PROBLEMAS Y EJERCICIOS

Primer método, calculamos i q e i y mediante las ecuaciones siguientes:

Primer método, calculamos i q e i y mediante las ecuaciones siguientes:

i q = [(q n / q 0) n -1 - 1] * 100 i y = [(y n / y 0) n -1 - 1] * 100
i q = 0.8357 i y = 0.4672

e y = (i q / i y) e y = 1.7887

Segundo método

a) Calculamos las variaciones porcentuales promedio:

Año Incrementos anuales Relaciones porcentuales Elasticidad
∆q ∆y ∆q/q ∆y/y (∆q/q) / (∆p/p)
1–2 0.001 1.001 0.073 0.046 1.5870
2–3 0.006 0.005 0.439 0.231 1.9004
3–4 0.015 0.013 1.093 0.599 1.8247
4–5 0.011 0.010 0.793 0.458 1.7314
5–6 0.025 0.022 1.757 1.004 1.7540
Promedio - - 0.831 0.468 1.7595

b) Calculamos las variaciones logarítmicas de “q” e “y”:

Año log q log y Incrementos anuales e = (∆ log q)/ (∆ log q)
∆ log q*100 ∆ log y*100
1 0.13513 0.33506
2 0.13545 0.33526 0.032 0.020 1.60
3 0.13735 0.33626 0.190 0.100 1.90
4 0.14208 0.33885 0.473 0.259 1.83
5 0.14551 0.34084 0.343 0.199 1.72
6 0.15320 0.34518 0.769 0.434 1.77
Promedio 1.764

Tercer método
Ajustamos por mínimos cuadrados los datos de la serie histórica a una función potencial de la
forma q = k y y
1) log q i = log k + e y log y i

2) ∑ log q i = n log k + e y ∑ log y i

 3) ∑ log q i * log y i = log k ∑ log y i + e y ∑ (log y i)2
Para facilitar los cálculos respectivos construimos la tabla siguiente:

Años log q i log y i log q i * log y i (log y i)2 (log q i)2

1 0.13513 0.33506 0.04528 0.11227 0.01826

2 0.13545 0.33526 0.04541 0.11240 0.01835
3 0.13735 0.33626 0.04619 0.11307 0.01887
4 0.14208 0.33885 0.04814 0.11482 0.02019
5 0.14551 0.34084 0.04960 0.11617 0.02117
6 0.15320 0.34518 0.05288 0.11915 0.02347
∑ 0.84872 2.03145 0.28750 0.68788 0.12031

Remplazando en las ecuaciones paramétricas o de Gauss tenemos:

0.84722 = 6 log k + 2.03145 e y → 2.03145 e y + 6 log k = 0.84722 │ (2.03145)

0.28750 = 2.03145 log k + 0.68788 e y → 0.68788 e y + 2.03145 log k = 0.28750 │ (-6)

- 0.00049 e y = - 0.00087 → e y = 1.77551

Calculamos k:

2.03145 e y + 6 log k = 0.84722 → 2.03145 (1.77551) +

– 0.45969
6 log k = 0.84722log k = - 0.45969 → k = 10 → k = 0.34698

La ecuación de regresión calculada es:

q = 0.34698 y 1.77551

Calculamos el coeficiente de correlación mediante la ecuación siguiente:

e y ∑ log q i * log y i + log k ∑ log q i - log q i ∑ log q i

r2=
(∑log qi )2 - log q i ∑ log q i

(1.77551) (0.28750) + (- 0.45969) (0.84872) - (0.14145)

(0.84872)
r2=
0.12031 - 0.12005

r 2 = 0.00026/ 0.00026 → r2= 1

(correlación perfecta)

Comparamos los resultados obtenidos mediante los tres métodos de cálculo y deducimos
que las cifras son aproximadas; por el alto grado de correlación obtenido otorgamos mayor
peso al método de regresión por mínimos cuadrados a una la función potencial, por tanto
la elasticidad ingreso de la demanda (e y) para la serie histórica analizada es de 1.78 en
cifras redondas.
 - Proyección mediante regresión lineal: series de tiempo

Ejemplo 1: La demanda de acero en toneladas métricas durante los años 1946 a 1956 fueron
las siguientes:
Año Consumo
(Millones de TM)
1946 66.6
1947 84.9
1948 88.6
1949 78.0
1950 96.8
1951 105.2
1952 93.2
1953 111.6
1954 88.3
1955 117.0
1956 115.2

a) Representar los datos en un diagrama de dispersión, b) Estimar la demanda de acero en

base a una recta de regresión para los años 1957 y 1958 y comparar con los valores
reales que fueron 78.9 (TM) y 59.7 (TM) respectivamente, c) Estimar la demanda de
acero para los años 1944 y 1945 y comparar con los valores reales que fueron 55.8 (TM) y
62.7(TM) respectivamente, d) Calcular el coeficiente de correlación de la recta obtenida y
emitir opinión sobre el grado de asociación de las variables, e) Calcular el error estándar
de la regresión, f) Representar gráficamente los límites de la regresión para un nivel de
confianza del 95.45 %.
Año x y x 2 xy y c yi–yc (y i – y c) 2 y2
1946 -5 66.6 25 -333.0 75.3 -8.7 75.5 4435.6
1957 -4 84.9 16 -339.6 79.2 5.7 32.0 7208.0
1948 -3 88.6 9 -265.8 83.2 5.4 29.3 7850.0
1949 -2 78.0 4 -156.0 87.1 -9.1 83.5 6084.0
1950 -1 96.8 1 -96.8 91.1 5.7 32.6 9370.2
1951 0 105.2 0 0 95.0 10.2 103.2 11067.2
1952 1 93.2 1 93.2 99.0 -5.8 33.5 8686.2
1953 2 111.6 4 223.2 102.9 8.7 75.0 12454.6
1954 3 88.3 9 264.9 106.9 -18.6 345.6 7796.9
1955 4 117.0 16 468.0 110.8 6.2 37.9 13689.0
1956 5 115.2 25 576.0 114.8 0.4 0.2 13271.0
∑ 0 1045.4 110 434.1 1045.4 0.0 848.4 101912.5

(a) (Ver gráfico más adelante)

(∑ x y)
b) y = y + [-------------] x → y = 95.04 + (434.1 / 110) x → y = 95.04 + 3.95 x
(∑ x 2)

c) 1957 → x = 6 → y = 95.04 + 3.95 (6) = 118.7 │ 1958 → x = 7 → y = 95.04 + 3.95 (7) = 122.7

d) Para extrapolar en forma retrospectiva forzosamente debe trasladarse el origen (0) a 1946 es decir
hasta el primer año de la serie, para esto se sustituye x por x - 5:

y = 95.04 + 3.95 (x – 5) → y = 75.29 + 3.95 x entonces:

1945 → x = -1 → y = 75.29 + 3.95 (-1) = 71.34 │ 1944 → x = -2 → y = 75.29 + 3.95 (-2) = 67.39

n (∑ x y) – (∑ x) (∑ y)

d) r=
{ [n (∑ x 2) – (∑ x) 2] [ n (∑ y 2) – (∑ y) 2 ] } 1/2

(11) (434.1) – (0) (1045.4)

r=

{[(11) (110) – (0 2)] [(11) (101912.5) – (1.092.861,16)] } 1/2

4.775.1 4.775.1

r= = = 0.82

{[1.210] [1121037.94 - 1.092.861,16)] } 1/2 5839.0

El grado de correlación calculado r = 0.82 se considera aceptable por estar más próximo a uno.

(∑ y i - y c) 1/2 (848.4) 1/2

f) s y x = ----------------------------------- → s y x = --------------------- → s y x = 9.7

(n – 2) 1/2 (11 – 2) 1/2

Para calcular los límites de control de la regresión para un nivel de confianza el 95.45 % que equivale en una
distribuciónnormal a 2 desviaciones estándar, luego tenemos:

L = y C ± 2 (s y x) L = Límite superior (+) L = Límite inferior (-)

Calculamos y C para dos puntos cualesquiera, por ejemplo x = 5 y x = -5

y = 95.04 + 3.95 (- 5) = 75.29 y = 95.04 + 3.95 (5) = 114.79

Reemplazando en “L” tenemos:

L s = 75.29 + 2 (9.7) = 94.69 L i = 75.29 - 2 (9.7) = 55.89

 L s = 114.79 + 2 (9.7) = 134.19 L i = 114.79 - 2 (9.7) = 95.39

Con los resultados calculados podemos trazar en el gráfico de la recta ajustada los límites superior e inferior de
control.

- progresión mediante regresión lineal: relaciones causales

Ejemplo 2: El volumen de ventas efectuadas por un grupo de 8 vendedores de una compañía y los años de
experiencia en ventas de cada vendedor, se detallan en el cuadro siguiente. (a) Graficar el diagrama de
dispersión; (b) Calcular la recta de regresión; (c) Determinar el coeficiente de regresión; (d) Calcular el error
estándar del estimado; (e) Estimar y graficar los límites de control de la recta de regresión para un intervalo
de confianza del 68 %.

Vendedor Ventas Años xy x 2

y2
(miles de $) Experiencia
y X
A 9 6 54 36 81
B 6 5 30 25 36
C 4 3 12 9 16
D 3 1 3 1 9
E 3 4 12 16 9
F 5 3 15 9 25
G 8 6 48 36 64
H 2 2 4 4 4
∑ 40 30 178 136 244

a) Graficar el diagrama de dispersión Grafico del diagrama de dispersión

 (a) Calcular la recta de regresión

∑y= na+b∑x 8 a + 30 b = 40 a = 1.19 b = 0.53

∑xy = a∑x +b∑x 2 30 a + 136 b = 178 y = 0.53 + 1.19 x

(b) Determinar el coeficiente de regresión

n (∑ x y) – (∑ x) (∑ y)
r=
{ [n (∑ x 2) – (∑ x) 2] [ n (∑ y 2) – (∑ y) 2 ] } 1/2

(8) (178) – (30) (40)

r=
{ [(8) (136) – ( 30 2)] [(8) (244) – (40) 2] } 1/2

224 224
r= = =
0.87[188) (352)] 1/2 257.25

El grado de correlación calculado r = 0.87 se considera aceptable por estar más próximo a uno.

(a) Calcular el error estándar del estimado; (e) Estimar y graficar los límites de control de
la recta de regresión para un intervalo de confianza del 68.26 %
 (∑ y 2 + a ∑ y – b ∑ x y ) 1/2
s yx =

(n – 2) 1/2

[(244 – (40) (0.53) – (178) (1.19)] 1/2 (244 -21.2 -212960.02) 1/2

s yx = → s yx = s y x = 1.34

(n – 2) 1/2 (8 – 2) 1/2

Para calcular los límites de control de la regresión para un nivel de confianza del 68 % que
equivale en

unadistribución normal a 1 desviación estándar, tenemos:

L = y C ± 1 (s y x ) L = límite superior (+) e inferior (-) respectivamente

Calculamos y C para dos puntos cualesquiera por ejemplo x = 6 (vendedor A) y x = 2

(vendedor H)y = 0.53 + 1.19 (6) = 7.67 y = 0.53 + 1.19 (2) = 2.91

Reemplazando en “L” tenemos:

L s = 7.67 + 1 (1.34) = 9.01 L i = 7.67 - 1 (1.34) = 6.33

L s = 2.91 + 1 (1.34) = 4.25 L i = 2.91 - 1 (1.34) = 1.57

Con los resultados calculados podemos trazar en el gráfico de la recta ajustada los límites
superior einferior de control.

- Proyección mediante funciones no lineales

Ejemplo 1

Determinar la función que relaciona el comportamiento del consumo per cápita de cemento de un país en
relación con el nivel de ingreso y proyectar para el período 1981-85 el consumo total de ese producto en base
a los datos e hipótesis siguientes:

(a) La población del país en el período indicado crecerá a una tasa de 2.9 % a.a. de
acuerdo con elcomportamiento verificado en la década 1970-79

(b) La tasa de crecimiento del PIB en relación con la tasa de crecimiento de la economía se estima en
las siguienteshipótesis i) 10 % a.a., ii) 9 % a.a., iii) 8 % a.a.
 (c) Tomando en cuenta el crecimiento de la población se asume que el PIB per cápita tendrá
un crecimientoanual reducido en esa proporción.

(d) El PIB per cápita de 1980 fue de 1882.5 y la población de 92.763.5 (miles)

Calcular: (i) La función consumo del cemento; (ii) Proyectar el PIB per cápita para cada una de las tres hipótesis
de crecimiento; (iii) Calcular el consumo per cápita (mediante la educación de regresión); (iv) Proyectar la
población (con la tasa de crecimiento establecida); (v) Calcular el consumo total (multiplicando el PIB per
cápita proyectado por el consumo per cápita para cada una de las hipótesis enunciadas.

Año qi
1970 61.6
1971 63.3
1972 65.8
1973 66.2
1974 69.0
1975 68.1
1976 71.5
1977 73.7
1978 86.4
1979 90.4

Año qi yi log q i log y i log q i * log y i (log y i ) 2 (log q i ) 2

1970 61.6 1396.5 1.78958 3.14504 5.62830 9.89128 3,20260
1971 63.3 1497.2 1.80140 3.17528 5.71996 10.08240 3,24506
1972 65.8 1531.6 1.81823 3.18515 5.79131 10.14515 3,30595
1973 66.2 1511.7 1.82086 3.17947 5.78936 10.10900 3,31552
1974 69.0 1512.3 1.83885 3.17964 5.84687 10.11010 3,38137
1975 68.1 1510.1 1.83315 3.17901 5.82759 10.10608 3,36043
1976 71.5 1542.7 1.85431 3.18828 5.91205 10.16514 3,43845
1977 73.7 1571.0 1.86747 3.19618 5.96876 10.21554 3,48743
1978 86.4 1669.3 1.93651 3.22253 6.24048 10.38473 3,75009
1979 90.4 1768.5 1.95617 3.24761 6.35286 10.54694 3,82659
Total 716.0 15510.9 18.51652 31.89817 59.07754 101.75636 34,31348

Remplazando en las ecuaciones paramétricas o de Gauss tenemos:

− 18.51652 = 10 log k + 31.89817 e y → 31.89817 e y + 10 log k = 18.51652

59.07754 = 31.89817 log k + 101.75636 e y → 101.75636 e y + 31.89817 log k =

59.07754

− - 1017.49341 e y - 318.981725 log k = -

590.6431561017.56359 e y + 318.981725 log k

= 590.775434

− 0.07018383 e y = 0.1322783 → e y = 1.88474

60.1197768 + log k = 18.51652 → log k = -4.16033 → k = 0.000069131

−
q = 0.000069131 y 1.88474
 Proyectamos el ingreso per cápita:

Año Hipótesis 1 Hipótesis 2 Hipótesis 3

1981 1978.51 1997.33 2016.16
1982 2079.41 2119.17 2159.3
1983 2185.46 2248.44 2312.62
1984 2296.92 2385.59 2476.81
1985 2414.06 2531.12 2652.66

Proyectamos el consumo per cápita:

Año Hipótesis 1 Hipótesis 2 Hipótesis 3

1981 112.83 114.86 116.91
1982 123.92 128.42 133.04
1983 136.10 143.56 151.40
1984 149.47 160.53 172.30
1985 164.16 179.49 196.08

Proyectamos la población y el consumo total:

Año Población Hipótesis 1 Hipótesis 2 Hipótesis 3

1981 95.453.6 10.769.807 10.963.753 11.159.323
1982 98.221.8 12.171.352 12.613.669 13.067.684
1983 101.070.2 13.755.288 14.511.879 15.302.396
1984 104.001.3 15.545.353 16.695.746 17.919.266
1985 107.017.3 17.568.370 19.208.260 20.983.649

Calculamos el coeficiente de correlación mediante la ecuación siguiente:

e y ∑ log q i * log y i + log k ∑ log q i - log q i ∑ log q i

r2=
(∑log q i)2 - log q i ∑ log q i

(1.88474) (59,07754) + (-4.16033) (18,51652) - (1,85165) (18,51652)

r2=
34,31348 – (1,85165) (18,51652)

r 2 = 0.02493/ 0.02733 → r 2 = 0.91214 → r = 0.95506

Se comprueba que existe un alto grado de correlación entre las variables y por tanto
la variable ingresoexplica adecuadamente el comportamiento de la variable consumo en
este caso.

- Proyecciones mediante elasticidad

Elasticidad Precio

Ejemplo:

Si la demanda de camisas es de 2 (camisas/hombre-año) al precio de 100 ($/camisa) y si la elasticidad precio

de la demanda para este producto es, e = -1,5. Si el precio sube a 101 ( 1%); (a) En cuanto disminuirá el
consumo por hombre-año?; (b) En cuanto dinero disminuirán las ventas de camisas si en el área de consumo
viven 10000 consumidores?
 ΔQ/Q ΔQ/Q 101 – 100
ep = --------- -1.5 = ---------- ΔP/P = ------------- x 100 = 1% luego: ΔQ/Q= - 1.5%
ΔP/P 1% 100

Luego el porcentaje del consumo de camisas se reducirá a 98.5% (100% - 1.5%) y la disminución en el
consumo de camisas será:

2 camisas ------------------------ 100 %

1.97 camisas ---------- 98.5%

Mediante el cálculo siguiente determinamos la disminución del consumo en unidades monetarias:

El consumo actual es:

10000(hombres) * 2(Camisas)/hombre-año)* 100($/camisa) =

2.000.000 ($/año).El consumo de camisas con la subida del

precio en 1% (100 a 101 $/camisa) es:

10000(hombres) * 1.97 (Camisas)/hombre-año)* 101($/camisa) =

1.989.700 ($/año).Por consiguiente la disminución de las ventas

será:

2.000.000 ($) – 1.989.700 ($) = 10300($).

- Proyecciones mediante elasticidad de ingreso

Elasticidad Ingreso

Ejemplo de cálculo de la elasticidad ingreso, de acuerdo a la premisa, que la elasticidad es

constante a lo largo de la curva de la función potencial (q= k y^ey) donde (q) es consumo;
(k) constante de proporcionalidad; (y) es ingreso a precios constantes; (ey) la elasticidad
ingreso de la demanda a datos constantes (datos corrientes deflactados)
Ejemplo 1:

El consumo histórico de cemento de un país en relación con la serie histórica del ingreso
a datos constantes obtenida dela Oficina de Estudios Económicos es la que se muestra en
la tabla siguiente:
 Año Consumo per cápita (q) Ingreso per cápita (y)
(TM) ($)
2000 61.6 1396.5
2001 63.3 1497.2
2002 65.8 1531.6
2003 66.2 1511.7
2004 69.0 1512.3
2005 68.1 1510.1
2006 71.5 1542.7
2007 73.7 1571.0
2008 86.4 1669.3
2009 90.4 1768.5

(i) La población del país en el período indicado crecerá a una tasa anual de 2.90
% de acuerdocon el comportamiento verificado en el período 2000-2009.

(ii) La tasa de crecimiento del PIB de acuerdo al crecimiento de la economía se

estima en lashipótesis: (H1) 10%; (H2) 9%; (H3) 8%

(iii) Se asume que el crecimiento del ingreso per cápita se efectuará en la misma
proporción quelas tasa de crecimiento del PIB.

(iv) Tomar en cuenta que la tasa de crecimiento neta del PIB se reduce en la
proporción en quecrece la población.

SOLUCION

La función de consumo del cemento será ajustada a una función potencial de la forma q=
k yey en la cual la elasticidad es constante a lo largo de la curva de la función. Utilizamos
las ecuaciones siguientes:

(a) La función de consumo del cemento:

q= k y^ey Aplicando logaritmos tenemos:

log q = log k + ey loy y Las ecuaciones paramétricas son:

Σ log q = n log k + ey Σ log y

Σ log q * log y = log k Σ log y + ey Σ (log y)2

Construimos la tabla correspondiente a los parámetros de las ecuaciones paramétricas:
 Año q y log q log y log q * log y (log y)2 (log y)2

2000 61,6 1396,5 1,78958 3,14504 5,62830 9,89128 3,20260

2001 63,3 1497,2 1,80140 3,17528 5,71996 10,08240 3,24506
2002 65,8 1531,6 1,81823 3,18515 5,79131 10,14515 3,30595
2003 66,2 1511,7 1,82086 3,17947 5,78936 10,10900 3,31552
2004 69.0 1512,3 1,83885 3,17964 5,84687 10,11010 3,38137
2005 68,1 1510,1 1,83315 3,17901 5,82759 10,10608 3,36043
2006 71,5 1542,7 1,85431 3,18828 5,91205 10,16514 3,43845
2007 73,7 1571.0 1,86747 3,19618 5,96876 10,21554 3,48743
2008 86,4 1669,3 1,93651 3,22253 6,24048 10,38473 3,75009
2009 90,4 1768,5 1,95617 3,24761 6,35286 10,54694 3,82659
Total 716.0 15510,9 18,51652 31,89817 59,07754 101,75636 34,31348

Reemplazando en las ecuaciones paramétricas o de Gauss, tenemos:

10 log k + 31.89817 ey = 18.51652

31.89817 log k + 101.75636 ey = 59.07754

Resolviendo el anterior sistema de ecuaciones, tenemos:

ey = 1.88474

Log k = -4.16033 obtenemos el antilogaritmo: k = 10(-4.16033) k = 0.000069131Luego la función

potencial consumo de cemento es: q = 0.000069131 y1.88474

(b) Proyectar el ingreso per cápita de los próximos 5 años para cada una de las tres
hipótesis de crecimiento:

Año H1 H2 H3
2009 91,3 91,3 91,3
2010 109,3 107,4 105,6
2011 130,8 126,4 122,1
2012 156,5 148,7 141,1
2013 187,3 174,9 163,1
2014 224,2 205,7 188,6

Calcular el consumo total de cemento para cada una de las tres hipótesis de crecimiento del PIB enunciadas, si
lapoblación del período 2009 fue 92763.5 miles de habitantes:

Proyección de la población y el consumo total:

Año Población H1 H2 H3
2009 92763,5 8471125,9 8471125,9 8471125,9
2010 95453,6 10432081,2 10254057 10077471,9
2011 98221,8 12846972,1 12412244,4 11988423,1
2012 101070,2 15820878,9 15024668,9 14261740,3
2013 104001,3 19483206,4 18186934,6 16966137,8
2014 107017,3 23993315,0 22014767,2 20183359,3

- Proyección mediante tasa de crecimiento

- Proyección mediante regresión lineal

(a) Series de Tiempo

Ejemplo 1

SERIE HISTORICA DEL CONSUMO DE ACERO EN MILES DE TONELADAS METRICAS

Período Consumo
Año X Y XY X2 Y2 Yc
 2003 1 66,6 66,6 1 4435,6 75,3
2004 2 84,9 169,8 4 7208,0 79,3
2005 3 88,6 265,8 9 7850,0 83,2
2006 4 78,0 312,0 16 6084,0 87,1
2007 5 96,8 484,0 25 9370,2 91,1
2008 6 105,2 631,2 36 11067,0 95,0
2009 7 93,2 652,4 49 8686,2 99,0
2010 8 111,6 892,8 64 12454,6 102,9
2011 9 88,3 794,7 81 7796,9 106,9
2012 10 117,0 1170,0 100 13689,0 110,8
2013 11 115,2 1267,2 121 13271,0 114,77
Σ 66 1045,4 6706,5 506 101912,5

ECUACIONES DE REGRESION LINEAL

y= a +b x

Σy= na + b

Σx Σxy= a

Σx+ b Σx2

a= [(Σy)(Σx2) -(Σx)(Σxy)] / [n (Σx2) - (Σx)2]

a= (ȳ) - b ( )

b= [n (Σxy) - (Σ(x)(Σy)] / [n(Σx2) - (Σx)2]

b= [(Σxy) - n(x)(y)] / [(Σx2)-n(x)2]

Si: Σx=0

a= (ȳ)

b= (Σxy) / (Σx2)

r=[(n (Σxy) - Σ(x)(Σy)] / [n(Σx2) - (Σx)2)* [nΣy2) - (Σy)2)]1/2

Syx= {[Σ(y2) - a (Σy) - b(Σxy)] / (n-

2)}1/2L = Yc ± Z (Syx)

CALCULOS PARA EL CONSUMO DE ACERO

a = 71,36

b = 3,95

Yc = 3,95 + 71,36 x

r = 0,82

Syx = 9,71

Z = 2 (Nivel de confianza del 95.45%)

LS1 = 94,72

L I1 = 55,89

L S 11 = 134,19

L I 11 = 95,35
 - DEFLACTACIÓN DE PRECIOS

Ejemplo 2:
Δ (2017-2017)=[(168.78)/(164.15)]=1.02820591.

Este mismo procedimiento se aplica para deflactar los precios de los bienes y servicios de consumo.