UNIDAD VII

Prediccin En Modelos No Lineales

UNIDAD VII

La Ciencia es necesaria cuando se planifica el futuro. Si el futuro depende del

azar, la ciencia no tiene sentido
Victor Garcia Gonzales, 1991

Cules son las aplicaciones de un modelo no lineal?

Qu clases de modelos no lineales hay?
Cuales son los modelos no lineales ms comunes?
Qu pasos se siguen para estimar un modelo no lineal?
Cmo se interpretan los parmetros?

PREDICCION EN MODELOS NO LINEALES

ESQUEMA CONCEPTUAL

MODELOS NO LINEALES

Aplicaciones de los
modelos no lineales

Clasificacin de los
modelos

Modelos no lineales
ms comunes

Modelo
Doblemente y
Semi
Logartmico

Modelo
Reciproco,
Polinomial y
Logstico

Decisin de la forma

Transformaciones lineales

COMPETENCIAS A LOGRAR

CONCEPTUAL
Explica
los
diferentes
modelos no lineales que se
presentan en casos reales
como en la econmica.

PROCEDIMENTAL
Realiza el anlisis previo
para evaluar el tipo de
regresin y la respectiva
transformacin.

ACTITUDINAL
Analiza las relaciones entre
variables para encontrar el
mejor
modelo
de
estimacin.

CONCEPTOS CLAVE
Grficos de funciones no lineales; potencia, exponencial, reciproco, Polinomial.
Curva de Phillips, Costo marginal.

316

LECCIN 1
APLICACIONES MODELO NO LINEAL

1. MODELO NO LINEAL
Son modelos cuya estructura matemtica no es la del Modelo Lineal General.
La teora econmica propone modelos de relacin entre variables econmicas, pero
generalmente no determina la forma funcional de dichas relaciones, lo que sugiere que
estas puedan ser, en ocasiones, no lineales. En tales casos, el modelo es del tipo:
Yt = f(Xt, )+t,

t= 1,2,...........T

Donde f(Xt,) es una funcin no lineal de las componentes de los vectores Xt y .

Vector de observaciones de la variable Xt:
X t1
X
X t = t 2 t = 1,2,..., T
M

X tn
Vector de coeficientes a ser estimados:
1

= 2 k : nmero de coeficientes
M

k
Una especificacin no lineal de un modelo estadstico, puede estar indicando la
incertidumbre del investigador acerca de la verdadera relacin entre las variables del
modelo.
Por ejemplo supongamos que para relacionar los gastos en bienes del consumo Ct, con
la renta disponible Yt, se especifica el modelo.
Ct =1+2Yt3+t
En dicho modelo, la estimacin del parmetro 2 permitira contrastar la hiptesis de
dependencia lineal o propensin marginal al consumo constante (3=1), frente a otras
alternativas, como la de una menor sensibilidad del gasto en consumo a variaciones en
la renta disponible (3<1). Este modelo seria, claramente, menos restrictivo que una
especificacin lineal; tambin puede interpretarse como una primera especificacin,
para pasar a estimar un modelo lineal si la hiptesis 3=1 no se rechaza en una primera
estimacin del modelo.

317

Sin embargo, conviene distinguir entre varios tipos de no linealidades que pueden
presentarse en la practica. Consideraremos los modelos:

a ) Yt = 1 + 2 e X 2 t + 3 X 3 t X 4 t + t
b) Yt + 1 ln Yt = 2 X t + t
c) Yt = 1 + 2 e3 X 2 t + t
d) Yt = 1 + (ln 2 )X t + t

e) Yt = 1 + 2 X t 3 + t
Estos cinco modelos tienen en comn proponer relaciones no lineales entre la variable
endgena por un lado y las variables explicativas y los coeficientes por otro.
Del modelo a) la no linealidad afecta nicamente a sus variables, pero no a los
parmetros. En tal caso, basta definir unas nuevas variables: Z2t=exp(X2t), Z3t=X3tX4t,
para obtener el modelo lineal:
Yt = 1 + 2 Z 2 t + 3 Z3 t + t
En definitiva, siempre que la no linealidad del modelo afecte nicamente a sus variables
explicativas, entonces dicho problema queda resuelto mediante una transformacin de
datos. La nica excepcin a esta afirmacin la constituyen los modelos en que la no
linealidad afecte tambin a la variable endgena y de algn modo haga imposible
expresarla de modo explcito como funcin de los vectores Xt y .
Del modelo b) la forma funcional es una funcin implcita:
g (Yt, Xt ,)=t,

t=1,2,......T

Del modelo c) la no linealidad afecta tan slo a sus coeficientes pero no a sus variables.
Del modelo d) la no linealidad es en los coeficientes sin que ello presente dificultades
serias de estimacin. En dicho modelo se estima un trmino independiente y un
coeficiente de la variable Xt, y a continuacin puede recuperarse el valor del parmetro
2 mediante 2 = exp(coeficiente de Xt), sin embargo el valor de 2 as obtenido no
heredara las propiedades estadsticas que pudiera tener el estimador de e2.
El modelo e) es otro ejemplo de modelo no lineal que no puede tratarse por mtodos
lineales.
Finalmente, es importante observar que, a diferencia de los modelos lineales, en
modelos no lineales el nmero de parmetros no coincide necesariamente con el nmero
de variables explicativas, como ocurre en los modelos b), c) y e) anteriores.

318

2. CLASIFICACIN DE MODELOS NO LINEALES

a. Modelos no lineales en la variables
2

Y i = + 1 X i + 2 X i + 3 X i + ... + i

b. Modelos no lineales en los parmetros

Que se pueden distinguir en dos sub grupos:
i.

Modelos intrnsicamente no lineales: Que no hay posibilidad de linealizarlos

Ejm.: Y i =

ii.

1 + 2X i + i

Modelos intrnsicamente lineales: Que pueden linealizarse mediante

transformaciones apropiadas
Ejm.: Y i = 1 X i 22 X i 33 e i

Aplicando logaritmo:
Ln ( Y i ) = Ln ( 1 ) + 2 LnX

i2

+ 3 Ln ( X i 3 ) + i

Luego, el modelo puede expresarse de forma lineal:

Y i ' = 1' + 2 X i 2 '+ 3 X i' 3 + i
Donde:
1' = Ln ( 1 )
X i 2 ' = Ln ( X i 2 )
X i 3 ' = Ln ( X i 3 )

3. DECISIN DE LA FORMA FUNCIONAL

Parte de la economa puede sugerir a veces la forma funcional de 2 ms variables.

Por ejemplo, la teora microeconmica postula una curva de costo medio de corto plazo
de forma de U y una curva de costo medio fijo que decrece constante y tiende
asintticamente a cero a medida que los costos fijos totales se reparten sobre ms
unidades producidas.
Por otro lado, la observacin del diagrama de dispersin entre las 2 variables puede
sugerir la forma de la relacin funcional, en tal caso cabe dos posibilidades:
Intentar ajustar los datos a una relacin no lineal adecuada.

319

 Buscar una transformacin inicial de los datos de tal manera que los datos
transformados aparezcan como aproximacin lineal aplicndose a las tcnicas
expuestas.

4. TRANSFORMACIONES LINEALES MS UTILIZADAS

FUNCION

TRANSFORMACION

FORMA

Y = o X1

Y* = *o + 1 X* +

Doble logaritmo

Ln Y = o + 1 X +

Y* = o + 1 X +

Semi Logaritmo

Y = o + 1 Z +

Recproca

Y = o + 1 X + 2 X2 +

Y = o + 1 X + 2 W +

Polinomial

Donde:
Y* = Ln Y
Z = 1/X

*o = Ln o
W = X2

X* = Ln X

Y = o +

1
+
X

320

LECCIN 2
MODELO DOBLEMENTE LOGARITMICO Y SEMILOGARITMICO

1. MODELO DOBLEMENTE LOGARITMICO

Considrese el siguiente modelo, conocido como el modelo de regresin potencia:

Yi = 1X i 2 e i
El cual puede se expresado alternativamente como:
ln Yi = ln 1 + 2 ln X i + i

Donde Ln es el logaritmo natural. Si escribimos el modelo anterior como:

LnYi = 0 + 2 LnX i + i
Donde 0 = Ln1 , este modelo es lineal en los parmetros 0 y 2 ; y lineal en los
logaritmos de las variables Y y X.
Excluyendo el trmino de perturbacin i del modelo, la relacin entre X e Y se
expresa como:
Y = A 0X
(1)
Donde:
LnA 0 = 0
Ejemplo:
En el modelo (1) si = 1 , la ecuacin LnA 0 = 0 resulta:

XY = A 0 , qu es una hiprbola equiltera.

Si Y representa la cantidad comprada de un bien y X el precio unitario de dicho bien,
entonces XY = A 0 sera una curva de demanda con elasticidad constante de valor 1 y
con un gasto total en ese bien constante, independiente del precio.
Como podemos notar en las siguientes grficas:

321

>1
0<<1

Negativo

Y= A0X

positivo

A
-1<<0
= -1
< -1

Grfica 1

Grfica 2

2. MODELO SEMILOGARITMICO

Veamos un caso especial del Modelo Semilogartmico, cuando el regresor X representa

al tiempo:
Ejemplo 1. Cmo medir la tasa de crecimiento?

Yt = Yo (1 + r)t

(1)

Donde r es tasa de crecimiento compuesta de Y (es decir, a travs del tiempo). Tomando
el logaritmo natural del modelo anterior, podemos escribir:
Ln Yt = Ln Yo + t Ln (1 + r)

(2)

Sea:
1 = Ln Yo
2 = Ln (1 + r)
Se puede escribir (2) de la siguiente manera:
Ln Yt = 1 + 2 t
Agregando el trmino de perturbacin, se obtiene:
Ln Yt = 1 + 2 t + ut

(3)

Ejemplo 2. Sea el modelo semi logartmico:

Ln Y = + X +
Si calculamos la pendiente:

1 dY
=
Y dX

322

Como la funcin esta solamente definida para valores positivos de Y. Podemos escribir
la funcin de la siguiente forma:
Y = e X
La ordenada en el origen viene dada por e , y la pendiente ser positiva o negativa
dependiendo del signo de .
La funcin describe en ese caso a una variable Y que muestra una tasa proporcional
constante de crecimiento ( > 0) o decrecimiento ( < 0).
Grficas del modelo semilogartmico
Y

e
Y= e( +x)

Y= e( +x)

Grfica 3

Grfica 4

323

LECCIN 3
MODELO RECIPROCO, POLINOMIAL Y LOGSTICO

1. MODELO RECIPROCO

Los modelos del siguiente tipo se conocen como modelos recprocos:

Y = 1 +2X*i +i
1
Donde: X *i =
Xi
A pesar que este modelo es no lineal en la variable X, si es lineal en los parmetros
(1 y 2 ) y, por consiguiente, es un modelo de regresin lineal.
Este modelo tiene las siguientes caractersticas:

1
A medida que X aumenta indefinidamente, el trmino 2 se acerca a cero ( 2
X
es una constante) y Y se aproxima al valor lmite o asinttico 1 . Por consiguiente
este tipo de modelos han construido en ellos un valor asinttico o lmite que tomar
la variable dependiente cuando el valor de la variable X aumente indefinidamente.
La pendiente del modelo mostrado es:

dY
1
= 2 2
dX
X

lo que implica que si 2 es positivo, la pendiente siempre es negativa y si 2 es

negativo, la pendiente es positiva.

Algunas formas probables de la curva correspondiente al modelo planteado son las

siguientes:
Costo Fijo
Promedio

1 > 0
2 > 0

Nivel de Produccin
Grfica 1

324

Tasa de variacin de los salarios,

%

En la grfica 1 se relaciona el Costo Fijo Promedio (CFP) de produccin (eje Y) con el

nivel de produccin (eje X). Como se muestra, el CFP desciende continuamente a
medida que aumenta la produccin (porque el costo fijo se distribuye entre un gran
nmero de unidades) y, en este caso se vuelve asinttico en el eje de la produccin al
nivel de 1 .

2 > 0
1 < 0

2 > 0
1 < 0

Tasa natural de
desempleo

0
Un

X
Grfica 2

Otra de las aplicaciones es la conocida Curva de Phillips de macroeconoma la cual se

obtuvo con base de datos de la tasa de cambio porcentual de los salarios nominales (Y)
y la tasa porcentual de desempleo.
Como se muestra en la grfica 2, existe una asimetra en la respuesta de los cambios
salariales al nivel de desempleo: si la tasa de desempleo est por debajo de Un (tasa
natural de desempleo) por cada unidad de cambio en el desempleo, los salarios
aumentan con mayor rapidez de lo que caen debido a un cambio equivalente cuando la
tasa de desempleo est por encima del nivel natural 1 indicando la base asinttica para
el cambio salarial.

)
1
Yt = 1.4282 + 8.2743
Xt
(2.0675) (2.8478)

r 2 = 0.3849
F1,15 = 9.39

Tasa de variacin de los salarios, %

2 > 0
1 < 0
)
Yi = 1 .4282 + 8.7243 (1 / X t )

1.43

Un

2 > 0

Grfica 3

325

Gasto
Gast

Esta grfica nos muestra que la base salarial es de 1.43%, es decir, a medida que X
aumenta indefinidamente, la disminucin porcentual en los salarios no ser superior al
1.43% al ao. Adems obsrvese que el valor de r2 es bajo (38.4%), aunque el
coeficiente de pendiente es estadsticamente diferente de cero y tiene el signo correcto,
lo que es una razn para no enfatizar indebidamente el valor de r2.

2
1

Ingreso

Grfica 4

Como aplicacin importante tambin podemos mencionar a la Curva de Gasto de Engel,

que relaciona el gasto del consumidor en un bien frente a su ingreso total. Sea Y el gasto
de un bien y X el ingreso entonces, para algunos bienes se presentan las siguientes
caractersticas:

Existe un umbral o nivel crtico de ingreso por debajo del cual el bien no es
2
comprado; en la figura este umbral se encuentra a nivel de: .
1

Existe un nivel de satisfaccin de consumo que el consumidor no traspasa sin

importar que tan alto sea el ingreso. Este nivel no es otra cosa que la asntota 1 .

2. MODELO LOGISTICO

Una curva similar a la recproca es la logstica, que tambin tiene una asntota superior
para un valor finito y una asntota inferior para el valor cero, pero que tiene una forma
ms simtrica respecto a las dos asntotas:
K
Y=
1 + be at
Donde a, b y k son parmetros que deben determinarse. Se ha escrito Y para la funcin
del tiempo t, dado que sta es la prctica ms comn, pero en determinados casos es
posible sustituir t por alguna variable independiente X.
Queda claro que:
Y K cuando t

Y 0 cuando t

326

De forma que K es asntota superior y cero la inferior. La primera derivada es:

dY a
=
Y (K - Y)
dt
K
As pues la tasa de cambio de Y con respecto a t es proporcional al nivel corriente de Y,
y tambin a la distancia que queda por recorrer entre el valor y el nivel de saturacin K.
La primera derivada es positiva para todos los valores de t. La segunda derivada se
puede escribir como:
d 2Y
dY
= (K 2Y )
2
dt
K
dt
Igualndola a cero el siguiente punto de inflexin.
t=

1
Ln b
a

Y=

K
2

Por lo tanto cuando Y < K/2 el valor grande de K-Y domina al valor pequeo de
Y; y hace que dY/dt aumente. Cuando Y se aproxima a K/2 las dos fuerzas empiezan a
compensarse de forma que dY/dt alcanza su valor mximo cuando Y= K/2 y a partir
de aqu disminuye suavemente a medida que Y tiende a su nivel de saturacin K, la
forma tpica de una curva logstica aparece en la grfica 5.
Y
e

0.135 e
X

Grfica 5
3. MODELO POLINOMIAL

Para ordenar las ideas, considrese la grfica que relaciona el costo marginal del corto
plazo (CM) de la produccin de un bien (Y) con el nivel de su producto (X). La curva
de CM dibujada en la grfica 6, la curva con forma de U de los textos, muestra que la
relacin entre CM y producto es no lineal. Si se fuera a cuantificar esta relacin a partir
de los puntos dispersos dados, cmo se hara? En otras palabras, qu tipo de modelo
economtrico recoger la naturaleza primero decreciente y luego creciente del costo
marginal?

327

Costo Marginal

CM

Produccin
Grfica 6

Geomtricamente, la curva CM de la grfica mencionada anteriormente representa una

parbola. Matemticamente, la parbola est representada por la siguiente ecuacin:
Y = o + 1X + 2X2

(1)

La versin estocstica de (1) puede escribirse as:

Yi = o + 1 Xi + 2X2i + ui

(2)

Que se denomina una regresin polinomial de segundo grado.

La regresin polinomial de grado k general puede escribirse as:
Yi = o + 1Xi + 2X2i + ... + kXki + ui

(3)

Ejemplo Ilustrativo:
Impacto del Empleo en la Produccin: Funcin de Produccin Cobb Douglas
La funcin de produccin de Cobb Duoglas, es a menudo usada para estudiar la
produccin, en base a los insumos capital y trabajo de una economa. El objetivo
principal es determinar el impacto que tiene el empleo en la productividad, es por ello
que se usar este modelo para determinar dicho impacto, tomando como supuesto que el
factor capital (inversin) se mantiene constante.

La funcin de Cobb Douglas en su forma estocstica, se expresa segn:

Yi = K L e i
Donde: Y = Producto Bruto Interno
K = Insumo capital
L = Insumo Trabajo

328

 = Trmino de perturbacin estocstico.

e = Base del Logaritmo Natural
El modelo a utilizar, determina que hay dos factores centrales que determinan la
produccin, stos son el insumo capital y el insumo trabajo.
Sin embargo, esta ecuacin es de carcter no lineal. Mediante transformaciones
apropiadas se transformar a una relacin lineal.
As se obtiene:

Ln Y = Ln + Ln K + Ln L +
y = c + k + l +

Obtenemos, entonces un modelo linealizado, el cual tiene las siguientes propiedades:

El parmetro , es la elasticidad del producto con respecto al insumo capital,
mantenindose constante el insumo trabajo.
En el corto plazo, es el parmetro que nos es de mayor inters, ya que ste mide
el cambio porcentual en la produccin debido, a una variacin porcentual en el
trabajo, ello bajo el supuesto de que el insumo capital se mantiene constante.
La suma entre los parmetros y nos da informacin acerca de los rendimientos
a escala, es decir la respuesta de la produccin ante un cambio proporcional en los
insumos. Si la suma es 1, entonces existe rendimientos constantes a escala, por
ejemplo si se duplican los insumos, entonces la produccin se duplicar. Si la
suma es inferior a 1, existe rendimientos decrecientes a escala, por ejemplo si se
duplican los insumos, entonces la produccin crecer en menos del doble. Por
ltimo si la suma es superior a 1, existe rendimientos crecientes a escala, por
ejemplo si se duplican los insumos, la produccin crecer en ms del doble.

329

LABORATORIO
Ejercicio Aplicativo 1 1 :
Con la informacin proveniente de la Encuesta Nacional del Hogares realizada por el
INEI en el IV trimestre de 1997 (Enaho 97-IV), se model la siguiente funcin de
consumo, que es la presentada por Robles (1996), es de tipo exponencial y consiste en:
j= n

O
Ck = 0 Pk1 P jj I2 E3 M4 N5 A6 P7 e8
j=1

donde:
Ck
k
n
i
Pk
Pj
I
E
M
N
A
P
O

= Consumo familiar per cpita en el bien k

= 1,..., n
= Nmero de bienes y servicios en el mercado
= Coeficientes que muestran la influencia de cada variable independiente
sobre el consumo
= Precio del bien k
= Precio del bien j (diferente a k)
= Ingreso familiar per cpita
= Aos de estudios de la madre
= Nmero de miembros en el hogar
= Nmero de nios en el hogar
= Aos de constituido el hogar
= Nmero de perceptores en el hogar
= Ocupacin del jefe de hogar
= Productoria
= 2.718281828

Cada una de las variables independientes del modelo tiene alguna influencia en el
consumo pues (a excepcin de los precios) estaran enmarcando los gustos y
preferencias de las familias.
Las elasticidades precio e ingreso por estrato econmico, calculadas a partir del modelo
se muestras en los cuadros adjuntos.
As observamos que, en el primer cuadro nos muestra la disminucin (incremento)
porcentual de la cantidad consumida de una variedad ante el aumento (reduccin) del
1 % en su nivel de precios. Por ejemplo si el kilogramo de bistek de res aumentara en
10 % los hogares del estrato medio reducirn el consumo en 5,2 %.
En el cuadro 2, cada nmero indica el incremento (disminucin) porcentual de la
cantidad consumida de una variedad ante el aumento (cada) de 1 % en el ingreso
familiar percpita. Por ejemplo si este ingreso se incrementara en 10 % el consumo de
zanahoria de los hogares del estrato bajo se elevar en 4,27 %.
1

Del documento: Elasticidad de la Demanda de los Principales Bienes y Servicios Consumidos por las
Familias en Lima Metropolitana , elaborado por el INEI

330

Cuadro 1: CLASIFICACION DE LAS VARIEDADES DE CONSUMO SEGUN SUS ELASTICIDADES PRECIO, POR ESTRATO

Estrato Bajo

Estrato Medio

Estrato Alto

-0,12
-0,15
-0,16
-0,21

Corte de Cabello Hombre

Jabn de Tocador
Desodorantes
Corte Unico de Res

-0,13
-0,15
-0,21
-0,21

Pje. en mnibus Interpr

Jabn de Tocador
Pje. en Taxi (auto)
Helados

-0,01
-0,18
-0,22
-0,24

Peridico
-0,40 Res, Churrasco
a
Pje. en Colectivo
-0,49 Lenteja

-0,42
-0,42
-0,44
-0,47

Pje. en Omnibus y Micro

Res, Churrasco
Jurel Fresco
Gasolina

-0,40
-0,40
-0,43
-0,44

Leche en Polvo
Tomate Italiano
Men (en restaurantes)
Papa Amarilla

-0,40
-0,41
-0,42
-0,42

Pje. en mnibus y Micro

-0,50 Jabn para lavar ropa
a
Zapallo Macre
-0,60 Margarina Envasada

-0,50
-0,53
-0,56
-0,57

Fideos Tallarn (Envasado) -0,50

Res, Sancochado
-0,52
Res, Bisteck
-0,52
Peridico
-0,52

Papaya
Pan Francs
Menudencia de Pollo
Arveja Verde

-0,51
-0,51
-0,56
-0,56

Zanahoria
-0,60 Limn
a
Mandarina
-0,69 Papel Higinico
Arveja Verde

-0,63
-0,63
-0,64
-0,65
-0,65

Men (en restaurantes)

Arroz Corriente
Menudencia de Pollo
Jabn para lavar ropa
Gallina Eviscerada

-0,62
-0,62
-0,65
-0,66
-0,66

Pl tano de Seda
Pollo Eviscerado
Jabn para lavar ropa
Toallas Sanitarias
Zanahoria

-0,63
-0,66
-0,67
-0,67
-0,69

Toallas Sanitarias
-0,70 Tomate Italiano
a
Res, Bisteck
-0,79 Papaya

-0,71
-0,71
-0,71
-0,72

Toallas Sanitarias
Limn
Cebolla de Cabeza (Roja)
Jamonada

-0,71
-0,76
-0,77
-0,79

Arroz Corriente
Limn
Bonito Fresco
Choclo Criollo

-0,70
-0,73
-0,75
-0,76

Detergente
-0,8 Caf instant neo en lata
a
Pan Tolete (Labranza)
-0,99 Azcar Blanca
Huevos a Granel
Gallina Eviscerada

-0,82
-0,84
-0,87
-0,90
-0,94
-0,95

Champ
Ajo Entero
Pltano de Seda
Choclo Criollo
Arroz Superior
Gas Propano

-0,81
-0,81
-0,84
-0,85
-0,86
-0,86

Jamonada
Detergente
Champ
Gas Propano
Manzana Delicia
Bebidas Gaseosas

-0,82
-0,83
-0,83
-0,85
-0,86
-0,91

Carne Molida de Res

Menos Gas Propano
de
Manzana Delicia
-1,00 Bebidas Gaseosas

-1,02
-1,03
-1,12
-1,21

Margarina a Granel
Huevos a Granel
Leche Evaporada
Bebidas Gaseosas

-1,05
-1,06
-1,17
-1,19

Leche Evaporada
Pje. en Omnibus y Micro
Margarina a Granel
Margarina Envasada

-1,04
-1,05
-1,05
-1,07

Ms
de
-0,4

Corte de Cabello Mujer

Corte de Cabello Hombre
Jabn de Tocador
Hgado de Res

331

Cuadro 2: CLASIFICACIN DE LAS VARIEDADES DE CONSUMO SEGN SUS ELASTICIDADES INGRESO, POR ESTRATO DE INGRESO

Menos
de
0,3

0,30
a
0,40

0,40
a
0,50

0,50
a
0,70

0,70
a
1,00

Ms
de
1,00

Estrato Bajo

Estrato Medio

Estrato Alto

Lenteja
Gas Propano
Kerosene
Toallas Sanitarias
Frejol Canario

0,200
0,209
0,210
0,227
0,235

Corte de Cabello Hombre

Gas Propano
Jurel Fresco
Desodorantes
Papa Blanca

0,183
0,214
0,243
0,268
0,276

Men (en restaurantes)

Pje. en mnibus y Micro
Gas Propano
Corte de Cabello Hombre
Desodorantes

-0,191
-0,189
0,146
0,147
0,156

Margarina Envasada
Menudencia de Pollo
Arroz Corriente
Bonito Fresco
Choclo Criollo

0,305
0,310
0,321
0,334
0,340

Jabones para Lavar Ropa

Tomate Italiano
Pje. en mnibus y Micro
Arroz Corriente
Arveja Verde

0,301
0,302
0,318
0,338
0,352

Detergente
Cebolla de Cabeza (Roja)
Pje. en Colectivo
Zapallo Macre
Zanahorias

0,304
0,305
0,312
0,314
0,326

Ajo Entero
Pje. en mnibus y M
Zanahorias
Jabn de Tocador
Zapallo Macre
Aceite Vegetal

0,410
0,424
0,427
0,431
0,445
0,447

Aceite Vegetal
Men (en restaurantes)
Cebolla de Cabeza (Roja)
Detergente
Margarina a Granel
Champ

0,401
0,409
0,417
0,428
0,443
0,448

Huevos a Granel
Tomate Italiano
Choclo Criollo
Leche Evaporada
Arroz Superior
Azcar Blanca

0,404
0,421
0,421
0,426
0,450
0,451

Pan Francs
Papa Blanca
Men (en restaurantes)
Res, Bisteck
Huevos a Granel
Azcar Blanca

0,506
0,522
0,528
0,536
0,538
0,557

Manzana Delicia
Limn
Papa Amarilla
Azcar Blanca
Pltano de Seda
Textos Esc. Educ. Prim.

0,504
0,532
0,557
0,561
0,566
0,586

Helados
Peridico
Margarina a Granel
Manzana Delicia
Carne Carnero

0,506
0,514
0,535
0,540
0,553
0,560

Leche Evaporada
Arroz Superior
Manzana Delicia
Corte nico de Res
Pollo Eviscerado

0,769
0,775
0,783
0,794
0,795

Res, Bisteck
Res, Sancochado
Pasaje en Taxi (auto)
Bebidas Gaseosas
Res, Churrasco

0,757
0,770
0,782
0,840
0,915

Papel Higinico
Gasolina
Pasaje en Taxi (auto)
Ajo Entero
Res, Sancochado

0,710
0,717
0,733
0,789
0,906

Carne Carnero
Bebidas Gaseosas
Res, Churrasco
Cerveza Blanca (Botella)

1,053
1,065
1,261
1,676

Cerveza Blanca (Botella)

Gasolina

1,526
1,733

Fideos Env. Popular

1,204

332

Ejercicio aplicativo 2:

Caso Hipottico:
En el siguiente cuadro se muestran los datos bsicos de un estudio de la demanda de
carros nuevos en Per, durante los aos 1986 y 2003. Las variables consideradas para el
anlisis fueron las siguientes:

X1 =
X2 =
X3 =
Y=

ndice del Precio Real de Automviles Nuevos

Ingreso Disponible Real (en millones de nuevos soles a precios de 1994)
Automviles en Circulacin al principio de cada ao (miles de unidades)
Ventas de Automviles Nuevos (miles de unidades).

Demanda de Automviles Nuevos y Variables Relacionadas, 1986-2003.

Obs

X1

X2

X3

1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003

126.5
128.5
128.5
120.5
117.0
121.0
133.8
131.0
134.3
144.9
186.6
186.6
181.5
195.7
188.2
190.2
196.6
193.4

83.4
82.6
90.9
99.3
111.6
115.6
109.0
118.5
127.0
147.9
184.9
200.5
203.7
209.2
218.7
221.6
236.3
247.2

18.7
17.9
18.9
19.4
20.1
21.5
22.3
22.7
23.2
24.5
30.6
33.1
35.7
37.6
39.3
41.6
43.0
47.0

1.10
1.53
1.93
2.87
3.51
3.51
1.96
2.72
3.46
3.76
4.87
6.37
5.09
4.19
5.78
5.47
7.20
5.90

Con estos datos, podemos estimar la siguiente regresin doble-log:

log(Y) = b0 + b1log(X1) + b2log(X2) + b3log(X3)
Puesto que todas las variables se expresan en trminos de logaritmos, los coeficientes de
regresin estimados, representan las elasticidades de Y respecto de las variables
independientes. La regresin estimada utilizando el Eviews es la siguiente:

333

Dependent Variable: Log(Y)

Method: Least Squares
Sample: 1 18
Included observations: 18
Variable

Coefficient

Std. Error

t-Statistic

Prob.

Log(X1)
Log(X2)
Log(X3)
C

-1.422016
3.215935
-1.478869
-2.720747

0.543972
0.454285
0.584988
1.732413

-2.614136
7.079112
-2.528034
-1.570496

0.0204
0.0000
0.0241
0.1386

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durban-Watson stat

0.942267
0.929896
0.139316
0.271724
12.19916
1.715898

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

1.260016
0.526174
-0.911017
-0.713157
76.16576
0.000000

log(Y) = 2.721 1.422 log(X1) + 3.216 log(X2) 1.479 log(X3)

R 2 = 0.942 Es decir, la ecuacin ajusta los datos en un 94.2%, se puede apreciar que
tanto la prueba global de los coeficientes como las pruebas individuales resultan
significativas (a excepcin del trmino independiente).
En base a estos resultados, podemos concluir que la elasticidad-precio de la demanda de
automviles nuevos en este perodo era de aproximadamente 1.4, con una elasticidadingreso de aproximadamente 3.2.

Ejercicio Aplicativo 3

Suponga que quiere plantear un modelo de regresin lineal para explicar, a partir de una
muestra de 1500 individuos de una regin, la relacin entre el nivel de ingresos y el
nivel de estudios y la edad. Suponga que quiere probar la sospecha de que el ingreso, si
bien crece con el nivel de estudios y la edad, tiende a incrementarse menos rpidamente
en los ltimos aos de vida que en los primeros. Cmo planteara el modelo?
La especificacin ms simple para probar esta idea sera:
Ingresoi = a + b1Educacin i + b 2 Edad i + b 3 Edad i2 + i
En esta regresin, la hiptesis formalizada en el enunciado implicara: b1 positivo y
b2 negativo. Para comprender intuitivamente la razn del signo imaginemos la
regresin con slo 2 variables (educacin y edad). En esta regresin, es claro que los
errores seran crecientes con la edad, es decir, el modelo se equivocara ms para el caso
de las personas mayores, dado que para stas, la relacin entre edad y el Ingreso no sera
la misma que para el resto de la muestra.
En concreto, el parmetro que relaciona edad e Ingreso tendera a sobrestimar el Ingreso
de las personas mayores, generando residuos negativos para ellos. En definitiva, la serie
de residuos sera decreciente con la edad (edades mayores, residuos ms grandes y
negativos).
334

Si ahora hacemos depender esa serie de residuos con la edad al cuadrado, la relacin
sera necesariamente negativa.

Ejercicio Aplicativo 4:

Los siguientes datos corresponden a los precios de venta (z) de un modelo de automviles
usados durante w aos:
w (aos)
1
2
2
3
5
5

z (dlares)
6350
5695
5750
5395
4985
4895

Determinar una curva de la forma Z = cd w

Calcule el precio de venta de un vehculo que tiene cuatro aos de uso
Linealizamos el modelo: Z= cdw
Ln (Z) = Ln(c) + Ln(d)W
Agregando el trmino de perturbacin, el modelo puede expresarse linealmente como:
Y = o + 1W + e
Utilizando el software Eviews con las variables transformadas, obtenemos:
Dependent Variable: Y
Method: Least Squares
Date: 08/17/04 Time: 10:14
Simple: 1 6
Included observations: 6
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
W

8.781307
-0.056886

0.020783
0.006173

422.5318
-9.214754

0.0000
0.0008

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durban-Watson stat

0.955012
0.943764
0.023099
0.002134
15.31067
2.052046

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

8.610649
0.097405
-4.436891
-4.506305
84.91168
0.000771

Podemos observar que los coeficientes han resultado significativos (Prob<0.05). Adems,
se obtiene un R2 de 95.5%, por lo cual el modelo se ajusta adecuadamente a los datos.
Para determinar el valor de los coeficientes iniciales del modelo, se realiza la siguiente
transformacin:

335

o = Ln(c) c = exp(o)
1 = Ln(d) d = exp(1)
Luego:
c = exp(8.781307) = 6511.38199
d = exp(-0.056886) = 0.94470176
La ecuacin de regresin final queda determinada por:
Z = 6511.4 (0.945) W
Por lo tanto la estimacin del precio de venta para un auto que tiene 4 aos de uso sera:

Z ( w =4 ) = 6511.4 (0.945) 4

Z ( w =4 ) = 5192.8 dlares

Ejercicio Aplicativo 5:

Con los siguientes datos estimar las funciones de costo total, medio y marginal:
Y
193
226
240
244
260
274
297
350
420

X
1
2
3
4
6
7
8
9
10

X2
1
4
9
16
36
49
64
81
100

X3
1
8
27
64
216
343
512
729
1000

La curva de costo total (CT = Y) planteada es la siguiente:

CT = a0 + a1 X + a2 X2 + a3 X3
Para que las curvas de CM y CMg tengan forma de U, se debe cumplir:
a0 0

a2 < 0

a1 > 0

a3 > 0

a2 < 3 a3a1

a0: Costo fijo = costo de produccin-cero. En el corto plazo a0 > 0.

CM = Y/X

CMg = dY/dX

Utilizando el Eviews, obtenemos las siguientes salidas:

336

Dependent Variable: Y
Method: Least Squares
Date: 08/26/04 Time: 13:10
Sample: 1901 1909
Included observations: 9
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
X1
X2
X3

144.1040
61.50263
-12.64826
0.925967

5.557702
4.195559
0.853580
0.050693

25.92870
14.65899
-14.81790
18.26626

0.0000
0.0000
0.0000
0.0000

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.998993
0.998390
2.786708
38.82870
-19.34915
2.927062

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

278.2222
69.44202
5.188701
5.276356
1654.220
0.000000

Entonces, se tiene: CT = 144.1040+ 61.50263X - 12.64826X2 + 0.925967X3

Observamos que el R2 es alto (99%), todas las variables son significativas (la
probabilidad asociada al t es menor a 0.5%) y el F calculado es alto. Se concluye que el
modelo explica al costo total.
El costo medio asociado con la curva de costo cbica total planteada es la siguiente:
CM = Y/X = a0/X + a1 + a2X + a3X2
Usando el Eviews y calculando las variable 1/X y Y/X, obtenemos las siguientes salidas:
Dependent Variable: YTANSP
Method: Least Squares
Date: 08/26/04 Time: 13:11
Sample: 1901 1909
Included observations: 9
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
XTRASNP
X1
X2

64.72605
140.8717
-13.40488
0.974348

2.761899
2.418462
0.741900
0.053162

23.43534
58.24846
-18.06831
18.32783

0.0000
0.0000
0.0000
0.0000

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.999905
0.999847
0.642476
2.063877
-6.143574
2.539902

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

71.94334
51.98672
2.254128
2.341783
17458.15
0.000000

Entonces, se tiene que: CM = 140.8717/X + 64.72605 -13.40488X + 0.974348X2

El costo marginal asociado con la curva de costo cbica total planteada es la siguiente:
Cmg = Yt Yt-1= a1 + 2a2X + 3 a3 X2
337

Las salidas obtenidas en el e-views, luego de la transformacin de la variable Yt Yt-1

son las siguientes:
Dependent Variable: YMG
Method: Least Squares
Date: 08/26/04 Time: 13:25
Sample(adjusted): 1902 1909
Included observations: 8 after adjusting endpoints
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
X1
X2

73.63144
-27.11448
2.692362

11.10574
4.268257
0.353220

6.630037
-6.352588
7.622330

0.0012
0.0014
0.0006

R-squared
Adjusted R-squared
S.E. of regresin
Sum squared resid
Log likelihood
Durbin-Watson stat

0.952344
0.933282
5.816722
169.1713
-23.55739
2.832280

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

28.37500
22.51944
6.639347
6.669138
49.95978
0.000496

La curva de costo marginal sera: Cmg = 73.63144 - 27.11448X + 2.692362X2

338

Ejercicio de autoconocimiento
Porqu hacer una prediccin en Modelos No lineales?
SI

NO

NO S

1. Considero til porque en ciertas ocasiones se deben

considerar modelos que no son lineales en los
parmetros.
2. Porque permitir hacer un anlisis de regresin en un
Modelo no lineal.
3. Porque permitir tambin
estos modelos.

interpretar y estimar

4. Porque en ocasiones un modelo de regresin no

lineal en los parmetros resultan de utilidad.
5. Porque por razones prcticas o tericas imponen su
utilizacin.
6. Porque es un reto estimar estos modelos.
7. Porque se puede construir un modelo, usando algn
programa de computadora.
8. Para utilizar los modelos no lineales y representar
las relaciones entre variables.
9. Para linealizar modelos mediante transformaciones
apropiadas.
10. Para reconocer modelos no necesariamente lineales

CALIFICACION

Puntuar con un punto cada respuesta SI.

Si obtienes de 1 - 3 puntos tienes pocas expectativas de hacer una buena prediccin en
Modelos no lineales.
Si tienes entre 4 7, tienes buenas expectativas de hacer una buena prediccin en
Modelos no lineales.
Y si tienes entre 8 10, denotas excelentes expectativas de hacer una buena prediccin
en Modelos no lineales.

339

RESUMEN
Modelos no lineales son modelos cuya estructura matemtica no es la del Modelo
Lineal General.

La clasificacin de modelos no lineales es:

2
3
Modelos no lineales en las variables: Y i = + 1 X i + 2 X i + 3 X i + ... + i
Modelos no lineales en los parmetros: Que se pueden distinguir en dos sub grupos:
- Modelos intrnsicamente no lineales: Que no hay posibilidad de linealizarlos
Ejm.: Y i = 1 + 2 X i + i
- Modelos intrnsicamente lineales: Que pueden linealizarse mediante
transformaciones apropiadas
Ejm.: Y i = X i 11 X i 22 e i
Las transformaciones lineales ms utilizadas son:
Funcin

Transformacin

Forma

Y = o X1

Y* = *o + 1 X* +

Doble logaritmo

Ln Y = o + 1 X +

Y* = o + 1 X +

Semi Logaritmo

Y = o + 1 Z +

Recproca

Y = o + 1 X + 2 X2 +

Y = o + 1 X + 2 W +

Polinomial

Donde:
Y* = Ln Y
Z = 1/X

*o = Ln o
W = X2

X* = Ln X

Y = o +

1
+
X

EXPLORACIN ON LINE

Limitaciones del modelo de intervencin frente al modelo no lineal.

www.banrep.gov.co/docum/borrasem/intro065.htm - 5k
Estimacin general no lineal
www.softwarecientifico.com/paginas/staestad.htm

340

LECTURA
Puede explicarse el precio externo del caf con un modelo economtrico no lineal?

El precio internacional del caf, como el de la mayora de los productos primarios se ha

caracterizado por la inestabilidad y las grandes fluctuaciones. La formacin del precio
del caf verde es un proceso complejo que depende de una multiplicidad de variables,
como la calidad y disponibilidad del producto, el lugar de origen, el sitio de compra, las
expectativas de precios y las caractersticas del grano (1).
Adicionalmente, el mercado internacional del caf esta autorizado por la existencia de
pactos y acuerdos entre los pases productores y consumidores del grano que buscan
fundamentalmente atacar la inestabilidad del mercado.
En general, las investigaciones tradicionales han intentado modelar el proceso de
formacin de los precios internacionales del grano mediante sistemas de ecuaciones
lineales de comportamiento que describen las relaciones entre oferta y demanda.
Adicionalmente, en otro tipo de estudios en los que se emplean modelos de anlisis de
series de tiempo se presenta el problema que el modelaje de las series se fundamenta en
el supuesto implcito de la linealidad del sistema que genera la trayectoria de las
variables. Esta hiptesis, conocida como paradigma de Frisch Slutsky, no est basada en
ningn conocimiento a-priori de la linealidad del sistema econmico (2).
Este trabajo busca, en primer lugar, encontrar evidencia de la presencia de no
linealidades en la serie de tiempo del precio externo del caf y segundo, determinar si es
conveniente describir la dinmica de los precios mediante un modelo no lineal. Para
cumplir con este objetivo, el artculo se ha dividido en cinco partes. En la primera, se
exponen algunas caractersticas generales del comportamiento de los precios del grano a
lo largo del presente siglo. En la segunda, se realiza el proceso de deteccin de nolinealidades en la serie de precios externos del caf colombiano mediante el clculo de
un estadstico diseado por Brock, Dechert y Scheinkman (1994). En la exposicin del
procedimiento de clculo del estadstico, se plantea el comportamiento del precio
externo del grano como descrito por un modelo economtrico lineal de intervencin. El
objetivo es comparar los alcances y limitaciones del modelo de intervencin frente al
modelo no lineal el cual se expone en la tercera seccin, para escoger el que mejor
describe el precio externo del caf. Esto se realiza en la cuarta seccin, en la cual se
evalan los modelos en trminos del ajuste, la significancia de los parmetros y
prediccin. Por ltimo, se extraen conclusiones de los resultados encontrados.
(1) Para una exposicin ms clara de los determinantes del precio internacional del caf
ver Junguito y Pizano (1993) El comercio exterior y la poltica internacional del caf,
Cap.4.
(2) Ver Pesaran y Potter (1993) en Nonlinear dynamics, chaos and econometrics:an
introduction.

Annimo, 2004

341

ACTIVIDADES
1.

La siguiente tabla presenta informacin relacionada con la produccin y el costo

total de produccin de un bien en el corto plazo.
Produccin
1
2
3
4
5
6
7
8
9
10

Costo total (nuevos

soles)
193
226
240
244
257
260
274
297
350
420

Para verificar si la informacin anterior comprueba que las curvas de costo

marginal y costo medio tienen la forma de U tpicas en el corto plazo, se puede
usar el siguiente modelo:
3
2
Yi = 1 + 2 Xi + 3 Xi + 4 Xi + i

donde Y = costo total y X= produccin.

(a)
(b)
(c)
(d)

Estime el modelo.
Estime la matriz var-cov para .
2
Obtenga el R 2 y R .
A partir de la funcin de costo total dada anteriormente, obtenga
expresiones para las funciones de costo medio y costo marginal.
Ajuste las funciones de costo medio y costo marginal a las cifras,
comentando el ajuste.

(e)
2.

Dados los datos de la tabla ajstese el siguiente modelo a esa informacin y

obtnganse las estadsticas usuales de regresin:
1
100
= 1 + 2
100 Yi
Xi

86

79

76

69

65

62

52

51

51

48

12

17

25

35

45

55

70

120

342

3.

De la siguiente tabla:
Industria
Harina de trigo
Azcar
Pinturas y barnices
Cemento
Vidrio y manufacturas
Cermica
Triplex
Textiles de algodn
textiles de yute
Textiles de lana
Qumicos
Aluminio
Hierro y Acero
Bicicletas
Maquinas de coser

V/L

40.34
32.44
54.62
38.90
25.33
28.27
30.90
27.54
25.41
33.32
48.54
41.72
43.45
38.87
42.75

19.33
17.34
22.55
20.84
17.68
19.58
16.92
20.26
19.45
20.26
22.00
21.94
25.17
22.25
23.00

Estimar el siguiente modelo:

V
Log = Log1 + 2 LogW +
L
Donde:
V
= Valor agregado por unidad de trabajo
L
L
= Insumo trabajo
W
= Tasa de salario real
El coeficiente 2 mide la elasticidad de sustitucin entre trabajo y capital (es
decir, el cambio proporcional en las proporciones de los factores, el cambio
proporcional en los precios relativos de los factores). Verifique que la elasticidad
estimada es 1.3338 y que esta no es estadsticamente diferente a 1.
4.

Se obtuvieron datos sobre los gastos en alimentos y el gasto total (nuevos soles)
de una muestra de 20 familias. Los datos se muestran a continuacin:
Gasto en
Alimentos
Gasto Total

500
650

450
655

500
665

520
645

550
675

610
710

605
710

615
715

584
718

620
760

Gasto en
Alimentos
Gasto Total

635
795

645
801

670
821

680
834

645
835

650
850

645
865

652
845

635
880

720
875

a)
b)
c)
d)

Con los datos estime el siguiente modelo Yi = 1 + 2 Ln(X i ) .

Interprete los parmetros.
Realice una prueba de significancia para el parmetro 2 .
Halle el coeficiente de determinacin R 2
343

AUTOEVALUACION

1. El siguiente anlisis de regresin se realizo con la informacin de los depsitos por

persona y el ingreso per cpita en el ao 2002. El siguiente cuadro muestra la
informacin:
Departamento
Amazonas
Ancash
Apurmac
Arequipa
Ayacucho
Cajamarca
Cusco
Huancavelica
Hunuco
Ica
Junn
La Libertad
Lambayeque
Lima
Loreto
Madre de Dios
Moquegua
Pasco
Piura
Puno
San Martn
Tacna
Tumbes
Ucayali
Nacional
Totales

Deposito por
Persona (Y)
58.7
322.3
80.1
949.4
141.5
171
355.1
28
119
453.2
322.1
466.4
383.8
4549.4
232.8
200.2
1027
239.5
270.2
178.8
131.3
923.6
222.6
275.4
1697.5
13798.9

Ingreso per
capita (X)
195.37
307.27
137.49
331.33
167.91
198.44
259.75
142.06
191.82
357.79
253.06
338.24
343.2
556.8
265.28
327.47
412.72
233.75
209.18
179.72
220.57
420.45
311.84
257.43
352.93
6971.87

Y * = Ln(Y)

Y*X

X2

4.07
5.78
4.38
6.86
4.95
5.14
5.87
3.33
4.78
6.12
5.77
6.15
5.95
8.42
5.45
5.30
6.93
5.48
5.60
5.19
4.88
6.83
5.41
5.62
7.44
141.69

795.63
1774.63
602.66
2271.54
831.54
1020.31
1525.36
473.37
916.73
2188.36
1461.39
2078.50
2042.08
4689.79
1445.82
1735.37
2861.96
1280.61
1171.23
932.08
1075.83
2870.95
1685.61
1446.30
2624.71
41802.37

38169.44
94414.85
18903.50
109779.57
28193.77
39378.43
67470.06
20181.04
36794.91
128013.68
64039.36
114406.30
117786.24
310026.24
70373.48
107236.60
170337.80
54639.06
43756.27
32299.28
48651.12
176778.20
97244.19
66270.20
124559.58
2179703.20

El mejor modelo de regresin que se ajusta a los datos es el modelo de regresin

exponencial: Y = b1b X2
Y * = Ln(Y)

Linealizandolo Y * = b1* + b *2 X

donde: b1* = Ln(b1 )

b*2 = Ln(b 2 )

Con los siguientes datos halle el modelo no lineal.

0.37034456853 0.00118456228
(X' X) 1 =

0.00118456228 0.00000424765

141.69
X' Y =

41802.37

a. Y
= 19.23(1.0097) X
b. Y
= 40.67(8.0127) X
c.

= 5.124(10.1245) X
Y

d.

= 5.124(1.1) X
Y
344

2. Los siguientes datos relacionan las comisiones administrativas que un fondo

mutualista lder en Per paga a sus consultores de inversin por el manejo de sus
bienes (valor neto del activo en miles de millones de soles).
COMISIN %
(Y)
0.52
0.51
0.48
0.46
0.44
0.42

BIENES
(X)
0.5
5
10
15
20
25

COMISIN % BIENES
(Y)
(X)
0.41
30
0.40
35
0.39
40
0.39
45
0.38
55
0.37
60

Halle el modelo exponencial por el mtodo matricial con los siguientes datos (Utilice 6
decimales):
n = 12 X = 340.50 X 2 = 13750.25 Y * = 10.13 XY* = 310.76

Donde Y * = Ln(Y)

= 5.124e100.455 X
a. Y

= 0.505(0.99) X
b. Y
= 0.457(2.456) X
c. Y
= 0.457(2) X
d. Y
3. Un ingeniero esta investigando el uso de un molino de viento para generar
electricidad. El ha recolectado 25 datos sobre la produccin de corriente de este
molino y la correspondiente velocidad del viento. Estos datos se muestra en la
siguiente tabla:
Produccin (Y)
Velocidad
Viento (X)

1.582

1.822

1.057

0.5

2.236

2.386

2.294

2.31

1.194

3.4

2.7

10

9.7

9.55

10.2

4.1

Produccin (Y)

0.558

2.166

1.866

0.633

1.93

1.562

1.737

1.144

0.123

Velocidad
Viento (X)

3.05

8.15

6.2

2.9

6.35

4.6

5.8

3.95

2.45

Produccin (Y)

2.088

1.137

2.179

2.112

1.8

1.501

2.303

Velocidad
Viento (X)

7.4

3.6

7.85

8.8

5.45

9.1

Halle el modelo cuadrtico con los siguientes datos:

2.026896 0.692172 0.051608
1
(X' X) = 0.692172 0.250720 0.019323
0.051608 0.019323 0.001529

XY = 283.72
X Y = 2203.13
Y = 40.22
2

= 1.16 + 0.72X 0.03X 2

a. Y

345

 = 0.16 + 4.55X 3.42X 2

b. Y
= 1.17 0.78X 0.32X 2
c. Y
4. Analice el siguiente grafico y proponga un modelo.
350

340

330

320

310
0

100

200

300

a. Modelo Exponencial
b. Modelo Logstico
c. Modelo Cuadrtico
d. Modelo Paramtrico

= 1 2 Cual es el verdadero contraste para

5. Dado el siguiente modelo no lineal: Y
determinar la significancia del parmetro 2 ?:
X

a.
b.
c.
d.

Hp : 2 = 0
Ha : 2 0
Hp : Ln( 2 ) = 1
Ha : Ln( 2 ) 1
Hp : Ln( 2 ) = 0
Ha : Ln( 2 ) 0
Hp : Ln(1 ) = 0
Ha : Ln(1 ) 0

RESPUESTAS DE CONTROL

1.a, 2.b, 3.a, 4.c, 5.c

346