¿Qué es la demanda?

La demanda es un principio económico que se refiere al deseo de un consumidor de comprar bienes y servicios y la voluntad de pagar un precio por un bien o servicio específico. Manteniendo constantes todos los demás factores, un aumento en el precio de un bien o servicio disminuirá la cantidad demandada y viceversa. La demanda del mercado es la cantidad total demandada por todos los consumidores en un mercado para un bien dado. La demanda agregada es la demanda total de todos los bienes y servicios en una economía. A menudo se requieren múltiples estrategias de almacenamiento para manejar la demanda.

Comprendiendo la demanda

Las empresas suelen gastar una cantidad considerable de dinero para determinar la cantidad de demanda que el público tiene por sus productos y servicios. ¿Qué cantidad de sus productos podrán vender realmente a un precio determinado? Las estimaciones incorrectas dan como resultado que quede dinero sobre la mesa si se subestima la demanda o pérdidas si se sobreestima la demanda. La demanda es lo que ayuda a impulsar la economía y, sin ella, las empresas no producirían nada.

La demanda está estrechamente relacionada con la oferta. Mientras que los consumidores intentan pagar los precios más bajos que pueden por bienes y servicios, los proveedores intentan maximizar las ganancias. Si los proveedores cobran demasiado, la cantidad demandada cae y los proveedores no venden suficiente producto para obtener suficientes ganancias. Si los proveedores cobran muy poco, la cantidad demandada aumenta, pero es posible que los precios más bajos no cubran los costos de los proveedores ni permitan obtener ganancias. Algunos factores que afectan la demanda incluyen el atractivo de un bien o servicio, la disponibilidad de bienes competidores, la disponibilidad de financiamiento y la disponibilidad percibida de un bien o servicio.

Curvas de oferta y demanda

Los factores de oferta y demanda son únicos para un producto o servicio determinado. Estos factores a menudo se resumen en perfiles de oferta y demanda trazados como pendientes en un gráfico. En tal gráfico, el eje vertical denota el precio, mientras que el eje horizontal denota la cantidad demandada o ofrecida. Una curva de demanda se inclina hacia abajo, de izquierda a derecha. A medida que aumentan los precios, los consumidores demandan menos de un bien o servicio. Una curva de oferta se inclina hacia arriba. A medida que aumentan los precios, los proveedores brindan más bienes o servicios.

Equilibrio del mercado

El punto donde se cruzan las curvas de oferta y demanda representa la compensación del mercado o el precio de equilibrio del mercado. Un aumento en la demanda desplaza la curva de demanda hacia la derecha. Las curvas se cruzan a un precio más alto y los consumidores pagan más por el producto. Los precios de equilibrio generalmente permanecen en un estado de cambio para la mayoría de los bienes y servicios porque los factores que afectan la oferta y la demanda siempre están cambiando. Los mercados libres y competitivos tienden a impulsar los precios hacia el equilibrio del mercado.

Demanda del mercado frente a demanda agregada

El mercado de cada bien en una economía se enfrenta a un conjunto diferente de circunstancias, que varían en tipo y grado. En macroeconomía, también podemos observar la demanda agregada en una economía. La demanda agregada se refiere a la demanda total de todos los consumidores de todos los bienes y servicios en una economía en todos los mercados de bienes individuales. Debido a que el agregado incluye todos los bienes de una economía, no es sensible a la competencia o sustitución entre diferentes bienes o cambios en las preferencias del consumidor entre varios bienes de la misma manera que lo puede ser la demanda en los mercados de bienes individuales.

Política macroeconómica y demanda

Las autoridades fiscales y monetarias, como el Banco de México, dedican gran parte de la formulación de sus políticas macroeconómicas a la gestión de la demanda agregada. Si Banxico quiere reducir la demanda, aumentará los precios reduciendo el crecimiento de la oferta de dinero y crédito y aumentando las tasas de interés. Por el contrario, Banxico puede reducir las tasas de interés y aumentar la oferta de dinero en el sistema, aumentando así la demanda.[1] En este caso, los consumidores y las empresas tienen más dinero para gastar. Pero en ciertos casos, incluso Banxico no puede alimentar la demanda. Cuando el desempleo va en aumento, es posible que la gente aún no pueda permitirse gastar o asumir una deuda más barata, incluso con tasas de interés bajas.

Fuentes del artículo

JeshuaNomics requiere que los escritores utilicen fuentes primarias para respaldar su trabajo. Estos incluyen documentos técnicos, datos gubernamentales, informes originales y entrevistas con expertos de la industria. También hacemos referencia a investigaciones originales de otros editores de renombre cuando corresponde. Puede obtener más información sobre los estándares que seguimos para producir contenido preciso e imparcial en nuestra política editorial.

Introducción a las series de tiempo en R

Hola

Hola

Hola

1. Hola
2. Soy
3. Jeshua

Para aprender el análisis de datos con RStudio, obviamente necesitamos usar datos. Tenemos dos tipos de datos: datos secundarios y datos primarios. Los datos secundarios son datos que otra persona ha recopilado y puesto a disposición para el análisis de datos. Los datos primarios son datos que recopilamos nosotros mismos para responder a nuestras preguntas.

Hay muchos datos secundarios que están disponibles públicamente y que podemos usar. Las fuentes de datos secundarios incluyen las Oficinas de Estadística de los países, la Oficina de Estadística de la Unión Europea, la OCDE, el Banco Mundial y el FMI. Para el turismo en Suiza, por ejemplo, las estadísticas HESTA de la Oficina Federal de Estadística de Suiza BfS son de particular interés. Aquí encontramos el número de huéspedes y pernoctaciones por región y país de origen, el número de hoteles, habitaciones y camas. Estos datos están disponibles anualmente. Para otros países, por ejemplo, Alemania y Austria, ciertamente se dispone de cifras similares. Siempre vale la pena buscar datos secundarios.

En algunos casos, sin embargo, no hay datos secundarios y nos vemos obligados a recopilar nuestros propios datos (primarios). En este texto seguimos este enfoque. De esta forma, creemos que podemos demostrar los beneficios de RStudio y brindar un enfoque simple e intuitivo para el análisis de datos con RStudio.

Supongamos que los ferrocarriles de montaña de Heide quisieran adaptar su oferta a los deseos y necesidades de sus huéspedes para mejorar el atractivo de la zona de esquí. Para ello, la dirección lleva a cabo una breve encuesta representativa y pregunta a 150 huéspedes (n = 150) sobre su satisfacción con la oferta actual (ver cuestionario en el Apéndice A).

Una vez realizada la encuesta, los datos deben almacenarse en un formato de archivo. Si hemos realizado la encuesta con la ayuda de tabletas y software de encuesta estándar (Unipark, LimeSurvey, etc.), los datos ya están disponibles electrónicamente y podemos exportar el conjunto de datos, por ejemplo, como archivo CSV o archivo Excel. Si hemos realizado la encuesta con cuestionarios en papel, el primer paso es introducir los datos. La experiencia demuestra que los datos deben ingresarse directamente en una hoja de cálculo de Excel, es la forma más fácil.

En el Apéndice B vemos el conjunto de datos como podría verse. También vemos que hemos creado una leyenda para el conjunto de datos que describe el conjunto de datos. Alternativamente, podríamos crear un llamado libro de códigos.

Graficación de series

Para consultar series de tiempo del SIE en R, existe un paquete que encapsula la lógica necesaria para conectarse al API. Este paquete se llama siebanxicor. Para instalarlo se procede normalmente:

Graficación de

install.packages('siebanxicor')
install.packages('tidyverse')

En el siguiente ejemplo se consultarán y graficarán 3 series de tipo de cambio. Para crear la gráfica es necesario instalar previamente el paquete ggplot2.

El primer paso es incluir el paquete para poder usarlo:

library('siebanxicor')

Ahora se debe especificar el token de consulta. (Más información del token aquí). Sólo es necesario indicar el token de consulta una vez por sesión:

setToken(token)

Posteriormente se realiza la consulta de las series, en este caso para el periodo del 01/01/2016 al 12/07/2018:

idSeries <- c('SF43718', 'SF46410', 'SF46407')
series <- getSeriesData(idSeries, '2016-01-01', '2018-07-12')

Hasta este punto, ya tenemos los datos de las series en memoria. Ahora sólo falta generar la gráfica de la siguiente manera:

library(tidyverse)

-- Attaching packages --------------------------------------- tidyverse 1.3.1 --

v ggplot2 3.3.5     v purrr   0.3.4
v tibble  3.1.6     v dplyr   1.0.8
v tidyr   1.2.0     v stringr 1.4.0
v readr   2.1.2     v forcats 0.5.1

-- Conflicts ------------------------------------------ tidyverse_conflicts() --
x dplyr::filter() masks stats::filter()
x dplyr::lag()    masks stats::lag()

ggplot(NULL, aes(x=date, y=value)) +
  geom_line(color="#ff1a1a", data = getSerieDataFrame(series, "SF43718")) +
  geom_line(color="#0000b3", data = getSerieDataFrame(series, "SF46410")) +
  geom_line(color="#00b300", data = getSerieDataFrame(series, "SF46407"))

Output

Ejemplo completo:

graficaTiposCambio <- function() {
  setToken("6e3bd0938be9fff6e4f4811b7b413d111f96a8c9a0ae60abef4029b681e9b8a9")
  
  idSeries <- c("SF43718","SF46410","SF46407")
  series <- getSeriesData(idSeries, '2016-01-01','2018-07-12')
  
  ggplot(NULL, aes(x=date, y=value)) +
    geom_line(color="#ff1a1a", 
              data = getSerieDataFrame(series, "SF43718")) +
    geom_line(color="#0000b3", 
              data = getSerieDataFrame(series, "SF46410")) +
    geom_line(color="#00b300", 
              data = getSerieDataFrame(series, "SF46407"))
}

print(graficaTiposCambio)

function() {
  setToken("6e3bd0938be9fff6e4f4811b7b413d111f96a8c9a0ae60abef4029b681e9b8a9")
  
  idSeries <- c("SF43718","SF46410","SF46407")
  series <- getSeriesData(idSeries, '2016-01-01','2018-07-12')
  
  ggplot(NULL, aes(x=date, y=value)) +
    geom_line(color="#ff1a1a", 
              data = getSerieDataFrame(series, "SF43718")) +
    geom_line(color="#0000b3", 
              data = getSerieDataFrame(series, "SF46410")) +
    geom_line(color="#00b300", 
              data = getSerieDataFrame(series, "SF46407"))
}

Sys.Date()

[1] "2022-04-23"