ELEMENTOS DE ESTADISTICA PARA EL ESTUDIO DE MERCADO

INTRODUCCION

Como ya se ha visto en los anteriores Captulo, un proyecto es una propuesta de inversin. El
objetivo que se persigue durante la preparacin del proyecto es el anlisis, de una manera
sistemtica y tcnica, de las ventajas (beneficios) y desventajas (costos) que conllevan esa
inversin, permitiendo as que ella se convierta en un riesgo calculado, basndose para ello en los
mejores antecedentes y elementos de juicio.
Los aspectos que analizan durante la preparacin de un proyecto son los siguientes:
Mercado y comercializacin
Tamao, seleccin de tecnologa y localizacin
Ingeniera e inversiones
Presupuesto de gastos e ingresos
Financiamiento, organizacin y ejecucin
Evaluacin
Como la preparacin de un proyecto es un proceso de aproximaciones sucesivas, estos aspectos
se analizan individualmente y relacionados entre s, a efectos de encontrar el conjunto ms
coherente (rentable) entre ellos.

Dentro de los aspectos mencionados, el estudio de mercado constituye la base misma del proyecto
y tiene como objetivo principal la demanda futura ms probable que tendr un bien (o un servicio),
a determinados precios, en ciertos perodos de tiempo y en determinadas reas geogrficas.
Tambin, son objetivos del estudio de mercado el anlisis de la oferta de los insumos utilizados en
la produccin del bien objeto del estudio y la comercializacin de este bien.
La informacin bsica para el estudio de mercado de un bien se encuentra en censos, registros de
importacin, de produccin nacional, de exportacin, inventarios, ndices de precios, series de
poblacin y de ingreso nacional, etc. Cuando no est la informacin disponible, o es insuficiente
para los fines propuestos, se debe recurrir a investigaciones de campo mediante la tcnica del
Muestreo Estadstico. En el primer caso, se debe organizar, procesar y analizar la informacin de
acuerdo a las tcnicas que proporciona la estadstica y en segundo caso, se debe disear la
muestra de acuerdo a criterios que proporciona la misma estadstica.
A lo largo de este Captulo, se presentan en forma somera los conceptos estadsticos mnimos que
normalmente se utilizan en estudios de mercado de proyectos. Ellos son la distribucin de
frecuencias, medidas de posicin, medidas de dispersin, concepto de probabilidad, nmero
ndices y anlisis de regresiones.
El anlisis de regresiones que se utiliza en el estudio de mercado para estima la tendencia de una
serie histrica de demanda, se analizar mediante la presentacin extractados de estudios de
mercado de proyectos reales.

I.LOS DATOS ESTADISTICOS
La estadstica tiene por objeto el estudio de mtodos cientficos de organizacin, presentacin y
anlisis de datos estadsticos (informaciones). Estas informaciones pueden corresponder a un
grupo de elementos u objetos o a una muestra de los mismos.
Las informaciones (datos) necesarias para la investigacin del mercado de un proyecto pueden ser
obtenidas de fuentes primarias o secundarias, segn provengan de la anotacin y observacin
directa efectuada por parte del investigador o de publicaciones oficiales y entidades que elaboran
estadsticas, respectivamente. Segn su origen, los datos se clasifican en:
DATOS PRIMARIOS
Son aquellos que no han sido recopilados anteriormente por parte de organismos que
trabajan en la obtencin y elaboracin de datos y que por consiguiente, son observados y
anotados por el investigador de mercados, a partir de las fuentes directas constituidas
principalmente por consumidores, comerciantes mayoristas, comerciantes minoristas,
importadores, exportadores y productores.
DATOS SECUNDARIOS
Son aquellos que ya han sido recopilados y elaborados y que provienen principalmente de
publicaciones oficiales o privadas o de entidades que elaboran estadsticas.
Las fuentes de las cuales se pueden obtener los datos secundarios son muy variadas, pero
pueden agruparse tentativamente en las siguientes:
Datos provenientes de las empresas:Esta informacin puede referirse a aspectos
contables; cifras restrospectivas de produccin, ventas, precios, etc
Datos de censos
Datos de censos de poblacin:Que se utilizan principalmente para los siguientes
objetivos:
Hacer pronsticos econmicos o de ventas
Analizar los mercados potenciales
Analizar la distribucin
Ubicar las fbricas
Determinar los sitios de venta (observaciones)
Determinar las muestras en los estudios de investigacin de
mercados.
Datos de los censos de manufacturas:Con estos datos se puede conocer:


Nmero de establecimientos
Cantidad y valor de productos especficos fabricados o vendidos
Costos de materias primas
Salarios pagados, etc.
Datos de censos de agricultura:En estas publicaciones se encontrarn datos que
se relacionan fundamentalmente con:

Nmero y tipo de propiedades
Volmenes y valor de la produccin agrcola y pecuaria.
Areas sembradas por tipo de producto
Disponibilidad de equipo agrcola, etc.
Datos de los registros:
Son datos reunidos en forma rutinaria como parte de un requisito legal o
procedimiento administrativo. Esta informacin es principalmente recopilada por
oficinas estatales o locales y llevan registros como los siguientes: Nacimientos,
defunciones, matrimonios, matrculas escolares, declaraciones de impuestos,
registro de importaciones o exportaciones, listas de comerciantes, industriales,
etc.


Datos de informes particulares o asociaciones profesionales:
Estos datos se obtienen de publicaciones que presentan informacin variada, incluida
informacin relativa a mercado. Entre los tipos de entidades que producen estas
publicaciones peridicas, se pueden mencionar: Instituciones del gobierno nacional o local,
dedicadas a realizar estudios especficos; universidades; asociaciones profesionales y
asociaciones industriales o comerciales.

Informacin comercial:
Con el crecimiento de la demanda de datos para estudios de mercado, para proyectos,
etc., se han formado compaas que se dedican a recoger, preparar y vender informacin.

Segn las unidades en que estn expresados los datos, stos se dividen en:

DATOS PRIMITIVOS (O BRUTOS):
No poseen mayor grado de elaboracin, aparecen en sus unidades originales (kg, #, etc)
DATOS DERIVADOS (O ELABORADOS):
Se presentan en comparacin con otros datos como nmeros ndices, densidad demogrfica, etc.
Los datos derivados ms usuales son:

a- Porcentajes:
Se equivale el total de datos a un 100% y se calcula el porcentaje correspondiente a una
porcin por medio de la regla de tres simple:

Total..100%
Parcelax



b) Indices:

Son comparaciones entre dos datos, cuando uno no est incluido en el otro. Por ejemplo:
la densidad demogrfica es la relacin entre la poblacin y la superficie; el ndice de
inteligencia, etc.

c) Tasas o coeficientes:
Compara el nmero de ocurrencias parciales con el nmero de ocurrencias totales. Por
ejemplo, la tasa de mortalidad que es igual a la relacin entre el nmero de muertos y la
poblacin total, los rendimientos, etc.

d) Series de relativos:

Usadas para comparar un dato en cierta ocasin con otro en un perodo bsico. Por
ejemplo: la tabla abajo muestra una serie de relativos:
Aos Produccin Valores relativos
1964 160 100.0
1965 180 112.5
1966 138 105.0
1967 168 105.0


Un conjunto de datos o masa estadstica tambin puede ser clasificado de acuerdo con otros
criterios. As, los datos pueden ser de dos tipos de acuerdo con la variable; esta ltima es una
cantidad medible que puede cambiar de un individuo a otro y se divide en:
Variables cardinales:

Aquellas que pueden ser medidas cuantitativamente se clasifican en:

Continuas: Variables que pueden tomar cualquier valor dentro de un intervalo
(ingresos, consumos, estaturas, etc).

Discretas: Variables que slo toman algunos valores dentro de un intervalo
(nmero de autos por habitantes, nmero de hijos por familia, etc).
Variables ordinales:
Slo susceptibles de ordenacin pero no de medicin cuantitativa (grado de cultura
de una persona: culta, inculta; color de una persona; blanca, india, morena, etc).

BANCOS DE DATOS
Es importante que las oficinas gubernamentales encargadas de formular y evaluar proyectos
tengan disponible un banco con los datos estadsticos ms utilizados en el estudio de mercado. En
el Apndice 5 se presenta una lista tentativa de dichos datos.

DISTRIBUCION DE FRECUENCIAS

Cuando se dispone de un gran nmero de datos, es conveniente ordenarlos en clases,
segn sus amplitudes sean iguales o diferentes. La tabla con los datos distribuidos en
clases es llamada distribucin de frecuencias o tabla de frecuencias.

Hay reglas empricas que dan el nmero de clases que se debe utilizar, segn el nmero
total de datos disponibles. Se designa como amplitud de cada clase a la diferencia entre
los valores mximo y mnimo de los datos, dividido por el nmero de clases utilizadas.

El concepto de distribucin de frecuencias se ilustra mediante el Cuadro 5.1. el cual
muestra la distribucin de salarios de 97 trabajadores de la industria del cemento en un
pas centroamericano en el ao 1968.

En los clculos se suelen considerar los datos como si estuviesen concentrados en los
centros de las clases. Los centros de clases son las medias aritmticas de los extremos de
cada clase.

Representando grficamente la tabla de frecuencias; se pueden observar con mayor
claridad algunas caractersticas de la masa de los datos. La Figura 5.1. representa la tabla
de frecuencia de la Tabla 5.1. y se denomina histograma. La lnea quebrada que une los
puntos medios de los lados superiores de los rectngulos recibe el nombre de polgono de
frecuencias.



CUADRO 5.1.
DISTRIBUCION DE FRECUENCIA, OBREROS DEL CEMENTO, 1968

Clase $ Centro de la clase x Frecuencia y
70-80 75 6
80-90 85 19
90-100 95 36
100-110 105 20
110-120 115 16
Total 475 97

Existen diferentes tipos de distribucin de frecuencia, las ms corrientes se muestran en la
Figura 5.2.




Figura 5.2
MEDIDAS DE POSICION
INTRODUCCION
La simple presentacin mediante tablas o grficas de los datos no es suficiente para
caracterizarlos. Se deben utilizar ciertas medidas llamadas de posicin o de tendencia central, para
un mejor anlisis de los mismos.
MEDIA ARITMETICA. M:
La media aritmtica de una serie con valores de "x" y de "y" estn dados por:

En el caso de los datos del Cuadro 5.1. si "x" representa el centro de la clase y "y" representa la
frecuencia con que se presenta, M
xy
representar la media ponderada.


EJEMPLO 5.1.

Calcular las medias de la distribucin del Cuadro 5.1, numeral 3.

Mx = 475/5 = 95, My = 97/5 = 19,5

Mxy = (75 x 6 + 85 x 19 + 95 x 36 + 105 x 20 + 115 x 16)/97 = 97.2


La media aritmtica o promedio es una buena medida de posicin si la distribucin es simtrica.
Pierde esta propiedad cuando la distribucin es asimtrica, por ser muy afectada por los valores
extremos. Es el promedio ms usado y de ms fcil clculo.


MEDIANA - ME:


Se define como el valor central de la variable, cuando los valores estn ordenados por su
magnitud.Es una medida menos sensible que la media aritmtica ante los valores extremos de la
variable, siendo apropiada para distribuciones asimtricas como salarios, producciones, etc.

Primero se debe encontrar el nmero "m" de la clase, del total "n" de clases, donde se encuentra la
mediana.

M = (n + 1)/2, si n es impar; m = n/2, si n es par
Una vez encontrado el nmero m de la clase donde se encuentra la mediana se calcula sta, la
cual para el caso de una tabla de distribucin de frecuencias, est dada por la siguiente frmula:


Donde:


L
1
= Lmite inferior de clase donde est la mediana
f
n
= Frecuencia total
Sumatoria f
k
= suma de frecuencias de las clases anteriores a la clase de la mediana.
f
m
= Frecuencia de la clase de la mediana
C = Intervalo de clase.


EJEMPLO 5.2.


Calcular la mediana de los datos que aparecen en la distribucin de frecuencia del Cuadro 5.1.


N = 5 (impar); m = (n + 1)/2 = (5 + 1)/2 = 3


Luego la mediana de los datos se encuentra en la tercera clase y tiene un valor de:


MODA -MO:


Se define como aquel valor de la variable al que corresponde la mxima frecuencia. Hay
distribuciones que no tienen moda, habiendo otras con ms de una moda.


Para tablas de frecuencia, la moda se determina por la siguiente frmula:


Donde;

L1 = Lmite inferior de la clase modal
D
1
= Exceso de frecuencia modal sobre la clase inmediatamente inferior
D
2
= Exceso de frecuencia modal sobre la clase inmediatamente superior.
C = Tamao de la clase modal.

EJEMPLO 5.3.

Calcular la moda de los datos del ejemplo anterior:

Mo = 90 + 17 x 10/(17 + 16) = $95.1

Existe una relacin emprica entre la media, la mediana y la moda que se comprueba con notable
aproximacin en las distribuciones moderadamente asimtricas. Se expresa mediante la ecuacin:


Mo = M - 3 (M - M
e
)


La moda tiene mucha utilidad en estudios de mercado, en la industria de la confeccin, industria
del calzado, etc. La medida o talla ms vendida o consumida corresponde a la moda.

MEDIA GEOMETRICA
La media geomtrica de una serie de "n" valores "x" est definida por;


Si los datos estn agrupados, y los puntos medios de los mismos tienen frecuencias superiores a
cero.


Para poder existir interpretacin de la media geomtrica, ninguno de los datos anteriores puede ser
cero (0) o negativo. Se usa esta media cuando los datos son muy diferentes. Lo anterior se ilustra
mediante el ejemplo subsiguiente:


EJEMPLO 5.4.

En un estudio regional se encontraron las siguientes tasas para el ndice de crecimiento de la
mortalidad infantil (menores de un ao) en nueve zonas rurales, expresados en porcentajes (%):
0.2, 0.3, 0.4, 0.7, 0.8, 11.0, 2.4, 1.7. Se pide calcular el promedio de este ndice de crecimiento de
la mortalidad infantil.

El promedio aritmtico es de 1.9% y la media geomtrica de 0.7 que es la real, ya que el
crecimiento de la mortalidad est directamente relacionada con el crecimiento de la poblacin, y
sta crece ao a ao segn una serie geomtrica. A continuacin se presenta un anlisis de estas
series y su utilizacin en estudios de poblacin e ingreso.
Series de poblacin y de ingreso:
Si se supone que la poblacin crece a una tasa (i) anual y se designa por (Po) la poblacin en el
momento actual y por (Pn) la poblacin en el ao (n), se tiene:

Dentro de la poblacin ser: Po + i Po = Po (1 + i).
Dentro de dos aos la poblacin ser: Po (1 + i) + iPo (1 + i) = Po (1 + i)
2

Dentro de n aos la poblacin ser: Po (1 + i)
n-1
+ iPo(1 + i)
n-1
= Po (1 + i)
n


Luego la poblacin dentro de n aos ser:

Pn = P
o
(1 + i)
n
, que es la frmula del inters compuesto.


EJEMPLO 5.5.

De acuerdo con los censos de poblacin de 1960 y de 1970 la poblacin de una ciudad del pas
era de 51.944 y 70.967 habitantes en dichos aos, se pide calcular la tasa de crecimiento de esa
poblacin durante el perodo considerado.

En este caso Po = 51.944, Pn = 70.967 y n = 10

Aplicando la frmula Pn = Po (1 + r)
n



( 1 + r )
10
= 70.967 / 51.944 = 1.36622, y r = 3.2%


Este valor se puede hallar tambin por tanteo con ayuda de una tabla financiera de inters
compuesto.


EJEMPLO 5.6

Si el ingreso total de un pas crece al 5.6% y la poblacin al 4.3%, cmo estar creciendo el
ingreso "percpita"?
Si llamamos P a la poblacin, I al ingreso, C al ingreso "percpita";

Co = Io / Po, Cn = In / Pn = Io (1 + i)
n
/ [Po (1 + p)
n
] = Co (1 + c)
n

De donde ( 1 + c)
n
= (1 + i)
n
/ ( 1 + p )
n


Entonces, ( 1 + c) = (1 + i) / ( 1 + p )

Resolviendo para c se tiene : c = (i - p ) / ( 1 + p)

Si p es muy pequeo, 1 + p @ 1 y c = i - p

Para el ejemplo propuesto, c = 5.6 - 4.3 = 1.3%

MEDIA ARMONICA - H:
Est dada por la frmula:

Se utiliza en estudios de mercado cuando se desea conocer el nmero promedio de das que dura
un producto, en el cual el consumo total es inversamente proporcional a la duracin del mismo.
Esta utilizacin se ilustra con el ejemplo siguiente:

EJEMPLO 5.7:

Una encuesta entre cinco (5) personas sobre la duracin media de una hoja de afeitar arroj los
siguientes resultados:


Persona Duracin Media (das)
A 10
B 5
C 14
D 30
E 6



Se desea conocer la duracin media de una hoja de afeitar aplicando la media armnica:



Si se hubiera calculado por la media aritmtica, el resultado hubiera sido de:

(10 + 5 + 14 + 30 + 6) /5 = 13 das, lo cual es errneo pues:



A Consume al ao 36.5 (365/10)
B " " " 73.0 " (365/ 5)
C " " " 26.07 " (365/14)
D " " " 12.17 " (365/30)
E " " " 60.83 " (365/ 6)
Total 208.57 Hojas

El consumo por persona es: 208.57/5 = 41.71 hojas/persona, cuya duracin media es de 365/41.71
= 8.75 das, resultado que se obtuvo al aplicar la media armnica.
III.MEDIDAS DE DISPERSION
GENERALIDADES:
Una distribucin slo se encuentra caracterizada en forma adecuada cuando se conoce su
grado de heterogeneidad. Lo anterior se logra mediante las medidas de dispersin. Puede
existir el caso de que varias distribuciones posean la misma aritmtica y sin embargo, los
valores de las variables sean diferentes.

Las medidas de dispersin dan a una idea de cmo ( grado o medida) se presentan los
datos una distribucin. El clculo de estas medidas es fundamental para analizar series
tales como ingresos, tenencia de la tierra, etc.


DESVIACION TIPICA ( o "standard"):
Esta medida de dispersin es la ms utilizada en las estadsticas socioeconmicas. Si una
distribucin de "n" filas est dada por la relacin entre dos variables "x" en las frmulas
para la desviacin tpica sern:




El cuadrado de esta ltima expresin es la covarianza. La desviacin expresa la dispersin de los
datos con respecto a la media. Mientras ms dispersos se encuentren los datos en la distribucin,
mayor es la magnitud de la desviacin tpica, ya que sern mayores las desviaciones respecto a la
media. La desviacin tpica se expresa en las mismas unidades de los datos analizados y siempre
es una cantidad mayor o igual a cero (0).


EJEMPLO 5.8


Calcular las desviaciones tpicas de los datos de la distribucin de frecuencias del cuadro 5.1.


Centro de clase
X ($)
Frecuencia
Y
X
2
XY Y
2


75 6 5.625 450 36
85 19 7.225 1.615 361
95 36 9.025 3.420 1.296
105 20 11.025 2.100 400
115 16 13.225 1.840 256
SUMATORIAS 475 97 46.125 9.425 2.349
M=SUMATORIAS/n 95 19.4 9.225 1.885 469.8


De donde:




EJEMPLO 5.9


Una cierta cantidad de tubera ha sido mandada a cortar en trozos de 100 cm, de longitud, para
comprobar exactitud en la longitud y uniformidad en el peso, las cuales tendran una tolerancia de
6.0 gr/cm 0.01. El ensayo requiere 6 muestras para ser analizada al tiempo. Los resultados
fueron los siguientes:



Muestras 1 2 3 4 5 6
X: Longitud (cm) 101.3 103.7 98.6 99.9 97.2 100.1
Y: Peso (gr) 609 626 586 594 579 605
Cul es el peso promedio de las muestras y cul es la uniformidad de las mismas?
Muestras 1 2 3 4 5 6 Sumatoria Sumatoria/n
X 101.3 103.7 98.6 99.9 97.2 92 600.8 110.13
Y
2
609 626 586 594 579 605 3.599 599.83
X 10.262 10.754 9.722 9.980 9.448 10.020 60.185 10.031
XY 61.692 64.916 57.780 59.341 56.279 60.559 360.567 60.094
Y
2
370.881 391.876 343.396 352.836 335.241 366.025 2.160.255 360.042


Peso promedio de las muestras: My = 599.8 gr
La mquina corta longitudes de aproximadamente: Mx = 100.1 cm
La uniformidad lograda es superior a 599.8/100.1 = 5.99 gr/cm que se encuentra dentro de la
tolerancia aceptable.
La desviacin tpica de los pesos de las muestras es:

(desviacin con respecto al promedio)
La desviacin de las longitudes con respecto al promedio es:



Las frmulas que aparecen en estas conferencias son las que se utilizan para analizar series de
poblacin (y en consecuencia, para estudios de mercado en proyectos), en los dems casos, como
el que nos ocupa, las frmulas para la desviacin tpica difieren ligeramente, estas son:




Obteniendose para el ejemplo 5.9

Sy=17gr. , Sx=2.24 cm.


VARIANZA
Es el cuadrado de la desviacin tpica. Para el ejemplo 5.8:


Sx
2
= (14.1)
2
= 198.8 $
2
S y 2 = (9.7)
2
= 94.1


A S
2
xy tambin se le suele llamar covarianza.


COEFICIENTE DE VARIABILIDAD (C.V.):
Tanto la desviacin tpica como la varianza tienen el inconveniente de ser medidas absolutas, no
posibilitando la comparacin de distribuciones de unidades diferentes o con diferentes medidas de
posicin.
El coeficiente de variabilidad o desviacin tpica relativa es una medida de variacin adimensional
(sin unidad). El ms empleado es el C.V. de Pearson, definido por:


C.V. = 100 S / M



En el caso de que la distribucin tenga una media negativa, el signo de la misma es omitido.


El coeficiente de variabilidad representa la desviacin tpica en el caso de que la media fuese igual
a 100.


Para los dotes del Ejemplo 5.8, el coeficiente de variabilidad ser:


C.V (x) = 100 x 14.1/95 = 14.8




PROBABILIDAD
La probabilidad es una magnitud numrica elegida para expresar cuantitativamente el carcter
aleatorio de un fenmeno. Por aleatorio debe entenderse toda la gama de palabras desde
imposible hasta cierto, pasando por inverosmil, dudoso y plausible. En otras palabras, el clculo
de la probabilidad es una diseccin del azar.
Se define probabilidad como la relacin entre el nmero de casos favorables sobre el nmero de
casos totales.
As, si "f" es el nmero de casos favorables a ocurrir de un fenmeno "E", y "n" el nmero de casos
totales, la probabilidad de E es:


P(E) = f/n = p


La probabilidad de no ocurrencia de E es


P(-E) = d/n = q



Donde "d" es el nmero de casos desfavorables al fenmeno E.


La probabilidad vara de cero (0) a + 1. La suma de la probabilidad favorable ms la
desfavorable es igual a uno, o sea p + q = 1

NUMEROS INDICES
INTRODUCCION
Son utilizados para reflejar la evolucin de precios, cantidades y valores para un conjunto de
productos. Esta evolucin puede ser con relacin al tiempo; reas geogrficas, etc.
Con ellos es posible realizar comparaciones del costo de vida en un pas con relacin a otro (por
ejemplo, entre Estados Unidos y la Repblica Dominicana) o para un mismo pas en dos perodos
de tiempo. Ese slo hecho ya justifica su cmputo y su peridica utilizacin en la investigacin
socio econmica.
Es muy utilizado por los gobiernos en la deflactacin de los precios e ingresos, para comparar
valores nominales expresados en unidades monetarias de distinto poder adquisitivo, etc.
Indice de Precios: refleja la variacin de los precios de un conjunto de artculos entre dos
momentos en el tiempo o dos puntos en el espacio. (Ejemplo: Indice del Costo de Vida).

Indice de Cantidades: Indica la variacin en las cantidades de un conjunto de productos en
el tiempo o en el espacio, es el caso del Indice de Produccin Industrial.

Indice de Valor: refleja la variacin del valor total de un conjunto de productos. Por ejemplo,
ndice de ventas totales comerciales.
INDICE DE PRECIOS Y DE CANTIDADES
Cuando se desea analizar la evolucin del precio o cantidad en un solo artculo, no es necesario un
indicador especial, basta expresar la variacin en trminos porcentuales, como se vi en las series
de relativos, y el precio relativo ser Pn/Po donde Pn es el precio en el perodo dado y Po el precio
en el perodo base.

En el caso en el cual hay muchos artculos expresados en unidades diferentes, el tomar cifras
relativas obvia el inconveniente de medida; pero an subsiste el problema de la ponderacin, ya
que a cada artculo debe asignrsele la importancia debida. En consecuencia es necesario
ponderar los precios por las cantidades, para lo cual utilizan los ndices de precios.
Los ndices de precios ms utilizados son los de Laspeyres, Paassche, Fischer, Marshall-Edge
Worth y Walsh.
Si:
Qo = Cantidad de productos en el ao base
Qn = Cantidad de productos en el ao n
Po = Precio en el ao base
Pn = Precio en el ao n
Los ndices de precios son los siguientes:
Indice de precios Laspeyres:



EJEMPLO 5.10


Calcular el ndice de precios segn Laspeyres para el ao 1980, tomando como base, para
el siguiente grupo de mercaderas.
Mercadera 1972 1980 1972 1980
(P 62) (P 70) (Q 62) (Q 70)
A 783 5.520 12.328 11.234
B 4.071 22.090 561 312
C 77 98 3.943 3.600
D 130 228 210 17
E 426 1.042 627 214
F 520 1.049 35 56
G 966 1.840 5 4
H 3 7 4.538 5.123
I 1.118 2.131 45 38
J 1410 3.246 5 7
K 17 37 321 412
L 21 45 219 420


Mercadera P80 . Q72 P72 . Q72
(000) (000)
A 68.050 9.653
B 12.392 2.284
C 386 304
D 48 27
E 654 267
F 37 18
G 9 5
H 32 14
I 96 50
J 16 7
K 12 5
L 10 5
Sumatoria 81.742 12.639


El ndice de precios del grupo de mercaderas, tomando el ao 1962 como base sera
entonces:
Indice de precios de Paasche:



Indice de precios de Fischer





Marshall - Edgewoth:


Walsh


DEFLACTACION DE PRECIOS:
Una de las ms utilizadas es la de precios al por mayor. El procedimiento a seguir se ilustra
mediante el siguiente ejemplo:

EJEMPLO 5.11
Los precios de un producto han sido los siguientes:
Precios promedio durante el ao
1972 1973 1974 1975 1976
88.80 174.11 222.77 390.37 474.56
Y el ndice de precios al por mayor, con base en el ao 1962 es de:
1972 1973 1974 1975 1976
100.0 176.3 289.3 411.7 516.5
Se pide calcular los precios deflactados para el producto, en cada uno de los aos considerados.
Para obtener los resultados se dividen los precios corrientes de cada ao por el respectivo ndice
de precios y ese cociente se multiplica por el ndice de precios del ao base (100).
Aos Precios corrientes Indice de precios al por
mayor
Precios deflactados
1972 88.80 100.0 88.80
1973 174.11 176.3 98.75
1974 222.77 289.3 77.00
1975 390.37 411.7 94.82
1976 474.56 516.5 91.88
ANALISIS DE REGRESION
GENERALIDADES
El concepto estadstico de anlisis de regresin se utiliza en el estudio de mercado, durante la
formulacin de un proyecto, cuando es necesario conocer cul ser la demanda futura ms
probable de un bien o servicio, a partir de datos histricos sobre el comportamiento de dicha
demanda.
Como ya se vi en el Captulo sobre Elementos de Economa, los datos histricos sobre la
demanda de un bien o servicio se encuentran, en general, como una relacin de dos variables. La
finalidad del anlisis de regresin es conocer la funcin (o frmula) matemtica con la cual estn
relacionadas esas dos variables. Una vez conocida dicha funcin, es posible conocer el
comportamiento de la variable (y) cada vez que cambia la otra variable independiente (x).
En sntesis, el anlisis de regresiones tiene como objetivo determinar una expresin (funcin) del
tipo:
Y = f(x)

A partir de cierta informacin histrica sobre el comportamiento de dichas variables entre s. Si
existen solamente dos variables relacionadas, la regresin se denomina simple. Si la relacin entre
las dos variables est determinada por una recta de la forma y = mx + b, se trata de una regresin
lineal. Cuando la relacin es la de una curva (parablica, potencial, etc), se dice que la regresin
es del tipo curvilneo.
Como paso inicial en el anlisis de una regresin, se debe determinar cul sera el tipo de curva
ms probable al cual se ajustaran los datos, antes de perder tiempo probando muchas curvas.
Existen programas de computadores que prueban varias curvas a una pareja de datos, determinar
el tipo de curva que ms se acomoda a dichos datos y luego calculan las variables
correspondientes; cuando esto ltimo est disponible, no es necesario determinar el tipo de curva
ms probable, antes de iniciar los clculos correspondientes. Para lo anterior pueden ser tiles las
siguientes sugerencias:
Elaborar una grfica bidimensional y observar qu tipo de curva se acomoda a los datos
graficados (recta, parbola, exponencial, etc).
Los datos de demanda-precio y demanda-ingreso, en condiciones normales de
competencia en general se ajustan a curvas exponenciales del tipo:
Y= kx
e
, donde k y e son constantes
(e = Coeficiente de elasticidad).

REGRESION LINEAL
CALCULO DE LOS PARAMETROS
Se supone que las variables x (independiente) e y (dependiente) estn relacionadas por la
ecuacin de una recta del tipo: y = mx + b, donde m y b son los dos parmetros a ser
determinados (m es la pendiente de la recta y b es su intercepto con el eje de las
ordenadas).
Para determinar dichos parmetros se utiliza el mtodo llamado de los mnimos cuadrados,
el cual fue descubierto por Carl F. Gaus. El mtodo consiste en minimizar el cuadrado de la
diferencia entre los datos observados para x e y y los calculados a partir de la recta que
mejor se ajuste a dichos datos. En la prctica esto se puede lograr graficando los datos a
escala y luego trazando una lnea recta que divida uniformemente dichos datos.
Entonces, si y
i
= valor observado de la variable dependiente (dato)
h = Nmero de observaciones (nmero de parejas de datos)
W = SUMATORIA ( y
i
- y)
2

Reemplazando y = mx
i
+ b
W = SUMATORIA ( y
i
- mx
i
- b)
2

Para que W sea un mnimo se debe cumplir simultneamente que sus derivadas parciales
con respecto a m y a b sean nulas:








Que simplificadas quedan:
SUMATORIA y = m SUMATORIA x + nb (5.a)
SUMATORIA xy = m SUMATORIA x
2
+ b SUMATORIA x (5.b)
Donde se ha omitido el subndice i, pero se debe recordar que se trata de los datos de las
series histricas suministradas.
Eliminando m y b entre estas ltimas ecuaciones:
(5.a). n - (5.b). SUMATORIA x:
n(SUMATORIA xy) - (SUMATORIA x) (SUMATORIA y) = n . m SUMATORIA x
2
- m
(SUMATORIA x)
2


Pendiente:

De la ecuacin (5.a) El intercepto y:

Existe un procedimiento de clculo que algunas veces simplifica las frmulas y el cual
consiste en seleccionar el origen de coordenadas de tal modo que "S x" se haga nula (este
punto es el lugar de la mediana de los datos x). El procedimiento de clculo respectivo se
ilustra en el Ejemplo 5.12


ANALISIS DE CORRELACION
Supuesta una funcin para representar la tendencia de una serie de datos, es necesario estudiar el
grado en el cual dicha funcin se ajusta a esos datos. Lo anterior se logra mediante el coeficiente
de correlacin, el cual, mientras ms cercano a (1) se encuentre, indica un mayor grado de
correlacin entre las variables analizadas.
Para el caso de correlaciones simples (entre dos variables) y una funcin rectilnea (lnea recta), el
coeficiente de correlacin "R" est dado por la siguiente expresin:

Donde , Sx y Sy son las desviaciones tpicas







LIMITACIONES DE LA CORRELACION


A la correlacin se le ha dado un uso muy generalizado en el anlisis de series histricas; sin
embargo, es necesario hacer las siguientes observaciones:
Un buen coeficiente de correlacin (R @ 1) no implica necesariamente que exista
correlacin entre las variables (la correlacin puede ser una cuestin de azar). El nmero
de datos afecta mucho la validez de R.
Las series que se vayan a correlacionar deben ser depuradas o deflacionadas
previamente. Es conveniente trabajar con series reales, per cpita, precios constantes,
etc., para que la correlacin sea ms significativa.
Las predicciones basadas en regresiones y correlaciones son vlidas solamente si
persisten las condiciones en las cuales se basaron; en consecuencia, pierden su validez, al
variar stas bruscamente.
EJEMPLO 5.12

Si se conoce que la cantidad demandada de un producto en un perodo de 10 aos ha sido la
siguiente:
AOS CANTIDAD DEMANDADA

(Y)
1975 48
1976 45
1977 52
1978 55
1979 57
1980 61
1981 60
1982 65
1983 62
1984 70
Calcular cul ser la demanda estimada para los aos 1985, 1990 y 1995, ajustando los datos
observados a una recta, por el mtodo de mnimos cuadrados.
La ecuacin estimada de la recta es y = mx + b, donde m es su pendiente y b es su intercepto con
el eje y.
AOS X Y X
2
XY Y
2

1975 -9 48 81 -432 2.304
1976 -7 45 49 -315 2.025
1977 -5 52 25 -260 2.704
1978 -3 55 9 -165 3.025
1979 -1 57 1 -57 3.249
1980 1 61 1 61 3.721
1981 3 60 9 180 3.600
1982 5 65 25 325 4.225
1983 7 62 49 454 3.844
1984 9 70 81 630 4.900
Sumatorias 0 575 330 401 33.597
Sumatorias/n 0 57.5 33.0 40.1 3.359.7 (n=10)


La pendiente y el intercepto con el eje Y sern:




Intercepto Y:



Coeficiente de correlacin:




De donde:



Y la ecuacin de la curva es Y=1.21X +57.5

a) Demanda en 1985 x= 11 y(1985)=71
b) Demanda en 1990 x=21 y(1990)=83
c) Demanda en 1995 x=31 y(1995)=95


REGRESIONES POTENCIALES

FUNCION LOGARITMICA
Es la regresin ms utilizada en anlisis de demanda. Su expresin es: y = B
x
M
donde B y M son
las constantes (parmetros) a ser determinados. M es el coeficiente de elasticidad en series de
Demanda - Precio o Demanda - Ingreso.
Tomando logaritmos, la ecuacin se convierte en: lob . B + Mlogx, la cual graficada en papel
logaritmico dara una recta de la forma:


Y = mX + b, donde


Y = logY, m = M, b = logB, X = log.x


O sea que, con estos reemplazos, los parmetros M y logB (y por consiguiente B) se pueden
calcular con las mismas frmulas deducidas para m y b en la regresin lineal.
El mtodo del clculo se ilustra en el Ejemplo 5.13.


EJEMPLO 5.13
Se desea estimar la demanda total, ao a ao, de un producto para el perodo 1985 - 1991,
conocida informacin:
La tasa de crecimiento anual del ingreso por persona en el perodo 1985 - 1991 ser del
5%.
La tasa de crecimiento anual de la poblacin consumidora en el perodo 1985-1991 ser
del 2%.
La poblacin consumidora en el ao 1984 era de 1.000.000 de habitantes.
El ingreso y la demanda estn relacionados as:
AOS INGRESO POR PERSONA CANTIDAD DEMANDA POR
PERSONA
(Precios constantes) Unidades
(X) (y)
1975 110 220
1976 116 240
1977 121 250
1978 127 255
1979 134 262
1980 140 265
1981 147 280
1982 154 285
1983 162 290
1984 169 300




Se supone que estos valores observados x e y se ajustan a una ecuacin exponencial del tipo:


Y = Bx
M
(M= coeficiente de elasticidad-ingreso)


La cual expresada en forma logartmica queda:


Log.y = M log.x + log.B


La cual graficada en papel logartmico, dara una lnea recta.


Se puede observar que esta ltima ecuacin es similar a la ecuacin de una recta de la forma Y=
mX + B, donde:


Y = log. Y m = M b = log.B, X = log.x


O sea que con estos reemplazos el problema se puede resolver en forma similar al ejemplo
anterior, computando primero los valores de las sumatorias de los logaritmos, tal como se muestra
en la tabla subsiguiente:

AOS INGRESO POR
PERSONA
CANTIDAD
DEMANDA
POR
(log . x) (Log.y) (Log.x)(Log.y) (Log.x)
2
(Log.y)
2

PERSONA
(x) (y)
1975 110 220 2.04139 2.34242 4.78179 4.16728 5.48694
1976 116 240 2.06446 2.38021 4.91385 4.26199 5.66540
1977 121 250 2.08278 2.39794 4.99438 4.33799 5.75012
1978 127 255 2.10380 2.40654 5.06288 4.42599 5.79144
1979 134 262 2.12710 2.41830 5.14396 4.52457 5.84818
1980 140 265 2.14613 2.42325 5.20061 4.60587 5.87212
1981 147 280 2.16732 2.44716 5.30378 4.69726 5.98858
1982 154 285 2.18752 2.4584 5.37001 4.78525 6.02626
1983 162 290 2.20952 2.46240 5.44072 4.88196 6.06340
1984 169 300 2.22789 2.47712 5.51875 4.96349 6.13612
SUMATORIA 21.35791 24.21018 51.73073 45.65165 58.62856
Sumatoria/n(n=10) 2.13579 2.42102 5.17308 4.56516 5.86286


Los valores buscandos de M y log.B son:





Intercepto


Y la ecuacin logartmica queda:

LogY= 0.64992 logx + 1.04787

Coeficiente de correlacin de la formula logaritmica:





Donde









Para calcular la demanda en los aos solicitados, recordar que:


In = I
o
(1+ 0.05)
n
y Pn = P
o
(1+0.02)
n



Donde:


I
o
y P
o
= Ingreso por persona y poblacin, respectivamente, en el ao (0) (1984)
In y Pn = Ingreso por persona y poblacin, respectiva en el ao n
0.05 y 0.02 = Crecimiento anual del ingreso por persona y de la poblacin, respectivamente,
perodo 1985 -91.
AO INGRESO POR
PERSONA
Log x Log y CANTIDAD
DEMAN. POR
PERSONA
POBLACION DEMANDA
TOTAL
(X) (Aplica
frmula)
(y) (000) (Millones de
Unidad)
1984 169 1.000
1985 177 2.24797 2.49313 311 1.020 317
1986 186 2.26951 2.50698 321 1.040 334
1987 196 2.26226 2.52160 332 1.061 352
1988 205 2.31175 2.53414 342 1.082 370
1989 216 2.33445 2.54873 353 1.104 390
1990 226 2.35411 2.56137 365 1.126 411
1991 238 2.37621 2.57582 377 1.149 433


La demanda total tambin pudo haberse calculado aplicando la frmula:


D y = MD x + D P


D y = Tasa de crecimiento de la demanda total
D x = Tasa de crecimiento del ingreso por persona
M = Elasticidad ingreso = 0.64292
D P = Tasa de crecimiento de la poblacin


Reemplazando,


Ay = 0.64292 x 5% + 2% = 5.21%
La demanda estimada para 1984 es:

X = 169 log . x = 2.22789

Log y = 0.64292 x 2.22789 + 1.04787 = 2.48022

Y = 300 y
n
= 300(1+0.0521)
n

De donde:


AO
1984 300
1985 317
1986 334
1987 352
1988 370
1989 390
1990 411
1991 433


FUNCION SEMILOGARITMICA
Su expresin es: y = Be
mx
, donde e es la base de los logaritmos naturales ( e = 2.7182818) y B y
m son constantes.
Tomando ln. (logaritmos naturales, base e):
Ln.y = mx + ln.B, que graficada en papel similogaritmico, sera una recta de la forma: Y = mX + b,
donde:


Y = ln.y, b = ln.B


Con estos reemplazos, se pueden calcular los parmetros m y ln.B con las mismas frmulas
deducidas para m y b en la regresin lineal.