Tcnicas de proyeccin del Mercado

Proyeccin de Demanda
Cada una de las tcnicas de proyeccin tiene una aplicacin de
carcter especial que hace de su seleccin un problema decisional
influido por diversos factores, como por ejemplo,
la validez y disponibilidad de los datos histricos,
la precisin deseada del pronstico,
el costo del procedimiento,
los beneficios del resultado,
los perodos futuros que se desea pronosticar, y
el tiempo disponible para hacer el estudio, entre otros

Proyeccin de Demanda

Los pronsticos son la base de la

planificacin corporativa a largo
plazo,
Con ellos es posible coordinar y
controlar a toda la organizacin
para que el sistema productivo
pueda usarse de manera eficiente y
para que el producto se entregue a
tiempo

Proyeccin de Demanda
Se debe
buscar:
Precisin

y
objetividad

Sensibilidad

La seleccin de la tcnica est influida por

diversos factores:

La precisin deseada del pronstico

El costo del procedimiento
Los periodos futuros a proyectarse
Validez y disponibilidad de datos histricos

Mtodos de Proyeccin
MTODOS
CUALITATIVOS
O SUBJETIVOS.

MTODOS
CAUSALES.
MTODOS DE
SERIE DE
TIEMPO.

Existe una variedad de alternativas

metodolgicas existentes para estimar el
comportamiento futuro de alguna de alguna
de las variables del proyecto,
Esto obliga al analista a tomar en
consideracin un conjunto de elementos de
cada mtodo, para poder seleccionar y
aplicar correctamente aquel que sea ms
adecuado para cada situacin en particular.

Mtodos cualitativos o subjetivos

Los mtodos
de carcter
subjetivo se
basan
principalmen
te en la
opinin de
expertos.

Se utiliza cuando el tiempo disponible es

escaso, cuando no existen los antecedentes
mnimos necesarios o cuando los datos
disponibles no son del todo confiables para
predecir algn comportamiento futuro

Mtodos cualitativos o subjetivos

Mtodos existentes

Delphi
Paneles
Encuestas
Curvas logsticas (curva S)

Algunas desventajas

Escoger un grupo idneo

de expertos
Ruido en la comunicacin
Sesgo en la coordinacin

Mtodos Causales

Los mtodos causales que parten del supuesto que el

grado de influencia de las variables que afectan al
comportamiento del mercado permanece estable,
A partir de lo cual, se procede a 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

Mtodos Causales

Proyeccin del mercado en base a antecedentes

cuantitativos, generalmente, datos histricos.
Buscar la causa del comportamiento de la variable a
proyectar relacionndola con variables explicativas.
Las variables explicativas son variables independientes,
que determinan en consecuencia las variables a proyectar.

Mtodos Causales
Se pueden
sealar tres
etapas para
el diseo de
un modelo de
proyeccin
causal:

a.

Identificacin de una o ms variables de las que

se presuma que influyen sobre la demanda, por
ejemplo, el PIB, nivel de renta etc.,

b.

Forma de la relacin que vincule estas variables

con el comportamiento del mercado, y

c.

La validacin del modelo de pronsticos, de

manera que satisfaga tanto el sentido comn
como las pruebas estadsticas

Mtodos Causales
Los modelos
causales de
uso ms
frecuente
son :

Modelo de Regresin
Modelo Economtrico
Mtodo de encuestas de intenciones de
compra
Modelo de insumo-producto

Anlisis de Regresin

Las causales explicativas se definen como variables

independientes y la cantidad demandada, u otro elemento
del mercado que se desea proyectar, se define como
variable dependiente.
La variable dependiente se explica, en consecuencia, por la
variable independiente.

Anlisis de Regresin
De la observacin de estas variables se deriva un diagrama de dispersin que indica la
relacin entre ambas

Y= a + b x
Y= Variable estimada
y = Variable dependiente
X = Perodo
a = Interseccin de Y
b = Pendiente

Anlisis de Regresin
Es una relacin funcional entre dos
variables correlacionadas, formando una
lnea recta, donde:
y es el valor estimado de la variable
dependiente para un valor especfico de
la variable independiente X,
a es el punto de interseccin de la lnea
de regresin con el eje Y,
b es la pendiente de la lnea de
regresin,
X es el valor especfico de la variable
independiente

Anlisis de Regresin

Como el modelo de regresin es un modelo estadstico, es

posible determinar su grado de precisin y confiabilidad de
los resultados de la regresin. Para esto es utilizado el
coeficiente de determinacin (r2), que indica que tan
correcto es el estimado de la ecuacin de regresin

Anlisis de Regresin
)
#
&#
&,2
+n Xy% X (% y (.
$
'$
'*
2
r =)
,)
,
+
#
&2 .+
#
&2 .
2
2
+n X % X ( .+n y % y ( .
$
' .+
$
' .
+
*
-*
-

Mientras ms alto sea r2,

ms confianza podr
tenerse en el estimado de la
lnea de regresin.
De forma ms concreta,
representa la proporcin de
la variacin total en Y, que
se explica por la ecuacin
de regresin, pudiendo
asumir un valor entre 0 y 1.

Anlisis de Regresin

Con los antecedentes disponibles es posible calcular el

error estndar de una estimacin, para determinar la
desviacin estndar de la variable independiente y para un
valor especfico de la variable independiente X.

Anlisis de Regresin

El error estndar de la
variable estimada y,
designado como Se, se
define como la desviacin
estndar de la regresin y
se calcula por medio de la
siguiente ecuacin:

Se =

2
y
a y bXy

n2

Anlisis de Regresin
Entonces, si suponemos que los trminos del error estn
normalmente distribuidos en torno a la lnea de regresin, la
mayor precisin se asocia con los errores estndares ms
pequeos de la estimacin.
La tendencia
La estacionalidad
El componente Cclico
La componente no sistemtica

Ejemplo del anlisis de regresin

Para que la prediccin sea confiable en un 95%, el

intervalo de confianza sera la demanda estimada
2(18,60).
De esta forma el error estndar, muestra el intervalo
confianza de la estimacin, y muestra la gama dentro de la
cual se puede predecir la variable con diferentes grados de
confianza estadstica

Ejemplo del anlisis de regresin

Supongamos que los
siguientes antecedentes
histricos de produccin y
ventas de un determinado
producto son:

Donde:
Ao = variable
dependiente (y).
Demanda = variable
independiente (X).

Ao

1990

1991

1992

1993

1994

1995

1996

1997

1998

Demanda

10

20

30

45

70

90

125

150

180

Ejemplo del anlisis de regresin

De esta forma podemos generar la tabla siguiente:
Ao
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
Total

X
-5
-4
-3
-2
-1
0
1
2
3
4
5
0

Y
10
20
30
45
70
90
125
150
180
220
270
1210

XY
-50
-80
-90
-90
-70
0
125
300
540
880
1350
2815

X2
25
16
9
4
1
0
1
4
9
16
25
110

Y2
100
400
900
2.025
4.900
8.100
15.625
22.500
32.400
48.400
72.900
208.250

Ejemplo del anlisis de regresin

Reemplazando estos datos en las
ecuaciones de b y a,
b=

) ( ) ( ) = 30.965 = 25,59
1.210
11 (110) (0)

11 2.815 0 1.210
2

"0%
1.210
a=
25,59$ ' = 110
11
# 11 &

As, la ecuacin de regresin final es:

y' = 110 +25,59X

Ejemplo del anlisis de regresin

De esta forma podemos
estimar la demanda,
Por ejemplo, para el ao
2001 (X=6) de la siguiente
forma:
y = 110 +25,59 6 = 263,54

()

Pero como suponemos

que solo se puede
producir en forma
discreta, se dir que se
estiman 263 unidades.

Ejemplo del anlisis de regresin

Y el coeficiente de
determinacin sera:

"11 2.815 0 1.210 $

#
%
2
r =
= 0,958
2"
2 $$
"
&11 110 0 &11 208.250 1.210 ''
#
%%
#

( ) ( )( )
( ) () (
) (

Lo anterior significa que el

96% de la variacin total de
la demanda se explica por la
variable ao, y queda el
4% restante sin explicar.
As, podemos decir que la
demanda de este producto
depende fuertemente de la
poblacin, ya que la tasa de
crecimiento se expresa
como una funcin anual.

Ejemplo del anlisis de regresin

Tambin es posible
calcular el error estndar
de la estimacin y, con
esto, determinar la
desviacin estndar para
un valor especfico de la
variable independiente

Se =

(208.500) (110) (1.210) (25,59(2.825)) = 18,60

112

Ejemplo del anlisis de regresin

Si#se#desea#una#prediccin#confiable#en#un#68%,#el#intervalo#de#confianza#seria
y 18,60

ahora%si%se%desea%una%confiabilidad%del%95%%el%intervalo%es
y 2 18,60

para$un$99%$de$confianza$es$necesario$agrandar$el$intervalo$a
y 3 18,60

Entonces se dira que existe un 95% de probabilidad de que la demanda para el

ao 2001 se ubique en un rango de 98,39 a 172,79.

Ejemplo del anlisis de regresin

Ejemplo del anlisis de regresin

Ejemplo del anlisis de regresin

Ejemplo del anlisis de regresin

Ejemplo del anlisis de regresin

Ejemplo del anlisis de regresin

Mtodos de Serie de Tiempo

Los modelos de Series de Tiempo se refieren a la medicin

de una variable en el tiempo a intervalos espaciados
uniformemente.
El objetivo de la identificacin de la informacin histrica
es determinar un patrn bsico en su comportamiento, que
permita la proyeccin futura de la variable deseada.

Mtodos de Serie de Tiempo

En una serie histrica de datos existen cuatro patrones
bsicos que pueden o no presentarse en dicha serie:
La tendencia
La estacionalidad
El componente Cclico
La componente no sistemtica

Mtodos de Serie de Tiempo

Existen cuatro componentes de una serie de tiempo

cronolgica.
En el corto plazo se distinguen fluctuaciones estacionales y
variaciones no sistemticas.
A largo plazo, los componentes estacionales y aleatorios
son menos relevantes que el componente cclico y la
tendencia.

Mtodos de Serie de Tiempo

Mtodos de Serie de Tiempo

Los modelos de series de tiempo ms usados son:
Promedios de mviles simples;
Alisamiento Exponencial;
Mtodo de descomposicin

Promedios de mviles simples

t1

St =

i=tn

Xt, valor observado en el periodo t

St, valor pronosticado para el periodo t

Es una tcnica que se utiliza

en pronsticos a corto plazo.
Es un mtodo no estadstico
que requiere de una serie
histrica para obtener el valor
a pronosticar.

Promedios de mviles simples

Esta tcnica tiene algunas
limitaciones:
Requiere mucha
informacin,
No se adapta rpidamente
al cambio
La exactitud del pronstico se
evala buscando el error
absoluto dado por:

Valor Medio:

1 n
et = ei
n i=1
Desviacin
estndar:

$1 n
e = & ei ei
t
&% n i=1

1/2

'
)
)(

Alisamiento Exponencial

En el Alisamiento Exponencial, cada vez que se aade un

nuevo dato, se elimina la observacin ms antigua y se
calcula el nuevo pronstico.
Por otra parte ,considera vlida la premisa de que la
importancia de los datos disminuye mientras ms antiguos
sean.

Alisamiento Exponencial
St+1= St+ (Xt-St)

01 ; t2

El nombre se debe a que cada incremento del pasado se

reduce en (1-) .
Para realizar el pronstico slo se necesitan tres datos: el
pronstico ms reciente, la demanda que se present para
ese perodo y una constante de suavizamiento .

Alisamiento Exponencial

tiene un valor entre 0 y 1.

Esta constante determina el nivel de suavizamiento y la velocidad de
reaccin ante las diferencias entre pronsticos y hechos.
Si la demanda real es estable, un a pequeo reduce los efectos de
cambios a corto plazo.
Si la demanda real aumenta o decrece con rapidez un de gran
magnitud puede seguir el ritmo de los cambios.
La principal desventaja de este mtodo es que no se puede pronosticar
el valor de .

Alisamiento Exponencial

S2= X1 (clculo del primer pronstico)

et = (Xt - St) :error del pronstico
St+1 : es el pronstico hecho en el perodo t, para el perodo
t+1.

Ejemplo - Promedios Mviles Simples

Supongamos la siguiente demanda estacional para un

cierto producto:
Ao
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000

Invierno
2
5
7
10
13
19
27
26
38
44
51

Primavera
3
6
10
17
20
34
39
44
51
67
79

Verano
4
7
10
16
28
34
48
58
70
81
107

Otoo
1
2
3
2
9
3
11
22
21
28
33

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

Ejemplo - Promedios Mviles Simples

En base a los datos extrados de la tabla anterior, podemos

calcular los promedios mviles para cada perodo de la
siguiente manera:

2+3+ 4 +1
S1 =
= 2,50
4
3+ 4 +1+5
S2 =
= 3,25
4

Ejemplo - Promedios Mviles Simples

As, S1 se encuentra entre primavera y verano de 1990 y S2

entre verano y otoo de ese mismo ao, este
procedimiento contina hasta 2000.
Con esto, es posible calcular los promedios mviles
centrados:

2,50+3,25
SC1 =
= 2,88
2

Ao
1990

As se obtiene la
siguiente tabla

1991

1992

1993

1994

1995

1996

1997

1998

1999

2000

ESTACIN
invierno
primavera
verano
otoo
invierno
primavera
verano
otoo
invierno
primavera
verano
otoo
invierno
primavera
verano
otoo
invierno
primavera
verano
otoo
invierno
primavera
verano
otoo
invierno
primavera
verano
otoo
invierno
primavera
verano
otoo
invierno
primavera
verano
otoo
invierno
primavera
verano
otoo
invierno
primavera
verano

DEMANDA
2,0
3,0
4,0
1,0
5,0
6,0
7,0
2,0
7,0
10,0
10,0
3,0
10,0
17,0
16,0
2,0
13,0
20,0
28,0
9,0
19,0
34,0
34,0
3,0
27,0
39,0
48,0
11,0
26,0
44,0
56,0
22,0
38,0
51,0
70,0
21,0
44,0
67,0
81,0
28,0
51,0
79,0
107,0

Si

Sci

IE

2,50
3,25
4,00
4,75
5,00
5,50
6,50
7,25
7,50
8,25
10,00
11,50
11,25
12,00
12,75
15,75
17,50
19,00
22,50
24,00
22,50
24,50
25,75
29,25
31,25
31,00
32,25
34,25
37,00
40,00
41,75
45,25
45,00
46,50
50,50
53,25
55,00
56,75
59,75
66,25
67,50

2,88
3,63
4,38
4,88
5,25
6,00
6,88
7,38
7,88
9,13
10,75
11,38
11,63
12,38
14,25
16,63
18,25
20,75
23,25
23,25
23,50
25,13
27,50
30,25
31,13
31,63
33,25
35,63
38,50
40,88
43,50
45,13
45,75
48,50
51,88
54,13
55,88
58,25
63,00
66,88

1,39
0,28
1,14
1,23
1,33
0,33
1,02
1,36
1,27
0,33
0,93
1,49
1,38
0,16
0,91
1,20
1,53
0,43
0,82
1,46
1,45
0,12
0,98
1,29
1,54
0,35
0,78
1,24
1,45
0,54
0,87
1,13
1,53
0,43
0,85
1,24
1,45
0,48
0,81
1,18

Ejemplo - Promedios Mviles Simples

IE corresponde al ndice estacional dado por la divisin

entre la demanda de un perodo por el SCi del mismo
perodo.
Este factor permite aislar el efecto estacional
correspondiente a un trimestre o perodo sobre el cual se
realiza el anlisis.
Con esto se calculan los IE promedio para cada perodo:

Ejemplo - Promedios Mviles Simples

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

Promedio

Invierno

Primavera

Verano

Otoo

1,14
1,02
0,93
0,91
0,82
0,98
0,78
0,87
0,85
0,81

1,23
1,36
1,49
1,2
1,46
1,29
1,22
1,13
1,24
1,18

1,38
1,33
1,27
1,38
1,53
1,45
1,54
1,49
1,53
1,45
-

0,28
0,33
0,33
0,16
0,43
0,12
0,35
0,53
0,43
0,48
-

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
ndice por regla
de tres.

Ejemplo - Promedios Mviles Simples

De esta forma podemos proyectar la demanda estacional

para el ao 2001.
Como se puede recordar, sta se haba proyectado en
263,540. Dado que la estacionalidad se da en forma
trimestral, este valor deber dividirse en cuatro.

263.540
= 65.885
4

Ejemplo - Promedios Mviles Simples

as obtenemos:
Estacin
Invierno
Primavera
Verano
Otoo
Total 2001

Conversin
65,885 x 0,918
65,885 x 1,289
65,885 x 1,446
65,885 x 0,347

Estimacin
60,482
84,926
95,270
22,862
263,540

Ejemplo - Alisamiento exponencial

Consideremos los siguientes como los datos de demanda

global del mercado:

Ao
Mercado Y

1997
38

1998
42

1999
45

2000
48

2001
38

2002
45

2003
35

2004
29

Ejemplo - Alisamiento exponencial

Si, por ejemplo, se calcula el promedio mvil para proyectar

la demanda del mercado para el aop 2005, con base en
tres y cinco aos, se tiene:
En el cuadro siguiente podemos encontrar los resultados
obtenidos al calcular el promedio mvil sobre la base de 3
y 5 aos:

Ejemplo - Alisamiento exponencial

Ao
1997
1998
1999
2000
2001
2002
2003
2004
2005
Total

Mercado*Y
38
42
45
48
38
45
35
29

S*3*aos

42
45
44
44
39
36

Y/Y'

6,33
/7,00
1,33
/8,67
/10,33

(Y/Y')2

40,11
49,00
1,78
75,11
106,78
272,78

S*5*aos

42
44
42
39

Y/Y'

2,80
8,60
13,20

(Y/Y')2

7,84
73,96
174,24
256,04

Ejemplo - Alisamiento exponencial

En este caso, para determinar

cual es la mejor estimacin, es
necesario averiguar cual posee
la menor desviacin.
As, al calcular la desviacin
tpica de ambas proyecciones
se aprecia que aquella con
base en tres aos es mejor que
la del promedio mvil con cinco
aos, ya que muestra la menor
desviacin.

DT =

272.78
= 7.39
5

DT =

256.04
= 9.24
3

Ejemplo - Alisamiento exponencial

Ahora, si este mismo

ejemplo se resuelve con
el mtodo de alisamiento
exponencial podramos
tener los siguientes
resultados.

Utilizaremos el mtodo de
alisamiento exponencial
para dos casos (=0,30 y
=0,40) aplicando la
expresin:
St+1= St+ (Xt-St)
donde 01 ; t2

Ejemplo - Alisamiento exponencial

Ao
1997
1998
1999
2000
2001
2002
2003
2004
2005
Total

Mercado*Y St+1,*=0,3
38
42
45
48
38
45
35
29

40,00
39,40
40,18
41,63
43,54
41,88
42,81
40,47
37,03

Y**St+1
>2,00
2,60
4,81
6,37
>5,54
3,12
>7,81
>11,47

(Y**St+1)2 St+1,*=0.4
4,00
6,76
23,23
40,63
30,67
9,75
61,05
131,55
307,65

40,00
25,60
18,06
20,13
28,33
29,27
21,46
37,30
75,00

Y**St+1

(Y**St+1)2

>2,00
16,40
26,94
27,87
9,67
15,73
13,54
>8,30

4,00
268,96
725,55
776,66
93,51
247,54
183,28
68,87
2.368,37