Guia Metodos Cuantitativos

MODALIDAD ABIERTA Y A DISTANCIA
Maestría en Gestión Financiera
postgrados
área administrativa
Diseño de modelos cuantitativos

Texto Guía
4 créditos
Ciclo II
Oswaldo Francisco Ochoa Ordoñez
Autor
La Universidad Católica de Loja

www.utpl.edu.ec
Asesoría virtual
Diseño de modelos cuantitativos
Texto Guía
Oswaldo Francisco Ochoa Ordoñez
UNIVERSIDAD TÉCNICA PARTICULAR DE LOJA
CC 4.0, CC BY-NY-SA
Diagramación, diseño e impresión:

EDILOJA Cía. Ltda.
Telefax: 593-7-2611418
San Cayetano Alto s/n
www.ediloja.com.ec
edilojainfo@ediloja.com.ec
Loja-Ecuador
Primera Edición
ISBN físico - 978-9942-08-902-1
Maquetación y diseño digital

EDILOJA Cía. Ltda.
Primera Edición
ISBN digital - 978-9942-04-987-2
La versión impresa y digital han sido acreditadas bajo la licencia Creative Com-
mons 4.0, CC BY-NY-SA: Reconocimiento-No comercial-Compartir igual; la cual
permite: copiar, distribuir y comunicar públicamente la obra, mientras se reco-
nozca la autoría original, no se utilice con fines comerciales y se permiten obras
derivadas, siempre que mantenga la misma licencia al ser divulgada. https://
creativecommons.org/licenses/by-nc-sa/4.0/deed.es
Agosto, 2016
1. Indice
ÍTEM PÁGINA
1. Indice..................................................................................................... 3
2. Introducción....................................................................................... 5
3. Bibliografía.......................................................................................... 7
4. Orientaciones generales de estudio....................................... 10
5. Proceso de enseñanza-aprendizaje para el logro
de competencias............................................................................. 13
Unidad 1. Análisis univariado.................................................... 21
1.1. Variables cuantitativas........................................................ 22
Autoevaluación 1 ............................................................................ 32
Unidad 2. Análisis bivariado...................................................... 35
2.1. Pruebas paramétricas......................................................... 35
2.2. Pruebas no paramétricas................................................... 47
Autoevaluación 2 .......................................................................... 58
Unidad 3. Análisis multivariado................................................ 60
3.1. Regresión lineal...................................................................... 60
3.2. Regresión múltiple................................................................ 74
3.3. Regresión logística................................................................ 78
Autoevaluación 3 .......................................................................... 85
Unidad 4. Econometría de series de tiempo:
Pronosticos................................................................... 87
Autoevaluación 4 .......................................................................... 93
6. Solucionario....................................................................................... 95
7. Referencias bibliográficos........................................................... 99
8. Anexos.................................................................................................. 101
TEXTO GUÍA: DISEÑO DE MODELOS CUANTITATIVOS
2. Introducción
El módulo de Diseño de Modelos Cuantitativos, corresponde

al segundo módulo de la Maestría en Gestión Financiera de la
Universidad Técnica Particular de Loja.
Este módulo ha sido diseñado para que los estudiantes

desarrollen habilidades en el análisis estadístico y econométrico
que servirá en la investigación empírica necesaria para explicar
los eventos económicos y financieros reales, a través de técnicas
estadísticas y modelos econométricos aplicables a los sectores
de la economía.
El diseño de modelos cuantitativos, constituye una materia

fundamental para complementar su formación académica, ya
que ante el previo dominio de la teoría estadística, financiera y
econométrica revisada en los estudios de pre-grado, el uso del
STATA será la herramienta básica al momento del aprendizaje
de este módulo. Por tal razón el dominio de este software es
importante en su formación académica, convirtiéndolo en un
excelente asesor tanto para el sector público como para el
privado.
En el desarrollo del módulo se revisará paso a paso la construcción

y análisis de ejemplos prácticos que permitirán entender y
reforzar la aplicabilidad de la estadística y la econometría a las
finanzas. La información cuantitativa ha sido tomada de fuentes
estadísticas tal como: Superintendencia de Bancos, Bolsa de
valores de Ecuador, INEC, Banco Central del Ecuador (BCE),
Yahoo Finanzas entre otras.
El desarrollo del módulo comienza con una introducción teórica

y básica de cada uno de los temas a revisarse, los mismos que
serán complementados con ejercicios netamente prácticos
que permitirán entender el uso del software estadístico y
econométrico STATA en cualquier versión superior a la 11.
Maestría en Gestión Financiera 5

El Texto-Guía está estructurado en cuatro unidades. En la

primera se revisan las distintas medidas del análisis univariado.
Las unidades 2 y 3 revisan el análisis bivariado y multivariado,
en los cuales se revisan estadísticos de gran importancia para
el análisis de la información, además de los temas de regresión
lineal y múltiple que nos permitirán establecer modelos de
regresión. Por último la unidad 4 se aborda el tema de series
temporales, información muy utilizada en temas de información
financiera.
Para un aprendizaje eficaz y para el logro de las competencias

se requiere, de ustedes señores estudiantes, la predisposición,
interés y buena voluntad, solamente así se evidencia la
importancia del módulo educativo, el deseo de superación y
el logro de sus grandes ideales. Para culminar expreso a todos
ustedes, los mejores deseos porque el estudio de este módulo
les brinde muchas satisfacciones que les permitan ir logrando
sus objetivos de profesionalización.
¡Bienvenidos y muchos éxitos
6 Universidad Técnica Particular de Loja

3. Bibliografía
3.1. Básica
Ochoa, O. (2016). Texto-Guía Diseño de modelos cuantitativos.
Loja, Ecuador: Ediloja.
Esta guía tiene como objetivo brindar elementos necesarios para

facilitar el estudio de cada tema planteado en el módulo. En ella
encontrará ejercicios prácticos con análisis claros y concisos de
la aplicabilidad de los modelos cuantitativos a la economía y las
finanzas.
3.2. Complementaria
• Anderson, D., Sweeney, D. & Willians, T. (2011). Métodos
cuantitativos para los negocios. México: CENCAGE
Learning.
Este libro es bastante didáctico, ya que desglosa cada uno

de los temas de manera apropiada, además de establecer
una variedad de ejercicios que explican cada tema.
• Lind, D., Marchal, W. & Wathen, S. (2012). Estadística

aplicada a los negocios y la economía. México: McGraw
Hill.
Un texto generalmente utilizado en las ciencias sociales y

administrativas, analiza los temas desde un punto de vista
más administrativo, y permite entender los temas con
facilidad a través de una serie de ejercicios.
• Devore, J. (2013). Probabilidad y estadística. México:

CENCAGE Learning.
Este libro mayormente presenta ejercicios, ya que no

se centra mucho en la teoría, sino en la aplicabilidad
de los mismos en situaciones bastante prácticas de la
administración y la economía.

• Gujarati, D. & Porter, D. (2010). Econometría. México:

McGraw Hill.
Un texto bastante entendible para conocer todo lo

referente a modelos de regresión, ya que maneja una gran
cantidad de ejercicios donde se explica las metodologías
de cálculo y las interpretaciones de los resultados.
• Hamilton, J. (1994). Time series analysis. New Yersey, USA.

Princeton.
Este libro es considerado como la Biblia de los libros en

temas de series temporales, ya que aporta en gran medida
todo el conocimiento relacionado con la econometría de
series temporales.
• Wooldridge, J. (2001). Introducción a la econometría.

México: Thomson – Learning.
Libro complementario al de Gujarati en temas de

econometría sobre todo en modelos de regresión múltiple.
• Rojas, M. (2003). Técnicas estadísticas paramétricas y

no paramétricas equivalentes: resultados comparativos
por simulación. Escuela Superior Politécnica del Litoral.
Guayaquil-Ecuador.
Los libros citados al final en la bibliografía, han aportado en

mayor o menor medida a la elaboración de este texto-guía, y
sería de gran importancia que pudiera apoyarse en estos textos
para complementar el estudio de los temas revisados en este
módulo. Aparte hago constancia de algunos libros digitales o
documentos que han aportado a la elaboración de este Texto-
Guía.

Recursos Web
Aquí se presentan algunos enlaces Web de los cuales se obtuvo

datos o información financiera
• http://finance.yahoo.com/
• http://www.sbs.gob.ec/practg/p_index
• http://www.bolsadequito.info/
• http://www.bolsadevaloresguayaquil.com/
• http://datos.bancomundial.org/pais
• http://www.ggdc.net/maddison/maddison-project/data.
htm
• http://www.bioestadistica.uma.es/baron/apuntes/
ficheros/cap04.pdf.

4. Orientaciones generales de
estudio
No olvide que la formación de postgrados en modalidad a

distancia requiere de un mayor esfuerzo y dedicación tanto
en el aspecto metodológico y pedagógico. Recuerde señor
estudiante que usted es el responsable directo del tiempo que
le dedique al estudio, de la forma como organice su aprendizaje
y en general la auto-disciplina que implica estudiar este módulo.
Para lograr un aprendizaje efectivo es importante que lo haga

de manera responsable, ordenada y secuencial, para ello le
propongo las siguientes orientaciones de estudio:
1. Compruebe que tiene todos los materiales necesarios:

texto-guía y bibliografía complementaria, revise y
compare sus contenidos.
2. Estudie en un ambiente tranquilo, en donde facilite

su relajación y concentración, de manera que pueda
aprovechar el tiempo designado por usted al módulo
educativo.
3. Dedique al menos una hora a revisar el texto-guía,

señalando las partes principales y simultáneamente
apoyándose del material complementario para facilitar la
comprensión del mismo.
4. Para no tener dificultad en la comprensión de la materia,

se requiere tener presente las materias de: estadística
descriptiva e inferencial, econometría I, econometría II y
econometría III.
5. Lea el texto-guía de la materia en forma ordenada, si aún

no comprende un tema no pase al siguiente. Apóyese
mucho de la bibliografía complementaria.

6. Para desarrollar el trabajo final del módulo, previamente

debe revisar todo el contenido del módulo, esto facilitará
la comprensión y desarrollo del trabajo.
7. Tome datos de la economía nacional, replique ejercicios

y arme modelos de regresión y trate de aplicar todo lo
aprendido en este módulo.
8. Revise en internet los enlaces relacionados con el manejo

del software econométrico.
9. Son importantes las consultas al profesor responsable

o de apoyo del módulo mediante la comunicación sea
ésta a través del EVA, correo electrónico o vía telefónica,
para solventar las inquietudes que vayan surgiendo en el
desarrollo de sus trabajos, en el horario de atención que
consta en el EVA.
10. La forma de evaluación de esta materia será que al final

del módulo se debe presentar un trabajo a distancia
y presentarse a una evaluación presencial, que en
conjunto con las actividades previstas la calificación de
la materia será por 100 puntos. Estas actividades serán
desarrolladas en el Entorno Virtual de Aprendizaje (EVA).
11. Desarrolle las autoevaluaciones al final de cada módulo,

para reforzar lo aprendido en cada uno de ellos.
12. Revise la matriz para planificar el trabajo que debe

realizar de manera semanal, además tenga presente las
fechas de entrega del trabajo final y fechas para rendir las
evaluaciones presenciales.
13. Es importante que participe de las actividades que

se dan en el EVA, ya que serán de gran apoyo para el
entendimiento del módulo.

A lo largo de las cuatro unidades del Texto-Guía, Usted encontrará

íconos cuyo significado se muestra a continuación:
Comandos para la ejecución del programa

STATA
Actividad recomendada
Revisión de enlaces en internet para reforzar

ciertos temas
Advertencias y tips que le permiten manejar

el software STATA de mejor manera

5. Proceso de enseñanza-
aprendizaje para el logro de
competencias
5.1. Competencias genéricas de la UTPL

Son aquellas capacidades (actitudes, habilidades y
conocimientos) comunes a todas las profesiones que se ofrece
en la UTPL. Constituye una parte fundamental del perfil que el
estudiante debe desarrollar durante su formación.
• Comunicación oral y escrita
• Orientación a la innovación y a la investigación
• Trabajo en equipo.
• Comportamiento ético.
• Organización y planificación del tiempo.

5.2. Planificación para el trabajo del alumno
14
Competencias
Competencias Contenidos
específicas del Actividades de Indicadores de Tiempo de
específicas de
componente aprendizaje aprendizaje dedicación
Titulación Unidades
educativo
Analizar las Implementa la UNIDAD 1. ANALISIS üüLeer Texto-Guía üüAplica las SEMANA 1
variables micro y utilización de herramientas

UNIVARIADO
macroeconómicas herramientas üüUtilizar técnicas de estadísticas para el 12 horas de
1.1. Variables estudio para resumir autoestudio
como herramientas estadísticas y análisis e
de planificación econométricas, cuantitativas los contenidos de la interpretación de
unidad 4 horas de
enfocada a la toma para el análisis e 1.1.1. Medidas de variables interacción
de decisiones. interpretación de üüRevisar la económicas y
Orientar a la toma variables tendencia bibliografía financieras
de decisiones de económicas y central complementaria
inversión y financieras.
financiamiento. 1.1.2. Medidas de üüInteractuar en el
EVA.
dispersión
üüResolver la
1.1.3. Medidas de autoevaluación 1
localización
Universidad Técnica Particular de Loja
Competencias
específicas de
educativo
UNIDAD 2. ANALISIS üüLeer Texto-Guía üüAplica las SEMANA 2
BIVARIADO herramientas
üüUtilizar técnicas de estadísticas para el 12 horas de
2.1. Pruebas estudio para resumir autoestudio
análisis e
paramétricas los contenidos de la

interpretación de 4 horas de
Unidad variables
2.1.1. T de Student interacción
üüRevisar la económicas y
2.1.2. ANOVA bibliografía financieras
complementaria
2.1.3. Coeficiente de
üüInteractuar en el
correlación de
EVA.
Pearson
üüResolver la
2.2. Pruebas no autoevaluación 2
paramétricas
2.2.1. Wilcoxon
2.2.2. Kruskall Wallis
2.2.3. Coeficiente de
Correlación de
Spearman
15
Competencias
16
específicas de
educativo
UNIDAD 3. ANALISIS üüLeer Texto-Guía üüAplica las SEMANA 3
MULTIVARIADO herramientas y4
üüUtilizar técnicas de estadísticas y
3.1. Regresión lineal estudio para resumir 24 horas de
econométricas para
3.2. Regresión lineal los contenidos de la el análisis e autoestudio
múltiple Unidad interpretación de 8 horas de
3.3. Regresión logística üüRevisar la variables interacción
bibliografía económicas y
3.4. Regresión de Cox financieras
complementaria
EVA.
üüResolver la
autoevaluación 3
UNIDAD 4. üüLeer Texto-Guía üüAplica las SEMANA 5

ECONOMETRIA DE herramientas y6
üüUtilizar técnicas de estadísticas y
SERIES DE TIEMPO: estudio para resumir 24 horas de
PRONOSTICOS econométricas para
los contenidos de la el análisis e autoestudio
Unidad
interpretación de 8 horas de
üüRevisar la variables interacción
bibliografía económicas y
complementaria financieras
EVA.
üüResolver la
autoevaluación 4

Competencias
específicas de
educativo
Unidades 1 a al 4 üüNueva revisión de SEMANA 7
los contenidos como y8
preparación para la
evaluación 24 horas de
autoestudio

presencial
8 horas de
interacción
TOTAL HORAS 128
17
5.3. Sistema de evaluación del módulo

Formas de evaluación 2. Heteroevaluación
1. Autoevaluación *
Evaluación a Evaluación
3. Coevaluación
distancia ** presencial
Parte objetiva
en el EVA***
Interacción
Parte de
objetiva
Prueba
Prueba
ensayo
ensayo
Competencia: criterio
Comportamiento ético x x x x x x x
Cumplimiento,
puntualidad, x x x x x x
Actitudes
responsabilidad
Esfuerzo e interés en los
trabajos x x x x x x
Respeto a las personas
y a las normas de x
comunicación
Creatividad e iniciativa x x x x
Habilidades
Contribución en el trabajo
colaborativo y de equipo x x
Presentación, orden y
ortografía x x x
Emite juicios de valor
argumentadamente x x x
Dominio del contenido x x x x x x x
Conocimientos
Investigación (cita
fuentes de consulta) x x x
Aporta con criterios y
soluciones x x x x x
Análisis y profundidad en
el desarrollo de temas x x x x x
presenciales y en
PORCENTAJE 10% 20% 10% 20% 40%

aprendizaje
Estrategia
Actividades
de
el EVA
Puntaje 10 20 10 20 40
TOTAL 100 puntos

Para aprobar el módulo se requiere obtener un puntaje mínimo de 70/100 puntos, que
equivale al 70%.
*Son estrategias de aprendizaje, no tienen calificación; pero debe responderlas con el fin de
autocomprobar su proceso de aprendizaje.
**Recuerde: que la evaluación a distancia consta de dos partes: una objetiva y otra de ensayo, debe
desarrollarla y enviarla en físico a través de su centro universitario según las fechas establecidas.
***Estrategias de aprendizaje opcionales y de tipo colaborativa: foro, chat, video colaboración y wiki.
Señor estudiante:
Tenga presente que la finalidad de la valoración cualitativa

es principalmente formativa.

5.4. Orientaciones específicas para el aprendizaje

por competencias
Estimado maestrante antes de empezar con el de empezar con el
desarrollo de los contenidos propuestos en el módulo de Diseño
de modelos cuantitativos, le invito a revisar algunas orientaciones
específicas que le permitirá optimizar el aprendizaje por
competencias. No olvide que las estadísticas y la econometría
están presentes en todos los aspectos relacionados con la
economía y las finanzas, sobre todo con la vida en general, por
lo que se requiere que mantenga una actitud siempre positiva al
módulo que está estudiando, ya que no solo le servirá a lo largo
del posgrado sino durante su vida profesional.
Este módulo no tiene texto básico, no obstante toda la

bibliografía complementaria, le dará las herramientas necesarias
para un mejor entendimiento de los temas que se revisarán a lo
largo de este módulo. Recuerde que las actividades al final de
cada unidad le ayudarán a reforzar y comprender los temas por
usted revisados. No olvide revisar los enlaces web, los cuales
son muy importantes a la hora del aprendizaje del software
econométrico STATA.
Recuerde que todos los estadísticos descriptivos, modelos de

regresión y la econometría de series de tiempo, fueron realizados
con el programa STATA 12. Usted puede conseguir cualquier
versión de este programa que no sea menor a la versión 9. Le
recuerdo que entre más pronto se familiarice con este software,
usted podrá aprender de forma más rápida y eficiente los
contenidos planteados en este módulo.
Recuerde que las dudas que tenga con respecto a este programa
las puede consultar con su profesor de la materia, quien le
facilitara las estrategias necesarias para un buen entendimiento
del mismo.

Así mismo recuerde que el aprendizaje en grupo es más

efectivo que le aprendizaje individual. Particularmente cuando
los contenidos que predominan en las unidades revisadas son
más prácticas que teóricas.
Una vez que hemos presentado las partes introductorias, es

momento de empezar el aprendizaje del fascinante mundo del
diseño de modelos cuantitativos.

Unidad 1.
Análisis univariado
“Las estadísticas son como los marcianos de los 60: están por todas partes”
Walter Sosa Escudero
Estimado estudiante en la parte introductoria de este módulo

revisaremos el análisis univariado, cuyo objetivo es analizar,
describir y representar un conjunto de datos utilizando métodos
estadísticos y gráficos que permiten resumir y presentar la
información obtenida.
Para John W. Tukey (E.D.A.: Exploratory data analysis) es,

básicamente, el tratamiento estadístico al que se someten las
muestras recogidas durante un proceso de investigación en
cualquier campo científico. Para mayor rapidez y precisión,
todo el proceso suele realizarse por medios informáticos, con
aplicaciones específicas para el tratamiento estadístico.
El hacer un análisis univariado de datos es importante para:
• Evaluación general de los datos
• Identificación de datos atípicos, extremos, perdidos
• Descripción
• Chequeo de supuestos para análisis posteriores
• Identificar diferencias entre sub-grupos
Comenzamos el estudio conociendo los distintos tipos de

variables.

1.1. Variables cuantitativas

Conocemos que las variables cuantitativas son aquellas que
expresan un valor numérico que está asociada a una población
o un individuo en particular. Este tipo de variables pueden ser
discretas y continúas.
Entre las medidas más utilizadas dentro del análisis univariado

tenemos las que se describen en el siguiente gráfico:
Grafico N°1
Medidas del analisis univariado
Fuente: Lind y otros (2012).
Me permito recordarles que este tipo de medidas fueron ya

estudiadas en las asignaturas de Estadística 1 y 2. Existirán
algunos temas que no serán abordados en este momento tal
es el caso de las medidas de forma, que podrá revisarlas en el
libro de Probabilidad y Estadística de Devore, J. (2013), pero que
serán analizados en temas posteriores.
1.1.1. Medidas de tendencia central
Para Fernández y otros (2002), al describir grupos de diferentes

observaciones, con frecuencia es conveniente resumir la
información con un solo número. Este número que, para tal
fin, suele situarse hacia el centro de la distribución de datos
se denomina medida o parámetro de tendencia central o de
centralización.
Según Lind et al (2012), el cálculo de la media poblacional es la

suma de todos los valores observados en la población dividida
entre el número de valores de la población. Para determinar la
media poblacional aplicamos la siguiente fórmula:

También tenemos la media muestral, que vendría ser igual

a la poblacional, con la diferencia de la utilización de datos
muestrales. Su fórmula es la siguiente:
La media aritmética como también se la conoce cumple las

siguientes propiedades:
1) Todo conjunto de datos de intervalo o de nivel de

razón poseen una media.
2) Todos los valores se encuentran incluidos en el

cálculo de la media.
3) La media es única.
4) La suma de las desviaciones de cada valor de la

media es cero.
A parte de la media también tenemos el cálculo de la mediana,

que viene a ser el punto medio de los valores una vez que se han
ordenado de menor a mayor o de mayor a menor.
Las principales propiedades de la mediana son las siguientes:
1) No influyen en ella valores extremadamente o

pequeños
2) Es calculable en el caso de datos de nivel ordinal o

más altos.

La moda es otra de las medidas de ubicación, ya que se refiere al

valor de la observación que aparece con mayor frecuencia. Esta
es útil para resumir datos a nivel nominal, ordinal, de intervalo y
de razón. La moda también tiene la ventaja de que no influyen
en ella los valores extremadamente grandes o pequeños. Su
desventaja principal es que en muchos conjuntos de datos no
existe la moda.
Para esto revisaremos el siguiente ejercicio práctico, vamos a

utilizar datos correspondientes al rubro (serie de volumen de
crédito por tipo de cartera, actividad económica y distribución
geográfica) pertenecientes al Banco de Loja durante el año 2013
para el cantón Loja. Los datos se encuentran en al anexo como
TABLA DE DATOS N°1 y TABLA DE DATOS N°2.
Para el análisis de estos datos procedemos de la siguiente

manera: vamos a manejar dos variables: # de créditos (NC),
y volumen de crédito (VC), para esto subimos los datos en
STATA. Una vez subidos procedemos al cálculo de dos de las
principales medidas de tendencia central (media y mediana) y
luego realizamos las respectivas interpretaciones.
Con STATA procedemos a ingresar los comandos que nos

permitirán obtener estos estadísticos en cada variable.
Los resultados obtenidos se muestran en el siguiente cuadro:

Tabla N°3
Media y mediana
El programa STATA, a más de la media aritmética nos

proporciona la media geométrica y la harmónica. Interpretando
los resultados, la media aritmética nos indica que el Banco
de Loja en el año 2013, tuvo en promedio 2 créditos por mes,
adicional el volumen de créditos promedió fue de $25793.34,
esto en créditos de consumo orientados a actividades del hogar
en el cantón Loja. En cuanto a la mediana podemos decir que 2
créditos son realizadas por mes, valor casi similar al de la media
y que el volumen de crédito es de $7539, valor no homogéneo
al de la media. Podríamos considerar que el valor de la mediana
sería más representativo que el de la media, ya que como
podemos ver en la tabla de datos, existen valores muy altos o
bajos que sesgan el resultado de esta media.
1.1.2. Medidas de dispersión
En Lind, D. (2012), las medidas de ubicación que acabamos de

revisar, solo describen el centro de los datos. Desde un punto
de vista resulta valiosa, pero no dice nada sobre la dispersión
de los datos. Las medidas de dispersión miden la variación o
variabilidad que se presenta en una distribución a través de un
valor numérico que nos indica que tan alejados están los datos
de una variable con respecto a su valor medio.
Por ejemplo, si la guía de turismo ecológico dice que el río

que se encuentra a pocos pasos tiene en promedio 3 pies de
profundidad ¿querría usted cruzarlo a pie sin más información?
Quizá no. Usted desearía saber algo sobre la variación de la

profundidad. ¿Mide 3.25 pies la máxima profundidad y 2.75 pies

la mínima? En dicho caso usted estaría de acuerdo en cruzar.
¿Qué hay si usted se enteró que la profundidad del río variaba
de 0.50 a 5.5 pies? Su decisión probablemente sería no cruzar.
Antes de tomar una decisión, usted desea información tanto de
la profundidad típica como de la dispersión de la profundidad
del río.
Una medida de dispersión pequeña indica que los datos se

acumulan con proximidad alrededor de la media aritmética. Por
lo tanto, la media se considera representativa de los datos. Otra
razón para estudiar la dispersión en un conjunto de datos consiste
en comparar la propagación en dos o más distribuciones.
Revisaremos dos medidas importantes tal como: la desviación

estándar y la varianza. Esto es tomado del libro de Estadísticas
aplicada a los negocios y a la economía de Lind, D. et al (2012).
Para Levine, D. et al (2014), la varianza y la desviación estándar,

son estadísticos que miden la dispersión “promedio” alrededor
de la media, es decir, la manera en que los valores más grandes
fluctúan por arriba de ella y la manera como los más pequeños
fluctúan por debajo de ella. Se requiere una medida de variación
que reste un conjunto de datos de otro, eleve al cuadrado la
diferencia entre cada valor y la media, y luego sume esas
diferencias cuadradas. En estadística esta cantidad se conoce
como la suma de cuadrados (SC). Luego para obtener la
varianza muestral (S2), esta suma se divide para el número de
valores menos 1 (para datos muestrales). La raíz cuadrada de la
varianza muestral es la desviación estándar muestral (S).
Como, de acuerdo, con las reglas del álgebra, esta suma de

cuadrado siempre no será no negativa, ni la varianza ni la
desviación estándar pueden ser negativas. Para prácticamente
todos los conjuntos de datos, la varianza y la desviación
estándar serán un valor positivo. Ambos estadísticos serán
solo cero si no hay variación en un conjunto de datos, lo que
ocurre únicamente cuando todos los valores de la muestra son
iguales. Las siguientes formulas calculan la varianza poblacional
y muestral:

También tenemos el coeficiente de variación que es una medida

relativa de variación que siempre se expresa en porcentaje y
no en términos de las unidades de los datos en particular. El
coeficiente de variación, que se denota con el símbolo CV, mide
la dispersión de los datos con respecto a la media.
El coeficiente de variación es especialmente útil para comparar

dos o más conjuntos de datos que están medidos en unidades
diferentes.
Para la obtención de estos estadísticos, en STATA utilizamos la

misma base de datos y los siguientes comandos:
Los resultados obtenidos son los siguientes:
Tabla N°4
Desviación estándar

Sabemos que el cuadrado de la desviación estándar nos da

la varianza. Por lo tanto para la variable NC, los datos están
a una desviación estándar con respecto a la media, lo que
indica que estos datos nos están muy dispersos con respecto
a su valor medio, caso contrario sucede con la variable VC,
cuya desviación está muy por encima del valor medio, lo que
indica que posiblemente la muestra seleccionada no es muy
representativa en tamaño mas no en valores, adicional que no
es una muestra homogénea.
1.1.3. Medidas de posición
Las medidas de posición nos permiten conocer otros valores

característicos de la distribución de datos, que no están
relacionados con los puntos centrales, como lo hacen las
medidas de tendencia central. Entre las principales tenemos: los
cuartiles y los valores mínimo y máximo.
Lind, D. et al (2012), manifiesta en su texto, que los deciles

dividen un conjunto de observaciones en 10 partes iguales y los
percentiles en 100 partes iguales. Por ejemplo, si el promedio
general en la Universidad se encuentra en el octavo decil,
usted podría concluir que 80% de los estudiantes tuvieron un
promedio general inferior al suyo y 20%, un promedio superior.
Para Levine, D. et al (2014), los cuartiles dividen un conjunto de

datos en cuatro partes iguales. El primer cuartil, Q1, separa al
25% de los valores más pequeños del otro 75%, que son más
grandes. El segundo cuartil, Q2, es la mediana; 50% de los valores
son más pequeños iguales que la mediana y 50% son mayores o
iguales que la mediana. El tercer cuartil, Q3, separa el 75% de los
valores más pequeños del otro 25%, que son más grandes. Las
siguientes ecuaciones definen el primer y tercer cuartil.
n +1 3(n + 1)
Q1 = valor ordenado Q3 = valor ordenado
4 4

El rango intercuartil es la diferencia entre el tercer cuartil y el

primero en un conjunto de datos. También es conocido como la
dispersión media. Como el rango intercuartil no toma en cuenta
cualquier valor menor que Q1 o mayor que Q3, no se ve afectado
por los valores extremos. Los estadísticos descriptivos, como la
mediana, Q1, Q3 y el rango intercuartil, que no se ven afectados
por los valores extremos, se denominan medidas resistentes.
Un ejemplo básico:
Los datos nutricionales acerca de una muestra de 7 cereales para

el desayuno, incluyen el número de calorías por porción. Calcule
el lo intercuartil del número de calorías por cereal. Ordenados
del menor al mayor, los números de calorías de los siete cereales
son los siguientes:
80, 90, 100, 110, 130, 190, 200
Utilizando las fórmulas de Q1 y Q3, tenemos los siguientes

resulta dos: Q1=100 y Q3=190.
Rango intercuartil=190-100=90.
Por lo tanto, el rango intercuartil para el número de calorías en

los cereales es de 90 calorías.
Dando continuidad al mismo ejercicio, procedemos con el

STATA al cálculo de los estadísticos.
El comando s(q) permite establecer los cuartiles, mientras que

tab lo que nos permite es generar una tabla. Los resultados son
los siguientes:

Tabla N°5
Cuartiles
Para las dos variables podemos decir que entre el 25% al 75%, en
la variable NC, se han otorgado entre 2 y 3 créditos mensuales,
mientras que para la variable VC, los montos otorgados
alcanzaron valores de hasta $55700 en el 75% de créditos
otorgados.
En cambio los valores máximo y mínimo, los obtenemos de la

siguiente forma:
Tabla N°6
Valores max. y min.
Como podemos ver en los resultados, en la variable NC, el

número de créditos mínimo otorgado al mes es de 1 y el máximo
es de 5 créditos. En la variable VC, el monto mínimo ha sido de
$115 en 2 créditos otorgados en el mes de abril, y el máximo
volumen de $94961 que corresponde a 4 créditos otorgados en
el mes de marzo.

Estimado maestrante, ha culminado la primera unidad y cuenta

con una visión más clara de los estadísticos que nos permiten
analizar las variables cuantitativas. Ahora lo invito a desarrollar
la actividad recomendada así como la autoevaluación, con la
finalidad de que compruebe lo aprendido hasta el momento.
Estimado maestrante, con la finalidad de reforzar esta parte lo

invito a replicar este ejercicio con las variables (NCA y VCA) de
la TABLA N°2, que está en los anexos.
En los siguientes enlaces encontrarán un tutorial de cómo aplicar

el STATA para obtener varios estadísticos similares a los que
acabamos de revisar. Adicional el siguiente enlace, pertenece a
la Superintendencia de Bancos, donde podrás encontrar varios
datos entre ellos los que estamos utilizando para el desarrollo
del módulo
Hemos concluido el estudio de la primera unidad, por ello lo

invito a desarrollar la siguiente autoevaluación.

Autoevaluación 1
1. ¿Cuál es la diferencia entre la media aritmética y la media geomé-

trica?
a) La primera es la suma de valores dividido para el

número de elementos y la segunda es la raíz n-esíma
del producto de un conjunto de elementos.
b) La primera ubica el valor medio de los datos
ordenados, mientras que la segunda obtiene la raíz
de cada valor y lo promedia.
c) La primera es la suma de valores dividido para el
número de elementos y la segunda es la multiplicación
de los elementos al cuadrado.
2. ¿Cuáles son consideradas como medidas de tendencia central?
a) Asimetría y curtósis
b) Desviación estándar y varianza
c) Moda, mediana y media
3. Las medidas de forma son aquellas que:
a) Determinan numéricamente la posición de ciertos

valores en una distribución de datos.
b) Determinan numéricamente la forma que los datos
en una distribución.
c) Determinan numéricamente la forma que adoptan el
valor medio de los datos.
4. ¿Cuál es la finalidad de la desviación estándar?
a) Calcular el valor mínimo de una distribución de datos.

b) Calcular la variación de los datos con respecto al
valor medio.
c) Determinar el valor central de una distribución de
datos.

5. ¿Cuál es la diferencia entre desviación estándar y varianza?
a) La desviación estándar es la raíz cuadrada de la

varianza
b) La varianza es la multiplicación de la desviación
estándar por dos.
c) La varianza en la división de la desviación estándar
para dos.
6. ¿La mediana es considerada como una medida de:
a) Medida de dispersión
b) Medida de forma
c) Medida de posición
7. ¿La medida que agrupa a la información entre un 25% y 75% es:
a) Percentiles
b) Deciles
c) Cuartiles
8. ¿A qué se refiere el análisis univariado?
a) Analizar un conjunto de datos a través de métodos

estadísticos y gráficos.
b) Realizar una regresión entre dos variables.
c) Determinar únicamente medidas de dispersión.
9. ¿Cuál podría ser una desventaja en la información para obtener

una media aritmética confiable?
a) Pocos datos
b) Existencia de ciertos datos muy grandes o muy
pequeños.
c) Poca variabilidad entre datos.

10. En una distribución simétrica la:
a) La media, mediana y moda son iguales.

b) La desviación estándar coincide con la varianza.
c) La media y la mediana varían en gran parte.

Unidad 2.
Análisis bivariado
2.1. Pruebas paramétricas

Para Rojas, M. (2003), la estadística inferencial paramétrica hace
suposiciones específicas acerca de la población o poblaciones
que se muestrean. Partimos planteando hipótesis de un modelo
de distribución poblacional objeto de estudio, pero conocemos
que muchas de las veces no se puede inferir sobre la población,
por ende acudimos a una distribución muestral para poder
inferir sobre la población. Estas hipótesis asumen ciertos
comportamientos que pueden estar relacionado con muestras
obtenidas de manera aleatoria, o simplemente conocer si las
observaciones o datos se distribuyen de manera normal.
Aun así hay ciertas consideraciones en una prueba paramétrica:
• Una prueba paramétrica puede no funcionar bajo

violaciones a sus supuestos, a menos que sea robusta.
• Siempre puede usarse una transformación (logarítmica,

exponencial, etc.), de manera que puedan cumplirse los
supuestos ya sean de normalidad u otros.
• La prueba dependerá del campo de aplicación. Si se sabe

de antemano la distribución de la población por estudios
anteriores será mejor optar por una prueba paramétrica.
• Las pruebas paramétricas pueden evaluar en diferente

medida que las no paramétricas. La perspectiva de las
pruebas puede ser distinta.
2.1.1. T de student
La prueba t-student puede ser aplicada en muestras

dependientes e independientes, lo importante es poder
determinar adecuadamente el grado de relación de las variables
de estudio para poder utilizar la metodología más adecuada.

En los contrastes con muestras independientes, la hipótesis nula

es que los valores obtenidos en una y otra muestra son similares,
frente a la hipótesis alternativa de que son diferentes. El valor
obtenido en la significación nos permite decidir si se rechaza o
no la hipótesis nula.
La prueba de t-student para dos medias: se basa en contrastar

si las medias de cada grupo son similares. Este tipo de contraste
es válido cuando se da alguna de las siguientes condiciones:
1) Las varianzas son similares y las observaciones de

cada muestra son normales.
2) Las varianzas son similares y los tamaños de muestra

son grandes.
3) Hay diferencias notables entre las varianzas de

cada grupo, pero los tamaños de cada muestra son
similares y además son grandes o aproximadamente
normales.
Lind, D. et al (2012), manifiesta que la utilización del estadístico t,

para la comparación de las medias muestrales de dos poblaciones
independientes y poder determinar si las poblaciones
muestreadas pueden tener, puede tener, de forma razonable, la
misma media. Dicho método no requiere que se conozcan las
desviaciones estándares de las poblaciones. Esto proporciona
más flexibilidad cuando se investiga la diferencia entre dos
medias de las muestras. Hay dos diferencias importantes entre
esta prueba y la prueba de la distribución normal.
• Las poblaciones muestreadas tienen desviaciones

estándares iguales pero desconocidas. Debido a
esta suposición, las desviaciones estándares de las
muestras se combinan, o agrupan.
• Se utiliza la distribución t como el estadístico de

prueba.

Para un análisis más detallado de este tema revise el siguiente

documento: Técnicas estadísticas paramétricas y no paramétricas
equivalentes: resultados comparativos por simulación de Rojas,
M. (2003), citado en la bibliografía complementaria.
El siguiente ejercicio compara las ventas semanales de la bebida

de cola BLK en dos lugares de exhibición diferentes (anaquel o
exhibidor al final del pasillo). Hay dos poblaciones de interés, la
primera que es la venta del producto en un anaquel normal y
la segunda población es la venta del producto semanal en un
anaquel al final del pasillo. Lo que se busca es conocer si las
ventas promedio de cola BLK es igual en cualquier ubicación.
Ejercicio tomado del libro de Estadística para la administración
de Levine et al (2014).
Los comandos a utilizarse en STATA son los siguientes:
Tabla N°7
t-student

Las hipótesis establecidas son las siguientes:
De los resultados obtenidos, y conociendo que el valor de

t-student de la tabla es de (-2.1009; +2.1009), lo comparamos
con el valor t obtenido del STATA (-4.0976), este valor es mayor
por lo tanto rechazo Ho. Concluimos que las ventas promedio
de la cola BLK, son distintas dependiendo del lugar, en este caso,
las ventas son mayores cuando el producto es colocado al final
del pasillo.
2.1.2. Anova
El ANOVA (Analysis of Variance), es una de las herramientas

estadísticas más utilizadas que permite la separación de las
diversas fuentes de variación que puede ser: por el error aleatorio
en la media o por el factor controlado, que hace referencia a
cuestiones como la metodología utilizada en la recolección de
datos, el tipo de encuestador, la técnica a encuestar, entre otros.
Para utilizar el ANOVA de forma satisfactoria deben cumplirse

tres tipos de hipótesis, aunque se aceptan ligeras desviaciones
de las condiciones ideales:
1. Cada conjunto de datos debe ser independiente del

resto.
2. Los resultados obtenidos para cada conjunto deben

seguir una distribución normal.
3. Las varianzas de cada conjunto de datos no deben

diferir de forma significativa.
Para Lind et al (2012), en el ANOVA utilizamos la distribución

F, con la cual ponemos a prueba si dos muestras provienen de
poblaciones que tienen varianzas iguales, y también se aplica
cuando se desea comparar varias medias poblacionales en
forma simultánea. La comparación simultánea de varias medias
poblacionales deben seguir una distribución normal, y los datos
deben ser la menos de escala de intervalos.

Las características de la prueba F son:
• Existe una familia de distribuciones F: cada miembro

de la familia se determina mediante dos parámetros:
los grados de libertad del numerador y los grados de
libertad del denominador.
• La distribución F es continua: esto significa que se

supone un número infinito de valores entre cero y el
infinito positivo.
• La distribución F no puede ser negativa: el menor

valor que F puede tomar es 0.
• Tiene sesgo positivo: la cola larga de la distribución

es hacia el lado derecho. Cuando el número de
grados de libertad aumenta, tanto en el numerador
como en el denominador, la distribución se aproxima
a ser normal.
• Es asintótica: cuando los valores de X aumentan, la

curva F se aproxima al eje X pero nunca lo toca. Este
caso es similar al comportamiento de la distribución
de probabilidad normal.
La prueba ANOVA busca determinar si varias medias muestrales

provienen de una sola población o de poblaciones con medias
distintas. En realidad, estas medias muestrales se comparan
mediante sus varianzas. La estrategia es estimar la varianza de
la población de dos formas para después determinar la razón
de dichas estimaciones. Si esta razón es aproximadamente
1, entonces por lógica las dos estimaciones son iguales, y se
concluye que las medias poblacionales no son iguales. La
distribución F sirve como un árbitro para indicar en que instancia
la razón de las varianzas muestrales es mucho mayor que 1 para
haber ocurrido por casualidad.

En Devine, D. et al (2014), la prueba de la diferencia entre las

varianzas de dos poblaciones independientes se basa en el
cociente de las dos varianzas muestrales. Si suponemos que
cada población se distribuye de manera normal, entonces
la razón S12/S22 tiene una distribución F. Sabemos que los
valores críticos tanto en el numerador como en el denominador
dependen de los grados de libertad. Entonces la prueba F para
la razón de dos varianzas
S12
Festad =
S 22
Con un nivel de significancia dado α, se somete a prueba la

hipótesis nula de la igualdad de varianzas poblacionales:
En comparación con la hipótesis alternativa de que las dos

varianzas poblacionales no son iguales:
Se rechaza la hipótesis nula adoptando la siguiente regla de

decisión:
Rechazar de otro modo, no rechazar Ho.
En muchos casos es necesario examinar diferencias entre más

de dos grupos. Los grupos implicados se clasifican de acuerdo
con los niveles de un factor de interés. Cuando solo hay un
factor en el diseño experimental se dice que hay un diseño
completamente aleatorio. Cuando esto sucede se utiliza un
proceso denominado ANOVA de un factor, y es una extensión
de la prueba t de varianza conjunta para la diferencia entre dos
medias. El analizar la varianza entre y dentro de los grupos,
podemos sacar conclusiones acerca de posibles diferencias en
las medias grupales. En el ANOVA, la variación total se subdivide
en la variación que se debe a las diferencias entre los grupos y

la variación que se debe a las diferencias dentro de los grupos.

La variación dentro de los grupos mide la variación aleatoria. La
variación entre los grupos se debe a las diferencias que existe
de un grupo a otro. El símbolo c se utiliza para indicar el número
de grupos.
La variación total está representada por la suma de los

cuadrados totales (SCT), donde interviene la gran media ( X )
, que viene a ser la media de todos los valores en todos los
grupos combinados
El cálculo entre grupos, generalmente denominada suma

de cuadrados entre grupos (SCE), se calcula sumando las
diferencias al cuadrado entre la media muestral de cada grupo
(SCE), se calcula sumando las diferencias al cuadrado entre la
media muestral de cada grupo y la gran media, ponderadas por
el tamaño de la muestra en cada grupo. La ecuación muestra el
cálculo de la variación entre grupos.

La variación dentro de los grupos, generalmente denominada

suma de cuadrados dentro de los grupos (SCD), mide la
diferencia entre cada valor y la media de su propio grupo y
suma los cuadrados de esas diferencias en todos los grupos.
Si se divide cada una de esas sumas de cuadrados entre sus

respectivos grados de libertad, se obtienen tres varianzas, que
en el ANOVA se denominan términos de cuadrado medio: CME
(cuadrado medio entre), CMD (cuadrado medio dentro) y CMT
(cuadrado medio total).

Por lo tanto la regla de decisión es:
Rechazar de otro modo, no rechazar Ho.
Entendida la parte teórica, vamos por la aplicación práctica.

Retomemos los datos de la TABLA N°1 y N°2, utilizando las
variables (NC y NCA), que son el número de créditos otorgados
por el Banco de Loja (2013) en dos actividades distintas en
el segmento de créditos de consumo. Lo que buscamos es
determinar si hay una diferencia entre las medias del número de
créditos otorgados a lo largo del año para los dos segmentos de
actividad (hogares y profesionales).
Tabla N°8
ANOVA
Basándonos en las hipótesis las cuales plantean:
En cuanto a la regla de decisión que nos dice que si la probabilidad

del F es menor al 5%, se rechaza Ho. En este caso al ser del
0.1837, aceptamos Ho, de que no hay una variación considerable
en el promedio de créditos otorgados a lo largo del 2013 entre
los dos segmentos a los cuales fueron destinados.

2.1.3. Coeficiente de correlación de Pearson
Para Lind et al (2013), en el capítulo 13, este coeficiente creado

por Karl Pearson mide la fuerza de la relación o asociación entre
dos conjuntos de variables en escala de intervalo o de razón.
Se denota con la letra (r), y puede tomar valores entre -1 y +1, lo
que indica una correlación perfecta sea esta positiva o negativa.
Cuando se estudia este tipo de relación es usual comenzar con
un diagrama de dispersión, el cual proporciona una relación
visual entre las variables.
Gráfico N°2
Coeficiente de correlación de Pearson
Fuente: Devore, J (2013).
En el libro de Levine, D et al (2014), una correlación, por si misma,

no demuestra que existe un efecto de causalidad, es decir, que
el cambio en el valor de una variable causó el cambio en otra
variable. Una fuerte correlación puede ser simplemente producto
del azar, o el efecto de una tercera variable que no se tomó en
cuenta en el cálculo de la correlación, o bien, el resultado de una
relación de causa y efecto. Es necesario realizar un análisis más
profundo para determinar cuál de esas tres situaciones produjo
en realidad la correlación. Por lo tanto, podemos decir que la
causalidad implica correlación, pero la correlación, por si misma,
no implica causalidad.

La ecuación define al coeficiente de correlación muestral (r):
Cuando se tiene datos muestrales, es posible calcular el

coeficiente de correlación muestral, r. Cuando se utilizan datos
muestrales, es poco probable que se obtenga un coeficiente de
correlación muestral de exactamente +1, 0 o -1.
Para Devore, J. (2013), el r debe cumplir ciertas propiedades:
1) El valor r no depende de cuál de las dos variables

estudiadas es X y cual es Y.
2) El valor de r es independiente de las unidades en las

cuales X y Y estén medidas.
3) -1≤ r ≤ 1
4) r = 1, si y sólo si todos los pares (Xi, Yi) quedan en una

línea recta con pendiente positiva, y r = -1 si y sólo si
los pares (Xi, Yi) quedan en una recta con pendiente
negativa.
5) El cuadrado del coeficiente de correlación muestral

da el valor del coeficiente de determinación que
resultaría de ajustar el modelo de regresión lineal
simple (r)2 = r2.

Para poner en práctica este apartado vamos a realizar el siguiente

ejercicio, el cual toma los datos de la inversión extranjera directa,
entrada neta de capital (IED balanza de pagos, US$ a precios
actuales) y del PIB (US$ a precios actuales) desde 1976 al 2013
del Ecuador. Esta información fue tomada de la página web del
Banco Mundial. Los datos están en la TABLA DE DATOS N°3 en
ANEXOS.
Antes de establecer la correlación de las variables debemos

declarar a la base de datos como una serie temporal, ya que
la información es anual. Luego procedemos a establecer el
coeficiente de correlación.
Tabla n°9
Correlación de Pearson
Fuente: STATA 12
Del resultado obtenido podemos decir que primeramente

entre estas dos variables existe una relación directa, es decir,
a medida que crece la IED, crece también el PIB. El valor de
0,4887 obtenido manifiesta que existe una asociación de casi
el 50% entre estas variables, pero recuerde que esto no es una
relación causa efecto, es simplemente un análisis de su relación.

2.2. Pruebas no paramétricas

Se considera a estas pruebas como metodologías de distribución
libre, es decir, no necesitamos conocer la distribución de la
muestra. Estas pruebas son generalmente utilizadas cuando
los datos no cumplen los requisitos que exigen las pruebas
paramétricas antes mencionadas.
Además Rojas, M. (2003), expresan que nos permiten conocer

la forma de distribución de la población, de la cual se extrajo
la muestra. Además son aplicables cuando la teoría de la
normalidad no puede ser utilizada, por ejemplo cuando no se
trabaja con magnitudes de observaciones sino con sus rangos.
2.2.1. Wilcoxon
González, R. & Pérez, A. (2010), manifiestan que esta prueba no

paramétrica es una prueba alternativa a la prueba de t-student
para dos muestras apareadas. Como este contraste no exige
requisitos para poder aplicarlo, se puede utilizar siempre para
comparar dos muestras emparejadas. Por ejemplo cuando el
tiempo que tarda la rata elegida para recorrer el laberinto 1
o 2, las calificaciones numéricas, en el rango de 0 a 100, en n
elementos, elegidos al azar en dos pruebas diferentes o en dos
materias distintas. El objetivo es contrastar si hay diferencias
entre las dos pruebas. Se dispone pues de los valores de una
variable numérica para los n elementos que forman la muestra
y en dos contextos distintos, es decir, se tienen dos muestras
apareadas y con los valores de la variable numérica se puede
considerar no sólo el signo de la diferencia sino también su
magnitud, lo que permite ordenar las diferencias de menor a
mayor. Para cada elemento de la muestra se calcula el valor
de las diferencias di entre los resultados de la prueba 1 y de
la prueba 2, se determinan los valores absolutos de estas
diferencias. Se descartan todos los pares que dan diferencia 0
y a los n1 restantes se les asigna un rango de 1 a n1, ordenando
los valores absolutos de las diferencias de menor a mayor. En
el caso en que haya diferencias con el mismo valor absoluto, a
todas éstas se les da el mismo rango, que es la media aritmética

de los rangos que les corresponderían si las diferencias fueran

algo distintas. A continuación se les añade el signo menos a los
rangos que procedían de diferencias negativas y el resto son
rangos positivos. Se calcula SRP, la suma de los valores absolutos
de los rangos positivos, y SRN, la suma de los valores absolutos
de los rangos negativos y se indica por S la suma de los rangos
menos frecuentes, es decir, S = min {SRP, SRN}.
Se trata de contrastar la hipótesis:
H0: las medianas de las dos poblaciones de las que proceden las
muestras son iguales.
H1: las medianas de las dos poblaciones correspondientes a las
muestras son diferentes.
Si es cierta H0, la diferencia entre los resultados de las dos

muestras se podrían considerar como una muestra de una
población con mediana cero.
La suma de los valores absolutos de los rangos positivos y de

los rangos negativos es:
Las hipótesis el contraste son equivalentes a:
H0: La suma de los valores absolutos de los rangos positivos es

igual a la suma de los valores absolutos de los rangos negativos,
frente a la alternativa que es la negación en sentido amplio de
H0, es decir, H1: «La suma de los valores absolutos de los rangos
positivos y la de los valores absolutos de los rangos negativos
son distintas».

Si H0 es cierta, se puede probar que:
Se mejora la aproximación teniendo en cuenta la corrección de

continuidad:
Eligiendo +0,5 o -0,5 de forma que disminuya el valor absoluto

del estadístico de contraste.
Para el contraste bilateral presentado, si el valor del estadístico

de contraste pertenece a la se rechaza
la hipótesis nula con confianza 1-a y en caso contrario no hay

razones para sospechar que esa hipótesis no sea cierta.
Análogamente, se puede dar las reglas de decisión para los

contrastes unilaterales, teniendo en cuenta las regiones críticas
correspondientes.
Vamos a la parte práctica, el siguiente ejemplo fue tomado del

libro de Estadística aplicada a los negocios y a la economía de
Lind, D. et al (2012), en el cual FRICK una cadena de restaurantes
que vende pollo, ha creado un nuevo sabor del pollo a través de
especias nuevas. Para esto escogió una muestra de 15 clientes
y les pidió que califiquen el nuevo sabor y el actual con una
calificación del 1 al 20. La TABLA DE DATOS N°4, proporciona
los valores. Lo que desea determinar el gerente de esta cadena
es conocer si el sabor a especies va ser preferido por su clientela.

Antes de aplicar el STATA, debemos asignar valores categóricos

a las muestras, entonces para el sabor actual (SABORES=0),
mientras que el sabor con especies (SABORES=1), de esta forma
se crea otra variable que denominamos CATEGORIA. Cabe
mencionar que el comando destring permite desencadenar
los valores de 1 y 0 asignados a la categoría, de esta forma se
vuelven numéricos para poder ser utilizados.
Las hipótesis que vamos a manejar son las siguientes:
Ho: No hay diferencia entre las calificaciones de los dos sabores

H1: Las calificaciones son más altas para el sabor a especias
Tabla N°10
Prueba de Wilcoxon
Fuente: STATA 12

En base a los resultados, podemos ver que la probabilidad

del sabor actual=0, es mayor a la del sabor con especias, por
lo tanto, el gerente del restaurante decide mantener el sabor
actual ya que la calificaciones de los encuestados manifiestan
su preferencia por el sabor actual.
2.2.2. Kruskal - Wallis
En el libro de González, R. & Pérez, A. (2010), la prueba de

Kruskal – Wallis es un contraste no paramétrico que permite
comprobar si las observaciones cuantitativas de k (siendo k > 2)
muestras aleatorias proceden de la misma población. Se dispone
de k muestras independientes de observaciones también
independientes de una variable aleatoria X, una muestra para
cada una de k poblaciones de tamaños N1, N2,……..Nk, en las que
la función de distriución de X es respectivamente F1(x), F2(x),…
….,Fk(x).
Se designan por n1, n2,…., nk los tamaños respectivos de las

muestras y por nT, la suma de los tamaños muestrales, es decir,
Se pretende contrastar la hipótesis nula:
Frente a la hipótesis alternativa:
H1: al menos una de las igualdades anteriores no se cumple.
En el supuesto de que la hipótesis nula sea cierta, se puede

considerar que todas las observaciones juntas constituyen una
muestra aleatoria de tamaño nT de una misma población. Se
ordenan los valores de esta muestra conjunta de menor a mayor
y se les asigna a cada valor su rango 1, 2,….., nT. En este caso la
suma de todos los rangos es .

Si los rangos están bien distribuidos entre las k muestras, que

formarían una muestra simple de una sola población, la suma de
todos los rangos se debería dividir proporcionalmente entre las
k muestras. Y así para la i-ésima muestra el valor esperado de la
suma de sus rangos sería:
En consecuencia, William H. Kruskal y W. Allen Wallis definen

como estadístico del contraste:
William H. Kruskal demostró que si la hipótesis nula es cierta y

los tamaños de las muestras no son muy pequeños, la variable
aleatoria H sigue aproximadamente una distribución X2k-1.
Por tanto, la región crítica para el nivel α es:
Es decir, se rechaza la hipótesis nula al nivel α si el valor del

estadístico H es mayor o igual que
Observación: puede ocurrir que en las muestras aparezcan

valores repetidos, en este caso se aplica un factor de corrección
al estadístico de contraste del siguiente modo:
Si el número de empates es S y mj es el número de veces que se

repite un dato, se calcula para este empate mj3 – mj y llamado
, el factor de corrección es y el
estadístico de contraste corregido es:
Las hipótesis planteadas para esta prueba son las siguientes:
Ho: Todas las poblaciones son idénticas

H1: No todas las poblaciones son idénticas

Profundice el tema revisando el capítulo 19 del texto de Anderson,

D. et al (2011).
Vamos nuevamente a retomar la TABLA DE DATOS N°4, del

ejercicio anterior, por lo tanto procedemos a realizar esta prueba
a través del STATA.
Tabla N°11
Prueba de Kruskal Wallis
Fuente: STATA 12
De los resultados obtenidos y basándonos en la probabilidad

de Chi-cuadrado (X2), podemos ver que este valor es menor
al 5%, por lo que se rechaza la Ho, y concluimos que las dos
poblaciones no son idénticas, es decir, que para este ejercicio si
existiría una preferencia por el nuevo sabor con especias, ya que
sus calificaciones fueron más altas, lo que permitiría al gerente
del restaurante apostar por el nuevo sabor.

2.2.3. Coeficiente de correlación de Spearman ρ (rho)
Para Gómez, M. (2007), el test o prueba de Spearman dada

una muestra aleatoria simple de tamaño n de una población
bivariante, se puede contrastar la independencia entre las
variables, mediante el coeficiente de correlación calculado a
partir de los rangos de la muestra. Por comodidad de cálculo, se
supone la muestra reordenada en la forma (1, S1),…, (n, Sn) donde
Si, es el rango correspondiente a la observación del segundo
componente que se corresponde con la de rango i del primer
componente.
El coeficiente de correlación de los rangos de Spearman viene

dado por:
Expresión que puede simplificarse observando que
Pues
Con lo que se puede poner alternativamente
Por ser R un coeficiente de correlación, está contenido en

el intervalo (-1, 1) y si las variables X e Y son independientes
E[R|Ho]=0, ya que

Y, por lo tanto
Bajo la hipótesis nula, la distribución de R es simétrica alrededor

de cero, ya que los valores de los rangos Si pueden ser
considerados como una permutación de los n primeros números
naturales, que si es compatible con un valor R=r, la permutación
ordenada de atrás hacia adelante asigna el valor n+1-i, al que
antes era i, lo que lleva al valor de R=r´ con
La siguiente tabla, recoge la forma de las regiones críticas

basadas en el estadístico de Spearman.
El cálculo de la distribución exacta bajo la hipótesis nula, para

valores pequeños de n, pueden efectuarse de forma directa. Así
para n=3, la tabla anterior nos lleva a la siguiente tabla:

Con lo que se obtiene la distribución contenida en la siguiente

tabla:
La distribución asintótica del estadístico de Spearman viene

dada por
El tratamiento de los rangos repetidos consiste en sustituirlos

por su rango promedio, esto implica que ha de calcularse R
mediante la expresión directa. De todas formas si n es grande,
el error que se comete al emplear la expresión simplificada es
mínimo.
El test de Spearman puede utilizarse igual que el test de Kendall,

para verificar si la sucesión y1,…, yn es aleatoria, mediante el
contraste de independencia basado en la muestra (i, yi) i= 1, …,n.
También para Anderson, D. et al (2011), es una medida de la

asociación, correlación o interdependencia entre dos variables
que cuentan con datos de intervalo o de razón. Para calcular
ρ, los datos son ordenados y reemplazados por su respectivo
orden. Profundice este tema revisando el apartado 19.5 del libro
citado.
Retomemos la TABLA DE DATOS N°3, para aplicar este

coeficiente.

Tabla N°12
Coeficiente de correlación Spearman
Fuente: STATA 12
En base a los resultados, podemos ver que el coeficiente de

Spearman es de 0.71, lo que muestra una correlación positiva
entre las variables sabores y categoría.
Estimado maestrante, ha finalizado la segunda unidad y cuenta

con un claro panorama de la importancia de las pruebas
paramétricas y no paramétricas. Ahora lo invito a desarrollar
Estimado maestrante, con la finalidad de reforzar esta parte, lo

invito a replicar estos ejercicios tomando muestras que tengan
una relación independiente y otras con relaciones dependientes.
Levante esta información a 15 personas en su lugar de trabajo,
establezca las variables y calcule todos los indicadores que
acabamos de revisar.
A continuación revisa este enlace web, donde encontraras un

curso MOOC es español, sobre probabilidad y estadística que
te permitirá reforzar con más ejemplos prácticos, lo que hemos
estudiado hasta el momento.
Hemos concluido el estudio de la segunda unidad, por ello lo


Autoevaluación 2
1. ¿En qué se diferencia el coeficiente de correlación de Spearman

con el de Pearson?
a) El primero trata variables a nivel ordinal, mientras que

la segunda es independiente de escala de medida de
las variables.
b) ¿En la primera su coeficiente fluctúa entre (0 y 1) y
en la segunda entre (-1 y 1)?
c) ¿En la primera se mide la covarianza y en la segunda
la varianza?
2. ¿En las pruebas no paramétricas no se necesita conocer?
a) La covarianza entre las variables

b) La distribución de la muestra
c) La población
3. ¿El coeficiente de correlación de Spearman mide?
a) Relación lineal entre dos variables

b) Mide la distribución de frecuencias de las variables
c) Establece intervalos de confianza de las variables
4. Los contrastes en muestras independientes nos dicen que la hipó-

tesis nula se establece como:
a) Los valores obtenidos en una y otra muestra son

similares
b) Los valores obtenidos en una y otra muestra son
diferentes
c) La covarianza entre dos variables debe ser constante

5. La prueba t-student, es un estadístico que nos permite probar

hipótesis sobre las variables:
a) A nivel individual
b) A nivel global entre todas las variables
c) A nivel global e individual
6. La prueba de Kruskall Wallis es un método:
a) Paramétrico
b) No paramétrico
c) Cualitativo
7. La prueba de Wilcoxon para ser aplicada requiere:
a) Que el supuesto de normalidad este presente

b) Que no exista el supuesto de normalidad
c) Que las muestras sean iguales
8. Para aplicar el ANOVA debe existir la siguiente condición:
a) Independencia entre el conjunto o grupo de datos

b) Que los datos deban ser netamente cualitativos
c) Dependencia entre el conjunto o grupo de datos
9. Inferencia estadística paramétrica se hace referencia a:
a) A la muestra para inferir acerca de la población

b) A la población para saber de dónde proviene una
muestra
c) A la muestra para obtener una sub-muestra
10. La prueba de Kruskall Wallis en que estadístico se basa:
a) t- student
b) F- Fisher
c) X2 Chi cuadrado

Unidad 3.
Análisis multivariado
En esta sección analizaremos distintos tipos de regresiones, en

los cuales se establecerán modelos de regresión a nivel simple
y múltiple. Establecer adecuadamente un modelo nos permitirá
medir relaciones entre variables de manera correcta y nos
permitirá predecir valores futuros de las variables dependientes,
útiles para la adecuada toma de decisiones.
Para conocer mejor esté tema, deberá recordar o repasar temas

relacionados con la asignatura de Econometría.
3.1. Regresión lineal

¿Desea conocer que es la Econometría y saber cómo plasmar
un modelo económico simple al combinar variables macro
y microeconómicas tal como: el PIB, inflación, determinar
elasticidades, crecimiento poblacional, niveles de producción,
medición de riesgo financiero, costos totales, costos marginales,
costos medios, etc., es decir poder aplicarlo en todos los
campos sean estos financieros, ambientales, económicos, de
salud, industriales entre otros, y conocer a ciencia cierta cuáles
son sus efectos a largo plazo?
Comenzaremos por definir que es la econometría: “La

Econometría se basa en métodos estadísticos para estimar
relaciones económicas, poner a pruebas teorías económicas
y evaluar y poner en práctica políticas gubernamentales y
comerciales”. (Wooldridge, J. 2001).
En definitiva y destacando lo principal de estos conceptos

la econometría se basa en la explicación cuantitativa de los
fenómenos económicos de un país, a través del uso de las
matemáticas, la estadística, la macro y microeconomía, en fin
todas aquellas materias que intervienen en el análisis de los
fenómenos económicos. Se la considera como una ciencia aparte,
porque busca explicar de manera numérica o cuantificable las

teorías económicas basadas en el planteo de hipótesis que

generalmente son expresadas en forma cualitativa.
Adicional podemos destacar los tipos de econometría, los

mismos que se expresan en la siguiente figura:
Gráfico N°3
Tipos de Econometría
Fuente: Gujarati, D & Porter, D. (2010).
En base a la metodología econométrica, comenzaremos

entendiendo cual es el formato general de una ecuación de
regresión simple y los factores que la componen:
Para realizar el análisis de un problema económico se presenta

la metodología tradicional o clásica:

Gráfico N°4
Metodología econométrica
Fuente: Gujarati, D & Porter, D. (2010).

Para comprender mejor esta primera parte a continuación se

describe paso a paso la metodología, mediante los siguientes
ejemplos:
EJEMPLO 1.
1. Planteamiento de la teoría o de la hipótesis
Modelos basados en teorías económicas ya establecidas.
• Keynes (1936), plantea en su estudio denominado “The

General Theory of Employment, Interest and Money”,
que la ley psicológica fundamental…, consiste en que los
hombres (y las mujeres) como regla general y en promedio,
están dispuestos a incrementar su consumo a medida
que su ingreso aumenta, pero no en la misma cuantía del
aumento de su ingreso.
Esta ecuación significa que el consumo está en función del

ingreso, es decir, que los cambios o variaciones que se den
en el ingreso repercuten en el consumo, estos pueden ser de
manera directa o inversa.
• Okun (1950), economista norteamericano establece que el

desempleo está en función del producto interno bruto real.
Por tal razón el modelo establecido de manera sencilla es:
Este modelo económico manifiesta la correlación existente entre

los cambios en la tasa de desempleo y los cambios en el PIB
actual (real), la ley manifiesta “Que por cada punto porcentual
que la tasa de crecimiento de la producción efectiva sobrepase a
la tasa de crecimiento tendencial de pleno empleo el desempleo
va a caer en P puntos porcentuales”.

Por tanto:
A mayor producción, menos desempleo; a menor producción,

más desempleo. El Pib real es la variable (X) o independiente
que explica las variaciones que se dan en el desempleo.
Modelos basados en planteo de hipótesis.
Aquí lo que hará es probar alguna relación entre dos variables

siempre y cuando estas tengan relación con lo que se quiere
probar. No se puede poner variables al azar sin que exista alguna
relación o concordancia con las mismas.
Se pretende conocer la relación que se dan en los siguientes

modelos:
• El salario de un trabajador en función de las horas

de trabajo
Este es un modelo planteado que busca conocer como se ve

afectado el salario de un trabajador ante una variación en las
horas de trabajo.
• Promedio de calificaciones de un paralelo en función

al número de estudiantes
Estos ejemplos son referencias de modelos ya establecidos o

modelos que se puede proponer estudiar, todo ello basado en la
relación de las variables y en la disponibilidad de la información.

2. Especificación del modelo matemático.
La especificación de cualquier modelo en forma matemática es

la misma para todos, solo variaría en el número de variables con
las cuales establecemos el modelo. Aquí encontraremos modelos
tal como: los lineales, logarítmicos, recíprocos y polinomiales.
Pero como estamos comenzando el estudio de la materia de
econometría, solo se trabaja con modelos de regresión simple.
Esta es la representación matemática en la cual establecemos

que Y está en función de X, o como lo vimos en los ejemplos
anteriores se tendría:
• El consumo en función del ingreso
• El desempleo en función del PIB real
• El salario en función de las horas de trabajo
• Promedio de calificaciones en función del número de

estudiantes.
3. Especificación econométrica
Para la especificación econométrica, simplemente al modelo

matemático se le adiciona el término m, el cual representa a
todas aquellas variables que tienen alguna relación o influencia
sobre la variable dependiente Y. La ecuación es la misma para
cualquier modelo.
4. Obtención de datos
Aquí se establece la información que se va a utilizar, tablas con

datos numéricos de las variables que se va a utilizar para un
modelo econométrico. Como se lo menciono en el gráfico 1,
existen varias maneras de presentarse la información.

• Información de series de tiempo:
Información que se da en distintos periodos de tiempo. Esta

puede ser diaria, semanal, mensual, bimestral, trimestral o
anual.
• Información de corte transversal:
Información que se genere en un mismo periodo de tiempo.
• Información combinada o datos de panel:
Información que combina series de tiempo e información

de corte transversal.
5. Estimación del modelo
Aquí se presentan los resultados de la aplicación de la regresión

lineal al modelo planteado, el mismo nos permitirá determinar
si las variables que utilice son adecuadas o no con respecto a
la investigación que se realizó, es decir, se podrá determinar si
la variable independiente (X), es apropiada para explicar los
cambios en la variable dependiente (Y).
6. Planteo de hipótesis
Suponiendo que el modelo que se planteo es adecuado, lo

que se buscaría ahora es determinar si los valores estimados
concuerdan con las expectativas de la teoría que se está
probando.
7. Verificación
Para asegurar un modelo bastante adecuado que pueda describir

cuantitativamente la relación de las variables para explicar
cierta investigación, se debe realizar una serie de verificaciones
tal como la económica, estadística y econométrica.
• Verificación económica: En esta se busca comprobar que

los resultados obtenidos de los coeficientes de regresión
así como su signo concuerden con la teoría planteada.

• Verificación estadística: Aquí se hace un análisis de los

errores estándar, el coeficiente de determinación y la
comprobación de hipótesis.
• Verificación econométrica: Se determina si el modelo

presenta problemas tal como: multicolinealidad,
heteroscedasticidad, autocorrelación y sesgo de
especificación, para posteriormente proceder a corregirlos.
8. Predicción o pronóstico
Una vez confirmada la teoría o hipótesis, estos valores son

utilizables para predecir los valores futuros de la variable Y,
para esto debemos reemplazar el valor de X, y de esta manera
obtenemos el valor de la variable dependiente.
Como puede ver esta ha sido una revisión general de cómo

se aplica la metodología econométrica, por lo que lo largo del
estudio comprenderemos mejor la aplicación de cada uno de
estos pasos.
Es importante también conocer acerca del concepto de función

de regresión poblacional, conocemos que para establecer un
modelo de regresión simple se deben definir las variables, sobre
todo, cual es la variable controlada y cual la de control.
Revisando el ejemplo hipotético 2.1 del texto de Damodar, G.

(2010), en el cual nos da una interpretación práctica de lo que es
la regresión, a través de una población de 60 familias en la cual
el consumo semanal (Y) está en función del ingreso semanal
(X).
La ecuación aplicada para la función de regresión poblacional

es: Consumo en función del Ingreso
La regresión lineal permite obtener los valores esperados o

la media poblacional del consumo ante una variación en los
ingresos.

Los resultados obtenidos fueron los promedios de consumo

de cada familia ante una variación en sus ingresos, los mismos
que mantienen una relación directa con la variable dependiente,
que basado en la teoría económica manifiesta que las personas
ante un mayor nivel de ingreso tienden a aumentar su nivel de
consumo.
Linealidad en las variables (X o Y)
Para que un modelo sea considerado como lineal en sus variables,

estas no pueden estar elevadas a un exponente mayor a uno, ni
multiplicada o dividida para otra variable. Para que el modelo
sea lineal este debe darse en todas las variables.
Ejemplos de linealidad:
Ejemplos de no linealidad:
Linealidad en los parámetros
Aquí se aplica el mismo concepto de linealidad solo que ahora

es para los parámetros.
EJEMPLOS
Aquí algunos ejemplos de distintos tipos de regresiones:
• Lineal.
• Logarítmica.

• Inversa.
• Cuadrático.
• Cúbico.
• Potencia.
• Compuesto.
• Curva-S.
• Crecimiento.
• Exponencial.
Para realizar la regresión, utilizaremos el método de mínimos

cuadrados ordinarios (MCO), ya que en base a la teoría,
proporciona resultados estadísticos significativos y está regido
por una serie de supuestos y propiedades que lo vuelven bastante
confiable a la hora de realizar regresiones. Adicionalmente
revisaremos el cálculo de los residuos los mismos que se generan
al momento de estimar la regresión.
Para entender esta parte revisemos el siguiente ejercicio:
Gasto de consumo en personal
El siguiente ejercicio muestra información sobre Y (gasto de

consumo personal) y X (PIB), desde 1982-1996, en miles de
millones de dólares de 1992. Tabla I.1 del texto de Gujarati, D.
(2010). Esta tabla está en la parte de anexos como TABLA DE
DATOS N°8.
Aplicaremos la metodología econométrica conforme vayamos

avanzando en esta unidad, inicialmente lo haremos con lo
siguiente:

Gasto de consumo de
1. Planteo teórico o de
personal= f (PIB) o Y= f
hipótesis.
(X)
2. Especificación del
Y= B1+B2X
modelo matemático
3. Especificación modelo
Y= B1+B2X+u
econométrico
4. Obtención de datos. Tabla I.1
5. Estimación de la
regresión
Debemos iniciar calculando las sumatorias de (Y, X, XY, X^2)

descritos en la tabla 1. Una vez obtenidos procedemos al cálculo
de los coeficientes de la regresión. Para esto utilizamos las
siguientes formulas:
La interpretación de este parámetro es que si el ingreso o el PIB

fueran de cero, el gasto de consumo de personal sería de -184
mil millones de dólares.
La interpretación de este parámetro indica que si el PIB se

incrementa en un dólar, el gasto de consumo personal promedio
aumenta en casi 71 centavos.

Estos valores obtenidos se conocen como estimadores de

mínimos cuadrados, en donde representa el intercepto y
la pendiente.
Con los valores de los coeficientes procedemos a establecer

los resultados de la ecuación de regresión. Como lo dijimos
en la unidad anterior debemos utilizar la función de regresión
muestral.
Los residuos se generan por cada uno de los datos de la variable

dependiente, pero antes de poder calcularlos debemos generar
los valores de la Y estimada (Ŷ), para esto utilizamos la ecuación
de regresión y reemplazamos el valor de X de la siguiente
manera:
De igual manera se procede con los demás datos de X, lo que

al final nos permite es obtener los valores de las Y estimadas y
posteriormente la Σ Ŷ.
Luego de haber obtenido las Y estimadas, procedemos al cálculo

de los residuos:

De igual manera se procede con los demás datos de Y, lo que

al final nos permite es obtener los valores de las u estimadas y
posteriormente la Σ û.
Gráfico N° 5
Línea de regresión
4,800
4,400
4,000
Y
3,600
3,200
2,800
4,500 5,000 5,500 6,000 6,500 7,000
Fuente: Tabla 1.I. Gujarati, D. (2010)
Hemos realizado la gráfica para determinar a simple vista como

los datos se ajustan a la línea de regresión. En este ejemplo
podemos determinar que el PIB explica en gran medida las
variaciones que se dan en el gasto de consumo de personal.
El siguiente ejercicio muestra información sobre Y (gasto de

consumo personal) y X (PIB), desde 1960-2005, en miles de
millones de dólares de 2000. TABLA DE DATOS N°5.
Comencemos por ingresar los datos al STATA, para luego

ingresar los comandos para la regresión.

Cabe mencionar que antes de realizar la regresión, al estar

trabajando con datos de series temporales, en el STATA se debe
declarar este tipo de información.
Los resultados de la regresión son los siguientes:
Tabla N°13
Regresión GCP en función del PIB
Fuente: STATA 12
La interpretación sería que si el ingreso o el PIB fueran de cero,

el GCP sería de $-299 mil millones de dólares. En cambio, si el
PIB se incrementa en un dólar, el gasto de consumo personal
promedio aumenta en casi $0.72 centavos.
Como un análisis general de estos resultados podemos ver que

los parámetros tienen probabilidades menores al 5%, es decir,
estos resultados son estadísticamente significativos. Además
presenta un R2= 99%, lo que me indica que la variable PIB
explica en un 99% las variaciones que se producen en el GCP.
Es un modelo bastante bueno, pero sabemos que en la realidad
muchos modelos de regresión no solo dependen de una sola
variable independiente.
Este análisis de un modelo con más de una variable independiente,

es lo que vamos a analizar en el siguiente apartado.

3.2. Regresión múltiple

Para Ochoa, O. (2011), no es muy común que dentro de la análisis
econométrico se de modelos de regresión simple, por lo tanto
es necesario ampliar este modelo a modelos de regresión con
varias variables explicativas. El modelo de regresión con tres
variables se puede expresar así:
Al incluirse más de dos variables explicativas se debe trabajar

con la suposición de que no exista relación lineal exacta
entre X 2 , X 3 . Igual que el modelo de regresión lineal se sigue
trabajando bajo los supuestos del modelo clásico de regresión
(MCRL).
Partimos de modelos muestrales.
Ahora en el estudio de los modelos de regresión múltiple

tenemos varias variables que intervienen en los modelos, por tal
razón un análisis de la relación que existe entre estas variables
es importante para que el modelo pueda presentar resultados
con mayor confiabilidad.
El coeficiente de correlación parcial es aquel que mide la

correlación neta entre la variable dependiente y una variable
explicativa manteniendo
La interpretación general de los coeficientes de regresión parcial

son las siguientes:
= Es el término del intercepto, es el valor medio de Y cuando

X 2 y X 3 , son iguales a cero.
= Mide las variaciones de Y ante el incremento de 1 unidad en

X 2 , manteniendo constante X 3 .

= Mide las variaciones de Y ante el incremento de 1 unidad en

X 3 , manteniendo constante X 2 .
Estimación de los coeficientes de regresión parcial
Varianzas y errores estándar de los estimadores
Una vez obtenidos los coeficientes de regresión parcial, se

procede con el cálculo de las varianzas y de los errores estándar
de los estimadores.
En esta fórmula el (n-3) se refiere a los 3 parámetros que hay en

este modelo. Si el modelo tiene más variables sería un parámetro
adicional y el valor restado a n variara.

Coeficiente de determinación múltiple
Una vez determinados los errores estándar, procedemos al

cálculo del coeficiente de determinación y de los coeficientes
de regresión parcial.
Al igual que los modelos de regresión simple, el coeficiente de

determinación mide cuanto explican las variables independientes
a la variable dependiente. Así mismo su valor está entre 0 y 1.
Para entender mejor cómo funcionan los modelos de regresión

múltiple, revise el libro citado en el capítulo 7 del libro de Gujarati,
D. & Porter, D. (2010).
Vamos a realizar el siguiente ejercicio.
Desembolsos del presupuesto de defensa de Estados Unidos,

1962-1981. Para explicar el presupuesto de defensa de este país,
considere las siguientes variables:
Y= desembolsos del presupuesto de defensa durante el año t, $

miles de millones.
X2=PNB durante el año t, US$ miles de millones.
X3= Ventas militares de los Estados Unidos/ayuda en el año t, $
miles de millones.
X4= ventas de la industria aeroespacial, $ miles de millones.
X5= conflictos militares que implican a más de 100000 soldados.
Esta variable adquiere el valor de 1 cuando participan 100000
soldados o más, y es igual a cero cuando el número de soldados
no llega a 100000.

Tabla N°14
Regresión múltiple
Fuente: STATA 12
Cuando el PNB, las ventas militares en Estados Unidos, ventas

industrias aeroespacial y conflictos son de cero, el presupuesto
de la defensa es de 19.44 miles de millones en el año t. Si el
PNB se incrementa en mil millones, manteniendo constante las
ventas militares, ventas industrias aeroespacial y conflictos, el
presupuesto de defensa se incrementa en 0.02 miles de millones.
Si las ventas militares se incrementa en mil millones, manteniendo

constante el PNB, ventas industrias aeroespacial y conflictos, el
presupuesto de defensa disminuye en 0.28 miles de millones.
Si las ventas aeroespaciales se incrementan en mil millones,
manteniendo constante el PNB, las ventas militares y los
conflictos, el presupuesto del estado se incrementa en 1,34 miles
de millones.
Está claro que tanto los modelos de regresión simple como los
múltiples, deben acogerse a los análisis económicos, estadísticos
y econométricos, para determinar la confiabilidad del modelo y
de los resultados. Temas que fueron estudiados en la asignatura
de Econometría.

3.3. Regresión logística

Conocemos que muchas teorías sean estas económicas,
financieras, administrativas, etc.; difícilmente trabajan con
modelos de regresión lineales, es por esta razón que la existencia
de diferentes formas funcionales, es decir, modelos de regresión
no lineales son primordiales para modelizar muchas de las
teorías económicas.
Según Díaz, M. (2013), cuando la función de distribución

elegida sea logística hablaremos de modelo logit. Dado que los
resultados que proporciona la distribución normal y logística
son similares, este modelo se propone como una alternativa
más sencilla al probit.
El modelo logit relaciona la variable dependiente Y, que puede

tomar los valores 0 y 1, con las variables explicativas X1, X2,…., Xk
a través de una función logística,
Donde u denota el término de perturbación aleatoria que

satisface la hipótesis de normalidad.
De forma paralela a lo analizado en el MPL, la probabilidad de

éxito para la ecuación anterior es:
Que alternativamente se puede expresar como:

donde
Recoge la distribución logística frecuentemente utilizada en

el estudio de fenómenos relacionados con el crecimiento
demográfico e indicadores de ámbito económico.
Si bien en la ecuación anterior se han obviado las dificultades

señaladas en los modelos de probabilidad logística (MPL),
dado que , y ésta no está relacionada
linealmente con los regresores X1, X2,….., Xk, la aplicación del
método de mínimo cuadrático para estimar los coeficientes
de regresión no será posible al vulnerarse la
hipótesis de linealidad en variables y parámetros.
Teniendo en cuenta que Pi denota la probabilidad de éxito
Denotará la correspondiente probabilidad de no éxito (fracaso)

y la razón
De probabilidades a favor de la opción de éxito, que

alternativamente, en términos logarítmicos:
Se corresponde con una función que satisface la hipótesis de

linealidad en su doble acepción. La expresión obtenida, Li, recibe
la denominación de logit.
Del análisis se desprende que logit no está acotado, si bien

. Se observa además que la probabilidad de éxito, o no
éxito, no es lineal con respecto a los regresores. Los valores de Li,
negativos o positivos se interpretan sintéticamente teniendo en

cuenta que la ecuación anterior intensifica su carácter negativo

(o positivo) cuando la razón de probabilidades se reduce de 1 a
0 (o aumenta de 1 a infinito).
La probabilidad de éxito (o no éxito) se calculará una vez

conocidos los parámetros de Zi, para lo cual será preciso conocer,
además de los valores correspondientes el total de regresores,
los relativos a Li.
En términos econométricos puede expresarse como:
Donde ui denota el término de perturbación aleatoria. Teniendo

en cuenta que la información muestral puede presentarse a
nivel individual o agregado, la estimación se abordará mediante
el método de máxima verosimilitud (MV), en el primer caso,
y MCO en el segundo. Para poder aplicar dicha técnica será
preciso calcular la frecuencia relativa, y considerarla como una
estimación de la auténtica probabilidad de éxito correspondiente
a cada regresor:
Denotando Ni y ni el número de observaciones correspondientes

a cada regresor y las correspondientes a la situación de éxito,
respectivamente. En consecuencia,

Permitirá, a partir de la técnica mínimo cuadrática, estimar los

coeficientes de regresión que recogerán
la variación de logit ante un incremento unitario del regresor
permaneciendo el resto inalterados. En otras
palabras, la razón de probabilidades a favor de la opción de éxito
ante un incremento unitario del regresor en
condiciones ceteris paribus. La ordenada en el origen recogerá
el valor del logaritmo de la razón de probabilidades a favor de la
opción de éxito cuando los regresores tomen simultáneamente
el valor cero.
Con rasgos distintivos con respecto al modelo de regresión,

se debe señalar que la predicción de la probabilidad de cada
subgrupo de individuos coincidirá con la observada en dicho
subgrupo si la estimación se realiza a través del método de
máxima verosimilitud. Así mismo, la bondad del ajuste medida
a través del coeficiente de determinación R2 presentará algunos
inconvenientes.
Dentro de la estadística, una regresión logística se utiliza para

predecir el resultado de una variable s de regresión categórica
(posee un número limitado de categorías) en función de
variables independientes. Esta regresión permite modelar la
probabilidad de ocurrencia de un evento en función de otros
factores. Para este modelo se utiliza una función logística,
también conocida como modelo logístico o modelo LOGIT, que
son modelos de regresión de respuesta cualitativa, es decir, su
variable dependiente es de naturaleza cualitativa. Profundice
este tema revisando el libro de Gujarati, D. & Porter, D. (2010), en
el capítulo 15.
La TABLA DE DATOS N°7, que se encuentra en el anexos,

proporciona información acerca del efecto del Sistema de
Enseñanza Personalizada (PSI), sobre las calificaciones. Ejemplo
tomado de Gujarati, D. & Porter, D. (2010), en la página 562.

Los variables toman los siguientes valores:

Y= 1, si la calificación final fue A.
Y= 0, si la calificación final fue B o C.
TUCE= calificación en un examen presentado del curso para
evaluar los conocimientos previos de macroeconomía.
PSI=1, con el nuevo método de enseñanza
= 0, en otro caso
GPA= promedio de puntos de calificación inicial
Tabla N°15
Regresión logística
Fuente: STATA 12
La interpretación sería que cada coeficiente de pendiente

parcial mide el cambio en el Logit estimado correspondiente
a una unidad de cambio del valor de la regresada dada (las
demás regresoras constantes). Por lo tanto, el coeficiente del
GPA igual a 2.83 significa que mientras las demás variables sean
constantes, si el GPA aumenta en una unidad, en promedio el

logit estimado aumenta casi 2.83 unidades, teniendo una relación

positiva. Todas las demás regresoras tienen un efecto positivo
en el logit. El efecto conjunto de las regresoras tiene un efecto
importante en la calificación final, ya que el estadístico de razón
de verosimilitud (LR=15.40), cuyo valor p=0.0015, el cual resulta
muy pequeño. Si a estos valores de pendiente le calculamos el
antilogaritmo, obtenemos en el caso de la variable PSI=2.38, su
valor sería 10.789, esto nos indica que los estudiantes expuestos
al nuevo método de enseñanza son por encima de 10 veces más
propensos a obtener una A, que quienes no están expuestos al
nuevo método, en tanto se mantengan constantes los demás
factores.
Estimado maestrante, ha culminado la tercera unidad, en la

cual ha aprendido a establecer y estimar modelos de regresión
sean estos simples o múltiples. Ahora lo invito a desarrollar
Antes de terminar esta unidad por favor tener en cuenta las

siguientes advertencias con respecto al uso del software STATA.
Estimado maestrante, con la finalidad de reforzar esta parte, lo

invito a estructurar 3 modelos de regresión: el primero, un
modelo de regresión simple con dos variables financieras. El
segundo modelo debe ser múltiple, es decir, al modelo inicial
añada una o más variables independientes. El tercer modelo
debe ser un modelo que deba tener una variable dependiente
cualitativa para que pueda realizar un modelo LOGIT. En todos
los modelos se deben analizar los resultados y tener por lo
menos 30 datos cada variable.

Esta dirección te permitirá revisar un manual de STATA,

elaborado por la Pontificia Universidad Católica de Perú, el cual
es bastante explicativo en cuanto al manejo del mismo.
Hemos concluido el estudio de la tercera unidad, por ello lo


Autoevaluación 3
1. La Función de Regresión Poblacional (FRP) nos muestra que el

valor condicional de Y dado X es:
a) Una función de X
b) Una función de Y
c) Una función de X y Y
2. El coeficiente de determinación (R2) nos indica:
a) Que tanto explica X a Y

b) La variación de los residuos con respecto al valor
medio
c) La forma funcional del modelo
3. El supuesto de normalidad indica:
a) Normalidad de los coeficientes de regresión

b) Normalidad de los residuos
c) Normalidad del coeficiente de determinación (R2).
4. La precisión de los estimadores de MCO se mide por:
a) Los coeficientes de correlación

b) Los errores estándar
c) Coeficiente de determinación R2
5. La bondad del ajuste general del modelo de regresión se mide con:
a) Por el valor de la pendiente

b) Por el coeficiente de determinación
c) Por la suma de sus coeficientes de regresión
6. Uno de los coeficientes de la ecuación de regresión es:
a) Un coeficiente de correlación
b) El intervalo de confianza
c) El intercepto

7. Se conocen como parámetros a:
a) YyX
b) F, t , X2
c) B1 y B2
8. La línea de regresión presenta la propiedad:
a) De qué Y poblacional es igual a la Y muestral

b) De qué el valor medio de Y estimada es igual al valor
medio de Y real
c) De que el valor de Y poblacional es muy distinto al
muestral.
9. En la regresión logística la variable dependiente es:
a) Cuantitativa
b) Cualitativa
c) Cualitativa y cuantitativa al mismo tiempo
10. Para probar hipótesis en un modelo LOGIT, utilizamos:
a) La prueba F
b) La prueba t
c) El estadístico RV

Unidad 4.
Econometría de series de tiempo:
Pronosticos
Este tema es bastante extenso, incluso es una parte de la

econometría que se estudia de manera independiente y es objeto
de estudios e investigaciones a todo nivel. Toda información de
serie de tiempo debe tratarse con la econometría de series de
tiempo.
Lo que haremos en esta unidad será una revisión general de lo

que trata la econometría de series de tiempo.
Para Hernández, R. (1997), describir lo que es una serie de tiempo

dentro del contexto de procesos estocásticos, es necesario
primero definir los procesos estocásticos, que vienen a ser
una familia de variables aleatorias asociadas a un conjunto de
números reales, de forma tal que a cada elemento del conjunto
le corresponda una y sólo una variable aleatoria.
Para Wooldrige, J. (2001), las series de tiempo económicas

satisfacen las necesidades intuitivas de ser resultados de
variables aleatorias. Por ejemplo, hoy no sabemos cómo cerrará
el promedio de Dow Jones industrial al final del intercambio
de mañana. No sabemos cuál será el crecimiento anual de la
producción en Canadá del próximo año. Al saber que estos
resultados de estas variables no se conocen por anticipado,
deben verse claramente como variables aleatorias. Profundice
este tema revisando el capítulo 10 del libro citado.
Un factor fundamental dentro del análisis econométrico son los

pronósticos. ¿Cómo se pronostica variables económicas como
el PIB, inflación, tasas de cambio, tasas de desempleo y otras
variables económicas? Para esto revisaremos dos métodos
para pronosticar que han adquirido mucha popularidad. Para
conocer estos temas con mayor detenimiento le invito a revisar
el capítulo 21 y 22 del libro de Gujarati, D. & Porter, D. (2010).

Para entender cuestiones básicas sobre la econometría de series

temporales vamos a realizar el siguiente ejercicio.
El ejercicio busca conocer la volatilidad existente en la tasa

de variación del PIB real definida como el cambio porcentual
del logaritmo del PIB real (Yt) anual con año base 1990. Para
esto usaremos una base de datos desde el año 1901 hasta el
2009. Esta base de datos se obtuvo del proyecto MADDISON, la
cual posee bases históricas de las variables económicas a nivel
mundial.
La TABLA DE DATOS N° 8, proporciona la información a

ser analizada. Primeramente lo que haremos será graficar la
evolución de la tasa de variación del PIB real a lo largo de la
serie temporal. Este ejemplo fue tomado de la tesis de maestría
de Ochoa, O. (2014).
Gráfico N°2
Tasa de variación del PIB real (1901-2009)
Fuente: STATA 12

Realicemos un análisis estadístico de la tasa de variación del PIB

real (TVPIBR), para conocer cómo se comporta esta variable a
lo largo del tiempo.
Tabla N°16
Estadísticos descriptivos
Fuente: STATA 12

Los resultados nos muestran que Ecuador experimenta una tasa

de variación media del PIB real del 4.09% para la muestra de
109 años, con una tasa máxima del 22,5% en 1973 y una tasa
mínima del -6.08% en 1987. La volatilidad del PIB representada
por la desviación estándar es igual a 3.64. La asimetría muestra
una distribución simétrica positiva y significativa, que implica
una alta probabilidad de que existan grandes incrementos en
la tasa de variación del PIB real, antes que grandes descensos.
El coeficiente de curtósis demuestra una gráfica leptocúrtica
con colas gruesas, lo que nos indica que los cambios extremos
ocurren con mayor frecuencia cuando existe una alta curtósis.
Por último, el test de Jarque-Bera (JB), nos indica que las tasas
de variación no están normalmente distribuidas, es decir, hay
variación o volatilidad.
Una vez comprobada la presencia de un claro componente

dinámico en la evolución de la tasa de crecimiento del PIB, el
siguiente paso es identificar el modelo ARMA(p,q) que mejor se
ajuste a esta variable. Para ello, tomamos diversos valores de p
y q y nos quedamos con el que minimice el valor del estadístico
SBIC1. En nuestro caso este estadístico toma el menor valor para
un ARMA(1,1)
1 Basado en el criterio de AKAIKE y SCHWARTZ, donde el mejor modelo sería aquel que
obtenga estos estadísticos lo más bajo posible.

Tabla N°17
Modelo ARMA (1,1)
Fuente: STATA 12
Para Gujarati (2010), este proceso ARMA, en la parte AR (p),

la variable Y en el tiempo depende de su valor en el periodo
anterior y de un término aleatorio, es decir, que la tasa de
variación del PIB real pronosticada en el periodo de estudio (t),
es simplemente alguna proporción de su valor en el periodo
anterior (t – 1), más un “choque” o perturbación aleatoria en el
tiempo.
En cambio la parte MA (q), se refiere a que la variable Y en el

periodo (t), es igual a una constante más un promedio móvil de
los términos de error presente y pasado. Todos estos análisis nos
permitirán tener un modelo de regresión lo más confiable posible,
para que pueda procederse a las respectivas predicciones.
Hasta aquí revisaremos este tema, no olvide de revisar la

bibliografía complementaria para una mejor comprensión del
tema.
Estimado maestrante, ha terminado la última unidad de este

módulo, y cuenta con una visión más clara sobre el beneficio
que conlleva un análisis econométrico de las series temporales.
Ahora lo invito a desarrollar la actividad recomendada así
como la autoevaluación, con la finalidad de que compruebe lo
aprendido hasta el momento.

Estimado maestrante, con la finalidad de reforzar

esta parte, lo invito a tomar los datos del índice
de DOW JONES, que pueden ser unos 100 datos y
replique lo que se ha revisado en esta unidad.
Hemos concluido el estudio de la cuarta unidad, por ello lo invito

a desarrollar la siguiente autoevaluación.

Autoevaluación 4
1. Uno de los métodos para pronosticar es:
a) Vectores autorregresivos (VAR)

b) Correlación
c) Intervalos de confianza
2. Para medir la volatilidad de una serie de tiempo se puede utilizar:
a) Modelos de regresión simple

b) Modelos ARCH o GARCH
c) Modelos PROBIT
3. Un proceso autorregresivo (AR) es aquel que:
a) Depende del valor del periodo anterior de la variable

dependiente
b) Depende del valor del periodo anterior de la variable
independiente
c) Depende del logaritmo de la variable dependiente
4. ¿Cómo sabemos si una serie de tiempo sigue un proceso AR, MA o

ARIMA?
a) Por medio de su coeficiente de determinación

b) Por medio de un correlograma o correlograma parcial
c) Por medio de los valores t
5. Si encuentra un efecto ARCH en la serie temporal ¿Qué metodología

debemos aplicar?
a) Mínimos cuadrados ordinarios (MCO)

b) Mínimos cuadrados generalizados (MCG)
c) Raíces unitarias

6. Una característica especial de un enfoque VAR para pronósticos es:
a) Todas las variables se consideran endógenas

b) Su varianza es cero
c) Sus valores deben ser siempre positivos
7. Una característica sobresaliente de los modelos ARCH y GARCH es:
a) La varianza del error quizás este correlacionada a lo

largo del tiempo
b) Sus estimadores son valores siempre significativos
c) Ambos modelos miden cambios porcentuales
8. Un modelo de regresión de series temporales estático se los es-

tima por:
a) Mínimos cuadrados generalizados (MCG)

b) Máxima verosimilitud
c) Mínimos cuadrados ordinarios (MCO)
9. Cuando hablamos del problema de raíz unitaria estamos hablando

de:
a) No estacionariedad de la serie
b) Multicolinealidad de los regresores
c) Homoscedasticidad de la varianza de los residuos
10. Una de las pruebas para determinar estacionariedad en las series

es:
a) Coeficiente de determinación R2
b) Función de autocorrelación y correlograma
c) Prueba F de Fish

6. Solucionario
AUTOEVALUACIÓN 1
Pregunta Respuesta
1.
a
2.
c
3.
b
4.
b
5.
a
6.
c
7.
c
8.
a
9.
b
10.
a

AUTOEVALUACIÓN 2
Pregunta Respuesta
1.
a
2.
b
3.
a
4.
a
5.
a
6.
b
7.
b
8.
a
9.
a
10.
c

AUTOEVALUACIÓN 3
Pregunta Respuesta
1.
a
2.
a
3.
b
4.
b
5.
b
6.
c
7.
c
8.
b
9.
b
10.
c

AUTOEVALUACIÓN 4
Pregunta Respuesta
1.
a
2.
b
3.
a
4.
b
5.
b
6.
a
7.
a
8.
c
9.
a
10.
b

7. Referencias bibliográficos
• Anderson, D., Sweeney, D. & Willians, T. (2011). Métodos

cuantitativos para los negocios. México: CENCAGE
Learning.
• Lind, D., Marchal, W. & Wathen, S. (2012). Estadística

aplicada a los negocios y la economía. México: McGraw
Hill.
• Devore, J. (2013). Probabilidad y estadística. México:

CENCAGE Learning.
• Gujarati, D. & Porter, D. (2010). Econometría. México:

McGraw Hill.
• Hamilton, J. (1994). Time series analysis. New Yersey, USA.

Princeton.
• Wooldridge, J. (2001). Introducción a la econometría.

México: Thomson – Learning.
• Rojas, M. (2003). Técnicas estadísticas paramétricas y

no paramétricas equivalentes: resultados comparativos
por simulación. Escuela Superior Politécnica del Litoral.
Guayaquil-Ecuador.
• Hernández, R. (1997). El uso del computador en la

aplicación de técnicas para el pronóstico de series de
tiempo económicas y financieras. UNAM. México.
• González, R. & Pérez, A. (2010). Estadística aplicada una

visión instrumental. España: Ediciones Díaz de Santos,
2010. ProQuest ebrary. Web. 25 February 2016.
• Gómez Villegas, Miguel Ángel. Inferencia estadística.

España: Ediciones Díaz de Santos, 2007. ProQuest ebrary.
Web. 3 March 2016.
• Díaz, M. (2013). Econometría. España: Ediciones Pirámide,

2013. ProQuest ebrary. Web. 7 March 2016.

8. Anexos
TABLA DE DATOS N° 1
SERIE DE VOLUMEN DE CREDITO POR TIPO DE CARTERA,
ACTIVIDAD ECONÓMICA Y DISTRIBUCIÓN GEOGRAFICA
(HOGARES)
# VOLUMEN
TIPO DE
MESES CREDITOS CREDITO INSTITUCION ACTIVIDAD CANTON
CREDITO
(NC) (VC)
ENERO 5 8134.81
FEBRERO 1 2214.31
MARZO 4 94961.43
ABRIL 2 115.16
ACTIVIDADES DE LOS
MAYO 2 55235.28 HOGARES EN
CALIDAD DE
JUNIO 3 13232.98 BANCO DE COMERCIAL EMPLEADORES,
LOJA
LOJA CORPORATIVO ACTIVIDADES
JULIO 1 372.68
INDIFERENCIADAS
AGOSTO 1 1259.07 DE PRODUCCION DE
BIENES Y SERVICIOS
SEPTIEMBRE 2 56256.48
OCTUBRE 2 64963.51
NOVIEMBRE 2 6943.35
DICIEMBRE 2 5831
Fuente: Superintendencia de Bancos 2013.

102
SERIE DE VOLUMEN DE CREDITO POR TIPO DE CARTERA, ACTIVIDAD ECONÓMICA Y DISTRIBUCIÓN
GEOGRAFICA (PROFESIONALES)
VOLUMEN
# CREDITOS TIPO DE
MESES CREDITO INSTITUCION ACTIVIDAD CANTON
(NCA) CREDITO
(VCA)
ENERO 8 108911.19
FEBRERO 7 80923.21
MARZO 7 30772.63
ABRIL 7 48511.77
MAYO 4 39177.67 ACTIVIDADES
JUNIO 7 32377.36 COMERCIAL PROFESIONALES,
BANCO DE LOJA LOJA
JULIO 4 53427.55 CORPORATIVO TECNICAS Y
AGOSTO 5 49558.61 ADMINISTRATIVAS
SEPTIEMBRE 4 32200.31
OCTUBRE 4 25303.64
NOVIEMBRE 6 14757.02
DICIEMBRE 2 18868.41

PIB E INVERSION EXTRANJERA DIRECTA
YEAR PIB IED

1976 9091924305 -19900000
1977 11026346590 34500000
1978 11922502171 48600000
1979 14175166008 63400000
1980 17881514683 70000000
1981 21810767209 60000000
1982 19929853575 40000000
1983 17152483214 50000000
1984 16912515183 50000000
1985 17149094590 62000000
1986 15314143988 81000000
1987 13945431882 123000000
1988 13051886552 155000000
1989 13890828708 160000000
1990 15239278100 126000000
1991 16988535268 160000000
1992 18094238119 178000000
1993 18938717359 473720000
1994 22708673337 576330000
1995 24432884442 452480000
1996 25226393197 499680000
1997 28162053027 723950000
1998 27981896948 869980000
1999 19645272636 648410000
2000 18327764882 -23439367.91
2001 24468324000 538568575.2
2002 28548945000 783261009.6
2003 32432859000 871513414
2004 36591661000 836939593.9
2005 41507085000 493413835.5
2006 46802044000 271428852.5

2007 51007777000 193872526.9

2008 61762635000 1056888020
2009 62519686000 307960890.1
2010 69555367000 165320320.4
2011 79276664000 643709358.7
2012 87924544000 567035300.9
2013 94776170000 732016206.3

DATOS DE CALIFICACIÓN DE SABORES CADENA “FRICK”
Sabores Categoría
12 0
16 0
2 0
4 0
12 0
16 0
5 0
16 0
10 0
10 0
13 0
2 0
13 0
14 0
4 0
14 1
8 1
6 1
18 1
20 1
16 1
14 1
6 1
19 1
18 1
16 1
18 1
4 1
7 1
16 1
Fuente: Lind y otros (2012). Estadística aplicada a los negocios y la economía.

México: McGraw Hill. Décimo quinta edición. Pág. 690.

REGRESIÓN LINEAL SIMPLE
Year PCE(Y) GDP(X)

1960 1.597.4 2.501.8
1961 1.630.3 2.560.0
1962 1.711.1 2.715.2
1963 1.781.6 2.834.0
1964 1.888.4 2.998.6
1965 2.007.7 3.191.1
1966 2.121.8 3.399.1
1967 2.185.0 3.484.6
1968 2.310.5 3.652.7
1969 2.396.4 3.765.4
1970 2.451.9 3.771.9
1971 2.545.5 3.898.6
1972 2.701.3 4.105.0
1973 2.833.8 4.341.5
1974 2.812.3 4.319.6
1975 2.876.9 4.311.2
1976 3.035.5 4.540.9
1977 3.164.1 4.750.5
1978 3.303.1 5.015.0
1979 3.383.4 5.173.4
1980 3.374.1 5.161.7
1981 3.422.2 5.291.7
1982 3.470.3 5.189.3
1983 3.668.6 5.423.8
1984 3.863.3 5.813.6
1985 4.064.0 6.053.7
1986 4.228.9 6.263.6
1987 4.369.8 6.475.1
1988 4.546.9 6.742.7
1989 4.675.0 6.981.4
1990 4.770.3 7.112.5

1991 4.778.4 7.100.5

1992 4.934.8 7.336.6
1993 5.099.8 7.532.7
1994 5.290.7 7.835.5
1995 5.433.5 8.031.7
1996 5.619.4 8.328.9
1997 5.831.8 8.703.5
1998 6.125.8 9.066.9
1999 6.438.6 9.470.3
2000 6.739.4 9.817.0
2001 6.910.4 9.890.7
2002 7.099.3 10.048.8
2003 7.295.3 10.301.0
2004 7.577.1 10.703.5
2005 7.841.2 11.048.6
Fuente: Gujarati, D. y Porter, D. (2010). Econometría. México: McGraw Hill. Octava

edición.

DESEMBOLSOS DEL PRESUPUESTO DE DEFENSA USA 1962-
1981
YEAR Y X2 X3 X4 X5
1962 51.1 560.3 0.6 16 0
1963 52.3 590.5 0.9 16.4 0
1964 53.6 632.4 1.1 16.7 0
1965 49.6 684.9 1.4 17 1
1966 56.8 749.9 1.6 20.2 1
1967 70.1 793.9 1 23.4 1
1968 80.5 865 0.8 25.6 1
1969 81.2 931.4 1.5 24.6 1
1970 80.3 992.7 1 24.8 1
1971 77.7 1077.6 1.5 21.7 1
1972 78.3 1185.9 2.95 21.5 1
1973 74.5 1326.4 4.8 24.3 0
1974 77.8 1434.2 10.3 26.8 0
1975 85.6 1549.2 16 29.5 0
1976 89.4 1718 14.7 30.4 0
1977 97.5 1918.3 8.3 33.3 0
1978 105.2 2163.9 11 38 0
1979 117.7 2417.8 13 46.2 0
1980 135.9 2633.1 15.3 57.6 0
1981 162.1 2937.7 18 68.9 0

edición.

DATOS DEL PSI SOBRE LAS CALIFICACIONES
OBS GPA TUCE PSI GRADE

1 2.66 20 0 0
2 2.89 22 0 0
3 3.28 24 0 0
4 2.92 12 0 0
5 4 21 0 1
6 2.86 17 0 0
7 2.76 17 0 0
8 2.87 21 0 0
9 3.03 25 0 0
10 3.92 29 0 1
11 2.63 20 0 0
12 3.32 23 0 0
13 3.57 23 0 0
14 3.26 25 0 1
15 3.53 26 0 0
16 2.74 19 0 0
17 2.75 25 0 0
18 2.83 19 0 0
19 3.12 23 1 0
20 3.16 25 1 1
21 2.06 22 1 0
22 3.62 28 1 1
23 2.89 14 1 0
24 3.51 26 1 0
25 3.54 24 1 1
26 2.83 27 1 1
27 3.39 17 1 1
28 2.67 24 1 0
29 3.65 21 1 1
30 4 23 1 1
31 3.1 21 1 0
32 2.39 19 1 1

edición.

TABLA DATOS N° 8
110
INFORMACIÓN DEL GASTO DE PERSONAL Y EL PIB (miles de millones de dólares 1992)
û û^2 (X)^2 (Y)^2

Obs Y X (X)^2 XY Ŷ (Y-Ŷ) (Y-Ŷ)^2 (X-Xm)^2 (Y-Ym)^2
1982 3081,5 4620,3 21347172,1 14237454,5 3077,01 4,49 20,14 1567236,92 778965,11
1983 3240,6 4803,7 23075533,7 15566870,2 3206,46 34,14 1165,6 1141678 523437,78
1984 3407,6 5140,1 26420628 17515404,8 3443,9 -36,3 1317,41 535960,65 309681,12
1985 3566,5 5323,5 28339652,3 18986262,8 3573,34 -6,84 46,83 301064,37 158077,81
1986 3708,7 5487,7 30114851,3 20352233 3689,24 19,46 378,75 147835,12 65224,05
1987 3822,3 5649,5 31916850,3 21594083,9 3803,44 18,86 355,71 49592,32 20104,40
1988 3972,7 5865,2 34400571 23300680 3955,68 17,02 289,52 48,91 74,13
1989 4064,6 6062 36747844 24639605,2 4094,59 -29,99 899,38 36026,57 10102,26
1990 4132,2 6136,3 37654177,7 25356418,9 4147,03 -14,83 219,98 69752,33 28260,97
1991 4105,8 6079,4 36959104,4 24960800,5 4106,87 -1,07 1,15 42934,6 20081,72
1992 4219,8 6244,4 38992531,4 26350119,1 4223,33 -3,53 12,47 138537,8 65387,60
1993 4343,6 6389,6 40826988,2 27753866,6 4325,82 17,78 316,29 267709,66 144027,84
1994 4486 6610,7 43701354,5 29655600,2 4481,87 4,13 17,04 545392,1 272390,05
1995 4595,3 6742,1 45455912,4 30981972,1 4574,62 20,68 427,82 756737,61 398426,06
1996 4714,1 6928,4 48002726,6 32661170,4 4706,11 7,99 63,84 1115572,52 562515,00
Σ 59461,3 88082,9 523955898 353912542 59409,31 5531,93 6716079,49 3356755,92

Fuente: Gujarati, D. (2003). Econometría. México: McGraw Hill. Cuarta edición.
TASA DE VARIACIÓN DEL PIB REAL (1901-2009)
PIB REAL ANUAL (millones de US$ Tasa de variación

AÑO LOG PIB REAL
1990 GK) %
1900 832.1438127 6.724005278

1901 860.9122131 6.75799254 3.39872623
1902 891.1168937 6.792475613 3.44830727
1903 922.1853966 6.826746284 3.42706716
1904 954.1401929 6.860810613 3.40643291
1905 987.6605598 6.895339076 3.45284623
1906 1022.140085 6.929653831 3.43147553
1907 1057.603727 6.963760994 3.41071625
1908 1104.803305 7.007422594 4.36616001
1909 1154.60736 7.051515617 4.40930233
1910 1206.405335 7.095400419 4.38848025
1911 1261.0405 7.139692453 4.42920338
1912 1317.868011 7.183770567 4.40781136
1913 1376.970236 7.227640883 4.38703166
1914 1416.151521 7.255698275 2.80573912
1915 1456.349268 7.283688082 2.79898075
1916 1482.906226 7.301759107 1.80710251
1917 1510.71393 7.320337619 1.85785121
1918 1538.055602 7.338274302 1.79366825
1919 1581.295938 7.366000004 2.77257021
1920 1627.469067 7.394781367 2.87813633
1921 1657.518146 7.41307667 1.82953028
1922 1688.005461 7.43130291 1.82262402
1923 1718.936769 7.449461221 1.81583113
1924 1750.317904 7.46755271 1.80914884
1925 1782.154767 7.485578455 1.80257449
1926 1815.418471 7.504071283 1.84928281
1927 1884.792357 7.541572939 3.75016558
1928 1957.718711 7.579535152 3.7962213

1929 2033.324334 7.617427335 3.78921838

1930 2070.700378 7.635642176 1.82148407
1931 2082.523822 7.641335813 0.5693637
1932 2097.138024 7.648328849 0.69930355
1933 2143.172761 7.670042609 2.17137602
1934 2189.207498 7.691294884 2.12522757
1935 2246.495171 7.717126579 2.58316946
1936 2323.721 7.750925059 3.37984802
1937 2398.092471 7.782428897 3.15038373
1938 2482.150934 7.816880775 3.44518789
1939 2567.650757 7.850746658 3.38658822
1940 2735.892257 7.914212898 6.34662407
1941 2772.453561 7.927487969 1.32750708
1942 2865.433428 7.960474901 3.29869323
1943 3228.369667 8.079732542 11.925764
1944 3272.872517 8.093423324 1.36907819
1945 3284.711253 8.097034029 0.36107048
1946 3677.363809 8.209951418 11.291739
1947 4085.58785 8.315220901 10.5269483
1948 4644.401529 8.443417801 12.81969
1949 4729.591237 8.461594058 1.81762574
1950 5416.899505 8.597278884 13.5684825
1951 5554.978836 8.622449892 2.51710085
1952 6197.968683 8.731976886 10.9526993
1953 6413.674593 8.766187645 3.42107595
1954 7020.556815 8.856597812 9.04101671
1955 7344.967576 8.901770674 4.5172862
1956 7589.804605 8.934561126 3.27904522
1957 7875.965809 8.971571099 3.70099722
1958 8090.648323 8.998464146 2.6893047
1959 8476.691908 9.045075547 4.66114019
1960 8946.772148 9.099048092 5.39725449
1961 9405.078552 9.149005094 4.99570014
1962 9868.18845 9.197071575 4.80664807

1963 10076.67543 9.217978669 2.09070942

1964 10823.45129 9.289470474 7.14918056
1965 11177.57656 9.321664958 3.21944836
1966 11449.95163 9.345740784 2.40758265
1967 12237.58227 9.412267009 6.65262248
1968 12729.22494 9.451655805 3.93887959
1969 13025.88335 9.474693684 2.3037879
1970 13867.50106 9.537303329 6.26096445
1971 14737.05291 9.598120207 6.08168786
1972 16861.82816 9.732807658 13.468745
1973 21130.35242 9.958465789 22.5658131
1974 22495.55003 10.02107279 6.26070031
1975 23749.76481 10.07532791 5.42551146
1976 25940.75591 10.1635706 8.82426916
1977 27636.81062 10.22690388 6.33332831
1978 29456.92935 10.29068445 6.37805723
1979 31019.9116 10.34238459 5.17001334
1980 32541.96231 10.39028568 4.79010966
1981 33823.93872 10.42892408 3.86383934
1982 34225.28095 10.44071986 1.17957821
1983 33262.94204 10.4121992 -2.85206545
1984 34670.64517 10.45364865 4.14494428
1985 36200.02305 10.49681503 4.31663871
1986 37351.02966 10.52811576 3.13007237
1987 35148.80085 10.46734578 -6.07699768
1988 38895.66574 10.5686381 10.1292322
1989 39071.21037 10.57314117 0.45030643
1990 40266.98439 10.60328717 3.01459991
1991 42354.02372 10.65381871 5.05315403
1992 43000.01411 10.66895572 1.51370163
1993 43128.33334 10.67193545 0.29797233
1994 45249.56893 10.71994842 4.80129765
1995 45727.23296 10.73044931 1.05008839
1996 46990.74307 10.75770591 2.72565988
1997 48525.3359 10.78984133 3.21354248

1998 49369.74579 10.80709308 1.7251752

1999 46733.70909 10.75222101 -5.4872077
2000 48677.31577 10.79296841 4.07474001
2001 50991.03549 10.83940512 4.64367161
2002 52738.22878 10.87309588 3.36907539
2003 54465.40174 10.90532095 3.22250733
2004 59270.08651 10.98986001 8.45390657
2005 62674.82199 11.04571508 5.58550685
2006 65654.06695 11.09215483 4.64397439
2007 66992.37958 11.11233415 2.01793275
2008 71841.19767 11.18221337 6.98792199
2009 72103.03523 11.18585142 0.36380457
Fuente: Proyecto MADDISON.
OFOO / XJ 16-03-2016 / 114 pag.

Guia Metodos Cuantitativos

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

Guia Metodos Cuantitativos

Cargado por

Copyright:

Formatos disponibles

MODALIDAD ABIERTA Y A DISTANCIA

Maestría en Gestión Financiera

Diseño de modelos cuantitativos

La Universidad Católica de Loja

Diagramación, diseño e impresión:

Maquetación y diseño digital

El módulo de Diseño de Modelos Cuantitativos, corresponde

Este módulo ha sido diseñado para que los estudiantes

El diseño de modelos cuantitativos, constituye una materia

En el desarrollo del módulo se revisará paso a paso la construcción

El desarrollo del módulo comienza con una introducción teórica

Maestría en Gestión Financiera 5

El Texto-Guía está estructurado en cuatro unidades. En la

Para un aprendizaje eficaz y para el logro de las competencias

¡Bienvenidos y muchos éxitos

6 Universidad Técnica Particular de Loja

Esta guía tiene como objetivo brindar elementos necesarios para

Este libro es bastante didáctico, ya que desglosa cada uno

• Lind, D., Marchal, W. & Wathen, S. (2012). Estadística

Un texto generalmente utilizado en las ciencias sociales y

• Devore, J. (2013). Probabilidad y estadística. México:

Este libro mayormente presenta ejercicios, ya que no

Maestría en Gestión Financiera 7

• Gujarati, D. & Porter, D. (2010). Econometría. México:

Un texto bastante entendible para conocer todo lo

• Hamilton, J. (1994). Time series analysis. New Yersey, USA.

Este libro es considerado como la Biblia de los libros en

• Wooldridge, J. (2001). Introducción a la econometría.

Libro complementario al de Gujarati en temas de

• Rojas, M. (2003). Técnicas estadísticas paramétricas y

Los libros citados al final en la bibliografía, han aportado en

8 Universidad Técnica Particular de Loja

Aquí se presentan algunos enlaces Web de los cuales se obtuvo

Maestría en Gestión Financiera 9

No olvide que la formación de postgrados en modalidad a

Para lograr un aprendizaje efectivo es importante que lo haga

1. Compruebe que tiene todos los materiales necesarios:

2. Estudie en un ambiente tranquilo, en donde facilite

3. Dedique al menos una hora a revisar el texto-guía,

4. Para no tener dificultad en la comprensión de la materia,

5. Lea el texto-guía de la materia en forma ordenada, si aún

10 Universidad Técnica Particular de Loja

6. Para desarrollar el trabajo final del módulo, previamente

7. Tome datos de la economía nacional, replique ejercicios

8. Revise en internet los enlaces relacionados con el manejo

9. Son importantes las consultas al profesor responsable

10. La forma de evaluación de esta materia será que al final

11. Desarrolle las autoevaluaciones al final de cada módulo,

12. Revise la matriz para planificar el trabajo que debe

13. Es importante que participe de las actividades que

Maestría en Gestión Financiera 11

A lo largo de las cuatro unidades del Texto-Guía, Usted encontrará

Comandos para la ejecución del programa

Revisión de enlaces en internet para reforzar

Advertencias y tips que le permiten manejar

12 Universidad Técnica Particular de Loja

5.1. Competencias genéricas de la UTPL

• Comunicación oral y escrita

• Orientación a la innovación y a la investigación

• Organización y planificación del tiempo.

Maestría en Gestión Financiera 13

TEXTO GUÍA: DISEÑO DE MODELOS CUANTITATIVOS

Maestría en Gestión Financiera