Professional Documents
Culture Documents
Economa
Departamento Acadmico de Economa
LINEAL
NO LINEAL
Correlacin y regresin
J.Hdez.Napa
J.Hdez.Napa
J.Hdez.Napa
LOGARITMOS
Los logaritmos fueron inventados en 1614 por el matemtico
escocs John Napier (1550-1617) y fueron llevados a la prctica por
Henry Briggs (15561631), profesor en Oxford. Los logaritmos
tuvieron un xito inmediato ya que son una herramienta muy til
para efectuar abreviadamente diversas operaciones aritmticas;
sobre todo, fueron utilizados para realizar clculos aritmticos
complejos y tediosos, como los llevados a cabo en Astronoma.
Actualmente, con el surgimiento de las calculadoras electrnicas, el
uso de los logaritmos con propsitos computacionales ha sido
relegado a un papel menor. Aun as, los logaritmos tienen amplia
aplicacin en muchas reas de la ciencia, la tecnologa, la economa,
las finanzas, etctera.
La palabra logaritmo viene del griego: logos que si lea razonar o
calcular, y arithmos que quiere decir nmero. Por tanto, logaritmo
significa nmero para calcular.
DEFINICIN DE LOGARITMO
La logaritmacin es una operacin que consiste en, dada una base y el
resultado de una elevacin a potencia, hallar el exponente. Por ejemplo, a
qu potencia hay que elevar la base 8 para obtener el nmero 64? Como para
obtener el nmero 64 hay que elevar 8 al cuadrado, se dice que 2 es el
logaritmo de 64 en la base 8, y se escribe de la siguiente forma:
8
J.Hdez.Napa
Log 8 64 =2
J.Hdez.Napa
(comportamiento de la poblacin)
(comportamiento de una muestra)
(para obtener la lnea estimada t)
10
(comportamiento de poblacin)
(comportamiento de muestra)
(para obtener lnea estimadt)
Y2 = E [ Y t E (Y t) ] 2
Y2 = E [a + b X t + t a b X t ] 2
Y2 = E [ t 2 ]
Y2 = 2
8. La variables X t ^ Y t , se obtienen sin errores de observacin, o sea no hay errores de medida,
12
J.Hdez.Napa
J.Hdez.Napa
13
Para solucionar el modelo potencial, se parte del modelo muestral, y se aplica el Mtodo de los
Mnimos Cuadrados:
Log et )2 = min., y las condiciones de mnimo
Partimos del modelo muestral:
Ln Yt = Ln + Ln Xt + Ln e t
Ln e t = Ln Yt Ln Ln Xt
(Ln e t )2 = ( Ln Yt Ln Ln Xt )2
Condiciones de mnimo:
a.Primera derivada se igualen a cero
b.Segunda derivada sea positiva
Aplicando la primera condicin:
Ln (Ln e t )2 ] = 0
(Ln e t )2 ] = 0
Derivando:
Ln (Ln e t )2 ] = 2 Ln Yt Ln Ln Xt) (-1) = 0
(Ln e t )2 ]
= 2 Ln Yt Ln Ln Xt) (- LnX t ) = 0
Igualando a cero:
Ln Yt Ln Ln Xt) (-1) = 0
Ln Yt Ln Ln Xt) (- LnX t ) = 0
J.Hdez.Napa
14
obtenindose:
a. Las ecuaciones normales:
LnYt = N Ln + Ln X t
Ln X t LnYt = Ln Ln X t + Ln X t )2
(1)
(2)
b. Los parmetros:
A partir de las ecuaciones normales hallamos los parmetros Ln ^ :
Ln
15
SLn2
NS2
= -------------------------------------N (Ln X t ) 2 ( Ln X t ) 2
S 2 ( Ln X t ) 2
= -------------------------------------N (Ln X t ) 2 ( Ln X t ) 2
J.Hdez.Napa
S2
V no E
Log et )2
( Ln Yt Ln Ln X t ) 2
= --------- = -------------- = ---------------------------------------
16
S2
(Ln Yt)2 Ln Ln Yt Ln X t Ln Yt
= ---------------------------------------------------------N2
17
18
(1)
(2)
(3)
(4)
(5)
(6)
OBS
AOS
Yt
Xt
Ln Yt
Ln X t
(Ln Yt )2
(Ln X t)2
1
2
3
.
.
.
.
.
.
.
.
.
.
.
N
1,950
1,951
1,952
.
.
.
.
.
.
.
.
.
.
.
2,013
Yt
Xt
LnYt
LnX t
Ln Yt )2
Ln Xt )2
Sumatorias
J.Hdez.Napa
(8)
(9)
(10)
LnX t LnYt
LnX t LnYt )
Ln t
Ln t
(=)
(11)
OBS
AOS
1
2
3
.
.
.
.
.
.
.
.
.
.
.
N
1,950
1,951
1,952
.
.
.
.
.
.
.
.
.
.
.
2,013
Sumas
(7)
Lne t
Ln et = 0
(12)
(13)
(=)
(14)
(15)
(16)
(Lnet )2
Ln Yt - Ln Yt
Ln X t - Ln Yt
(Ln Yt - Ln Yt)2
(Ln X t - Ln Yt)2
Ln e t )2
(Ln Yt - Ln Yt ) = 0
(Ln X t - Ln Yt) = 0
(Ln Yt - Ln Yt)2
(Ln X t - Ln Yt)2
Variancia
Total
Variancia
Explicada
Variancia No
Explicada
19
20
Linea de 45 grados
Yt = t
e t = 0
VRO
linea estimada
et
t = + X t
Yt
( , )
errores
(Yt - ) = 0
( t - ) = 0
(Yt - t ) = 0
variancia
(Yt - )2 = VT
( t - )2 = VE
(Yt - t )2 = et2 = VnoE
21
J.Hdez.Napa
22
(comportamiento de la poblacin)
(comportamiento de una muestra)
(conociendo parmetros , , se
obtiene la lnea estimada t) 23
, = parm. muestrales
t = variable aleatoria poblacional
e t = error muestral
t = tiempo (histrico pasado)
J.Hdez.Napa
Variancia: Y2 = E [ Y t E (Y t) ] 2
Y2 = E [a + b X t + t a b X t ] 2
Y2 = E [ t 2 ]
Y2 = 2
8. La variables X t ^ Y t , se obtienen sin errores de observacin, o sea no hay errores de
medida, el abandono de esta hiptesis, crea el problema de Errores en las Variables. 25
J.Hdez.Napa
Ln Yt = Ln + Ln (Xt ) + Ln t
(SLn SLn)
[tLn] [tLn
___
R^2, R2, R2
Ln t
Donde:
SS^ t , t = D.Std. ^ t Student
S2 , S
(Ln et)2
log likelihood ()
Dw
SLnYt
IC
SC
F
26
Para solucionar el modelo potencial, se parte del modelo muestral, y se aplica el Mtodo de los
Mnimos Cuadrados:
Log et )2 = min., y las condiciones de mnimo
Partimos del modelo muestral:
Ln Yt = Ln + LnXt ) + Ln e t
Ln e t = Ln Yt Ln LnXt )
(Ln e t )2 = [ Ln Yt Ln LnXt ) ]2
Condiciones de mnimo:
a.Primera derivada se igualen a cero
b.Segunda derivada sea positiva
Aplicando la primera condicin:
Ln (Ln e t )2 ] = 0
(Ln e t )2 ] = 0
Derivando:
Ln (Ln e t )2 ] = 2 Ln Yt Ln LnXt )] (-1) = 0
(Ln e t )2 ]
= 2 Ln Yt Ln LnXt )] (- X t ) = 0
Igualando a cero:
Ln Yt Ln LnXt )] (-1) = 0
Ln Yt Ln LnXt )] (- X t ) = 0
J.Hdez.Napa
27
obtenindose:
a. Las ecuaciones normales:
LnYt = N Ln + LnXt
X t LnYt = Ln X t + X t2
(1)
(2)
b. Los parmetros:
A partir de las ecuaciones normales hallamos los parmetros Ln ^ Ln :
Ln
Ln
N X t Ln Yt X t Ln Yt
= ------------------------------------------N Xt 2 ( Xt ) 2
28
2
Ln
SLn2
NS2
= ----------------------------N Xt 2 ( Xt ) 2
S 2 X t2
= ----------------------------N Xt 2 ( Xt ) 2
J.Hdez.Napa
S2
V no E
Log et )2
[ Ln Yt Ln Ln X t ) ] 2
= --------- = -------------- = -------------------------------------------
29
S2
(Ln Yt)2 Ln Ln Yt Ln X t Ln Yt
= ---------------------------------------------------------N2
30
31
J.Hdez.Napa
(2)
(3)
(4)
(5)
(6)
(7)
(8)
(9)
32
J.Hdez.Napa
(11)
(12)
(13)
(14)
(15)
33
GRACIAS
J.Hdez.Napa
34
J.Hdez.Napa
35