Mostrar el registro sencillo del ítem

dc.contributor.advisorRuiz Pardo, Ruth Yolanda
dc.contributor.advisorLópez, Segundo
dc.contributor.authorPáez Herrera, Alain Julián
dc.date.accessioned2021-08-18T18:17:44Z
dc.date.available2021-08-18T18:17:44Z
dc.date.issued2021-05-21
dc.identifier.urihttp://hdl.handle.net/10818/48176
dc.description91 páginases_CO
dc.description.abstractEl mercado de generación de energía temporal atiende necesidades de energía eléctrica para sectores como Oil & Gas y Minería, los cuales operan en regiones donde la red pública es insuficiente o no existe. Habiendo dicho esto, se debe indicar que la industria de generación de energía temporal no cuenta con modelos y/o procesos de pronóstico de demanda formales que le permitan proyectar su producción y la capacidad instalada necesaria. Con miras a definir un método de pronóstico eficiente para tal fin, este trabajo presenta un análisis de la relación entre las variables macroeconómicas de la demanda de generación de energía que se presumen afectan el mercado de generación. Se utilizaron los Vectores Autorregresivos (VAR) como técnica econométrica, obteniendo como respuesta un modelo que permite predecir de manera eficiente dicha demanda para el mercado colombiano. El modelo presentó un desempeño adecuado, de igual forma se pudo determinar que el precio del dólar es un factor importante de baja incidencia como determinante para el pronóstico de la demanda de energía. De igual forma se pudo establecer el rezago a partir del cual se puede hacer pronóstico confiable para dicho mercado en Colombia.es_CO
dc.formatapplication/pdfes_CO
dc.language.isospaes_CO
dc.publisherUniversidad de La Sabanaes_CO
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Internacional*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.titleIdentificación y análisis de los factores determinantes en la demanda de equipos de generación de energía eléctrica temporal en el mercado Colombianoes_CO
dc.typemasterThesises_CO
dc.identifier.local282181
dc.identifier.localTE11315
dc.type.hasVersionpublishedVersiones_CO
dc.rights.accessRightsopenAccesses_CO
dc.subject.armarcIndustria eléctricaes_CO
dc.subject.armarcMercadeoes_CO
dc.subject.armarcRecursos energéticoses_CO
dc.subject.armarcColombiaes_CO
dcterms.referencesCarlos Peña Guzmán, Juliana Rey. Forecasting residential electric power consumption for Bogotá Colombia using regression model. 2020
dcterms.referencesAna I. Grimaldo, Jasminko Novak. Combining Machine Learning with Visual Analytics for Explainable Forecasting of Energy Demand in Prosumer Scenario. 2020
dcterms.referencesCelina Dittmer, Johannes Krümpel, Andreas Lemmer. Power demand forecasting for demand-driven energy production with biogas plants. 2020
dcterms.referencesJoilson de Assis Cabralab, Luiz Fernando Loureiro Legey, Maria Viviana de Freitas Cabrala. Electricity consumption forecasting in Brazil: A spatial econometrics approach. 2017
dcterms.referencesNils Jakob Johannesen, Mohan Kolhe, Morten Goodwin. Relative evaluation of regression tools for urban area electrical energy demand forecasting. 2019
dcterms.referencesMarkus Baldauf, J.M.C. Santos Silva. On the use of robust regression in econometrics. 2016
dcterms.referencesRodrigo A.de Marcos, Antonio Bello, Javier Reneses. Electricity price forecasting in the short term hybridising fundamental and econometric modelling. 2019
dcterms.referencesFabio Riva, Annalisa Tognollo, Francesco Gardumi, Emanuel Colombo. Long-term energy planning and demand forecast in remote areas of developing countries: Classification of case studies and insights from a modelling perspective. 2018
dcterms.referencesSpyros Makridakis, Steven C Wheelwright, and Rob J Hyndman. Forecasting methods and applications. John wiley & sons, 2008.
dcterms.referencesF Villareal. Introducción a los modelos de pronósticos. Recuperado de: http://www.matematica.uns.edu.ar/uma2016/material/Introduccion_a_los_Modelos_de_Prono sticos.pdf, 2016
dcterms.referencesJohn E Hanke and Dean W Wichern. Pronósticos en los negocios. Pearson educación, 2006.
dcterms.referencesRichard B Chase, F Robert Jacobs, Nicholas J Aquilano, Rodolfo Torres Matus, Marco Antonio Montúfar Benítez, and Héctor Horton Muñoz. Administración de operaciones: producción y cadena de suministros. Number 658.51/CH48a/12a. ed. in 1. McGraw-Hill, 2009
dcterms.referencesSantiago García Echevarría. Pronóstico y planificación en la economía de la empresa: una contribución a la vinculación entre la teoría y la práctica. PhD thesis, Universidad Complutense de Madrid, 2015.
dcterms.referencesJeffrey M Wooldridge. Introducción a la econometría: un enfoque moderno. Editorial Paraninfo, 2006.
dcterms.referencesJosé María Caridad et al. Econometría: modelos econométricos y series temporales. Vol. I, volume 1. Reverté,2016
dcterms.referencesJackeline Piraján Díaz et al. Análisis de la relación entre variables macroeconómicas y la curva de rendimientos en Colombia. 2018.
dcterms.referencesJewoo Kim, Choong-Ki Lee, and James W Mjelde. Impact of economic policy on international tourism demand: the case of abenomics. Current Issues in Tourism, 21(16):1912– 1929, 2018.
dcterms.referencesLaura Lizeth Guerrero Bueno, Leonardo Javier Caraballo, and Eddy Johanna Fajardo Ortiz. Aplicación de un modelo de vectores autorregresivos var para medir el efecto de la variación de los precios del petróleo sobre el tipo de cambio en colombia. Gestión y Desarrollo Libre, 4(7), 2020.
dcterms.referencesDuo Qin. Rise of var modelling approach. Journal of Economic Surveys, 25(1):156–174, 2011.
dcterms.referencesL Quintana Romero, MA Mendoza, et al. Econometría aplicada utilizando r, 2016.
dcterms.referencesJavier Galán Figueroa. Christopher sims: modelos, realidad y metodología. EQUILIBRIOS Y CONJETURAS, page 19, 2014.
dcterms.referencesHelmut Lütkepohl. New introduction to multiple time series analysis. Springer Science & Business Media, 2005.
dcterms.referencesDamodar Gujarati and Dawn Porter. Econometría (quinta edición). México: McGRAW-HILL/Interamericana Editores, SS DE CV, 2010.
dcterms.referencesJaume Arnau Gras. Diseños de series temporales: técnicas de análisis, volume 46. Edicions Universitat Barcelona, 2001.
dcterms.referencesWayne A Fuller. Introduction to statistical time series analysis (2nd edition), 1995.
dcterms.referencesDavid A Dickey and Wayne A Fuller. Distribution of the estimators for autoregressive time series with a unit root. Journal of the American statistical association, 74(366a):427–431, 1979.
dcterms.referencesClive WJ Granger. Investigating causal relations by econometric models and cross-spectral methods. Econometrica: journal of the Econometric Society, pages 424–438, 1969.
dcterms.referencesChristian M Hafner and Helmut Herwartz. Testing for linear vector autoregressive dynamics under multivariate generalized autoregressive heteroskedasticity. Statistica Neerlandica, 63(3):294–323, 2009.
dcterms.referencesJames Durbin. Testing for serial correlation in least-squares regression when some of the regressors are lagged dependent variables. Econometrica: Journal of the Econometric Society, pages 410–421, 1970.
dcterms.referencesCarlos M Jarque and Anil K Bera. A test for normality of observations and regression residuals. International Statistical Review/Revue Internationale de Statistique, pages 163–172, 1987.
dcterms.referencesRobert F Engle. Autoregressive conditional heteroscedasticity with estimates of the variance of united kingdom inflation. Econometrica: Journal of the Econometric Society, pages 987–1007, 1982.
dcterms.referencesSteven Jorge Pedrosa. Dólar - Qué es, definición y concepto | Economipedia, mar 2016.
dcterms.referencesDaniel Jimenez Bermejo. Acuerdos de Bretton Woods | Economipedia, jun 2016.
dcterms.referencesAlicia Girón. Fmi y hegemonía del dólar. Colección grupos de trabajo, 2010.
dcterms.referencesMa Simancas Cuevas. Análisis y predicciones del precio del petróleo. una aproximación basada en modelos arima. Master’s thesis, Universidad Carlos III de Madrid, 2015.
dcterms.referencesHelmut Lütkepohl and Fang Xu. The role of the log transformation in forecasting economic variables. Empirical Economics, 42(3):619–638,2012.
dcterms.referencesBruce E Hansen. Time series analysisjames d. hamilton princeton university press, 1994. Econometric Theory, 11(3):625–630, 1995.
dcterms.referencesBarry G Quinn. Order determination for a multivariate autoregression. Journal of the Royal Statistical Society: Series B (Methodological), 42(2):182–185, 1980.
dcterms.referencesGideon Schwarz et al. Estimating the dimension of a model. The annals of statistics, 6(2):461–464, 1978.
dcterms.referencesDR COX. Techniques for testing constancy of regression relationships over time-discussion. JOURNAL OF THE ROYAL STATISTICAL SOCIETY SERIES B METHODOLOGICAL, 7(2):163–192, 1975.
dcterms.referencesJD Hamilton. Time series analysis princeton university press princeton. NJ USA, 1994.
dcterms.referencesCindy Parra. Colombia: estimación de un modelo var para el producto interno bruto y la recaudación de impuestos (2000–2011). Revista Civilizar de Empresa y Economía, (4), 2011.
dcterms.referencesRene Javier Santos-Munguía and Juan Miguel Pérez. Efecto de remesas de trabajadores sobre reservas internacionales, crecimiento económico e índice de tipo de cambio real en honduras. Cuadernos de Economía, 39(81):703–729, 2020.
thesis.degree.disciplineFacultad de Ingenieríaes_CO
thesis.degree.levelMaestría en Diseño y Gestión de Procesoses_CO
thesis.degree.nameMagíster en Diseño y Gestión de Procesoses_CO


Ficheros en el ítem

Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem

Attribution-NonCommercial-NoDerivatives 4.0 InternacionalExcepto si se señala otra cosa, la licencia del ítem se describe como Attribution-NonCommercial-NoDerivatives 4.0 Internacional