Documentos de Académico
Documentos de Profesional
Documentos de Cultura
MORENO
FACULTAD DE CIENCIAS ECONÓMICAS
EMPRESARIALES
TRABAJO DE INVESTIGACION
REGISTRO: 218051077
SANTA CRUZ-BOLIVIA
PROYECTO DE INVESTIGACION
Introducción.
La importancia de esta oleaginosa, bajo manejo sostenible, con rotación de cultivos, siembra
directa, innovación tecnológica y mecanización, aporta directa e indirectamente a la soberanía
alimentaria, la generación de empleos y obtención de divisas para la economía de Bolivia.
Entonces el rendimiento de este cultivo es una variable económica importante, ya que genera utilidad.
El trabajo que realizamos estamos utilizando los datos del INE a nivel Bolivia entre los años 2010-2021.Se
ha desarrollado este trabajo con la finalidad de medir el rendimiento de acuerdo a la producción y la
superficie que ocupada el producto, para así tener en cuenta si al aumentar la producción o la superficie
ocupada en qué proporción aumenta la rendimiento.
Las empresas productoras de soya, están dispuesta a incrementar su rendimiento a medida que
aumentan su producción y superficie. Existe una relación positiva del rendimiento entre la producción y la
superficie.
Y= f(X2+X3)
Donde:
Y= Rendimiento
X2= Producción
X3= Superficie
Donde:
β1, β2 y β3 = Parámetros del modelo y además respectivamente son los coeficientes de intersección y la
pendiente.
Y
Rendimiento
β2 y β3
β1
Producción y superficie X2 y X3
Y= β 1 + β2X + β3 + u
Donde:
u= Conocido como termino de perturbación o error. El termino u representa todos los factores que afectan
al consumo pero que se consideran en el modelo en forma explicativa.
Y
+0 ,
Rendimiento
X2 y X3
Producción y superficie
Datos obtenidos del INE: Rendimiento, producción y superficie de soya por año (Gestión 2010-2021)
AÑOS
RENDIMIENTO PRODUCCION SUPERFICIE
OBSERVACIONES Y X2 X3
2009 - 2010 2077 1934394 931436
2010 - 2011 2243 2319524 1034235
2011 - 2012 2196 2429109 1106025
2012 - 2013 2073 2645777 1276344
2013 - 2014 2194 2814321 1282455
2014 - 2015 2348 3105938 1322992
2015 - 2016 2398 3203992 1336042
2016 - 2017 2114 2671046 1263702
2017 - 2018 2144 2818897 1314925
2018 - 2019 2155 2990845 1387973
2019 - 2020 2083 2829356 1357998
2020 - 2021 2319 3318169 1431021
12 33081368.00 15045148.00
(Xt.X)= 92896918220418. 42087198766191.
33081368.00 00 00
42087198766191. 19113986468738.
15045148.00 00 00
6.7623610152515 0.0000014023252 -0.0000084106298
(Xt.X)-1= 0.0000014023252 0.0000000000047 -0.0000000000115
-0.0000084106298 -0.0000000000115 0.0000000000321
26344.00
(Xt.Y)= 72913943115.00
33081988467.00
2156.344663
(Xt.X)-1.(Xt.Y)= 0.000760766
-0.00164168
Y = 2156.3446+0.00076X2-0.00164X3
Donde:
β1= 2156.344663
β2= 0.000760766
β3= -0.00164168
INTERPRETACION:
Hay una relación directa positiva entre la producción de soya (X2) y el rendimiento de la misma, por cada
tonelada métrica de soya producida el rendimiento de esta aumenta en 2156.34 kilogramos, por otra parte
existe una relación inversa negativa entre el rendimiento y la superficie medidas en hectáreas pero no hay
un efecto significativo debido a que por cada hectárea de soya cosecha el rendimiento es de 2156,34
kilogramos de esta.
Y = 2195,33
Y Estimada = 2195,33
t
STC=Y Y −¿ ¿
STC= 134412.67
SRC=Y t .Y −( ^β ) .( X t . Y )
2
SRC= 1114.41
SEC=STC−SRC
SEC= 133298.26
VARIANZA DE LA REGRESION
S2=¿ ¿
S2= 123.82
ECM =
∑ Ui 2
n
ECM= 92.87
S= √ S2
S= 11.13
Este resultado nos muestra en que cantidad los datos están apartados del valor del promedio de la
variable explica estimada (Y estimada).
COEFICIENTE DE DETERMINACION
SRC
R2=1−
STC
R2= 0.991709
R cercano a 1, el cual significa alta capacidad explicativa del modelo para predecir.
2 n−1 2
R =1− (1−R )
n−k
2= 0.926072
R
R2ajustado cercano a 1, el cual significa alta capacidad explicativa del modelo para predecir.
COEFICIENTE DE CORRELACION
R=± √ R2
R= ±1.00
R igual a 1, nos demuestra un ajuste perfecto, Y depende funcionalmente de sus regresores X2, X3.
V ( ^β )=S . ¿
2
o=√ Var ( β)
o (β1) = 28.94
o (β2) = 0.0000242
o (β3) = 0.0000630
INFERENCIA ESTADISTICA
- ESTIMACION PUNTUAL
E ( ^β )=βi
β 1= 2156.344663
β 2= 0.000760766
β 3= -0.00164168
β 1= + = 2221.7997
- = 2090.8896
β 2= + = 0.0008
- = 0.0007
β 3= + = -0.0015
- = -0.0018
P (-0.0015≤β3≤-0.0018) = 0.95
Los resultados obtenidos al hacerle la inferencia estadística al modelo de regresión lineal nos demuestran
una baja Δ (β1, β2, β3) y nos demuestra que los estimadores son confiables.
COEFICIENTE DE DISPERSION
t . o ^β
CD= .100
^β
CD (β1) = 3.04 %
CD (β2) = 7.20 %
CD (β3) = -8.68 %
Los coeficientes de dispersión de los estimadores son menor al 30% lo cual nos demuestra también la
alta predicción del modelo de regresión lineal múltiple.
X2 = 3000000
X3 = 1500000
Y = 2156.34+0.00076(3000000)-0.00164(1500000)
Y estimada = 1976.12
PREDICCION MEDIA
V ( Y^ )=o2 ´ .¿
V (Y estimada) = 14206.14
o (Yo) = 119.19
t = t(1-0,95;12-3)= 2.262
Y0 = + = 2245.73
- = 1706.52
CD(Yo) = 1.90 %
Los resultados obtenidos al hacerle la inferencia estadística al modelo de regresión lineal con una Y0 nos
demuestran una baja ΔY0 y nos demuestra que la estimación es confiable. El coeficientes de dispersión
de la estimacion es menor al 30% lo cual nos demuestra también la alta predicción del modelo de
regresión lineal múltiple.
1° Formulación de la hipótesis:
βi ≠ 0 H0: βi = 0 X
H1: βi ≠ 0 V
2° Estadístico de contraste:
Estadístico teórico
t= t(0,95;9) = 2.262
Estadístico de prueba
^β
t p=
o ^β
tp (β1) = 74.519
tp (β2) = 31.409
tp (β3) = -26.050
-2,262 +2,262
Como tp >t de todos los parámetros se rechaza H0, la hipótesis planteada es verdadera
1° Formulación de la hipótesis:
p2 > 0 H 0: p2 = 0 X
H1: p > 0
2
V
2° Estadístico de contraste:
Estadístico teórico
F= F(0,05;2;9) = 4.26
Estadístico de prueba
( n−k ) . R2
F p= 2 F = 0.037
P
( k−1 ) .(1−R )
Como FP>F se rechaza H0, la hipótesis planteada es verdadera
De acuerdo a los resultados obtenidos en las medidas de bondad de ajuste, el modelo de regresión lineal
múltiple realizado por el método de mínimos cuadrados ordinarios es fiable y posee una alta capacidad
explicativa para predecir y con la aplicación de la inferencia estadística se reafirma la alta capacidad
predictiva del modelo de regresión lineal múltiple.
El modelo diseñado puede ser utilizado para la predicción del rendimiento de la soya para gestiones
futuras y con ello poder tomar acciones de prevención ante cambios climáticos o incluso en predecir el
rendimiento ante una tonelada cosechada mas de soya o una hectárea sembrada mas de esta y con ello
evitar fluctuaciones en su oferta o demanda futura de este producto agrícola que es uno de los mas
importas y de mayor aporte al crecimiento del país (PIB).