funcional entre ellas, así como para calcular el grado de dicha relación. Como teníamos conocimiento que las distribuciones unidimensionales que se analizaban de forma separada en comparación a ésta que acabamos de estudiar que se estudian conjuntamente. Algunos ejemplos de distribuciones bidimensionales son producción y consumo, ventas y utilidades, salarios y productividad, ingresos y gastos, etc. DIAGRAMA DE DISPERSION El diagrama de dispersión, es un gráfico en el que se representa gráficamente un conjunto de datos de dos variables en dos ejes de coordenadas cartesianas. Por lo tanto, los diagramas de dispersión sirven para analizar la relación entre dos variables. Un buen resultado de un diagrama de dispersión es aquella que hace mínima la suma de los cuadrados de las diferencias entre los puntos dados y los obtenidos mediante la línea ajustada o estimada. REGRESIÓN La palabra regresión, en el aspecto estadístico, la usamos para la estimación de un valor de una variable en función a otro valor conocido, correspondiente a otra variable. Regresión Rectilínea Simple: Su recta de regresión de 2 en 1 se representa por la ecuación: ó ó

CÁLCULO DE LA REGRESIÓN DE X EN FUNCIÓN DE Y (UTILIZANDO LA

CALCULADORA)

Hasta el momento, nos hemos enfocado en estimar 𝑌 en función de 𝑋, siguiendo el ejemplo de ventas (𝑋) y costos (𝑌). Teníamos conocimiento que estimando las ventas (ahora 𝑌) en función de las ventas (ahora 𝑋), únicamente es necesario cambiar las columnas, porque el procedimiento de cálculo permanece igual. Cuando nosotros utilizamos una calculadora, tenemos la sorpresa que ya no es necesario cambiar las columnas, ya que se puede estimar 𝑋 en función de 𝑌, además de poder seguir estimando 𝑌 en

función de X.

Las ecuaciones generales serán:

1) Y 2).

Si no deseamos calcular el coeficiente de posición, podemos simplificar la

obtención del valor estimado utilizando las siguientes ecuaciones.

COEFICIENTE DE CORRELACIÓN POR RANGOS.

También conocido como coeficiente de correlación de Spearman, es un

método importante utilizado en investigaciones de mercado, mayormente cuando no es necesario aplicar medidas cuantitativas para ciertas características cualitativas como, por ejemplo: preferencias, actitudes, belleza femenina y otras características de conductas. El coeficiente de correlación por rangos de Spearman se define mediante la formula: di = representa la diferencia entre cada par de variables xi y yi

El menor valor de X será 1, el siguiente 2, etc. En el caso de haber dos valores iguales se sumarán los numero correspondientes al ordenamiento y se dividirá por dos, correspondiéndole a cada uno ese mismo valor. Luego se establecen las diferencias entre los valores dados al ordenarse las variables. Se eleva al cuadrado cada una de las diferencias. La sumatoria de se multiplica por 6 y se divide por el producto de n(n2 – 1). El resultado anterior se resta a 1, dando valor del coeficiente de Spearman, el cual será un valor comprendido entre -1 y 1.

La correlación entre las variables es muy baja, es decir, permite cocluir que

no existe casi ninguna correlación.

SERIES CRONOLOGICAS

Introducción Las series cronológicas o de tiempo son conjuntos de datos que se recogen en diferentes momentos, con la variable tiempo (X) como referencia y la variable estudiada (Y), como producción, ventas o precios, como el dato de interés. Estas series son cruciales para evaluar la situación actual de una empresa y prever tendencias futuras, como predicciones de ventas, producción o precios. Componentes de una Serie de Tiempo

  1. Tendencia (T) : Refleja el movimiento a largo plazo en los datos, generalmente superior a cinco períodos. Se representa mediante líneas rectas, parabólicas o exponenciales.
  2. Variaciones Estacionales (VE) : Cambios periódicos que se repiten en intervalos regulares, como estaciones del año o patrones diarios. Ejemplos incluyen el consumo de energía en diferentes horas del día o el tráfico de pasajeros en autobuses.
  3. Variaciones Cíclicas (VC) : Fluctuaciones a largo plazo que se repiten cada cierto número de años, como los ciclos económicos de crisis y recuperación. A diferencia de las estacionales, el periodo cíclico es menos predecible.
  4. Variaciones Aleatorias (VA) : Cambios inesperados y difíciles de predecir, como desastres naturales o huelgas.

Modelos de AnálisisModelo Aditivo : Y = T + VE + VC + VA, donde cada componente se suma. Es adecuado cuando las variaciones estacionales, cíclicas y aleatorias se suman a la tendencia.  Modelo Multiplicativo : Y = T * VE * VC * VA, donde cada componente se multiplica. Es útil cuando los factores afectan la tendencia de manera proporcional y relativa. Métodos de Ajuste

  1. Ajuste Rectilíneo : Utiliza una línea recta para modelar la tendencia en una serie de tiempo.
  2. Método de los Semipromedios : Calcula la tendencia a partir de promedios móviles semanales, mensuales o anuales.
  3. Método de Mano Alzada : Ajusta la serie mediante un dibujo manual para representar la tendencia general.
  4. Método de los Puntos Seleccionados : Utiliza puntos de datos específicos para determinar la tendencia.
  5. Ajuste Parabólico : Usa una función cuadrática para modelar la tendencia cuando se observa una curva en los datos.
  6. Ajuste Exponencial : Modela la tendencia utilizando una función exponencial para datos que muestran crecimiento o decrecimiento acelerado. Conclusión El análisis de series de tiempo permite descubrir y cuantificar las influencias sobre una variable estudiada, siendo crucial para la toma de decisiones empresariales y la planificación futura. La elección del modelo de análisis y el método de ajuste adecuado depende de la naturaleza de los datos y los objetivos del estudio. 1. Importancia y Representación de la Tendencia La tendencia en una serie de tiempo puede adoptar diversas formas, como rectilínea, parabólica o exponencial. La selección del modelo que mejor represente la serie de datos se basa en la gráfica y en el juicio del analista. La representación gráfica se realiza en un plano cartesiano: el eje horizontal (abscisa) representa el tiempo, y el eje vertical (ordenada) muestra los valores de la variable estudiada. La conexión de los puntos de datos mediante líneas ayuda a visualizar y determinar la tendencia general. Aunque las gráficas proporcionan una visión clara, no siempre es posible determinar con certeza la calidad del ajuste de la línea. La experiencia y el juicio del estadístico juegan un papel crucial en la elección del modelo de ajuste adecuado. Las predicciones basadas en datos históricos pueden ser útiles, pero el comportamiento futuro dependerá de las condiciones actuales y pasadas, limitando la precisión de las proyecciones a un máximo de cinco años. 2. Métodos de Ajuste Rectilíneo