Semana 3.2. Pronósticos y Tendencias

¡La universidad para todos!
¡La Universidad para todos!
Formulación y Evaluación de Proyectos
Tema: Pronósticos y Tendencias

Docente: CHAMBERGO GARCÍA ALEJANDRO OSCAR
Escuela Profesional Periodo académico: 2019-1

INGENIERÍA INDUSTRIAL Semestre: 9
Unidad:2
Pronósticos
Orientaciones
 Se requiere de su puntualidad al iniciar cada tutoría,

participación e integración a todas las actividades que
se realicen.
 Es importante que usted realice y participe de todas las
actividades.
 La participación en la clase y asistencia es fundamental
para su aprendizaje.
 Visita el Blog del curso para que mandes tus
comentarios y también comentes las aportaciones de
tus compañeros.
 Participa en el foro del curso
Contenido del curso
1.- Proyecto de Inversión; Conceptos

básicos.
2.- Estudio de Mercado
3.- Estudio técnico
4.- Estudio Económico
5.- Evaluación del Proyecto
6.- Análisis de Riesgo y Sensibilidad
7.- Comparación de proyectos
alternativos
I Método de las tendencias
Basado en la extrapolación de
datos pasados. Procedimiento:
• Determinación de la tendencia
• Identificación de parámetros
Para identificar una tendencia es

necesario contar con información
de 10 a 15 años; nunca menos de
5 años
1. Tendencia aritmética (lineal)
Se usa la ecuación Y = a + b.T

Y = Variable dependiente (a pronosticar)
T = Variable independiente (a estimarse)
Y = a + bT
T
2. Tendencia exponencial (semilog)
• Utiliza la ecuación Y = aebT o

log Y = a + bT
• En este caso se asume una tasa de
crecimiento constante b para cada período
Y Y = aebT
T
3. Tendencias polinómicas de segundo

grado y mayores
• Esta tendencia utiliza la ecuación de segundo

grado Y = a + bT + cT2, o una correspondiente de
mayor grado.
• En este caso se asume una tasa de crecimiento
constante b para cada período
Y = a + bT + cT2
T
Función Cobb-Douglas (doble log)

La ecuación que se utiliza es
Y = aTb o logY = loga + b*logT; se asume
elasticidad b constante
Y
Y = aTb
T
Autorregresión
El valor de una variable es función del

valor de la misma variable en
períodos anteriores.
Yt = a + bYt-1 + cYt-2
Donde Yn represta el valor de Y en el

período n
II. Método del nivel de consumo
Basado en coeficientes estándar y

definidos; el método es adecuado para
productos de consumo directo
Ejm. Consumo de leche anual. Para una

mejor proyección deben definirse
estratos poblacionales por nivel de
ingreso y por edades.
... nivel de consumo
• Un factor determinante del nivel de

consumo es el ingreso del consumidor.
Este influye en la proporción asignada a
cada producto.
• El nivel de ingresos es un indicador

principal del nivel de consumo de varios
productos
... nivel de consumo
• El ingreso del consumidor y el

consumo de varios productos tienen
un alto grado de correlación positiva.
Diferentes productos tienen distinto
grado de correlación; inclusive
existen algunos que tienen
correlación negativa.
Modelos de regresión
1. Basado en una relación estimada

entre la variable de pronóstico (o
dependiente) y las variables
explicatorias (o independiente).
2. El problemas en estos casos

consiste en proyectar la variable
independiente.
CORRELACIÓN
DEFINICIÓN DE CORRELACIÓN
Se considera que dos variables cuantitativas están

relacionadas entre sí cuando los valores de una de
ellas varían de forma sistemática conforme a los
valores de la otra.
CORRELACIÓN
EL COEFICIENTE DE CORRELACIÓN DE PEARSON
 El coeficiente de correlación de Pearson es

un índice estadístico que permite definir de
forma más concisa la relación entre las variables
 Es una medida de la relación lineal entre dos
variables medidas con escala numérica
CORRELACIÓN
Su resultado es un valor que fluctúa entre -1 y +1…
+1 Relación perfecta en sentido positivo
Cuanto más cercanos a 0 sean los valores

0 significará una relación más débil o incluso
ausencia de relación
-1 Relación perfecta en sentido negativo

CORRELACIÓN
El valor del coeficiente de correlación está

muy influenciado por los valores extremos,
igual que la desviación estándar.
Por tanto la correlación no describe bien la

relación entre dos variables cuando cada
una de ellas tiene valores extremos
En estos casos debe hacerse una transformación

de los datos o usarse la correlación de Spearman
CORRELACIÓN
Finalmente, correlación no es igual a causa
Correlación = Causa
El juicio de que una característica causa otra debe justificarse

con argumentos, no sólo con el coeficiente de correlación
CORRELACIÓN
Según su valor la relación entre las variables será:
1 Perfecta
Excelente
0,9
Buena
0,8
Regular
0,5
Mala
CORRELACIÓN
DIAGRAMAS DE DISPERSIÓN
Un DIAGRAMA DE DISPERSIÓN ofrece una idea bastante

aproximada sobre el tipo de relación existente entre dos variables
Un DIAGRAMA DE DISPERSIÓN también puede utilizarse como

una forma de cuantificar el grado de relación lineal existente entre
dos variables
CORRELACIÓN
COEFICIENTE DE PEARSON – REPRESENTACIÓN GRÁFICA

CORRELACIÓN

CORRELACIÓN

CORRELACIÓN

CORRELACIÓN
DIAGRAMAS DE DISPERSIÓN
El DIAGRAMA DE DISPERSIÓN permite formarse una primera

impresión sobre el tipo de relación existente entre variables
Intentar cuantificar esa relación tiene inconvenientes porque la

relación entre dos variables no siempre es perfecta o nula
Normalmente ni lo uno ni lo otro

REGRESIÓN LINEAL SIMPLE
MODELOS DE REGRESIÓN
Una vez que sabemos que dos variables están

relacionadas…
¿Cómo averiguar qué tipo de relación tienen?
Para esto utilizamos los modelos de regresión

CONCEPTO DE REGRESIÓN
La regresión como técnica estadística analiza

¿QUÉ ES?
la relación de dos o más variables contínuas
La regresión se utiliza para inferir datos

¿PARA QUÉ
a partir de otros y hallar una respuesta a lo
SIRVE?
que pueda suceder
DIFERENCIA ENTRE CORRELACIÓN Y REGRESIÓN:
La correlación es independiente de la escala pero

no la regresión
La correlación entre estatura y peso es la misma

EJEMPLO sin importar que la estatura se mida en metros o
centímetros
La ecuación de regresión entre el peso y la

SIN EMBARGO…
estatura depende de las unidades que utilicemos
SIMILITUDES ENTRE CORRELACIÓN Y REGRESIÓN:
La pendiente de la línea de regresión tiene el

mismo signo que el coeficiente de correlación
¡OJO!
La correlación y la regresión sólo describen relaciones lineales.
Si los coeficientes de correlación y las ecuaciones de regresión
se calculan a ciegas, sin examinar las gráficas, los
investigadores pasarán por alto relaciones muy estrechas pero
no lineales
VARIABLES DE LA REGRESIÓN
Las variables del modelo de regresión deben ser cuantitativas
Dada la robustez de la regresión es frecuente encontrar incluidas

como variable independiente variables nominales transformadas
La variable dependiente debe ser siempre cuantitativa
Robustez: un estadístico se dice que es

robusto cuando es válido aunque no se
cumpla alguno de sus supuestos
TIPOS DE REGRESIÓN
Se pueden encontrar distintos tipos de regresión
1 Regresión Lineal
2 Regresión Múltiple
3 Regresión Logística
REGRESIÓN LINEAL
Consideremos una variable aleatoria respuesta Y, relacionada

con otra variable que llamaremos explicativa X
Supongamos una muestra de n individuos para los que se

conocen los valores de ambas variables
Y Variable aleatoria
Hacemos una representación
gráfica:
X Variable explicativa
 en el eje X la variable explicativa
 en el Y la respuesta Muestra
n
REGRESIÓN LINEAL
OBJETIVO Encontrar una recta que se ajuste a la nube de puntos
A partir de esa recta podemos usar los valores de X para predecir

los de Y
Normalmente se utiliza el “método de los mínimos cuadrados” que

minimiza la distancia de las observaciones a la recta
REPRESENTACIÓN GRÁFICA
Una recta tiene una ecuación muy simple:
Y=a+bX
b
Habría que calcular los
coeficientes a,b.
b es la pendiente de la recta
a es el punto en que la recta corta el eje vertical

REGRESIÓN LINEAL
Conociendo los valores de estos dos coeficientes podríamos

reproducir la recta y describir con ella la relación entre las variables
Además de representar la recta con su fórmula también es útil

disponer de alguna información sobre el grado en que la recta se
ajusta a la nube de puntos
BONDAD DEL AJUSTE
Una medida de ajuste muy

Cuadrado del coeficiente de
aceptada es el coeficiente
correlación lineal
de determinación R2
Se trata de una medida estandarizada que toma valores entre 0 y 1
La recta explica un 86% de la variabilidad de

R2=0.86
Y en función de X
¡Gracias!

Semana 3.2. Pronósticos y Tendencias

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Semana 3.2. Pronósticos y Tendencias

Diunggah oleh

Hak Cipta:

Format Tersedia

¡La universidad para todos!

¡La Universidad para todos!

Formulación y Evaluación de Proyectos

Tema: Pronósticos y Tendencias

Escuela Profesional Periodo académico: 2019-1

 Se requiere de su puntualidad al iniciar cada tutoría,

Contenido del curso

1.- Proyecto de Inversión; Conceptos

I Método de las tendencias

Para identificar una tendencia es

1. Tendencia aritmética (lineal)

Se usa la ecuación Y = a + b.T

2. Tendencia exponencial (semilog)

• Utiliza la ecuación Y = aebT o

3. Tendencias polinómicas de segundo

• Esta tendencia utiliza la ecuación de segundo

Función Cobb-Douglas (doble log)

El valor de una variable es función del

Donde Yn represta el valor de Y en el

II. Método del nivel de consumo

Basado en coeficientes estándar y

Ejm. Consumo de leche anual. Para una

... nivel de consumo

• Un factor determinante del nivel de

• El nivel de ingresos es un indicador

... nivel de consumo

• El ingreso del consumidor y el

1. Basado en una relación estimada

2. El problemas en estos casos

Se considera que dos variables cuantitativas están

EL COEFICIENTE DE CORRELACIÓN DE PEARSON

 El coeficiente de correlación de Pearson es

EL COEFICIENTE DE CORRELACIÓN DE PEARSON

Su resultado es un valor que fluctúa entre -1 y +1…

+1 Relación perfecta en sentido positivo

Cuanto más cercanos a 0 sean los valores

-1 Relación perfecta en sentido negativo

El valor del coeficiente de correlación está

Por tanto la correlación no describe bien la

En estos casos debe hacerse una transformación

Finalmente, correlación no es igual a causa

El juicio de que una característica causa otra debe justificarse

EL COEFICIENTE DE CORRELACIÓN DE PEARSON

Según su valor la relación entre las variables será:

Un DIAGRAMA DE DISPERSIÓN ofrece una idea bastante

Un DIAGRAMA DE DISPERSIÓN también puede utilizarse como

COEFICIENTE DE PEARSON – REPRESENTACIÓN GRÁFICA

COEFICIENTE DE PEARSON – REPRESENTACIÓN GRÁFICA

COEFICIENTE DE PEARSON – REPRESENTACIÓN GRÁFICA

COEFICIENTE DE PEARSON – REPRESENTACIÓN GRÁFICA

El DIAGRAMA DE DISPERSIÓN permite formarse una primera

Intentar cuantificar esa relación tiene inconvenientes porque la

Normalmente ni lo uno ni lo otro

REGRESIÓN LINEAL SIMPLE

Una vez que sabemos que dos variables están

¿Cómo averiguar qué tipo de relación tienen?

Para esto utilizamos los modelos de regresión

REGRESIÓN LINEAL SIMPLE

La regresión como técnica estadística analiza

La regresión se utiliza para inferir datos

REGRESIÓN LINEAL SIMPLE

DIFERENCIA ENTRE CORRELACIÓN Y REGRESIÓN:

La correlación es independiente de la escala pero

La correlación entre estatura y peso es la misma