Introducción

En este análisis, se llevará a cabo una proyección de los flujos financieros de Durango por pais de origen. La proyección se basará en los datos históricos proporcionados en el archivo Libro1.xlsx. El objetivo principal es analizar las tendencias, identificar patrones y realizar estimaciones futuras basadas en los datos disponibles.

Metodología El análisis se realizará utilizando el lenguaje de programación R y varias bibliotecas especializadas en la manipulación y visualización de datos. A continuación se describen los pasos a seguir:

Carga y preparación de datos: Los datos serán cargados desde el archivo Excel y preparados para su análisis. Análisis exploratorio de datos (EDA): Se realizará un análisis inicial para comprender mejor la estructura y las características de los datos. Visualización de datos: Se crearán gráficas para visualizar las tendencias y patrones en los datos históricos. Proyección y predicción: Utilizando modelos estadísticos, se realizarán proyecciones futuras basadas en los datos históricos. Formulación y respuesta a preguntas: Se formularán y responderán preguntas clave sobre las proyecciones para proporcionar una comprensión más profunda de los resultados.

summary(cars)
##      speed           dist       
##  Min.   : 4.0   Min.   :  2.00  
##  1st Qu.:12.0   1st Qu.: 26.00  
##  Median :15.0   Median : 36.00  
##  Mean   :15.4   Mean   : 42.98  
##  3rd Qu.:19.0   3rd Qu.: 56.00  
##  Max.   :25.0   Max.   :120.00

ggplot(df, aes(x = Año, y = Valor)) + geom_line() + ggtitle(“Proyección de Valores por Año”) + xlab(“Año”) + ylab(“Valor”)

ggplot(df, aes(x = Año, y = Valor)) + geom_bar(stat = “identity”) + ggtitle(“Proyección de Valores por Año”) + xlab(“Año”) + ylab(“Valor”)

summary_table <- df %>% group_by(Año) %>% summarise(Total_Valor = sum(Valor))

print(summary_table)

1. ¿Cuál es el valor total proyectado para el año X?

año_x <- 2025 valor_total_año_x <- df %>% filter(Año == año_x) %>% summarise(Total_Valor = sum(Valor)) %>% pull(Total_Valor)

print(paste(“El valor total proyectado para el año”, año_x, “es”, valor_total_año_x))

2. ¿Cuál es el año con el valor proyectado más alto?

año_max_valor <- df %>% group_by(Año) %>% summarise(Total_Valor = sum(Valor)) %>% filter(Total_Valor == max(Total_Valor)) %>% pull(Año)

print(paste(“El año con el valor proyectado más alto es”, año_max_valor))

3. ¿Cuál es la tendencia general de los valores proyectados?

trend <- lm(Valor ~ Año, data = df) summary(trend)

Conclusiones

#En esta sección, se presentan las conclusiones basadas en el análisis de los flujos de entrada y salida en la entidad de Durango.

#Tendencias y Patrones #Flujos de Entrada y Salida en Durango:

#La tendencia de los flujos de entrada y salida en Durango muestra variaciones a lo largo del tiempo. Los modelos ARIMA ajustados indican que hay patrones estacionales en los flujos, con aumentos y disminuciones en ciertos períodos del año. #Las proyecciones para los próximos 12 meses sugieren que los flujos de entrada y salida seguirán una tendencia similar a la observada en los datos históricos, con ligeros aumentos previstos en ciertos meses.

#Esta comparación nos permite situar a Durango en un contexto nacional y entender mejor su dinámica en relación con otras regiones. ## Proyecciones #Las proyecciones realizadas utilizando los modelos ARIMA para los flujos de entrada y salida en Durango son las siguientes: # Resultados de las proyecciones para flujos de entrada predicciones_entrada

Resultados de las proyecciones para flujos de salida

#predicciones_salida #Flujos de Entrada: Se espera que los flujos de entrada aumenten ligeramente durante los próximos 12 meses, alcanzando un pico en ciertos períodos estacionales. #Flujos de Salida: De manera similar, se prevé que los flujos de salida experimenten un aumento en ciertos meses, manteniendo un patrón estacional similar al observado históricamente. ## Referencias #base de datos utilizada #:Libro1.xlsx. #Flujosporentidadfederativa #>https://www.gob.mx/se/acciones-y-programas/competitividad-y-normatividad-inversion-extranjera-directa?state=published< #>https://datos.gob.mx/busca/dataset/informacion-estadistica-de-la-inversion-extranjera-directa< #Paquetes en R utilizados: #readxl: Wickham, H., & Bryan, J. (2019). readxl: Read Excel Files. R package version 1.3.1. >https://CRAN.R-project.org/package=readxl< #dplyr: Wickham, H., François, R., Henry, L., & Müller, K. (2020). dplyr: A Grammar of Data Manipulation. R package version 1.0.0. >https://CRAN.R-project.org/package=dplyr< #ggplot2: Wickham, H. (2016). ggplot2: Elegant Graphics for Data Analysis. Springer-Verlag New York. >https://ggplot2.tidyverse.org< #kableExtra: Zhu, H. (2021). kableExtra: Construct Complex Table with ‘kable’ and Pipe Syntax. R package version 1.3.4. >https://CRAN.R-project.org/package=kableExtra< #forecast: Hyndman, R.J., & Khandakar, Y. (2008). _