PROBLEMAS Y EJERCICIOS

GRUPO 21

1. Cálculo de elasticidad (4 métodos). Pg 15

Primer método, calculamos i q e i y mediante las ecuaciones siguientes:

Primer método, calculamos i q e i y mediante las ecuaciones siguientes:

i q = [(q n / q 0) n -1 - 1] * 100 i y = [(y n / y 0) n -1 - 1] * 100 i q = 0.8357

i y = 0.4672

e y = (i q / i y) e y = 1.7887

Segundo método

a) Calculamos las variaciones porcentuales promedio:

Año Incrementos anuales Relaciones porcentuales Elasticidad
∆q ∆y ∆q/q ∆y/y (∆q/q) / (∆p/p)
1–2 0.001 1.001 0.073 0.046 1.5870
2–3 0.006 0.005 0.439 0.231 1.9004
3–4 0.015 0.013 1.093 0.599 1.8247
4–5 0.011 0.010 0.793 0.458 1.7314
5–6 0.025 0.022 1.757 1.004 1.7540
Promedio - - 0.831 0.468 1.7595

b) Calculamos las variaciones logarítmicas de “q” e “y”:

Año log q log y Incrementos anuales e = (∆ log q)/ (∆ log q)
∆ log q*100 ∆ log y*100
1 0.13513 0.33506
2 0.13545 0.33526 0.032 0.020 1.60
3 0.13735 0.33626 0.190 0.100 1.90
4 0.14208 0.33885 0.473 0.259 1.83
5 0.14551 0.34084 0.343 0.199 1.72
6 0.15320 0.34518 0.769 0.434 1.77
Promedio 1.764

Tercer método
Ajustamos por mínimos cuadrados los datos de la serie histórica a una función potencial de la forma q = k y y
1) log q i = log k + e y log y i

2) ∑ log q i = n log k + e y ∑ log y i

3) ∑ log q i * log y i = log k ∑ log y i + e y ∑ (log y i)2

Para facilitar los cálculos respectivos construimos la tabla siguiente:
 Años log q i log y i log q i * log y i (log y i)2 (log q i)2

1 0.13513 0.33506 0.04528 0.11227 0.01826

2 0.13545 0.33526 0.04541 0.11240 0.01835
3 0.13735 0.33626 0.04619 0.11307 0.01887
4 0.14208 0.33885 0.04814 0.11482 0.02019
5 0.14551 0.34084 0.04960 0.11617 0.02117
6 0.15320 0.34518 0.05288 0.11915 0.02347
∑ 0.84872 2.03145 0.28750 0.68788 0.12031

Remplazando en las ecuaciones paramétricas o de Gauss tenemos:

0.84722 = 6 log k + 2.03145 e y → 2.03145 e y + 6 log k = 0.84722 │ (2.03145)

0.28750 = 2.03145 log k + 0.68788 e y → 0.68788 e y + 2.03145 log k = 0.28750 │ (-6)

- 0.00049 e y = - 0.00087 → e y = 1.77551

Calculamos k:

2.03145 e y + 6 log k = 0.84722 → 2.03145 (1.77551) + 6 log k = 0.84722 log k

= - 0.45969 → k = 10 – 0.45969 → k = 0.34698

La ecuación de regresión calculada es:

q = 0.34698 y 1.77551

Calculamos el coeficiente de correlación mediante la ecuación siguiente:

e y ∑ log q i * log y i + log k ∑ log q i - log q i ∑ log q i

r2=
(∑log qi )2 - log q i ∑ log q i

(1.77551) (0.28750) + (- 0.45969) (0.84872) - (0.14145) (0.84872)

r2=
0.12031 - 0.12005

r 2 = 0.00026/ 0.00026 → r2= 1 (correlación perfecta)

Comparamos los resultados obtenidos mediante los tres métodos de cálculo y deducimos que las cifras son aproximadas;
por el alto grado de correlación obtenido otorgamos mayor peso al método de regresión por mínimos cuadrados a una la
función potencial, por tanto la elasticidad ingreso de la demanda (e y) para la serie histórica analizada es de 1.78 en cifras
redondas.

2. Proyección mediante regresión lineal: Series de tiempo. Pg 19 Ejm 1

- Proyección mediante regresión lineal: series de tiempo

Ejemplo 1: La demanda de acero en toneladas métricas durante los años 1946 a 1956 fueron las siguientes:
Año Consumo
(Millones de TM)
1946 66.6
1947 84.9
1948 88.6
1949 78.0
1950 96.8
1951 105.2
1952 93.2
1953 111.6
1954 88.3
 1955 117.0
1956 115.2

a) Representar los datos en un diagrama de dispersión, b) Estimar la demanda de acero en base a una recta de
regresión para los años 1957 y 1958 y comparar con los valores reales que fueron 78.9 (TM) y 59.7 (TM)
respectivamente, c) Estimar la demanda de acero para los años 1944 y 1945 y comparar con los valores reales
que fueron 55.8 (TM) y 62.7(TM) respectivamente, d) Calcular el coeficiente de correlación de la recta obtenida
y emitir opinión sobre el grado de asociación de las variables, e) Calcular el error estándar de la regresión, f)
Representar gráficamente los límites de la regresión para un nivel de confianza del 95.45 %.
Año x y x2 xy yc yi–yc (y i – y c) 2 y2
1946 -5 66.6 25 -333.0 75.3 -8.7 75.5 4435.6
1957 -4 84.9 16 -339.6 79.2 5.7 32.0 7208.0
1948 -3 88.6 9 -265.8 83.2 5.4 29.3 7850.0
1949 -2 78.0 4 -156.0 87.1 -9.1 83.5 6084.0
1950 -1 96.8 1 -96.8 91.1 5.7 32.6 9370.2
1951 0 105.2 0 0 95.0 10.2 103.2 11067.2
1952 1 93.2 1 93.2 99.0 -5.8 33.5 8686.2
1953 2 111.6 4 223.2 102.9 8.7 75.0 12454.6
1954 3 88.3 9 264.9 106.9 -18.6 345.6 7796.9
1955 4 117.0 16 468.0 110.8 6.2 37.9 13689.0
1956 5 115.2 25 576.0 114.8 0.4 0.2 13271.0
∑ 0 1045.4 110 434.1 1045.4 0.0 848.4 101912.5

(a) (Ver gráfico más adelante)

(∑ x y)
b) y = y + [-------------] x → y = 95.04 + (434.1 / 110) x → y = 95.04 + 3.95 x
(∑ x 2)

c) 1957 → x = 6 → y = 95.04 + 3.95 (6) = 118.7 │ 1958 → x = 7 → y = 95.04 + 3.95 (7) = 122.7

d) Para extrapolar en forma retrospectiva forzosamente debe trasladarse el origen (0) a 1946 es decir
hasta el primer año de la serie, para esto se sustituye x por x - 5:

y = 95.04 + 3.95 (x – 5) → y = 75.29 + 3.95 x entonces:

1945 → x = -1 → y = 75.29 + 3.95 (-1) = 71.34 │ 1944 → x = -2 → y = 75.29 + 3.95 (-2) = 67.39

n (∑ x y) – (∑ x) (∑ y)

d) r=
{ [n (∑ x 2) – (∑ x) 2] [ n (∑ y 2) – (∑ y) 2 ] } 1/2

(11) (434.1) – (0) (1045.4)

r=

{[(11) (110) – (0 2)] [(11) (101912.5) – (1.092.861,16)] } 1/2

4.775.1 4.775.1

r= = = 0.82

{[1.210] [1121037.94 - 1.092.861,16)] } 1/2 5839.0

El grado de correlación calculado r = 0.82 se considera aceptable por estar más próximo a uno.

(∑ y i - y c) 1/2 (848.4) 1/2

f) s y x = ----------------------------------- → s y x = --------------------- → s y x = 9.7

(n – 2) 1/2 (11 – 2) 1/2

Para calcular los límites de control de la regresión para un nivel de confianza el 95.45 % que equivale en una distribución normal a 2
desviaciones estándar, luego tenemos:

L = y C ± 2 (s y x) L = Límite superior (+) L = Límite inferior (-)

Calculamos y C para dos puntos cualesquiera, por ejemplo x = 5 y x = -5

y = 95.04 + 3.95 (- 5) = 75.29 y = 95.04 + 3.95 (5) = 114.79

Reemplazando en “L” tenemos:

L s = 75.29 + 2 (9.7) = 94.69 L i = 75.29 - 2 (9.7) = 55.89

L s = 114.79 + 2 (9.7) = 134.19 L i = 114.79 - 2 (9.7) = 95.39

Con los resultados calculados podemos trazar en el gráfico de la recta ajustada los límites superior e inferior de control.
 3. Proyección mediante regresión lineal: (a) Relaciones causales. Ejemplo 2, Pg 21

- progresión mediante regresión lineal: relaciones causales

Ejemplo 2: El volumen de ventas efectuadas por un grupo de 8 vendedores de una compañía y los años de experiencia en ventas de
cada vendedor, se detallan en el cuadro siguiente. (a) Graficar el diagrama de dispersión; (b) Calcular la recta de regresión; (c)
Determinar el coeficiente de regresión; (d) Calcular el error estándar del estimado; (e) Estimar y graficar los límites de control de la
recta de regresión para un intervalo de confianza del 68 %.

Vendedor Ventas Años xy x2 y2

(miles de $) Experiencia
y X
A 9 6 54 36 81
B 6 5 30 25 36
C 4 3 12 9 16
D 3 1 3 1 9
E 3 4 12 16 9
F 5 3 15 9 25
G 8 6 48 36 64
H 2 2 4 4 4
∑ 40 30 178 136 244

a) Graficar el diagrama de dispersión Grafico del diagrama de dispersión

 (a) Calcular la recta de regresión

∑y= na+b∑x 8 a + 30 b = 40 a = 1.19 b = 0.53

∑xy = a∑x +b∑x 2 30 a + 136 b = 178 y = 0.53 + 1.19 x

(b) Determinar el coeficiente de regresión

n (∑ x y) – (∑ x) (∑ y)
r=
{ [n (∑ x 2 ) – (∑ x ) 2] [ n (∑ y 2) – (∑ y) 2 ] } 1/2

(8) (178) – (30) (40)

r=
{ [(8 ) (1 3 6) – ( 30 2 )] [(8 ) (24 4 ) – (40 ) 2 ] } 1 /2

224 224
r= = =
0.87[188) (352)] 1/2 257.25

El grado de correlación calculado r = 0.87 se considera aceptable por estar más próximo a uno.

(a) Calcular el error estándar del estimado; (e) Estimar y graficar los límites de control de la recta de regresión
para un intervalo de confianza del 68.26 %

(∑ y 2 + a ∑ y – b ∑ x y ) 1/2
s yx =

(n – 2) 1/2

[(244 – (40) (0.53) – (178) (1.19)] 1/2 (244 -21.2 -212960.02) 1/2

s yx = → s yx = s y x = 1.34

(n – 2) 1/2 (8 – 2) 1/2
 Para calcular los límites de control de la regresión para un nivel de confianza del 68 % que equivale en una distribución
normal a 1 desviación estándar, tenemos:

L = y C ± 1 (s y x ) L = límite superior (+) e inferior (-) respectivamente

Calculamos y C para dos puntos cualesquiera por ejemplo x = 6 (vendedor A) y x = 2 (vendedor H) y = 0.53 +

1.19 (6) = 7.67 y = 0.53 + 1.19 (2) = 2.91

Reemplazando en “L” tenemos:

L s = 7.67 + 1 (1.34) = 9.01 L i = 7.67 - 1 (1.34) = 6.33

L s = 2.91 + 1 (1.34) = 4.25 L i = 2.91 - 1 (1.34) = 1.57

Con los resultados calculados podemos trazar en el gráfico de la recta ajustada los límites superior e inferior de
control.

4. Proyección mediante funciones no lineales: Ejemplo 1, Página 24

- Proyección mediante funciones no lineales
Ejemplo 1

Determinar la función que relaciona el comportamiento del consumo per cápita de cemento de un país en relación con el nivel de
ingreso y proyectar para el período 1981-85 el consumo total de ese producto en base a los datos e hipótesis siguientes:

(a) La población del país en el período indicado crecerá a una tasa de 2.9 % a.a. de acuerdo con el
comportamiento verificado en la década 1970-79

(b) La tasa de crecimiento del PIB en relación con la tasa de crecimiento de la economía se estima en las siguientes hipótesis i) 10
% a.a., ii) 9 % a.a., iii) 8 % a.a.

(c) Tomando en cuenta el crecimiento de la población se asume que el PIB per cápita tendrá un crecimiento anual
reducido en esa proporción.

(d) El PIB per cápita de 1980 fue de 1882.5 y la población de 92.763.5 (miles)

Calcular: (i) La función consumo del cemento; (ii) Proyectar el PIB per cápita para cada una de las tres hipótesis de crecimiento; (iii)
Calcular el consumo per cápita (mediante la educación de regresión); (iv) Proyectar la población (con la tasa de crecimiento
establecida); (v) Calcular el consumo total (multiplicando el PIB per cápita proyectado por el consumo per cápita para cada una de las
hipótesis enunciadas.

Año qi
1970 61.6
1971 63.3
1972 65.8
1973 66.2
1974 69.0
1975 68.1
1976 71.5
1977 73.7
1978 86.4
1979 90.4
 Año qi yi log q i log y i log q i * log y i (log y i) 2 (log q i) 2
1970 61.6 1396.5 1.78958 3.14504 5.62830 9.89128 3,20260
1971 63.3 1497.2 1.80140 3.17528 5.71996 10.08240 3,24506
1972 65.8 1531.6 1.81823 3.18515 5.79131 10.14515 3,30595
1973 66.2 1511.7 1.82086 3.17947 5.78936 10.10900 3,31552
1974 69.0 1512.3 1.83885 3.17964 5.84687 10.11010 3,38137
1975 68.1 1510.1 1.83315 3.17901 5.82759 10.10608 3,36043
1976 71.5 1542.7 1.85431 3.18828 5.91205 10.16514 3,43845
1977 73.7 1571.0 1.86747 3.19618 5.96876 10.21554 3,48743
1978 86.4 1669.3 1.93651 3.22253 6.24048 10.38473 3,75009
1979 90.4 1768.5 1.95617 3.24761 6.35286 10.54694 3,82659
Total 716.0 15510.9 18.51652 31.89817 59.07754 101.75636 34,31348

Remplazando en las ecuaciones paramétricas o de Gauss tenemos:

 18.51652 = 10 log k + 31.89817 e y → 31.89817 e y + 10 log k = 18.51652

59.07754 = 31.89817 log k + 101.75636 e y → 101.75636 e y + 31.89817 log k =

59.07754

 - 1017.49341 e y - 318.981725 log k = -

590.6431561017.56359 e y + 318.981725 log k

= 590.775434

 0.07018383 e y = 0.1322783 → e y = 1.88474

60.1197768 + log k = 18.51652 → log k = -4.16033 → k = 0.000069131


q = 0.000069131 y 1.88474
Proyectamos el ingreso per cápita:

Año Hipótesis 1 Hipótesis 2 Hipótesis 3

1981 1978.51 1997.33 2016.16
1982 2079.41 2119.17 2159.3
1983 2185.46 2248.44 2312.62
1984 2296.92 2385.59 2476.81
1985 2414.06 2531.12 2652.66

Proyectamos el consumo per cápita:

Año Hipótesis 1 Hipótesis 2 Hipótesis 3

1981 112.83 114.86 116.91
1982 123.92 128.42 133.04
1983 136.10 143.56 151.40
1984 149.47 160.53 172.30
1985 164.16 179.49 196.08

Proyectamos la población y el consumo total:

Año Población Hipótesis 1 Hipótesis 2 Hipótesis 3

1981 95.453.6 10.769.807 10.963.753 11.159.323
1982 98.221.8 12.171.352 12.613.669 13.067.684
1983 101.070.2 13.755.288 14.511.879 15.302.396
1984 104.001.3 15.545.353 16.695.746 17.919.266
1985 107.017.3 17.568.370 19.208.260 20.983.649

Calculamos el coeficiente de correlación mediante la ecuación siguiente:

 e y ∑ log q i * log y i + log k ∑ log q i - log q i ∑ log q i
r2=
(∑log q i)2 - log q i ∑ log q i

(1.88474) (59,07754) + (-4.16033) (18,51652) - (1,85165) (18,51652)

r2=
34,31348 – (1,85165) (18,51652)

r 2 = 0.02493/ 0.02733 → r 2 = 0.91214 → r = 0.95506

Se comprueba que existe un alto grado de correlación entre las variables y por tanto la variable ingreso explica
adecuadamente el comportamiento de la variable consumo en este caso.

5. Proyecciones mediante elasticidad. Ejemplo (a) Pagina 33

- Proyecciones mediante elasticidad

Elasticidad Precio

Ejemplo:

Si la demanda de camisas es de 2 (camisas/hombre-año) al precio de 100 ($/camisa) y si la elasticidad precio de la demanda para este
producto es, e = -1,5. Si el precio sube a 101 ( 1%); (a) En cuanto disminuirá el consumo por hombre-año?; (b) En cuanto dinero
disminuirán las ventas de camisas si en el área de consumo viven 10000 consumidores?

ΔQ/Q ΔQ/Q 101 – 100

ep = --------- -1.5 = ---------- ΔP/P = ------------- x 100 = 1% luego: ΔQ/Q= - 1.5%
ΔP/P 1% 100

Luego el porcentaje del consumo de camisas se reducirá a 98.5% (100% - 1.5%) y la disminución en el consumo de camisas será:

2 camisas------------------------100 %

1.97 camisas ---------- 98.5%

Mediante el cálculo siguiente determinamos la disminución del consumo en unidades monetarias:

El consumo actual es:

10000(hombres) * 2(Camisas)/hombre-año)* 100($/camisa) = 2.000.000 ($/año). El

consumo de camisas con la subida del precio en 1% (100 a 101 $/camisa) es:

10000(hombres) * 1.97 (Camisas)/hombre-año)* 101($/camisa) = 1.989.700 ($/año). Por

consiguiente la disminución de las ventas será:

2.000.000 ($) – 1.989.700 ($) = 10300($).

6. Proyecciones mediante elasticidad ingreso. Ejemplo 1, Pagina 33

- Proyecciones mediante elasticidad de ingreso

Elasticidad Ingreso
Ejemplo de cálculo de la elasticidad ingreso, de acuerdo a la premisa, que la elasticidad es constante a lo largo
de la curva de la función potencial (q= k y^e y) donde (q) es consumo; (k) constante de proporcionalidad; (y) es
ingreso a precios constantes; (ey) la elasticidad ingreso de la demanda a datos constantes (datos corrientes
deflactados)
Ejemplo 1:

El consumo histórico de cemento de un país en relación con la serie histórica del ingreso a datos constantes
obtenida de la Oficina de Estudios Económicos es la que se muestra en la tabla siguiente:

Año Consumo per cápita (q) Ingreso per cápita (y)

(TM) ($)
2000 61.6 1396.5
2001 63.3 1497.2
2002 65.8 1531.6
2003 66.2 1511.7
2004 69.0 1512.3
2005 68.1 1510.1
2006 71.5 1542.7
2007 73.7 1571.0
2008 86.4 1669.3
2009 90.4 1768.5

(i) La población del país en el período indicado crecerá a una tasa anual de 2.90 % de acuerdo con el
comportamiento verificado en el período 2000-2009.

(ii) La tasa de crecimiento del PIB de acuerdo al crecimiento de la economía se estima en las hipótesis:
(H1) 10%; (H2) 9%; (H3) 8%

(iii) Se asume que el crecimiento del ingreso per cápita se efectuará en la misma proporción que las tasa de
crecimiento del PIB.

(iv) Tomar en cuenta que la tasa de crecimiento neta del PIB se reduce en la proporción en que crece la
población.

SOLUCION

La función de consumo del cemento será ajustada a una función potencial de la forma q= k yey en la cual la
elasticidad es constante a lo largo de la curva de la función. Utilizamos las ecuaciones siguientes:

(a) La función de consumo del cemento:

q= k y^ey Aplicando logaritmos tenemos:

log q = log k + ey loy y Las ecuaciones paramétricas son:

Σ log q = n log k + ey Σ log y

 Σ log q * log y = log k Σ log y + ey Σ (log y)2
Construimos la tabla correspondiente a los parámetros de las ecuaciones paramétricas:
Año q y log q log y log q * log y (log y)2 (log y)2
2000 61,6 1396,5 1,78958 3,14504 5,62830 9,89128 3,20260
2001 63,3 1497,2 1,80140 3,17528 5,71996 10,08240 3,24506
2002 65,8 1531,6 1,81823 3,18515 5,79131 10,14515 3,30595
2003 66,2 1511,7 1,82086 3,17947 5,78936 10,10900 3,31552
2004 69.0 1512,3 1,83885 3,17964 5,84687 10,11010 3,38137
2005 68,1 1510,1 1,83315 3,17901 5,82759 10,10608 3,36043
2006 71,5 1542,7 1,85431 3,18828 5,91205 10,16514 3,43845
2007 73,7 1571.0 1,86747 3,19618 5,96876 10,21554 3,48743
2008 86,4 1669,3 1,93651 3,22253 6,24048 10,38473 3,75009
2009 90,4 1768,5 1,95617 3,24761 6,35286 10,54694 3,82659
Total 716.0 15510,9 18,51652 31,89817 59,07754 101,75636 34,31348

Reemplazando en las ecuaciones paramétricas o de Gauss, tenemos:

10 log k + 31.89817 ey = 18.51652

31.89817 log k + 101.75636 ey = 59.07754

Resolviendo el anterior sistema de ecuaciones, tenemos:

ey = 1.88474

Log k = -4.16033 obtenemos el antilogaritmo: k = 10(-4.16033) k = 0.000069131

Luego la función potencial consumo de cemento es: q = 0.000069131 y1.88474

(b) Proyectar el ingreso per cápita de los próximos 5 años para cada una de las tres hipótesis de crecimiento:

Año H1 H2 H3
2009 91,3 91,3 91,3
2010 109,3 107,4 105,6
2011 130,8 126,4 122,1
2012 156,5 148,7 141,1
2013 187,3 174,9 163,1
2014 224,2 205,7 188,6

Calcular el consumo total de cemento para cada una de las tres hipótesis de crecimiento del PIB enunciadas, si la población del período
2009 fue 92763.5 miles de habitantes:

Proyección de la población y el consumo total:

Año Población H1 H2 H3
2009 92763,5 8471125,9 8471125,9 8471125,9
2010 95453,6 10432081,2 10254057 10077471,9
 2011 98221,8 12846972,1 12412244,4 11988423,1
2012 101070,2 15820878,9 15024668,9 14261740,3
2013 104001,3 19483206,4 18186934,6 16966137,8
2014 107017,3 23993315,0 22014767,2 20183359,3

7. Proyección mediante tasas de crecimiento. Ejemplo (a) Pagina 37, ejemplo (b) Pagina 38
- Proyección mediante tasa de crecimiento
 -
-
-
-
-
-
-
-
-
-
-

8. Proyección mediante regresión lineal: (a) Series de tiempo, Ejemplo 1, pagina 38, (b) Relaciones
causales: Ejemplo (1), pagina 39, Ejercicio 1 Pg 41

Ejemplo 1

SERIE HISTORICA DEL CONSUMO DE ACERO EN MILES DE TONELADAS METRICAS

Período Consumo
Año X Y XY X2 Y2 Yc

2003 1 66,6 66,6 1 4435,6 75,3

2004 2 84,9 169,8 4 7208,0 79,3
2005 3 88,6 265,8 9 7850,0 83,2
2006 4 78,0 312,0 16 6084,0 87,1
2007 5 96,8 484,0 25 9370,2 91,1
2008 6 105,2 631,2 36 11067,0 95,0
2009 7 93,2 652,4 49 8686,2 99,0
2010 8 111,6 892,8 64 12454,6 102,9
2011 9 88,3 794,7 81 7796,9 106,9
2012 10 117,0 1170,0 100 13689,0 110,8
2013 11 115,2 1267,2 121 13271,0 114,77
Σ 66 1045,4 6706,5 506 101912,5

ECUACIONES DE REGRESION LINEAL

y= a +b x
Σy= na + b

Σx Σxy= a

Σx+ b Σx2

a= [(Σy)(Σx2) -(Σx)(Σxy)] / [n (Σx2) - (Σx)2]

a= (ȳ) - b ( )

b= [n (Σxy) - (Σ(x)(Σy)] / [n(Σx2) - (Σx)2]

b= [(Σxy) - n(x)(y)] / [(Σx2)-n(x)2]

Si: Σx=0

a= (ȳ)

b= (Σxy) / (Σx2)

r=[(n (Σxy) - Σ(x)(Σy)] / [n(Σx2) - (Σx)2)* [nΣy2) - (Σy) 2)]1/2

Syx= {[Σ(y2) - a (Σy) - b(Σxy)] / (n-

2)}1/2L = Yc ± Z (Syx)

CALCULOS PARA EL CONSUMO DE ACERO

a = 71,36

b = 3,95

Yc = 3,95 + 71,36 x

r = 0,82

Syx = 9,71

Z = 2 (Nivel de confianza del 95.45%)

LS1 = 94,72

L I1 = 55,89

L S 11 = 134,19

L I 11 = 95,35
 9. Deflactación de precios: Ejemplo (1) pagina 42: Ejemplo (2) Pagina 43

Ejemplo 2:

Δ (2017-2017)=[(168.78)/(164.15)]=1.02820591.

Este mismo procedimiento se aplica para deflactar los precios de los bienes y servicios de consumo.