PRESENTACIÓN

El presente trabajo se centra en el estudio de la relación que existe entre la cantidad de

alumnos por curso y el promedio de notas de los respectivos cursos del segundo semestre
lectivo del año académico 2015 que dicta la Facultad de Economía de la Universidad
Nacional de San Agustín. Se pretende contribuir en la toma de decisiones de la facultad
para asignar de forma eficiente la cantidad óptima de alumnos como máximo que puede
haber en un curso que se dicta en la Facultad de Economía.

1
ÍNDICE:

ENUNCIADO………………………………………………………………………………. PÁG. 3

PLANTEAMIENTO DEL PROBLEMA……………………………………………………PÁG. 4

PREGUNTAS DE INVESTIGACIÓN………………………………………..……………PÁG. 4

OBJETIVOS…………………………………………………………………………..…… PÁG.4

 GENERAL
 ESPECÍFICOS

HIPÓTESIS………………………………………………………………………………….PÁG 5

MARCO TEÓRICO………………………………………………………………………... PÁG. 5

DESARROLLO DE LA
INVESTIGACIÓN……………………………………………………………...……….... ..PÁG.8

 CAPÍTULO I
 CAPITULO II
 CAPÍTULO III

CONCLUSIONES…………………………………………………………………………PÁG.21

BIBLIOGRAFÍA…………………………………………………………………………….PÁG.21

2
3
I. PLANTEAMIENTO DEL PROBLEMA:
La Facultad de Economía de la Universidad Nacional de San Agustín viene dictando
diferentes cursos para el beneficio de muchos estudiantes que aspiran a lograr el grado de
economistas en 5 años.
El objetivo de la asignación de alumnos por curso en la Facultad de Economía tiene como
fin llenar el salón dependiendo de la cantidad demanda de alumnos por curso, hay cursos
que tienen 50 matriculados como otros que tienen 65 alumnos matriculados.
El problema radica al final del curso donde se espera que los resultados sean los óptimos
ya que si existiera una cantidad alta de desaprobados, el próximo año habrá mayor
demanda de alumnos por curso y por ende se abrirían más grupos por curso, lo que conlleva
al contrato de más horas de trabajo de un profesor.

1. DELIMITACION DEL LUGAR: El lugar escogido para nuestro trabajo de investigación es

la Facultad de Economía de la Universidad Nacional de San Agustín

2. PREGUNTA GENERAL: ¿Cuál es la cantidad óptima de alumnos por curso según el

promedio de notas en la Facultad de Economía de la Universidad Nacional de San Agustín?

3. PREGUNTAS DE INVESTIGACION:
a) ¿Cómo se relaciona el promedio de alumnos por curso con la cantidad de alumnos
matriculados?

4. OBJETIVO GENERAL: Conocer cantidad óptima de alumnos como máximo que puede
haber por curso en la Facultad de Economía de la Universidad Nacional de San Agustín.

5. OBJETIVOS ESPECIFICOS:
a) Saber que influencia tiene la cantidad de alumnos por curso con el promedio de notas
final.

4
 6. HIPOTESIS GENERAL:
La cantidad óptima de alumnos por curso según el promedio de notas será
7. HIPOTESIS ESPECÍFICAS
a) La relación que existe entre el número de alumnos por curso es inversamente
proporcional con el promedio de notas final.

II. MARCO TEORICO

1. DEFINICION DE LA FUNCIÓN DE UTILIDAD
A los economistas nos resulta mucho más sencillo describir las preferencias por medio de
una función de utilidad. Cuando hablamos de una función de utilidad nos referimos a una
función U(Xi) que le asigna un valor numérico a cada una de las canastas Xi, para todo
i=1, 2, 3,…., que representa el ordenamiento que realiza el consumidor en cuestión, de
acuerdo con sus preferencias.
Diremos que una función U(a) es una función de utilidad que representa la relación de
preferencia (≻) si para todo par de canastas Xi y Xj que forman parte del conjunto de
canastas posibles X.
Xi ≻ Xj implica que U(Xi) > U(Xj)

Cualquier función f(a) que sea estrictamente creciente, tal que V(Xi)=f[U(a)] que origina
una nueva función de utilidad que representan las mismas preferencias de U(a). Esto nos
da a entender que la función de utilidad es invariante frente a cualquier transformación
estrictamente creciente.

2. LA UTILIDAD CARDINAL
En la década de 1870, un grupo de economistas liderados por el inglés Stanley Jevons, el
francés Leon Walras y el austríaco Carl Menger iniciaron, de manera casi simultánea e
independiente el estudio de la utilidad del consumidor considerando que este era medible
y que podía ser representada a través de una función de utilidad. Este tipo de análisis es
conocido hoy en día como “el enfoque de la utilidad cardinal”, porque toma como punto de
partida los niveles de utilidad absoluta, medidos con el empleo de la unidad ficticia.
Puede destacarse que cuando hablamos de la utilidad que nos reporta una canasta de
bienes nos referimos a la satisfacción o felicidad que experimentamos al consumirla. Ya en
el siglo XVIII, el economista italiano Ferdinando Galiani señalaba que la utilida económica

5
es todo lo que produce placer o procura felicidad. El economista franco-italiano Wilfredo
Pareto (1906) empleó el término de “ofelimidad”, que en realidad es un neologismo forjado
por el mismo autor para designar la capacidad de un bien, evaluada de manera subjetiva,
para satisfacer una necesidad. El economista estadounidense Irving Fisher, a comienzos
del siglo XX, le dio el nombre de “deseabilidad”.

Gráfico función de utilidad marginal decreciente del bien “x”

Tanto Jevons como Walras y Menger le dieron especial importancia al efecto que tiene
sobre la utilidad de un consumidor el añadir una unidad adicional de un bien determinado a
su cansata de consumo, manteniendo oconstantes las cantidades de todos los demás
bienes. Esta contribución de un bien específico a la utilidad del consumidor es lo que
conocemos con el nombre de “utilidad marginal” del bien en cuestión.

Los tres primeros autores mencionados plantearon el principio de escasez, según el cual el
valor que los consumidores le atribuyen a un bien determinado es inversamente
proporcional a su abundancia relativa, o, lo que es lo mismo, directamente proporcional a
su escasez relativa. Es decir, un bien es más valioso para el consumidor cunado es más

6
escaso, y este valor va disminuyendo en la medida en que se torna más abundante. Si
empleamos el concepto de utilidad marginal, diremos que, en la medida en que vamos
añadiendo unidades sucesivas de un bien específico a la canasta del consumidor,
manteniendo constantes las cantidades de todos los demás bienes, los incrementos en la
utilidad van a ser cada vez más pequeños. En otras palabras, cada unidad adicional del
bien en cuestión es menos valiosa que la anterior, o, lo que es lo mismo, la utilidad
marginal de dicho bien es decreciente.

Si la utilidad marginal de un bien es continuamente decreciente, es posible que llegue un

momento en que esta tome un valor igual a cero y luego se vuelva negativa. Cuando esto
ocurre , diremos que tenemos un punto de saturación para el bien en cuestión: el
consumidor ya no percibe ninguna satisfacción adicional por el consumo de una nueva
unidad de dicho bien, “y”, en el caso de que siguiera consumiéndolo, las nuevas unidades
ya no le reportarían utilidad sino más bien desutilidad, es decir, una utilidad negativa. El
bien se ha convertido en un desbien o en un mal.

En la parte superior del gráfico se muestra la forma que tendría la función de utilidad cuando
tenemos cantidades variables de un cierto bien X, suponiendo constantes las cantidades
de todos los demás bienes. Nótese que estamos midiendo la utilidad en unidades ficticias
y arbitrarias, denominadas “útiles”. La parte inferior del mismo gráfico muestra la utilidad
marginal del bien X, que corresponde a la función de utilidad de la parte superior.

Como se puede apreciar en el gráfico, a medida que va aumentando el consumo de X la

función de utilidad es, en un primer momento, creciente. Esto significa que el consumidor
percibe una satisfacción adicional por cada nueva unidad que va consumiendo del bien X,
en otras palabras, la utilidad marginal de X es positiva. Sin embargo, dado que la utilidad
marginal de X es decreciente, la utilidad va creciendo en cantidad cada vez más pequeñas.
Cuando el consumidor llega al punto de saturación en el consumo del bien X, su utilidad
marginal es cero y la utilidad total deja de crecer. En ese momento la utilidad llega a su
punto máximo. Si el consumidor sigue consumiendo nuevas unidades del mismo bien X, su
utilidad marginal se torna negativa, lo que da a entender que cada unidad adicional ya no
genera bienestar sino molestia o disgusto. La función de utilidad comienza entonces a
decrecer, lo que refleja las sucesivas pérdidas de utilidad que implica seguir consumiendo
X. El producto o servicio X ha dejado de ser un bien, para convertirse en un desbién o mal.

7
III. DESARROLLO DE LA INVESTIGACIÓN

CAPÍTULO I

PROMEDIOS Y CANTIDAD DE ALUMNOS POR CURSO

A continuación se presentan la base de datos utilizada para el desarrollo de la investigación,
se ha extraído una muestra significativa de 56 cursos dictados en el segundo semestre
lectivo del año 2015

8
En nuestra base de datos tenemos los cursos más resaltantes del 1er año al 5to año donde
se buscará la cantidad óptima de alumnos que deben matricularse por curso y donde se
espera un promedio aprobatorio, ya que en muchos cursos el promedio está por debajo del
11 y además se busca encontrar hasta qué punto empiezan los rendimientos decrecientes

9
 CAPÍTULO II

MODELOS DE REGRESIÓN PARA LA CANTIDAD ÓPTIMA DE ALUMNOS

Para hallar la cantidad óptima de alumnos por curso se evaluaron dos regresiones que nos
muestran los siguientes resultados:
Primero se evalúo el modelo con el método de mínimos cuadrados ordinarios:

REGRESIÓN:

Prom = 5.268305 + 0.3257777𝑛𝑑𝑒𝑒𝑠𝑡 − 0.0036722𝑛𝑑𝑒𝑒𝑠𝑡^2 + 𝑒𝑖

Donde:

- Prom = Promedio de notas por curso

- ndeest = N° de estudiantes aprobados y desaprobados en cada curso
- ndeest^2= N° de estudiantes aprobados y desaprobados en cada curso al cuadrado

Cabe señalar que se considera solo a los alumnos aprobados y desaprobados ya que los
alumnos que abandonan el curso o se retiran, distorsionan el promedio general del salón
ya que a ellos simplemente se les pone un 0 y además que ellos no suelen ir a clases y por
ende son excluidos del análisis.

Análisis de la regresión:

- Β0: Es conocido como la constante o el intercepto, este valor nos indica que el promedio
por salón fijo o independientemente de la cantidad de alumnos aprobados y
desaprobados será de 5,27

10
- Β1: Es conocido como el coeficiente de regresión de la variable explicativa, nos indica
también que si aumenta en una unidad el número de estudiantes por curso, el promedio
aumentará en 0.33 puntos.
- Β2: Es conocido también como el coeficiente de la regresión de la variable explicativa,
nos dice que si aumenta el número de estudiantes por curso al cuadrado entonces el
promedio disminuye en 0.00036.

- Coeficiente de Determinación
R2=0.21 → El 21% de los promedios por curso están siendo explicada por el número
de alumnos por curso y el número de alumnos por curso al cuadrado.

- Prueba “t” estadístico.-

 Para :
H0: =0 No hay promedio fijo independientemente del número de alumnos
aprobados y desaprobados por curso.
H1: β0 ≠ 0 Hay promedio fijo independientemente del número de
alumnos aprobados y desaprobados por curso.

𝑩𝟎 − 𝑏 5,26 − 0
𝒕𝑩𝟎 = = = 𝟐. 𝟏𝟏
(𝒔𝑩𝟎 ) 𝟐. 𝟒𝟗

95% nivel de significancia

Por lo tanto: prob=0.039<0.05 → Nuestro “t” calculado se encuentra en la zona de

rechazo por lo cual se rechaza el Ho, es decir, el β0 es significativo de manera
individual para el modelo.
 Para β1:

H0: β1 = 0 No hay relación significativa entre el número de alumnos por

curso y el promedio
H1: β1 ≠ 0 Si hay relación significativa entre el número de alumnos por
curso y el promedio

𝑩𝟏 − 𝑏 0.33 − 0
𝒕𝑩𝟏 = = = 𝟑. 𝟐𝟓
(𝒔𝑩𝟏 ) 𝟎. 𝟏𝟏

11
 95% nivel de significancia

Por lo tanto: prob=0.002<0.05 → Nuestro “t” calculado se encuentra en la zona de

rechazo por lo cual se rechaza el Ho, es decir, el β1 es significativo de manera
individual para el modelo.

 Para β2:
H0: β2 = 0 No hay relación significativa entre el número de alumnos por
curso y el promedio
H1: β2 ≠ 0 Si hay relación significativa entre el número de alumnos por
curso y el promedio

𝑩𝟐 − 𝑏 0.00036 − 0
𝒕𝑩𝟐 = = = −𝟑. 𝟓𝟗
(𝒔𝑩𝟐 ) 𝟎. 𝟎𝟎𝟏

95% nivel de significancia

Por lo tanto: prob=0.001<0.05 → Nuestro “t” calculado se encuentra en la zona de

rechazo por lo cual se rechaza el Ho, es decir, el β2 es significativo de manera
individual para el modelo.
- Prueba F

H0: β0 β1 β2= 0 si hay existencia de heterocedasticidad

H1: β0 β1 β2 ≠ 0 no hay existencia de heterociedasticdad

𝑭(𝟐, 𝟓𝟑) = 𝟕. 𝟐𝟓

95% nivel de significancia

Por lo tanto: prob=0.0016<0.05 → Nuestro “F” calculado se encuentra en la zona

de rechazo por lo cual se rechaza el Ho, es decir β0 β1 y β2 son estadísticamente
significativos en forma conjunta para el modelo.

12
Segundo, se evalúo el modelo con el método de mínimos cuadrados ordinarios:

REGRESIÓN:

Prom = 1.86 + 0.029𝑛𝑑𝑒𝑒𝑠𝑡 − 0.00033𝑛𝑑𝑒𝑒𝑠𝑡^2 + 𝑒𝑖

Donde:

- Prom = Promedio de notas por curso

- ndeest = N° de estudiantes aprobados y desaprobados en cada curso
- ndeest^2= N° de estudiantes aprobados y desaprobados en cada curso al cuadrado

Análisis de la regresión:

- Β0: Es conocido como la constante o el intercepto, este valor nos indica que el promedio
por salón fijo o independientemente de la cantidad de alumnos aprobados y
desaprobados será de 6.44
- Β1: Es conocido como el coeficiente de regresión de la variable explicativa, nos indica
también que si aumenta en una unidad el número de estudiantes por curso, el promedio
aumentará en 1.029 puntos.
- Β2: Es conocido también como el coeficiente de la regresión de la variable explicativa,
nos dice que si aumenta el número de estudiantes por curso al cuadrado entonces el
promedio disminuye en 0.999.

- Coeficiente de Determinación
R2=0.2271 → El 22.71% de los promedios por curso están siendo explicada por el
número de alumnos por curso y el número de alumnos por curso al cuadrado.

13
- Prueba “t” estadístico.-
 Para β0:
H0: β0 = 0 No hay promedio fijo independientemente del número de
alumnos aprobados y desaprobados por curso.
H1: β0 ≠ 0 Hay promedio fijo independientemente del número de
alumnos aprobados y desaprobados por curso.

𝑩𝟎 − 𝑏 1.86 − 0
𝒕𝑩𝟎 = = = 𝟖. 𝟔𝟕
(𝒔𝑩𝟎 ) 𝟎. 𝟐𝟏

95% nivel de significancia

Por lo tanto: prob=0.000<0.05 → Nuestro “t” calculado se encuentra en la zona de

rechazo por lo cual se rechaza el Ho, es decir, el β0 es significativo de manera
individual para el modelo.
 Para β1:

H0: β1 = 0 No hay relación significativa entre el número de alumnos por

curso y el promedio
H1: β1 ≠ 0 Si hay relación significativa entre el número de alumnos por
curso y el promedio

𝑩𝟏 − 𝑏 0.029 − 0
𝒕𝑩𝟏 = = = 𝟑. 𝟒𝟏
(𝒔𝑩𝟏 ) 𝟎. 𝟎𝟎𝟖

95% nivel de significancia

Por lo tanto: prob=0.001<0.05 → Nuestro “t” calculado se encuentra en la zona de

rechazo por lo cual se rechaza el Ho, es decir, el β1 es significativo de manera
individual para el modelo.

 Para β2:
H0: β2 = 0 No hay relación significativa entre el número de alumnos por
curso y el promedio

14
 H1: β2 ≠ 0 Si hay relación significativa entre el número de alumnos por
curso y el promedio

𝑩𝟐 − 𝑏 −0.0003 − 0
𝒕𝑩𝟐 = = = −𝟑. 𝟕𝟓
(𝒔𝑩𝟐 ) 𝟎. 𝟎𝟎𝟎𝟎𝟖𝟖𝟏

95% nivel de significancia

Por lo tanto: prob=0.000<0.05 → Nuestro “t” calculado se encuentra en la zona de

rechazo por lo cual se rechaza el Ho, es decir, el β2 es significativo de manera
individual para el modelo.
- Prueba F:

H0: β0 β1 β2= 0 si hay existencia de heterocedasticidad

H1: β0 β1 β2 ≠ 0 no hay existencia de heterociedasticdad

𝑭(𝟐, 𝟓𝟑) = 𝟕. 𝟕𝟖

95% nivel de significancia

Por lo tanto: prob=0.0011<0.05 → Nuestro “F” calculado se encuentra en la zona

de rechazo por lo cual se rechaza el Ho, es decir β0 β1 y β2 son estadísticamente
significativos en forma conjunta para el modelo.
- Root MSE:
Al ser el valor de la desviación estándar del modelo muy cercano a cero;

𝑹𝒐𝒐𝒕 𝑴𝑺𝑬 = 𝟎. 𝟏𝟐𝟏𝟏𝟖

El modelo log-lin es con el que analizaremos nuestro trabajo.

15
 CAPÍTULO II

EVALUACION DE SUPUESTOS
- Prueba de Ramsey Reset

Nos indica que al ser p=0.3982>0.05, aceptamos la H0 y afirmamos que el modelo no

contiene variables omitidas.

- Homocedasticidad

Nos indica que al ser p=0.8802>0.05, aceptamos la H0 y afirmamos que el modelo es

homocedástico.

- Prueba de normalidad de los residuos

Nos indica que al ser p=0.28855>0.05, aceptamos la H0 y afirmamos que la distribución

de los errores se asemeja a una distribución normal.

16
Los valores de los residuos se asemejan a una distribución normal, como podemos ver
en la última gráfica, la mayoría de puntos se transponen en la recta y muchos siguen la
tendencia normal.

17
- Multicolinealidad

A medida que es mayor la multicolinealidad presente en uno de los regresores del

modelo, la varianza de su coeficiente comienza a crecer, en otras palabras la
multicolinealidad infla la varianza del coeficiente
Al ser los valores de VIF mayores de 10 entonces podremos afirmar que existe el
problema de multicolinealidad.

- Autocorrelación

VALORES AL 5%

dL = 1.452 4 - dL = 2.548

dU = 1.681 4 –dU = 2.319

En la hipótesis nula donde se toma como alternativa el hecho de que no hay correlación
negativa la decisión es no tomar una decisión, ni de rechazo ni de aceptación ya que
nuestro estadístico 2.396454 cae en el medio del intervalo y por eso no tomamos una
decisión

18
 CAPÍTULO III

CANTIDAD ÓPTIMA DE ALUMNOS POR CURSO

Como en el capítulo I llegamos escoger el modelo log-lin que tras analizarlo con los
siguientes resultados, vemos que tiene menor Akaike y menor Schwarz

19
Y obtenemos la siguiente gráfica que nos permitirá ver y analizar la cantidad óptima de
alumnos por curso.

Podremos afirmar que 44 es la cantidad de alumnos que deben ser matriculados por
curso en la Facultad de Economía de la Universidad Nacional de San Agustín, ya que
si se añade un alumno más empezarían los rendimientos decrecientes y el promedio
de 12.5 por curso se verá afectado y disminuirá.

20
 CONCLUSIONES
Al concluir nuestra investigación acerca de la cantidad óptima de alumnos por curso
podemos llegar a la siguiente conclusión:
- La cantidad máxima de alumnos por curso en la Facultad de Economía de la Universidad
Nacional de San Agustín es de 44 alumnos por curso
- El promedio de notas esperado por curso será de 12.5
- El modelo log-lin fue escogido por tener menor Root MSE y mayor R 2, menor Akaike y
menor Schwarz

21
 BIBLIOGRAFÍA

- http://tabarefernandez.tripod.com/multico.pdf
- Gujarati, Damodar. Econometría. Bogotá: McGraw-Hill, 1990
- Castro, Juan Francisco. Econometría aplicada. Lima: Universidad del Pacífico. Centro
de Investigación, 2003

22