Ejercicio resuelto de microeconomía, relativo a la función de producto total, a partir de la cual calculamos las funciones de producto marginal y producto medio, y con ello el máximo técnico y el óptimo técnico.
En Economía, al hablar de mercado de factores productivos nos referimos directamente al corazón de las empresas y las sociedades, todos los elementos que participan en el proceso productivo y todos los elementos que hacen posible el evento de producir un rubro en particular.
Ejercicio resuelto de microeconomía, relativo a la función de producto total, a partir de la cual calculamos las funciones de producto marginal y producto medio, y con ello el máximo técnico y el óptimo técnico.
En Economía, al hablar de mercado de factores productivos nos referimos directamente al corazón de las empresas y las sociedades, todos los elementos que participan en el proceso productivo y todos los elementos que hacen posible el evento de producir un rubro en particular.
Universidad Técnica Particular de Loja
Ciclo Académico Abril Agosto 2011
Carrera: Economía
Docente: Ing. Angela Salazar
Ciclo: Tercero
Bimestre: Segundo
Los especialistas siempre están tratando de hacer mejores estimaciones acerca de lo que ocurrirá en el futuro al afrontar la incertidumbre. El propósito fundamental de los pronósticos es hacer buenas estimaciones en las cuales basar los modelos para la toma de decisiones. Los pronósticos constituyen la problemática fundamental dentro de la gestión de la actividad de una empresa debido a la complejidad de los problemas encontrados cuando se pronostica y a su impacto sobre todas las decisiones de la empresa.Una situación muy particular presenta la previsión de la demanda de piezas de repuesto, dada la gran cantidad de surtidos que se deben proporcionar, el elevado grado de variabilidad en la demanda de estas producciones y la importancia que posee la disponibilidad de estas piezas para el equipamiento que las utiliza, ya que la disponibilidad en tiempo de las mismas garantiza la continuidad del proceso productivo en el cual esté inmiscuido el equipamiento que la utiliza dentro de una determinada empresa. Es por ello, que se debe asegurar un elevado nivel de precisión en la previsión de la demanda de este tipo de productos.En este artículo se presenta un procedimiento general para la previsión de la demanda de las piezas de repuesto basado en su fiabilidad operacional a partir de la filosofía que caracteriza al sistema y considerando la influencia del mismo en el mejoramiento de la Gestión del Mantenimiento del equipamiento.Seguimiento de la implantación del procedimiento.En consecuencia, el contenido de cada uno de ellos, plantea los pasos a desarrollar para prever la demanda de piezas de repuesto basado en su fiabilidad, llegándose, en ocasiones, a definir las técnicas específicas a utilizar.
Fiabilidad: es la probabilidad de que un item (sistema o elemento) realice satisfactoriamente la misión especificada, durante un período determinado y bajo un conjunto dado de condiciones operativas.
Patrones de Fallos:Durante décadas, la sabiduría convencional sugería que la mejor forma de optimizar el desempeño de activos físicos era restaurarlos o reponerlos a intervalos fijos. Esto se basaba en la premisa de que hay una correlación directa entre la cantidad de tiempo (número de ciclos) que el equipo está en servicio, y la probabilidad de que falle, como muestra la Figura 2. Esto sugiere que la expectativa es que la mayoría de los ítems operarán confiablemente por un período “X”, y luego se desgastan.
Proceso de mejora de la previsión de la demanda:El procedimiento comienza con la definición de la filosofía, la cual debe ser el punto de mira del sistema ya que constituye la política que regirá permanentemente su desempeño.Luego se realiza la determinación de la situación actual con el fin de definir, basándose en el análisis de una serie de indicadores, las características que presenta el sistema de previsión de la demanda en ese momento, para posteriormente, en función de dicha situación, pr
Aquí se brinda un tratamiento más detallado a los modelos de heterocedasticidad. Test Breusch-Pagan. Test de White. Mínimos cuadrados ponderados (MCP). Mínimos cuadrados generalizados (MCG). Mínimos cuadrados generalizados factibles (MCGF). Estimación consistente de White.
“La teoría de la producción sostiene que en un proceso productivo que se caracteriza por tener factores fijos (corto plazo), al aumentar el uso del factor variable, a partir de cierta tasa de producción
EL MERCADO LABORAL EN EL SEMESTRE EUROPEO. COMPARATIVA.ManfredNolte
Hoy repasaremos a uña de caballo otro reciente documento de la Comisión (SWD-2024) que lleva por título ‘Análisis de países sobre la convergencia social en línea con las características del Marco de Convergencia Social (SCF)’.
2. ESQUEMA
1. FUNCIÓN DE DENSIDAD NORMAL Y REGRESIÓN.
2. EL MODELO DE REGRESIÓN SIMPLE
3. EL TÉRMINO DE PERTURBACIÓN
4. LOS SUPUESTOS CLÁSICOS
2
3. 1. FUNCIÓN DE DENSIDAD NORMAL Y REGRESIÓN
• Sea la función de densidad conjunta normal bivariada
ì
é
æ
s
f x y
x x ö
y y æ
s
- r - m ÷ ÷ø
-m
exp 1
( , ) 1
• Funciones de densidad de probabilidad marginal:
ü
3
ïþ
ïý ü
ïî ïí ì
ö
÷ ÷ø
æ
s
f x x
- - m
ç çè
( ) 1
ps
=
2
exp 1
2
2
x
x
x
ïþ
ïý ü
ïî
ïí ì
ö
÷ ÷
ø
æ
s
ç ç
è
-m
exp -
1
( ) 1
ps
=
2
2
2
y
y
y
y
f y
ïþ
ïý
ïî
ïí
ù
ú ú
û
ê ê
ë
ö
÷ ÷
ø
æ
s
ç ç
è
- m
ö
+ ÷ ÷
ø
ç ç
è
- m
÷ ÷ø
ç çè
ö
ç çè æ
s
- r
-
ps s - r
=
2 2
2 2
2
2(1 )
2 1
y
y
y
y
x
x
x
x
x y
4. 1. FUNCIÓN DE DENSIDAD NORMAL Y REGRESIÓN
• La función de densidad condicional de Y dado X:
f y x = f x y
( | ) ( , )
f x
( | ) 1 exp 1
x
f y x y x
• Media y Varianza Condicionales:
4
( )
ïþ
ïý ü
ïî
ïí ì
ù
úû
é
êë
ö
÷ ÷ø
æ
ç çè
-m
s
s
- m + r
s - r
-
ps -r
=
2
y
2 2 2 2 ( )
2 (1 )
2 (1 )
x
y
y y
y
y
y
s
r + ÷ ÷ø
æ
s
s
E ( Y | x ) ( x ) x = a + b
x y y | x y | x
x
x
x
x y
x
s
ö
ç çè
m
s
-m = m - r
s
= m + r
Var ( Y | x ) = (1 - r 2 ) s 2 º s
2
y Y |
x
5. 2. MODELO DE REGRESIÓN SIMPLE
• El Modelo de regresión simple:
– y=variable dependiente, regresando, explicada, variable del lado
izquierdo (left-hand-side variable).
– x = variable independiente, regresor, explicativa, variables del lado
derecho (right-hand-side variable).
• Término de perturbación: u º y - E( y | x)
5
y = E( y | x )+ u
6. 2. MODELO DE REGRESIÓN SIMPLE
A
·
B
·
C
6
( i i ) i E Y X X 1 2 = b +b
7. 2. MODELO DE REGRESIÓN SIMPLE
7
• Las relaciones entre las variables x e y pueden ser: positivas o
8
6
4
2
0
0 1 2 3 4
X
Y
Relación poblacional positiva entre Y y X
8
6
4
2
0
0 1 2 3 4
X
Y
Relación poblacional negativa entre Y y X
negativas
8. 2. MODELO DE REGRESIÓN SIMPLE
CAUSALIDAD EN EL MODELO DE REGRESIÓN LINEAL
• Es importante tener en cuenta que un modelo de regresión no
implica la existencia de causalidad entre las variables.
• La causalidad - si existiera - estará determinada por la teoría
económica y reforzada por pruebas estadísticas adecuadas.
8
y = E( y | x) + u x = E(x | y) + u
9. 2. MODELO DE REGRESIÓN SIMPLE
• La teoría económica analiza las relaciones entre variables a través
de modelos. Las relaciones pueden ser uniecuacionales o
multiecuacionales, bivariadas o multivariadas.
• Además, las relaciones económicas pueden modelarse como
relaciones determinísticas o relaciones estocásticas.
donde g(Y) es la función esperanza condicional o regresión.
9
(1) C = f (Y) C Y 1 2 (2) = b + b
(3) C = g(Y) + u (4) C = b1 + b2Y + u
10. 10
2. MODELO DE REGRESIÓN SIMPLE
• Ejemplo: la relación lineal entre consumo e ingreso no es exacta.
Ello, explica que las relaciones entre variables económicas sea
estocástica (presencia de u).
11. 3. TÉRMINO DE PERTURBACIÓN O ERROR
Definición
• Denominado término estocástico.
• La palabra estocástico proviene del griego stokhos que
significa objetivo o blanco de una ruleta:
– Una relación estocástica es una relación que no siempre
da en el blanco.
– Así, el término de perturbación mide los errores o fallas de
la relación determinística:
11
u Y X 1 2 = -b -b
12. 3. TÉRMINO DE PERTURBACIÓN O ERROR
• La presencia del término de perturbación se justifica por los
siguientes argumentos (no mutuamente excluyentes):
– Omisión de la influencia de eventos sistemáticos, muy
importantes y poco importantes para la relación.
– Omisión de la influencia de innumerables eventos no
sistemáticos, muy importantes y poco importantes para la
relación.
– Error de medida de las variables utilizadas.
– Aleatoriedad del comportamiento humano ante situaciones
similares.
12
13. 3. TÉRMINO DE PERTURBACIÓN O ERROR
– Omisión de variables explicativas: se excluyen variables que
no se pueden medir.
– Agregación de variables micro-económicas. Relaciones
individuales pueden tener distintos parámetros.
– Incorrecta especificación del modelo en términos de su
estructura: común en datos de series de tiempo, la variable
endógena puede depender de sus valores pasados.
– Incorrecta especificación funcional: relaciones lineales vs.
no lineales.
13
14. 14
1
3. TÉRMINO DE PERTURBACIÓN O ERROR
Y
Y X 1 2 = b +b
b 1
X X 1 X2 X3 X4
Suponga que una variable Y es una función lineal de otra variable X,
con parámetros desconocidos β1 y β2 que vamos a desear estimar.
15. 15
2
3. TÉRMINO DE PERTURBACIÓN O ERROR
Y
b 1
X X 1 X2 X3 X4
Y X 1 2 = b +b
Suponga que se cuenta con una muestra de 4 observaciones para las
variables X e Y.
16. 16
3. TÉRMINO DE PERTURBACIÓN O ERROR
Q1
Q2
Q3
Q4
3
Y
b 1
X X 1 X2 X3 X4
Y X 1 2 = b +b
Si la relación entre X e Y fuera exacta, las observaciones estarían en
la línea recta y no habría problema de obtener los valores exactos de
los parámetros poblacionales β1 y β2.
17. 17
3. TÉRMINO DE PERTURBACIÓN O ERROR
P4
P3 P2
P1
Q1
Q2
Q3
Q4
4
Y
b 1
X X 1 X2 X3 X4
Y X 1 2 = b +b
En la práctica, muchas relaciones no son exactas y los valores
observados de Y son distintas de los valores que tomaría se
estuvieran en la línea recta (P vs. Q)
18. 18
3. TÉRMINO DE PERTURBACIÓN O ERROR
P4
P3 P2
P1
Q1
Q2
Q3
Q4
5
Y
b 1
X X 1 X2 X3 X4
Y X 1 2 = b +b
Así, el término de perturbación permite justificar tal divergencia y por
ello el modelo estadístico puede escribirse como Y = b 1 + b 2X + u,
donde u es el término de perturbación.
19. 19
3. TÉRMINO DE PERTURBACIÓN O ERROR
P4
Q4 u1
P3 P2
P1
Q1
Q2
Q3
6
Y
b 1
1 2 1 b +b X
X X 1 X2 X3 X4
Y X 1 2 = b +b
Cada valor de Y tiene un componente no estocástico, b 1 + b 2X, y un
componente u. Por ejemplo, la primera observación tiene estos dos
componentes.
20. 4. LOS SUPUESTOS CLÁSICOS
• SC1:
– Linealidad de la esperanza condicional. ¿Término de perturbación
aditivo? Sí.
– Regresores Adecuados.
– Parámetros Constantes.
• SC2: Supuesto de Regresión
• SC3: Rango Completo por columnas (no multicolinealidad).
• SC4: Ausencia de relación estadística entre X y perturbaciones.
• SC5: Perturbaciones esféricas: Homocedasticidad y No Autocorrelación.
20
21. 4. LOS SUPUESTOS CLÁSICOS
SC1: LINEALIDAD DE LA ESPERANZA CONDICIONAL
1. Lineal en parámetros y variables: en general para k
variables:
y = b x + b x + b x + + b
x +
u
k k
1 1 11 2 12 3 13 1 1
y = b x + b x + b x + + b
x +
u
2 1 21 2 22 3 23 2 2
n n n n k nk n
Notación matricial:
21
y = Xb + u
k k
y = b x + b x + b x +
+ b
x +
u
1 1 2 2 3 3
( 1)
u
1
2
u
x x
x
x x
x
x x x
b
b
u
n n ( 1)
1
2
k
11 12 1
21 22 2
ù
ú ú ú ú
û
k
1 2 ( )
( 1)
y
1
2
ù
ú ú ú ú
û
é
+
ê ê ê ê
ë
ù
ú ú ú ú
û
é
ê ê ê ê
ë
é
=
ê ê ê ê
ë
´ ´ ´ ´
ù
ú ú ú ú
û
é
ê ê ê ê
ë
n n nk n k k k n n
y
y
b
22. 4. LOS SUPUESTOS CLÁSICOS
• Coeficientes de la Regresión y Efectos Marginales
• Interpretación de los parámetros
22
Tabla 1: Interpretación de los coeficientes del modelo de regresión
X Log(X)
Efecto Marginal
Y Cambio en el nivel de Y ante un
cambio en una unidad de X
Cambio en el nivel de Y ante un
cambio porcentual de X
(Modelo Semilog)
Semi-elasticidad de Y ante X Elasticidad de Y ante X
Log(Y) Cambio porcentual de Y ante un
cambio en una unidad de X
(Modelo Semilog)
Cambio porcentual de Y ante un
cambio porcentual de X: ()
(Modelo Doble log)
23. 4. LOS SUPUESTOS CLÁSICOS
2. Regresores adecuados: el modelo especificado es el “verdadero”
• No se omiten variables importantes.
• No se incluyen variables redundantes.
3. Los parámetros son constantes:
• Para la muestra analizada: individuos o tiempo.
• Al menos que fluctúen (poco) alrededor de un valor constante.
• No hay cambio estructural o de régimen (series de tiempo), cualidades
(corte transversal).
23
24. 4. LOS SUPUESTOS CLÁSICOS
SC2: SUPUESTO DE REGRESIÓN:
• MEDIA INCONDICIONAL DEL TÉRMINO DE PERTURBACIÓN IGUAL
A CERO:
– Regresores son fijos en muestreo repetido.
– Regresores son variables aleatorias y con distribución totalmente
independiente del término de perturbación.
• MEDIA CONDICIONAL DEL TÉRMINO DE PERTURBACIÓN DADO X
ES IGUAL A CERO:
– Regresores son variables aleatorias y con distribución independiente en
media del término de perturbación.
24
E( u ) , i , ,n i = 0 =1 E( u ) =0
E( u X ) , i , ,n i = 0 =1
25. 4. LOS SUPUESTOS CLÁSICOS
SC3: RANGO COMPLETO POR COLUMNAS DE X
– No es posible que n<k
• El número de observaciones es mayor al número de
regresores: n > k (variación de los regresores).
– Columnas linealmente independientes
• No existen relaciones lineales exactas entre regresores:
Ausencia de Colinealidad o Multicolinealidad.
– Implicancias:
• X’X es positivo definida
• la inversa de (X’X) existe!
25
26. 4. LOS SUPUESTOS CLÁSICOS
26
Diversas relaciones posibles Una única relación posible
Y
X
·
·
Y
X
·
n<k n=k
27. 4. LOS SUPUESTOS CLÁSICOS
SC4: AUSENCIA DE RELACIÓN ESTADÍSTICA ENTRE
REGRESORES Y PERTURBACIONES:
Se presentan dos casos:
– Regresores Fijos en muestras repetidas (no estocásticos).
– Regresores Estocásticos:
• Independencia total.
• Independencia en media.
• Ausencia de relación lineal contemporánea.
27
28. 4. LOS SUPUESTOS CLÁSICOS
• Independencia Total de las perturbaciones y regresores.
( ) ( ) ( ) i =1,n "j =1,,K i ij i ij f u ,X = f u f X
• Independencia en media de las perturbaciones.
Si se cumple SC2 , entonces :
28
( i ij ) ( i ) E u | X = E u
i =1,n "j =1,,K
( ) = 0 i E u ( ) = 0 i ij E u | X
29. 4. LOS SUPUESTOS CLÁSICOS
• Ausencia de relación lineal contemporánea entre perturbaciones
y regresores.
Cov( X ,u ) = 0 i j i i =1,n "j =1,,K
( ) = 0 i E u
Si , entonces :
29
Cov( X ,u ) = E( X u ) = 0 i =1,,n "k = 1,,K ik i ik i
30. 4. LOS SUPUESTOS CLÁSICOS
SC5: PERTURBACIONES ESFÉRICAS
– Homocedasticidad:
• Supuesto sobre el segundo momento condicional.
• Si se cumple SC2 y SC4 (al menos independencia en media):
30
E [ u2 | X ] =s 2 i "i =1,,n
Var( u | X ) E[( u E[ u | X ]) | X ]
= -
E [ u | X ]
i i i "i =1,,n
2 2
2
= =s
i
31. 4. LOS SUPUESTOS CLÁSICOS
– No autocorrelación:
• Si se cumple SC2 y SC3:
Cov[ u ,u ] | X = E( [ u - E( u )][u -
E( u )] | X )
i j i i j j "i ¹ j
Cov[ u ,u | X ] E( u u | X )
• En series de tiempo: ausencia de correlación serial.
31
E [ u u | X ] = 0 i j "i ¹ j
= = 0
i j i j
32. 4. LOS SUPUESTOS CLÁSICOS
– Perturbaciones Esféricas: Notación matricial
• La matriz de segundos momentos es proporcional a la identidad.
• Si se cumple SC2 y SC4 (al menos independencia en media):
32
E [ uu'| X ] In =s 2
n Var( u ) = E [ uu'| X ] =s 2I