Corregido 1

ZZ
UNIVERSIDAD MAYOR DE SAN ANDRÉS
FACULTAD DE INGENIERÍA
CARRERA DE INGENIERÍA INDUSTRIAL
MODELO ECONOMÉTRICO
EMPRESA:
“HILANDERÍA SALINAS”
DOCENTE:
ING. RAFAEL ORLANDO LIMACHI C.
ESTUDIANTES:
 MARTINEZ MAMANI ALEXANDER
 RODRIGUEZ FLORES CHRISTIAN NILS F.
 VILLCA CALLE MIKY PEÑAFORD
Contenido
1. INTRODUCCION.....................................................................................................................2
2. ANTECEDENTES.....................................................................................................................3
3. OBJETIVO GENERAL DEL ESTUDIO...................................................................................3
4. OBJETIVOS ESPECIFICOS.....................................................................................................3
5. MARCO TEORICO...................................................................................................................3
5.1. MODELOS ECONÓMICOS..............................................................................................3
6. MEMORIA RESUMEN DEL PROCESO PRODUCTIVO.....................................................18
7. IDENTIFICACION DE LA POBLACION OBJETIVO..........................................................20
8. METODOLOGIA DE LA RECOLECCION DE LA INFORMACION..................................20
9. RECOPILACION, SELECCIÓN Y PRESENTACION DE LA INFORMACION..................26
10. ESPECIFICACIONES DEL MODELO ECONOMETRICO...............................................28
11. ESTIMACION DE PARAMETROS DEL MODELO.........................................................28
12. VALIDACION ESTADISTICA..........................................................................................32
13. VALIDACIÓN ECONOMETRICA.....................................................................................32
14. INTERPRETACION DE RESULTADOS...........................................................................41
15. PLANTEAMIENTO Y ANALISIS PARA LA CORRELACION DEL MODELO.............42
16. PRESENTACION Y PREDICCION DEL MODELO CORREGIDO.................................42
17. CONCLUSIONES................................................................................................................43
18. RECOMENDACIONES......................................................................................................43
19. BIBLIOGRAFIA..................................................................................................................43
1. INTRODUCCION
La presente investigación de grado, titulado “MODELO ECONOMÉTRICO PARA LA

PRODUCCIÓN Y EL PRONÓSTICO EN LA EMPRESA DE HILANDERÍA DE LA
PARROQUIA SALINAS EN EL CANTON GUARANDA DE LA PROVINCIA BOLÍVAR”
realizado en la H.T.S. (Hilandería Intercomunal Salinas) gracias al interés de la FUNORSAL
(Fundación de Organizaciones Campesinas de Salinas) organización al cual pertenece la empresa,
dedicada a la producción de hilo, derivado de la lana de oveja, llama y alpaca.
La investigación se realizó con los propósitos de plantear estrategias de planificación en la

producción de hilo y buscar el mejoramiento de la empresa, ya que sus utilidades van dirigidas a la
ayuda social y el desarrollo de la localidad. Con el fin de, elaborar un modelo econométrico para el
pronóstico de la producción de hilo por el periodo de un año, realizar un AED de las variables y
determinar la significancia del modelo propuesto.
Para el desarrollo de los objetivos propuestos se ha realizado un análisis de series temporales, ya

que los datos son registrados mensualmente, además se ha aplicado el análisis de regresión múltiple
para realizar un análisis estructural.
2. ANTECEDENTES
El desarrollo de una empresa, requiere de una eficiente planificación constante en base a

indicadores estadísticos que permita alcanzar los objetivos planteados en forma eficaz y con un
correcto empleo de recursos asignados.
Desde 1970, la Hilandería Salinas empezó a enfrentar la pobreza y marginación, con el apoyo de
voluntarios extranjeros y la Misión Salesiana, con la creación de varias industrias, donde la materia
prima es la lana de llama y oveja, los cuales son sometidos a diversos tipos de procesos como la
recepción de la materia prima, secada, lavado y nuevamente secado para llevarla a la maquina
encargada de sacar las fibras e hilarlo.
Anteriormente en la empresa no se ha realizado estudios estadísticos, lo que hace que sea muy
relevante el trabajo ejecutado.
3. OBJETIVO GENERAL DEL ESTUDIO

 Elaborar un modelo econométrico para la producción y pronósticos de la empresa de
Hilandería.
4. OBJETIVOS ESPECIFICOS
 Identificar que variable independiente no afecta a la producción.
 Calcular e identificar si existe o no multicolinealidad.
 Calcular y determinar si existe o no heterocedasticidad.
 Calcular e identificar si existe o no autocorrelacion.
5. MARCO TEORICO
5.1. MODELOS ECONÓMICOS

Un modelo es una representación simplificada de la realidad que recoge los aspectos
fundamentales de la misma que tienen interés para los objetivos del investigador o analista. Los
modelos económicos plantean normalmente la relación entre variables económicas. Así la relación
entre el precio y la cantidad demandada de un bien, la dependencia entre la tasa de inflación y el
nivel de desempleo o los salarios, son ejemplos de la relación entre variables que los modelos
económicos están interesados.
En la teoría económica, estas relaciones están caracterizadas por funciones matemáticas exactas.
Es decir, el economista postula que la cantidad demandada de un bien es una función decreciente
del precio del mismo. Por tanto si se denomina a Y por la cantidad demandada, y X por el precio,
podemos postular una relación como:
Donde g(x) es una función en sentido matemático, es decir, a cada valor del precio le
corresponderá un valor de la cantidad demandada. A partir de este planteamiento, al economista le
preocupa responder ¿cuál será la forma que adopta g(x)?, ¿será g(X) creciente o decreciente con X?
Sin embargo, cuando pasamos a las relaciones empíricas observamos que en el mundo real las
variables Y y X adoptan unos valores concretos, y será dicha combinación de pares de valores la
que determine la forma de g(x).
Los modelos económicos se caracterizan por construcciones teóricas para reflejar sistemas y
procesos económicos. Generalmente ello se hace definiendo un conjunto de variables y un conjunto
de relaciones definidas entre los entes representados por las variables. Algunas de ellas pueden
tomar valores constantes específicos según la característica del modelo, se convierten realmente en
parámetros en muchos casos, dependiendo de lo que se intente al efectuar la modelación.
5.2. ECONOMETRÍA
La econometría es una ciencia que surge por la necesidad de cuantificar los modelos económicos
para tratar de contrastar si las diversas teorías económicas se cumplen cuando se ven enfrentadas a
los datos, la importancia de los mismos; debe señalarse que, la necesidad de contrastar si las teorías
económicas se adecuan a los datos observados o la convivencia de desarrollar modelos ajustados a
la realidad si los más simples son rechazados por los datos a los que se enfrentan, hace que se
requieran bien nuevas teorías u otro tipo de información para el contraste de algunos modelos que
no son susceptibles de ser contrastados con los datos disponibles.
Es importante señalar que la econometría nos proporciona una metodología para alcanzar un fin.
Su uso adecuado proporciona una poderosa herramienta para el análisis de fenómenos económicos
en diversas áreas.
5.3. MODELOS ECONOMÉTRICOS
Modelo econométrico es un modelo económico que contiene las especificaciones necesarias para
su aplicación empírica, viene expresado así:
Y  g(X) u
Donde u es la parte aleatoria no explicada por X.
Estos elementos aleatorios, en ocasiones llamados errores, recogen la diferencia entre el valor
observado de Y y el valor que mediante g(X) la recta de regresión asignamos, y pueden deberse a
errores de medición en la variable o a imperfecciones en la especificación de g(X), entre otros.
El conjunto de especificaciones que requiere un modelo econométrico son:
 Identificar las variables que fundamentalmente influyen sobre el aspecto que se desea
estudiar.
 Formular una relación o forma funcional concreta entre el conjunto de variables (aquella
que se desea explicar y las consideradas como influyentes en ella).
 Introducir un término denominado “perturbación aleatoria” lo que permite razonar en
términos probabilísticos y no exactos.
5.3.1. COMPONENTES DE UN MODELO ECONOMÉTRICO: VARIABLES, PARÁMETROS

Y RELACIONES.
Variable, son los factores o entes elementales que actúan en un fenómeno desde el punto de vista
cuantitativo.
En las matemáticas, las variables se dividen en:
 Variables dependientes
 Variables independientes
Ahora bien, a la hora de analizar la realidad económica no resulta fácil realizar la distinción
enunciada ya que son frecuentes las interrelaciones entre las variables económicas y se hace
necesario, por tanto, acudir a otro tipo de clasificación.
Consecuentemente, en econometría se distingue entre:
Variables endógenas, aquellas que vienen explicadas por el funcionamiento del modelo.
Variables exógenas, son aquellas cuyos valores inciden sobre el modelo desde el exterior; es
decir, son determinadas fuera del modelo pero influyen en el comportamiento de las endógenas.
Por otra parte, las variables que aparecen en un modelo se pueden referir al mismo periodo (o al
mismo instante temporal) o a periodos distintos. Más concretamente, las variables de un modelo
pueden referirse exclusivamente a un periodo t, o a los periodo t-2, t-1,t,..., .En este último caso
decimos que el modelo contiene variables retardadas en el tiempo.
5.3.2. UTILIDADES DE LOS MODELOS ECONOMÉTRICOS
El modelo econométrico tiene tres utilidades principales:
Análisis estructural, cuantificación de las relaciones que entre el periodo analizado ha existido
entre las variables implicadas, a través del conocimiento del signo y valor de los parámetros
estimados. Es decir, sirve para conocer como inciden en las endógenas variaciones de las variables
exógenas.
Predicción, Dados valores a futuro para las variables exógenas, y conociendo la expresión
matemática que relaciona las variables exógenas y endógena, es posible predecir los valores que
tomará a futuro la variable objeto de estudio.
Simulación o evaluación de políticas, Efectos que tienen sobre la endógena diferentes estrategias
que se planteen de las variables exógenas. Por ejemplo si analizamos las ventas de una empresa en
función de los precios del producto y del nivel de gasto realizado en publicidad, podríamos estar
interesados en analizar cuánto incrementarían las unidades vendidas si se mantienen los precios
fijos y se incrementa el gasto en publicidad en un porcentaje determinado.
5.3.3. METODOLOGÍA DE LA ECONOMETRÍA
La Econometría trata de realizar inferencias sobre datos que no son susceptibles de repetición, en
unos casos para explicar relaciones causales y en otros para tratar de realizar predicciones para las
variables de interés. Aunque existen diversas escuelas de pensamiento sobre metodología
econométrica, a continuación se presenta la metodología clásica, que predomina en la investigación
empírica en economía y en los campos relacionados.
En términos generales, la metodología de la econometría tradicional se realiza dentro de los

siguientes lineamientos:
Especificación, esta etapa comprende tanto la determinación del tema objeto de análisis como la
definición de las variables explicativas que se incluirán en el modelo.
Estimación, consiste en el cálculo del valor de los parámetros Para realizar esta fase es necesario
previamente haber realizado una búsqueda y depuración de datos. Es necesaria la obtención de
datos suficientes, homogéneos y actualizados.
Validación, a través de la interpretación de los resultados analizaremos la bondad del modelo.
5.3.3. TIPOS DE DATOS EN ECONOMETRÍA

Datos de series de tiempo, los datos pueden corresponder a los valores de una variable en el
tiempo. Estos pueden tener frecuencia por ejemplo: diaria, semanal, mensual o anual, etc.
Datos de corte transversa, los valores corresponden a distintos sujetos para un mismo momento
del tiempo. Por ejemplo de series del tipo de consumo de diferentes familias, inversión de distintas
empresas, paro en diferentes provincias, etc.
Datos de panel, la combinación de datos de series temporales y corte transversal.
5.3.4. CLASIFICACIÓN DE LOS MODELOS ECONOMÉTRICOS.
Los modelos se pueden clasificar en las siguientes categorías:
 Si solamente estamos interesados en una relación de comportamiento, por ejemplo,

examinar la influencia de la inflación sobre el nivel de desempleo, los modelos serán uni-
ecuacionales. En el caso en que el interés radique en estudiar las relaciones entre varias
variables dependientes en conjunto de variables independientes, los modelos pueden ser
multi-ecuacionales.
 Atendiendo a la forma de las relaciones los modelos pueden clasificarse en: modelos
lineales donde todas las relaciones son lineales, modelos no lineales cuando alguna relación
es no lineal. Esta clasificación tiene interés por cuanto la posibilidad de la aplicación
práctica de un modelo depende esencialmente de la forma de las relaciones.
 Según el momento del tiempo al que están referidas sus variables se pueden clasificar en
estáticos o dinámicos. En el primer caso, todas sus variables están referidas al mismo
instante del tiempo. En el segundo, figurará alguna variable en un instante de tiempo
distinto.
 Los modelos cualitativos medidos a través de datos cualitativos también participan en los
modelos econométricos. Dichas variables cualitativas pueden tener un doble rol en el
modelo econométrico bien como variable endógena o como variable exógena.
5.4. PRONÓSTICOS
Pronóstico es un método mediante el cual se intenta conocer el comportamiento futuro de

alguna variable con algún grado de certeza. Los pronósticos son una de las herramientas
fundamentales para la toma de decisiones dentro de las organizaciones tanto productivas como
sin fines de lucro.
Entonces el objetivo principal de los pronósticos es reducir la incertidumbre acerca de lo que

puede acontecer en el futuro proporcionando información cercana a la realidad que permita
tomar decisiones sobre los cursos de acción a tomar tanto en el presente como en el futuro.
5.4.1. METODOLOGÍA DE LOS PRONÓSTICOS
La consideración primordial en la elección de un método de pronóstico es que los resultados

deben facilitar el proceso de la toma de decisiones de los administradores de la organización.
La metodología que produzca los pronósticos más precisos en un caso, quizás no sea la
mejor en otra situación. Sin embargo el(los) método(s) elegido(s) debe(n) producir un
pronóstico adecuado, oportuno y entendible para los administradores de tal forma que puedan
ayudar a tomar mejores decisiones.
El reconocimiento de que las técnicas de pronósticos operan con los datos generados por
sucesos históricos lleva a la identificación de los siguientes cinco pasos en el proceso de
pronóstico:
1. Formulación del problema y recolección de datos
2. Depuración de datos
3. Construcción y evaluación del modelo
4. Aplicación del modelo
5. Evaluación del pronóstico
En el paso 1, formulación del problema y recolección de datos se tratan como un paso único,
debido a que están íntimamente relacionados. El problema determina los datos adecuados.
El paso 2, manipulación y depuración de datos, con frecuencia es necesario. En el proceso de

pronóstico es posible tener demasiados o muy pocos datos. Algunos datos pueden ser
irrelevantes al problema. Otros podrían tener valores omitidos que deberían estimarse. Algunos
datos podrían tener que expresarse en unidades diferentes a las originales. Otros quizá deban
procesarse previamente. Otros datos podrían ser adecuados, aunque solamente ciertos periodos
históricos.
Por lo general, se requiere cierto esfuerzo para obtener los datos de la forma requerida con el
propósito de utilizar determinados procedimientos de pronósticos.
El paso 3, construcción y evaluación del modelo, implica adecuar los datos recolectados en
un modelo de pronósticos que sea adecuado en términos de minimización del error de
pronóstico.
El paso 4, aplicación del modelo, consiste en los pronósticos reales del modelo que se
generan una vez que se han recolectado y quizás reducido a sólo los datos adecuados, tan pronto
se ha elegido un modelo de pronósticos.
El paso 5, evaluación del pronóstico, implica comparar los valores del pronóstico con los
valores históricos reales. En este proceso, algunos de los más recientes valores de datos se
retienen del grupo de datos que se analiza.
5.4.2. TIPOS DE PRONÓSTICOS
Los pronósticos de largo plazo son necesarios para establecer el curso general de una
organización y son el enfoque exclusivo de la alta dirección. Los pronósticos de corto plazo se usan
para diseñar estrategias inmediatas, y los mandos medios y las gerencias de primera línea lo usan
para cubrir las necesidades del futuro inmediato.
Los pronósticos en términos de su posición dentro de un continuo micro y macro; es decir, en la
medida que involucren pequeños detalles en comparación con una gran escala. También pueden
clasificarse según sean cuantitativos o cualitativos.
En un extremo, una técnica totalmente cualitativas no requiere manipulación abierta de datos

solamente se utiliza el juicio de quien pronostica. Incluso aquí en realidad, el juicio de esta persona
es resultado de la manipulación mental de datos históricos. En el otro extremo, las técnicas
puramente cuantitativas no necesitan elementos de juicio; son procedimientos mecánicos que
producen resultados cuantitativos. Por supuesto algunos procedimientos cuantitativos requieren una
manipulación más sofisticada de los datos que otros.
5.5. COMPONENTES DE SERIES DE TIEMPO
Una serie de tiempo es un conjunto de observaciones producidas en determinados momentos,

generalmente a intervalos iguales. Se ha revelado que existen ciertos movimientos o variaciones que
pueden medirse y observarse por separado. Estos movimientos, llamados a menudo componentes,
de una serie de tiempo y que se supone son causados por fenómenos distintos son los siguientes:
5.5.1. TENDENCIA.
Es la componente que representa el crecimiento subyacente o la declinación de una serie de

tiempo, como se presenta en la figura. Las fuerzas básicas que producen o afectan la tendencia de
una serie son: cambios en la población, inflación, cambio tecnológico e incremento en la
productividad etc. La tendencia se denota con T.
5.6. MODELOS QUE RELACIONAN LOS VALORES OBSERVADOS DE UNA SERIE DE

TIEMPO CON SUS COMPONENTES
5.6.1. MODELO ADITIVO
Un modelo que trata a los valores de la series de tiempo como la suma de sus componentes.
Funciona mejor cuando la serie de tiempo que se analiza tiene aproximadamente la misma
variabilidad a lo largo de la serie.
Donde:
Yt  Valores observados de una serie de tiempo t
Tt  Componente de tendencia en el tiempo t
St  Componente estacional en el tiempo t
It  Componente irregular en el tiempo t
5.6.2. MODELO MULTIPLICATIVO

Un modelo que trata a los valores de la serie de tiempo como el producto de sus componentes.
Este modelo funciona mejor cuando la variabilidad de la serie de tiempo se incremente al aumentar
el nivel.
Donde:
Tt  Componente de tendencia en el tiempo
It  Componente irregular en el tiempo t
5.6.3. MODELO MIXTO
Existen variantes de los modelos antes mencionados que contienen términos aditivos como
multiplicativos.
Nota.- pueden existir otros modelos
Donde,
Tt  Componente de tendencia en el tiempo t
It  Componente irregular en el tiempo
5.7. ANÁLISIS DE REGRESIÓN LINEAL
5.7.1. REGRESIÓN LINEAL SIMPLE
El análisis de la regresión simple tiene por objeto estimar la relación funcional entre dos
variables. En este tipo de análisis se supone que una de las variables (Y) viene explicada por otra
(X), de tal forma que se puede decir que la variable (Y) es una variable dependiente o endógena y
que la variable X es la variable independiente o exógena.
Viene dada por la ecuación:
Y  0  1X
Donde 0 y 1 representan, el intercepto y la pendiente de la recta de regresión respectivamente.
Las relaciones económicas entre dos variables no obedecen al comportamiento de un modelo
determinístico puesto que numerosos factores, por ejemplo de la conducta de los agentes, no son
observables y obedecen en numerosas ocasiones a comportamientos aleatorios.
5.7.1.1. MÉTODOS DE ESTIMACIÓN DE PARÁMETROS
Existen diversos métodos para estimar los parámetros del modelo, muchos de los cuales se basan
en los residuos o errores, que se definen a continuación:
i=1,2,...,n
Dónde:
ui = Residuales
Yi = valor observado de Y
Yiˆ= valor pronosticado en Y
Mínimos cuadrados ordinarios(MCO)
Se utiliza para calcular la ecuación de una línea recta que minimiza la suma de las distancias al
cuadrado entre los puntos de datos X-Y y la línea, medida en la dirección del eje vertical (Y). El
método de mínimos cuadrados elige los valores para el intercepto 0 y la pendiente 1 con el eje Y,
a fin de minimizar la suma de los cuadrados del error –distancias- entre los valores Y y la recta:
Dónde:
SSE= suma de los cuadrados del error (por sus siglas en inglés sum of squared errors)
b1=intercepto estimado
b2=pendiente estimada
PROPIEDADES DEL ESTIMADOR DE MÍNIMOS CUADRADOS ORDINARIOS (MCO)
 Linealidad: la forma funcional que liga al verdadero valor del parámetro

 Insesgadez: el valor más probable del estimador coincide con el verdadero valor del parámetro.
 Eficiencia: la desviación entre el verdadero valor del parámetro estimado y el valor del estimador
será la menor posible.
 Consistencia: la diferencia entre el valor estimado del parámetro y el real se anula para una
muestra infinita
5.7.1.2. LIMITACIONES DEL MODELO DE REGRESIÓN SIMPLE
En modelos de la teoría económica, suele haber algunas variables que afecten a la variable de
interés. Es decir, existen diferencias múltiples sobre la variable de interés. El modelo de regresión
simple no es capaz de captar todo este tipo de relaciones.
En ocasiones, las relaciones entre dos variables permiten predecir con precisión la variable
endógena mediante el conocimiento de la exógena. Desafortunadamente, muchas situaciones de
predicción no son tan simples en la práctica. Es habitual que se necesite más de una variable
exógena para predecir con precisión la variable endógena.
Los modelos de regresión con más de una variable exógena se llaman modelos de regresión
múltiple.
5.7.2. REGRESIÓN MÚLTIPLE
La mayoría de los conceptos presentados en la regresión lineal simple se mantienen en la regresión

múltiple. Sin embargo, también surgen algunos conceptos nuevos debido a que se usan más de una
variable exógena para predecir la variable endógena.
Donde:
Y es la variable endógena
X1, X2,…, Xk Son las variables exógenas.
 , es el componente del error que representa las desviaciones de la respuesta respecto a la

relación verdadera.
Son variables aleatorias no observables que explican los efectos de otros factores en la respuesta.
Se suponen que los errores son independientes y que cada uno se distribuye normalmente, ε~
N0,.
5.8. EXTENSIONES AL MODELO DE REGRESIÓN MÚLTIPLE
5.8.1. MULTICOLINEALIDAD
La multicolinealidad hace referencia a la relación lineal entre las variables exógenas. Sus efectos
sobre la estimación son inciertos dependiendo del grado de colinealidad de las variables exógenas y
de la importancia que estas tengan sobre la variable endógena. La presencia de multicolinealidad no
constituye un problema, el problema es el grado con que las variables están correlacionadas, y por
ende dificulta la interpretación de una variable exógena individual en la respuesta (endógena).
5.8.1.1. DETECCIÓN DE MULTICOLINEALIDAD
Para detectar la multicolinealidad no hacemos pruebas, lo que tenemos son unos indicadores
sobre la existencia de multicolinealidad. Algunos de estos indicadores son:
 Elevadas correlaciones entre las variables exógenas nos indica un problema de

multocolinealidad.
 El factor de inflación de la varianza: La fuerza de la multicolinealidad se mide por el factor de

expansión de la varianza (VIF, variance, inflactor, factor, por sus siglas en inglés)
Donde:
Rj Coeficiente de determinación
 Un VIF que se acerque a 1 indica que la multicolinealidad no es un problema.

 Un VIF mucho mayor que 1 indica que el coeficiente estimado sujeto a la variable exógena
es inestable.
 Un VIF grande indica que existe información redundante entre las variables exógenas.
5.8.1.2. SOLUCIONES A LA MULTICOLINEALIDAD
Cuando se presenta multicolinealidad, se acude a diferentes soluciones propuestas, aunque

ninguna de ellas suele resultar plenamente satisfactoria. Las medidas a tomar pueden concretarse en
los puntos siguientes:
1. Eliminar variables
En algunas ocasiones podemos estar interesados en unos parámetros más que en otros y, si existe
un elevado grado de multicolinealidad entre las variables que forman parte de la regresión, podemos
tratar de excluir una de ellas y estimar los parámetros correspondientes al resto. Sin embargo, puede
generar un error de especificación del modelo. No se debe eliminar una variable de un modelo
econométrico viable, sólo porque el problema de multicolinealidad sea grave.
2. Aumentar el tamaño muestral
Esta es una solución que a menudo se suele sugerir pero que, en numerosas ocasiones, no es
factible (porque para la estimación del modelo seguramente se habrá considerado todas las
observaciones disponibles para las variables) y que en otras no conduce a una eliminación o
reducción del problema, porque lo relevante no es el número de observaciones, sino el contenido
informativo de las mismas, si al añadir nuevas observaciones, en las mismas se sigue cumpliendo el
patrón de multicolinealidad.
 Si estamos realizando una regresión con datos anuales y se tiene un problema de

multicolinealidad, podemos trimestralizar la serie o exprésalo en datos mensuales.
 Obtención de una nueva muestra o ampliar la muestra obteniendo datos adicionales, puede
reducir la gravedad de la multicolinealidad.
3. Transformación de los datos
La transformación de las variables incluidas en el modelo puede minimizar, incluso resolver, el

problema de la multicolinealidad.
5.8.2. HETEROSCEDASTICIDAD
Existe heteroscedasticidad cuando la varianza de los residuos o perturbaciones no es constante

para diferentes observaciones. En la mayoría de los casos, esta varianza depende o es función de
alguna de las variables exógenas, y dicha función puede ser creciente o decreciente.
5.8.2.1. DETECCIÓN DE HETEROSCEDASTICIDAD
 Cuando se presenta heteroscedasticidad, los estimadores MCO serán insesgados pero no

eficientes, es decir, su varianza no será mínima. Al verse incrementada la varianza de los
residuos, la precisión de los coeficientes de regresión se verá reducida. Asimismo, el
procedimiento de MCO no proporciona estimaciones correctas de los errores estándar de
los coeficientes de regresión, ya que se han calculado bajo el supuesto de que la varianza de
las perturbaciones es constante, cuando en realidad no lo es.
 De la inspección de un gráfico de residuos se puede obtener una idea clara sobre la
presencia de una conducta sistemática de los residuos. Para el caso en que la varianza de los
mismos es función de X, de forma que al aumentar la variable endógena se incrementa
también la varianza de los residuos.
 Las predicciones que se realicen con un modelo en el que exista heteroscedasticidad no
serán eficientes, apareciendo unos intervalos excesivamente amplios, ya que la varianza de
la predicción incluye la varianza del término aleatorio y la de los estimadores de los
parámetros, y estas no son mínimas.
5.8.2.2. SOLUCIÓN A LA HETEROSCEDASTICIDAD

La estimación alternativa al uso de MCO en situaciones de heteroscedasticidad es la utilización
de MCG y, por tanto, esta es una estrategia analíticamente correcta para la solución del problema.
No obstante, esto implica conocer el verdadero valor de la matriz sigma de varianzas y covarianzas,
situación que, en la práctica, no es habitual.
5.8.3. AUTOCORRELACIÓN
La autocorrelación se define, como la existencia de correlación entre perturbaciones aleatorias

correspondientes a períodos distintos:
El problema de la autocorrelación se denomina también frecuentemente de “correlación serial”.

El término de autoccorrelación se asocia fundamentalmente con series temporales. Una de las cosas
de la aparición de correlación serial reside en la propia naturaleza del término de perturbación, que
recoge aquellas variables que se mueven conjuntamente a lo largo del tiempo, pero que de hecho no
son individualmente relevantes para la explicación de la variable dependiente.
Asimismo, la presencia de autocorrelación se puede explicar por razones generales como el

crecimiento y los movimientos cíclicos de la economía. También puede ser motivada por los errores
de especificación del modelo, bien por omisión de alguna variable o por una especificación
funcional incorrecta.
5.8.3.1. DETECCIÓN DE AUTOCORRELACIÓN
El test más empleado para detectar la autocorrelación en un modelo es el estadístico Durbin-

Watson. Este test es una medida de correlación serial entre los residuos. El estadístico Durbin-
Watson se denota mediante la letra d y se expresa como sigue:
Para explicar intuitivamente el uso del estadístico d conviene recordar que para muestras
grandes, la ecuación presentada equivale a:
Donde:
 es el coeficiente de autocorrelación de los residuos, esto es:
Así pues caben tres posibilidades:

 Si  =0, es decir, si no existe autocorrelación entre los residuos, el estadístico d toma
valores en torno a 2.
 Si  =1, es decir si existe autocorrelación positiva perfecta, el estadístico toma valores
cercanos a 0.
 Si  =-1, lo que indica la existencia de autocorrelación negativa perfecta, el estadístico
estará próximo a d=4.
Por lo tanto, una regla práctica para contrastar, de forma aproximada, si existe autocorrelación
entre los residuos, consiste en calcular la muestra con la que estamos trabajando el estimado del
estadístico d y comprobar si está cercano a 2. Cuando el estadístico Durbin Watson es
significativamente distinto de 2 se concluirá que existe autocorrelación.
5.8.3.2. SOLUCIÓN AL PROBLEMA DE LA AUTOCORRELACIÓN
Para evitar las consecuencias de la autocorrelación caben distintas posibilidades, según el motivo
que lo genera. Una fuente muy habitual de generación a este problema se debe a una correcta
especificación del modelo. Tratando de evitarlo, el paso previo consiste en incluir en la
especificación determinadas variables y/o revisar la forma funcional del modelo.
 Un método para eliminar la autocorrelacion es agregar a la función de regresión una

variable omitida que explique la asociación en la respuesta de un periodo al siguiente.
 Otro método involucra la noción general de diferenciar.
1.9. MEDICIÓN DEL ERROR DE PRONÓSTICO
1.9.1. NOTACIÓN BÁSICA DE PRONÓSTICOS
Las técnicas cuantitativas de pronósticos con frecuencia implican datos de series de tiempo, se
desarrolló una notación matemática para referirse a cada periodo específico. La letra Y, se utiliza
para indicar una variable de serie de tiempo, a menos que haya más de una variable implicada. El
periodo asociado con una observación se muestra como un subíndice. Así, Yt se refiere al valor de
una serie de tiempo en el periodo t. La notación matemática también debe ser desarrollada para
distinguir entre un valor real de una serie de tiempo y un valor pronosticado. Se ha creado diversos
métodos para resumir los errores generados por una técnica de pronósticos específica. La mayoría
de estas medidas son el promedio de alguna función de la diferencia entre los valores reales y de
pronósticos. Estas diferencias se conocen como residuales. Residual o error de un pronóstico:
Donde:
ut = error de pronóstico en el periodo t.
Yt = valor real en el periodo t.
Yt ˆ = valor de pronóstico para el periodo t.

6. MEMORIA RESUMEN DEL PROCESO PRODUCTIVO
El hilo que es producto de las hilanderías; es el conjunto de fibras o filamentos, naturales o

hechos por el hombre, que han sido agrupados juntos o torcidos para poder ser utilizados en los
tejidos planos, tejidos de punto, en otros métodos de fabricación de géneros textiles, y en la
industria de la confección. Esta hebra o material fibroso, largo y delgado, es formado mediante
las diversas operaciones de hilatura.
Las operaciones fundamentales que tienen lugar comienzan con la preparación de la Materia
prima, los procesos a los que se les somete la fibra son los siguientes.
a. GARNETEADO
Todo el material que viene como desperdicio (Hilaza, retazos de tela, etc floca sucia) es
agrupado de acuerdo al color y llenado a una máquina GANETT compuesta de tres puertos que
contienen púas de acero permitiendo así el rasgado de la fibra, regenerándola en tres etapas.
Aquí se va eliminando las pajas y la fibras cortas por la parte de debajo de cada tambor.
b. MECHERA
El material garneteado o floca sucia es llevado a una Carda Mechera pequeña donde se procesa
mechas, en la cual se paraleliza las fibras, las limpia aún más eliminando pajas y objetos ajenos
a la fibra, a su vez formando un velo regular mediante la acción de las guarniciones o rodillos
con púas que giran junto a la misma, a la vez que se homogeniza el color.
El velo finalmente es reunido en una mecha cortada a manera de trozos denominándose a este
producto sliver cortado. Esta última operación es opcional dependiendo del tipo de hilado a
fabricar.
c. SALA DE MEZCLADO
La materia prima (sliver y/o mezclas de fibra) es aspirada por un sistema neumático hacia un
circuito de procesos mecánicos en lobo cardas y batidoras en donde se limpia impurezas, para
finalmente ingresar a la cámara rotativa donde se agrega el ensimaje (mezcla de agua y aceite
lubricantes, antiestáticos, cohesionantes, etc ) que permitirán la adherencia y deslizamiento
optimo en los procesos de fricción. Posteriormente la mezcla es deposita en celdas donde
reposaran antes de ingresar a las cardas.
d. CARDADO
La mezcla obtenida es llevada a las Cardas, las cuales abren desensortijan la fibra, eliminan
impurezas, paralelizan las fibras, el velo que forman al final es más regular y homogéneo. La
mecha obtenida debe tener un título o peso por metro lineal determinado, por lo tanto mientras
se van produciendo, se deben controlar en la balanza respectiva.
Por cada carda hay una "continua de hilar" que son unas máquinas semi-automatizadas donde se
obtienen bobinas de 300 g cada una. Estos conos son especiales ya que tienen que soportar altas
temperaturas. En esta máquina se le da torsión y tensión al hilado y entrega el hilo envuelto en
bobinas de plástico.
e. HILATURA
Con la finalidad de dar mayor resistencia a las mechillas, el proceso de hilado se realiza en las
maquinas Continuas las cuales someten a un último estiraje y torsión mediante la diferencia de
velocidades de alimentación de los rodillos que la aprisionan, obteniendo el hilo que es
enrollado en canillas o bobinas. En este punto hay un control del titulo y regularidad del hilado.
f. VAPORIZADO
Después del hilado en la continua, las bobinas son sometidas a una vaporización en una cámara
que está a una presión y temperatura determinadas, con el fin de eliminar las tensiones de
reacción a la torsión que sufre el hilo y que se manifiesta con el ensortijamiento del mismo
observada al salir de las continuas.
g. ENCONADO
En este proceso se lleva a cabo una purificación del hilo mediante la eliminación de impurezas
como son: hilos gruesos, cortos, sucios rotos.
El hilo de las bobinas es pasado a los conos mediante la operación del enconado en la máquina
denominada enconadura, la cual mediante un eje que gira a alta velocidad, hace girar varias
cabezas de conos, los cuales van enrollando el hilo de las bobinas.
Esta máquina es la encargada de pasar el hilo de los conos especiales a los conos de plástico y
de cartón.
El hilado final obtenido ha sido permanentemente analizado mediante controles de calidad y

luego es empacado para su entrega
h. RETORCIDO
El retorcido consiste en trenzar las hebras del hilado, produciéndose la torsión a dos o más hilos
entre si y se lleva a cabo en la maquina denominada retorcedura, la cual realiza esta operación
haciendo girar diferentes velocidades los cilindros que alimentan al hilado para el retorcido en
un determinado sentido y que lleva al final al hilado enrolladlo en bobinas o carrets.
i. RETORCIDO FANTASIA
El principio de este proceso es similar al retorcido, sin embargo la alimentación de varios hilos,
produce en un primer paso el efecto fantasía (bucle, botone, frise) y en un segundo pasaje el
amarre para evitar perdida del efecto generado. Este hilado fantasía, pasa a ser vaporizados y
enconados. Hay 1500 tipos de hilados fantasía.
Todo lo que ha sido producido en esta planta puede irse al almacén de productos terminados, o
puede pasar a ser materia prima para el proceso de telar o confección.
7. IDENTIFICACION DE LA POBLACION OBJETIVO

La población objetivo está comprendida por la empresa.
8. METODOLOGIA DE LA RECOLECCION DE LA INFORMACION
8.1. RECOLECCIÓN DE DATOS
FIGURA 3: RECOLECCIÓN DE DATOS

FUENTES DE INFORMACIÓN
Son todos aquellos medios de los cuales procede la información para la elaboración del presente
proyecto de tesis, que satisfacen las necesidades de conocimiento de la producción de hilo, que
posteriormente será utilizado para lograr los objetivos esperados.
De acuerdo a su origen se clasifican en:
 Fuentes primarias.
 Fuentes secundarias.
Fuentes primarias
Son aquellas en las que los datos provienen directamente de la población o muestra, en este los
registros de la producción de hilo de la empresa, mientras que las fuentes secundarias son aquellas
que parten de datos pre-elaborados, como la información que se obtiene de FUNORSAL.
Fuentes secundarias
Para ser utilizadas son analizadas bajo 4 preguntas básicas:
 ¿Es pertinente? cuando la información se adapta a los objetivos.
 ¿Es obsoleta? cuando ha perdido actualidad, por eso en esta investigación se toma datos
mensuales desde el año 2008.
 ¿Es Fidedigna? cuando la veracidad de la fuente de origen no es cuestionada, en este caso la
información se obtendrá de los registros mensuales de la producción de hilo de la empresa.
 ¿Es digna de Confianza? si la información ha sido obtenida con la metodología adecuada y
honestidad necesaria, con objetividad, naturaleza continuada y exactitud
Observación directa
Es cuando se toma directamente los datos sin necesidad de realizar algún medio para obtener
información.
8.1.1. ANÁLISIS EXPLORATORIO DE DATOS (AED)

El Análisis Exploratorio de Datos (AED) es un conjunto de técnicas estadísticas cuya finalidad
es conseguir un entendimiento básico de los datos y de las relaciones existentes entre las variables
analizadas. Para conseguir este objetivo el A.E.D. proporciona métodos sistemáticos sencillos para
organizar y preparar los datos, detectar fallos en el diseño y recogida de los mismos, tratamiento y
evaluación de datos ausentes (missing), identificación de casos atípicos (outliers) y comprobación
de los supuestos subyacentes en la mayor parte de las técnicas multivariantes (normalidad,
linealidad, homocedasticidad).
8.1.1.1. ETAPAS DEL AED

Para realizar un AED conviene seguir las siguientes etapas:
1) Preparar los datos para hacerlos accesibles a cualquier técnica estadística.
2) Realizar un examen gráfico de la naturaleza de las variables individuales a analizar
y un análisis descriptivo numérico que permita cuantificar algunos aspectos
gráficos de los datos.
3) Realizar un examen gráfico de las relaciones entre las variables analizadas y un
análisis descriptivo numérico que cuantifique el grado de interrelación existente
entre ellas.
4) Evaluar, los supuestos básicos subyacentes a muchas técnicas estadísticas como,
por ejemplo, la normalidad, linealidad y homocedasticidad.
5) Identificar los posibles casos atípicos (outliers).
8.1.1.2. PREPARACIÓN DE LOS DATOS

El primer paso en un AED es hacer accesible los datos a cualquier técnica estadística. Ello
conlleva la selección del método de entrada (por teclado o importados de un archivo) y codificación
de los datos así como la de un paquete estadístico adecuado para procesarlos. La inmensa mayoría
de los paquetes estadísticos permite realizar manipulaciones de los datos previos a un análisis de los
mismos.
Algunas operaciones útiles son las siguientes:
 Combinar conjuntos de datos de dos archivos distintos.
 Seleccionar subconjuntos de los datos.
 Dividir el archivo de los datos en varias partes.
 Transformar variables.
 Ordenar casos.
 Agregar nuevos datos y/o variables.
 Eliminar datos y/o variables.
 Guardar datos y/o resultados
8.1.1.3. ANÁLISIS ESTADÍSTICO UNIDIMENSIONAL

Una vez preparados los datos, el segundo paso de un AED consiste en realizar un análisis
estadístico gráfico y numérico de las variables del problema con el fin de tener una idea inicial de la
información contenida en el conjunto de datos, así como detectar la existencia de posibles errores en
la codificación de los mismos. El tipo de análisis a realizar depende de la escala de medida de la
variable analizada.
8.1.2. ESTADÍSTICOS PARA EL ANÁLISIS EXPLORATORIO DE DATOS (AED)
 Media: Nos dará un resumen común al promediar los datos.
Donde
X  media de la muestra
X  suma de los n valores de la muestra
n  tamaño de la muestra
 Varianza muestral: Se define como el cuadrado de las desviaciones estándar de un conjunto

de medidas.
 Desviación estándar: Ayudará a medir la dispersión de los n datos con respecto a cada una
de las variables en estudio.
 Coeficiente de asimetría: Mide la asimetría de los datos respecto a su centro.
 Coeficientes de Kurtosis: Es una medida que dice qué tan puntiaguda es la distribución de
probabilidad.
2.2. MODELACION DE DATOS

FIGURA 4: DIAGRAMA DE FLUJO DE LA ESTRATEGIA DE LA CONSTRUCCIÓN
DEL MODELO
8.2.1. MODELOS DE PRONÓSTICOS
Luego de haber formado la base de datos y aplicado las técnicas de depuración se puede escoger
ya un modelo general con todas las variables existentes e influyentes a la producción de hilo
aplicando las técnicas de exploración de patrones de datos de series de tiempo, métodos de
modelación y pronósticos:
8.2.2. EXPLORACIÓN DE PATRONES DE DATOS DE SERIES DE TIEMPO
Una serie de tiempo consta de datos que reúnen, registran u observan sobre incrementos
sucesivos de tiempo. Se requiere un enfoque sistemático para analizarlas. A continuación se
presenta en la tabla1 una breve descripción sobre los patrones de series de tiempo
8.2.3. SELECCIÓN DE VARIABLES SIGNIFICATIVAS

Aunque la especificación de un modelo es una labor eminentemente teórica, las reglas prácticas
se justifican porque facilitan la selección de variables. Se tiene en cuenta que, si bien la inclusión de
una variable determinada debe siempre tener un claro soporte técnico. Los procedimientos para
seleccionar las variables dependientes que deben entrar en el modelo son los siguientes:
 Una vez que disponemos de variables, algunas de las cuales pueden estar medidas de
diversas formas, se calculará la matriz de correlación para obtener una visión global
de las interrelaciones existentes entre las mismas. La matriz de correlación nos
indicará las variables que están más correlacionadas con la variable dependiente,
además la posible existencia de multicolinealidad entre las variables explicativas.
 Las variables elegidas deben ser coherentes con la teoría económica que oriente la
formulación del modelo.
 Los signos de los coeficientes deben responder al conocimiento teórico a priori.
 El estadístico F y los estadísticos t deben rechazar las hipótesis nulas que cada test
contrasta.
 El comportamiento de los residuos debe ser aleatorio para evaluar el modelo.
2.2.4. SELECCIÓN DE UN MODELO SIGNIFICATIVO

2.2.4.1. PRUEBA F
La prueba F para la significancia del modelo planteado, las hipótesis:
1. Establecimiento de hipótesis.
2. Selección de un nivel de significancia
Generalmente se toman valores del orden 0.01, 0.05 ó 0.10 ó entre 0.01 y 0.10
3. Descripción del tamaño de la muestra y cálculos de estadístico(s)
Se toma en cuenta el tamaño de la muestra y aspectos de las distribuciones muestrales. Son

probadas por la razón F.
4. Especificación de las regiones de aceptación y rechazo

En un nivel de significancia de  la región de rechazo es:
5. Decisión estadística
Para tomar una decisión, se compara el valor de la estadística calculada con el valor crítico, o se
observa si este valor, cae en la región de aceptación o rechazo y luego dependiendo de esta
comparación se acepta o se rechaza la hipótesis nula Ho.
MEDIDAS DE BONDAD DE AJUSTE
Coeficiente de determinación (R 2): Representa la razón de la variación en la variable endógena

por su relación con las exógenas.
Error estándar: Viene expresada en la unidad de medida de la variable endógena.
Error o residuo: El análisis de los residuos puede ser gráficamente o analíticamente.
9. RECOPILACION, SELECCIÓN Y PRESENTACION DE LA INFORMACION
Materia Costo de Mano

Meses Materia Costo de Piola
meses Producción prima materia de
COD prima insumos plastica
perdida prima obra
Enero 1 2241 7517 632 231 2084 780 1690
Febrero 2 3246 8502 666 324 2109 780 1703
Marzo 3 3675 9105 731 324 2574 801 1704
Abril 4 4160 9129 958 325 2941 824 1802
Mayo 5 4272 10794 985 325 3015 830 1808
Junio 6 4492 10833 1153 355 3120 832 1843
Julio 7 4955 11000 1211 453 3125 867 1856
Agosto 8 5023 11089 1284 505 3682 890 1890
Septiembr
9 5045 11539 1636 652 3701 890 1895
e
Octubre 10 5070 11658 1798 675 3702 905 1900
Noviembre 11 5119 12120 1802 687 3791 960 1904
Diciembre 12 5143 12143 1974 780 3873 970 1905

Enero 13 5241 12310 2098 786 3901 1043 1906
Febrero 14 5253 12345 2450 845 3905 1078 1909
Marzo 15 5303 12540 2644 897 3911 1104 1930
Abril 16 5318 12567 2659 967 3912 1190 1932
Mayo 17 5392 12700 2740 970 3965 1234 2021
Junio 18 5404 13426 2756 978 3965 1278 2032
Julio 19 5465 13432 2902 984 4033 1284 2054
Agosto 20 5605 13648 3087 985 4071 1304 2061
Septiembr
21 5967 13863 3248 1034 4081 1309 2089
e
Octubre 22 5980 14058 3372 1086 4120 1365 2104
Noviembre 23 6091 14074 3420 1098 4125 1576 2295
Diciembre 24 6098 14631 3521 1108 4260 1678 2343

Enero 25 6352 14641 3571 1110 4320 1876 2505
Febrero 26 6501 14732 3601 1114 4330 1970 2804
Marzo 27 6524 14879 3641 1203 4475 1973 2809
Abril 28 6530 15098 3923 1212 4792 1978 3098
Mayo 29 6687 15270 4036 1239 4880 1987 3987
Junio 30 6892 15599 4072 1301 4965 1987 4023
Julio 31 7076 15987 4198 1317 5361 2002 4509
Agosto 32 7457 16328 5023 1320 5840 2018 5023
Septiembr
33 8005 16503 5696 1954 5901 2055 5043
e
Octubre 34 8023 17406 5721 1986 6352 2089 6056
Noviembre 35 9101 18501 5934 2102 7745 2089 7630
Diciembre 36 9753 19488 7266 2105 7982 2128 11445

10. ESPECIFICACIONES DEL MODELO ECONOMETRICO
Y = β1 + β 2 MP + β 3 MPP+ β 4 CI + β 5 CMP+ β 6 MO+ β 7 PP+ ε
VARIABLE DESCRIPCIÓN
Estima la proyección esperada de hilos que se requiere en un
Producción de Hilos (Yi) año dado, en libras.
Variable Dependiente
Materia Prima Indica la materia prima que se utiliza para la producción de hilos
(MP) expresado en Libras.
Materia Prima Perdida Indica la materia prima que se pierde para la producción de hilos
(MPP) expresado en Libras.
Costo de Insumos Indica el costo de los insumos para la producción de hilos en
(CI) Dólares .
Costo de Materia Prima Indica, el costo de materia prima para la producción de hilos,
(CMP) medida en Dólares
Mano de Obra Representa el costo realizado en la mano de obra del personal en
(MO) la empresa medida en Dólares
Piola Plástica
Representa la cantidad de piolas plásticas medidas en libras
(PP)
11. ESTIMACION DE PARAMETROS DEL MODELO
Matriz de variables independientes
Materia Costo de Mano

Materia Costo de Piola
prima materia de
prima insumos plastica
perdida prima obra
X 7517 632 231 2084 780 1690
8502 666 324 2109 780 1703
9105 731 324 2574 801 1704
9129 958 325 2941 824 1802
10794 985 325 3015 830 1808
10833 1153 355 3120 832 1843
11000 1211 453 3125 867 1856
11089 1284 505 3682 890 1890
11539 1636 652 3701 890 1895
11658 1798 675 3702 905 1900
12120 1802 687 3791 960 1904
12143 1974 780 3873 970 1905
12310 2098 786 3901 1043 1906
12345 2450 845 3905 1078 1909
12540 2644 897 3911 1104 1930
12567 2659 967 3912 1190 1932
12700 2740 970 3965 1234 2021
13426 2756 978 3965 1278 2032
13432 2902 984 4033 1284 2054
13648 3087 985 4071 1304 2061
13863 3248 1034 4081 1309 2089
14058 3372 1086 4120 1365 2104
14074 3420 1098 4125 1576 2295
14631 3521 1108 4260 1678 2343
14641 3571 1110 4320 1876 2505
14732 3601 1114 4330 1970 2804
14879 3641 1203 4475 1973 2809
15098 3923 1212 4792 1978 3098
15270 4036 1239 4880 1987 3987
15599 4072 1301 4965 1987 4023
15987 4198 1317 5361 2002 4509
16328 5023 1320 5840 2018 5023
16503 5696 1954 5901 2055 5043
17406 5721 1986 6352 2089 6056
18501 5934 2102 7745 2089 7630
19488 7266 2105 7982 2128 11445
Matriz de variables dependientes
Producción
Y 2241
3246
3675
4160
4272
4492
4955
5023
5045
5070
5119
5143
5241
5253
5303
5318
5392
5404
5465
5605
5967
5980
6091
6098
6352
6501
6524
6530
6687
6892
7076
7457
8005
8023
9101
9753
Aplicando regresión lineal multiple con ayuda de Excel tenemos:
Estadísticas de la regresión
Coeficiente de correlación 0,99178973
múltiple
Coeficiente de determinación 0,98364687
R^2
R^2 ajustado 0,98026346
Error típico 212,507869
Observaciones 36
Coeficient
Valor
e
β1 -1011,89301
β2 0,37294254
β3 -0,14141789
β4 0,09978759
β5 0,46687005
β6 0,04682122
β7 0,03671559
Y =−1011.893+0.3729 MP−0.1414 MPP+0.0998 CI +0.4668 CMP+0.0468 MO+0.0367 PP
Donde:
 Y: producción.
 MP: materia prima.
 MPP: materia prima perdida.
 CI: costo de insumos.
 CMP: costo de materia prima.
 MO: mano de obra.
 PP: piola plástica.
Interpretando los resultados:

 A un valor constante de MPP(materia prima perdida), CI(costo de
insumos), CMP(costo de materia prima), MO(mano de obra), PP(piola
plástica), a un aumento en 1 en MP(materia prima) genera un aumento en
0.3729 en la Y(producción)
 A un valor constante de MP(materia prima), CI(costo de insumos),
CMP(costo de materia prima), MO(mano de obra), PP(piola plástica), a un
aumento en 1 en MPP(materia prima perdida) genera una disminución en
0.1414 en la Y(producción)
 A un valor constante de MP(materia prima), MPP(materia prima perdida),
CMP(costo de materia prima), MO(mano de obra), PP(piola plástica), a un
aumento en 1 en CI(costo de insumos), genera un aumento en 0.0.0998 en
la Y(producción)
CI(costo de insumos), MO(mano de obra), PP(piola plástica), a un aumento
en 1 en CMP(costo de materia prima) genera un aumento en 0.4668 en la
Y(producción)
CI(costo de insumos), CMP(costo de materia prima), PP(piola plástica), a
un aumento en 1 en MO(mano de obra) genera un aumento en 0.0468 en la
Y(producción)
CI(costo de insumos), CMP(costo de materia prima), MO(mano de obra), a
un aumento en 1 en PP(piola plástica) genera un aumento en 0.0367 en la
Y(producción)
12. VALIDACION ESTADISTICO
 Bondad de ajuste
múltiple
Coeficiente de determinación 0,98364687
R^2
R^2 ajustado 0,98026346
Observaciones 36
Donde R2>0.7, el modelo tiene buena bondad de ajuste.
 Prueba de significancia individual

Error
Coeficientes Estadístico t
típico(σ )
β1 -1011,89301 549,052798 -1,84297942
β2 0,37294254 0,09181123 4,06205818
β3 -0,14141789 0,20132463 -0,70243711
β4 0,09978759 0,47226872 0,21129408
β5 0,46687005 0,19627564 2,37864496
β6 0,04682122 0,22786827 0,20547494
β7 0,03671559 0,06412404 0,57257135
i. Planteamiento de la hipótesis
H 0 : βi =0
H a : βi ≠ 0
ii. Estadístico de prueba

 Para β 1:
β i −1011.89301
tc = = =−1.8429
σ 549.0528
 Para β 2:
β i 0.3729
tc = = =4.0621
σ 0.0918
 Para β 3:
β i −0.1414
tc = = =−0.7024
σ 0.2013
 Para β 4 :
β i 0.09978
tc = = =0.2113
σ 0.4723
 Para β 5:
β i 0.4668
tc = = =2.3786
σ 0.1963
 Para β 6:
β i 0.0468
tc = = =0.2054
σ 0.2278
 Para β 7:
β i 0.0367
tc = = =0.5725
σ 0.0641
iii. Contrastación (α=0.05)

n=36
k=7
t α n −k =t 0.0536−7=t 0.02529=2.0542
2 2
Se acepta para: β 1, β 3, β 4 , β 6, β 7
De rechaza para: β 2, β 5
iv. Conclusiones
A un nivel de significancia de 5% se rechaza la hipótesis inicial para 2, 5 y se acepta

para 1, 3, 4, 6, 7, por lo tanto, 2, 5 son significativos, mientras que 1, 3, 4, 6, 7 no son
significativos
 Prueba de significancia global
Grados Suma de Promedio F

de cuadrados de los
libertad cuadrados
Regresión 6 78774630, 13129105, 290,72681
7 1 8
Residuos 29 1309628,2 45159,594
3 2
Total 35 80084259
i. Planteamiento de la hipótesis
H 0 : β1 =β2 =β3 =β 4=β 5= β6 =β 7=0
H a : β 1 ≠ β2 ≠ β3 ≠ β 4 ≠ β 5 ≠ β 6 ≠ β 7 ≠ 0
ii. Estadístico de prueba
F C =290.7268
iii. Contrastación (α=0.05)
F 0.05K −1 , n−k =F 0.057−1,36−7=F 0.056,29 =2.430
Se rechaza la hipótesis inicial
iv. Conclusiones
A un nivel de significancia de 0.05se rechaza la hipótesis inicial por lo tanto, son
globalmente significativos.
 Conclusiones
 El valor deR2 es muy elevado tiende a 1.

 Existen pocas razones t significativas.
 El modelo es globalmente significativo.
 Existe presencia de multicolinealidad.
13. VALIDACIÓN ECONOMETRICA
MULTICOLINEALIDAD
Para las pruebas pertinentes hallaremos las regresiones auxiliares.
 TEST DE THEIL
Esta medida refleja la diferencia entre la variabilidad explicada por el modelo
completo y la suma de cada una de las aportaciones de los regresores del modelo.
Regresiones Auxiliares:
Sin “MP”:
Coeficiente de correlación
múltiple 0,9870878
Coeficiente de determinación R^2 0,97434233
R^2 ajustado 0,97006605
Observaciones 36
Coeficientes Error típico Estadístico t
Intercepción 824,085136 383,897239 2,14662949
MPP 0,28269602 0,21199015 1,33353375
CI -0,48067483 0,55435161 -0,86709378
CMP 1,05316167 0,16380764 6,42925842
MO 0,38972081 0,26066095 1,49512539
PP -0,14025646 0,05794499 -2,42051063
Sin “MPP”:
múltiple 0,99164945
R^2 ajustado 0,98059674
Observaciones 36
Intercepción -763,541545 416,505534 -1,83320864
MP 0,33949666 0,0778341 4,36179857
CI -0,15246275 0,30412336 -0,50131877
CMP 0,50711633 0,18613516 2,72445211
MO -0,00527021 0,21363659 -0,02466902
PP 0,01214279 0,05328572 0,22788067
Sin “CI”:
R^2 ajustado 0,98089198
Observaciones 36
Intercepción -990,806042 531,240314 -1,86508067
MP 0,36707276 0,08610289 4,26318731
MPP -0,10907198 0,12865539 -0,84778401
CMP 0,48639879 0,17037333 2,85489987
MO 0,04351695 0,22368204 0,19454825
PP 0,03025452 0,05545878 0,54553157
Sin “CMP”:
R^2 ajustado 0,97719907
Observaciones 36
Intercepción -1362,47926 568,479182 -2,39670915
MP 0,53353553 0,06687408 7,97821155
MPP -0,28120862 0,20696544 -1,3587226
CI 0,6287676 0,44780899 1,40409775
MO -0,1490544 0,22836797 -0,65269399
PP 0,15968208 0,04077871 3,91581991
Sin “MO”:
R^2 ajustado 0,98089357
Observaciones 36
Intercepción -1015,25967 539,976578 -1,88019206
MP 0,37993117 0,0839065 4,5280302
MPP -0,12795524 0,18730141 -0,6831515
CI 0,09312793 0,46357319 0,20089153
CMP 0,45229561 0,18006578 2,51183539
PP 0,03803607 0,06277447 0,60591617
Sin “PP”:
múltiple
R^2 ajustado 0,98070567
Observaciones 36
Intercepción -890,877694 501,033893 -1,7780787
MP 0,33722652 0,06660757 5,06288548
MPP -0,07853205 0,16682624 -0,47074159
CI -0,02916051 0,41043621 -0,07104759
CMP 0,55747092 0,11482002 4,85517194
MO 0,05989696 0,22416675 0,26719825
REGRESIONES AUXILIARES
Ctte. MP MPP CI CMP MO PP R2
-
Y(MP) 824,0851 - 0,2827 1,0532 0,3897 -0,1403 0,9701
0,4807
- -
Y(MPP) -763,5415 0,3395 - 0,5071 0,0121 0,9806
0,1525 0,0053
Y(CI) -990,8060 0,3671 -0,1091 - 0,4864 0,0435 0,0303 0,9809
-
Y(CMP) -1362,4793 0,5335 -0,2812 0,6288 - 0,1597 0,9772
0,1491
Y(MO) -1015,2597 0,3799 -0,1280 0,0931 0,4523 - 0,0380 0,9809
-
Y(PP) -890,8777 0,3372 -0,0785 0,5575 0,0599 - 0,9807
0,0292
K
m=R 2−∑ ( R 2−R2J )
J=2
∆ MP=0,98026346−0,970066=0,010197
∆ MPP=0,98026346−0,980597=−0,000333
∆ CI =0,98026346−0,980892=−0,000629
∆ CMP=0,98026346−0,977199=0,003064
∆ MO=0,98026346−0,980894=−0,000630
∆ PP=0,98026346−0,980706=−0,000442
K
∑ ( R2−R 2J )=0,39427801
J =2
m=0,98026346−0,39427801=0.586
Como m tiende a uno existen indicios de multicolinealidad.
 FARRAR GLAUBER
MP MPP CI CMP MO PP
MP 1
0,9739971
MPP 1
5
0,9600055 0,9831926
CI 1
6 7
CM 0,9502580 0,9551209
0,9535812 1
P 1 9
0,9197754 0,9225458 0,8913093 0,8353723
MO 1
8 7 5 8
0,7920705 0,8252293 0,9075875 0,7107918
PP 0,8499212 1
5 4 9 4
Planteamiento de hipótesis
H 0 :|Rx|=1
H a :|Rx|≠ 1
Estadístico calculado
2 k +5
(
FGc=− n−1−
6 )∗ln (|Rx|)
2∗7+ 5
FGc=− 36−1− ( 6 )
∗ln ( 0,000000997 )
FGc=439,8894
Estadístico de tablas
Gráfica de distribución
2 2 Chi-cuadrada; df=28
X 7∗(7+1 ) =X 28,0.05 =41,3371 0,06
,0.05
2
0,05
Contrastación
0,04
Se rechaza Ho.
Densidad
0,03
0,02
0,01
0,05
0,00
41,34
X
Conclusión
A un nivel de confianza del 95%, se RECHAZA Ho, entonces, existe presencia de

multicolinealidad.
 FACTOR DE AGRANDAMIENTO DE LA VARIANZA
MP 4922,9517 - 1,1372 -1,5564 1,5721 0,9194 -0,4745 0,975669
-
0,2365 1,7837 -0,2846 0,3684 0,1738 0,986029
MPP 1756,1531 -
211,3185 -0,0588 0,3241 0,1957 -0,0331 -0,0647 0,972630

CI -
CM -750,9290 0,3440 -0,2994 1,1330 -0,4196 0,2634 0,976513
-
P
MO -71,9047 0,1493 0,2875 -0,1422 -0,3113 - 0,0282 0,882423
3296,0203 -0,9728 1,7128 -3,5121 2,4676 0,3561 0,909999
PP -
1
FAV ( β 2 )= =41,0998315
1−0,975669
1
FAV ( β 3 )= =71,5768377
1−0,986029
1
FAV ( β 4 )= =36,5363537
1−0,972630
1
FAV ( β 5 )= =42,5767446
1−0,976513
1
FAV ( β 6 )= =8,50506477
1−0,882423
1
FAV ( β 7 )= =11,1109877
1−0,909999
Se observa para β 6 y β 7 presenta valores menores a 10 o a 20 por lo que no se tienen

problemas de multicolinealidad en esas regresiones, en cuanto a β 2 , β 3 , β 4 , β 5 se observan
valores mayores a 30, por lo que podemos asumir valores preocupantes de multicolinealidad.
HETEROCEDASTICIDAD
Contraste gráfico:
Y Yest e e2
224
2796,4319 -555,4319 308504,5955
1
324
3180,3618 65,6382 4308,373299
6
367
3614,1575 60,8425 3701,809806
5
416
3767,1344 392,8656 154343,3797
0
427
4419,2467 -147,2467 21681,59066
2
449
4463,4312 28,5688 816,1763334
2
495
4531,7343 423,2657 179153,8528
5
502
4822,1773 200,8227 40329,75684
3
504
4963,9347 81,0653 6571,582864
5
507
4989,0508 80,9492 6552,772981
0
511
5206,2375 -87,2375 7610,381406
9
514
5238,5653 -95,5653 9132,726564
3
524
5300,4311 -59,4311 3532,055647
1
525
5273,2137 -20,2137 408,5936677
3
530
5328,4761 -25,4761 649,0316712
3
531
5347,9745 -29,9745 898,4706503
8
539
5416,4874 -24,4874 599,6327588
2
540
5688,2117 -284,2117 80776,29042
4
546
5703,2409 -238,2409 56758,72643
5
560
5776,6632 -171,6632 29468,25423
5
596
5844,8921 122,1079 14910,33924
7
598
5926,6440 53,3560 2846,862736
0
609
5946,2398 144,7602 20955,5155
1
609
6210,2284 -112,2284 12595,21377
8
635
6250,3128 101,6872 10340,28664
2
650
6300,4454 200,5546 40222,14758
1
652
6426,5123 97,4877 9503,851651
4
653
6628,0484 -98,0484 9613,488743
0
668
6753,0383 -66,0383 4361,057067
7
689
6917,8273 -25,8273 667,0494253
2
707
7249,7235 -173,7235 30179,85445
6
745
7503,7845 -46,7845 2188,78944
7
800
7568,0995 436,9005 190882,0469
5
802
8153,8270 -130,8270 17115,70393
3
910
9251,7686 -150,7686 22731,17075
1
975
9684,2665 68,7335 4724,294022
3
GRÁFICO e Vs YEST:
600
400
200
0
0 5 10 15 20 25 30 35 40
e
-200
-400
-600
-800
Yest
GRÁFICO e2 Vs YEST:
350000
300000
250000
200000
e2
150000
100000
50000
0
0 5 10 15 20 25 30 35 40
Yest
Se observa que la dispersión sigue un comportamiento sistemático por lo que se tiene problemas
de heterocedasticidad.
PRUEBA DE WHITE
Coeficiente de correlación múltiple 0,610639
R^2 ajustado 0,243131
Observaciones 36,000000
Intercepción 570504,5107 150724,2295 3,7851
MP -70,3893 25,2037 -2,7928
MPP 49,7687 55,2670 0,9005
CI 69,2125 129,6457 0,5339
CMP 20,3630 53,8810 0,3779
MO 76,1031 62,5537 1,2166
PP -1,2767 17,6031 -0,0725
Se halla la ecuación auxiliar
e 2=570504,5107−70,3893∗MP+ 49,7687∗MP+69,2125∗C+20,3630∗CMP+76,1031∗MO−1,2767∗PP
Prueba de hipótesis
H 0 : E ( u2i ) =σ 2u
H a : E ( u2i ) =σ 2i
Estadístico de prueba
Donde:
U c =n∗R 2aux =36∗0,243131=8,752716
Estadístico teórico
x 26,0.05=12.5916
Contraste:
2
Como Uc< x 6,0.05 se acepta la Hipótesis nula
Conclusión:
A un nivel de confianza del 95%, se Acepta la Ho, por lo que no se tienen problemas de
heterocedasticidad.
14. PLANTEAMIENTO Y ANALISIS PARA LA CORRELACION DEL MODELO
Hallando los valores de et, et-1
Donde et:
e t =Y −Y̌
Donde:
Y : valor de Produccion hallado experimentalmente
Y̌ : valor de Produccion hallado teóricamente )mediante la regresión).
Y̌ =−1011.893+0.3729 MP−0.1414 MPPERD+0.0998 COSTINS+ 0.4668COSTMP +0.0468 MO+0.0
Y Y̌ et e t2 e t−1 e t −e t−1 (e t −e t−1)2
2241 2796,4319 -555,4319 308504,596 0 0

3246 3180,3618 65,6382 4308,3733 -555,4319 621,0701 385728,069
3675 3614,1575 60,8425 3701,80981 65,6382 -4,7957 22,9987385
4160 3767,1344 392,8656 154343,38 60,8425 332,0231 110239,339
4272 4419,2467 -147,2467 21681,5907 392,8656 -540,1123 291721,297
4492 4463,4312 28,5688 816,176333 -147,2467 175,8155 30911,09
4955 4531,7343 423,2657 179153,853 28,5688 394,6969 155785,643
5023 4822,1773 200,8227 40329,7568 423,2657 -222,443 49480,8882
5045 4963,9347 81,0653 6571,58286 200,8227 -119,7574 14341,8349
5070 4989,0508 80,9492 6552,77298 81,0653 -0,1161 0,01347921
5119 5206,2375 -87,2375 7610,38141 80,9492 -168,1867 28286,7661
5143 5238,5653 -95,5653 9132,72656 -87,2375 -8,3278 69,3522528

5241 5300,4311 -59,4311 3532,05565 -95,5653 36,1342 1305,68041
5253 5273,2137 -20,2137 408,593668 -59,4311 39,2174 1538,00446
5303 5328,4761 -25,4761 649,031671 -20,2137 -5,2624 27,6928538
5318 5347,9745 -29,9745 898,47065 -25,4761 -4,4984 20,2356026
5392 5416,4874 -24,4874 599,632759 -29,9745 5,4871 30,1082664
5404 5688,2117 -284,2117 80776,2904 -24,4874 -259,7243 67456,712
5465 5703,2409 -238,2409 56758,7264 -284,2117 45,9708 2113,31445
5605 5776,6632 -171,6632 29468,2542 -238,2409 66,5777 4432,59014
5967 5844,8921 122,1079 14910,3392 -171,6632 293,7711 86301,4592
5980 5926,644 53,356 2846,86274 122,1079 -68,7519 4726,82375
6091 5946,2398 144,7602 20955,5155 53,356 91,4042 8354,72778
6098 6210,2284 -112,2284 12595,2138 144,7602 -256,9886 66043,1405

6352 6250,3128 101,6872 10340,2866 -112,2284 213,9156 45759,8839
6501 6300,4454 200,5546 40222,1476 101,6872 98,8674 9774,76278
6524 6426,5123 97,4877 9503,85165 200,5546 -103,0669 10622,7859
6530 6628,0484 -98,0484 9613,48874 97,4877 -195,5361 38234,3664
6687 6753,0383 -66,0383 4361,05707 -98,0484 32,0101 1024,6465
6892 6917,8273 -25,8273 667,049425 -66,0383 40,211 1616,92452
7076 7249,7235 -173,7235 30179,8545 -25,8273 -147,8962 21873,286
7457 7503,7845 -46,7845 2188,78944 -173,7235 126,939 16113,5097
8005 7568,0995 436,9005 190882,047 -46,7845 483,685 233951,179
8023 8153,827 -130,827 17115,7039 436,9005 -567,7275 322314,514
9101 9251,7686 -150,7686 22731,1707 -130,827 -19,9416 397,667411
9753 9684,2665 68,7335 4724,29402 -150,7686 219,5021 48181,1719

16,1796 1309635,73 -52,5539 624,1654 2058802,48
 Método grafico
et vs et-1
600
400
200
0
-800 -600 -400 -200 0 200 400 600
-200
-400
-600
-800
Graficando e t vs e t−1
Como no existe una región definida de los valores, esto nos indica que no existe auto-correlación.
 Contraste Durbin-Watson
Hallando las sumatorias de:
∑ e t2=1309635,73
∑ ( e t −e t−1 )2=2058802,48
i. Planteamiento de hipótesis
H 0 : ρ=0 No existe autocorrelacion
H a : ρ ≠0 Existe autocorrelacion
ii. Estadístico de prueba (valor calculado)
∑ ( e t −et −1 )2 1309635,73
DW = =
∑ et 2
2058802,48
DW =1.572
iii. Estadístico teórico (valor critico)
Donde:
n=36
k=6 (variables independientes)
α=0.05
Mediante tablas, hallamos:
d L=1.114
d U =1.877
iv. Contraste
d L <d < dU
El test no es decisivo
v. Conclusiones
A un nivel de significancia de 5% no se acpeta ni rechaza la hipótesis inicial, puesto que, el valor de

de esta entre d Ly d U . El contraste no es concluyente.
15. PRESENTACION Y PREDICCION DEL MODELO CORREGIDO
Mediante la información obtenida en la Prueba de Theil:

1,053
Y(MP) 824,0851 - 0,2827 -0,4807 0,3897 -0,1403
2 0,970066
0,507
Y(MPP) -763,5415 0,3395 - -0,1525 -0,0053 0,0121
1 0,980597
Y(CI) -990,8060 0,3671 - - 0,486 0,0435 0,0303 0,980892
0,1091 4
- -
Y(CMP) 0,5335 0,6288 - -0,1491 0,1597
1362,4793 0,2812 0,977199
- - 0,452
Y(MO) 0,3799 0,0931 - 0,0380
1015,2597 0,1280 3 0,980894
- 0,557
Y(PP) -890,8777 0,3372 -0,0292 0,0599 -
0,0785 5 0,980706
∆ R 2=R2GLOBAL−R 2AUX
Sin “MP”: ∆ R 2=0,980263−0,970066=0,010197
Sin “MPP” ∆ R 2=0,980263−0,980597=−0,000333
Sin “CI”: ∆ R 2=0,980263−0,980892=−0,000629
Sin “CMP”: ∆ R 2=0,980263−0,977199=0,003064
Sin “MO”: ∆ R 2=0,980263−0,980894=−0,000630
Sin “PP”: ∆ R 2=0,980263−0,980706=−0,000442
Según esta información la variable que contribuye a mantener un coeficiente de determinación

más baja es “MPP”, por lo tanto, esta variable pues ser excluida de la siguiente manera:
Y^ =−763.5415+ 0,3395∗MP−0,1525∗CI +0.5071∗CMP−0.0053∗MO+0 , 0121∗PP
R2GLOBAL =0,980597
16. CONCLUSIONES
Se concluyó que el modelo econométrico a utilizar es el siguiente:
Y^ =−763.5415+ 0,3395∗MP−0,1525∗CI +0.5071∗CMP−0.0053∗MO+0,0121∗PP
Mediante regresiones auxiliares se decidió eliminar la variable MPP
Primeramente, hablaremos de nuestras primeras validaciones estadísticas que son:
i. Bondad de ajuste
 El valor de R2 es muy elevado tiende a 1, indica presencia de multicolinealidad.
ii. Pruebas de significación individual y global
 Existen pocas razones t significativa, por lo que individualmente no son
significativas.
 El modelo es globalmente significativo.
iii. Multicolinealidad
 TEST DE THEIL. - La teoría indica que si nuestro m=>1 se considera no optimo,
ya que el nuestro nos dio 0,586 , podemos considerarlo un valor no óptimo y que es
posible que exista multicolinealidad.
 FARRA GLAUBER. - Basados en los resultados, nuestros cálculos caen en la
región de rechazo, por lo tanto, se concluye que existe multicolinealidad, aceptando
la hipótesis nula.
 FACTOR DE AGRANDAMIENTO DE LA VARIANZA. - Ya que nuestros FAV
es mayor a 10, se concluye que existe multicolinealidad.
iv. Heterocedasticidad
 Contraste gráfico. - La dispersión de la gráfica ei vs Yi nos muestra un
comportamiento sistemático por lo que la existencia de heterocedasticidad es muy
probable.
 Prueba de White. – Analizando los resultados previos, se concluye que no existe
heterocedasticidad.
v. Autocorrelacion
 Método grafico.-al graficar las variables e, et, no presentaba una función de
autocorrelacion.
 Prueba de Durbi-Watson.- el valor d (1.572) está entre los valores de dl(1.114) y
du(1.877) por lo que no podemos tomar en cuenta este contraste. Concluimos en
que no existe auto-correlación.
17. RECOMENDACIONES
18. BIBLIOGRAFIA
 ALLEN, L., Estadística Aplicada de los Negocios y la Economía., 2da ed., Madrid-España.,
McGraw-Hill., 2000., Pp. 30-74.
 CANAVOS, G., Análisis de Regresión., 4ta ed., México- D.F. México., McGraw-Hill.,
1999., Pp. 25-43.
 CONGACHA J., ESTADÌSTICA APLICADA A LA EDUCACIÒN., 1era., Madrid-
España., LAP LAMBERT., 2012., Pp.30-79.
 DAMODAR N, GUJARATI, DAWN C., Econometría. 5ta ed., Madrid-España., McGraw-
Hill., 2010., Pp. 20-98.
 GLYN G., Matemática Avanzada para Ingeniería., 2da ed., México-D.F. México., Pearson
Educación., 2002., Pp. 43-51.
 JOHN E. HANKE., Pronósticos en los Negocios., 9na ed., México-D.F. México., Pearson
Educación., 2008., Pp. 20-307.
 MONTGOMERY, Douglas C, RUNGER G., Probabilidad y Estadística Aplicada a la
Ingeniería., 2ª ed., Madrid-España., McGraw-Hill., 2003., Pp. 90-100.
 PINDYCK, R., Econometría, 8. -PINDYCK, R., Econometría, Modelos y Pronósticos., 4ta
ed., México-D.F. México., McGraw-Hill., 2001., Pp.103-204.
 PULIDO A. PERZ.J., Modelos Econométricos con Eviews., 5ta ed., México- DF. México.,
Pearson Educación., 2005.
 WEBSTER L., Estadística Aplicada a los Negocios y la Economía., 3ra ed., Bogotá-
Colombia., Camargo., 2002., Pp.33-41 BIBLIOGRAFÌA DE INTERNET
 ESTADÍSTICOS DESCRIPTIVOS
http://www.fca.unam.mx/docs/apuntes_matematicas/34.%20Estadistica20%Descriptiva.pdf
2012/05/15
 ANÁLISIS EXPLORATORIOS DE DATOS
http://www.fisterra.com/mbe/investiga/10descriptiva/10descriptiva.asp 2012/08/05.
 ANÁLISIS ESTADÍSTICO UNIDIMENSIONAL
http://www.tuveras.com/estadistica/estadistica02.htm 2012/08/13.
 SERIES DE TIEMPO http://www.dii.uchile.cl/~ris/RISXXIII/Buschiazo89.pdfseries
detiempo 2012/09/05.
 MODELOS ECONOMÉTRICOS
http://www.econometricos.com.ar/wpcontent/uploads/2007/12/Espaciode-Estado-2004.pdf
2012/10/12.
 MODELOS ECONÓMICOS
http://www.secmca.org/INVESTIGACIONES_ECONOMICAS/InvestigacionesSECMCA/
ModeloEconometricoCrecimientoEconomicoInflacionCAR D.pdf 11/10/2012.
 COMPONENTES DE UN MODELO ECONOMÉTRICO
http://www.fca.uach.mx/Documentos/Guias/modeloseconometricos.pdf 2012/10/13.
 PRODUCCIÓN DE HILO http://www.redtextilargentina.com.ar/index.php/hilos/h-
produccion 2013/01/20.
 OPTIMIZACIÓN DE RECURSOS
http://www.itecam.edu.mx/principal/sylabus/fpdb/recursos/r5300.PDF 2013/02/23.
 ORGANIZACIÓN SALINAS
http://www.agriculturesnetwork.org/magazines/latin-america/mas-que-eldinero/la-
experiencia-de-desarrollo-de-salinas-de 2013/02/26.

Corregido 1

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Corregido 1

Cargado por

Copyright:

Formatos disponibles

ZZ

UNIVERSIDAD MAYOR DE SAN ANDRÉS

CARRERA DE INGENIERÍA INDUSTRIAL

La presente investigación de grado, titulado “MODELO ECONOMÉTRICO PARA LA

La investigación se realizó con los propósitos de plantear estrategias de planificación en la

Para el desarrollo de los objetivos propuestos se ha realizado un análisis de series temporales, ya

El desarrollo de una empresa, requiere de una eficiente planificación constante en base a

3. OBJETIVO GENERAL DEL ESTUDIO

5.1. MODELOS ECONÓMICOS

5.3. MODELOS ECONOMÉTRICOS

Donde u es la parte aleatoria no explicada por X.

El conjunto de especificaciones que requiere un modelo econométrico son:

5.3.1. COMPONENTES DE UN MODELO ECONOMÉTRICO: VARIABLES, PARÁMETROS

En las matemáticas, las variables se dividen en:

Consecuentemente, en econometría se distingue entre:

5.3.2. UTILIDADES DE LOS MODELOS ECONOMÉTRICOS

El modelo econométrico tiene tres utilidades principales:

5.3.3. METODOLOGÍA DE LA ECONOMETRÍA

En términos generales, la metodología de la econometría tradicional se realiza dentro de los

Validación, a través de la interpretación de los resultados analizaremos la bondad del modelo.

5.3.3. TIPOS DE DATOS EN ECONOMETRÍA

Datos de panel, la combinación de datos de series temporales y corte transversal.

5.3.4. CLASIFICACIÓN DE LOS MODELOS ECONOMÉTRICOS.

Los modelos se pueden clasificar en las siguientes categorías:

 Si solamente estamos interesados en una relación de comportamiento, por ejemplo,

Pronóstico es un método mediante el cual se intenta conocer el comportamiento futuro de

Entonces el objetivo principal de los pronósticos es reducir la incertidumbre acerca de lo que

5.4.1. METODOLOGÍA DE LOS PRONÓSTICOS

La consideración primordial en la elección de un método de pronóstico es que los resultados

1. Formulación del problema y recolección de datos

3. Construcción y evaluación del modelo

4. Aplicación del modelo

5. Evaluación del pronóstico

El paso 2, manipulación y depuración de datos, con frecuencia es necesario. En el proceso de

5.4.2. TIPOS DE PRONÓSTICOS

En un extremo, una técnica totalmente cualitativas no requiere manipulación abierta de datos

5.5. COMPONENTES DE SERIES DE TIEMPO

Una serie de tiempo es un conjunto de observaciones producidas en determinados momentos,

Es la componente que representa el crecimiento subyacente o la declinación de una serie de

5.6. MODELOS QUE RELACIONAN LOS VALORES OBSERVADOS DE UNA SERIE DE

Yt  Valores observados de una serie de tiempo t

Tt  Componente de tendencia en el tiempo t

St  Componente estacional en el tiempo t

It  Componente irregular en el tiempo t

5.6.2. MODELO MULTIPLICATIVO

Yt  Valores observados de una serie de tiempo t

Tt  Componente de tendencia en el tiempo

St  Componente estacional en el tiempo t

It  Componente irregular en el tiempo t

5.6.3. MODELO MIXTO

Nota.- pueden existir otros modelos

Yt  Valores observados de una serie de tiempo t

Tt  Componente de tendencia en el tiempo t

St  Componente estacional en el tiempo t

It  Componente irregular en el tiempo

5.7. ANÁLISIS DE REGRESIÓN LINEAL

5.7.1. REGRESIÓN LINEAL SIMPLE

Viene dada por la ecuación:

5.7.1.1. MÉTODOS DE ESTIMACIÓN DE PARÁMETROS

Yiˆ= valor pronosticado en Y

Mínimos cuadrados ordinarios(MCO)

PROPIEDADES DEL ESTIMADOR DE MÍNIMOS CUADRADOS ORDINARIOS (MCO)

 Linealidad: la forma funcional que liga al verdadero valor del parámetro