Está en la página 1de 8

Estimando la Funcin de

Produccin

ADM-343 Mtodos Cuantitativos para Agronegocios

Tema III: Estimando la Funcin


de Produccin

Funcin de produccin



Facilitador:

Flix Rondn, MS


Instituto Especializado de Estudios


Superiores Loyola
San Cristbal, Rep. Dom.

La meta es ir de la teora a la prctica




De la Teora a la Prctica
(aplicacin)
Teora

Teora
econmica

Aplicacin
Especificacin
del Modelo

Econometra
Anlisis de
regresin
Anlisis de datos

Estimacin del
Modelo

Prediccin de
resultados
Apoyo a las
decisiones

Las herramientas estadsticas y los datos empricos se utilizan para


transformar un modelo conceptual (funcin de produccin) en una
herramienta de decisin (superficie de respuesta).
Una representacin cuantitativa de cmo x es transformada en y.




Hay dos mtodos para obtener datos: la investigacin


experimental y la investigacin no experimental.
El mtodo usado depende del tema investigado.
Por lo general en las ciencias biolgicas y fsicas se realiza
investigacin experimental, mientras que en las ciencias
sociales y los negocios se realiza investigacin no
experimental.
En la investigacin experimental el investigador genera datos
bajo un ambiente controlado.
En la investigacin no experimental el investigador colecta los
datos bajo condiciones no controladas.

La especificacin del modelo es uno de los primeros pasos, se


hace antes de iniciar la recoleccin de datos.
Conlleva dos aspectos:



Eleccin de las variables


Eleccin de la forma funcional

Para la eleccin de las variables se asume, basado en la


experiencia, cual variable independiente (x) tiene impacto en
la variable dependiente (y).
La tarea es colectar datos para probar si efectivamente y =
f(x) y cuantificarla.

Investigacin Experimental:
Ejemplo

Obtencin de los Datos




De donde provienen las funciones de produccin en la vida


real?
Cmo las usamos para tomar decisiones administrativas?

Especificacin del Modelo:


Eleccin de Variables




Es un concepto terico de cmo x es transformada en y.


Puede ser expresada en forma implcita:
y = f(x1, x2,xn) o y = f(x1|x2, x3, xn)
Puede ser expresada en forma explcita
y = a0 + b1x1 + b2x2 b3x3

Un agrnomo quiere determinar el impacto del nitrgeno (N)


sobre la produccin (P), por lo que l asume que:
P = f(N)
Esto implica que quiere saber como la variacin de N causa
variacin en P (dY/dN=?)
Seleccin de las variables: por experiencia, l sabe que la
produccin es afectada por varios factores que deben estar
presentes:
P = f(N, P, K, S, H, T)

Investigacin Experimental:
Ejemplo


Para aislar y medir el efecto independiente del N sobre P l


necesita mantener todos los otros factores constantes:
P = f(N|P, K, S, H, T)
Entonces, disea un experimento controlado, bajo
invernadero, en el que:



Los niveles de N se hacen variar en un rango determinado.


P, K, S, M, T son mantenidos constantes a lo largo de las unidades
experimentales.

Debido a que N es el nico que vara, entonces toda la


variacin en P se deber a la variacin en N.
Luego, usando anlisis de regresin, el podr estimar dP/dN
(el efecto de N sobre P).

Investigacin No Experimental:
Ejemplo








Investigacin No Experimental:
Ejemplo


Con el fin de aislar el impacto de I y medir su efecto


independiente en G l necesita mantener constante los otros
factores.
G = f(I|P, O, A, T)
El problema es que l no puede:





Un economista necesita determinar el impacto del ingreso (I)


sobre los gastos en alimentacin (G), el postula:
G = f(I)
Esto implica que l quiere saber como la variacin en I causa
una variacin en G (dG/dI=?)
Cules datos necesita colectar? Su experiencia como
economista le dice que G es afectado por muchos factores:
G = f(I, P, O, A, T)
El sabe que no puede medir los gastos en alimentacin en
ausencia de estos otros factores.

Investigacin No Experimental:
Ejemplo


Asignar los consumidores a diferentes subgrupos.


Obtener los mismos niveles de P, O, A y T para diferentes niveles de I.
Mantener constante los otros factores.
Poner a las personas en tubos de ensayo.

Luego, el efecto de la variable I puede ser separado del


efecto de las dems variables (P, O, A y T).
El efecto independiente de I sobre G puede ser estimado
como G/I.
El efecto independiente de las otras variables tambin puede
ser estimado como G/P, G/O, G/A y G/T.

Entonces, disea una investigacin donde colecta datos de


todos los factores (G, I, P, O, A, T) y mide el impacto de
todas las variables sobre G.

Investigacin Experimental/No
Experimental


Volviendo al ejemplo del agrnomo, Qu pasara si no


tuviera un invernadero?



Una alternativa es establecer unidades experimentales en la


misma localidad.


Podra controlar N, P y K; pero no podra controlar H y T.


Esto implica que P = f(N, H, T | P, K, S, )

H y T deberan ser iguales si las unidades experimentales estn cerca


una de otras.
Esto implicara que P = f(N | H, T, P, K, S)

Otra alternativa es estimar el impacto conjunto de N, H y T


sobre P.


Investigacin Experimental/No
Experimental


Este ejemplo tiene elementos de:








Investigacin experimental (N, P, K y S son conrolables)


Investigacin no experimental (H y T no son controlables)

En resumen, se podra concluir que:


En una investigacin experimental fijar las variables que no
interesan y excluirlas del modelo.
y = f(x1|x2, x3, xn)
En una investigacin no experimental medir todas las
variables e incluirlas en el modelo.
y = f(x1, x2, x3, xn)

Esto implica que P = f(N, H, T | P, K, S, )

Especificacin del Modelo:


Eleccin de la Forma Funcional


Cul es la forma funcional de la funcin y=f(x)?






Formas alternativas posibles




Los investigadores deben elegir una forma.


Si esto es ignorado, entonces la forma ser una lnea recta.
No hay formas correctas o incorrectas.




La forma de la funcin de produccin neoclsica no es


sagrada.




Aunque hay muchas formas funcionales, en esta clase sern


estudiadas cinco formas bsicas:

No necesariamente luce as en la vida real.


Es hipottica, se usa para fines de aprendizaje ya que es completa.
Si la forma cambia, los principios se mantienen, lo nico es que son
ms difciles de ver.

Polinomiales: (linear, cuadrtica y cbica)


Exponencial (conocida tambin como Cogg-Douglas)
Trascendental

Las polinomiales son una familia de funciones que toman


varias formas que pueden definirse como:


   

  00 11 22 

Linear (Caso 1)

Linear (Caso 2)
f(x)

n=1




Polinomio de primer orden.


(n-1)=0, no tiene puntos extremos (ni mximos ni mnimos)
Forma general: y = a0 + a1x1

Caso 1:
  1
 

0

      1


1

1
1


Implica lmite E1|E2


a lo largo de la funcin.

 

a1
a1
1

PFM = PFP

  0 1  22

0  0

  1  22
  1  2
  1  22

Ep

Cuadrtica (Caso 1)


Polinomio de 2do grado.


(n-1) = 1, un punto extremo (un mximo o un mnimo)

Caso 1:

Etapa 2 a lo largo de la funcin.

n=2


PFM

a1

Cuadrtica (Caso 1)


PFP

1



0 1

Ya que PFM > 0 y PFM < PFP =>


1 > Ep >0

Ep

0
0 1
1 



  1

f(x)

a1
a0

      1


 
 1


  0 1

0

Caso 1:

Ambos son lineares con igual intercepto


pero diferente pendiente.




Debido a que PFM < PFP, y PFM >0 y PFP >0 => Etapas 2 y 3.
No hay etapa 1
El coeficiente negativo de a2 representa un mximo

f(x)

Est relacionada con la LRMD


PFM y PFP tienen la misma
interseccin pero diferente
pendiente.
  1  22
  1  2
  1  22




a1-22x
1
a0
E2

E3
PFP

a1

-a2

-2a2
1

PFM

Cuadrtica (Caso 2)


Cbica (libros de texto)


f(x)

Caso 2: 0  0




  1  22
 

n=3


  0 1  22

a0
E2

0
1  2


E3

Caso 1:

0  0

  1 22  332

a1

Relacionada con la LRMD


Cules valores de X maximizan a f(x)?
Cules son los estados de produccin?

Funcin clsica de produccin en libros de texto.


Polinomio de 3er grado.
(n-1)=2, dos puntos extremos (uno mximo y otro mnimo).
Forma generla: y = a0 + a1x + a2x2 a3x3

-2a2

  1 2  32

PFP

Ambos son cuadrticos

Muestra las 3 etapas de produccin.


Ep vara entre + y infinito

PFM

Cobb-Douglas (Caso 1)

Cobb-Douglas (Caso 1)

f(x)




Tambin llamada funcin exponencial.



Su forma general es   

f(x)

Dado que 0 < b a< 1, y b = Ep.




0<b<1

01

Caso 1:

  
 



  1


   
 


 1



E2

1

1

1

PFP


PFM

 








  
 

1 





1

1

 
 1
 

Caso 3: b > 1




E1

Ep

    1  

Ep > 1 => Etapa 1


LDMR?
PFT crece a ritmo creciente?
Ep = 1 0> Lmite E1|E2

f(x)

a1
1
x

 

PFM
PFP

Para cualquier funcin CD





  
 

PFP
PFM

Cobb-Douglas (Caso 3)

b>1

Las mismas caractersticas que una linear.


LDMR?
PFT crece a ritmo creciente?
Ep = 1 0> Lmite E1|E2

E2

f(x)

    1  

Caso 2: b = 1

0<b<1

Cmo es la LRMD con respecto a


CD?

Ep

Cobb-Douglas (Caso 2)


Ep es constante, no cambia.
Tambin es llamada funcin de
Elasticidad Constante
Como 0 < b < 1, entonces 0 < Ep < 1
(solo etapa 2).
PFM es una fraccin constante (b) del
PFP.
Tan pronto como se conoce b, se
conoce Ep.

No hay valor mximo


No hay valor mnimo

y
a1
1

Ep

PFM = PFP
Ep

Estadsticas para la Estimacin de


la Funcin de Produccin

Transcendental





Es una forma funcional flexible, asume muchas formas.


Su forma general es: y = Axaex
Donde e = 2.71828
Esta funcin asume muchas formas dependiendo de los
valores de alfa y gama.




Un agrnomo tiene como hiptesis que el Nitrgeno (N) tiene


efecto sobre el produccin de maz: Y = f(N)
Disea un experimento para probar la relacin entre las dos
variables.
Quiere saber cuanto vara Y al variar N. La meta es encontrar
dP/dN.
Muchos factores afectan a P: P = f(N, P, K, S, H, T)
Un diseo experimental permite la estimacin de:
Y = f(N|P, K, S, H, T) + e

Ejemplo de Estimacin: Diseo


Experimental


N vara desde 0 hasta 150 libras/ta en intervalos de 25 libras


a travs de las unidades experimentales (0, 25, 50, 75, 100,
125 y 150 libras)
P, K y S se mantienen constantes (fijos). La misma cantidad
es aplicada a cada unidad experimental.
H y T se asumen constantes debido a que todas las unidades
experimentales estn en una misma ubicacin (controlados).
El error (e) es la variacin de Y que no puede ser explicada
por el modelo.

Ejemplo de Estimacin: Diseo


Bajo Estudio

Ejemplo de Estimacin:
Terminologa



Factor: la variable independiente que ser estudiada (N)


Niveles: los deferentes valores que asumir el factor (0, 25,
50, 75, 100, 125, 150).
Tratamiento: factores x niveles (1 factor x 7 niveles = 7
tratamientos)
Repeticin: nmero de veces que se repite cada tratamiento
(en el ejemplo, 3 repeticiones).
Observaciones (n): tratamientos x repeticiones = 21
observaciones.

Ejemplo de Estimacin: Serie de


Datos
Obs.




Debido a que el modelo es Y = f(N|P, K, S, H, T) + e


El termino e (error) se debe a que los investigadores saben
que el modelo no es 100% perfecto.
Podran haber algunas variaciones inexplicables de Y debido
a:
a)
Errores de medicin
b)
Omisin de otras variables
c)
Error aleatorio

Rep.

Nitrgeno
(lb/ta)

Produccin
(lb/ta)

544.1

253.3

647.3

25

756.7

25

766.1

25

506.6

50

972.5

50

981.5

50

822.4

10

75

978.7

11

75

975.6

12

75

956.9

13

100

14

100

928.7

15

100

1,100.7

16

125

935.0

17

125

925.6

18

125

19

150

20

150

956.9

21

150

1,019.4

991.2

Obtenidos bajo
condiciones controladas.
Las unidades
experimentales varan
solo en el N.
Los datos de produccin
(Y) fueron colectados al
final del ciclo del cultivo.

881.8
950.6

Ejemplo de Estimacin: Datos

Ejemplo de Estimacin: Modelo

Y
Produccin (lb/ta)

1,200

1,000

800

600

Al final del estudio el


investigador tiene 21
observaciones.
Cada observacin est
compuesta por Yi, Ni (i=1,
2, 21)

El investigador tiene la hiptesis de que dY/dN>0 y que la


relacin entre Y y N es linear.




400




0
0

25

50

75

100

125

150

175

Yi = Yi + ei
Yi = a0 + a1N1
Yi = a0 + a1N1 + e

El investigador estima el modelo utilizando el mtodo de los


Mnimos Cuadrados.


200

Asume que:
Donde:
Por lo tanto:

La forma funcional del modelo es linear.


Asume que una lnea recta explica como N afecta a Y.
El coeficiente estimado de N cuantifica y cualifica el efecto de N
sobre Y.

Ejemplo de Estimacin: Modelo

Regresin Linear en Excel

Produccin (lb/ta)

Y
1,200


1,000

!  0 1"1

800

600

#$%&%'% 1 

400

(
("

200

25

50

75

100

125

150

175

Organizar los datos de las


variable dependiente (Y)
y dependiente (N) en
columnas.
Usar el comando
Regresin del men
Anlisis de Datos.
Completar los espacios en
blanco en el cuadro de
Regresin.

Resultados del Modelo de


Regresin en Excel
Estadsticas de la regresin
R mltiple
0.722
R2
0.521
R2 ajustado
0.496
Error tpico
146.712
Observaciones
21
ANLISIS DE VARIANZA
Fuente
Regresin
Residuos
Total

GL
1
19
20

Coeficientes




Complete los rangos de datos (X, Y)


Use Rtulos para hacer que los nombres de las variables
aparezcan en los resultados.

Intercepcin
Nitrgeno (lb/ta)

631.62
2.91

SC
445420
408965
854385

Error tpico

57.72
0.64

CM
445420
21525

Estadstico t

10.94
4.55

Ft
20.69

Prob.

0.00
0.00

Prob.
0.0002

Inferior 95%

510.82
1.57

Superior
95%

752.42
4.25

Bondades de las Medidas de Ajuste










Bondades de las Medidas de Ajuste


Estadsticas de la regresin
R mltiple
0.722
R2
0.521
R2 ajustado
0.496
Error tpico
146.712
Observaciones
21

Qu tan buenos son los resultados?


El estudio rene todos los objetivos del investigador?
Qu tan bien se ajusta el modelo a las observaciones?
Explica N la variacin de Y? Qu tan bien?
Los resultados son significativos?
Se puede tener confianza en los resultados?
Para responder a estas preguntas hay una serie de medidas
estadsticas bsicas en las cuales se basan los analistas.


ANLISIS DE VARIANZA
Fuente
Regresin
Residuos
Total

Intercepcin
Nitrgeno (lb/ta)





Error tpico

631.62
2.91

57.72
0.64

CM
445420
21525

Estadstico t

10.94
4.55

Ft
20.69

Prob.

Prob.
0.0002

Inferior 95%

0.00
0.00

510.82
1.57

Superior
95%

752.42
4.25

Ejemplo de Estimacin: Modelo


Y

El modelo no es perfecto.
Hay error en el modelo.
El modelo solo explica una pare (no toda) de la variacin en Y.
Parte de la variacin permanece inexplicable.

1,200

1,000

!  0 1"1

SC
Error

SC Total

SC Regresin
800

 850.1

600

Que tan bueno es le modelo (ya que no es completamente


perfecto).
Que tan bueno es bueno.

400

Como estndar de comparacin se recomiendo usar el modelo


ms simple posible.



El promedio de la variable dependiente Y


Calcula tres R2 alternativas para compararlas.

2

0# ..$.  

 !

0# 3%4.%-   2  !

25

50

75

100

125

150

175

Suma de Cuadrados (SC)

La SC mide la distancia entre:


 Los datos observados y la lnea de regresin (SC Error)
 Los datos observados y el promedio (SC Total)
 La lnea de regresin y el promedio (SC Regresin)

0# 1$'/  

  ,'$- .%/%!  .%(&&$%-

200

Suma de Cuadrados (SC)




SC
445420
408965
854385

Las bondades de las medidas dicen:




Anlisis de Varianza (ANOVA)

Estadsticas de los Parmetros (Prueba de Hiptesis)

Si el modelo no pasa por todos los puntos de datos




1
19
20

Coeficientes

Estas son las bondades de las medidas de ajuste que se presentan


en los resultados.
(1) ANOVA, (2) Estadsticas de la regresin, (3) Prueba de Hiptesis.

Standard de Comparacin: Media




GL

Estadsticas de la regresin
(del modelo completo)

SC Total
 Que tan lejos estn los datos observados del promedio (el
error total del modelo)
SC Regresin
 Que tan lejos estn los valores proyectados o las
predicciones de la media.
SC Error
 Que tan lejos estn los datos observados de sus valores de
sus predicciones.
Estas tres distancias se miden para cada uno de los datos
observados al cuadrado.

Bondades de las Medidas de Ajuste


Estadsticas de la regresin
R mltiple
0.722
R2
0.521
R2 ajustado
0.496
Error tpico
146.712
Observaciones
21
ANLISIS DE VARIANZA
Fuente
Regresin
Residuos
Total

GL
1
19
20

Coeficientes

Intercepcin
Nitrgeno (lb/ta)

1. Variabilidad total de los datos observados (SC Total)


2. Variabilidad explicada (SC Regresin)
3. Variabilidad inexplicada (SC Error)

Variabilidad (distancias) en el modelo.


SC
445420
408965
854385

Error tpico

631.62
2.91

57.72
0.64

CM
445420
21525

Estadstico t

10.94
4.55

Ft
20.69

Prob.

0.00
0.00

Estadsticas de la regresin
R mltiple
0.722
R2
0.521
R2 ajustado
0.496
Error tpico
146.712
Observaciones
21
ANLISIS DE VARIANZA
Fuente
Regresin
SCR
Residuos
SCE
SCT
Total

Prob.
0.0002

Inferior 95%

Bondades de las Medidas de Ajuste

Superior
95%

510.82
1.57

Intercepcin
Nitrgeno (lb/ta)

GL
1
19
20

0#3 445,420
#3 

 445,420
9:3
1

Coeficientes

Intercepcin
Nitrgeno (lb/ta)

0# 408,965
# 

 21,525
9:
19
#3 445,420


 20.69
#
21,525
SC
445420
408965
854385

Error tpico

631.62
2.91

57.72
0.64

CM
445420
21525

Estadstico t

10.94
4.55

Ft
20.69

Prob.

0.00
0.00

510.82
1.57

Estadsticas de la regresin
R mltiple
0.722
R2
0.521
R2 ajustado
0.496
Error tpico
146.712
Observaciones
21

Superior
95%

Intercepcin
Nitrgeno (lb/ta)

#> 

!  2.91 631.62"1


1,000

SCE
800

La regresin lineal simple asume


que relacin entre la variable
dependiente (Y) y la variable
independiente (N) es linear.
El mtodo de Mnimos
Cuadrados minimiza la Suma de
Cuadrados del Error mientras
mantiene la forma de la funcin.

600

400

  ,'$- .%/%!  .%(&&$%-

200

SC
445420
408965
854385

Error tpico

57.72
0.64

CM
445420
21525

Estadstico t

10.94
4.55

Ft
20.69

Prob.

0.00
0.00

Prob.
0.0002

Inferior 95%

Superior
95%

510.82
1.57

752.42
4.25

1
19
20

631.62
2.91

3#  # 

21,525  146.712

RCME es la variabilidad inexplicada alrededor


de la lnea de regresin (La variacin causada
por N ha sido removida).

SC
445420
408965
854385

Error tpico

57.72
0.64

CM
445420
21525

Estadstico t

10.94
4.55

Ft
20.69

Prob.

0.00
0.00

Prob.
0.0002

Inferior 95%

510.82
1.57

Superior
95%

752.42
4.25

>./(( 3# 146.71


 2 
 0.173  17.3%
%(
850.1

Bibliografa

Regresin por Mnimos Cuadrados


Y

GL

Coeficientes

752.42
4.25

CMR mide la distancia cuadradas promedio de las observaciones hacia


la lnea de regresin, y CME de las observaciones hacia el promedio.

1,200

Es la proporcin de variabilidad
total de Y explicada
Por el modelo de regresin

Bondades de las Medidas de Ajuste

ANLISIS DE VARIANZA
Fuente
Regresin
SCR
Residuos
SCE
SCT
Total

Prob.
0.0002

Inferior 95%

631.62
2.91

0#3 445,420

 0.521  52.1%
0#1 854,385

A R2 tambin se le conoce como Coeficiente de Determinacin

Bondades de las Medidas de Ajuste

ANLISIS DE VARIANZA
Fuente
Regresin
SCR
Residuos
SCE
SCT
Total

1
19
20

Coeficientes

752.42
4.25

En algunos textos la SC regresin se le llama SC explicada, y


a la SC error se le llama SC residual.

Estadsticas de la regresin
R mltiple
0.722
R2
0.521
R2 ajustado
0.496
Error tpico
146.712
Observaciones
21

GL

32 

Bonini, C., Hausman, W., y Bierman, H. (2000). Anlisis


cuantitativo para los negocios (9na ed). Bogot:
McGraw-Hill.
Parsch, L. (2001). Mtodos cuantitativos para
aplicaciones de agronegocios (notas de clase).
Fayetteville, AR: Autor.

25

50

75

100

125

150

175