Vous êtes sur la page 1sur 8

MICROECONOMIA I 2do trabajo teórico

Docente: Denar Arancibia


Alumno: Wilson Daniel Justiniano
Registro: 2017117510
1) Un diagrama de dispersión o gráfica de dispersión o gráfico de dispersiónes un tipo de
diagrama matemático que utiliza las coordenadas cartesianas para mostrar los valores de dos
variables para un conjunto de datos.

El diagrama de dispersión es una herramienta gráfica que ayuda a identificar la posible relación
entre dos variables. Representa la relación entre dos variables de forma gráfica, lo que hace
más fácil visualizar e interpretar los datos.

El diagnóstico de regresión lineal es una técnica estadística utilizada para estudiar la relación
entre

variables. Se adapta a una amplia variedad de situaciones. En la investigación social, el análisis

de regresión se utiliza para predecir un amplio rango de fenómenos, desde medidas


económicas

hasta diferentes aspectos del comportamiento humano. En el contexto de la investigación de

mercados puede utilizarse para determinar en cuál de diferentes medios de comunicación


puede

resultar más eficaz invertir; o para predecir el número de ventas de un determinado producto.

En física se utiliza para caracterizar la relación entre variables o para calibrar medidas. Etc.

Tanto en el caso de dos variables (regresión simple) como en el de más de dos variables

(regresión múltiple), el análisis de regresión lineal puede utilizarse para explorar y cuantificar

la relación entre una variable llamada dependiente o criterio (Y) y una o más variables
llamadas

independientes o predictoras (X1, X2, ..., Xk), así como para desarrollar una ecuación lineal con

fines predictivos. Además, el análisis de regresión lleva asociados una serie de procedimientos

de diagnóstico (análisis de los residuos, puntos de influencia) que informan sobre la estabilidad

e idoneidad del análisis y que proporcionan pistas sobre cómo perfeccionarlo.

La ecuación de regresión permite determinar el grado de dependencia de las series de valores


X e Y, prediciendo el valor y estimado que se obtendría para un valor x que no esté en la
distribución.

2) Se pueden utilizar los residuos para ver si el

modelo de regresión lineal es adecuado.


Casi siempre es ´útil hacer gráficos de los residuos (frente x, y o ˆy) para ver si los
supuestos

del modelo lineal de regresión son justificados

o no.

3) Los intervalos de confianza reportan el valor medio de Y para una X dada, mientras que
los intervalos de predicción reportan el rango de valores de Y para un valor particular de X.

4) Se trata de hacer un análisis exhaustivo sobre la regresión lineal, y contestar con dicha
aplicación a las preguntas que se puedan presentar a la hora de resolver los ejercicios.

La varianza es una medida de dispersión que representa la variabilidad de una serie de datos
respecto a su media. Formalmente se calcula como la suma de las residuos al cuadrado
divididos entre el total de observaciones

El error estándar es la desviación estándar de la distribución muestral de un


estadístico_muestral.1 El término se refiere también a una estimación de la desviación
estándar, derivada de una muestra particular usada para computar la estimación.

5) El coeficiente de correlación es un índice que puede utilizarse para medir el grado de


relación de dos variables siempre y cuando ambas sean cuantitativas y continuas.

En estadística, el coeficiente de determinación, denominado R² y pronunciado R cuadrado, es


un estadístico usado en el contexto de un modelo estadístico cuyo principal propósito es
predecir futuros resultados o probar una hipótesis. El coeficiente determina la calidad del
modelo para replicar los resultados, y la proporción de variación de los resultados que puede
explicarse por el modelo.

6)

ilustrar diferentes patrones en la fuerza y la dirección de las relaciones entre las variables.

Ninguna relación: Pearson r = 0

Los puntos se ubican de forma aleatoria en la gráfica, lo que significa que no existe relación
lineal entre las variables.
Relación positiva grande: Pearson r = 0.93

Los puntos se ubican cerca de la línea, lo que indica que existe una relación lineal fuerte entre
las variables. La relación es positiva porque a medida que una variable aumenta, la otra
variable también aumenta.

Relación negativa grande: Pearson r = −0.968

Los puntos se ubican cerca de la línea, lo que indica que existe una relación negativa fuerte
entre las variables. La relación es negativa porque a medida que una variable aumenta, la otra
variable disminuye.

7) Una serie de tiempo es una lista de fechas, cada una de las cuales se asocia a un valor (un
número). Las series de tiempo son un modo estructurado de representar datos. Visualmente,
es una curva que evoluciona a lo largo del tiempo.

8) Una idea simple consiste en suponer que el comportamiento de la tendencia es


de tipo exponencial, de manera que al tomar logaritmos de la serie se observaría
una línea recta en la gráfica de la serie contra el tiempo. Si éste fuera el caso, al
hacer la regresión del logaritmo de la serie sobre el tiempo se obtendría la
tendencia estimada y, por diferencia respecto a los datos observados, el
componente cíclico estimado. Debe notarse que el supuesto de tendencia lineal
determinista no es intrascendente, pues implica que la serie observada tiene un
comportamiento estacionario en tendencia, lo cual ha sido puesto en duda desde
que apareció el trabajo de Nelson y Plosser

9)

serie pueden utilizarse dos procedimientos: las medias móviles y el ajuste por mínimos cuadrados
ordinarios.

Medias móviles

Una serie de medias móviles puede considerarse como una serie temporal artificial construida
substituyendo el valor observado de la variable en cada período por la media de dicho valor y algunos
anteriores y posteriores a él. En general, el primer valor de una media móvil de orden k es:

el segundo valor es:


Por el mismo procedimiento se calculan los valores sucesivos. De esta forma se obtiene una serie alisada,
de la cual se han eliminado o suavizado las fluctuaciones con periodicidad igual o inferior al orden de la
media móvil. Esta serie alisada puede considerarse como una serie de estimaciones de la tendencia en

cada período.

El procedimiento para la obtención de las medias móviles está incluido en el procedimiento de


descomposición estacional.

Ajuste por mínimos cuadrados ordinarios

En caso de que la tendencia de una serie temporal sea lineal, ésta puede modelizarse
como Xt=a+bt donde t es el tiempo o variable independiente y b es la tasa de crecimiento o decrecimiento
de la tendencia. Para estimar los parámetros a y b a partir de la serie observada se ajusta por MCO una
recta a la nube de puntos (t,Xt). Para obtener la estimación de la tendencia con el programa SPSS la
secuencia es: Analizar > Regresión > Lineal, teniendo en cuenta que la variable dependiente es, en este
caso, X y la independiente es t.

10) Componente cíclica

Esta componente refleja


comportamientos recurrentes,
aunque no tienen por qué ser
exactamente periódicos, con un
periodo superior a un año.
Muestran, habitualmente,
cómo se suceden las etapas de
bonanza económica con las de
crisis, o al menos,
desaceleración.

Con frecuencia los ciclos


económicos resultan de la
superposición o yuxtaposición
de distintos efectos, con
periodos diferentes, más cortos o más largos (dos años, diez o veinte años, etc.). Por ello, son
difícilmente reconocibles. Por ello, muchas veces no se consiguen separar de la tendencia, al
menos para series no demasiado largas. Denominaremos a la componente cíclica

como o .

La figura de la derecha ilustra esta definición con la representación de la anterior serie de


ventas de turismos, junto con la componente cíclica (de color naranja). Como decíamos, a
veces no se separa de la tendencia. A la componente se le denomina entonces la "ciclo-
tendencia". En esa figura se muestra (en color verde y con trazo grueso) la ciclo-tendencia de
la serie de ventas de turismos.

No separaremos ciclo y tendencia en estos materiales, por lo que, siempre que nos refiramos a
la tendencia, estaremos hablando, de hecho, de la ciclo-tendencia.

Componente estacional

Este es el motivo por el que


se consideran los periodos
agrupados en otros periodos
más amplios en el
tratamiento de muchas
series temporales. Muchas
series económicas
presentan oscilaciones
regulares en el mismo mes
de cada año, y con unas
pautas que se presentan, sin
repetirse exactamente,
todos los años. Son las
llamadas "variaciones
estacionales", y se deben
básicamente a causas climatológicas, vacacionales o fiscales. Las denominaremos muy

raramente con la notación y con frecuencia en la

forma .

La figura adyacente muestra en un gráfico especial, de los denominados de "telaraña" las


matriculaciones de turismos en Castilla y León durante los años 1999 a 2003. Cada radio es un
mes (1 para enero, 2 para febrero, etc.) y puede observarse ciertas pautas. Por ejemplo, que
enero, agosto y septiembre son meses con pocas matriculaciones relativas, mientras que julio
y junio son meses de elevados valores, en comparación con la tendencia. No representamos
más años en esta gráfica, pero el efecto no es muy diferente si lo hacemos.

La estacionalidad no se presenta sólo cuando el periodo amplio es el año. A veces hay


estacionalidades mensuales o semanales en series diarias, o estacionalidades diarias en series
horarias, como son las series de cotizaciones bursátiles, por ejemplo. Sí es importante que las
estacionalidades tengan un periodo no superior al anual, para que no se confundan con las
componentes cíclicas.

Supondremos en este trabajo que la componente estacional es exactamente periódica, esto


es,

y que se cumple el denominado "principio de conservación de las áreas", que para el modelo
aditivo indica que la media "anual" de las componentes estacionales es igual a cero, esto es,
Componente irregular

También llamado "ruido", recoge alteraciones de la serie, pequeñas en su incidencia, y sin una
pauta periódica ni tendencial reconocible. Se considera que está ocasionada por múltiples
factores, de pequeña entidad y diferentes ritmos temporales, que no se pueden estudiar
individualmente. Esto en la teoría, porque en la práctica lo que ocurre es que la consideración
de una serie como compuesta por componentes tendenciales, cíclicas y estacionales no deja
de ser un modelo y, como tal, una representación aproximada e imperfecta, aunque valiosa,
del mundo real. La componente irregular recogería, en consecuencia, la incapacidad del
modelo para explicar a la perfección el comportamiento de la serie temporal.

Nótese que si se impone que no tengan pautas tendenciales o periódicas de la serie, deben
entonces comportarse de forma independiente de las otras componentes, que tienen unas
pautas sistemáticas.

Se describe como o .
.