Professional Documents
Culture Documents
TEMA :
Lima – 25.08.2007
INTRODUCCION
Los aspectos que analizan durante la preparación de un proyecto son los siguientes:
- Mercado y comercialización
- Tamaño, selección de tecnología y localización
- Ingeniería e inversiones
- Presupuesto de gastos e ingresos
- Financiamiento, organización y ejecución
- Evaluación
1. DATOS PRIMARIOS
Son aquellos que no han sido recopilados anteriormente por parte de organismos
que trabajan en la obtención y elaboración 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.
2. DATOS SECUNDARIOS
Las fuentes de las cuales se pueden obtener los datos secundarios son muy
variadas, pero pueden agruparse tentativamente en las siguientes:
b. Datos de censos
- Número de establecimientos
- Cantidad y valor de productos específicos fabricados o vendidos
- Costos de materias primas
- Salarios pagados, etc.
e) Información comercial:
Según las unidades en que estén expresados los datos, éstos se dividen en:
a. Porcentajes:
Total…….….100%
Parcela…………x
b) Indices:
Son comparaciones entre dos datos, cuando uno no está incluido en el otro. Por
ejemplo: la densidad demográfica es la relación entre la población y la superficie; el
índice de inteligencia, etc.
b. Tasas o coeficientes:
d) Series de relativos:
Usadas para comparar un dato en cierta ocasión con otro en un período básico. Por
ejemplo: la tabla abajo muestra una serie de relativos:
a) Continuas
b) Discretas.
Variables que sólo toman algunos valores dentro de un intervalo (número de autos
por habitantes, número de hijos por familia, etc).
5. BANCOS DE DATOS
I. DISTRIBUCION DE FRECUENCIAS
Hay reglas empíricas que dan el número de clases que se debe utilizar, según el
número total de datos disponibles. Se designa como amplitud de cada clase a la
diferencia entre los valores máximo y mínimo de los datos, dividido por el número
de clases utilizadas.
CUADRO 5.1.
DISTRIBUCION DE FRECUENCIA, OBREROS DEL CEMENTO, 1968
40
Poligono de Frecuencias
20
Histograma
Figura 5.2
I. INTRODUCCION
2. MEDIA ARITMETICA. M:
La media aritmética de una serie con valores de "x" y de "y" están dados por:
M =
∑ X
M =
∑ Y
M =
∑ (XY)
∑Y
X Y XY
n n
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, Mxy representará la media
ponderada.
EJEMPLO 5.1.
3. MEDIANA - ME:
Se define como el valor central de la variable, cuando los valores están ordenados
por su magnitud.
Es una medida menos sensible que la media aritmética ante los valores extremos
de la variable, siendo apropiada para distribuciones asimétricas como salarios,
producciones, etc.
Primero se debe encontrar el número "m" de la clase, del total "n" de clases,
donde se encuentra la mediana.
⎡( fn ) / 2 − ∑ fk ⎤
M e = L1 + ⎢ ⎥× C
⎢⎣ fm ⎥⎦
Donde:
EJEMPLO 5.2.
Luego la mediana de los datos se encuentra en la tercera clase y tiene un valor de:
(97 / 2 − 25)
Me = 90 + × 10 = $96.5
36
4. MODA -MO:
Δ 1. C
M o = L1 +
Δ1 + Δ 2
Donde;
EJEMPLO 5.3.
Mo = M - 3 (M - Me)
6. MEDIA GEOMETRICA
La media geométrica de una serie de "n" valores "x" está definida por;
G = n ( X1 . X2. X3... Xn )
Si los datos están agrupados, y los puntos medios de los mismos tienen frecuencias
superiores a cero.
G = n [( X 1 . f1 ).( X 2 . f 2 )...( X n . f n )
Para poder existir interpretación de la media geométrica, 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.
Si se supone que la población crece a una tasa (i) anual y se designa por (Po) la
población en el momento actual y por (Pn) la población en el año (n), se tiene:
EJEMPLO 5.5.
10
(1+r) = 70.967 / 51.944 = 1.36622, y r = 3.2%
Este valor se puede hallar también por tanteo con ayuda de una tabla financiera de
interés compuesto.
EJEMPLO 5.6
n n n
De donde ( 1 + c) = (1 + i) / (1+p)
Entonces, ( 1 + c) = (1 + i) / ( 1 + p )
7. MEDIA ARMONICA - H:
EJEMPLO 5.7:
Una encuesta entre cinco (5) personas sobre la duración media de una hoja de
afeitar arrojó los siguientes resultados:
5
H = = 8 .7 5 d ia s
1 1 1 1 1
+ + + +
10 5 14 30 6
(10 + 5 + 14 + 30 + 6) /5 = 13 días, lo cual es erróneo pues:
El consumo por persona es: 208.57/5 = 41.71 hojas/persona, cuya duración media
es de 365/41.71 = 8.75 días, resultado que se obtuvo al aplicar la media armónica.
III.MEDIDAS DE DISPERSION
1. GENERALIDADES:
Las medidas de dispersión dan a una idea de cómo ( grado o medida) se presentan
los datos una distribución. El cálculo de estas medidas es fundamental para analizar
series tales como ingresos, tenencia de la tierra, etc.
⎡∑ (X 2
) ⎤
S X = ⎢ − (M X )2 ⎥
⎢⎣ n ⎥⎦
S =
⎡
⎢
∑ (Y 2
)
− ( M
⎤
)2 ⎥
Y Y
⎢⎣ n ⎥⎦
⎡ ∑ ( XY ) ⎤
S XY = ⎢ − ( M X . M Y )2 ⎥
⎢⎣ n ⎥⎦
típica, ya que serán mayores las desviaciones respecto a la media. La desviación
típica se expresa en las mismas unidades de los datos analizados y siempre es una
cantidad mayor o igual a cero (0).
EJEMPLO 5.8
Centro de Frecuencia X2 XY Y2
clase X ($) Y
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:
SX = [9225
. − ( 95) ] = $14.1
2
S XY = [1825
. − ( 95 × 19.4) ] = 6.5
EJEMPLO 5.9
Una cierta cantidad de tubería 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 tendrían 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
Las fórmulas que aparecen en estas conferencias son las que se utilizan para
analizar series de población (y en consecuencia, para estudios de mercado en
proyectos), en los demás casos, como el que nos ocupa, las fórmulas para la
desviación típica difieren ligeramente, estas son:
⎡ (∑ X )2 ⎤
⎢ ∑ ( X 2
) −
n
⎥
S = ⎢ ⎥
X
⎢ n − 1 ⎥
⎢⎣ ⎥⎦
⎡ (∑ Y )2 ⎤
⎢ ∑ (Y ) − ⎥
2
= ⎢
Sc-saavedra@esan.com.pe n ⎥
Ingº Carlos Saavedra López 4882122 / 8137729 14
Y
⎢ n −1 ⎥
⎢⎣ ⎥⎦
Diseño, Formulación, Evaluación e Implementación de Proyectos de Inversión
3. Varianza
C.V. = 100 S / M
II. PROBABILIDAD
P(E) = f/n = p
La probabilidad de no ocurrencia de E es
P(-E) = d/n = q
1. INTRODUCCION
Con ellos es posible realizar comparaciones del costo de vida en un país con
relación a otro (por ejemplo, entre Estados Unidos y la República Dominicana) o
para un mismo país en dos períodos de tiempo. Ese sólo hecho ya justifica su
cómputo y su periódica utilización en la investigación socio económica.
Es muy utilizado por los gobiernos en la deflactación de los precios e ingresos, para
comparar valores nominales expresados en unidades monetarias de distinto poder
adquisitivo, etc.
Los índices de precios más utilizados son los de Laspeyres, Paassche, Fischer,
Marshall-Edge Worth y Walsh.
Si:
L In =
∑ ( P .Q
n o)
× 100
∑ ( P .Q
o o)
EJEMPLO 5.10
Calcular el índice de precios según Laspeyres para el año 1980, tomando como
base, para el siguiente grupo de mercaderías.
L In =
∑ ( Pn . Q o )
× 100 L 8I 0 =
∑ ( P8 0 . Q 72 )
× 100
∑ ( Po . Q o ) ∑ ( P7 2 . Q 72 )
G 9 5
H 32 14
I 96 50
J 16 7
K 12 5
L 10 5
Sumatoria 81.742 12.639
El índice de precios del grupo de mercaderías, tomando el año 1962 como base
sería entonces:
P
I
=
∑ ( P .Q )
n n
n ∑ ( P .Q )
o n
4. Marshall - Edgewoth:
M nI =
∑ Pn ( Qo + Qn )
∑ Po ( Qo + Qn )
5. Walsh
WnI =
∑ Pn ( Qo . Qn )
∑ Po ( Qo . Qn )
3. DEFLACTACION DE PRECIOS:
EJEMPLO 5.11
Se pide calcular los precios deflactados para el producto, en cada uno de los años
considerados.
Para obtener los resultados se dividen los precios corrientes de cada año por el
respectivo índice de precios y ese cociente se multiplica por el índice de precios del
año base (100).
1. GENERALIDADES
Y = f(x)
Como paso inicial en el análisis de una regresión, se debe determinar cuál sería el
tipo de curva más probable al cual se ajustarían 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 más se acomoda a
dichos datos y luego calculan las variables correspondientes; cuando esto último
está disponible, no es necesario determinar el tipo de curva más probable, antes de
iniciar los cálculos correspondientes. Para lo anterior pueden ser útiles las
siguientes sugerencias:
2. REGRESION LINEAL
W = SUMATORIA ( yi - y)2
Reemplazando y = mxi + b
W = SUMATORIA ( yi - mxi - b) 2
Para que W sea un mínimo se debe cumplir simultáneamente que sus derivadas
parciales con respecto a m y a b sean nulas:
∂W ∂W
=0 y =0
∂ m ∂ b
∂W
= 2∑ (Yi − mxi − b)( −1) =/ 8137729
0
∂ b
Ingº Carlos Saavedra López c-saavedra@esan.com.pe 4882122 20
Diseño, Formulación, Evaluación e Implementación de Proyectos de Inversión
Donde se ha omitido el subíndice i, pero se debe recordar que se trata de los datos
de las series históricas suministradas.
Pendiente:
∑ ( xy ) − ∑ n ∑
( x )( y )
m=
∑(x) − ∑
2
( x)
2
n
De la ecuación (5.a)
El intercepto y:
b=
∑ Y − m∑ x
n
2. ANALISIS DE CORRELACION
Para el caso de correlaciones simples (entre dos variables) y una función rectilínea
(línea recta), el coeficiente de correlación "R" está dado por la siguiente expresión:
mSx
R=
Sy
Donde , Sx y Sy son las desviaciones típicas
Sy =
L
∑
M y 2
O
− ( My ) P 2
M
Nn P
Q
Sx =
L
∑
M x 2
O
− ( Mx ) P 2
M
Nn P
Q
3.LIMITACIONES DE LA CORRELACION
EJEMPLO 5.12
Calcular cuál será la demanda estimada para los años 1985, 1990 y 1995,
ajustando los datos observados a una recta, por el método de mínimos cuadrados.
AÑOS X Y X2 XY Y2
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)
∑ ( xy ) − ∑ n ∑
( x )( y )
401
m=
(∑ x )
= 2
330
= 121
. d∑ X = 0i
∑(x) − 2
Intercepto Y:
b=
∑ Y − m∑ X = 575 = 57.5
n 10
Coeficiente de correlación:
mS X
R=
SY
De donde:
. × 5.74
121
R= = 0.95
7.31
Y la ecuación de la curva es Y=1.21X +57.5
3.REGRESIONES POTENCIALES
1. FUNCION LOGARITMICA
Y = mX + b, donde
O sea que, con estos reemplazos, los parámetros M y logB (y por consiguiente B)
se pueden calcular con las mismas fórmulas deducidas para m y b en la regresión
lineal.
EJEMPLO 5.13
Se desea estimar la demanda total, año a año, de un producto para el período 1985
- 1991, conocida información:
a. La tasa de crecimiento anual del ingreso por persona en el período 1985 - 1991
será del 5%.
Se puede observar que esta última ecuación es similar a la ecuación de una recta
de la forma Y= mX + B, donde:
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:
M=
∑ (log X )(log Y ) − ∑ (log X ) ∑ (log Y ) 5173073
.
=
× 213579
. × 24.21018 0.02290
= = 0.64292
∑ (log X ) )2
2 ( 2135791
. 0.03562
45.65165 −
∑ (log X ) − 2
n
10
Ingº Carlos Saavedra López c-saavedra@esan.com.pe 4882122 / 8137729 26
Diseño, Formulación, Evaluación e Implementación de Proyectos de Inversión
Intercepto
log B =
∑ (log Y ) −M ∑ (log X ) =
24.21018 − 0.64292 × 2135791
.
= 104787
.
n 10
MS (log X )
R=
S (log Y )
S (log X ) =
L
∑ (log X )
M
2
− M (log X )
2 O
P= 4.56516 − ( 213579
. )2 = 0.05967
M
N n P
Q
S (log Y ) =
L
∑ (log Y )
M
2
− M (log Y )
2 O
P= 5.86286 − ( 2.42102 )2 = 0.03901
M
N n P
Q
Donde
0.64292 × 0.05967
R= = 0.98
0.03901
Donde:
Δy = MΔx + ΔP
Reemplazando,
Ay = 0.64292 x 5% + 2% = 5.21%
Y = 300 yn = 300(1+0.0521)n
De donde:
AÑO
1984 300
1985 317
1986 334
1987 352
1988 370
1989 390
1990 411
1991 433
2. FUNCION SEMILOGARITMICA
Y = ln.y, b = ln.B
Con estos reemplazos, se pueden calcular los parámetros m y ln.B con las mismas
fórmulas deducidas para m y b en la regresión lineal.