Guía de estudio examen análisis cuantitativo

Guía de estudio examen análisis cuantitativo

• TEORÍA DE LA DECISIÓN

1. Valor esperado (esperanza):

• Criterio usado para encontrar la mejor decisión cuando la debo tomar por una sola vez
• Significa que para cada una de las acciones posibles que tengo se calcula el beneficio promedio que voy a recibir a fin de seleccionar aquella que entrega el mejor beneficio
• Permite analizar un conjunto de decisiones a fin de evaluar la mejor opción.

Significa que en cada una de las opciones que tengo se calcula el beneficio promedio que se obtendrá

• Si es positivo representa que es más conveniente optar por esa alternativa que no considerarla.
• Si es negativo implica que no es una alternativa conveniente y por lo tanto no debiese considerarse

1. Varianza: Utilizada para medir el riesgo de una decisión (Es una medida de dispersión ampliamente utilizada en los sectores de la economía y las finanzas, interpretándose como el riesgo de que el rendimiento de algún procedimiento en concreto sea distinto del rendimiento esperado de dicho procedimiento)

• Mientras mayor sea la varianza, mayor será la dispersión de los datos y por consecuencia mayor el riesgo al optar por una decisión

1. Desviación estándar: Es la raíz de la varianza, por lo cual es un indicador que me permite calcular el riesgo.

• Corresponde a un indicador que me servirá para complementar el análisis con el valor esperado, cuando voy a tomar la decisión solo una vez.

1. Coeficiente de variación: (Permite medir el riesgo)

• Un proyecto altamente riesgoso es aquél que tiene un coeficiente de variación mayor a 1

CV: Desviación estándar[pic 1]

         Valor esperado

• Cuando es mayor que 1 indica que el proyecto es riesgoso, por lo cual entre más alto implicará un mayor riesgo.

1. Tasa de retención:

• Si aumenta la tasa de retención aumentan los beneficios

1. Tasa de aceptación

• Si mejora en beneficios aumenta la tasa de aceptación

Aspectos a tener presente para tomar una decisión: (optar por la que tenga más beneficio y menor riesgo)

1. Ver si existen opciones inadmisibles (
2. Evaluar si es una decisión que se tomará muchas veces (valor esperado). Para cada una de las opciones posibles se calcula el beneficio promedio a fin de seleccionar aquellas que entrega un beneficio más alto.
3. Evaluar si es una decisión que se tomará pocas veces, de ser así el riesgo cumple un rol clave
4. Evaluar si es una decisión que se tomará una única vez: en este caso debo considerar la desviación estándar que representa el nivel de riesgo y calcular el valor esperado de cada una de las alternativas

1. Árbol de decisiones: Modelo para analizar decisiones [pic 2]

         Estado de la naturaleza: son aquellas variables que no controlo      [pic 3]

          Decisiones, las cuales están bajo mi control

1. Tips

• Acción no admisible: Una acción es no admisible si hay una sola otra que gana siempre, teniendo un beneficio mayor

• Las probabilidades: las voy a obtener de experiencias del pasado (esto es más objetivo), además podrían igualmente salir de la intuición
• Análisis se sensibilidad: Me permite analizar los resultados estimando la probabilidad de los %
• Cómo se toman decisiones: Depende de cada persona y de su aversión al riesgo
• Claves para tomar una decisión:

• Revisar si tengo opciones que no son admisibles
• Preguntarme si la decisión la tomaré muchas veces o no y si su naturaleza es para tomarla muchas veces
• Si la decisión no es para tomarla muchas veces o solo una vez, debo incluir el riesgo
• Si la decisión la voy a tomar muchas veces el criterio a considerar para decidir es el valor del valor esperado (esperanza)
• En cuanto a la variable del riesgo va a depender la aversión al riesgo de la persona que esta tomando la decisión

• PROBABILIDADES_SIMULACIÓN

Cuando una calcula beneficios usando simulación

Modelo Poisson: Tengo un periodo de tiempo y ocurren eventos dentro de ese intervalo de tiempo

• Ejemplo: si para calcular mis beneficios necesito considerar la demanda de un medicamento, esto para determinar cuántas cajas vendo en un periodo determinado

• Suponga una situación en la cual ocurren eventos de manera aleatoria y completamente independientes a través del tiempo. Por ejemplo, las llamadas telefónicas que recibe un local de pizzas, las entradas de personas a una tienda o el número de vehículos que vende un concesionario.
• Kilos de arroz que compro en un periodo (va variando, compro 1, 5, 10, 0, etc.)
• Representan una cantidad de eventos que van variando

Modelo Binomial

• Ejemplo: Número de productos que tiene una falla en una caja de 8 productos (BUENO O MALO)
• Número de kilos de arroz Tucapel que compro en un hogar si compro 5 kilos (cada compro es o no tucapel (SI/NO). Cada compra es Tucapel o no es tucapel

Modelo Normal

Ejemplo: El precio de una materia prima, variables como precio que son continuas tienen distribución normal

• REGRESIONES

Tengo dos variables y quiero analizar como es la relación entre estas variables, por ejemplo como influye el precio y la publicidad en mis ventas.

Si tengo dos variables siempre puedo calcular el Coeficiente de correlación (CC), para ello:

• Si el CC es positivo las dos variables tienen una relación directa o positiva, en donde y si sube una sube también la otra, si baja una, baja la otra

• Si el CC es negativo la relación es inversa sube una y baja la otra, o viceversa
  Si el CC es = 0 las variables no se relacionan

• Si el CC está más cerca de 0 la intensidad de la relación es más débil y si esta más cerca de 1 o -1 la intensidad es más fuerte
• El CC no mide causalidad, si dos variables están relacionadas no significa que una cause a la otra, si cambio una no va a generar un cambio en la otra.

Cuando tengo dos variables que están relacionadas se pueden dar tres escenarios posibles:

• Correlación: Las variables están relacionadas pero no hay causalidad (Ejemplo venta de helados y ataques de tiburones, ambas ocurren en verano), si dejo de vender helados no genero impacto en la disminución de ataques de tiburones, acá solo se da correlación.
• Causalidad: hay una variable que al cambiar impacta en la otra, por ejemplo el precio causa a la demanda, si disminuyo el precio aumento la demanda, esto es conceptual y no de los datos. Yo no puedo probar usando los datos lo debo demostrar con un argumento conceptual. Ejemplo la puntualidad de los vuelos de una aerolínea impacta en la satisfacción de los clientes. En este caso la puntualidad causa a la satisfacción.
• Feedback: que una variable causa a la primera y a la segunda, por ejemplo el tipo de cambio tiene que ver con la inflación y la inflación impacta en el tipo de cambio.

Modelo de regresión simple:

Este modelo solo sirve cuando la relación es de causalidad, cuando es de correlación y feedback este modelo no sirve

• Si tengo dos variables en donde una variable causa a la otra podemos medir el coeficiente de correlación y además podemos también medir lo que es el modelo de regresión
• El ε (épsilon) corresponde a todas las otras variables que impactan en una relación, en el ejemplo del niño que vendía naranjas analizamos las variables precio y demanda, en donde el precio causa la demanda, pero había otras variables que influían como la estación del año, la calidad de las naranjas, el tipo de consumidor, entre otros y todas esas variables agrupadas constituyen la épsilon. (reconozco que existen pero no las calculo)

[pic 4][pic 5]

Ejemplos de causalidad

Modelo de regresión (ejercicio Excel - análisis de datos - regresión)

• Objetivos del análisis (modelo de regresión)

1. Tengo un modelo que relaciona variables (en este ejemplo precio con demanda), además de calcular datos y determinar los coeficientes que me permitirán calcular la pendiente
2. Reconozco que estoy trabajando con una muestra y por lo tanto hago un intervalo de confianza (95%) para poder determinar donde podría estar el coeficiente
3. Puedo predecir, si quiero conocer el valor de un día a futuro.

Ejemplo punto c, volviendo al caso de las naranjas si el precio mañana es 2 la demanda será de 47,9 esto se obtiene:

...