Regresión potencial

Teniendo datos históricos observados sobre la demanda, oferta o la variable

que se quiera proyectar, podemos graficar la nube de puntos y observar la
distribución de los mismos, así como apreciar si los puntos se aproximan a
alguna función, en el caso de la función potencial se puede recurrir a la
siguiente relación:

y = a. xb

¿Cuándo existe regresión?

Lo primero que suele hacerse para ver si dos variables aleatorias están
relacionadas o no.

Tomar una muestra aleatoria sobre cada individuo de tus medias o tus
datos.

Se analizan las dos características en estudio,(denominados x, y y) de

modo que para cada individuo se tenga un par de valores

Seguidamente, se representan dichos valores en unos ejes cartesianos,

dando lugar a un diagrama de dispersión o nube de puntos.

Modelo potencial

PÁGINA 1
Para linealizar esta función se aplica logaritmos a ambos miembros, mediante
este procedimiento se obtiene una ecuación logarítmica lineal:

log Y = log A + B log X

Sustituyendo valores se tiene:

Y = log Y A = log A X = log X

Una vez realizada la sustitución, los resultados se escriben en la forma lineal:

Y = A + B (X)

Ejemplo

Con los siguientes datos históricos, proyectar la demanda para el año

2012 mediante regresión potencial.

FECHA AÑOS DEMAND

A
2000 1 20,000
2001 2 35,000
2002 3 45,000
2003 4 40,000
2004 5 55,000
2005 6 55,000
2006 7 58,000
2007 8 62,000
2008 9 60,000
2009 10 65,000
2010 11 72,000
2011 12 68,000

Por el método no lineal de Regresión potencial se tiene las siguientes

relaciones y construimos la siguiente tabla:

PÁGINA 2
 X=(LOG Y= LOG LOG
X*Y
AÑO X Y X) (LOG Y) X^2 Y^2
2000 1 20000 0.00000 4.30103 0.00000 18.49886 0.0000
2001 2 35000 0.30103 4.54407 0.09062 20.64855 1.3679
2002 3 45000 0.47712 4.65321 0.22764 21.65239 2.2201
2003 4 40000 0.60206 4.60206 0.36248 21.17896 2.7707
2004 5 55000 0.69897 4.74036 0.48856 22.47104 3.3134
2005 6 55000 0.77815 4.74036 0.60552 22.47104 3.6887
2006 7 58000 0.84510 4.76343 0.71419 22.69025 4.0256
2007 8 62000 0.90309 4.79239 0.81557 22.96702 4.3280
2008 9 60000 0.95424 4.77815 0.91058 22.83073 4.5595
2009 10 65000 1.00000 4.81291 1.00000 23.16413 4.8129
2010 11 72000 1.04139 4.85733 1.08450 23.59368 5.0584
2011 12 68000 1.07918 4.83251 1.16463 23.35314 5.2152
SUMAS 8.680 56.418 7.464 265.520 41.360

Con los datos anteriores obtenemos:

yi  b xi
AA 
a 10 n

n xi yi   xi  yi
B
n xi2   xi 
2

b o B = 0.46392436

Remplazando los valores para b y a obtenemos:

AÑO DEMANDA
2012 PROYECTADA
76,3 UNIDAD
x=13 28 ES
Y =23,222.0286∗(x 0.46392436
)

PÁGINA 3
 n x y   x  y  2


n x   x  n y   y  
2 i i i i
R 2 2 2 2
i i i i

R2 =0.93706541

MODELO LOGARÍTMICO

La curva logarítmica Y = a +blog X es también una recta, pero en lugar de estar

referida a las variables originales X e Y , está referida a log X y a Y

a=

b=

Ejemplo

PÁGINA 4
Con los siguientes datos históricos, proyectar la demanda para el año
2012 mediante regresión potencial.

x y ln x ln2 x ln x * y y2
1 3 0 0 0 9
1.2 3.4 0.1823 0.0332 0.6198 11.56
1.5 5 0.4054 0.1643 2.027 25
2 2 0.6931 0.4803 1.3862 4
3 4.1 1.0986 1.2069 4.5042 16.81
3.7 5 1.3083 1.7116 6.5415 25
4 7 1.3862 1.9215 9.7034 49
4.5 6.5 1.5040 2.2620 9.776 42.25
Σ 20.9 Σ 36 Σ 6.5779 Σ 7.7798 Σ 34.5581 Σ 182.62

a= = = 2.090513

b= = 4.5 - (2.090513)(0.8222) = 2.78117

La ecuación final que modela el sistema es

PROYECCION EXPONENCIAL
Es un método de proyección apropiado en el caso de que la serie de tiempo
describe datos que crecen o decrecen en proporción constante a lo largo del
tiempo. Ejemplo ventas de un producto, crecimiento de una población o
demanda, propagación de una enfermedad entre otros.

Su expresión matemática es:

Esta modalidad depende de los valores de a y b :

Si b tiene un valor comprendido entre 0 y 1 entonces el valor de Y decrecerá al

crecer X

Si b es mayor que 1 , Y crecerá con X .

PÁGINA 5
El valor de a corresponde a la ordenada al origen

FORMULAS

Formula general:

Si se toman logaritmos a ambos miembros de la ecuación se puede

transformar en una relación lineal:

LogY = Log ( a . bX)

Donde :
LogY = Log a + X Log b

a : intercepto

b : coeficiente parcial de regresión

Y : variable independiente ( tiempo) X : variable dependiente

Cálculo de los coeficientes parciales :

Ejemplo :

Se tienen los siguientes datos :

X Y

1 28.00

2 28.30

3 28.90

4 30.10

PÁGINA 6
 5 32.10

6 34.50

7 39.80

8 43.90

9 51.10

10 59.70

55 376.4

Vemos que la tendencia lineal sólo cruza a los datos reales en dos puntos. Por
tanto usar la proyección lineal no va ser una buena decisión. En este caso
vamos a utilizar la proyección exponencial.

TABLA DE DATOS

X Y Log Y Log X X.LogY X² (LogY)²

1 28.00 1.4472 0.0000 1.4472 1 2.0943

2 28.30 1.4518 0.3010 2.9036 4 2.1077

3 28.90 1.4609 0.4771 4.3827 9 2.1342

4 30.10 1.4786 0.6021 5.9143 16 2.1862

5 32.10 1.5065 0.6990 7.5325 25 2.2696

6 34.50 1.5378 0.7782 9.2269 36 2.3649

7 39.80 1.5999 0.8451 11.1992 49 2.5596

8 43.90 1.6425 0.9031 13.1397 64 2.6977

9 51.10 1.7084 0.9542 15.3758 81 2.9187

PÁGINA 7
 10 59.70 1.7760 1.0000 17.7597 100 3.1541

55 376.4 15.6095 6.5598 88.8816 385 24.4869

Reemplazando : ( n=10)

La ecuación sería :

Y = 22.8552 x 1.0882X

La proyección para el período 11 sería :

Y = 22.8552 x1.088211

Y = 57.91

PÁGINA 8