Tcnicas de proyeccin del Mercado

Profesor:
MG. ROBERTO ESPARZA S.

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

Los pronsticos son la base de la

planificacin corporativa a largo plazo,
ya que con ellos es posible
coordinar y controlar a toda La seleccin de la tcnica
la organizacin para que el
est influida por diversos factores:
sistema productivo pueda
La precisin deseada del pronstico
usarse de manera eficiente
y
El costo del procedimiento
para que el producto se
Los periodos futuros a proyectarse
entregue a tiempo
Validez y disponibilidad de datos
histricos
Se debe buscar:
Precisin y objetividad
Sensibilidad

La multiplicidad de alternativas metodolgicas existentes para estimar el comportamiento

futuro de alguna de alguna de las variables del proyecto, 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 de Proyeccin

Mtodos cualitativos o subjetivos.

Mtodos Causales.
Mtodos de Serie de Tiempo.

De esta forma tenemos que los mtodos de carcter subjetivo se basan principalmente 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

Delphi

Algunas desventajas

Paneles
Encuestas
Curvas logsticas
(curva S)

Escoger un grupo idneo de expertos

Ruido en la comunicacin
Sesgo en la coordinacin

Por otro lado estan los mtodos 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

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.

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

Los modelos causales de

uso ms frecuente son :
Modelo de Regresin
Modelo Economtrico
Mtodo de encuestas de
intenciones de compra
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 observacin de estas variables

se deriva un diagrama de dispersin
que indica la ralacin entre ambas

Anlisis de Regresin

y = a + b X

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

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, y, X es el valor especfico de la variable
independiente

Anlisis de Regresin

y = Variable dependiente
X = Perodo
a = Interseccin de Y
b = Pendiente
n_= _N de datos
X, y= Promedio

Como el modelo de regresin es un modelo estadstico, es posible determinar su grado de

presicin 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

y = Variable dependiente
X = Perodo
n = N de datos

n Xy X y
2
r

2
2
2
2
n X X n y y

Mientra 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.

Con los antecedentes disponibles es posible calcular el error estandar de una estimacin,
para determinar la desviacin estandar de la variable independiente y para un valor
especfico de la variable independiente X.

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

Se

a y b Xy
n2

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 estandares
ms pequeos de la estimacin.

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

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

Componentes bsicas de una serie de tiempo

Componente
cclico

Componente
de tendencia

Componente
estacional

Componente no
sistemtico

_Tiempo

Los modelos de series de tiempo ms usados son: Promedios de mviles simples,

Alisamiento Exponencial y Mtodo de descomposicin

Promedios de mviles
simples

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.

Xt, valor observado en el periodo t

St, valor pronosticado para el
periodo t

Esta tcnica tiene algunas limitaciones:

Requiere mucha informacin, No se adapta rpidamente al cambio

Promedios de mviles
simples
La exactitud del pronstico se evala buscando el error absoluto dado por:

Valor Medio:

1
e t ei
n i 1
1
et e i ei
n i 1
n

Desviacin
estndar:

1/ 2

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+ a (Xt-St)

0 a 1 ; t 2

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

 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 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 del anlisis de regresin

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

Ao
Demanda

1990

1991

1992

1993

1994

1995

1996

1997

1998

1999

2000

10

20

30

45

70

90

125

150

180

220

270

Ao = variable dependiente (y).

Demanda = variable independiente (X).

De esto podemos obtener la siguiente tabla:

Ao

Demanda

X* y

X2

y2

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

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

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

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

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

100
400
900
2025
4900
8100
15625
22500
32400
48400
72900
208250

Ahora, reemplazando estos datos en las ecuaciones de b y a,

podemos obtener lo siguiente:

112.815 0 1.210
11110 0

30.965

25,59
1.210

1.210
0
a
25,59 110
11
11
As, la ecuacin de regresin final es:

y ' 110 25,59 X

De esta forma podemos estimar la demanda, por ejemplo, para el ao

2001 (X=6) de la siguiente forma:

y 110 25,596 263,54

Pero como suponemos que solo se puede producir en forma discreta, se
dir que se estiman 263 unidades.
y el coeficiente de determinacin sera:
2

11
2
.
815

0
1
.
210
r2
0,958
2
2
11110 0 11208.250 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.

Tambin es posible calcular el error estandar de la estimacin y, con esto,

determinar la desviacin estandar para un valor especfico de la variable
independiente

Se

208.500 1101.210 25,592.825 18,60

11 2

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 218,60 , para un 99% de confianza
es necesario agrandar el intervalo a y 318,60 .
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 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

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

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:

SC1

2,50 3,25
2,88
2

Ao
1990

As se obtiene
la siguiente
tabla

1991

1992

1993

1994

1995

1996

1997

1998

1999

2000

Estacin
invierno
prmavera
verano
otoo
invierno
prmavera
verano
otoo
invierno
prmavera
verano
otoo
invierno
prmavera
verano
otoo
invierno
prmavera
verano
otoo
invierno
prmavera
verano
otoo
invierno
prmavera
verano
otoo
invierno
prmavera
verano
otoo
invierno
prmavera
verano
otoo
invierno
prmavera
verano
otoo
invierno
prmavera
verano
otoo

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
33,0

Si

Sci
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

IE
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

IE corresponde al ndice estacional dado por la divisin entre la demanda

de un perodo por el Si 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:
Ao
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000

Promedio

Invierno

Primavera

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

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

0,9110

1,2800

1,4350

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

0,3440

La suma de los promedios debe ser igual a cuatro

por lo que se debe ajustar el ndice por regla de
tres.

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

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

Tabla: Demanda estacional estimada para el ao 2001

Ejemplo del anlisis de Alisamiento

exponencial
Consideremos los siguientes como los datos de demanda global
del mercado:

Ao
Mercado Y

1997

1998

1999

2000

2001

2002

2003

2004

38

42

45

48

38

45

35

29

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 este cuadro podemos encontrar los resultados obtenidos al calcular el

promedio mvil sobre la base de 3 y 5 aos:
Ao
1997
1998
1999
2000
2001
2002
2003
2004
2005
Total

Mercado Y S3aos Y
38
42
45
48
38
45
35
29

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

S5aos Y

42
44
42
39

Y Y

(Y Y)2

2,80
8,60
13,20

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

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

Ahora, si este mismo ejemplo se resuelve con el mtodo de

alisamiento exponencial podriamos 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)

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

0 1 ; t 2

Y St+1 (Y St+1)2 St+1, =0.4 Y St+1

-2,00
2,60
4,81
6,37
-5,54
3,12
-7,81
-11,47

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

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

(Y St+1)2
4,00
268,96
725,55
776,66
93,51
247,54
183,28
68,87
2368,37

De esta forma, podemos apreciar que la proyeccin que utiliza un 0.30

es mejor que la de 0.40 ya que posee una menor desviacin tpica.

307.64
DT
6.20
8

y
DT

2368.37
17.21
8

Nota: se utiliz un valor inicial igual a 40 en

forma arbitraria.