1

ECONOMÍA BANANERA NACIONAL

SANTIAGO CASSALINS MARTINEZ, , JUAN PABLO PINEDA RODRÍGUEZ,

JAIRO DAVID MALDONADO MELO, JOHAN STIVEN CAMPOS SAAVEDRA.

UNIVERSIDAD DEL ROSARIO

FACULTAD DE ECONOMÍA
ECONOMÍA
BOGOTÁ D.C
2019
2

ÍNDICE

1. Introducción (Pág. 3)

2. Justificación (Pág. 4)

3. Problemas (Pág. 5)

4. Objetivos (Pág. 6)

5. Marco Teórico (Pág. 7-20)

6. Marco Metodológico (Pág. 21-29)

7. Conclusiones (Pág. 30)

8. Bibliografía (Pág. 31)

3

INTRODUCCIÓN
El banano es el segundo producto agricola con mayor exportación del país, además de ser
uno de los mayores generadores de empleo de la nación; debido a esto, nuestra finalidad en
este proyecto es dar respuesta a dos problemas; el primero, es la producción y un impuesto
asociado a este, que se impone con el propósito de realizar obras públicas en las zonas
bananeras; el segundo, trata de la exportacion del producto y las importaciones realizadas
por los dos países de Europa que más importan banano colombiano (Alemania y Bélgica),
utilizando datos estatales de las diferentes naciones para maximizar el ingreso procedente
de las exportaciones dirigidas a estos países.
4

JUSTIFICACIÓN
En Septiembre de 2019 el banano representó el 11% del total de exportaciones de productos
agricopecuarios del país, siendo así el segundo producto más exportado después del café y
sus derivados, por esto, es importante realizar un estimado de la producción y las
exportaciones, para así tomar decisiones que se adecuen a las necesidades que se puedan
presentar. Aplicando la teoría de minimos cuadrados ordinarios para estimar la producción
de los años siguientes, así como las exportaciones y la programación lineal resolver
problemas de maximizacion de ingresos.
5

PROBLEMAS
1. El gobierno necesita financiar un proyecto de desarrollo social para las comunidades
bananeras, el costo anual de este proyecto es equivalente al 76% del valor de la producción
del sector, se pide que los productores de banano financien el 23% del proyecto, recaudado
mediante un impuesto durante 3 años. ¿Cuál sería el valor recaudado para cada año y
cuanto sería el costo total del proyecto?
2. Si el ingreso de Colombia dependiera de las exportaciones del banano a Belgica y
Alemania, ¿Cómo se maximizaria dicho ingreso en el año 2020? Teneiendo en cuenta que
lo restante de las cantidades destinadas a exportación será auto consumo.
6

OBJETIVOS
OBJETIVO GENERAL
Dar la información necesaria para idenrtificar las decisiones que más beneficien al país en
proyectos de dessarrollo social en las zonas bananeras y maximización de los ingresos
relacionados a las exportaciones de banano hacia Bélgica y Alemania, basandose en las
estimaciones de la producción y exportación bananera.

OBJETIVOS ESPECIFICOS
- Realizar el estimado de la produccción de banano en Colombia para los años 2020,
2021 y 2022.
- Estimar el costo del proyecto destinado a las comunidades bananeras, el cual
depende de la producción total.
- Estimar el valor recaudado del impuesto a la producción de banano que esta
destinado a finaciar una parte del proyecto.
- Realizar el estimado de las exportaciones hacia Bélgica y Alemania de banano tipo
exportación en Colombia para el año 2020.
- Maximizar los ingresos recaudados de las exportaciones del banano para el 2020.
7

MARCO TEÓRICO

Aproximaciones por mínimos cuadrados

En múltiples problemas de las ciencias biológicas, físicas y sociales resulta útil describir la
relación entre las variables de los mismos por medio de una expresión matemática.

Muy a menudo los científicos o los economistas tienen que trabajar con grandes cantidades
de datos para encontrar relaciones entre las variables de un problema. Una manera común
de hacer esto es ajustar una curva entre los distintos puntos de datos. Esta curva puede ser
recta o cuadrática o cúbica, y así sucesivamente. El objetivo es encontrar la curva del tipo
específico que se ajuste “mejor” a los datos dados. En esta sección se muestra cómo lograr
esto cuando se tienen dos variables en el problema. En cada caso se supone que existen n
puntos de datos ( X 1 , y 1), ( X 2 , y 2), . . . , ( X n, y n).

Aproximación por una recta

Antes de continuar, debe aclararse qué quiere decir “mejor ajuste”. Suponga que se busca la
recta de la forma y = b + mx que mejor represente a los n datos ( X 1 , X 1 ), ( X 2 , y 2), . . . , ( X n,
y n).

La figura 6.4 ilustra lo que ocurre (utilizando tres datos). En esta figura se ve que si se
supo- ne que las variables x y y están relacionadas por la fórmula y = b + mx, entonces, por
ejemplo, para X = X 1 el valor correspondiente de y es b + mx1. Esto es diferente del valor
“real”, y = y 1.

Figura 6.4
Los puntos sobre la recta tienen coordenadas (x, b + mx)

En R 2 la distancia entre los puntos (a1 , b1 ) y (a2 , b2 ) está dada por d=√ (a1−a2 )2+(a 1−a2 )2
.

Por lo tanto, al determinar la manera de elegir la recta y = b + mx que mejor se aproxima a

los datos dados, es razonable usar el criterio de seleccionar aquella que minimiza la suma
de los cuadrados de las diferencias entre los valores y de los puntos y el valor y
correspondiente a la recta.
8

Observe que como la distancia entre ( x 1, y1) y ( x 1, b + mx1) es y1 – (b +mx1), el problema

(para los n datos) puede establecerse como sigue:

Problema de mínimos cuadrados en el caso de una recta

Encuentre números m y b tales que la suma sea mínima.

[ y 1−(b +m x 1)]2 + [ y 2−(b+m x 2 )] 2 + . . . + [ y n−( b+m x n )]2

Para estos valores de m y b, la recta y = b + mx se llama aproximación por la recta de

mínimos cuadrados a los datos ( x 1, y 1), ( x 2, y 2), . . . , ( x n, y n).

Una vez definido el problema se busca un método para encontrar la aproximación de míni-
mos cuadrados. Lo más sencillo es escribir todo en forma matricial. Si los puntos ( x 1, y 1), (
x 2, y 2), . . . , ( x n, y n) están todos sobre la recta y = b + mx (es decir, si son colineales),
entonces se tiene.

y 1 = b + mx 1

y 2 = b + mx 2
. . .. . . . . .
(6.2.2)
yn = b + mxn

y = Au

Donde

(6.2.3)

Solución al problema de mínimos cuadrados para un ajuste por línea recta

Si A y y son como se definieron en (6.2.3), entonces la recta y = mx + b da el mejor ajuste

(en el sentido de mínimos cuadrados) para los puntos ( x 1, y 1), ( x 2, y 2 ), . . . , ( x n, y n )
cuando:
9

y1

(mb )=U =( A A)
T −1
AT y y=
() y2
.
.
.
yn

Aquí se ha supuesto que ATA es invertible. Éste siempre es el caso si los n datos no son
colineales.

Método gráfico

Se considera el problema de programación lineal:

Min z = y − x + 1

Sujeto a: −2x + y ≤ 2

x – 2y ≤ 2

x+y≤5

x≥0, y≥0

Figura 4.3: La región sombreada es la

región de las posibles soluciones.

Los puntos del plano de coordenadas no negativas que satisfacen las restricciones, son los
que conforman la región poligonal limitada por las rectas y = 2x+2, y = −x+5, y =
0.5x−1 y los ejes coordenados, como se ilustra en la Figura 4.3. Dicha región se llama
región de soluciones factibles.

Por otra parte, la función objetivo z = y − x + 1 se escribe como y = x + z − 1 que es una

familia infinita de rectas paralelas dependientes del parámetro z. En la Figura 4.4 se
muestran estas rectas para valores de z iguales a 2, 1, 0 y −2 y, en la tabla siguiente, las
ecuaciones respectivas.
10

Figura 4.4: Corrimientos paralelos de

la función objetivo.

Cuando se fija un valor de z, por ejemplo z = 2, y se traza la respectiva recta de la función

objetivo, y = x + 1, se determinan los puntos (x, y) que evaluados en la función
objetivo, z = y−x+1, producen el valor z = 2. Esto permite, por inspección del gráfico,
determinar el mínimo (o máximo) valor de z cuya respectiva recta de la función objetivo
interseca la región de soluciones factibles en al menos un punto. Observe que una de estas
rectas que no corte la región de soluciones factibles, no determina puntos (x,y) que sean
soluciones factibles al problema de programación lineal. Así, los desplazamientos de la
rectas objetivos serán limitados a que dichas rectas intersequen la región de soluciones
factibles.

En el ejemplo, a medida que z disminuye, se desplazan las rectas y = x + z − 1 hacia la

parte inferior del polígono, alcanzándose el valor mínimo de z en el vértice (4,1), para el
cual z = −2.

Siempre en referencia a la Figura 4.4, obsérvese que el máximo de z que es 4, se alcanza en

el punto (1,4) que corresponde al m ́aximo desplazamiento posible de las rectas paralelas de
ecuación y = x+z−1, (z = −x+y+1), hacia la parte superior de la Figura 4. El
punto (1,4) es el mismo vértice donde la función −z = x−y−1 alcanza su mínimo, que es -4.
Se ve que un problema de maximización se puede convertir en uno de minimización y
recíprocamente, con solo cambiar el signo de la función objetivo.

Ambos problemas tienen la misma solución. Es decir, tanto el mínimo como el máximo se
alcanzan en el mismo punto.

El enfoque geométrico, además de lo anterior, pone en evidencia que el valor óptimo de la

función objetivo se alcanza en un vértice del polígono (región de soluciones factibles) o
eventualmente en una arista, en cuyo caso el problema tiene infinitas soluciones óptimas.
Desde luego que tal resultado vale y su generalización a problemas con más variables
requiere caracterizar, entre otros, el concepto de vértice del conjunto de soluciones
factibles, más comúnmente conocido como punto extremo.
11

Estas propiedades geométricas dan origen al desarrollo y fundamentación matemática del

método simplex, cuya estrategia de solución podemos describir como:

 Caracterizar las soluciones de punto extremo (vértices).

 A partir de una solución de punto extremo, generar otra solución de punto extremo
que disminuya el valor de la función objetivo.

 Este último paso se repite hasta que:

- No es posible mejorar la solución y se evidencia que se está en una solución óptima.

- Se reconoce que se pueden encontrar soluciones factibles que hagan tan "pequeño"
como se quiera el valor de la función objetivo, en cuyo caso, el problema no tiene
una solución óptima ( la función objetivo no está acotada inferiormente).

Método simplex

El enfoque gráfico es irrealizable cuando intervienen más de tres variables, puesto que el
ojo humano no ve más allá de tres dimensiones. Por eso es necesario desarrollar y
fundamentar un procedimiento algebraico teórico, que resuelva nuestro problema.

Programa lineal

Un programa lineal consta de una función z = c 1 x 1+···+n n x n+ z 0 llamada función objetivo,

la cual debe ser maximizada o minimizada, y un sistema de ecuaciones lineales m × n (m
restricciones):
12

Donde xi ≥ 0 y la matriz de
coeficientes A = (aij )m×n tiene

En forma más resumida, el problema de programación lineal se plantea como:

Minimizar z = cx, sujeto a Ax = b y x ≥ 0

Donde c = (c 1,...,c n), x = ( x 1,..., x n)t y b = (b 1,...,b m)t.

Solución factible

Una solución factible de un programa lineal

Minimizar z = cx, sujeto a Ax = b y x ≥ 0

Es cualquier vector x, tal que Ax = b y cuyas coordenadas son no negativas, es decir, x ≥ 0.

Solución óptima de un programa lineal

Una solución óptima de un programa lineal es una solución factible x ∗ para la cual la
función objetivo alcanza su valor mínimo. Es decir z(x∗) ≤ z(h) para todo h tal que Ah = b,
h ≥ 0.

Programa lineal cánonico

La formulación de programa lineal tiene la forma canónica y decimos que es un

programa lineal canónico, si satisface las tres condiciones siguientes:

1. Los m vectores canónicos e 1, e 2, . . . , e m de IRm, son columnas de la matriz

A, en algún orden. Las variables asociadas a estas columnas se denominan
variables básicas y las restantes variables no básicas.
2. La función objetivo no depende de las variables básicas, es decir, los
coeficientes asociados a las variables básicas son cero.
13

3. Los lados derechos de las restricciones son no negativos, esto es, b j ≥ 0, para
j = 1,...,m.

Solución básica factible

Una solución básica factible de un programa lineal en la forma canónica es una solución
factible, para la cual las variables no básicas valen cero.

Dos aspectos de las definiciones dadas hasta ahora, merecen resaltarse:

 Las soluciones básicas factibles corresponden a soluciones de puntos extremos (o

vértices) de la región de soluciones factibles, lo cual no entramos a justificar.
 La formulación canónica de un problema de programación lineal permite conocer,
de manera trivial, una solución básica factible.

Resultados que conducen a la búsqueda del óptimo

Consideremos un problema de programación lineal con la forma canónica:

Min z = cx, sujeto a Ax = b y x ≥ 0.

Y supongamos que la matriz A, de orden m × n con n > m, tiene los vectores canónicos,
e1,...,em, ocupando ordenadamente las primeras m columnas. Así, el sistema de
restricciones Ax = b se escribe en su forma columnar como:

x 1 e 1 +···+ x m em + x m+ 1 Am +1 +···+ x n A n = b

Donde Am+1,...,An son las últimas n − m columnas de A. Con esto se tiene también que:

• x 1, x 2,..., x m son variables básicas.

• x m+1,..., x n son variables no básicas.

• c 1 = c 2 =···=c m = 0. (Porque se suponeque el problema tiene la forma canónica).

• x∗ = (b 1,...,b m,0,...,0)t ∈ IRn es una solución básica factible.

Como se verá, la argumentación siguiente no depende de que las variables básicas sean las
primeras m, de manera que la única hipótesis importante es que el problema tiene la forma
canónica.
14

El cuestión fundamental es: si el problema de programación lineal tiene la forma canónica,

sólo uno de los siguientes casos se puede presentar:

Caso 1: Todos los coeficientes de la función objetivo, asociados a variables no básicas, son
no negativos.
Es decir, ci ≥ 0 ∀i = m+1,...,n.

En esta situación, para toda solución factible x ≥ 0,

z = cx = c 1 x 1 +···+c m x m +···+c n x n ≥ 0.

Además, para la solución básica factible

x∗ = (b 1,...,b m,0,...,0) ∈ IRn

se tiene que
z(x∗) = 0b 1 +···+0b m + c m +10+···+c n0 = 0

Luego en esta solución básica factible se alcanza el mínimo de la función z.

Caso 2: Existe por lo menos un coeficiente cs de la función objetivo que es negativo, es

decir, existe cs < 0 con xs una variable no básica.

Si este es el caso, se puede determinar una nueva solución factible que mejora la función
objetivo, es decir, existe y ∈ IRn que es solución factible y z(y) < z(x∗). Para determinar
una nueva solución y se consideran dos subcasos.

Caso 2.a: Todas las entradas de la columna As son no positivos.

Esto es: aks ≤ 0, ∀k = 1 ,...,m.

En este caso las restricciones Ax = b se escriben:

x 1 e 1+···+ x m em + xm + 1 Am + 1+···+ x s A s +···+ x n A n = b

o equivalentemente:

x 1 e 1 +···+ x m em + x m+1 Am +1 +···+ x s−1 A s−1 + x s+1 A s+1 +···+ x n A n = b− x s A s . 4.1

Sea d = b − x s A s . Observe que ∀ x s > 0, d ≥ 0, es decir, todas sus entradas son positivas
o cero, porque las entradas de As son negativas o cero.

Por otra parte, si hacemos cero las variables no básicas, excepto x s que se deja como
parámetro, se tiene que:
15

y = (d 1,..., d m,0,...,0, x s,0,...,0) ∈ IRn

es una solución del sistema 4.1, es decir, es una solución factible para cualquier elección de
xs > 0. Además, si la función objetivo se evaluá en y se tiene:

z(y) = c s x s < 0 = z(x∗)

Porque cs < 0. Entonces, claramente, se pueden elegir soluciones factibles para hacer z(y)
tan pequeña como se quiera. Es decir, la función objetivo no es acotada inferiormente y por
lo tanto no existe una solución óptima.

Caso 2.b: Existe una entrada en la columna As que es positiva. Es decir, existe aks > 0.

En este subcaso expresando el conjunto de restricciones como en (4.1) para obtener una
nueva solución factible, que dependa de xs, se debe elegir xs de manera que todas las
entradas de d = b − x s A s sean positivas o cero, esto es:

Cuando aks ≤ 0, claramente se tiene que b

k

− x a ≥ 0 para cualquier elección xs > 0. Y

s ks

para las entradas k de As en las que

aks > 0, xs debe cumplir:
16

Entonces eligiendo xs como:

Se obtiene que xs es positivo y es el mayor valor tal que d k = b k − X s aks ≥ 0 para cada k =
1,...,m. Luego, como en el caso anterior:

y = (d1,...,dm,0,...,0,xs,0,...,0) ∈ IRn

Es una nueva solución factible que al evaluarla en la función objetivo mejora la solución x∗
que le dio origen:

z(y) = c s x s < 0 = z(x∗)

br
Por otra parte, se observa que dr =br − a = 0 con lo que puede probarse que y es una
ars rs
solución básica factible, con variables básicas x 1,..., x r−1, x s, x r+1, ..., x m. Así, en la nueva
solución x r deja de ser variable básica y se sustituye por la nueva variable básica x s.

Tabla simplex

Para hacer esto, convenimos en representar un problema:

Min z = cx, sujeto a Ax

= b y x ≥ 0.

Mediante la matriz aumentada de las

restricciones, agregando la función
objetivo como una ecuación más, que
depende del parámetro z:
17

Aunque la tabla anterior no lo refleje, todavía estamos considerando que sus primeras m
columnas corresponden a los vectores canónicos e1, e2, . . . , em.

Cuando se hacen las operaciones elementales indicadas —para producir un 1 en la fila r y

columna s y ceros en las restantes entradas de dicha columna— al elemento a rs se le llama
pivote y suele identificarse en la tabla anterior encerrándolo por un círculo, en nuestro caso
lo marcamos con [ ].

Observe que las mencionadas operaciones elementales no modifican las columnas e 1,...,e r
−1,e r +1,...,em, porque estas tienen un 0 en la fila r, luego lo que hacen es cambiar de
br
posición el vector er, de la columna r (en nuestro caso) a la columnas. Además si x s = ,
ars
los valores dk de la nueva solución y son:

br aks
d k = b k − x s aks = bk − a ks = b k − b
ars ars r

aks
Que es precisamente el resultado de la operación elemental − a f r + f k sobre la última
rs
columna de la tabla anterior. Así, las operaciones elementales indicadas dan la forma
canónica al problema de programación lineal, cuya respectiva solución básica factible
corresponde a la solución y
obtenida en el caso 2.b.
Aunque falta hacer que el
coeficiente, cs, de la función
objetivo asociado a la
nueva variable básica
sea cero, para lo que se
requiere aplicar la
c
operación elemental − s f r
ars
+ f +1 en la tabla anterior.
m

Por otra parte, una vez elegida la columna s, donde cs es negativo y es el menor de los
coeficientes de la función objetivo, para seleccionar la fila r que corresponderá al pivote, se
bk
suele agregar una última columna a la tabla anterior, con los coeficientes tales que a ks
aks
> 0:
18

bk
Así, la fila r del elemento pivote es la fila del menor cociente, , considerando sólo
aks
aquellos en los que a ks > 0.

Algoritmo simplex

El procedimiento conocido como Simplex, para resolver un problema de programación,

parte de un problema formulado en la forma canónica, y representado en una tabla como se
indicó. En estas tablas se aplican recursivamente los resultados anteriores en la siguiente
forma:

1. P.1:  ¿Todos los coeficientes ci de la función objetivo son positivos o cero? Si esto
es cierto, la solución correspondiente a esta forma canónica es la óptima y el
algoritmo termina. Si es falsa, continúa en el paso P.2.
2. P.2:  Sea s el índice de la columna tal que:

cs < 0 y c s = Mini=1,...,n ci.

Si todas las entradas aks de la columna s de A son negativas o cero, entonces el

problema de programación lineal no alcanza un valor mínimo. La función objetivo
no es acotada inferiormente. El algoritmo termina.

En caso contrario, continúa en el paso P.3.

3. P.3:  Si al menos una entrada a ks de la columna s de A es positiva,

Considere el índice r de la fila de A tal que:

br bk
= Min{ |a > 0, k = 1,...,m}
ars aks

Transforme el problema de programación lineal, a otra forma canónica haciendo 1

la entrada ars de la tabla del simplex y cero las restantes entradas de esta columna,
mediante operaciones elementales.

Variables artificiales
19

Las variables artificiales son un artificio que permiten utilizar el mismo simplex, para
encontrar una primera forma canónica a un problema de programación lineal, siempre que
el problema tenga soluciones factibles.

Formulación de la técnica de las variables artificiales

Dado el programa
n
lineal Min z =
∑ + z 0 sujeto
i=1
a:

(1)

Con xi ≥ 0 ∀ i y b j ≥ 0 ∀ j, la técnica de las variables artificiales, para generar una primera

forma canónica de este problema, consiste en aplicar los siguientes pasos:

1. En cada ecuación se suma una variable y j ≥ 0, llamada variable artificial. Algunas

veces, como ocurre en el ejemplo anterior, hay variables que pueden servir como
básicas, lo que hace innecesario sumar una variable artificial en las ecuaciones
correspondientes. El sistema (1) así transformado es canónico teniendo como
variables básicas las variables artificiales y, eventualmente, algunas de las variables
de la lista x 1 , . . . , x n . Denotamos este sistema como (2):

(2)

2. Si y 1, . . . , y p son las
variables artificiales con p ≤ m, se considera el nuevo problema de programación
lineal:

Minimizar w = y 1+···+ y p,
20

sujeto a las restriciones (2) y x ≥ 0, y ≥ 0.

Como la nueva función objetivo depende de las variables básicas, deben aplicarse
las operaciones elementales necesarias para hacer cero todos los coeficientes
asociados a va- riables básicas en esta función objetivo. Con esto el programa lineal
Min w sujeto a las restricciones (2) es canónico y se aplica el método simplex.

3. Una vez obtenida la solución óptima del problema modificado y si en ésta, las
variables artificiales son todas variables no básicas. Se eliminan las columnas
correspondientes a variables artificiales y la última fila, con lo que se obtiene una
formulación canónica equivalente al problema de programación original.

El procedimiento se basa en los siguientes resultados:

 Toda solución factible del problema con variables artificiales en la que las
variables artificiales valgan cero, cuando estas se omiten la reducen a una
solución factible del problema original.
 E inversamente, toda solución factible del problema original es una solución
factible al problema con variables artificiales, tomando como cero las variables
artificiales.
 Para toda solución factible x del problema con variables artificiales, w(x) ≥ 0.

Además, toda solución factible x del problema original agregando las variables
artificiales con valor cero, produce una solución x ∗ factible para el problema con
variables artificiales, que es óptima porque w(x∗) = 0.

De esto se deducen los dos principales resultados:

 Una solución básica factible óptima, del problema con variables artificiales,
cuyas variables artificiales sean no básicas, se reduce a una solución básica
factible del problema original.

Y la formulación canónica al problema con variables artificiales, del cual se

obtuvo esta solución óptima, se reduce a una formulación canónica del
problema original, simplemente eliminando las variables artificiales.

 Si la solución óptima x∗ del problema con variables artificiales, incluye

como variable básica alguna variable artificial con valor no cero, entonces
w(x∗) > 0 y como es óptima entonces el conjunto de soluciones factibles del
problema original debe ser ∅.
21

MARCO METODOLÓGICO
1. Para dar solución al primer problema planteado en este trabajo en el cual pide saber cuál
sería la producción de banano en los próximos tres años para así poder conocer cuál sería el
costo de un proyecto y cuanto se recolectaría con un impuesto para financiar una parte de
este. Para dar solución a este problema debimos realizar una regresión lineal aplicando
mínimos cuadrados ordinarios (MCO). Lo anterior se implementó teniendo como datos la
producción total nacional consignados en la Ficha de Inteligencia del banano de
FINAGRO.
A continuación, se explica el proceso realizado mostrando las operaciones con matrices y
los debidos resultados.
Primero organizamos los datos en una tabla para facilitar el análisis y aplicando la formula
del modelo lineal de los MCO encontramos la ecuación lineal que mejor se ajustaba a los
datos.
22

Siendo x los años transcurridos desde el 2000 y Y las cantidades (en miles de
toneladas) producidas de banano en Colombia.

Formula de la función lineal:  = ❑0 + β 1 Modelo lineal:  = (¿ ) ❑ ¿ 

t −1 t

= = =

Posterior a esto, se procedió a desarrollar las respectivas operaciones para encontrar todos
los componentes de la formula del modelo lineal y así aplicarlo, como hallar ❑t y (❑t )−1

❑t =

   
❑ = t   18 171  
  171 2109  
   
23

❑t  = (18)(2109)−( 171)(171) ❑t  = 8721

1
(❑t )−1 = (❑t )−1 =
8721

Después de tener todos los componentes se procedió a desarrollar el modelo lineal para así
poder hallar los betas que nos permitan armar la función lineal.

(❑t )−1 ❑t =

0,223 0,2026 0,1830 0,1633 0,1437 0,1241 0,1045 0,0849 0,0653 0,0457 0,0261 0,0065 -0,013 -0,033 -0,0522 -0,0718 -0,0915 -0,1111
(❑t )−1 ❑t =
-0,0175 -0,0154 -0,0134 -0,0113 -0,0092 -0,0072 -0,0030 -0,0030 -0,0010 0,0010 0,0030 0,0051 0,0072 0,0092 0,01135 0,01341 0,01547 0,01754

0,223 0,2026 0,1830 0,1633 0,1437 0,1241 0,1045 0,0849 0,0653 0,0457 0,0261 0,0065 -0,013 -0,033 -0,0522 -0,0718 -0,0915 -0,1111
(❑t )−1 ❑t  =
-0,0175 -0,0154 -0,0134 -0,0113 -0,0092 -0,0072 -0,0030 -0,0030 -0,0010 0,0010 0,0030 0,0051 0,0072 0,0092 0,01135 0,01341 0,01547 0,01754
24

Al realizar este producto de matrices obtenemos la matriz de las betas, que eran las
incógnitas que teníamos que despejar para completar la función lineal.

1397,923
Conociendo el valor de las betas sepuede
= construir la función lineal que permitirá estimar
22,148
la producción en los siguientes años (2020, 2021 y 2022), para así conocer el valor del
proyecto y el valor recolectado por un impuesto cada año.

 = 1576 + 48

A continuación, se muestran las estimaciones del costo del proyecto cada año y el valor
recolectado por el impuesto. (el costo del proyecto es equivalente al 76% del la producción
total y el valor recolectado del impuesto es equivalente al 23% del costo del proyecto).

AÑO PRECIO DE TON COSTO PROYECTO VALOR IMPUESTO

2020 0,417M 589154,48M 135505,48M
2021 0,485M 693336,6M 159467,41M
2022 0,553M 799792,84M 183952,35M
Los valores están es millones de pesos.

2. Para resolver el segundo problema de este trabajo en el cual se pide maximizar los
ingresos de Colombia, si estos dependieran únicamente de las exportaciones de banano
hacia Bélgica y Alemania tipo exportación. Se debía estimar la salida de mercancías hacia
el resto del mundo y calcular así, su valor en el 2020.
Teniendo en cuenta lo anterior, para su solución se emplea el modelo lineal de MCO y se
halla la función lineal de las exportaciones de banano y posteriormente se optimiza esta
función. (teniendo en cuenta que lo restante de las exportaciones son destinadas a auto
consumo).

A continuación, se explica el proceso realizado mostrando las operaciones que se

efectuaron. Para dar inicio al desarrollo del problema se debieron consultar los datos
respectivos a las exportaciones hacia Bélgica y Alemania de banano tipo exportación.
25

IMPORTACIONES IMPORTACIONES
Año EXPORTACIONES COLOMBIA
ALEMANIA BÉLGICA
2020 386,2 401,2 2240,5
2019 350 395 2150
2018 328 388 1999
2017 290 382 1879
2016 246 376 1836
2015 228 369 1678

Las cantidades están en miles de toneladas.

Primero se realizó la regresión lineal de las exportaciones de banano hacia Bélgica.

Formula de la función lineal:  = ❑0 + β 1 Modelo lineal:  = (¿t )−1❑t ¿ 

1 1
1 2
= 1 3 = =
1 4
1 5
1 6

1 1
1 2
1 1 1 1 1 1 1 3 5 15
❑t = 1 2 3 4 5 6 1 4 ❑t =
15 55
1 5
1 6

(❑t )−1 = ❑t  =

(❑t )−1 ❑t  = =
26

Como resultado de esta regresión lineal obtenemos la función lineal, con la cual
podemos estimar las importaciones de banano que realiza Bélgica de Colombia.

 = 362,8 + 6,4x
Después se realizó la regresión para las exportaciones de banano hacia Alemania.

Formula de la función lineal:  = ❑0 + β 1 Modelo lineal:  = (¿t )−1❑t ¿ 

1 1 386,2
1 2 350
= 1 3 = 328 =
1 4 290
1 5 246
1 6 228

1 1
1 2
1 1 1 1 1 1 1 3 5 15
❑t = 1 2 3 4 5 6 1 4 ❑t =
15 55
1 5
1 6

1442
(❑t )−1 = ❑t  =
4652

1442
(❑t )−1 ❑t  =
4652
=
27

Como resultado de esta regresión lineal obtenemos la función lineal con la cual podemos
estimar las importaciones de banano que realiza Alemania a Colombia.

 = 190,6 + 32,6x

La ultima regresión que se realizó fue la que corresponde a las exportaciones de banano de
Colombia.

Formula de la función lineal:  = ❑0 + β 1 Modelo lineal:  = (¿t )−1❑t ¿ 

1 1
1 2
= 1 3 = =
1 4
1 5
1 6

1 1
1 2
1 1 1 1 1 1 1 3 5 15
❑t = 1 4 ❑t =
1 2 3 4 5 6 15 55
1 5
1 6

(❑t )−1 = ❑t  =

(❑t )−1 ❑t  = =
28

Como resultado de esta regresión lineal obtenemos la función lineal con la cual podemos
estimar las exportaciones de banano que realiza Colombia.

 = 1576,3 + 110,7x

Las regresiones anteriores son restricciones a la función de ingreso, la función de ingreso se

construyó teniendo en cuenta los precios de exportación que se mantienen constantes,
siendo los precios por tonelada para Alemania de 923 euros y Bélgica de 908 euros. La
función resultante es:

 = 923a + 908b

Sujeto a
a ≤ 386,2

b ≤ 401,2

a+ b ≤2240,5

Para maximizar esta función se emplearon los métodos simplex y gráfico, a continuación,
se muestra el método gráfico.
29

(0 , 0) = 0

(0 , 401.2) = 364289,6

(386.2 , 401.2) = 720752,2 Max

(386.2 , 0) = 356462,6

Ahora se muestra la solución al problema por el método simplex.

"El número señalado es el elemento pivote."

La lectura que se realiza al final del simplex corresponde al optimo de las cantidades
exportadas para maximizar el ingreso y las cantidades sobrantes son destinadas al auto
consumo.

Siendo el optimo el punto (386.2 , 401.2) dando como resultado 707152,2.

30

CONCLUSIONES

Para concluir el primer problema se muestra cual sería el costo del proyecto y el valor
recaudado por el impuesto en los años 2020, 2021 y 2022, así dando solución al problema.

AÑO PRECIO DE TON COSTO PROYECTO VALOR IMPUESTO

2020 0,417M 589154,48M 135505,48M
2021 0,485M 693336,6M 159467,41M
2022 0,553M 799792,84M 183952,35M
Los valores están es millones de pesos.
Lo anterior implica que:
 Para el año 2020 el costo del proyecto sería 589154,48 millones de pesos y el valor
que se recaudaría con el impuesto para financiar el 23% del proyecto sería de
135505,48 millones de pesos.
 Para el año 2021 el costo del proyecto sería 693336,6 millones de pesos y el valor
que se recaudaría con el impuesto para financiar el 23% del proyecto sería de
159467,41 millones de pesos.
 Para el año 2022 el costo del proyecto sería 799792,84 millones de pesos y el valor
que se recaudaría con el impuesto para financiar el 23% del proyecto sería de
183952,35 millones de pesos.
 El costo total del proyecto durante los tres años sería de 2082283,92 millones. de
pesos.
 El valor total que se recaudaría con el impuesto en los tres años sería de 478925,24
millones de pesos.

Además, se puede concluir que mediante la teoría de Mínimos Cuadrados Ordinarios se

puede estimar la producción de banano del país, así dando una aplicación de esta teoría a
situaciones reales. También se generan soluciones practicas a problemas de importancia
para la agenda nacional, como lo es estimar la producción, el costo del proyecto y el valor
recaudado del impuesto, donde se esta proporcionando la información necesaria para que se
evalué políticas y poder analizar su viabilidad.
31

Para concluir con el segundo problema las cantidades que se tienen que exportar hacia
Alemania y Bélgica son 386200 y 401200 toneladas respectivamente; además de que uno
de los valores de holgura (específicamente el de la función a + b ≤2240,5) es igual a 1453,1
; lo que significa que aparte de Bélgica y Alemania,1453100 toneladas son destinadas para
autoconsumo o exportaciones a otros países.

BIBLIOGRAFÍA

 https://www.dane.gov.co/index.php/estadisticas-por-tema/comercio-
internacional/exportaciones
 https://nickpgill.github.io/files/2014/07/libro-algebra-lineal.pdf
 http://www.onipanama.com/assets/documents/Algebra_Lineal_7ma_Edicion_-
_Stanley_Grossman.pdf
 http://www.onipanama.com/assets/documents/Algebra_Lineal_7ma_Edicion_-
_Stanley_Grossman.pdf