Pronósticos y Tendencias

Mag. Alejandro Oscar Chambergo García

FORMULACIÓN Y EVALUACIÓN DE PROYECTOS 2020-1

9
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

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 significará una

0 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

EL COEFICIENTE DE CORRELACIÓN DE PEARSON

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

COEFICIENTE DE PEARSON – REPRESENTACIÓN GRÁFICA

 CORRELACIÓN

COEFICIENTE DE PEARSON – REPRESENTACIÓN GRÁFICA

 CORRELACIÓN

COEFICIENTE DE PEARSON – REPRESENTACIÓN GRÁFICA

 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

 REGRESIÓN LINEAL SIMPLE

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 que pueda
SIRVE?
suceder
 REGRESIÓN LINEAL SIMPLE

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 sin importar que la

EJEMPLO estatura se mida en metros o centímetros

La ecuación de regresión entre el peso y la estatura depende de las

SIN EMBARGO…
unidades que utilicemos
 REGRESIÓN LINEAL SIMPLE

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
 REGRESIÓN LINEAL SIMPLE

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
 REGRESIÓN LINEAL SIMPLE

TIPOS DE REGRESIÓN

Se pueden encontrar distintos tipos de regresión

1 Regresión Lineal

2 Regresión Múltiple

3 Regresión Logística
 REGRESIÓN LINEAL SIMPLE

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

Hacemos una representación gráfica:
 en el eje X la variable explicativa
 en el Y la respuesta
Y Variable aleatoria
X Variable explicativa
n Muestra
 REGRESIÓN LINEAL SIMPLE

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
 REGRESIÓN LINEAL SIMPLE

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 SIMPLE

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
 REGRESIÓN LINEAL SIMPLE

BONDAD DEL AJUSTE

Una medida de ajuste muy aceptada

Cuadrado del coeficiente de
es el coeficiente de determinación R2
correlación lineal

Se trata de una medida estandarizada que toma valores entre 0 y 1

La recta explica un 86% de la variabilidad de Y en función

R2=0.86 de X
¡Gracias!