Vous êtes sur la page 1sur 26

Técnicas de proyección del Mercado

FORMULACION DE PROYECTOS

Profesor:
ING.MG. ROBERTO ESPARZA S.
Cada una de las técnicas de proyección tiene una aplicación de carácter especial que hace de
su selección un problema decisional influido por diversos factores, como por ejemplo, la
validez y disponibilidad de los datos históricos, la precisión deseada del pronóstico, el costo
del procedimiento, los beneficios del resultado, los períodos futuros que se desea pronosticar
y el tiempo disponible para hacer el estudio, entre otros

Los pronósticos son la base de la


planificación corporativa a largo plazo,
ya que con ellos es posible
coordinar y controlar a toda • La selección de la técnica
la organización para que el está influida por diversos factores:
sistema productivo pueda – La precisión deseada del pronóstico
usarse de manera eficiente y
– El costo del procedimiento
para que el producto se
entregue a tiempo – Los periodos futuros a proyectarse
– Validez y disponibilidad de datos
históricos
• Se debe buscar:
– Precisión y objetividad
– Sensibilidad
La multiplicidad de alternativas metodológicas existentes para estimar el comportamiento
futuro de alguna de alguna de las variables del proyecto, obliga al analista a tomar en
consideración un conjunto de elementos de cada método, para poder seleccionar y aplicar
correctamente aquel que sea más adecuado para cada situación en particular

Métodos de Proyección

• Métodos cualitativos o subjetivos.


• Métodos Causales.
• Métodos de Serie de Tiempo.
De esta forma tenemos que los métodos de carácter subjetivo se basan principalmente en la
opinión de expertos. Se utiliza cuando el tiempo disponible es escaso, cuando no existen los
antecedentes mínimos necesarios o cuando los datos disponibles no son del todo confiables
para predecir algún comportamiento futuro

Métodos cualitativos o subjetivos


•Delphi Algunas desventajas
•Paneles
ƒ Escoger un grupo idóneo de expertos
•Encuestas
ƒ Ruido en la comunicación
•Curvas logísticas ƒ Sesgo en la coordinación
(curva S)
Por otro lado estan los métodos causales que parten del supuesto que el grado de influencia
de las variables que afectan al comportamiento del mercado permanece estable, para luego
construir un modelo que relacione ese comportamiento con las variables que, se estima, son
las causantes de los cambios que se observan en el mercado

Métodos Causales

• Proyección del mercado en base a antecedentes cuantitativos,


generalmente, datos históricos.
• Buscar la causa del comportamiento de la variable a
proyectar relacionándola con variables explicativas.
• Las variables explicativas son variables independientes, que
determinan en consecuencia las variables a proyectar.
se pueden señalar tres etapas para el diseño de un modelo de proyección causal: a)
identificación de una o más variables de las que se presuma que influyen sobre la demanda,
por ejemplo, el PIB, nivel de renta etc., b) forma de la relación que vincule estas variables
con el comportamiento del mercado, y c) la validación del modelo de pronósticos, de manera
que satisfaga tanto el sentido común como las pruebas estadísticas

Los modelos causales de


uso más frecuente son :

¾ Modelo de Regresión
¾ Modelo Econométrico
¾ Método de encuestas de
intenciones de compra
¾ Modelo de insumo-producto
Las causales explicativas se definen cmo variables independientes y la cantidad demandada,
u otro elemento del mercado que se deea proyectar, se define como variable dependiente. La
variable dependiente se explica, en consecuencia, por la variable independiente.

De la observación de estas variables


se deriva un diagrama de dispersión
Análisis de Regresión que indica la ralación entre ambas

y y’ = a + b X
Q
Y’= Variable estimada
Q
y = Variable dependiente
Q Q
Q
Q
X = Período
Q
Q
Q
Q
Q
a = Intersección de Y
Q
Q
Q
Q
b = Pendiente

X
Es una relación funcional entre dos variables correlacionadas, formando una línea recta,
donde “y “ es el valor estimado de la variable dependiente para un valor específico de la
variable independiente “X”, “a” es el punto de intersección de la línea de regresión con el eje
Y, ”b” es la pendiente de la línea de regresión, y, “X” es el valor específico de la variable
independiente

Análisis de Regresión
n

∑ (X ⋅ y )− n ⋅ X ⋅ y
b = i =1
n
y = Variable dependiente
∑ X = Período
2
−n⋅X
2
X i
i =1 a = Intersección de Y
b = Pendiente
n = Nº de datos
a = y −bX _ _
X, y= Promedio
Como el modelo de regresión es un modelo estadístico, es posible determinar su grado de
presición y confiabilidad de los resultados de la regresión. Para esto es utilizado el
coeficiente de determinación (r2), que indica que tan correcto es el estimado de la ecuación
de regresión

Análisis de Regresión

2 [n ∑ Xy − (∑ ∑X )( y )]2
r =⎡
⎢n∑ X − (∑ X ) ⎥ ⎢n∑ y − (∑ y ) ⎥
2 2 ⎤⎡ 2 2 ⎤
y = Variable dependiente
X = Período ⎢ ⎣ ⎥⎢ ⎥ ⎦⎣ ⎦
n = Nº de datos
Mientra más alto sea r2, más confianza podrá
tenerse en el estimado de la línea de regresión. De
forma más concreta, representa la proporción de
la variación total en Y, que se explica por la
ecuación de regresión, pudiendo asumir un valor
entre 0 y 1.
Con los antecedentes disponibles es posible calcular el error estandar de una estimación,
para determinar la desviación estandar de la variable independiente y para un valor
específico de la variable independiente “X”.

Análisis de Regresión

El error estandar de la variable estimada y’, designado como Se, se define


como la desviación estandar de la regresión y se calcula por medio de la
siguiente ecuación:

Se =
∑y 2
− a ∑ y − b∑ Xy
n−2
Entonces, si suponemos que los términos del error están
normalmente distribuidos en torno a la línea de regresión,
la mayor precisión se asocia con los errores estandares
más pequeños de la estimación.
Los modelos de Series de Tiempo se refieren a la medición de una variable en el tiempo a
intervalos espaciados uniformemente. El objetivo de la identificación de la información
histórica es determinar un patrón básico en su comportamiento, que permita la proyección
futura de la variable deseada.

Métodos de Serie de Tiempo

En una serie histórica de datos existen cuatro patrones básicos


que pueden o no presentarse en dicha serie:

¾ La tendencia
¾ La estacionalidad
¾ El componente Cíclico
¾ La componente no
sistemática
Existen cuatro componentes de una serie de tiempo cronológica. En el corto plazo se
distinguen fluctuaciones estacionales y variaciones no sistemáticas. A largo plazo, los
componentes estacionales y aleatorios son menos relevantes que el componente cíclico y la
tendencia

Componentes básicas de una serie de tiempo

Componente
cíclico

Componente
de tendencia

Componente no
sistemático
Componente
estacional _Tiempo
Los modelos de series de tiempo más usados son: Promedios de móviles simples,
Alisamiento Exponencial y Método de descomposición

¾Es una técnica que se


Promedios de móviles
utiliza en pronósticos a
simples
corto plazo.
¾Es un método no
t −1 estadístico que requiere de
∑ X i
una serie histórica para
obtener el valor a
St = i=t− n
pronosticar.
n
Xt, valor observado en el periodo t
St, valor pronosticado para el
periodo t
Esta técnica tiene algunas limitaciones:
Requiere mucha información, No se adapta rápidamente al cambio

Promedios de móviles
simples
La exactitud del pronóstico se evalúa buscando el error absoluto dado por:

n
e t = ∑ ei
1
Valor Medio:
n i =1
⎡1 ⎤
1/ 2

( )
n
σet = ⎢ ∑ e i − ei
2
Desviación
estándar: ⎣ n i =1 ⎥⎦
En el Alisamiento Exponencial, cada vez que se añade un nuevo dato, se elimina la
observación más antigua y se calcula el nuevo pronóstico.Por otra parte ,considera válida la
premisa de que la importancia de los datos disminuye mientras más antiguos sean.

Alisamiento Exponencial

St+1= St+ a (Xt-St) 0 ≤ a ≤1 ; t ≥ 2

El nombre se debe a que cada incremento del pasado


se reduce en (1 - α ) .
Para realizar el pronóstico sólo se necesitan tres datos: el
pronóstico más reciente, la demanda que se presentó
para ese período y una constante de suavizamiento α
α tiene un valor entre 0 y 1. Esta constante determina el nivel de suavizamiento y la
velocidad de reacción ante las diferencias entre pronósticos y hechos. Si la demanda real es
estable, un α pequeño reduce los efectos de cambios a corto plazo. Si la demanda real
aumenta o decrece con rapidez un α de gran magnitud puede seguir el ritmo de los cambios.
La principal desventaja de este método es que no se puede pronosticar el valor de α.

Alisamiento Exponencial

S2= X1 (cálculo del primer pronóstico)


et = (Xt-St) :error del pronóstico
St+1 : es el pronóstico hecho en el
período t, para el período t+1.
Ejemplo del análisis de regresión

Supongamos los siguientes antecedentes históricos de Producción y ventas


de un determinado producto son:

Año 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000

Demanda 10 20 30 45 70 90 125 150 180 220 270

Año = variable dependiente (y).


Demanda = variable independiente (X).
De esto podemos obtener la siguiente tabla:

Añ o X Demanda X* y X2 y2
1990 -5 10 -50 25 100
1991 -4 20 -80 16 400
1992 -3 30 -90 9 900
1993 -2 45 -90 4 2025
1994 -1 70 -70 1 4900
1995 0 90 0 0 8100
1996 1 125 125 1 15625
1997 2 150 300 4 22500
1998 3 180 540 9 32400
1999 4 220 880 16 48400
2000 5 270 1350 25 72900
Total 0 1210 2815 110 208250
Ahora, reemplazando estos datos en las ecuaciones de “b” y “a”,
podemos obtener lo siguiente:

11(2.815) − (0 )(1.210 ) 30.965


b= = = 25,59
11(110 ) − (0 )
2
1.210

1.210 ⎛0⎞
a= − 25,59⎜ ⎟ = 110
11 ⎝ 11 ⎠
Así, la ecuación de regresión final es:

y ' = 110 + 25,59 X


De esta forma podemos estimar la demanda, por ejemplo, para el año
2001 (X=6) de la siguiente forma:

yˆ = 110 + 25,59(6 ) = 263,54


Pero como suponemos que solo se puede producir en forma discreta, se
dirá que se estiman 263 unidades.
y el coeficiente de determinación sería:

r2 =
[11 (2 .815 ) − (0 )(1 .210 )]2
= 0,958
[11(110) − (0) [11(208.250) − (1.210) ]]
2 2

Lo anterior significa que el 96% de la variación total de la demanda se


explica por la variable “año”, y queda el 4% restante sin explicar. Así,
podemos decir que la demanda de este producto depende fuertemente de
la población, ya que la tasa de crecimiento se expresa como una función
anual.
También es posible calcular el error estandar de la estimación y, con esto,
determinar la desviación estandar para un valor específico de la variable
independiente

Se =
(208.500) − (110)(1.210) − (25,59(2.825)) = 18,60
11 − 2

Si se desea una predicción confiable en un 68%, el intervalo de


confianza seria yˆ ± (18,60 ) , ahora si se desea una confiabilidad
del 95% el intervalo es yˆ ± 2(18,60 ) , para un 99% de confianza
es necesario agrandar el intervalo a yˆ ± 3(18,60 ) .
Entonces se diría que existe un 95% de probabilidad de que la
demanda para el año 2001 se ubique en un rango de 98,39 a
172,79.
Ejemplo del análisis de Promedios
Móviles Simples
Supongamos la siguiente demanda estacional para un cierto producto:

Año Invierno Primavera Verano Otoño Total


1990 2 3 4 1 10
1991 5 6 7 2 20
1992 7 10 10 3 30
1993 10 17 16 2 45
1994 13 20 28 9 70
1995 19 34 34 3 90
1996 27 39 48 11 125
1997 26 44 58 22 150
1998 38 51 70 21 180
1999 44 67 81 28 220
2000 51 79 107 33 270
En base a los datos extraídos de la tabla anterior, podemos calcular los
promedios móviles para cada período de la siguiente manera:

2 + 3 + 4 +1
S1 = = 2,50
4
3 + 4 +1+ 5
S2 = = 3,25
4
Así, S1 se encuentra entre primavera y verano de 1990 y S2 entre verano y otoño
de ese mismo año, este procedimiento continúa hasta 2000. Con esto, es posible
calcular los promedios máviles centrados:

2,50 + 3,25
SC1 = = 2,88
2
Año Estación Demanda Si Sci IE
1990 invierno 2,0
prmavera 3,0
verano 4,0 2,50 2,88 1,39
otoño 1,0 3,25 3,63 0,28
Así se obtiene 1991 invierno
prmavera
5,0
6,0
4,00
4,75
4,38
4,88
1,14
1,23
verano 7,0 5,00 5,25 1,33
la siguiente 1992
otoño
invierno
2,0
7,0
5,50
6,50
6,00
6,88
0,33
1,02
tabla prmavera
verano
10,0
10,0
7,25
7,50
7,38
7,88
1,36
1,27
otoño 3,0 8,25 9,13 0,33
1993 invierno 10,0 10,00 10,75 0,93
prmavera 17,0 11,50 11,38 1,49
verano 16,0 11,25 11,63 1,38
otoño 2,0 12,00 12,38 0,16
1994 invierno 13,0 12,75 14,25 0,91
prmavera 20,0 15,75 16,63 1,20
verano 28,0 17,50 18,25 1,53
otoño 9,0 19,00 20,75 0,43
1995 invierno 19,0 22,50 23,25 0,82
prmavera 34,0 24,00 23,25 1,46
verano 34,0 22,50 23,50 1,45
otoño 3,0 24,50 25,13 0,12
1996 invierno 27,0 25,75 27,50 0,98
prmavera 39,0 29,25 30,25 1,29
verano 48,0 31,25 31,13 1,54
otoño 11,0 31,00 31,63 0,35
1997 invierno 26,0 32,25 33,25 0,78
prmavera 44,0 34,25 35,63 1,24
verano 56,0 37,00 38,50 1,45
otoño 22,0 40,00 40,88 0,54
1998 invierno 38,0 41,75 43,50 0,87
prmavera 51,0 45,25 45,13 1,13
verano 70,0 45,00 45,75 1,53
otoño 21,0 46,50 48,50 0,43
1999 invierno 44,0 50,50 51,88 0,85
prmavera 67,0 53,25 54,13 1,24
verano 81,0 55,00 55,88 1,45
otoño 28,0 56,75 58,25 0,48
2000 invierno 51,0 59,75 63,00 0,81
prmavera 79,0 66,25 66,88 1,18
verano 107,0 67,50
otoño 33,0
IE corresponde al índice estacional dado por la división entre la demanda
de un período por el Si del mismo período. Este factor permite aislar el
efecto estacional correspondiente a un trimestre o período sobre el cual se
realiza el análisis. Con esto se calculan los IE promedio para cada período:

Año Invierno Primavera Verano Otoño


1990 - - 1,38 0,28
1991 1,14 1,23 1,33 0,33
1992 1,02 1,36 1,27 0,33
1993 0,93 1,49 1,38 0,16
1994 0,91 1,2 1,53 0,43
1995 0,82 1,46 1,45 0,12
1996 0,98 1,29 1,54 0,35
1997 0,78 1,22 1,49 0,53
1998 0,87 1,13 1,53 0,43
1999 0,85 1,24 1,45 0,48
2000 0,81 1,18 - -
Promedio 0,9110 1,2800 1,4350 0,3440

La suma de los promedios debe ser igual a cuatro


por lo que se debe ajustar el índice por regla de
tres.
De esta forma podemos proyectar la demanda estacional para el año 2001.
Como se puede recordar, ésta se había proyectado en 263,540. Dado que
la estacionalidad se da en forma trimestral, este valor deberá dividirse en
cuatro.
263.540
= 65.885
4

así obtenemos:
Estación Conversión Estimación
Invierno 65,885 x 0,918 60,482
Primavera 65,885 x 1,289 84,926
Verano 65,885 x 1,446 95,270
Otoño 65,885 x 0,347 22,862
Total 2001 263,540
Tabla: Demanda estacional estimada para el año 2001