FACULTAD DE CIENCIAS

ADMINISGRATIVAS Y CONTABLES

CURSO: ESTADÍSTICA.

DOCENTE: …

CICLO:

INTEGRANTES: ….
 I. INTRODUCCIÓN
Uno de los objetivos de toda ciencia es encontrar relaciones entre los hechos
que estudia. Estas relaciones se traducen en expresiones matemáticas. Así si
observamos varias veces el tiempo que tarda un móvil en recorrer una
distancia y su velocidad (supuesto que se desplaza con velocidad uniforme),
los valores observados están claramente relacionados y esa relación puede
expresarse matemáticamente como v = s / t.
Este Trabajo examina la relación entre dos variables, una variable
independiente y otra dependiente, por medio de la regresión cuadrática, cúbica
o exponencial o potencial dependiendo de la dispersión de los puntos a
estudiar, así como su respectiva correlación.

No obstante, existen otras variables como inflación y tipo de interés, oferta y

demanda, ahorro y renta, etc., entre las que no cabe duda de que existe una
relación, pero no existe una función matemática que verifiquen rigurosamente.
Pues bien en el primero de los casos (tiempo y velocidad) diremos que existe
una dependencia funcional, y en el segundo (inflación y tipo de interés) una
dependencia estadística. La diferencia es que en la primera la relación entre las
variables es estricta y perfecta, y en la segunda el modelo matemático al que
lleguemos deberá aproximar la relación entre variables razonablemente, por lo
que deberemos determinar su forma y contrastar su “bondad”. Las
dependencias de tipo estadístico, son muy frecuentes en economía, y en
general en todas las ciencias sociales. A las técnicas estadísticas utilizadas
para determinar modelos o expresiones que relacionen el comportamiento de
varias variables se les denomina técnicas de regresión.
II. OBJETIVOS
1. Dar a conocer el uso y las técnicas de la Regresión Polinomiales y
curvilíneas con su respectivo análisis de Correlación, trataremos que los
datos están evocados a la Economía, usando datos y graficas
estadísticas, trabajadas en Excel y así poder utilizarlas frente a los
problemas diarios.

2. Se presentará primero el análisis de Regresión Polinomial o curvilíneo

según corresponda la dispersión de los datos en estudio. Después se
medirá la fuerza de la relación entre las variables independientes,
utilizando los coeficientes múltiples de determinación.

3. Tratar de dar solución en lo que podamos, en todos los problemas vistos

en el presente trabajo y relacionarlo con los estudios de nuestra carrera
de ciencias administrativas.
 III. FUNDAMENTACIÓN TEÓRICA
Y/O FUNDAMENTO PRÁCTICO,
DISCUCIÓN DE RESULTADOS
MODELOS DE REGRESIÓN SIMPLE NO LINEALES: MODELO
CUADRÁTICO Y CÚBICO
Existen algunas relaciones que no son estrictamente lineales, y se pueden
desarrollar métodos con el fin de poder utilizar los métodos de regresión para
estimar los coeficientes del modelo. Aparte de los modelos de regresión
lineales, se pueden establecer otros que no son lineales, entre los cuales
destacamos: el modelo cuadrático y el cúbico, que son modelos curvilíneos.
Cada modelo corresponde con el grado de la ecuación, siendo Y la respuesta y
X la variable predictoría, 0 la ordenada en el origen, y 1, 2, y 3 los
coeficientes. Es importante escoger el modelo apropiado cuando se modelizan
datos usando regresión y análisis de tendencia

PARA EL MODELO PARABÓLICO O CUADRÁTICO

Debemos utilizar el siguiente ajuste, considerando que:

Y =0 + 1X + 2X2 = c + bX + aX2

Por lo tanto, tendremos que considerar para su posible solución y ajuste, las
siguientes fórmulas:

∑ 𝒀 = 𝒂 ∑ 𝑿𝟐 + 𝒃 ∑ 𝑿 + 𝒄(𝑵)

∑ 𝑿𝒀 = 𝒂 ∑ 𝑿𝟑 + 𝒃 ∑ 𝑿𝟐 + 𝒄 ∑ 𝑿

∑ 𝑿𝟐 𝒀 = 𝒂 ∑ 𝑿𝟒 + 𝒃 ∑ 𝑿𝟑 + 𝒄 ∑ 𝑿𝟐

Con las cuales hallaremos los parámetros a, b y c.

ANÁLISIS DE CORRELACIÓN:

Para poder hallar el ajuste correlativo de las variables utilizaremos la siguiente

fórmula:

𝟐
(∑ 𝑿)(∑ 𝒀) 𝟐 (∑ 𝑿 ) (∑ 𝒀)
𝒃 (∑ 𝑿𝒀 − ) + 𝒂 (∑ 𝑿 𝒀 − )
𝑵 𝑵
𝑹𝟐 =
(∑ 𝒀)𝟐
∑ 𝒀𝟐 −
𝑵

PARA EL MODELO POLINÓMICO CÚBICO

Debemos utilizar el siguiente ajuste, considerando que:

Y =0 + 1X + 2X2 + 3X3 = d + cX + bX2 + aX3

Por lo tanto, tendremos que considerar para su posible solución y ajuste, las
siguientes fórmulas:

∑ 𝒀 = 𝒂 ∑ 𝑿𝟑 + 𝒃 ∑ 𝑿𝟐 + 𝒄 ∑ 𝑿 + 𝒅(𝑵)

∑ 𝑿𝒀 = 𝒂 ∑ 𝑿𝟒 + 𝒃 ∑ 𝑿𝟑 + 𝒄 ∑ 𝑿𝟐 + 𝒅 ∑ 𝑿

∑ 𝑿𝟐 𝒀 = 𝒂 ∑ 𝑿𝟓 + 𝒃 ∑ 𝑿 𝟒 + 𝒄 ∑ 𝑿𝟑 + 𝒅 ∑ 𝑿 𝟐

∑ 𝑿𝟑 𝒀 = 𝒂 ∑ 𝑿𝟔 + 𝒃 ∑ 𝑿 𝟓 + 𝒄 ∑ 𝑿𝟒 + 𝒅 ∑ 𝑿 𝟑

Con las cuales hallaremos los parámetros a, b, c y d

ANÁLISIS DE CORRELACIÓN:

Para poder hallar el ajuste correlativo de las variables utilizaremos la siguiente

fórmula:

(∑ 𝑿)(∑ 𝒀) 𝟐 (∑ 𝑿𝟐 )(∑ 𝒀) 𝟑 (∑ 𝑿𝟑 )(∑ 𝒀)

𝒃 (∑ 𝑿𝒀 − 𝑵 ) + 𝒂 (∑ 𝑿 𝒀 − 𝑵 ) + 𝒄 (∑ 𝑿 𝒀 − 𝑵 )
𝑹𝟐 =
(∑ 𝒀)𝟑
∑ 𝒀𝟐 −
𝑵
MODELOS DE REGRESIÓN CURVILÍNEOS DE AJUSTE
POTENCIAL Y EXPONENCIAL:

PARA EL MODELO POTENCIAL

Este modelo será aquel en el que la función potencial es del tipo:

𝒀 = 𝒂𝑿𝒃

También en este caso se resuelve linealizando la función tomando logaritmos

ya que:

𝐥𝐨𝐠 𝒀 = 𝐥𝐨𝐠 𝒂 + 𝐛 𝐥𝐨𝐠 𝑿

Considerando las nuevas variables 𝑣 = log 𝑌 y 𝑢 = log 𝑋, por lo tanto.

resolveríamos la regresión lineal entre ellas de forma que si el resultado fuera
𝑉 ∗ = 𝐴 + 𝐵𝑢, por lo tanto la solución final quedaría como 𝑎 = 𝑎𝑛𝑡𝑖𝑙𝑜𝑔 𝐴 𝑦 𝑏 =
𝐵

PARA EL MODELO EXPONENCIAL

Este modelo será aquel en el que la función potencial es del tipo:

𝒀 = 𝒂𝒃𝑿

También en este caso se resuelve linealizando la función tomando logaritmos

ya que haciendo el cambio de variable de 𝑣 = log 𝑌, y tendríamos que la
función anterior nos generaría la siguiente función logarítmica:

𝒗 = 𝐥𝐨𝐠 𝒀 = 𝐥𝐨𝐠(𝒂𝒃𝑿 ) = 𝐥𝐨𝐠 𝒂 + 𝐗 𝐥𝐨𝐠 𝒃

La solución de nuestro problema vendría de resolver la regresión entre v y X y

una vez obtenida supuesta ésta: 𝑉 ∗ = 𝐴 + 𝐵𝑋,obviamente la solución final será:
𝑎 = 𝑎𝑛𝑡𝑖𝑙𝑜𝑔 𝐴 𝑦 𝑏 = 𝑎𝑛𝑡𝑖𝑙𝑜𝑔 𝐵

ANÁLISIS DE CORRELACIÓN PARA AMBOS MODELOS:

Como estos modelos son ajustes de la recta de regresión lineal su correlación

no ésta determinada como una función matemática, ya que está quedará
determinada por la lineal.
EJEMPLO 01:
Se realiza una prueba del frenado del cambio bursátil (en horas) de la BOLSA
DE LIMA, midiendo la cantidad de acciones en (miles de acciones) por la caída
del YEN CHINO, obteniéndose los siguientes resultados:

Tiempo de Acciones de la
Caída(Horas) Bolsa (en miles)

35 16

50 26

65 41

80 62

95 88

110 119

En base a los datos anteriores:

a) Construya un diagrama de dispersión.
b) Efectúe la estimación del modelo cuadrático.
c) Determine el grado correlacional del ajuste e interprételo.

SOLUCIÓN:

a) Diagrama de dispersión

FRENADO DEL CAMBIO BURSATIL

140

120

100

80

60

40

20

0
0 20 40 60 80 100 120
b) Estimación del modelo cuadrático:

Yi= Acciones de la Bolsa de Lima en miles.

Xi= Tiempo de caída de la Bolsa por el YEN CHINO.

Debemos utilizar el siguiente ajuste, considerando que:

Y = c + bX + aX2

Para poder estimar los valores de a, b y c, nos ayudaremos de una tabla

de datos, así:
Tabla 1

X Y X¨2 X¨3 X¨4 XY X¨2Y Y¨2

35 16 1225 42875 1500625 560 19600 256
50 26 2500 125000 6250000 1300 65000 676
65 41 4225 274625 17850625 2665 173225 1681
80 62 6400 512000 40960000 4960 396800 3844
95 88 9025 857375 81450625 8360 794200 7744
110 119 12100 1331000 146410000 13090 1439900 14161
435 352 35475 3142875 294421875 30935 2888725 28362

Ahora plantearemos las ecuaciones del modelo cuadrático:

∑ Y = a ∑ X 2 + b ∑ X + c(N)

∑ XY = a ∑ X 3 + b ∑ X 2 + c ∑ X

∑ X2Y = a ∑ X4 + b ∑ X3 + c ∑ X2

Reemplazando los valores de la Tabla 1, tendremos:

352 = 𝑎(35475) + 𝑏(435) + 𝑐(6) … … . … … (1)

30935 = 𝑎(3142875) + 𝑏(35475) + 𝑐(435) … … (2)

2888725 = 𝑎(294421875) + 𝑏(3142875) + 𝑐(35475) … … (3)

 Resolviendo (1) con (2) y (3), tendremos:

a= 0.01182, b= -0.3394 y c= 13.359

Por lo tanto, la estimación de la recta de regresión cuadrática para este

modelo es:

Y = 13.3587 - 0.3394X + 0.01182X2

FRENADO DEL CAMBIO BURSATIL

140

120 y = 0.0118x2 - 0.3394x + 13.359

100

80

60

40

20

0
0 20 40 60 80 100 120

c) Para estimar el coeficiente o grado de correlación, utilizaremos:

2
(∑ 𝑋)(∑ 𝑌) 2 (∑ 𝑋 ) (∑ 𝑌)
𝑏 (∑ 𝑋𝑌 − ) + 𝑎 (∑ 𝑋 𝑌 − )
𝑁 𝑁
𝑅2 =
(∑ 𝑌)2
∑ 𝑌2 −
𝑁

(435)(352) (35475)(352)
(−0.3394) (30935 − ) + (0.01182) (2888725 − )
6 6
𝑅=√ = 𝟎. 𝟗𝟗𝟗𝟕
(352)2
(28362) −
6

Interpretación: Como R1, representa una correlación muy alta, es

decir los datos están muy correlacionados los unos con los otros.
 EJEMPLO 02:
Los ingresos de ventas (en billones de dólares) de una empresa en bancarrota
(una empresa ahora extinguida en el presente año) son mostrados en la
siguiente tabla, donde t representa años desde 1990. Obtenga el modelo
exponencial de regresión para los datos, así como su gráfica.

X= Año (1990 = 0) 0 2 4 7

Y=Ingreso ($ billón) 3 4 11 25

SOLUCIÓN:

a) Estimación del modelo exponencial:

Yi= Ingresos de la empresa cuando estaba en el mercado...

Xi= Tiempo en el mercado antes de la bancarrota.

Debemos utilizar el siguiente ajuste, considerando que:

𝒀 = 𝒂𝒃𝑿

haciendo el cambio de variable de 𝑣 = log 𝑌, y tendríamos que la función

anterior nos generaría la siguiente función logarítmica:

𝒗 = 𝐥𝐨𝐠 𝒀 = 𝐥𝐨𝐠(𝒂𝒃𝑿 ) = 𝐥𝐨𝐠 𝒂 + 𝐗 𝐥𝐨𝐠 𝒃

La solución de nuestro problema vendría de resolver la regresión entre v

y X y una vez obtenida supuesta ésta: 𝑉 ∗ = 𝐴 + 𝐵𝑋,obviamente la
solución final será: 𝑎 = 𝑎𝑛𝑡𝑖𝑙𝑜𝑔 𝐴 𝑦 𝑏 = 𝑎𝑛𝑡𝑖𝑙𝑜𝑔 𝐵

Por lo tanto, estimaremos a partir de una regresión lineal:

𝑉 ∗ = 𝐴 + 𝐵𝑋

Tiempo en el
mercado(años)=X Yi= Ingresos de la empresa log Yi=vi Xi^2 Vi^2 Xi*Vi
0 3 0.47712125 0 0.22764469 0
2 4 0.60205999 4 0.36247623 1.20411998
4 11 1.04139269 16 1.08449872 4.16557074
7 25 1.39794001 49 1.95423627 9.78558006
13 43 3.51851394 69 3.62885592 15.1552708
Ahora hallando los parámetros, tendremos:

∑41 𝑥𝑖 13
𝑋̅ = = = 3.25 𝑎ñ𝑜𝑠
4 4
∑41 𝑉𝑖 3.51851394
𝑉̅ = = = $ 0.8796 𝑏𝑖𝑙𝑙𝑜𝑛𝑒𝑠
4 4

B
X V i i nXV

15.1552708  43.250.8796  0.0637
X X 69  3.25
2 2 2
i

A  V  B X  0.8796  0.0637(3.25)  0.673

Luego remplazando

𝑎 = 𝑎𝑛𝑡𝑖𝑙𝑜𝑔 0.673 = 4.709 𝑦 𝑏 = 𝑎𝑛𝑡𝑖𝑙𝑜𝑔 0.0637 = 1.158

Por lo tanto, la estimación de la recta de regresión exponencial para la

empresa en bancarrota será:

𝒀 = 𝟒. 𝟕𝟎𝟗(𝟏. 𝟏𝟓𝟖)𝑿

Su gráfica será:

INGRESOS DE EMPRESA EN BANCARROTA

70

60
y =(4.709)(1.158)X

50

40

30

20

10

0
0 2 4 6 8 10 12 14
IV. CONCLUSIONES
1. El análisis de correlación Matemático de las funciones polinomiales y
las curvilíneas, nos sirve para calcular y conocer a las funciones y su
comportamiento en otras áreas como la ingeniería, medicina, etc.

2. Las técnicas de regresión y correlación para funciones polinomiales y

curvilíneas son utilizadas mayormente en nuestro campo de la
economía para valorizar las acciones de las bolsas de valores ya que
cuantifican la asociación estadística entre dos o más variables.

3. Las regresiones potenciales y exponenciales deben ser analizadas

desde el punto de vista de una recta de regresión y luego con
artificios logarítmicos encontrar la función.
V. BIBLIOGRAFIA

1. Anderson, D., Sweeney, D., Williams, T. (2008). Estadística para

administración y economía. (10ª ed.). México: Editorial Cengage
Learning. ISBN: 970-686-278-1.

2. Torino H. Resumen del libro de Estadísticas de Berenson y Levine

3. Spiegel, Murray. 1970. Estadística Aplicada, McGraw-Hill, México.

4. Olav Kallenberg, Probabilistic Symmetries and Invariance Principles.

Springer-Verlag, New York (2005). 510 pp. ISBN 0-387-25115-4.