Universidad Católica de Santo Domingo

Econometría I

Práctica

Profesor Oscar Eduardo Flores López Fecha: 17 de abril 2026

Ejercicio 1

  1. Resuelto en cuaderno
  2. Resuelto en cuaderno

Ejercicio 2 - Caso: Mercado de Plátano en Ecuador

library(knitr)
datos <- data.frame(
  Precio_USD = c(0.5, 0.75, 1, 1.25, 1.5, 1.75, 2, 2.25, 2.5, 2.75),
  Cantidad_Ton = c(125, 105, 85, 65, 45, 35, 25, 15, 10, 7)
)
kable(datos, 
      col.names = c("Precio por Unidad (USD)", "Cantidad Demandada (mil toneladas)"),
      align = "cc")
Precio por Unidad (USD) Cantidad Demandada (mil toneladas)
0.50 125
0.75 105
1.00 85
1.25 65
1.50 45
1.75 35
2.00 25
2.25 15
2.50 10
2.75 7

1. Análisis Gráfico.

library(ggplot2)

ggplot(datos, aes(x = Precio_USD, y = Cantidad_Ton)) +
  geom_point(color = "blue", size = 3) +
  geom_smooth(method = "lm", color = "red", se = FALSE) +
  labs(title = "Relación entre Precio y Cantidad Demandada",
       x = "Precio por Unidad (USD)",
       y = "Cantidad Demandada (mil toneladas)") +
  theme_minimal()

¿Qué tipo de relación se observa?

Se observa una relación inversa o negativa. A medida que el precio por unidad aumenta, la cantidad demandada disminuye de manera proporcional. Visualmente, los puntos siguen una trayectoria descendente, lo que es consistente con la Ley de la Demanda.

2. Regresión Lineal: Estimacion los coeficientes, la bondad de ajuste y determine la ecuación (0.5 punto).

library(stargazer)
## 
## Please cite as:
##  Hlavac, Marek (2022). stargazer: Well-Formatted Regression and Summary Statistics Tables.
##  R package version 5.2.3. https://CRAN.R-project.org/package=stargazer
modelo <- lm(Cantidad_Ton ~ Precio_USD, data = datos)
summary_modelo <- summary(modelo)
print(summary_modelo)
## 
## Call:
## lm(formula = Cantidad_Ton ~ Precio_USD, data = datos)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -13.388  -6.732  -1.700   6.142  15.491 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  138.642      8.112   17.09 1.40e-07 ***
## Precio_USD   -53.503      4.566  -11.72 2.57e-06 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 10.37 on 8 degrees of freedom
## Multiple R-squared:  0.9449, Adjusted R-squared:  0.9381 
## F-statistic: 137.3 on 1 and 8 DF,  p-value: 2.569e-06

3. Interpretación: ¿Qué significa la pendiente de la recta en el contexto del mercado de plátano? Interprete la bondad de ajuste. ¿Los resultados tienen sentido económico? (0.5 punto)

Intercepto: Es el valor del intercepto de aprox. 146.5) Representa la demanda teórica si el precio fuera cero.

Pendiente: el valor negativo -53.5. Indica que cuando el precio sube un dolar, la demanda baje en 53.5 unidades en promedio, ceteris paribus.

Bondad de Ajuste: el R an cuadrado es muy alto 0.97, lo que significa que el precio explica casi toda la variación en la cantidad demandada.

Tiene sentido?: Si, porque se corresponde a la ley de la oferta y la demanda, un aumento del precio, provoca una disminucion de la cantidad demanda, ceteris paribus.

4. Predicciones: Calcule la estimación de resultado. Si el precio del plátano aumenta a 4.00 USD (0.5 punto)

nuevo_precio <- data.frame(Precio_USD = 4.00)
prediccion_4 <- predict(modelo, nuevo_precio)

¿cuál sería la cantidad demandada según su modelo?

print(prediccion_4)
##        1 
## -75.3697

*¿Qué implicaciones tendría esto para los agricultores locales?** Al caer la demanda a niveles tan bajos, los agricultores tendrían pérdidas por productos no vendidos o tendrían que bajar el precio drásticamente para vender el inventario.

5. Discusión: Reflexionen sobre cómo factores externos, como cambios en la demanda internacional o desastres naturales que afectan la producción, podrían influir en la cantidad demandada y en la relación precio-cantidad en este mercado

Las economias locales, por los altos niveles de globalizacion, no solo responden a las condiciones o fenemos endogenos o internos, sino tambien a factores exogenos y fenomenos ocurridos en otras economias, incluyendo las internacionales. Y el impacto del precio sobre la cantidad demandada y ofertada es bidireccional, por ejemplo, un aumento de precios provoca un aumento de la cantidad ofertada, pero un desastre natural que provoca una disminucion de la cantidad ofertada, provoca un aumento de los precios, al producto escasear.

6. Significancia estadística: Calcule la significancia estadística (t de student, p valor e intervalos de confianza) e interprete

tabla_coeficientes <- summary(modelo)$coefficients
print(tabla_coeficientes)
##              Estimate Std. Error   t value     Pr(>|t|)
## (Intercept) 138.64242   8.111678  17.09171 1.395355e-07
## Precio_USD  -53.50303   4.565885 -11.71800 2.569294e-06
intervalos <- confint(modelo)
print(intervalos)
##                 2.5 %    97.5 %
## (Intercept) 119.93686 157.34799
## Precio_USD  -64.03198 -42.97408

Interpretación

T value En ambos casos, los valores absolutos de \(t\) son significativamente mayores al valor de referencia 1.96.Esto sugiere que los estimadores son robustos y no son fruto del azar.

P-valor Dado que ambos p-valores son mucho menores al nivel de significancia estándar (0.05), rechazamos la hipótesis nula. Existe evidencia estadística suficiente para afirmar que la variable Precio_USD tiene un efecto significativo sobre la variable dependiente.

Intervalos de Confianza Con un 95% de confianza, podemos afirmar que por cada unidad que aumenta el precio en USD, la variable dependiente disminuye entre 42.97 y 64.03 unidades.