República Bolivariana de Venezuela.

Universidad Nacional Experimental de Guayana.

Coordinación General de Investigación y Postgrado.
Maestría en Gerencia, Mención Operaciones y Producción.
Análisis de la Eficiencia.

Facilitador:
Msc. Victor Hernández
Autores:
Fajardo, Anlly. C.I. 20.740.756
Guzmán, Desiree. C.I. 16.573.090
Hernández, Joselyn. C.I. 20.774.322
Rivas, Alexis. C.I. 14.120.947

Julio, 2018.
 ÍNDICE

INTRODUCCIÓN .................................................................................................. 1
MÉTODOS NO PARAMÉTRICOS ................................................................... 2
1. Método DEA ................................................................................................... 2
1.1. Cálculo de la eficiencia de la escala ......................................................... 3
1.2. Super-eficiencia........................................................................................ 6
1.2.1 Modelo DEA-BCC ............................................................................. 8
1.2.2 Método de Zhu ................................................................................. 10
1.2.3 Método de Premachandra ................................................................. 11
1.3. Números índices y medidas de productividad ........................................ 12
1.3.1 Medidas de productividad ................................................................ 12
1.3.2 Indices de Malmquist ....................................................................... 13
CONCLUSIONES .................................................Error! Bookmark not defined.
REFERENCIAS BIBLIOGRÁFICAS .................................................................. 22
 INTRODUCCIÓN

La evaluación de la eficiencia es un tema que, en los últimos años, ha

suscitado un gran interés, debido fundamentalmente, al hecho de que en entornos
competitivos es imprescindible utilizar eficientemente los recursos si se pretende
mejorar la rentabilidad. La eficiencia no es más que la relación entre un ingreso y un
gasto; entre una entrada y una salida; entre un recurso y un producto. La expresión en
cualquiera relación de eficiencia toma la forma de una proporción: un output dividido
por un input.

Farrell (1957) propuso un método para medir la eficiencia teniendo en cuenta

varios factores de producción al mismo tiempo. Este autor descomponía la eficiencia
de una empresa en dos componentes: Eficiencia técnica, que refleja la habilidad de
obtener el máximo output para un determinado nivel de inputs, y Eficiencia
asignativa, que refleja la habilidad de una empresa para utilizar los inputs en una
proporción óptima, considerando los precios de los inputs. Estos dos conceptos
combinados constituirían la eficiencia económica.

Los métodos para estimar la eficiencia pueden ser divididos en dos Coelli
(1995) establece los métodos paramétricos, que estiman una frontera estocástica por
técnicas econométricas; y métodos no paramétricos, como el Análisis Envolvente de
Datos, conocido como DEA, que se basa en la resolución del modelo por
programación lineal. En este informe nos concentraremos en los métodos no
paramétricos, específicamente en el DEA, cuya mayor ventaja es su flexibilidad, en el
sentido de que impone condiciones menos restrictivas sobre la tecnología de
referencia (forma de la función de producción) y también en cuanto a que se adapta a
contextos multiproducto e, incluso, de ausencia de precios, con relativa sencillez.
Otra ventaja del DEA es que permite relacionar simultáneamente todos los inputs con
los outputs, pudiendo identificarse cuales inputs están siendo infrautilizados.

1
 MÉTODOS NO PARAMÉTRICOS

Los métodos frontera no paramétricos, por lo general no definen una forma de

la frontera de la eficiencia, entre ellos de diferencian en la forma en cómo se calcula
la frontera o de qué manera se mide la distancia entre las unidades analizadas y la
frontera, es decir, la eficiencia técnica de cada unidad.

1. Método DEA

Una forma de estudiar la eficiencia es mediante el Análisis Envolvente de

Datos, conocido como DEA (Data Envelopment Analysis). El DEA es una técnica no
paramétrica para la medición de la eficiencia relativa de unidades organizacionales,
en situaciones donde existen múltiples inputs y outputs.

Los orígenes de DEA se remontan a los años 70, cuando Charnes, Cooper y
Rhodes (1978) desarrollaron la técnica. Desde su introducción, la investigación en
DEA ha sido muy productiva, tanto en el ámbito teórico como en el aplicado,
medición de procesos logísticos, selección de equipos industriales, regulación de
servicios públicos, sector bancario, etc. En el ámbito económico, la eficiencia se
concibe como una medida que pone en relación los medios empleados con los fines
obtenidos, considerándose una determinada técnica, procedimiento o sistema de
producción eficiente cuando para un determinado nivel de inputs es capaz de producir
la máxima cantidad de output, o si para alcanzar un determinado output emplea la
menor cantidad de inputs (Lovell, 1993).

Los modelos DEA parten de las cantidades de inputs empleadas y de outputs

producidas por un conjunto de DMUs (Decision Making Units o Unidades de Toma
de Decisiones), para determinar cuáles son las mejores opciones, comparando cada

2
DMU con todas las posibles combinaciones lineales de todas las unidades de la
muestra. El conjunto de DMUs eficientes forma lo que se denomina frontera
eficiente, midiéndose la eficiencia de cada unidad como distancia a la misma. De esta
manera se pueden clasificar las distintas DMUs en función de su eficiencia.

1.1. Cálculo de la eficiencia de la escala

Los rendimientos a escala indican los incrementos de la producción que son

resultado del incremento simultáneo y equiproporcional de todos los factores o
insumos. Los rendimientos a escala pueden ser constantes, cuando la producción
se incrementa a la misma proporción que los cambios en los factores, crecientes,
cuando el incremento porcentual de la producción es mayor al de los insumos y
decrecientes, cuando es menor.

Si permitimos la representación de la frontera sea convexa es posible

considerar situaciones en las que los rendimientos a escala sean variables (tanto
crecientes, a bajos niveles de producción como decrecientes, en escalas de
producción altas). Así, sí comparamos los niveles de eficiencia técnica bajo los
supuestos de rendimientos constantes y variables a escala, podemos estimar un
indicador de eficiencias de escala. Esto es lo que proponen Banker, Charnes y
Cooper (1984).

Muchos estudios han descompuesto las puntuaciones de la eficiencia técnica

(TE) obtenidas de un método DEA de rendimientos constantes a escala (CRS) en
dos componentes, uno debido a la ineficacia de la escala y uno debido a la ineficacia
técnica "pura". Esto puede realizarse elaborando un DEA CRS y un DEA de
rendimientos variables a escala (VRS) sobre los mismos datos. Si hay una diferencia

3
en las dos puntuaciones TE para un DMU particular, esto indicará que el DMU tiene
ineficiencia de escala, y que la ineficiencia de la escala se puede calcular como la
diferencia entre la puntuación TE del VRS y la puntuación TE del CRS.

El Gráfico nº1 muestra un ejemplo con un input y un output, con las fronteras
del DEA CRS y VRS. La ineficiencia técnica del CRS orientado a inputs del punto
P es la distancia PPc, mientras que la ineficiencia técnica VRS sería solamente PPv.
La diferencia entre estos dos, PcPv, se interpreta como ineficiencia de escala. En
términos de ratios, esto se puede expresar como sigue:

TEI,CRS = APc/AP

TEI,VRS = APv/AP

SEI = APc/APv

donde todas las medidas están comprendidas entre 0 y 1. Además, se cumple

que:

TEI,CRS = TEI,VRS x SEI

ya que:

APc/AP = (APv/AP)x(APc/APv)

Es decir, la medida de eficiencia técnica CRS se descompone en eficiencia

técnica pura y escala de eficiencia.

4
 Gráfica nº1. Cálculo de Economías de Escala con el DEA

Un defecto de esta medida de eficiencia de escala es que el valor no indica si

el DMU está funcionando en un área de rendimientos crecientes o decrecientes a
escala. Esto puede ser determinado adicionando al problema DEA la imposición de
rendimientos no crecientes a escala (NIRS). Esto se hace alterando el modelo DEA
en la ecuación, sustituyendo la restricción N1’λ = 1 con N1’λ ≤ 1, obteniendo:

La frontera de DEA NIRS también se muestra en el Gráfico 1. La naturaleza

5
de las ineficiencias de escala (rendimientos crecientes o decrecientes de escala) para
un DMU particular puede ser determinada considerando si la puntuación del TE
NIRS es igual a la puntuación TE VRS. Si son desiguales (punto P en el Gráfico 1)
entonces existen rendimientos crecientes a escala para ésa DMU. Si son iguales
(punto Q en el Gráfico 1) entonces existirán rendimientos decrecientes a escala.

1.2. Super-eficiencia

Uno de los métodos para ordenar las DMUs de acuerdo a su medida de

eficiencia es el denominado como supereficiencia, formulado por Andersen y
Petersen (1993) y perfeccionado por Wilson (1995). Este procedimiento está
íntimamente relacionado con el DEA, pues consiste en resolver un programa de
programación lineal, similar al convencional en el DEA, donde la unidad evaluada se
compara con una combinación lineal del resto de unidades eficientes.

La particularidad del método consiste en eliminar del programa original la

restricción correspondiente a la DMU bajo estudio, con lo que los parámetros que se
optimizan dejan de estar acotados por 1, y sus valores se alejan más de 1 cuanto más
eficiente es la DMU evaluada.

Para una DMU eficiente la diferencia entre 1, su puntuación de eficiencia, y

su puntuación de supereficiencia indica el empeoramiento que podría soportar sin
dejar de ser eficiente. En la versión minimizadora de inputs, las entidades eficientes
en el modelo convencional obtendrán una ratio igual o superior a la unidad, indicando
el complementario a 1 de este valor el incremento de inputs que se podrían permitir
estos centros sin dejar de ser eficientes.

6
 Wilson (1995) se centró en la determinación de las DMUs eficientes atípicas,
caracterizadas por un índice de supereficiencia muy bajo o muy malo según la
orientación, o no factible. El límite de este valor de supereficiencia es una cuestión
abierta; Wilson (1995) propone como límite 0,6 y Mancebón (1996) lo eleva a 0,8,
considerando que para que una DMU sea calificada de atípica su puntuación de
supereficiencia debe estar muy alejada de 1 en las dos orientaciones del modelo.

El método de la supereficiencia tiene también algunos inconvenientes. El

primero es el problema de la interpretación de la ordenación obtenida; puesto que
para obtener la ordenación de supereficiencia las DMUs eficientes se evalúan con
multiplicadores diferentes, no serían realmente comparables. En segundo lugar, el
método asigna a las DMUs “especializadas” una puntuación excesivamente alta. Este
problema se puede evitar, o al menos corregir, completando la clasificación con el
método de las regiones de seguridad, como indica Sueyoshi (1999). En tercer lugar, el
programa de supereficiencia puede no tener solución. Thrall (1996), Zhu (1996) y
Seiford y Zhu (1999) estudian las condiciones bajo las cuales aparece esta
circunstancia y Mehrabian et al. (1999) proponen modificaciones a la formulación del
dual para asegurar la existencia de solución admisible. En cuarto lugar, la
supereficiencia no ordena el conjunto total de DMUs, solo las clasificadas como
eficientes.

No obstante, estos inconvenientes, el método de supereficiencia es uno de los

procedimientos más utilizados para la ordenación de DMUs. Su aplicación es
sencilla, solo requiere volver a aplicar el DEA con una restricción menos.

7
 1.2.1 Modelo DEA-BCC

Supongamos una muestra de n DMUs tales que cada DMUj (j=1, 2…, n)
produce s outputs, yrj (r=1, 2…, s), utilizando m inputs, xij (i=1, 2…, m). En DEA,
la eficiencia técnica de cada una de las unidades, se define como el cociente entre la
suma ponderada de los outputs y la suma ponderada de los inputs.
El modelo BCC output orientado en su formulación multiplicativa está dado
por las siguientes ecuaciones:

El programa lineal selecciona las ponderaciones que minimizan el input

virtual de la unidad evaluada, condicionadas a que su output virtual sea igual a la
unidad, así como que la aplicación de dichas ponderaciones al resto de unidades de
decisión evaluadas no permita que su input virtual exceda del output virtual. La
unidad será eficiente si su input virtual es la unidad.

En la práctica, el cálculo de los índices de eficiencia resulta más sencillo si se

utiliza la forma dual del modelo anterior, a través de la cual se construye una
aproximación lineal por tramos a la verdadera frontera de producción. La formulación
dual es la siguiente:

8
 En este caso, si φ =1, la unidad evaluada se considera eficiente, pues no existe
otra que produzca más o que consiga el mismo nivel de producción con menores
recursos que ella.

El modelo anterior asigna a todas las unidades eficientes el mismo valor, por
tanto, no es útil a la hora de establecer un ranking. Por ello, Andersen y Petersen,
con propósitos de establecer ordenaciones, formulan el modelo de supereficiencia.
Tal modelo, que aplicamos en este trabajo, se expresa mediante las ecuaciones
siguientes:

9
 1.2.2 Método de Zhu

Otro de los métodos utilizados para la ordenación de DMUs es el ACP. En

este contexto, Zhu (1998) aplica el ACP definiendo para cada una de las DMUs el
cociente entre el output y el input. Así, para cada DMUj, se define el cociente entre el
output r (yrj) y el input i (xij):

El valor djir proporciona el cociente entre todos los outputs e inputs para cada
DMU y cuanto mayor sea djir mejor será el rendimiento de la DMUj en términos del
output r y el input i. Se define djk = djir de forma que k=1 se corresponde a i=1, r=1;
k=2 se corresponderá con i=1, r=2 y así sucesivamente, con k=1, 2..., p; p=mxs. Se
construye una matriz D= (d1, d2 ..., dp) nxp, donde cada fila representará p ratios
individuales de djk para cada DMU y cada columna representará un ratio output/input
específico, siendo

Mediante el ACP se obtienen nuevas variables independientes que son

combinaciones lineales de d1, d2 ..., dp. Estas medidas son una combinación de las
dj, donde la importancia de cada componente principal está dada por los valores
propios.

Siguiendo a Zhu, a partir de la matriz de datos D:

10
1. Se calcula la matriz de correlación, R

2. Se obtienen los valores y vectores propios I1, I2..., I p de R.

3. Se determinan las componentes principales, CPk = k I k k =1, 2..., p .

4. Se escogen las primeras m componentes principales tales que

Se calcula una combinación lineal de las m CP escogidas dada por

siendo la ponderación el porcentaje de varianza explicada por la componente
principal. Para determinar el signo de las ponderaciones, Zhu aplica la siguiente
regla:

a. si todos los elementos de la CP son negativos, la ponderación será negativa;

b. si son todos positivos, la ponderación será positiva;
c. si más de la mitad son negativos entonces la ponderación será negativa; en
cualquier otro caso, positiva.

5. Para usar las puntuaciones de las componentes principales en el ranking, se

trabaja con la matriz D pero tipificada, DZ.
6. Para obtener las puntuaciones se utiliza y las DMUs se ordenan
en función de los valores de estas puntuaciones

1.2.3 Método de Premachandra

Esta metodología utilizada por Zhu es modificada por Premachandra (2001),

al considerar que falta tener en cuenta el rendimiento de cada DMU respecto al total

11
de variables djir, además de conocer cómo está cada DMU concreta cuando se
compara con el resto de DMUs. Por ello propone las siguientes modificaciones:

1. En lugar de trabajar con la matriz D construye otra matriz D’ añadiendo otra

variable cuyos elementos d’ij para cada unidad es la suma de los elementos en las
primeras columnas de la matriz D, es decir, . La nueva
variable añadida d’ij tiene en cuenta el rendimiento de cada DMU con respecto al
total de variables djir.

2. Define una nueva matriz D’= d’’ij dividiendo todos los elementos de cada
columna de la matriz D’ por el mínimo de su columna. De esta forma, cada
elemento de la columna k de la matriz D’’ indica cómo de bien está la DMU con
respecto al input i y el output r cuando se compara con la peor DMU con
respecto a las mismas variables.

3. Emplea ACP sobre D’’ .

1.3. Números índices y medidas de productividad

1.3.1 Medidas de productividad

El crecimiento de la productividad, en las empresas es una de las bases del

incremento de las rentas reales y de la mejora del bienestar. Un crecimiento lento de
la productividad limita el crecimiento de la renta y aumenta los riesgos de conflictos
en cuanto a la redistribución de la misma (Englander et Gurney, 1994). Por lo tanto,
las medidas del nivel e incremento de la productividad son indicadores económicos
especialmente importantes.

12
 En principio, la productividad es un indicador más bien sencillo, que
describe la relación entre la producción y los factores necesarios para obtenerla. A
pesar de la aparente simplicidad de este concepto, el cálculo de la productividad
plantea una serie de problemas, que se vuelven cruciales en caso de pretender
establecer una comparativa entre el nivel de productividad de las empresas de
diversos sectores económicos o de una determinada área geográfica. Una parte de
estos problemas están estrechamente vinculados al progreso técnico.

Existen numerosos métodos para medir el crecimiento de la productividad.

La elección definitiva, de por cual sistema inclinarse, dependerá del objetivo que se
desee obtener a través de la medición de la productividad y en muchos casos, de la
disponibilidad de los datos. En líneas generales, las medidas de la productividad
pueden clasificarse en dos categorías: las medidas de la productividad monofactorial
(informan de una medida de la producción a una medida de un único factor de
producción) y las medidas de la productividad multifactorial (que informan de una
medida de la producción en un conjunto de factores de producción). Se distingue
también – lo que es especialmente interesante en el ámbito del sector o de la
empresa - entre las medidas que informan de la producción bruta a uno o más
factores de producción y aquéllas que recurren al valor añadido para obtener una
medida comparativa o de evolución de la productividad.

1.3.2 Indices de Malmquist

El estudio de la productividad multifactorial se basa, como ya hemos visto,

en la función de producción, que establece una relación conocida entre un vector de
factores de producción y el vector máximo de productos que pueden obtenerse. La

13
medida tradicional del crecimiento productivo sigue la formulación de Solow (1957)
de la tasa de variación de la productividad global, y su adaptación a periodos de
tiempo discreto conocido como índice de Törnqvist-Theil. La sencillez de su cálculo
radica en algunos supuestos ciertamente restrictivos, al tiempo que requiere de cierta
información, en algún caso difícil de conseguir.

En primer lugar, hay que suponer que la unidad productiva se encuentra en

una situación de equilibrio en el largo plazo: la producción se encuentra en la
frontera de posibilidades de producción, por lo que no se contempla la posibilidad de
planes de producción ineficientes.

En consecuencia, el cambio productivo únicamente refleja desplazamientos

en el límite del conjunto de posibilidades de producción, sin tener en cuenta los
movimientos que se producen dentro de su conjunto de posibilidades de producción,
los cuales representan reducciones o aumentos de ineficiencia de la unidad
productiva.

En segundo lugar, se está suponiendo que los niveles de todos los inputs se
ajustan instantáneamente, según el valor de su productividad marginal, en respuesta
a los cambios en los precios, sin existir costes de ajuste. Por último, se precisan
datos sobre precios de los inputs y de los outputs.

Para evitar estos inconvenientes, se puede evaluar el crecimiento productivo

mediante el índice de Malmquist (Malmquist, 1953). Para Grifell y Lovell (1995),
los índices de Malmquist presentan varias ventajas frente a otros métodos más
tradicionales de medir la productividad global de los factores:

I. En primer lugar, no se necesitan supuestos sobre el comportamiento de la

unidad que se analiza, tales como la maximización de beneficios o la

14
 minimización de costes.

II. Un índice de productividad de Malmquist está basado en funciones de

distancia, por lo que no se requieren precios de inputs o outputs en su
construcción.

III. Finalmente, al contrario que el índice de Törnqvist, puede descomponerse en

elementos que expliquen las causas del cambio productivo.

La definición general del índice de Malmquist está basada en el concepto

económico de función de distancia introducido por Shephard (1970), cuya inversa
es igual a la medida de la eficiencia técnica enunciada por Farrell (1957). Desde la
contribución inicial de Farrell (1957) al análisis de la producción, se ha
desarrollado el concepto de frontera de posibilidades de producción formada por las
mejores observaciones, que define el límite de las combinaciones de output-input
posibles. De esta manera, la cuantía en la que una observación se encuentre alejada
de la frontera dará lugar a una medida de su ineficiencia técnica. En particular, se
considera que una unidad es técnicamente eficiente si no es posible aumentar la
cantidad obtenida de uno de sus productos sin incrementar el uso de ningún factor o
sin disminuir la cantidad obtenida de cualquier otro producto.

El índice de Malmquist, inicialmente propuesto por Caves et al. (1982),

consiste en el cálculo de índices a partir de funciones de distancia introducidas en
la teoría del consumo por Malmquist (1953). A partir de dichas funciones de
distancia, se podrá establecer en qué medida un sector es eficiente, y en caso de no
serlo, como es de ineficiente, en relación con una eficiencia óptima del mercado
para ese sector. La combinación de estas funciones de distancia permite definir
índices de productividad que pueden ser interpretados como variaciones en la PTF
si cumplen con la propiedad de proporcionalidad, según la cual, si la producción se
ve incrementada de un año a otro, permaneciendo el consumo de factores

15
 inalterado, entonces el índice debe incrementarse en igual proporción, que el
aumento de outputs. Asimismo, si el consumo de factores productivos se reduce en
una determinada proporción a lo largo de un periodo de tiempo, manteniéndose la
producción inalterada, entonces el índice debe incrementarse en igual proporción.
Desde la perspectiva de los índices de Malmquist y las funciones de distancia que
lo integran, esto implica que las funciones de distancia deben ser homogéneas de
grado uno en outputs y –1 en factores, lo cual equivale a que la tecnología de
producción considerada para evaluar el rendimiento o eficiencia productiva se
corresponda con rendimientos constantes a escala.

Este índice permite medir el crecimiento de la productividad entre dos

períodos t y s. El procedimiento, propuesto por Caves, Christensen y Diewert
(1982), se basa en el cálculo de la distancia que separa a cada individuo de la
tecnología de referencia en cada período, utilizando para ello la función distancia.

Una tecnología de producción, en un período t, se puede definir utilizando el

conjunto de outputs, que representa el conjunto de todos los vectores de output y,
que se pueden producir con el vector de inputs x. Es decir:

Si suponemos que Pt satisface ciertos axiomas, se puede definir la función de

distancia del output como:

Esta función se define coma la inversa de la expansión proporcional máxima

del vector de outputs yt , dados los inputs xt , para que el individuo (xt, yt) sea eficiente

16
y se encuentre situado en la frontera del período t. Dt (xt, yt) toma valores inferiores
a la unidad, si y sólo si, (xt,yt) € Pt , y toma el valor unitario, si y sólo si, (xt,yt) se
sitúa en la frontera de producción. En este último caso, la unidad evaluada será
técnicamente eficiente.

Dado que se trata de comparar la evolución de la productividad, el índice de

Malmquist precisa funciones de distancia con respecto a diferentes períodos de
tiempo. Así, en un período posterior s, la función de distancia se define como:

Esta función mide el máximo cambio proporcional en los outputs necesario

para que (xs,ys) sea factible con la tecnología del momento t. En este caso, el valor de
la función distancia puede exceder la unidad, debido a que la observación evaluada
no es posible con la tecnología de otro período.

A partir de estas funciones de distancia, Caves, Christensen y Diewert (1982)

definen el índice de productividad de Malmquist referido al período t como:

Un índice Mt >1 indica que la productividad en el período s es superior a la

del período t, puesto que la expansión necesaria en los outputs del período s para que
la observación sea factible en t es inferior a la aplicable a los outputs del período t.
Por el contrario, un Mt<1 indica que la productividad ha descendido entre los
períodos t y s.

17
 De la misma manera se puede definir este índice referido al período s, para lo
cual se deben utilizar las correspondientes funciones distancia, de forma que:

Para evitar los problemas derivados de la elección de uno u otro período, estos
autores proponen elaborar una media geométrica de ambos. Por lo tanto, el índice se
calcula definitivamente como:

Siguiendo a Färe el al. (1990), una forma equivalente de expresar este índice
es:

El primer término mide el cambio en la eficiencia técnica20 entre los períodos

t y s. Si es mayor que uno, la producción en el período s es más eficiente que la
producción en el período t. Si es igual a uno, la distancia respecto a la frontera es la
misma. Si es menor que uno, en el período s la producción es menos eficiente que en
t.

La media geométrica de las dos ratios incluidas en los corchetes nos informa
sobre la existencia del cambio técnico experimentado entre los dos períodos
evaluados en dos puntos xt y xs . Si han existido mejoras tecnológicas, tendrá un valor
superior a uno.

18
 Por lo tanto, un índice de Malmquist superior a la unidad indica mejoras de la
productividad, mientras que, si toma valores inferiores a la unidad, implica pérdidas.
Además, debe tenerse en cuenta que, aunque el producto del cambio en la eficiencia
técnica y el cambio técnico debe ser, por definición, igual al índice de Malmquist,
estas dos componentes pueden tener comportamientos en direcciones opuestas.

Para calcular las funciones de distancia se utiliza el DEA, siguiendo la

propuesta de Farell et al. (1990). El análisis se va a orientar a la maximización del
output, es decir, se trata de evaluar cuál sería el máximo output obtenible por cada
unidad productiva dadas las cantidades de inputs disponibles.

El índice se calcula asumiendo rendimientos constantes a escala, dado que,

con el supuesto de rendimientos variables a escala, si se produce un cambio técnico,
las observaciones de un período pueden no ser factibles con la tecnología de otros
períodos, por lo que no se puede garantizar la existencia de soluciones de los
problemas de programación utilizados para calcular las distancias de períodos mixtos.

Se expone a continuación el método de cálculo de las funciones de distancia

utilizando DEA.

19
 CONCLUSIÓN

Los métodos no paramétricos se aplican como pruebas de hipótesis que no

necesitan que la distribución de la población sea identificada con ciertos parámetros.
Un ejemplo de ello es que muchas pruebas de hipótesis parten del supuesto de que la
población sigue una distribución normal con los parámetros X y Y. Las pruebas no
paramétricas no parten de este supuesto, de manera que son ventajosas cuando los
datos son considerados anormales y resistentes a cambios.

En la estadística paramétrica, se admite que las muestras provienen de

distribuciones específicas las cuales son caracterizadas por uno o más parámetros
desconocidos sobre los cuales se desea hacer deducciones. En un método no
paramétrico, se supone que la distribución de la que procede la muestra no está
especificada y, con frecuencia, se desea hacer relaciones con el centro de la
distribución. En el estudio no paramétrico, se descarta el supuesto de la normalidad.

Los métodos no paramétricos son ventajosos cuando no se da el supuesto de

normalidad y el tamaño de la muestra es pequeño. Pero las pruebas no paramétricas
no se encuentran completamente libres de conjeturas acerca de los datos. Es por ello
que es fundamental reconocer que las observaciones de las muestras son
independientes y provienen de la misma distribución. Asimismo, en los diseños de
dos muestras, se requiere el supuesto de igualdad de forma y dispersión.

Las pruebas no paramétricas habitualmente son menos fiables que las pruebas
paramétricas, aunque es adecuada cuando se cumple el supuesto de normalidad. Por
ende, las pruebas no paramétricas requieren a veces modificaciones en las hipótesis
planteadas.

20
 Estos métodos varían según las necesidades de quienes los aplican, en el caso
de la eficiencia en escala va a depender de la industria implicada, por ende, identifica
el equilibrio ideal entre la demanda, la producción y los costos asociados con la
producción y entrega de los productos siendo una tarea constante para que así el
mismo sea efectivo.

Se considera como otro método no paramétrico la supereficiencia, esta es una

prueba que consiste básicamente en un programa diseñado para orientar y determinar
la factibilidad de la productividad bajo un rango de 0,8 para que el DMU del modelo
puede determinarlo como supereficiente y así cubrir con las expectativas del modelo.

En lo que se refiere al Índice de Malmquist (IM) es usado para comparar la

productividad, en lo que respecta a tecnología y eficiencia bajo la fórmula estipulada
por Malmquist lo que se busca en realidad es comparar dos tipos de economías y
determinar así los índices de productividad bajo un modelo eficiente dentro de los
mercados y/u organizaciones.

Todo esto con el fin de aplicar pruebas para medir la eficiencia de la

productividad de ciertos procesos organizacionales. Los métodos no paramétricos son
aquellos que no asumen una distribución y son la manera más directa de solucionar el
problema de falta de normalidad.

21
 REFERENCIAS BIBLIOGRÁFICAS

Jorda, P. (2012). Metodología de evaluación de la eficiencia de los servicios de

autobús urbano. E.T.S.I Caminos, Canales y Puertos. Madrid

Martínez, U. F., Gómez, J. C., Pérez, M. C. y Gómez, J. (2012). Comparación de

rankings de eficiencia mediante análisis de componentes principales y DEA.
Estadística Española. Volumen 54 (178). pp. 357-373.

Parra. F. J. Análisis de eficiencia y productividad. Consultado el: 26-07-2018.

Disponible en: https://econometria.files.wordpress.com/2007/12/analisis-de-
eficiencia-y-productividad.pdf

Schuschny, A. R. (2007). El método DEA y su aplicación al estudio del sector

energético y las emisiones de CO2 en América Latina y el Caribe. CEPAL. Chile.

22