UNIVERSIDAD NACIONAL

MICAELA BASTIDAS DE APURIMAC

Facultad de Ingeniera Agroindustrial
Curso: Proyectos Agroindustriales

METODOS DE PROYECCIN

2017
Estudio de Mercado. Mtodos de Proyeccin
Es una estimacin del
comportamiento de una variable
en el futuro. Especficamente, se
Qu es una proyeccin? trata de estimar el valor de una
variable en el futuro a partir de la
informacin que se posee en el
presente.

Por qu es necesario hacer proyecciones?

En general los proyectos se ejecutan buscando rentabilidad
financiera del proyecto, luego es necesario saber cmo
evolucionar el mercado en el tiempo.
Mtodos Cuantitativos:
Se clasifican en:
a) Anlisis de series de tiempo
b) Mtodos Causales

a) Anlisis de series de tiempo

1. Mtodo Naive o Ingenuo: Es el mtodo mas sencillo de

pronostico. Su importancia radica en que es el mtodo de
referencia para saber la efectividad de los dems mtodos
de pronostico.
El pronostico para un periodo futuro es el valor observado de
cierto periodo anterior,
La ecuacin para obtener el pronostico es:

donde:
 Ejemplo: Proyectar la demanda de arndanos en IQF para el
ao 2017.

Demanda de arndanos en IQF

Ao
(ton/ao)

2010 7000

2011 6000

2012 7500

2013 6700

2014 6800

2015 7600

2016 7900

7900
2017
 2. Mtodo de Promedio Mvil: Es un procedimiento de clculo
sencillo que pertenece a la categora de pronsticos de Series
de Tiempo, es decir, que utiliza informacin histrica del
desempeo de la variable que se desea pronosticar para poder
generar un pronstico de la misma a futuro.
La funcin matemtica que permite obtener un pronstico
utilizando Media Mvil es:

donde:
Ft = Demanda pronosticada para el perodo t
At = Demanda real para el perodo t
n= Determina el nmero de perodos a promediar.
 Ejemplo: En la siguiente tabla se encuentran los datos de las
ventas de los ltimos cinco aos de una empresa del ramo de
alimentos, proyectar las ventas para el ao 2017.

Ventas por ao Ventas Proyectadas

Ao Error
(ton/ao) (ton/ao)

2009 4

2010 5

2011 4

2012 7 2.6667
4.3333
2013 8 2.6667
5.3333
2014 5 -1.3333
6.3333
2015 7 0.3333
6.6667
2016 7 0.3333
6.6667

2017 6.3333
 3. Mtodo de Suavizamiento Exponencial: A diferencia de
los promedios mviles, este mtodo pronostica otorgando una
ponderacin a los datos dependiendo del peso que tengan
dentro del clculo del pronstico. Esta ponderacin se lleva a
cabo a travs de otorgarle un valor a la constante de
suavizacin (), que puede ser mayor que cero y menor que
uno.

El mtodo de suavizacin exponencial supone que el proceso es

constante, al igual que el mtodo de promedios mviles.
Esta tcnica considera que las observaciones recientes tienen
ms valor, por lo que le otorga mayor peso dentro del promedio.
La ecuacin de suavizacin exponencial se presenta a
continuacin:

donde:
Ft + 1= Pronostico de la serie de tiempo para el periodo de t + 1
Yt = Valor real del periodo anterior al ao a pronosticar.
Ft = Valor real del periodo ante anterior al ao a pronosticar
= Constante de suaviacion (0 1).
 Ejemplo: En la siguiente tabla se encuentran los datos de las
ventas de los ltimos cinco aos de una empresa del ramo de
alimentos, proyectar las ventas para el ao 2017, con un =0,7.

Ventas por ao Ventas Proyectadas Porcentaje

Ao Error Abs error
(ton/ao) (ton/ao) (alfa=0,7) de error (%)

2009 4 4.333 -0.333 0.333 8%

2010 5 4.1 0.900 0.900 18%

2011 4 4.73 -0.730 0.730 18%

2012 7 4.219 2.781 2.781 40%

2013 8 6.166 1.834 1.834 23%

2014 5 7.450 -2.450 2.450 49%

2015 7 5.735 1.265 1.265 18%

2016 7 6.620 0.380 0.380 5%

6.886
2017 22%
b) Mtodos Causales

1. Mtodo de Regresin Lineal: Es un mtodo estadstico que

ayuda a predecir el comportamiento de una variable Dependiente
(Y) con respecto a una variable Independiente (X).
Las ecuaciones para la regresin lineal son las siguientes:

= +

donde:
= Valor estimado o pronosticado de la variable dependiente
X = Valor que asume la variable independiente
a = Punto en el que la recta corta al eje y
b = Pendiente de la recta
Los valores para a y b son determinados por las siguientes frmulas:

=
donde:
= Promedio de las y
X = Promedio de todas las x

)
=

donde:
y = Valores de x y y de cada punto de datos.
n = Nmero de punto de datos.
 Ejemplo: En la siguiente tabla se encuentran los datos de las
ventas de los ltimos cinco aos de una empresa del ramo de
alimentos, proyectar las ventas para el ao 2017. Intercepci Coeficientes
n 4 a
Variable X
1 0.416666667 b

Ventas por Ventas

Porcentaje de
Ao Ao ao Proyectadas Error Abs error
error (%)
(ton/ao) (ton/ao)

2009 1 4 4.417 -0.417 0.417 10%

2010 2 5 4.833 0.167 0.167 3%

2011 3 4 5.250 -1.250 1.250 31%

2012 4 7 5.667 1.333 1.333 19%

2013 5 8 6.083 1.917 1.917 24%

2014 6 5 6.500 -1.500 1.500 30%

2015 7 7 6.917 0.083 0.083 1%

2016 8 7 7.333 -0.333 0.333 5%

2017 9 7.750 15%

 2. Mtodo Regresin Logartmica Lineal: Este modelo de
regresin es una alternativa cuando el modelo lineal no logra un
coeficiente de determinacin apropiado, o cuando el fenmeno
en estudio tiene un comportamiento que puede considerarse
potencial o logartmico.
Las ecuaciones para la regresin lineal son las siguientes:

= +
donde:
= Valor estimado o pronosticado de la variable dependiente
X = Valor que asume la variable independiente
= Punto en el que la recta corta al eje y
= Pendiente de la recta
Los valores para y son determinados por las siguientes
frmulas:
+=
donde:
= Promedio de las y
X = Promedio de todas las x
)
=

donde:
y = Valores de x y y de cada punto de datos.
n = Nmero de punto de datos.
Ejemplo: En la siguiente tabla se encuentran los datos de las
ventas de los ltimos cinco aos de una empresa del ramo de
alimentos, proyectar las ventas para el ao 2017.Intercepcin Coeficientes
1.39558133 a

Variable X 1 0.07622183 b

Ventas ln Ventas Ventas

por ao Proyectad proyectad Porcentaj
Ao Ao ln Ventas Error Error Abs error
(ton/ao as as e de
) (ton/ao) (ton/ao) error (%)

2009 1 4 1.386 1.472 -0.086 4.357 -0.357 0.357 9%

2010 2 5 1.609 1.548 0.061 4.702 0.298 0.298 6%

2011 3 4 1.386 1.624 -0.238 5.075 -1.075 1.075 27%

2012 4 7 1.946 1.700 0.245 5.477 1.523 1.523 22%

2013 5 8 2.079 1.777 0.303 5.910 2.090 2.090 26%

2014 6 5 1.609 1.853 -0.243 6.378 -1.378 1.378 28%

2015 7 7 1.946 1.929 0.017 6.884 0.116 0.116 2%

2016 8 7 1.946 2.005 -0.059 7.429 -0.429 0.429 6%

2017 9 2.082 8.017 16%

El Error Porcentual Absoluto Medio (MAPE o Mean
Absolute Percentage Error): Es un indicador del
desempeo del pronostico de la demanda que mide el
tamao del error (absoluto) en trminos porcentuales.

% crecimiento promedio anual de la demanda = b *100

% crecimiento promedio anual de la demanda de

arndanos IQF = b *100
% crecimiento promedio anual = 7.6%