Estadstica empresarial

b) Coeficiente de correlacin:
Tema 4 Problemas Propuestos.
Al ser una regresin lineal podemos calcular el coeficiente de correlacin lineal, que
coincidir con el general:

S xy 2,6500
1. A continuacin se muestra una tabla de correlaciones con las variables cifra de negocio en r= = = 0,8024
Sx Sy 15,81 0,69
millones de euros (X) y necesidades de crdito en millones de euros (Y) de las empresas
pertenecientes a un determinado sector tecnolgico emergente:
Del coeficiente se desprende que entre ambas variables existe una relacin estadstica
relativamente intensa, y en sentido opuesta (a mayor valor de X se corresponde, en general,
X\Y 1 2 3 un menor valor de Y, y viceversa).
5 0 1 9
10 1 8 2 c) Bondad del ajuste:
15 8 0 1
Vamos a calcular el coeficiente de determinacin lineal ( r 2 ). Para ello, elevamos al
Se pide: cuadrado el coeficiente de correlacin:

a) Estime la regresin lineal de las necesidades de crdito sobre la cifra de negocios.
b) Suponiendo que efectivamente ambas variables guardan una relacin que se ajusta
aproximadamente a una estructura lineal, comente la intensidad y sentido de dicha
relacin a travs del coeficiente de correlacin.
c) Calcule y comente una medida de la bondad del ajuste de la recta de regresin.
d) Comente el significado de los parmetros a y b estimados.
e) Realice una prediccin de las necesidades de crdito para 3 empresas que obtengan
unas cifras de negocio de 20, 25 y 30 millones de euros, respectivamente.
r2 : 0,6439
Podemos concluir que el 64% de la variacin de la variable Y (necesidades de crdito) entre
las distintas empresas se debe, o queda explicado, por las variaciones o cambios de la
variable X (cifra de negocios). Por tanto la bondad del ajuste es relativamente dbil,
quedando un 36% de la varianza de Y sin explicar (varianza residual).
d) Significado de los parmetros.

SOLUCIN:
b = -0,1677 nos muestra la propensin marginal de las necesidades de crdito (Y) respecto a
a) Regresin lineal: la cifra de negocio (X). Es decir, es lo que aumentara / diminuira la necesidad de crdito (-
0,1677 millones de euros) si la empresa considerada facturara 1 ltimo milln adicional de
euros. En este caso, la regresin estimada nos da una propensin marginal negativa.
x(i) \ y(j) 1 2 3 ni. x(i)*ni. x(i)^2*ni.
En cuanto al trmino independiente a = 3,7487, puede interpretarse como la necesidad de
5 0 1 9 10 50 250 crdito autnoma, es decir, si no se facturara nada las empresas necesitaran un crdito de
10 1 8 2 11 110 1100 3,7487 millones de euros en intangibles.
15 8 0 1 9 135 2025
n.j 9 9 12 30 295 3375 e) Prediccin:
y(j)*n.j 9 18 36 63
Segn la recta de regresin, una facturacin de 25 y 30 millones de euros implican
y(j)^2*n.j 9 36 108 153 necesidades de crdito negativas (es decir, tendran capacidad financiera suficiente para
mantener la explotacin).
a01: 2,10 a10: 9,83
a02: 5,10 a20: 112,50
x(i) y (i)
m02: 0,69 m20: 15,81
20 0,3954
x(i) \ y(j) 1 2 3 25 -0,4429
5 0 10 135 30 -1,2812
10 10 160 60
15 120 0 45
suma celdas: 540
a11: 18,00
cov (x;y): -2,6500
b: -0,1677
a: 3,7487

Por lo que la recta de regresin estimada es: y i = 3,7487 0,1677 xi .

1 2
 2. A continuacin se muestra una tabla de correlaciones con las variables nmero de hectreas El 35% de la variacin de la tasa de rentabilidad de la explotacin agraria viene
cultivadas (X) y tasa de rentabilidad de la explotacin agraria (en %) (Y) de las explicada por el nmero de hectreas cultivadas.
explotaciones agrarios de una determinada comarca:
c) Prediccin:
x(i) \ y(j) 5 7 8
10 7 1 1 y i = 4,7348 + 0,0982 xi :
20 2 8 3
30 1 1 6 x(i) y (i)
40 8,6640
Para cuantificar la relacin existente entre ambas variables, se propone la especificacin del 50 9,6464
modelo de regresin lineal: y = a + bx i i 60 10,6287

Se pide: Representando la recta de regresin (con las predicciones correspondientes):

a) Estime los parmetros correspondientes al modelo de regresin lineal. y*(j)=a+bx(i)

b) Comente la bondad del ajuste de la recta de regresin. 12,0000

c) Realice un ejercicio de prediccin de la rentabilidad obtenida para unos tamaos de 10,0000

explotacin de 40, 50 y 60 hectreas. 8,0000

y*(j)
6,0000 y*(j)

SOLUCIN: 4,0000

2,0000

0,0000

a) Modelo lineal y i = a + bxi : 10 20 30

x(i)
40 50 60

x(i) \ y(j) 5 7 8 ni. x(i)*ni. x(i)^2*ni.

10 7 1 1 9 90 900
20 2 8 3 13 260 5200 3. Dada la tabla de correlaciones del ejercicio anterior:
30 1 1 6 8 240 7200

n.j 10 10 10 30 590 13300 a) Estime una regresin potencial del tipo: y i = xi
y(j)*n.j 50 70 80 200 b) Con los resultados de la estimacin anterior, repita el ejercicio de prediccin de la
y(j)^2*n.j 250 490 640 1380 rentabilidad obtenida para unos tamaos de explotacin de 40, 50 y 60 hectreas.
c) Interprete el valor del parmetro .
a01: 6,67 a10: 19,67 d) Es mayor o menor la bondad del ajuste respecto al modelo lineal estimado en el
a02: 46,00 a20: 443,33 ejercicio anterior?
m02: 1,56 m20: 56,56
SOLUCIN:

x(i) \ y(j) 5 7 8
a) Estimar y i = xi :
10 350 70 80
20 200 1120 480
30 150 210 1440 x(i) \ y(j) 5 7 8
suma celdas: 4100 10 7 1 1
a11: 136,67 20 2 8 3
cov (x;y): 5,5556 30 1 1 6
b: 0,0982
a: 4,7348 y i = xi no es una funcin lineal; pero s es linealizable. Si llamamos
v j = ln y j ; ui = ln xi ; a = ln ; b = tendremos el modelo: vi = a + bu i . As pues,
y i = 4,7348 + 0,0982 xi
tendremos la siguiente tabla de correlacin y los siguientes clculos:

b) Clculo del coeficiente de determinacin lineal.

2
r2 =
S xy
=
(5,5556)2 = 0,3508
S x2 S y2 56,56 1,56

3 4
 u(i) \ v(j) 1,6094 1,9459 2,0794 ni. u(i)*ni. u(i)^2*ni. c) Interpretacin del parmetro : Es la elasticidad de Y respecto a X, es decir, el
2,3026 7 1 1 9 20,7233 47,7171 incremento porcentual de Y cuando X se incrementa un 1%. Para comprobarlo, vamos a
2,9957 2 8 3 13 38,9445 116,6674 incrementar X en un 1% respecto al valor, por ejemplo de 40. Eso equivale a
3,4012 1 1 6 8 27,2096 92,5451 40*(1,01)=40,4. Si aplicamos a la regresin estimada un valor xj=40,4 tendremos:
n.j 10 10 10 30 86,8774 256,9296
v(j)*n.j 16,0944 19,4591 20,7944 56,3479
y i = 2,86 (40,4)0,2857 = 8,2282
v(j)^2*n.j 25,9029 37,8657 43,2408 107,0093
Para xi=40 el modelo daba un valor de 8,2049. Esto supone un incremento de:

a01: 1,88 a10: 2,90 8,2282 8,2049

a02: 3,57 a20: 8,56 100 = 0,2857% , que es el valor del parmetro .
8,2049
m02: 0,04 m20: 0,18

u(i) \ v(j) 1,6094 1,9459 2,0794 d) Bondad del ajuste. Tenemos que calcular la varianza de la variable y j , que es:
2,3026 25,9411 4,4806 4,7881
2,9957 9,6429 46,6354 18,6884 x(i) \ y(j) 5 7 8
3,4012 5,4740 6,6184 42,4355 10 7 1 1
suma celdas: 164,7044236 20 2 8 3
a11: 5,49 30 1 1 6
cov (x;y): 0,0509 n.j 10 10 10 a01: 6,67
b: 0,2857 y(j)*n.j 50 70 80 a02: 46,00
a: 1,0508 250 490 640 S y2 =m02: 1,56
y(j)^2*n.j
vi = 1,0508 + 0,2857 ui
Por otro lado, la suma de los cuadrados de los residuos (cada celda de la tabla contiene
Y por tanto: (2
)
el valor eij2 nij = y j y i nij ):

y i = 2,86 xi0,2857 x(i) y (i) \ y(j) 5 7 8

10 5,5220 1,9072 2,1846 6,1406
b) Prediccin:
20 6,7314 5,9955 0,5771 4,8280
30 7,5582 6,5445 0,3116 1,1711
x(i) y (i)
SCR: 29,6601
40 8,2049
50 8,7450 SCR 29,6601
Y la varianza residual: S e2 = = = 0,9887
60 9,2126 N 30
2
S 0,9887
Representando las regresiones del ejercicio 2 y 3 (con las predicciones Con esto, R 2 = 1 e2 = 1 = 0,3644
correspondientes): Sy 1,56
Es decir, el 36,44% de la varianza de la cantidad de mineral extrado por las empresas
y*(j)=a+bx(i) y*(j)=a*x(i)^b viene explicado por la regresin estimada de tipo potencial. En el caso lineal, este
12,0000 12,0000 porcentaje era del 35,08%; por lo que parece que el modelo potencial representa mejor
10,0000 10,0000 el comportamiento de la tasa de rentabilidad en funcin de la extensin cultivada.
8,0000 8,0000
y*(j)
y*(j)

6,0000 y*(j) 6,0000 y*(j)

4,0000 4,0000

2,0000 2,0000

0,0000 0,0000
10 20 30 40 50 60 10 20 30 40 50 60

x(i) x(i)

5 6
 4. En la siguiente tabla de correlacin se muestra la relacin que existe entre el nmero de b) Bondad del ajuste. Tenemos que calcular la varianza de la variable y j , que es:
trabajadores (en cientos) de las distintas empresas extractores de un determinado mineral
(X) y la cantidad (en miles de toneladas) de mineral extrado anualmente. La funcin de
x(i) \ y(j) 10 20 40
extraccin / produccin de las empresas es de tipo exponencial: y = xi . i
1 10 0 0
2 1 8 1
x(i) \ y(j) 10 20 40
3 0 0 8
1 10 0 0
n.j 11 8 9 a01: 22,50
2 1 8 1
y(j)*n.j 110 160 360 a02: 667,86
3 0 0 8
y(j)^2*n.j 1100 3200 14400 S y2 =m02: 161,61
Se pide:
Por otro lado, la suma de los residuos al cuadrado (cada celda de la tabla contiene el
c) Estime la funcin de extraccin representativa de las empresas.
d) Evale la bondad del ajuste efectuado.
( 2
)
valor eij2 nij = y j y i nij ):
e) Haga una previsin del mineral extrado esperado con 400 trabajadores.
x(i) y (i) \ y(j) 10 20 40

SOLUCIN: 1 10,0 0 0 0
2 20,0 100 0 400
a) y i = xi , no es una funcin lineal; pero s es linealizable. Si llamamos 3 40,0 0 0 0
SRC: 500
v j = ln y j ; ui = xi ; a = ln ; b = ln tendremos el modelo: vi = a + bui . As pues,
tendremos la siguiente tabla de correlacin y los siguientes clculos: SRC 500
Y la varianza residual: S e2 = = = 17,8571
N 28
u(i) \ v(j) 2,3026 2,9957 3,6889 ni. u(i)*ni. u(i)^2*ni. S 2
17,8571
1 10 0 0 10 10 10 Con esto, R 2 = 1 e2 = 1 = 0,7912
Sy 161,61
2 1 8 1 10 20 40
Es decir, el 79,12% de la varianza de la cantidad de mineral extrado por las empresas
3 0 0 8 8 24 72 viene recogido en la regresin.
n.j 11 8 9 28 54 122
v(j)*n.j 25,3284 23,9659 33,1999 82,4942 c) Previsin:
v(j)^2*n.j 58,3209 71,7953 122,4705 252,5867
y i = 5 2 4 = 80 mil toneladas.
a01: 2,95 a10: 1,93
a02: 9,02 a20: 4,36
m02: 0,34 m20: 0,64 y(i) Exponencial

700,0000
u(i) \ v(j) 2,3026 2,9957 3,6889
600,0000
1 23,0259 0,0000 0,0000
500,0000
2 4,6052 47,9317 7,3778
400,0000
3 0,0000 0,0000 88,5331 y(i) Exponencial
300,0000
suma celdas: 171,4736033
a11: 6,12 200,0000
100,0000
cov (x;y): 0,4421
b: 0,6931 0,0000
1 2 3 4 5 6 7
a: 1,6094

vi = 1,6094 0,6931 ui

Y por tanto:

y i = 5 2 xi

7 8