Escuela de Ingeniería de Sistemas

Proyectos de Inversión

Estudio de Mercado
Pronósticos de la Demanda – Métodos Causales
Proyectos de Inversión - Mg. Joel D. Vargas Sagástegui Fecha: 31 de julio de 2020
 Escuela de Ingeniería de Sistemas

Objetivos de la Sesión

• Comprender que son los Métodos Causales.

• Identificar los Métodos de Pronósticos
Causales.
• Aplicar los Métodos Causales, para
determinar la Demanda Futura.

Proyectos de Inversión - Mg. Joel D. Vargas Sagástegui Fecha: 31 de julio de 2020

 Escuela de Ingeniería de Sistemas

Métodos Causales

Las demandas futuras están

directamente relacionadas con
cambios de otras variables,
como:

• Precio
• Publicidad
• Promoción
• Exhibición, etc.

Proyectos de Inversión - Mg. Joel D. Vargas Sagástegui Fecha: 31 de julio de 2020

 Escuela de Ingeniería de Sistemas

Métodos Causales
La premisa básica de estos métodos, es que el
nivel de la variable pronosticada se deriva del
nivel de otras variables relacionadas

Un problema principal con estos

modelos de pronósticos es que con
frecuencia resulta difícil encontrar
verdaderas variables causales.

Proyectos de Inversión - Mg. Joel D. Vargas Sagástegui Fecha: 31 de julio de 2020

 Escuela de Ingeniería de Sistemas

Métodos Causales

En la medida que puedan describirse adecuadas

relaciones de causa y efecto, los modelos causales
pueden ser bastante buenos para anticipar cambios
mayores en las series de tiempo y para pronosticar
de manera precisa sobre un periodo de mediano y
largo plazo.

Proyectos de Inversión - Mg. Joel D. Vargas Sagástegui Fecha: 31 de julio de 2020

 Escuela de Ingeniería de Sistemas

Métodos Causales
Exactitud
Métodos
Descripción del Método Usos A Mediano A Largo
Causales A Corto Plazo
Plazo Plazo
Regresión Este método relaciona la demanda con Planeación a corto y mediano Buena a Buena a Mala
otras variables externas o internas que plazo para producción muy buena muy buena
tienden a cambiar la demanda. Este agregada o inventarios que
método de regresión utiliza los mínimos involucren a pocos productos.
cuadrados para obtener un mejor ajuste Útil cuando hay estrechas Costo Relativo: Medio
entre las variables relaciones de causa y efecto.

Modelo Un sistema de ecuaciones de regresión Pronóstico de ventas por clases Muy buena Muy Buena Buena
Econométrico independientes que describe algún de producto para planeación a a Excelente
sector de la economía o actividad corto y mediano plazo. Costo Relativo: Alto
lucrativa
Modelo de Un método para pronosticar que Pronósticos de ventas de toda No Buena a Buena a
insumo describe el flujo de un sector de la la compañía o de todo el país Disponible muy buena muy
economía a otro para predecir los por sector económico. buena
insumos que se necesitan para producir Costo Relativo: Muy Alto
los productos que requieren otro sector.
Box-Jenkins Simulación del sistema de distribución Pronósticos de las ventas de Muy Buena Buena a Buena
para describir los cambios en las ventas toda la compañía por grupos muy buena
y flujos del producto en el tiempo. importantes de productos.
Refleja los efectos del canal de Costo Relativo: Alto
distribución.
Proyectos de Inversión - Mg. Joel D. Vargas Sagástegui Fecha: 31 de julio de 2020
 Escuela de Ingeniería de Sistemas

Análisis de Regresión
y Correlación

Proyectos de Inversión - Mg. Joel D. Vargas Sagástegui Fecha: 31 de julio de 2020

 Escuela de Ingeniería de Sistemas

Análisis de Regresión y Correlación

• Es un modelo matemático que utiliza una línea recta
u otra función no lineal para describir las relaciones
funcionales entre las variables dependientes e
independientes.
• Su aplicación consiste en ajustar una recta
(exponencial, cuadrática, logarítmica, etc.) de
tendencia a una serie de datos históricos y después
proyectar la recta al futuro, para obtener los
pronósticos.
• La línea recta se obtiene, aplicando el Método de
Mínimos Cuadrados.

Proyectos de Inversión - Mg. Joel D. Vargas Sagástegui Fecha: 31 de julio de 2020

 Escuela de Ingeniería de Sistemas

Análisis de Regresión Simple

Una recta de mínimos cuadrados, se expresa con la

siguiente ecuación:

𝑦 =a + bx
Donde:
y = Variable Dependiente
Valor calculado cuando “x” tome un valor.
a = Valor de la Ordenada (cuando “x” es igual a cero)
b = Pendiente de la Recta de Regresión (inclinación)
x = Variable Independiente (en este caso el tiempo)

Proyectos de Inversión - Mg. Joel D. Vargas Sagástegui Fecha: 31 de julio de 2020

 Escuela de Ingeniería de Sistemas

Análisis de Regresión Simple

Proyectos de Inversión - Mg. Joel D. Vargas Sagástegui Fecha: 31 de julio de 2020

 Escuela de Ingeniería de Sistemas

Análisis de Regresión Simple

Para hallar los valores de a y b, para cualquier recta de
regresión:

σ 𝑥𝑦 − 𝑛𝑥ҧ 𝑦ത
𝑏= 𝑎 = 𝑦ത − 𝑏𝑥ҧ
σ 𝑥 2 − 𝑛 𝑥ҧ 2

Donde:
n = Número de datos u observaciones
𝑥ҧ = Media de los valores x
𝑦ത = Media de los valores y
x = Variable Independiente (en este caso el tiempo)

Proyectos de Inversión - Mg. Joel D. Vargas Sagástegui Fecha: 31 de julio de 2020

 Escuela de Ingeniería de Sistemas

Error Estándar de la Estimación

Es una medida de exactitud de las estimaciones de regresión.
Se conoce como la Desviación Estándar de la Regresión
(Sy,x), mide el error desde la variable dependiente, hasta la
línea de regresión, en lugar de hasta la media.

σ 𝑦 − 𝑦𝑐 2 σ 𝑦 2 − 𝑎 σ 𝑦 − 𝑏 σ 𝑥𝑦
𝑆𝑦,𝑥 = 𝑆𝑦,𝑥 =
𝑛−2 𝑛−2

Donde:
y = valor de y para cada dato
𝑦𝑐 = valor de la variable dependiente, calculado a
partir de la ecuación de regresión
n = número de datos
Proyectos de Inversión - Mg. Joel D. Vargas Sagástegui Fecha: 31 de julio de 2020
 Escuela de Ingeniería de Sistemas

Error Estándar de la Estimación

Proyectos de Inversión - Mg. Joel D. Vargas Sagástegui Fecha: 31 de julio de 2020

 Escuela de Ingeniería de Sistemas

Coeficiente de Correlación
Medida que expresa el grado o intensidad de relación
(causa-efecto) entre dos variables.
El coeficiente de correlación se identifica por “r” y es
un valor entre +1 y -1 (-1 ≤ r ≤ +1)

𝑛 σ 𝑥𝑦 − σ 𝑥 σ 𝑦
𝑟=
𝑛 σ 𝑥2 − σ 𝑥 2 𝑛 σ 𝑦2 − σ 𝑦 2

Proyectos de Inversión - Mg. Joel D. Vargas Sagástegui Fecha: 31 de julio de 2020

 Escuela de Ingeniería de Sistemas

Coeficiente de Correlación

Proyectos de Inversión - Mg. Joel D. Vargas Sagástegui Fecha: 31 de julio de 2020

 Escuela de Ingeniería de Sistemas

Coeficiente de Determinación
Aunque el coeficiente de correlación es la medida más
comúnmente utilizada para describir la relación entre dos
variables, el coeficiente de determinación, se utiliza
para expresar el porcentaje de variación de la variable
dependiente (y) que se explica mediante la ecuación de
regresión.

El coeficiente de determinación es, el cuadrado del

coeficiente de correlación, es decir, r2 y siempre será un
valor entre 0 y +1. (0 ≤ r2 ≤ +1)

Proyectos de Inversión - Mg. Joel D. Vargas Sagástegui Fecha: 31 de julio de 2020

 Escuela de Ingeniería de Sistemas

Ejemplo: Análisis de Regresión Simple

En la siguiente tabla se muestra los costos por
mantenimiento de Fuselaje y Motor, por la media de una
flota de aeronaves. (Costo en miles de dólares)
Costo de Fuselaje Costo de Motores Edad media
Años por Aeronave por Aeronave (en horas)
1987 51,8 43,49 6.512
1988 54,92 38,58 8.404
1989 79,7 51,48 11.077
1990 68,9 58,72 11.717
1991 63,72 45,47 13.275
1992 83,73 50,2 15.215
1993 78,74 79,6 18.390

Proyectos de Inversión - Mg. Joel D. Vargas Sagástegui Fecha: 31 de julio de 2020

 Escuela de Ingeniería de Sistemas

Análisis de Regresión Simple

El gráfico de los datos, sería:

Horas media de Vuelo vs Costo por

Mantenimiento de Fuselaje
90

80

70

60

50

40

30

20

10

0
0 1 2 3 4 5 6 7 8

Proyectos de Inversión - Mg. Joel D. Vargas Sagástegui Fecha: 31 de julio de 2020

 Escuela de Ingeniería de Sistemas

Análisis de Regresión Simple

Edad media Costo de
Periodo (en horas) Fuselaje por x2 xy y2
(x) Aeronave (y)
1 6.512 51,8 42,406,144 337.321,60 2.683,24
2 8.404 54,92 70,627,216 461.547,68 3.016,21
3 11.077 79,7 122,699,929 882.836,90 6.352,09
4 11.717 68,9 137,288,089 807.301,30 4.747,21
5 13.275 63,72 176,225,625 845.883,00 4.060,24
6 15.215 83,73 231,496,225 1.273.951,95 7.010,71
7 18.390 78,74 338,192,100 1.448.028,60 6.199,99
Sumatoria 84.590 481,51 1,118,935,328 6.056.871,03 34.069,69
Promedio 12.084.29 68,79

Proyectos de Inversión - Mg. Joel D. Vargas Sagástegui Fecha: 31 de julio de 2020

 Escuela de Ingeniería de Sistemas

Análisis de Regresión Simple

6.056.871,03 − 7 (12.084,29)(68,79) σ 𝑥𝑦 − 𝑛𝑥ҧ 𝑦ത
b=
1.118.935.328 − (7)(12.084,292 )
𝑏=
σ 𝑥 2 − 𝑛 𝑥ҧ 2
𝑏 = 0,00246

𝑎 = 68,79 − (0,00246)(12.084,29) 𝑎 = 𝑦ത − 𝑏𝑥ҧ

𝑎 = 39,063

La Ecuación sería: 𝑦 = 39,063 + 0,00246𝑥

𝐶𝑜𝑠𝑡𝑜 𝑑𝑒 𝐹𝑢𝑠𝑒𝑙𝑎𝑗𝑒 = 39,063 + 0,00246 𝐸𝑑𝑎𝑑 𝑀𝑒𝑑𝑖𝑎

Proyectos de Inversión - Mg. Joel D. Vargas Sagástegui Fecha: 31 de julio de 2020

 Escuela de Ingeniería de Sistemas

Análisis de Regresión Simple

Si la edad media de las aeronaves fuera de 20.000 horas, cual
sería el costo de fuselaje:
Costo de Fuselaje =39,063 + 0,00246 (20.000)
Costo de Fuselaje = 88,263 miles de dólares

σ 𝑦 2 − 𝑎 σ 𝑦 − 𝑏 σ 𝑥𝑦
𝑆𝑦,𝑥 =
𝑛−2

34.069,69 − (39,063)(481,51) − (0,00246)(6.056.871,03)

𝑆𝑦,𝑥 =
7−2

𝑆𝑦,𝑥 = 8,49 El error estándar de estimación es, por tanto, 8,49

miles de dólares o de 8.490 dólares
Proyectos de Inversión - Mg. Joel D. Vargas Sagástegui Fecha: 31 de julio de 2020
 Escuela de Ingeniería de Sistemas

Análisis de Regresión Simple

𝑛 σ 𝑥𝑦 − σ 𝑥 σ 𝑦
𝑟=
𝑛 σ 𝑥2 − σ 𝑥 2 𝑛 σ 𝑦2 − σ 𝑦 2

7 6.056.871,03 − (84.590)(481,51)
𝑟=
(7)(1.118.935.328) − 84.590 2 7 34.069,69 − 481,51 2

𝑟 = 0.7865 Este valor de correlación, indica una correlación

poca significativa y ayuda confirmar cierta
relación entre las variables.

𝑟 2 = 0.6186 Indica que el 61.86% de variación total se explica

a través de la ecuación de regresión.

Proyectos de Inversión - Mg. Joel D. Vargas Sagástegui Fecha: 31 de julio de 2020

 Escuela de Ingeniería de Sistemas

Ejercicio:
El Gobierno Municipal ha recopilado los siguiente datos
sobre las recaudaciones de impuestos sobre ventas y las
matriculaciones de automóviles nuevos:
Impuestos Anuales Matriculaciones de Calcular:
recaudados (en Automóviles nuevos a. La ecuación de regresión de
millones) (en miles)
mínimos cuadrados
1,0 10
b. Prevea la estimación de
1,4 12
Impuestos recaudados si el
1,9 15
número total de coches
2,0 16
nuevos matriculados es de
1,8 14
22,000
2,1 17
c. El coeficiente de correlación
2,3 20
y de determinación
Proyectos de Inversión - Mg. Joel D. Vargas Sagástegui Fecha: 31 de julio de 2020
 Escuela de Ingeniería de Sistemas

Ing. Joel Vargas Sagástegui

Ingeniero Industrial
CIP 48252

Proyectos de Inversión - Mg. Joel D. Vargas Sagástegui Fecha: 31 de julio de 2020