P. 1
Proyects_German_Arboleda

Proyects_German_Arboleda

3.8

|Views: 13.927|Likes:
Publicado porEdwin J. Ortega

More info:

Published by: Edwin J. Ortega on Sep 15, 2012
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

02/08/2016

pdf

text

original

Sections

La teoría de la demanda busca explicar el comportamiento de los
consumidores y la manera como gastan su dinero entre los dife-
rentes bienes y servicios ofrecidos a su disposición.

La demanda de un artículo o servicio está definida fundamen-

talmente por:

• Las necesidades sentidas. Pueden ser de origen físico o social.

• El poder adquisitivo. Es decir, la capacidad de compra que tiene
un determinado grupo de consumidores para satisfacer necesi-
dades específicas.

• Las posibilidades de compra. Se refiere a que tan fácil es encon-
trar el bien o servicio.

• El tiempo de consumo. Esto es, el tiempo que requiere el consu-
midor para consumir y utilizar los bienes y servicios que ad-
quiere.

• Las condiciones ambientales del consumo. Están constituidas
para las normas y reglamentos que regulan el consumo y por
los aspectos que se derivan de la educación, la estructura de la
sociedad, las condiciones climáticas y las características pro-
pias de la región.

Desde un punto de vista matemático puede decirse que la
demanda de un artículo o servicio x, denominada Q

x, es una fun-

ción de diversas variables, así:

Q

x = f(p

x , Y, p

r , U)

(3.23)

Donde:

Q

x

=Demanda del bien o servicio x

p

x

=Precio del artículo o servicio x

Y

=Nivel de ingresos o renta del consumidor, percápita

p

r

=Precio de los bienes o servicios relacionados con el bien
o el servicio x (sustitutos o complementarios)

U

=Preferencias del consumidor u otros factores que afec-
tan el consumo pero que no pueden separarse o identi-
ficarse.

La teoría económica establece que al subir el precio de un bien
o servicio disminuye la cantidad demandada del mismo, si las
demás variables permanecen constantes; es decir, la relación fun-
cional entre la cantidad demandada, q, y el precio, p, de un bien o
servicio es inversa, tal como se esquematiza en la Figura 3.19.

Igualmente, establece que al aumentar el nivel de ingreso o
renta del consumidor, Y, aumenta la cantidad demandada del bien
o servicio, Q; es decir, la relación funcional entre estas dos varia-
bles es directa, tal como se indica en la Figura 3.20.

Figura 3.19 Relación funcional entre la cantidad deman-
dada y el precio de un bien o servicio

En la mayoría de los estudios económicos relacionados con la
demanda de un bien o servicio se busca obtener los modelos mate-
máticos que mejor reflejan las relaciones funcionales antes descri-
tas, esto es:

q = f (p)

Q= f (Y)

Q = f (p, Y)

Figura 3.20 Relación funcional entre la cantidad deman-
dada y el ingreso o renta del consumidor

84

PARTE 2: FORMULACIÓN DE PROYECTOS

1. COEFICIENTES DE ELASTICIDAD

Los coeficientes de elasticidad se definen como la relación entre el
cambio relativo de la cantidad demandada y el cambio relativo en el
ingreso o precio; es decir:

ElasticidadCambio relativo en la cantidad demandada
Cambio relativo en el ingreso o precio

=

Generalmente se consideran el coeficiente de elasticidad precio
de la demanda, e, y el coeficiente de elasticidad ingreso de la de-
manda, E.

Los coeficientes de elasticidad fueron introducidos en la cien-
cia económica por Alfred Marshall en 1898.

Coeficiente de elasticidad precio de la
demanda, e

Si se consideran dos puntos cercanos sobre la curva de la demanda
en función del precio, tal como se indica en la Figura 3.19, se define
como coeficiente de elasticidad arco precio de la demanda la si-
guiente relación:

(3.24)

q

p

p

q

p

p

q

q

e

=

=

La expresión (3.24) se denomina fórmula de porcentajes. Para
aplicarla se requiere conocer dos puntos sobre la curva de la de-
manda en función del precio, que estén relativamente cercanos.

Ejemplo 3.11

Para un determinado artículo se conocen los siguientes dos valores
de la cantidad demandada en función del precio:

Punto

A

B

Precio, p

$5

$8

Cantidad demandada, q

12.000

9.800

Calcular el coeficiente de elasticidad arco precio de la demanda
empleando la fórmula de porcentajes cuando la variación es de A a
B y cuando es de B a A.

Además, calcularlo mediante aplicación de la fórmula de por-
centajes con promedio de cantidades y de precios.

306
,
0

5

5

8

000
.
12

000
.
12

800
.
9

A

p

A

p

B

p

A

q

A

q

B

q

B

A

e

=

=

=

599
,
0

8

8

5

800
.
9

800
.
9

000
.
12

B

p

B

p

A

p

B

q

B

q

A

q

A

B

e

=

=

=

Los dos resultados anteriores indican que al aplicar la fórmula de
los porcentajes para el cálculo del coeficiente de elasticidad arco, el
resultado depende de la dirección en que se vaya sobre la curva de
la demanda. Para obviar lo anterior se utiliza la fórmula de porcen-
tajes con promedio de cantidades y de precios, así:

e

q

B

q

A

q

B

q

A

p

B

p

A

p

B

p

A

=

+

+

(3.25)

437
,
0

5

8

5

8

000
.
12

800
.
9

000
.
12

800
.
9

e

=

+

+

=

El coeficiente de elasticidad arco es una aproximación del coefi-
ciente de elasticidad. Este último corresponde a un punto de la
curva de la demanda y se calcula a partir del primero tomando el
límite cuando ∆p → 0. Es decir:

e

Lim

q

p

p

q

e

dq

dp

p

q

=

= ⋅


0

(3.26)

p

variable

la

a

respecto

con

q

función

la

de

derivada

la

es

dp

dq

Para poder aplicar la expresión (3.26) es requisito indispensa-
ble conocer la función matemática q = f(p).

Ejemplo 3.12

La demanda de un cierto producto, en función del precio, está
expresada por:

q = 500/ (3p-5)

Calcular el valor del coeficiente de elasticidad precio de la de-
manda en el punto correspondiente a p = 10 dólares.

Solución:

85

3 - ESTUDIO DEL MERCADO

Determinar el coeficiente de elasticidad arco ingreso de la de-
manda aplicando la fórmula de porcentajes (de A a B y de B a A)
y la fórmula de porcentajes con promedio de cantidades y de
ingresos.

Solución:

E

AB

Q

B

Q

A

Q

A

Y

B

Y

A

Y

A

→ =

− =

=

7200050000

50000

1380010000

10000

116

.

.

.

.

.

.

,

E

BA

Q

A

Q

B

Q

B

Y

A

Y

B

Y

B

→ =

− =

=

5000072000

72000
1000013800

13800

110

.

.

.

.

.

.

,

Se concluye que el resultado depende de la dirección en que ocurra
la variación sobre la curva de la demanda. Para obviar lo anterior se
utiliza la fórmula de porcentajes con promedio de cantidades y de
ingresos, así:

E

Q

B

Q

A

Q

B

Q

A

Y

B

Y

A

Y

B

Y

A

(3.28)

=

+

+

E =

+

+

=

7200050000

7200050000

1380010000

1380010000

113

.

.

.

.

.

.

.

.

,

El coeficiente de elasticidad arco es una aproximación del coefi-
ciente de elasticidad ingreso de la demanda. Este no es más que el
límite del coeficiente de elasticidad arco cuando ∆Y →→→→→ 0. Es decir:

Q

Y

Y

Q

0

Y

E

Lim ⋅

=

E

dQ

dY

Y

Q

= ⋅ (3.29)

Solución:

[ ]

edq
dp

p

q

q

p

p

dq

dp

p

dq

dp

e

= ⋅

=

=

− −

= −

=

=

= −

= −

= −

= −

500

3

5

5003

51

1500

3

52

20

1500

310

52

24

241020

12

(

)

.

(

)

.

()

,

,()/

,

Para p 10 d

q=

500

3(10)-5

Por lo tanto:

ólares

Coeficiente de elasticidad ingreso de la
demanda, E

Si se consideran dos puntos cercanos sobre la curva de la demanda
en función del ingreso, como se muestra en la Figura 3.20, se
define como coeficiente de elasticidad arco ingreso de la demanda
la siguiente relación:

(3.27)

Q

Y

Y

Q

Y

Y

Q

Q

E

=

=

Esta expresión se denomina fórmula de porcentajes. Para apli-
carla se requiere conocer dos puntos sobre la curva de la demanda
en función del ingreso, que estén relativamente cercanos.

Ejemplo 3.13

La demanda en el mercado de un artículo ha sido:

Punto

A

B

Ingreso por habitante, Y

$10.000

$13.800

Cantidad demandada, Q

50.000

72.000

86

PARTE 2: FORMULACIÓN DE PROYECTOS

dQ

dY es la derivada de la función Q con respecto a la variable Y.

Ejemplo 3.14

La demanda de un cierto artículo, en función del ingreso, está dada
por la expresión :

Q = 150,8 Y1,32

Determinar el coeficiente de elasticidad ingreso de la demanda
en el punto Y = 1.000 dólares.

Solución:

32
,1

35
,
312
.
375

1

)
000
.

1(

41
,
815
.
1

E

35
,
312
.
375

1

32
,1

)
000
.

1(

8,
150

Q

41
,
815
.
1

32
,
0
)
000
.

1(
056
,
199

dY

dQ

d

000
.
1

Y

Para

32
,
0

Y

056
,
199

32
,
0

Y)
32
,1(

8,
150

dY

dQ

32
,
1

Y

8,
150

Q

Q

Y

dY

dQ

E

ólares

=

=

=

=

=

=

=

=

=

=

=

Coeficiente de elasticidad cruzada

La demanda de un producto está determinada no sólo por su
precio, sino también por el precio de productos complementarios
o sucedáneos (sustitutivos). Esto da lugar al denominado coefi-
ciente de elasticidad cruzada, C

AB:

C

AB

C

AB

Q

A

Q

A

Q

A

Q

A

P

B

P

B

P

B

P

B

=

=

+

÷ −
+

Variación relativa de la demanda del producto A

Variacion relativa del precio del producto B

(3.30)

2

1

2

1

2

1

2

1

Análisis:

Si C

AB > 0 : el producto B es un sucedáneo de A

Si C

AB < 0 : el producto B es complementario de A

Si C

AB = 0 : no hay elasticidad cruzada entre A y B

Ejemplo 3.15

En cada uno de los siguientes tres casos determinar el coeficiente
de elasticidad cruzada y analizar el resultado:

Valor 1Valor 2

(1)Precio de la gasolina ($/galón)

200

250

Demanda de automóviles (miles)

5

4

(2)Precio de las máquinas eléctricas de

afeitar ($)

5.000

8.000

Demanda de hojas de afeitar (miles)

120

160

(3)Precio de la leche ($/litro)

100

120

Demanda de zapatos (millones)

5

5

Solución:

Caso 1:

4-5

5+4
250-200

250+200

=

= − <

1

9
50

450

100
,

La demanda de automóviles es complementaria o depende positi-
vamente del precio de la gasolina.

0

0,62

=

000
.

13

000
.
3

280

40

000
.
5

000
.
8

000
.
5

000
.
8

120

160

120

-

160

:

2

Caso

>

=

+

+

Las hojas de afeitar son un sustituto o sucedáneo sensible de las
máquinas de afeitar eléctricas.

Caso 3:

5-5

5+5
120-100

120+100

0

10
20

220

0

= =

No existe elasticidad cruzada entre la leche y los zapatos

2. MODELOS ECONOMÉTRICOS DE LA
DEMANDA

Si en el análisis de la demanda se obtiene que el coeficiente de
elasticidad permanece constante a lo largo de toda la curva de la
demanda, se pueden aplicar los siguientes modelos :

q = f(p): q = kpe

(3.31)

Q = f(Y) :

Q=KYE

(3.32)

Q = f(p,Y) :Q=T pe

YE

(3.33)

87

3 - ESTUDIO DEL MERCADO

p

q

log p

log q

(log p) (log q)

(log p)2

(log q)2

1,00

1.120

0,000000

3,049218

0,000000

0,000000

9,297731

1,10

1.000

0,041393

3,000000

0,124178

0,001713

9,000000

1,20

880

0,079181

2,944483

0,233148

0,006270

8,669978

1,35

750

0,130334

2,875061

0,374718

0,016987

8,265977

1,40

720

0,146129

2,857332

0,417536

0,021353

8,164349

1,50

680

0,176091

2,832509

0,498780

0,031008

8,023107

1,60

600

0,204120

2,778151

0,567076

0,041665

7,718124

ΣΣΣΣΣ

0,777248

20,336754

2,215436

0,118996

59,139266

k, K, T, e, y E son constantes, cuyos valores se pueden obtener
mediante aplicación del método de los mínimos cuadrados, tal
como se explica con los ejemplos que se presentan a continuación.

Ejemplo 3.16

El estudio de la demanda, q, de un producto en función del precio,
p, proporciona la siguiente información:

Precio, p
(Dólares de hoy)1,001,101,201,351,401,501,60

Cantidad
demandada, q

1.1201.000880750720680600

Ajustar la información anterior a una expresión de la forma

q = kpe

, en donde e es el coeficiente de elasticidad precio de la
demanda. Comentar la bondad del ajuste. Calcular la demanda
esperada cuando el precio sea de 2 dólares.

Solución:

q = kpe

. Al tomar logaritmos a ambos lados de la expresión se

tiene:

log q = log K + e log p (función lineal en escala logarítmica tanto de
abscisas como de ordenadas).

Si al elaborar el diagrama de dispersión de los puntos (p, q) en
un papel especial, con abscisas y ordenadas en escala logarítmica,
se visualiza el ajuste a una línea recta, se puede concluir que efec-
tivamente los datos se ajustan al modelo q = kpe

, de lo contrario

habrá que descartar la utilización del modelo.

Otra forma de operar, completamente analítica, es mediante el
cálculo del coeficiente de correlación, r, asociado con el modelo. Si
el valor absoluto de dicho coeficiente se encuentra cercano a la
unidad el ajuste de los datos al modelo es satisfactorio, y más lo
será entre más cercano se encuentre a 1. En la Figura 3.21 se
presenta el diagrama de dispersión, en papel logarítmico. Un mé-
todo apropiado para ajustar unos datos a un modelo matemático
es el método de los mínimos cuadrados.

Para el modelo anterior las ecuaciones normales de mínimos

cuadrados son:

log

log

log

q

N

N

ke

p

N

1

1

=

+

(log)(log)log

log

(log)

p

q

N

k

p

N

e

p

N

=

+

1

1

2

1

N = Número de observaciones

Al reemplazar en las ecuaciones normales de mínimos cuadrados
con los datos de la parte inferior de la página se obtiene:

20,336754=7 log k + 0,777248 e

2,215436

=0,777248 log k + 0,118996 e

Las solución de este sistema de ecuaciones es:

log k = 3,050141. O sea, k = 10 3,050141

= 1.122,38

e = - 1,30 (este valor corresponde al coeficiente de elasticidad
precio de la demanda).

La información se ajusta a la expresión:

q = 1.122,38 p -1,30

Para decidir acerca de la bondad del ajuste es necesario conocer el
coeficiente de correlación, r. Para el modelo en estudio :

004671
,
0

2

7

777248
,
0

7

118996
,
0

S2

p

log

2

N

p

log

N

2

)

p

(log

S2

p

log

q

log

S

p

log

S

e

r

=

=

=

=

88

PARTE 2: FORMULACIÓN DE PROYECTOS

089363
,
0

q

log

S

2

N

q

log

N

2
)

q

(log

S2

q

log

068342
,
0

p

log

S

007986
,
0

2

7

336754
,
20

7

139266
,
59

S2

q

log

=

=

=

=

=

994
,
0

r

;

994
,
0

r

089363
,
0

0,068342

1,30

-

=

r

=

=

Como el valor absoluto de r está muy próximo a 1, se puede
concluir que en realidad la información dada se ajusta muy bien a la
expresión q = kpe

y que el coeficiente de elasticidad precio de la
demanda, e = -1,30, permanece constante a lo largo de la curva de
la demanda. La Figura 3.21 muestra la curva de ajuste.

En el cuadro siguiente se comparan los valores q observados y
calculados, según la expresión de ajuste:

p

q observado

q calculado
q = 1.122,38 p-1,30

1,00

1.120

1.122

1,10

1.000

992

1,20

880

886

1,35

750

760

1,40

720

725

1,50

680

663

1,60

600

609

Cuando el precio sea de 2 dólares la demanda esperada será de:

q = 1.122,38 (2,00) -1,30

= 456 unidades

Ejemplo 3.17

La información siguiente muestra la cantidad de libros y revistas
de colección que cada habitante, con edad superior a 20 años,
adquirió por año, relacionada con el respectivo ingreso mensual
por habitante, con edad superior a 20 años.

1

10

100

1.000

10.000

1,00

10,00

Cantidad demandada
(Unidades)

Precio (dólares)

89

3 - ESTUDIO DEL MERCADO

Y

Q

logY

logQ

(logY)(logQ)

(logY)2

(logQ)2

700

290

2,845098

2,462398

7,005764

8,094583

6,063404

810

470

2,908485

2,672098

7,771757

8,459285

7,140107

900

530

2,954243

2,724276

8,048172

8,727549

7,421679

1020

650

3,008600

2,812913

8,462932

9,051675

7,912482

1125

720

3,051153

2,857332

8,718157

9,309532

8,164349

ΣΣΣΣΣ

14,767579

13,529017

40,006782

43,642624

36,702021

Ingreso mensual por habitante

Cantidad Q

(Dólares de hoy)

(Libros y revistas por año)

700

290

810

470

900

530

1.020

650

1.125

720

Ajustar la información anterior a una expresión de la forma

Q = K Y E

, en donde E es el coeficiente de elasticidad ingreso de
la demanda. Comentar la bondad del ajuste. Calcular la deman-
da esperada de libros y revistas de colección cuando el ingreso
sea de 1.500 dólares.

Solución:

Q = K Y E

Al tomar logaritmos a ambos lados de la expresión se tiene:

log Q =log K + E log Y (función lineal en escala logarítmica tanto
de abscisas como de ordenadas)

Al igual que en el ejemplo anterior, para determinar si los datos
se ajustan al modelo se puede elaborar el diagrama de dispersión, o
nube de puntos, o se calcula el coeficiente de correlación r. En la
Figura 3.21 se muestra el diagrama de dispersión.

Para el ajuste se emplea el método de los mínimos cuadrados.
Para el modelo lineal anterior las ecuaciones normales de mínimos
cuadrados son:

ΣΣΣΣΣ log Q = N log K + E ΣΣΣΣΣ log Y
Σ
Σ

Σ
Σ
Σ (log Y) (log Q) = log K Σ
Σ

Σ
Σ
Σ log Y + E ΣΣΣΣΣ (log Y)2

N = Número de observaciones

Al reemplazar en las ecuaciones normales de mínimos cuadrados
con los datos de la parte inferior de la página se obtiene:

13,529017 = 5 log K + 14,767579 E

40,006782 = 14,767579 log K + 43,642624

La solución de este sistema de ecuaciones es:

log K = -2,744328. O sea, K = 10-2,744328

= 0,0018

E = 1,85. Este valor corresponde al coeficiente de elasticidad in-
greso de la demanda.

La información se ajusta a la expresión:

Q = 0,0018 Y 1,85

Para decidir acerca de la bondad del ajuste es necesario conocer
el coeficiente de correlación, r. Para el modelo en estudio:

0,97

0,137957

0,072589

x

1,85

r

0,137957

Q

log

S

0,01902

2

5

13,529017

5

36,702021

2

Q

log

S

2

N

logQ

N

2

(logQ)

2

Q

log

S

0,072589

Y

log

S

0,005269

2

5

14,767579

5

43,642624

2

Y

log

S

2

N

logY

N

2

(logY)

2

Y

log

S

logQ

S

logY

S

E

=

r

=

=

=

=

=

=

=

=

=

=

=





90

PARTE 2: FORMULACIÓN DE PROYECTOS

El valor absoluto de r está próximo a 1, lo que permite concluir
que el ajuste de los datos al modelo Q = K Y E

es satisfactorio y, por
lo tanto, el coeficiente de elasticidad ingreso de la demanda, E = 1,85,
se puede considerar que permanece constante a lo largo de la curva
de demanda. En la Figura 3.21 se muestra la curva de ajuste.

En el siguiente cuadro se comparan los valores de Q observa-
dos y los calculados según la expresión de ajuste:

Y

Q observado

Q calculado
Q = 0,0018 Y1,85

700

290

330

810

470

432

900

530

526

1.020

650

662

1.125

720

794

Cuando el ingreso sea de 1.500 dólares, la demanda esperada de
libros y revistas de colección será:

Q = 0.0018 (1.500)1,85

= 1.352 unidades

3.FÓRMULA LOGARÍTMICA PARA
EL CÁLCULO DEL COEFICIENTE
DE ELASTICIDAD ARCO

Los coeficientes de elasticidad arco se pueden obtener mediante
fórmulas logarítmicas que resultan de aplicar los anteriores mode-
los, así:

➤Si se tiene la información de p y q para dos puntos de la curva
de demanda, A y B, según la expresión (3.31):

e

B

kp

B

q

e

A

kp

A

q

=

=

Al dividir miembro a miembro:

q

A

q

B

= =


P

A

e

p

B

e

P

A
P

B

e

Al tomar logaritmos a ambos lados de la expresion anterior:

log

q

A

q

B

(3.34)

=

=


e

P

A
P

B

e

q

A

q

B

P

A

P

B

log

log

log

log

log

➤Si se tiene la información de Y y Q para dospuntos de la curva
de demanda A, B, un razonamiento similar al anterior permite
obtener la siguiente expresión:

E=

logQ

A

(3.35)

log

log

log

Q

B

Y

A

Y

B

Ejemplo 3.18

Aplicar la fórmula logarítmica a la información de los ejemplos
3.11 y 3.13.

Solución:

Para la información del ejemplo 3.11:

43
,
0

e

8

log

5

log

800
.
9

log

000
.
12

log

B

P

log

A

P

log

B

q

log

A

q

log

=

e

=

=

Para la información del ejemplo 3.13:

Es importante observar que la fórmula logarítmica y la de porcen-
tajes con promedios proporcionan resultados casi iguales.

91

3 - ESTUDIO DEL MERCADO

La técnica que se emplee depende de:

• El tipo de producto

• La naturaleza del mercado

• Los principales factores determinantes del crecimiento de la de-

manda.

Para pronosticar la demanda se pueden utilizar las siguientes siete
técnicas o métodos:

• Método de la tendencia

• Método del nivel de consumo

• Método del uso final o del coeficiente de consumo

• Método de análisis de la matriz insumo-producto

• Modelos de regresión

• Método del indicador principal

• Análisis de series de tiempo

1. MÉTODO DE LA TENDENCIA

Esta técnica es relativamente común. Se basa en la extrapolación
de datos pasados e implica determinar una tendencia de los datos
pasados e identificar sus parámetros, para lo cual normalmente se
emplea el método de los mínimos cuadrados.

Tendencia lineal

Se utiliza la ecuación de la línea recta.

Y = a + b T

(3.36)

Donde:

Y : variable que se desea pronosticar

T : variable que se debe estimar

APÉNDICE 3 - TÉCNICAS DE PRONÓSTICO

v

v

Figura 3.22 Tendencia lineal

T
(Escala aritmética)

Y
(Escala
aritmética)

Se dice que unos datos pasados presentan una tendencia lineal
si al elaborar el correspondiente diagrama de dispersión, o nube de
puntos, con los ejes Y y T en escalas aritméticas, se aprecia clara-
mente que los datos se pueden ajustar manualmente a una línea
recta, tal como se muestra en la Figura 3.22, o si el valor absoluto
del coeficiente de correlación, r, del ajuste, está cercano a 1.

Para el ajuste a la tendencia lineal, y de acuerdo con la estadís-
tica matemática, el coeficiente de correlación, r, es:

(3.38)

2

2

2

:

Donde

(3.37)

Y

S

T

S

b

=

r

=

N

T

N

T

T

S

S

Y

Y

N

Y

N

2

2

2

= ∑

− ∑


(3.39)

N = Número de datos o de observaciones

Tendencia parabólica

La tendencia parabólica puede ser de segundo grado o
mayores, así:

Y = a + bT + cT2

(parábola de segundo grado)

(3.40)

Y = a + bT + cT2

+ dT3

(parábola de tercer grado)

(3.41)

92

PARTE 2: FORMULACIÓN DE PROYECTOS

v

Figura 3.23 Tendencia exponencial

T
(Escala aritmética)

Y
(Escala
logarítmica)

Lo mismo puede decirse si el valor absoluto del coeficiente de
correlación, r, del ajuste, está cercano a 1.

Para el ajuste a la tendencia exponencial el coeficiente de corre-
lación, r, se puede calcular con la siguiente expresión:

(3.48)

2

log

2
(logY)

2

logY

S

(3.47)

2

2

2

T

S

:
Donde

(3.46)

log

)

(log

=

=

=

N

Y

N

N

T

N

T

Y

S

T

S

b

r

N = número de datos o de observaciones

Tendencia potencial

La ecuación que se utiliza es:

Y = aTb

(3.49)

Al tomar logaritmos a ambos lados de la ecuación se obtiene:

log Y = log a + b log T

(3.50)

Esta última expresión corresponde a una función lineal en un
plano con ejes coordenados en escala logarítmica.

Si después de elaborar el correspondiente diagrama de disper-
sión en dicho plano, tal como se muestra en la Figura 3.24, se
aprecia claramente que los datos se pueden ajustar manualmente a
una línea recta, se dice que los datos pasados presentan una ten-

Figura 3.24 Tendencia potencial

T
(Escala logarítmica)

Y
(Escala
logarítmica)

Y = a + bT + cT2

+ dT3

+ eT4

(parábola de cuarto grado) (3.42)

Los coeficientes a, b, c, d, y e se pueden obtener por el método
de los mínimos cuadrados.

Para el cálculo del coeficiente de correlación, r, asociado con el
ajuste a esta tendencia, se puede aplicar la fórmula general del
coeficiente de correlación:

r

YeY

Y

Y

2

2

2

= ∑ −
∑ −

(

)

(

)

(3.43)

Donde:

Ye

:es el valor calculado de Y mediante aplicación de la ecua-
ción de regresión

Y

:es el promedio de los valores registrados u observados

de Y

Tendencia exponencial

La ecuación que se utiliza es:

Y = abT

(3.44)

Si se toman logaritmos a ambos lados de la expresión se obtiene:

log Y = log a +T log b

(3.45)

Esta última expresión corresponde a una función lineal en un
plano con ejes coordenados que tenga el eje Y en escala logarítmica
y el eje T en escala aritmética. Si después de elaborar el correspon-
diente diagrama de dispersión en dicho plano, tal como se muestra
en la Figura 3.23, se aprecia claramente que los datos se pueden
ajustar manualmente a una línea recta, se dice que los datos pasa-
dos presentan una tendencia exponencial.

v

v

v

93

3 - ESTUDIO DEL MERCADO

dencia potencial. Lo mismo puede decirse si el valor absoluto del
coeficiente de correlación, r, del ajuste está cercano a 1.

Para el ajuste a la tendencia potencial el coeficiente de correla-
ción, r, se puede calcular con la siguiente expresión:

rb

S

T

S

Y

=

log

log

(3.51)

Donde:

S

T

T

N

T

N

S

Y

Y

N

Y

N

log

(log)

log

log

(log)

log

2

2

2

2

2

2

= ∑

− ∑

= ∑

− ∑





(3.52)

(3.53)

N = Número de datos o de observaciones

Ecuaciones normales de mínimos cuadrados

Para el ajuste a una tendencia lineal de la forma y = a + bT, las
ecuaciones normales de mínimos cuadrados son:

ΣY = aN + b ΣT

(3.54)

ΣTY = a ΣT + b ΣT2

(3.55)

N = Número de observaciones

Estas ecuaciones normales se pueden extender fácilmente a las
demás tendencias, tal como se muestra en el ejemplo que se pre-
senta a continuación.

Ejemplo 3.19

Los datos sobre consumo de determinado artículo por habitante,
en los últimos 5 años, y el respectivo ingreso por habitante, a
precios constantes, son los siguientes:

Ingreso por habitante, T
(Miles dólares/habitante)

5

6

8

10

11

Consumo, Y
(Unidades / habitante)

40

53

67

69

78

Ajustar los datos anteriores, por el método de los mínimos
cuadrados, a: i) Una función lineal; ii) Una función parabólica de
grado 2; iii) Una función exponencial; iv) Una función potencial.
¿Cuál es la tendencia de los datos históricos? ¿Cuál es el consumo
esperado cuando el ingreso sea de 12.000 dólares/habitante?

Solución:

• Ajuste a una función lineal

Y = a + bT

En la Figura 3.25 se presenta el correspondiente diagrama de
dispersión, con los ejes Y y T en escalas aritméticas, en el cual se
aprecia que los datos se ajustan manualmente a una línea recta.

Las ecuaciones normales de mínimos cuadrados son:

Σ Y = Na + b ΣT
Σ TY = a Σ T + b ΣT2

N = Número de observaciones

T

Y

TY

T2

Y2

5

40

200

25

1.600

6

53

318

36

2.809

8

67

536

64

N=5

4.489

10

69

690

100

4.761

11

78

858

121

6.084

Σ
Σ

Σ
Σ
Σ 40

307

2.602

346

19.743

Al reemplazar los valores del cuadro, en las ecuaciones normales:

307 = 5a + 40b

2.602 = 40a + 346b

La solución de este sistema de ecuaciones es:

a = 16,48

b = 5,62

La ecuación de la recta es:

Y = 16,48 + 5,62 T

El correspondiente coeficiente de correlación, r, es:

rb

S

T

S

Y

=

Figura 3.25 Tendencia lineal

94

PARTE 2: FORMULACIÓN DE PROYECTOS

S

T

T

N

T

N

= ∑

− ∑

= −

=





2

2

2

346

5

40

5

2

52,

96
,
0

37
,
13

)
8

(2,2

)
62
,

5(

r

37
,
13

Y

S

64
,
178

2

5

307

5

743
.
19

2

N

Y

N

2

Y

2
Y

S

28
,
2

T

S

=

=

=

=

=

=

=

• Ajuste a una función parabólica de segundo orden

Y = a + bT + cT2

Las ecuaciones normales de mínimos cuadrados son:

Σ Y = a N + b Σ T + c Σ T2
Σ YT = a Σ T + b Σ T2

+ c Σ T3

ΣYT2

= a Σ T2

+ b Σ T3

+ c Σ T4

N = Número de observaciones

T

Y

T2

YT

T3

YT2

T4

5

40

25

200

125

1.000

625

6

53

36

318

216

1.908

1.296

8

67

64

536

512

4.288

4.096

10

69

100

690

1.000

6.900

10.000

11

78

121

858

1.331

9.438

14.641

ΣΣΣΣΣ40

307

346

2.602

3.184

23.534

30.658

Al reemplazar en las ecuaciones normales de mínimos cuadrados:

307 = 5a + 40b + 346c

2.602 = 40a + 346b + 3.184c

23.534 = 346a + 3.184b + 30.658c

La solución de este sistema de ecuaciones es:

a = - 29,92

b = 18,24

c = - 0,79

La ecuación de la parábola de segundo orden es:

Y = - 29,92 + 18,24T - 0,79T2

En el cuadro siguiente se comparan el Y observado y Y estima-
do, Ye, a partir de la parábola de ajuste, con el fin de preparar los
datos que se requieren para el cálculo del coeficiente de correlación,
r, asociado con el presente ajuste. En primer lugar se debe calcular el
valor promedio de los Y observados, denotado como Y:

Y

Y

N

= ∑

= =

307

5

614,

(Ye-Y)2

=

(Y-Y)2

=

T

Y

Ye

(Ye-61,4)2

(Y-61,4)2

5

40

42

376,36

457,96

6

53

51

108,16

70,56

8

67

65

12,96

31,36

10

69

73

134,56

57,76

11

78

75

184,96

275,56

ΣΣΣΣΣ

817,00

893,20

r

YeY

YY

= ∑ −
∑ −

2

2

2

(

)

(

)

r

r

2

81700

89320

0915

0956096

=

=

=

=

,

,

,

,

,

• Ajuste a una función exponencial

Y = abT

. Al tomar logaritmos a ambos lados:

log Y = log a + T log b

En la Figura 3.26 se presenta el correspondiente diagrama de
dispersión en un plano con ejes coordenados que tiene el eje Y en
escala logarítmica y el eje T en escala aritmética. En dicha figura se
observa que los datos se ajustan manualmente a una línea recta.

0

10

20

30

40

50

60

70

80

90

0

5

10

15

Consumo, Y

(Unidades/habitante)

Ingreso por habitante, T
(Dólares/habitante)

Figura 3.26 Tendencia exponencial

95

3 - ESTUDIO DEL MERCADO

r0,042279

2,280351

0,1028210,94

=

=

• Ajuste a una función exponencial

Y = aTb

Al tomar logaritmos a ambos lados:

log Y = log a + b log T

En la Figura 3.27 se presenta el correspondiente diagrama de dis-
persión con los ejes Y y T en escalas logarítmicas, en el cual se
aprecia que los datos se ajustan manualmente a una línea recta.

Las ecuaciones normales de mínimos cuadrados son:

Σ log Y = N log a + b Σ log T
Σ (log T)(log Y) =log a Σ log T+ b Σ (log T)2

N = Número de observaciones

TY

logT

logY(logT)(logY)(logT)2

(logY)2

540

0,6989701,6020601,119792

0,4885592,566596

653

0,7781511,7242761,341747

0,6055192,973127

867

0,9030901,8260751,649110

0,8155723,334549

1069

1,0000001,8388491,838849

1,0000003,381366

1178

1,0413931,8920951,970413

1,0844993,580022

ΣΣΣΣΣ

4,4216048,8833557,919911

3,99414915,835660

Las ecuaciones normales de mínimos cuadrados son:

Σ log Y = N log a + log bΣT
ΣT log Y = log aΣT + log bΣT2

N = número de observaciones

T

Y

logY

TlogY

T2

(logY)2

5

40

1,602060

8,01030025

2,566596

6

53

1,724276

10,34565536

2,973127

8

67

1,826075

14,60859864

3,334549

10

69

1,838849

18,388491100

3,381366

11

78

1,892095

20,813041121

3,580022

Σ40

8,883355

72,166085346

15,835660

Al reemplazar en las ecuaciones normales de mínimos cuadrados:

8,883355 = 5 log a + 40 log b

72,166085 = 40 log a + 346 log b

La solución de este sistema de ecuaciones es:

log a = 1,438442 ; a = 10 1,438442

= 27,44

log b = 0,042279 ; b = 10 0,042279

= 1,10

La ecuación de la función exponencial es:

Y = 27,44 (1,10)T

El correspondiente coeficiente de correlación, r, es:

r b

S

T

S

Y

b

=

=

log

log

log ,

0 042279

102821
,
0

log

0,010572

2

5

883355
,
8

5

835660
,
15

2

log

2

log

2
)

(log

2

log

280351
,
2

2,
5

2

5

40

5

346

2

2

2

=

=

=

=

=

=

=

=

Y

S

Y

S

N

Y

N

Y

Y

S

T

S

N

T

N

T

T

S

1

10

100

0

5

10

15

Consumo, Y
(Unidades/habitante)

Ingreso por habitante, T
(Dólares/habitante)

Figura 3.27 Tendencia potencial

96

PARTE 2: FORMULACIÓN DE PROYECTOS

Al reemplazar en las ecuaciones normales de mínimos cuadrados:

8,883355 = 5 log a + 4,421604 b

7,919911 = 4,421604 log a + 3,994149 b

La solución de este sistema de ecuaciones es:

log a = 1,101318 ; a = 101,101318

= 12,63

b = 0,76

La ecuación de la función potencial es:

Y = 12,63 T0,76

El correspondiente coeficiente de correlación es:

rb

S

T

S

Y

S

T

T

N

T

N

S

T

=

= ∑

− ∑

=

=

=





log

log

log

(log)

log

log

,

,

,

2

2

2

2

3994149

5

442160

5

2

0016807

S

T

S

Y

Y

N

Y

N

S

Y

log

,

log

(log)

log

log

,

,

,

=

= ∑

− ∑

=

=

=





0129640

2

2

2

15835660

5

8883355

5

2

0010572

S

logY

0,102821

r0,76 0,129640
0,102821

0,96

=

= ⋅

=

En resumen:

Modelo

a

b

c

Coeficiente de

Consumo esperado cuando el ingreso

correlación, r

sea de 12.000 dólares/ habitante, T = 12

Y=a+bT

16,48

5,62

0,96

Y=16,48+5,62(12)

= 84

Y=a+bT+cT2

- 29,92

18,24

- 0,79

0,96

Y=-29,92+18,24(12) - 0,79(12)2

= 75

Y=abT

27,44

1,10

0,94

Y=27,44(1,10)12

= 86

Y=aTb

12,63

0,76

0,96

Y=12,63(12)0,76

= 83

En general, los datos se ajustan satisfactoriamente a cada uno de los cuatro modelos.

2. MÉTODO DEL NIVEL DE CONSUMO

Ejemplo 3.20

Investigaciones socio-económicas adelantadas en una de las regio-
nes latinoamericanas, proporcionan la siguiente información:

• Un aumento del 1% en el ingreso por habitante da lugar a un
aumento del 1,6% en el consumo de carne.

• Información correspondiente al año base, año pasado, que se
denominará año 0:

- Ingreso por habitante

$150.000

- Demanda de carne por habitante25 kilogramos

- Población

2,5 millones

- Demanda de carne

62.500 toneladas

Se puede emplear satisfactoriamente para el pronóstico de la de-
manda de productos que se consumen directamente. Considera el
nivel de consumo empleando coeficientes estándar y definidos:
número de automóviles por cada 1.000 habitantes, posesión de
automóviles entre niveles de ingresos identificados, unidades in-
dustriales y gobierno, etc.

Uno de los principales factores determinantes del nivel de con-
sumo de bienes y servicios es el ingreso de los consumidores, el
cual, entre otras cosas, influye sobre la proporción del presupues-
to familiar que los consumidores están dispuestos a asignar a un
bien o servicio determinado. Por esta razón, en muchas ocasiones
el método del nivel de consumo se apoya en investigaciones eco-
nómicas que proporcionen el coeficiente de elasticidad ingreso de
la demanda.

97

3 - ESTUDIO DEL MERCADO

• El análisis estadístico de dos de los factores identificados como
determinantes de la demanda de carne en dicha región, el ingre-
so por habitante y la población, entrega las siguientes proyec-
ciones:

Año

Ingreso por habitante

Población
(millones)

1

$ 159.500

2,55

2

180.000

2,60

3

185.000

2,65

4

197.500

2,70

5

203.000

2,76

Con la información anterior, efectuar la proyección de la demanda de
carne para los próximos cinco años, incluyendo el actual, año 1.

Solución:

Para la solución del problema se procede como sigue:

En el cuadro a continuación se anota en negrilla la información
correspondiente al año base (año 0) y a las proyecciones del
ingreso por habitante y de la población.

Año
base

150,0

25,0

2,50

62.500

Año 0

Proyección

1

159,5

6,33

10,13

27,5

2,55

70.125

2

180,0

20,00

32,00

33,0

2,60

85.800

3

185,0

23,33

37,33

34,3

2,65

90.895

4

197,5

31,67

50,67

37,7

2,70

101.790

5

203,0

35,33

56,53

39,1

2,76

107.916

Año

Ingreso
por
habitante
(miles)

Aumento relativo al
año base (%)

Ingreso
por
habitante

Demanda
de carne

Deman-
da total
de carne
(Tn)

Pobla-
ción
(millo-
nes)

De-
manda
de
carne
por
habi-
tante
(Kg)

• Para el año 1:

- Aumento en el ingreso por

habitante, relativo al año 0=(159,5-150,0)
150,0

100

6,33%

=

- Aumento en la demanda de carne, relativo al año 0 = 6,33% (1,6)=
= 10,13%. La operación anterior se apoya en el resultado de la
investigación que dice que un aumento del 1% en el ingreso por
habitante da lugar a un aumento del 1,6% en el consumo de carne.

- Demanda de carne por habitante: 25,0 (1+0,1013) = 27,5 kilo-

gramos

- Demanda total de carne: 2,55 (27,5) (1.000) = 70.125 toneladas

• Para el año 2:

- Aumento en el ingreso por

habitante, relativo al

%

00
,
20

100

0,
150

0)
,
150

-

0,
(180

=

0

o

ñ

a

=

- Aumento en la demanda de carne: 20,00 (1,6) = 32,00%

- Demanda de carne por habitante: 25,00 (1+0,32) = 33,0 kilogra-

mos

- Demanda total de carne: 2,60 (33,0) (1.000) = 85.800 toneladas

Para los años 3 a 5 se procede en forma similar a la anterior.

3. MÉTODO DEL USO FINAL O DEL
COEFICIENTE DE CONSUMO

Este método es particularmente útil para pronosticar la demanda
de bienes intermedios. Consiste en lo siguiente:

• Se identifican todos los usos posibles del bien, incluyendo, por
ejemplo, insumos para otras industrias, demanda de consumo
directo, importaciones y exportaciones.

• Se obtiene o se estima el coeficiente insumo-producto del bien y
de las industrias que lo utilizan. De los niveles de producción
proyectados por las industrias consumidoras se puede obtener
la demanda del bien para consumo más sus exportaciones y la
sustitución de importaciones.

Ejemplo 3.21

El análisis de las estadísticas sobre consumo anual de gasolina por
tipo de vehículo automotor proporciona la siguiente información:

Tipo de vehículo

Consumo anual de gasolina

por vehículo (miles de litros)

Automóviles privados

3,5

Taxis

9,2

Vehículos comerciales que

utilizan gasolina

11,6

Motonetas, motocicletas,

vehículos de tres ruedas

0,1

Otros

0,4

La proyección del número de vehículos, por tipo, para los próxi-
mos tres años se presenta en negrilla en la siguiente página.

Pronosticar el consumo de gasolina en cada uno de los próximos
tres años.

98

PARTE 2: FORMULACIÓN DE PROYECTOS

Coeficiente de

Año 1

Año 2

Año 3

Tipo de vehículo

consumo

Número de

Consumo

Número de

Consumo

Número de

Consumo

(miles de litros porvehículos

(millones de

vehículos

(millones de

vehículos

(millones de

vehículo)

(miles)

litros)

(millones)

litros)

(miles)

litros)

Automóviles

3,5

120

420

127

445

135

473

Taxis

9,2

38

350

39

359

40

368

Vehículos comerciales

11,6

75

870

79

916

83

963

Vehículos de dos
y tres ruedas

0,1

300

30

321

32

344

34

Otros 0,4

80

32

82

33

84

34

Consumo total
(Millones de litros)

1.702

1.785

1.872

Solución:

Para pronosticar el consumo de gasolina, en cada uno de los años
indicados, se procede como sigue:

•En el cuadro anterior se anota con negrilla la información cono-
cida: coeficiente de consumo y número de vehículos, según pro-
nóstico.

•Para cada tipo de vehículo el consumo total de gasolina espera-
do es igual al número de vehículos pronosticado para el año en
cuestión, multiplicado por el correspondiente coeficiente de
consumo.

•El consumo total es la suma de los consumos pronosticados
para cada tipo de vehículo, en el respectivo año.

4. MÉTODO DE ANÁLISIS DE LA
MATRIZ INSUMO - PRODUCTO

En este método, presentado por primera vez por Wassily W.
Leontief, en 1941, lo primero que se hace es obtener la matriz que
muestre las transacciones entre los distintos componentes de un
sistema: por ejemplo, las transacciones entre las distintas indus-
trias, a nivel nacional o regional, se pueden mostrar en forma
matricial. Dicha matriz permite apreciar qué tanto depende una
industria de otra para la compra de sus insumos y para la venta de
sus productos. Los insumos de una empresa se pueden clasificar
en las categorías importaciones, materia prima y mano de obra, y
los productos en las categorías exportaciones, inversión y consu-
mo. Es esencial un trabajo contable previo que permita conocer
para cada industria en particular las fuentes originales de todos los
insumos y los destinos de todos sus productos.

Antes de describir la técnica de pronóstico mediante el método
de análisis de la matriz insumo - producto, se presentará, a través
de un ejemplo sencillo, la manera de obtener la matriz insumo -
producto.

Matriz Insumo - Producto

Ejemplo 3.22

En el cuadro siguiente se muestran, en miles de dólares, las entra-
das y salidas de efectivo de las industrias A, B y C, las cuales, para

simplificar, se puede decir que constituyen toda la economía de
una región dada. A la izquierda se presentan los gastos de la em-
presa, y sus utilidades, y a la derecha los ingresos por concepto de
ventas.

Elaborar la correspondiente matriz insumo-producto.

Solución:

Con la información suministrada se elabora una matriz, en la cual
los insumos que recibe cada industria se muestran en las columnas
y la distribución de su correspondiente producción en las filas. La
matriz muestra las diversas interacciones entre los componentes
de la economía, así:

Industria A

Compras a la

Ingresos por ventas

Industria B

10

a los consumidores

40

Compras a la

Ingresos por ventas

Industria C

20

a la Industria C

10

Salarios

10

Utilidades

10

50

50

Industria B

Compras a

Ingresos por ventas

la Industria C

20

a la Industria A

10

Salarios

40

Ingresos por ventas

Utilidades

40

a los consumidores

90

100

100

Industria C

Compras a la

Ingresos por ventas

Industria A

10

a la Industria A

20

Salarios

40

Ingresos por ventas

Utilidades

30

a la Industria B

20

Ingresos por ventas
a los consumidores

40

80

80

99

3 - ESTUDIO DEL MERCADO

Productos

Insumos (miles de dólares)

(Miles de

Indus-

Indus-

Indus-Consu-

Total

dólares)

tria

tria

tria

midores

A

B

C

Industria A

10

40

50

Industria B

10

90

100

Industria C

20

20

40

80

Salarios

10

40

40

90

170

Utilidades

10

40

30

80

Total

50

100

80

170

A partir de la matriz insumo-producto se pueden obtener otras
matrices, a saber:

• Matriz de distribución del producto, en porcentajes

• Matriz de insumos en porcentajes, denominada matriz de reque-
rimientos directos o matriz de coeficientes técnicos.

La primera se obtiene dividiendo los elementos de cada fila de
la matriz insumo-producto entre el total correspondiente a la fila.

La segunda se obtiene dividiendo los elementos de cada colum-
na de la matriz insumo-producto entre el total correspondiente a la
columna.

Ejemplo 3.23

Con la información de la matriz insumo-producto del ejemplo
anterior obtener la matriz de distribución del producto, en porcen-
tajes, y la matriz de requerimientos directos o de coeficientes
técnicos.

Solución:

Matriz de distribución del producto, en porcentaje:

IndustriaIndustriaIndustria

Consu-Total

A

B

C

midores

Industria A

0,00

0,00

0,20

0,80

1,00

Industria B

0,10

0,00

0,00

0,90

1,00

Industria C

0,25

0,25

0,00

0,50

1,00

Matriz de requerimientos directos o matriz de coeficientes técnicos

Industria

Industria

Industria

A

B

C

Industria A

0,000

0,000

0,125

Industria B

0,200

0,000

0,000

Industria C

0,400

0,200

0,000

Salarios

0,200

0,400

0,500

Utilidades

0,200

0,400

0,375

Total

1,000

1,000

1,000

Análisis de la matriz insumo-producto

El método de análisis de la matriz insumo-producto se apoya
básicamente en los coeficientes técnicos, con los cuales se está
diciendo:

Toda unidad de producto correspondiente a un sector requie-
re, desde el punto de vista técnico, un porcentaje fijo cono-
cido de insumos por parte de cada uno de los sectores.

Lo mejor que puede ocurrir es que los coeficientes técnicos se
mantengan razonablemente constantes a lo largo del tiempo.

Los supuestos del análisis de la matriz insumo-producto son:

• Se conoce la demanda de consumo, gasto de los consumidores,
correspondiente a cada uno de los distintos sectores.

• Los coeficientes técnicos hallados a partir de la matriz insumo-
producto, correspondiente a un año determinado, permanecen
constantes a lo largo del tiempo.

La forma de llevar a cabo el análisis se detalla a través de un
ejemplo.

Ejemplo 3.24

En relación con la información de los ejemplos anteriores, si el
consumo de los productos de la Industria B se incrementa en
10.000 dólares; es decir, de 90.000 dólares pasa a 100.000, y la
demanda de los consumidores, correspondientes a los productos
de las Industrias A y C continúa siendo el mismo (40.000 dólares
para cada industria), ¿cómo varía la producción total en cada uno
de los sectores?

Solución:

Se define la matriz de coeficientes técnicos, correspondientes a las
industrias, la cual aparece en el ejemplo 3.23.

A

De

Industria

Industria

Industria

A

B

C

Industria A

0,000

0,000

0,125

Industria B

0,200

0,000

0,000

Industria C

0,400

0,200

0,000

La demanda de los consumidores es:

- Demandan de la Industria A: 40 mil dólares

- Demandan de la Industria B: 100 mil dólares

- Demandan de la Industria C: 40 mil dólares

Se designa por

A : total de la producción de la Industria A

B : total de la producción de la Industria B

C : total de la producción de la Industria C

Al examinar la matriz de coeficientes técnicos se tiene:

La primera fila específica que la Industria A se entrega a sí
misma 0,000 de su producción total; es decir, 0,000A. Toda vez

100

PARTE 2: FORMULACIÓN DE PROYECTOS

que B representa el total de la producción de la Industria B, cuyo
0,000 está formado por insumos de la Industria A, las entregas de
la industria A a la Industria B alcanzan la cantidad 0,000B.

De la misma manera, una producción equivalente a C, en la
Industria C, requiere una entrega de 0,125C por parte de la Indus-
tria A. De este modo se obtiene:

A = 0,000A + 0,000B + 0,125C + 40

Al reducir términos se tiene:

A - 0,000B - 0,125C = 40

La segunda fila de la matriz insumo-producto hace referencia a
la Industria B. Su producción total B también la forman cuatro
componentes.

La demanda de los consumidores equivale a 100 mil dólares,
toda vez que se ha incrementado en 10 mil. Los otros componen-
tes indican lo que la Industria B debe entregar a los otros tres
sectores, toda vez que la producción total correspondiente a los
mismos equivale a A, B, y C, respectivamente. La matriz de los
coeficientes técnicos indica que las entregas de la Industria B de-
ben ser de 0,200 a la Industria A, 0,000B a la B y 0,000C a la C. De
este modo se tiene:

B = 0,2000 A + 0,000B + 0,000C + 100

Al reducir términos se tiene:

- 0,200A + B - 0,000C = 100

Del mismo modo se tiene para la industria C:

- 0,400A - 0,200B + C = 40

Es decir, se tiene el siguiente sistema de tres ecuaciones con tres
incógnitas:

A

-

0,000B-

0,125C

=

40

- 0,200A+

B-

0,000C

=

100

- 0,400A

-

0,200B+

C

=

40

Cuya solución es:

A =50.260 dólares

B =110.050 dólares

C =82.120 dólares

En la práctica, el número de sectores es grande y por lo tanto
será necesario resolver un sistema de n ecuaciones con n incógni-
tas, para lo cual es indispensable el empleo del computador.

Si para el análisis se identifican n sectores, con una matriz
insumo - producto completamente definida, entonces:

La matriz de coeficientes técnicos es:

A

De

Sector 1

Sector 2

• • •Sector n

Sector 1

C

11

C

12

• • •

C

1n

Sector 2

C

21

C

22

• • •

C

2n

• • •

• • •

Sector n

C

n1

C

n2

C

nn

La matriz de demanda de los consumidores es:

C

C

C

n

1

2













La ecuación matricial que hay que resolver es:

A X = C

(3.56)

En donde:

A es la siguiente matriz:

( )

( )

( )

A

C

C

n

C

C

C

n

C

n

C

n

C

nn

=

⋅ ⋅ ⋅ −

⋅ ⋅ ⋅ −

⋅ ⋅ ⋅ −











1C

11

12

1

21

1

22

2

1

2

1

X es la matriz de producción de cada sector:

X

X

X

X

n

= ⋅











1

2

C es la matriz de demanda de los consumidores;

C

C

C

C

n

= ⋅











1

2

La solución matricial de la ecuación es:

X = A-1

C

En donde A-1

es la matriz inversa de A

101

3 - ESTUDIO DEL MERCADO

Los métodos para el cálculo de la matriz inversa de una matriz
se pueden encontrar en cualquier texto de álgebra de matrices y,
hoy en día, cualquier centro de cómputo tiene el programa de
computador para resolverla.

5. MODELOS DE REGRESIÓN

En la técnica de la regresión los pronósticos se basan en una rela-
ción estimada entre la variable de pronóstico (o dependiente) y las
variables explicatorias (o independientes). Se pueden hacer prue-
bas, con datos estadísticos de comportamientos históricos, para
diferentes combinaciones de variables independientes, hasta obte-
ner la ecuación de pronóstico que mejor se ajuste a los datos.

Por ejemplo, para un determinado productor de paraguas el
volumen de ventas, V, puede depender de cierto número de facto-
res tales como el precio relativo de los paraguas, P, con respecto al
precio de la competencia, el ingreso disponible de las personas, I,
la suma gastada en publicidad, relativa al gasto promedio de la
industria, A, y el nivel de lluvias, N. Este ejemplo se puede expre-
sar matemáticamente como sigue:

V = F(P, I, A, N)

(3.57)

Es decir, V es una función de P, I, A, N.

El modelo correspondiente a la venta de paraguas se puede expre-
sar en la siguiente forma:

V = aP + bI + cA + dN

(3.58)

Las letras a, b, c, d se denominan coeficientes de regresión o
pesos asociados con cada variable independiente. En el modelo de
regresión se puede medir el impacto sobre el volumen de ventas
como consecuencia del cambio en cualquiera de las variables inde-
pendientes. El modelo se puede emplear como un instrumento de
pronóstico, para lo cual, las variables independientes deben:

- Ser conocidas de antemano, o

- Pronosticarse con una buena precisión, o

- Estar en una relación definida con la variable dependiente.

Además de su utilidad para pronosticar, el modelo de regresión
también puede indicar el impacto de distintas políticas. Así, en el
caso de los paraguas, el productor no tiene ningún control sobre el
ingreso disponible de las personas ni sobre la cantidad de lluvia,
pero tiene algún control sobre el precio que cobra a los consumido-
res y sobre el gasto en publicidad. El puede estar interesado en
conocer los cambios que puede hacer en sus políticas de precio y
publicidad con el fin de maximizar su volumen de ventas. Esto
puede hacerlo experimentando dentro del modelo, con diferentes
estrategias posibles.

La regresión lineal puede ser simple o múltiple. Es simple cuan-
do se tiene una sola variable independiente. Es múltiple cuando se
tienen dos o más variables independientes.

Los modelos econométricos de la demanda, presentados en el
numeral 2 del Apéndice 2, del presente capítulo, y algunos de los
modelos presentados en la descripción del método de la tendencia,
son ejemplos de regresión simple.

Ejemplo 3.25

Para el caso de los paraguas, a continuación se presentan los datos
correspondientes a las variables dependiente e independientes, en
los últimos 16 años.

Al aplicar a la información anterior una regresión de mínimos
cuadrados, se obtiene el siguiente modelo de regresión:

V= - 729,279 - 318,141P + 0,057I + 357,114A +5,190N

Los resultados se obtuvieron mediante la aplicación de un pro-
grama de computador, actualmente disponible en los centros de
cómputo.

Junto con los coeficientes, el programa de computador también
entrega los distintos ensayos de significación estadística asocia-
dos con las ecuaciones de regresión. Para el efecto, las fórmulas
que aplica el programa son:

•Para el error estándar correspondiente a cada coeficiente de
regresión:

1

361

0,92

10.291

1,04

77,7

2

400

0,90

10.463

1,05

82,3

3

431

0,90

10.674

1,03

86,6

4

350

1,01

10.972

1,00

75,2

5

614

0,92

11.573

1,21

100,8

6

453

0,98

12.417

0,97

81,3

7

597

0,89

13.001

1,20

96,0

8

312

1,02

13.561

0,87

73,9

9

307

1,09

13.972

0,79

68,1

10

797

0,89

14.635

1,32

97,0

11

890

0,80

15.239

1,37

102,1

12

927

0,79

16.008

1,43

100,6

13

720

0,92

16.541

1,01

80,5

14

645

1,17

17.417

0,82

81,5

15

841

0,80

17.908

1,00

80,5

16

925

0,85

18.246

1,16

82,0

Ingreso
disponible
de las
personas
I
(Miles de
dólares)

Nivel de
lluvias
N
(cms)

Gasto
relativo
en
publicidad
A
(%)

Precio
relativo
P

Volumen de
paraguas
V
(Miles)

Año

102 PARTE 2: FORMULACIÓN DE PROYECTOS

( )

( )

Es
i

V

V
e

nv

X

iX

i

=

∑ −

− −

∑ −

2

1

2

(3.59)

i = a, b, c, d

Donde:

Ve

:valor estimado de V, dado por la ecuación de regresión

V

:valor observado de V

n

:número de observaciones de V

v

:número de variables independientes en la regresión

Xa, Xa:valor observado de P y valor promedio observado, res-
pectivamente

Xb, Xb:valor observado de I y valor promedio observado, res-
pectivamente

Xc, Xc:valor observado de A y valor promedio observado, res-
pectivamente

Xd, Xd:valor observado de N y valor promedio observado, res-
pectivamente

El correspondiente error estándar del pronóstico es:

( )

ES

p

V

V
e

nv

=

∑ −

− −

2

1 (3.60)

Para el cálculo del estadístico t de Student:

t
a

a

ES
a

; t

b

b

ES

b

; ; t

d

d

ES

d

(3.61)

=

=

⋅ ⋅ ⋅ =

En general, un valor de t igual o superior a 2 quiere decir que
se puede tener confianza en el sentido de que el valor del coeficien-
te de regresión no es 0. El nivel de confianza es del 95%.

Para el cálculo el coeficiente de determinación, r2

:

( )

( )

r

V

eV

V

V

2

2

2

=

∑ −

∑ −

(3.62)

Para la significación estadística de la regresión en conjunto:

Aunque la regresión pueda tener un valor de r2

relativamente
alto, esto puede deberse a una casualidad. Para determinar su
significación estadística se calcula el estadístico F, el cual permite
conocer con qué porcentaje de confianza los coeficientes de regre-
sión son significativamente diferentes de cero.

El estadístico F se calcula como sigue:

( )

( )

F

VeV

v

V

Ve

nv

r

v

r

nv

=

∑ −

∑ −

= −

2

1

2

2

1

1

2 (3.63)

Donde:

v: número total de variables

n: número de observaciones

Si el valor de F está por encima del valor que aparece en las
correspondientes tablas del estadístico F, la totalidad de la ecua-
ción de regresión es significativa y el valor de r no se obtuvo por
casualidad. Como regla general, un valor de F superior a 6 es
significativo a un nivel de confianza del 95%, cuando el número de
observaciones es superior a 6.

Los tres requerimientos finales de un modelo de regresión tienen
que ver con las propiedades de los residuales o términos de
error. Los residuales son las diferencias entre el valor observado
de V y el valor pronosticado de V, a partir de la ecuación de
regresión. En la ecuación (3.64) los residuales se denotan con la
letra U:

V = a+bX

1 +cX

2 + . . .

+zX

25 +U

(3.64)

El primer requisito es que los residuales tengan una varianza
constante; esto se conoce técnicamente como homocedastici-
dad. Lo contrario, varianza no constante, se denomina hetero-
cedasticidad. Si esto último ocurre, es probable que sea pe-
queña la significación estadística de la ecuación de regresión, a
pesar de que el modelo parezca ser bueno desde el punto de
vista económico. La heterocedasticidad generalmente implica
que en el modelo faltan una o más variables independientes
importantes.

La presencia de la heterocedasticidad se detecta con el estadís-
tico Durbin Watson, el cual proporciona automáticamente el
programa de computador de análisis de regresión.

Otro requisito para los términos residuales es que sean inde-
pendientes unos de otros. Si esto no sucede se dice que existe
autocorrelación. La autocorrelación se examina con el estadísti-
co Durbin Watson y/o Von Neumann (para efectos prácticos
proporcionan los mismos resultados).

La autocorrelación de los dos estadísticos mencionados se efec-
túa mediante comparación de los valores calculados con los que
aparecen en las tablas. Estas tablas, cuyo uso es directo, apare-
cen en la gran mayoría de los libros de estadística.

El requisito final es que los residuales se distribuyan normalmen-
te. Si esto no ocurre, no se pueden aplicar estrictamente los
ensayos de significación (estadísticos F y t), los límites de con-
fianza dados a las variables y el pronóstico.

La aplicación de todo lo anterior, a los datos y ecuación de
regresión del ejemplo, proporciona la siguiente informa-
ción:

103

3 - ESTUDIO DEL MERCADO

6. MÉTODO DEL INDICADOR PRINCIPAL

Es una variante de los métodos del coeficiente de consumo y de
regresión. Los indicadores principales son variables que reaccio-
nan a los cambios antes que otras variables y que pueden ser
empleadas para pronosticar dichas variables. Así, por ejemplo, en
determinada región se puede identificar que la demanda de ventila-
dores eléctricos lleva un retraso de tres años con respecto a las
inversiones en viviendas hechas por diversos organismos. Con
esta información y mediante el pronóstico de las inversiones en
viviendas, indicador principal, se puede hacer una proyección de
la demanda futura de ventiladores eléctricos.

7. ANÁLISIS DE SERIES DE TIEMPO

Los pronósticos de las series de tiempo son el resultado de extra-
polar el pasado.

El método de series de tiempo que se utilice depende de lo

siguiente19
:

➤La habilidad y destreza del pronosticador. En este libro se
intenta demostrar que aún el método más complejo está den-
tro de las capacidades de entendimiento de los proyectistas.

➤La disponibilidad de datos. Se debe tener la certeza de que los
datos son los adecuados para utilizar en los análisis.

➤La naturaleza de la variable que se pronostica. Algunos mé-
todos de series de tiempo no son apropiados para cierto tipo
de datos de series de tiempo.

➤Costos. Si la técnica que se escoja exige la recolección de nue-
vos datos, puede ser posible la necesidad de tener altos cos-
tos.

➤Precisión. Generalmente se mide mediante el computo de la
desviación estándar (error).

Los métodos de las series de tiempo son apropiados en las si-
guientes situaciones19
:

•Cuando se necesitan pronósticos de corta duración.

•Cuando la variable no está sujeta a muchos cambios drásticos en
las políticas (tal como campañas de publicidad) o a influencias
externas (tal como los controles de créditos).

•Cuando la variable sigue un patrón horizontal o muestra una
tendencia constante.

En el análisis lo primero que se debe hacer es el examen de los
datos para ver que clase de patrón o tendencia es evidente. Esto da
una buena idea del tipo de función de series de tiempo a que se
pueden ajustar los datos. En el Cuadro 3.8 se muestran algunos
ejemplos de los patrones típicos y las técnicas más simples que
les son aplicables.

Promedios móviles

El método más simple de pronóstico mediante series de tiempo
consiste en emplear el último valor como el pronóstico para el
período siguiente. Así, por ejemplo, las ventas del mes de mayo
(4.200 unidades) se constituyen en el pronóstico para junio. Sin
embargo, la cifra de mayo puede estar muy influenciada por fluc-

1

2

3

Variable

Coeficiente de

Error

Valor ‘t’

independiente

regresión

estándar

(11 grados

estimado

de libertad)

Constante

- 729,279

Precio relativo, P

- 318,141

252,441

- 1,260

Ingreso disponible de
las personas, I

0,057

0,004

12,666

Gasto relativo en
publicidad, A

357,114

240,389

1,486

Nivel de lluvia, N

5,190

2,877

1,804

r2

= 0,969 F = 86,604

Error estándar de la estimación = 46,975

Durbin Watson = 0,9102

Los valores ‘t’ indican que los coeficientes de las variables P,
precio relativo, y A, gasto relativo en publicidad, por presentar un
‘t’ muy inferior a 2, no son significativamente diferentes de cero
(0) y por lo tanto no ayudan a explicar los movimientos en las
ventas.

El valor F para la regresión es 86,604, marcadamente significa-
tivo, si se tiene en cuenta que un valor F de 6 ó más es significativo
a un nivel de confianza del 95%, con una muestra superior a 6. Por
lo tanto, las variables independientes, como un todo, proporcio-
nan una relación casual estadísticamente significativa.

El término r2

muestra un buen ajuste, con un 96,90% de la
variación en el volumen de venta de paraguas explicado por las
variables independientes.

En el cuadro siguiente se muestra el valor observado de V, su
valor calculado a partir del modelo de regresión y los correspon-
dientes residuales:

Valor de V

Observado, V

Calculado, Ve

Residual, V-Ve

1

361.000

337.585

23.415

2

400.000

381.168

18.832

3

431.000

408.334

22.666

4

350.000

320.400

29.600

5

614.000

591.042

22.958

6

453.000

433.019

19.981

7

597.000

653.269

- 56.269

8

312.000

411.201

- 99.201

9

307.000

353.622

- 46.622

10

797.000

794.186

2.814

11

890.000

901.472

- 11.472

12

927.000

962.004

- 35.004

13

720.000

696.640

23.360

14

645.000

604.233

40.767

15

841.000

844.655

3.655

16

925.000

877.170

47.830

104

PARTE 2: FORMULACIÓN DE PROYECTOS

Horizontal

Unidades vendidas de un pro-
ducto bien establecido

Promedio móvil
Suavización exponencial

Datos con tendencia

Unidades vendidas con creci-
miento estable debido, por ejem-
plo, al incremento en el número
de consumidores o en el poder
de compra de los consumidores

Suavización doble exponencial
Modelos de crecimiento lineal
Regresión de series de tiempo

Relación matemática que se
ajuste a los datos no lineales

Ventas de un producto nuevo,
las cuales normalmente presen-
tan una curva en forma de S

Datos con tendencia no lineal

Descomposición clásica
Modelos adaptables
Modelos de regresión

Ventas bastante afectadas por
las épocas del año

Datos estacionales y cíclicos

Modelos adaptables

Ocurre con frecuencia en algu-
nos tipos de negocios. No es
posible identificar patrones an-
tes mencionados

Datos que fluctúan enormemente

Patrones típicos

Ocurrencia típica

Técnicas de series de tiempo apropiadas

tuaciones aleatorias, lo que hace que el pronóstico no sea muy
seguro. Para evitar lo anterior se emplean los promedios móviles,
tal como se muestra en el Cuadro 3.9.

Cuadro 3.9

PRONÓSTICO MEDIANTE PROMEDIOS MÓVILES

Mes

NúmeroUnidades

Pronóstico con un

del mesvendidas

promedio móvil de

Tres

Cuatro

Cinco

meses

meses

meses

Enero

1

2.100

Febrero

2

2.050

Marzo

3

2.150

Abril

4

1.900

2.100

Mayo

5

1.750

2.033

2.050

Junio

6

1.850

1.933

1.962

1.990

Julio

7

1.700

1.833

1.912

1.940

Agosto

8

1.650

1.766

1.800

1.870

Septiembre

9

1.900

1.733

1.737

1.770

Octubre

10

2.100

1.750

1.775

1.770

Noviembre

11

2.200

1.883

1.837

1.840

Diciembre

12

2.066

1.962

1.910

El pronóstico para abril, mediante el promedio móvil de tres meses es:

[2.100 (enero) + 2.050 (febrero) + 2.150 (marzo)] / 3 = 2.100

El pronóstico para mayo es:

[2.050 (febrero) + 2.150 (marzo) + 1.900 (abril)] / 3 = 2.033

El pronóstico para mayo, mediante el promedio móvil de cuatro
meses es:

[2.100 (enero) +2.050 (febrero) + 2.150 (marzo) + 1.900 (abril)]/
4 = 2.050

En términos generales:

(

)

P
t

V

tV
t

V
t

N

N

V
i

itN

t

+ =

+

− +

− +

=

= ⋅

= − +

1

1

2

1

1

. . . +V

t-N+1

(3.65)

Donde:

P

t+1

:pronóstico para el período siguiente, t+1

V

t,t-1,t-2 . . .

:ventas reales de la variable en los períodos t,
t-1, t-2, . . .

Cuadro 3.8

PATRONES TÍPICOS Y SERIES DE TIEMPO APLICABLES

105

3 - ESTUDIO DEL MERCADO

Cuadro 3.10

ERRORES DE PRONÓSTICO EN PROMEDIOS MÓVILES

Mes

NúmeroUnidades

Promedio móvil de tres meses

Promedio móvil de cuatro meses

Promedio móvil de cinco meses

del mesvendidasPronós-Error

ErrorCuadra-Pronós-ErrorErrorCuadra-Pronós-Error

ErrorCuadra-

tico

abso-do del

tico

abso-do del

tico

abso-do del

lutoerror

luto

error

luto

error

Enero

1

2.100

Febrero

2

2.050

Marzo

3

2.150

Abril

4

1.900

2.100

Mayo

5

1.750

2.033

2.050

Junio*

6

1.850

1.933

83

83

6.889

1.962

112

112

12.544

1.990

140

140

19.600

Julio

7

1.700

1.833

133

13317.689

1.912

212

212

44.944

1.940

240

240

57.600

Agosto

8

1.650

1.766

116

11613.456

1.800

150

150

22.500

1.870

220

220

48.400

Septiembre9

1.900

1.733

-167

16727.889

1.737

-163

163

26.569

1.770

-130

130

16.900

Octubre

10

2.100

1.750

-350

350122.500

1.775

-325

325123.904

1.770

-330

330108.900

Noviembre11

2.200

1.883

-317

317100.489

1.837

-363

363131.769

1.840

-360

360129.600

Diciembre12

2.066

1.962

1.910

Total

5021.166288.912

3771.325362.230

220

1.420381.000

Promedio

83,7194,348.152

62,8220,860.371,7

36,7

236,763.500

* Se consideran los datos a partir del correspondiente a junio, porque a partir de este mes todos los promedios móviles tienen pronósticos

N

:número de observaciones empleadas en el
promedio

Entre mayor sea el número de datos empleados en el cálculo
del pronóstico mayor será el efecto de la suavización.

Sugerencias para definir el promedio móvil que se debe adoptar

Las siguientes sugerencias pueden ayudar a tomar la decisión:

• El pronosticador debe expresar su opinión con respecto a la
tendencia implícita de la variable: si ésta es sensiblemente esta-
cionaria, y si se tiene mucha aleatoriedad en los valores históri-
cos, lo aconsejable es tomar un promedio móvil con un gran
número de observaciones. Sin embargo, si se considera que son
pocos los cambios en los datos que se tienen es suficiente un
promedio móvil con un número pequeño de observaciones. En-
tre más pequeño sea el número de observaciones mayor será la
respuesta del promedio móvil a cualquier cambio en los datos.

• El pronosticador debe calcular la precisión de los pronósticos
obtenidos con los diferentes promedios móviles. Se debe esco-
ger el que tenga la menor imprecisión. Para lograr lo anterior se
procede como se muestra en el Cuadro 3.10. Es decir, primero
se calcula el error (pronóstico menos valor real observado),
luego el error absoluto y por último el cuadrado del error. El
cuadro señala que el promedio móvil de tres

meses es el que presenta los menores valores para el promedio del
error absoluto y para el promedio del cuadrado del error. Por
esta razón éste es el promedio que se debe emplear.

Promedios móviles ponderados

Una de las limitaciones de la técnica del promedio móvil simple es
que da igual peso a todas las observaciones a sabiendas de que la
información más reciente debe considerarse como más importan-
te. Entre los posibles sistemas de ponderación están el método
decimal y el método fraccionario. Ambos, en términos generales,
se describen como sigue:

➤Decimal:

P

t+1=0,4 V

t + 0,3 V

t-1 + 0,2 V

t-2 + 0,1 V

t-3

(3.66)

➤Fraccionario:

P
t

V
t

V
t

V
t

V
t

V
t

+ =

+

− +

− +

− +

1

1

2

1

4

1

1

8

2

3

32

3

1

32

4

(3.67)

Suavización exponencial

Consiste en ponderar los datos con pesos que disminuyen
exponencialmente con el tiempo, así:

P

t+1 = α V

t + α (1-α) V

t-1 + α (1-α)2

V

t-2 +

+α (1-α)3

V

t-3 + . . . + α(1-α)n

V

t-n

(3.68)

106

PARTE 2: FORMULACIÓN DE PROYECTOS

En donde:

V

:observaciones individuales correspondientes a cada pe-
ríodo comprendido entre t y t-n

α

:valor comprendido entre cero y uno. Por lo tanto, la
suma de los pesos es uno. Dichos pesos disminuyen con
la edad.

Si α = 0,2, los pesos son:

0,2 + 0,2 (1-0,2) + 0,2 (1-0,2)2

+ 0,2 (1-0,2)3

+ 0,2 (1-0,2)4

+ . . .

= 0,20 + 0,16 + 0,13 + 0,10 + 0,08 + . . . = 1

La expresión 3.68 se puede escribir como sigue:

P

t+1 = α V

t + (1-α) [αV

t-1 + α (1-α) V

t-2

+α (1-α)2

V

t-3 +... + α (1-α)n-1

V

t-n]

(3.69)

Por otro lado:

P

t = α V

t-1 +α (1-α) V

t-2 + α (1-α)2

V

t-3

+ . . . +α (1-α)n-1

V

t-n

(3.70)

Al comparar 3.69 y 3.70 se concluye que P

t es igual a la expre-
sión que aparece entre corchetes en 3.69. Mediante sustitución se
tiene:

P

t+1 = α V

t + (1-α) P
t

(3.71)

Es decir, el pronóstico mediante suavización exponencial co-
rrespondiente al período t+1 (por ejemplo, agosto) es α veces el
valor observado en julio más (1-α) el valor pronóstico mediante
suavización exponencial para julio. La anterior expresión se puede
escribir de otra manera, así:

P

t+1 = P

t + α (V

t - P

t)

(3.72)

Es decir, el pronóstico del período t+1 es igual al pronóstico
del período t más α veces el error del pronóstico del período t.
Esta última expresión es la más utilizada para el pronóstico me-
diante suavización exponencial.

Ejemplo 3.26

Con los datos del ejemplo correspondiente a la técnica de los
promedios móviles efectuar un pronóstico mediante aplicación de
la técnica de suavización exponencial, empleando diferentes valo-
res de α (0,2; 0,5 y 0,8). Comentar los resultados y tomar la
decisión con respecto al mejor valor de α.

Solución:

En el caso del primer período, febrero, como no se tiene un pro-
nóstico previo disponible, se adopta el valor observado en enero
(2.100 unidades) como pronóstico para febrero, tal como se anota
en el Cuadro 3.11.

Para marzo se procede de acuerdo con lo indicado por la expre-
sión:

P

marzo = P

febrero + α (V

febrero - P

febrero)

P

marzo = 2.100 + 0,2 (2.050 - 2.100) = 2.090
De igual manera se calculan los pronósticos para los otros
períodos y para los diferentes niveles de α.

Los pronósticos se muestran gráficamente en la Figura 3.28, la

Cuadro 3.11

PRONÓSTICO EXPONENCIALMENTE SUAVIZADO

Mes

Número

Unidades

Pronóstico exponencial-

del mes

vendidas

mente suavizado

α=0,2 α=0,5 α=0,8

Enero

1

2.100

Febrero

2

2.050

2.100

2.100

2.100

Marzo

3

2.150

2.090

2.075

2.060

Abril

4

1.900

2.102

2.113

2.132

Mayo

5

1.750

2.062

2.007

1.946

Junio

6

1.850

2.000

1.879

1.789

Julio

7

1.700

1.970

1.865

1.838

Agosto

8

1.650

1.916

1.783

1.728

Septiembre9

1.900

1.863

1.717

1.666

Octubre

10

2.100

1.870

1.809

1.853

Noviembre11

2.200

1.916

1.955

2.051

Diciembre12

1.973

2.078

2.170

1.500

1.600

1.700

1.800

1.900

2.000

2.100

2.200

2.300

2.400

2.500

EFMAM

J

JA

SO

ND

Unidades

Mes

α = 0,8

α = 0,5

α = 0,2

Ventas anuales

Figura 3.28 Pronóstico exponencialmente suavizado

cual indica que un ‘α’ de 0,8 proporciona poca suavización, mien-
tras que α=0,2 conduce a una gran suavización.

La decisión con respecto al mejor valor de ‘α’ se debe apoyar
en la medida de los errores. Los cálculos respectivos se presentan
en el Cuadro 3.12. En el presente ejemplo un valor de α = 0,8
proporciona los errores más pequeños y, por ende, los mejores
resultados.

107

3 - ESTUDIO DEL MERCADO

➤Paso 2. Con los datos obtenidos después de ejecutar el paso 1
se realiza otra suavización exponencial, aplicando la siguiente
expresión:

P*

t+1 = α P

t+1 + (1 - α)P

t*

(3.73)

➤Paso 3. Calcular la diferencia entre los valores obtenidos en
los pasos 1 y 2; es decir, P

t+1 - P*

t+1. Si la tendencia de los
datos es creciente, el resultado anterior se suma al valor obte-
nido en el paso 1, de lo contrario, se resta. La ejecución de este
paso permite conocer un valor que se denominará a, así:

a = 2 P

t+1 - P*

t+1

(3.74)

➤Paso 4. Calcular el factor de ajuste b, como sigue:

(

)

b

P
t

P

t

=

+ −

+

α

α

1

1

1

*

(3.75)

➤Paso 5. Calcular el valor ajustado correspondiente a la suavi-
zación doble exponencial, mediante la siguiente suma:

P**

t+ 1 = a + b

(3.76)

➤Paso 6. Efectuar los pronósticos, a partir del último período
histórico, utilizando la siguiente fórmula:

Mes

NúmeroUnidades

α = 0,2

α = 0,5

α = 0,8

del mesvendidasPronós-Error

ErrorCuadra-Pronós-Error

ErrorCuadra-Pronós-Error

ErrorCuadra-

tico

absolutodo del

tico

absolutodo del

tico

absolutodo del

error

error

error

Enero

1

2.100

Febrero

2

2.050

2.100

50

50

2.5002.100

50

50

2.500

2.100

50

50

2.500

Marzo

3

2.150

2.090

-60

60

3.6002.075

-75

75

5.625

2.060

-90

90

8.100

Abril

4

1.900

2.102

202

202

40.8042.113

213

213

45.369

2.132

232

232

53.824

Mayo

5

1.750

2.062

312

312

97.3442.007

257

257

66.049

1.946

196

196

38.416

Junio

6

1.850

2.000

150

150

22.5001.879

29

29

841

1.789

-61

61

3.721

Julio

7

1.700

1.970

270

270

72.9001.865

165

165

27.225

1.838

138

138

19.044

Agosto

8

1.650

1.916

266

266

70.7561.783

133

133

17.689

1.728

78

78

6.084

Septiembre

9

1.900

1.863

-37

37

1.3691.717-183

183

33.489

1.666

-234

234

54.756

Octubre

10

2.100

1.870

-230

230

52.9001.809-291

291

84.681

1.853

-247

247

61.009

Noviembre11

2.200

1.916

-284

284

80.6561.955-245

245

60.025

2.051

-149

149

22.201

Diciembre

12

1.973

2.078

2.170

Total

639

1.861445.329

53

1.641

343.493

-871.475

269.655

Promedio63,9

1.86,144.532,9

5,3164,134.349,3

-8,7147,5

26.965,5

Cuadro 3.12

ERRORES DE PRONÓSTICO EN SUAVIZACIÓN EXPONENCIAL

La precisión del pronóstico mediante la técnica de suavización
exponencial se puede comparar con la precisión del pronóstico
mediante la técnica del promedio móvil. El promedio de los errores
absolutos y el promedio de los cuadrados de los errores son mu-
cho menores en el caso de la técnica de suavización exponencial
que en el de promedios móviles. Por lo tanto, la suavización
exponencial ofrece pronósticos más precisos.

El nivel de ‘α’ generalmente se establece mediante experimen-
tación con varios valores hasta encontrar el que muestre el error
más bajo. Sin embargo, si el α que se obtenga mediante este méto-
do es mayor que 0,3 quiere decir que los datos probablemente
tienen una tendencia y el pronosticador debe tratar de utilizar
otras técnicas más apropiadas.

Suavización doble exponencial

La aplicación de esta técnica exige realizar los siguientes pasos:

➤Paso 1. Efectuar, con los datos históricos, una suavización
exponencial, tal como se hizo anteriormente. Para esto se em-
plea la expresión (3.72):

P

t+1 = P

t + α (V

t - P

t)

108

PARTE 2: FORMULACIÓN DE PROYECTOS

Paso 1

P

3 = 174 + 0,2 (184 - 174) = 176,00

P

4 = 176 + 0,2 (186 - 176) = 178,00

P

5 = 178 + 0,2 (196 - 178) = 181,60

Paso 2

P*

3 = 0,2(176) + (1 - 0,2) 174 = 174,40

P*

4 = 0,2(178) + (1 - 0,2) 174,40 = 175,12

P*

5 = 0,2(181,60) + (1 - 0,2) 175,12 = 176,42

Paso 3

a
3 = 2(176) - 174,40 = 177,60
a
4 = 2(178) - 175,12 = 180,88
a
5 = 2(181,60) - 176,42 = 186,78

Paso 4

b

3

0,2

0,8(176174,40) 0,40

=

=

b

b

4

02

0817817512

072

5

02

081816017642

130

=

=

=

=

,

,(

,)

,

,

,(,

,)

,

Como en las situaciones anteriores, el mejor valor de α es el que
proporciona el menor promedio de cuadrado de los errores.

La expresión para los pronósticos a partir del final del año 10 es:

P

10+x = 221,66 + 3,60 x

P

10+1 = P

11 = 221,66 + 3,60(1) = 225,26

P

10+2 = P

12 = 221,66 + 3,60(2) = 228,86

P

10+3 = P

13 = 221,66 + 3,60(3) = 232,46

P

10+4 = P

14 = 221,66 + 3,60(4) = 236,06
La expresión para el pronóstico a partir del final del año 7, es:

P

7+x = 205,87 + 2,82 x

P

7+3 = P

10 = 205,87 + 2,82(3) = 214,33

Ejemplo 3.28

Las unidades vendidas por una fábrica en los últimos cinco (5)
años son las siguientes:

Año

Unidades

vendidas

1

140

2

138

3

132

4

130

5

134

P

t+x = a + bx

(3.77)

En donde:

P

t+x:pronóstico para x períodos después del último período
histórico.

a, b:valores de a y de b correspondientes al período siguiente
al último período de la serie histórica.

Ejemplo 3.27

Las unidades vendidas por una empresa en los últimos 10 años
son las siguientes:

Año

Unidades vendidas

1 174

2

184

3

186

4

196

5

204

6

202

7

216

8

214

9

222

10

226

Suavizar los datos mediante la técnica de la suavización doble
exponencial, con α = 0,2. Efectuar el pronóstico para los años 11
a 14.

Con base en la información hasta el año 7, pronosticar el núme-
ro de las unidades que se esperaba vender en el año 10.

Solución:

AñoUnidadesPaso 1

Paso 2

Paso 3Paso 4

Paso 5

vendidas

P

t+1

P*

t+1

a

b

P**

t+1=
a+b

1

174

2

184

174,00

174,00

3

186

176,00

174,40

177,60

0,40

178,00

4

196

178,00

175,12

180,88

0,72

181,60

5

204

181,60

176,42

186,78

1,30

188,08

6

202

186,08

178,35

193,81

1,93

195,74

7

216

189,26

180,53

197,99

2,18

200,17

8

214

194,61

183,35

205,87

2,82

208,69

9

222

198,49

186,38

210,60

3,03

213,63

10

226

203,19

189,74

216,64

3,36

220,00

207,75

193,34

221,66

3,60

225,26

109

3 - ESTUDIO DEL MERCADO

Suavizar los datos mediante la técnica de la suavización doble
exponencial, con α = 0,2.

Efectuar el pronóstico para el año 9.

Solución:

AñoUnidadesPaso 1

Paso 2

Paso 3Paso 4Paso 5

vendidas

P

t+1

P*

t+1

a

b

P**

t+1=
a+b

1

140

2

138

140,00

140,00

3

132

139,60

139,92

139,28- 0,08

139,20

4

130

138,08

139,55

136,61- 0,37

136,24

5

134

136,46

138,93

133,99- 0,62

133,37

135,97

138,34

133,60- 0,59

133,00

Al final del año 5 la fórmula para pronósticos es:

P

5+x = 133,60 - 0,59 x
El pronóstico para el año 9 es:

P

5+4= P

9= 133,60 - 0,59(4) = 131,24 unidades

Análisis clásico de descomposición de
series de tiempo

La forma tradicional de la descomposición es19
:

V

i = T

i S

i C

i + I
i

(3.78)

En donde:

V

:valor de la variable

T

:factor de tendencia

S

:factor estacional

C

:factor cíclico

I

:factor irregular (por ejemplo, los elementos aleatorios en
las series de tiempo).

i

:período i

El modelo anterior tiene una forma multiplicativa y es la que
generalmente se emplea. En el modelo los factores estacional y
cíclico se presentan como índices. El elemento aleatorio, I, es un
sumando, aunque también es posible que entre como multiplicador,
algo poco usual en la práctica.

Si T = 800, S = 1,7 y C = 1,3; entonces:

V = 800(1,7) (1,3) + I

V = 1.768 + I

El modelo también puede tener una forma aditiva, así:

V = T + S + C + I

(3.79)

Dicha forma es más difícil de trabajar y, por lo tanto, poco se

emplea.

La técnica se ilustrará a través de un ejemplo, basado en las
unidades vendidas por una librería universitaria, presentadas en el
Cuadro 3.13 y la Figura 3.29.

Cuadro 3.13

LIBRERÍA EL UNIVERSITARIO

UNIDADES VENDIDAS EN EL PERÍODO AÑO 1 - AÑO 6

Mes

Año 1

Año 2Año 3

Año 4

Año 5Año 6

Enero

10.90413.634

10.47213.58410.96013.182

Febrero

7.794

8.418

7.826

8.614

7.572

8.802

Marzo

7.242

6.796

7.440

7.162

7.452

7.346

Abril

7.604

7.124

7.566

7.458

7.574

6.854

Mayo

5.940

6.802

6.012

7.496

6.178

7.652

Junio

6.134

6.490

6.242

6.648

6.216

6.962

Julio

9.79211.364

10.03210.98010.00611.438

Agosto

8.004

9.834

8.246

9.452

8.434

9.464

Septiembre7.358

7.654

7.004

8.026

7.026

8.222

Octubre

11.65212.596

11.52212.98411.40013.654

Noviembre8.186

8.428

8.258

8.020

8.032

7.974

Diciembre7.054

7.794

7.362

7.956

7.166

7.890

Para las directivas del almacén es importante descomponer las
series de tiempo de tal manera que:

• Puedan identificar la tendencia de larga duración, que habrá de
servir de base para los planes de expansión futuros, tales como
adquirir más espacio para el almacén.

• Puedan identificar los factores cíclicos de mediana duración que
les proporcionen información sobre la necesidad de reclutar o
de reemplazar personal.

• Puedan identificar los picos estacionales que ocurran durante el
año. Esto proporciona información sobre los niveles de
inventarios que se deben mantener, el planeamiento de activida-
des (preparación de cuentas anuales, por ejemplo, en períodos
de poco trabajo), la necesidad de personal temporal y la manera
de programar las vacaciones.

Lo primero que se debe hacer es tratar de identificar patrones.
La información del Cuadro 3.13 y la Figura 3.29 muestran un
componente estacional muy fuerte, con ventas altas en enero, julio
y octubre. Por otro lado, aparece un cierto factor cíclico: las ventas
en los años 2, 4 y 6 están por encima de las del año inmediatamen-
te anterior.

Indice estacional, S

El cálculo del índice estacional se muestra en el Cuadro 3.14, el
cual se elaboró efectuando un promedio móvil centrado de 12

110

PARTE 2: FORMULACIÓN DE PROYECTOS

Figura 3.29 Librería El Universitario - Unidades vendidas en el período año 1 - año 6

0

2

4

6

8

10

12

14

16

EMMJSNEMMJSNEMMJSNEMMJSNEMMJSNEMMJSN

Unidades vendidas (miles)

Año 1

Año 2

Año 3

Año 4

Año 5

Año 6

Fuente: datos Cuadro 3.13

meses. Al escoger el período del promedio móvil se debe tener en
cuenta que entre más grande sea el período mayor será la suaviza-
ción de los datos. Esto trae como ventaja la eliminación de los
elementos aleatorios pero, al mismo tiempo, reduce la claridad de
cualquier ciclo. Entre mayor sea la suavización mayor será la in-
fluencia que sobre el pronóstico tiene el factor de tendencia y
menor la influencia de los puntos de quiebre.

En algunos textos se recomienda ponderar los datos incluidos en
un promedio móvil; por ejemplo, en un promedio móvil de tres meses
se pueden dar los pesos de 0,25; 0,5 y 0,25 a los tres datos mensuales,
dando mayor importancia al mes en donde se centra el pronóstico. En
la práctica la técnica de la ponderación tiene poca aceptación.

En este caso se hace un promedio móvil centrado de 12 meses,
para lo cual se obtiene el total de 12 meses y se le asigna a uno de
los dos meses centrales. Así, los valores de los primeros 12 meses
suman 97.664 y se le asigna este valor a uno de los dos meses
centrales, en este caso al mes junio año 1. Los valores de febrero
año 1 a enero año 2 suman 100.394, valor que se asigna al mes julio
año 1, y así sucesivamente. Los valores obtenidos se muestran en
la columna 2 del Cuadro 3.14.

El total móvil de 12 meses se centra operando de la siguiente manera:

Total móvil de 12 meses centrado en julio año 1= [total móvil
de 12 meses (enero año 1 a diciembre año 1) + total móvil de 12
meses (febrero año 1 a enero año 2)] / 2. Así:

(97.664 + 100.394) / 2 = 99.029

La columna 4 muestra el promedio móvil mensual, obtenido de
la división del valor de la columna 3 entre 12. La columna 5 mues-
tra la relación entre el volumen de ventas y el promedio móvil

mensual (columna 1 dividida entre columna 4). Esta relación es el
índice estacional. Cuando se tienen varios años, como es el caso
del ejemplo, se deben promediar los índices correspondientes a los
meses del mismo nombre para obtener un índice estacional prome-
dio. La cifra que aparece en la columna 5 para julio año 1 es 1,187;
es decir, las unidades vendidas en julio año 1 fueron 18,7% más
altas que el valor promedio anual. El índice de septiembre año 1
indica que las unidades vendidas fueron 12,4% menos que el valor
promedio anual.

Los índices estacionales mensuales también contienen elemen-
tos aleatorios y se puede decir que esa es la razón para que en
distintos años tengan diferencias (por ejemplo, los índices
estacionales para julio año 1, año 2, año 3, año 4, año 5 son 1,187;
1,294; 1,209; 1,231; 1,211). Al tomar el promedio de estos valores
se espera liberar los datos de tales elementos aleatorios. Quienes
pronostican con frecuencia eliminan los índices mensuales más
bajo y más alto, con el fin de remover los valores extremos, y así se
hizo en el Cuadro 3.15. De esta manera, para enero se eliminan el
valor más alto (1,602) y el valor más bajo (1,225) y el promedio de
los tres datos intermedios es:

(1,569 + 1,278 + 1,527) / 3 = 1,458

Como el total de la suma de las medias es 11.989, en lugar de
12.000 (debido a errores de redondeo, etc.), la última columna las
modifica. Las cifras que aparecen en la última columna se conocen
como los índices estacionales.

Factor de tendencia, T

Este factor se obtiene mediante el ajuste de los datos del promedio
móvil centrado de 12 meses (columna 4 del Cuadro 3.14) a una

111

3 - ESTUDIO DEL MERCADO

Cuadro 3.14

RELACIÓN ENTRE LAS UNIDADES VENDIDAS Y EL
PROMEDIO MÓVIL DE 12 MESES

Año 1

Enero

10.904

Febrero

7.794

Marzo

7.242

Abril

7.604

Mayo

5.940

Junio

6.134

97.664

Julio

9.792

100.394

99.029

8.252,4

1,187

Agosto

8.004

101.018

100.706

8.392,2

0,954

Septiembre

7.358

100.572

100.795

8.399,6

0,876

Octubre

11.652

100.092

100.332

8.361,0

1,394

Noviembre

8.186

100.954

100.523

8.376,9

0,977

Diciembre

7.054

101.310

101.132

8.427,7

0,837

Año 2

Enero

13.634

102.882

102.096

8.508,0

1,602

Febrero

8.418

104.712

103.797

8.649,8

0,973

Marzo

6.796

105.008

104.860

8.738,3

0,778

Abril

7.124

105.952

105.480

8.790,0

0,810

Mayo

6.802

106.194

106.073

8.839,4

0,770

Junio

6.490

106.934

106.564

8.880,3

0,731

Julio

11.364

103.772

105.353

8.779,4

1,294

Agosto

9.834

103.180

103.476

8.623,0

1,140

Septiembre

7.654

103.824

103.502

8.625,2

0,887

Octubre

12.596

106.266

104.045

8.670,4

1,453

Noviembre

8.428

103.476

103.871

8.655,9

0,974

Diciembre

7.794

103.228

103.352

8.612,7

0,905

Año 3

Enero

10.472

101.896

102.562

8.546,8

1,225

Febrero

7.826

100.308

101.102

8.425,2

0,929

Marzo

7.440

99.658

99.983

8.331,9

0,893

Abril

7.566

98.584

99.121

8.260,1

0,916

Mayo

6.012

98.414

98.499

8.208,3

0,732

Junio

6.242

97.982

98.198

8.183,2

0,763

Julio

10.032

101.094

99.538

8.294,8

1,209

Agosto

8.246

101.882

101.488

8.457,3

0,975

Septiembre

7.004

101.604

101.743

8.478,6

0,826

Octubre

11.522

101.496

101.550

8.462,5

1,362

Noviembre

8.258

102.980

102.238

8.519,8

0,969

Diciembre

7.362

103.386

103.183

8.598,6

0,856

Relación en-
tre volumen
de ventas y
el promedio
móvil de 12
meses

Promedio
móvil de
12 meses

Total de
12 meses
centrado

Total de 12
meses

Volumen
de ventas

Año 4

Enero

13.584

104.334

103.860

8.655,0

1,569

Febrero

8.614

105.540

104.937

8.744,8

0,985

Marzo

7.162

106.562

106.051

8.837,6

0,810

Abril

7.458

108.024

107.293

8.941,1

0,834

Mayo

7.496

107.786

107.905

8.992,1

0,834

Junio

6.648

108.380

108.083

9.006,9

0,738

Julio

10.980

105.756

107.068

8.922,3

1,231

Agosto

9.452

104.714

105.235

8.769,6

1,078

Septiembre

8.026

105.004

104.859

8.738,3

0,918

Octubre

12.984

105.120

105.062

8.755,2

1,483

Noviembre

8.020

103.802

104.461

8.705,1

0,921

Diciembre

7.956

103.370

103.586

8.632,2

0,922

Año 5

Enero

10.960

102.396

102.883

8.573,6

1,278

Febrero

7.572

101.378

101.887

8.490,6

0,892

Marzo

7.452

100.378

100.878

8.406,5

0,886

Abril

7.574

98.794

99.586

8.298,8

0,913

Mayo

6.178

98.806

98.800

8.233,3

0,750

Junio

6.216

98.016

98.411

8.200,9

0,758

Julio

10.006

100.238

99.127

8.260,6

1,211

Agosto

8.434

101.468

100.853

8.404,4

1,004

Septiembre

7.026

101.362

101.415

8.451,3

0,831

Octubre

11.400

100.642

101.002

8.416,8

1,354

Noviembre

8.032

102.116

101.379

8.448,3

0,951

Diciembre

7.166

102.862

102.489

8.540,8

0,839

Año 6

Enero

13.182

104.294

103.578

8.631,5

1,527

Febrero

8.802

105.324

104.809

8.734,1

1,008

Marzo

7.346

106.520

105.922

8.826,8

0,832

Abril

6.854

108.774

107.647

8.970,6

0,764

Mayo

7.652

108.716

108.745

9.062,1

0,844

Junio

6.962

109.440

109.078

9.089,8

0,766

Julio

11.438

Agosto

9.464

Septiembre

8.222

Octubre

13.654

Noviembre

7.974

Diciembre

7.890

Cuadro 3.14

RELACIÓN ENTRE LAS UNIDADES VENDIDAS Y EL
PROMEDIO MÓVIL DE 12 MESES

Relación en-
tre volumen
de ventas y
el promedio
móvil de 12
meses

Promedio
móvil de
12 meses

Total de
12 meses
centrado

Total de 12
meses

Volumen
de ventas

1 de 2

2 de 2

1

2

5

4

3

1

2

5

4

3

112

PARTE 2: FORMULACIÓN DE PROYECTOS

4.000

5.000

6.000

7.000

8.000

9.000

10.000

11.000

12.000

EMMJSNEMMJSNEMMJSNEMMJSNEMMJSNEMMJSN

Unidades vendidas (miles)

Año 1

Año 2

Año 3

Año 6

Año 5

Año 4

Promedio móvil de 12 meses

Tendencia
lineal

Fuente: datos columna 4, Cuadro 3.16

Figura 3.30 Tendencia de los datos del promedio móvil centrado de 12 meses

Año 1

Año 2

Año 3

Año 4

Año 5

Año 6

Media1

Indice
estacional2

Enero

1,602

1,225

1,569

1,278

1,527

1,458

1,459

Febrero

0,973

0,929

0,985

0,892

1,008

0,962

0,963

Marzo

0,778

0,893

0,810

0,886

0,832

0,843

0,844

Abril

0,810

0,916

0,834

0,913

0,764

0,852

0,853

Mayo

0,770

0,732

0,834

0,750

0,844

0,785

0,786

Junio

0,731

0,763

0,738

0,758

0,766

0,753

0,754

Julio

1,187

1,294

1,209

1,231

1,211

1,217

1,218

Agosto

0,954

1,140

0,975

1,078

1,004

1,019

1,020

Septiembre

0,876

0,887

0,826

0,918

0,831

0,865

0,866

Octubre

1,394

1,453

1,362

1,483

1,354

1,403

1,404

Noviembre

0,977

0,974

0,969

0,921

0,951

0,965

0,966

Diciembre

0,837

0,905

0,856

0,922

0,839

0,867

0,867

11,989

12,000

Cuadro 3.15

CÁLCULO DE LOS ÍNDICES ESTACIONALES

1 Después de eliminar los valores menor y mayor de cada mes.

2 Ajustado según el factor

1200012000

119891009

,

,

,

,

Media =

=

Así, por ejemplo, el índice estacional para enero es: 1,458 x 1,0009 = 1,459

113

3 - ESTUDIO DEL MERCADO

curva, a través de un análisis de regresión. Al ajustar los datos a
una función lineal:

Y = a + bX

Donde:

Y = Volumen de ventas

X = Período de tiempo (1 a 60)

Se obtiene una relación que no es estadísticamente significati-
va. El mejor estimativo de la tendencia es, de hecho, una tendencia
horizontal de 8.585 unidades (calculada como el promedio de los
60 valores de los promedios móviles). La Figura 3.30 también
sugiere que el factor de tendencia es horizontal.

Factor cíclico, C

Si todo indicara que no hay factor cíclico, el cual con frecuencia es
difícil de identificar, el pronóstico se puede basar solamente en los
componentes estacional y de tendencia. De esta manera, el pro-
nóstico es:

Pronóstico = Factor de tendencia x índice estacional

En el presente ejemplo se tomaría como factor de tendencia 8.585.

Sin embargo, el examen inicial al Cuadro 3.13 y a la Figura 3.29
permitió identificar un factor cíclico de dos años de duración. Este
factor cíclico también es evidente en la Figura 3.30, que muestra
los promedios móviles mensuales.

El factor cíclico se determina eliminando inicialmente el factor

estacional y luego el factor de tendencia. El factor estacional se
elimina tomando el promedio móvil de los datos, tal como se
describió anteriormente. De esta manera se tiene:

Promedio móvil = factor de tendencia x factor cíclico x elemen-

to aleatorio

De donde se obtiene:

tendencia

de

Factor

móvil

Promedio

=

aleatorio

elemento

x

cíclico

Factor

El valor del factor de tendencia de cada valor de las unidades
vendidas se obtiene a partir de la ecuación de regresión. En el
ejemplo dicha ecuación es: Y = 8.585

En el Cuadro 3.16 se muestra el cálculo del factor cíclico.

La Figura 3.31 muestra los factores cíclicos mensuales en for-

ma gráfica.

Algunos pronosticadores podrán querer calcular un promedio
móvil o anual de los valores que aparecen en la columna 4; parece
más lógico un promedio anual, ya que al revisar los resultados se
observa un ciclo formado por un período ‘bajo’ de un año y un
período ‘alto’ de un año. En el Cuadro 3.17 se presentan los prome-
dios anuales de los factores cíclicos, obtenidos mediante eliminación
de las observaciones mayor y menor. El factor cíclico para los años
bajos es 0,978. Para los años altos el factor cíclico crece.

Ante la falta de más información, para efectos de pronóstico se
debe tomar como factor cíclico para el año alto siguiente, año 8, un
valor aproximado de 1,037, correspondiente a la última estimación.

Figura 3.31 Factores cíclicos mensuales

0,90

0,92

0,94

0,96

0,98

1,00

1,02

1,04

1,06

1,08

JSNEMM

JSNEMM

JSNEMM

JSNEMM

JSNEMM

Factor ciclico

Año 1

Año 2

Año 3

Año 4

Año 5

Año 6

Fuente: datos columna 4, Cuadro 3.16

114

PARTE 2: FORMULACIÓN DE PROYECTOS

Cuadro 3.16

CÁLCULO DEL FACTOR CÍCLICO

Volumen

Promedio

Fator deFactor cíclico

de ventas

móvil de

Tendencia(Columna 2

12 meses

/ Columna 3)

Año 1

Enero

10.904

Febrero

7.794

Marzo

7.242

Abril

7.604

Mayo

5.940

Junio

6.134

Julio

9.792

8.252,4

8.585

0,961

Agosto

8.004

8.392,2

8.858

0,978

Septiembre

7.358

8.399,6

8.585

0,978

Octubre

11.652

8.361,0

8.585

0,974

Noviembre

8.186

8.376,9

8.585

0,976

Diciembre

7.054

8.427,7

8.585

0,982

Año 2

Enero

13.634

8.508,0

8.585

0,991

Febrero

8.418

8.649,8

8.585

1,008

Marzo

6.796

8.738,3

8.585

1,018

Abril

7.124

8.790,0

8.585

1,024

Mayo

6.802

8.839,4

8.585

1,030

Junio

6.490

8.880,3

8.585

1,034

Julio

11.364

8.779,4

8.585

1,023

Agosto

9.834

8.623,0

8.585

1,004

Septiembre

7.654

8.625,2

8.585

1,005

Octubre

12.596

8.670,4

8.585

1,010

Noviembre

8.428

8.655,9

8.585

1,008

Diciembre

7.794

8.612,7

8.585

1,003

Año 3

Enero

10.472

8.546,8

8.585

0,996

Febrero

7.826

8.425,2

8.585

0,981

Marzo

7.440

8.331,9

8.585

0,971

Abril

7.566

8.260,1

8.585

0,962

Mayo

6.012

8.208,3

8.585

0,956

Junio

6.242

8.183,2

8.585

0,953

Julio

10.032

8.294,8

8.585

0,966

Agosto

8.246

8.457,3

8.585

0,985

Septiembre

7.004

8.478,6

8.585

0,988

Octubre

11.522

8.462,5

8.585

0,986

Noviembre

8.258

8.519,8

8.585

0,992

Diciembre

7.362

8.598,6

8.585

1,002

1

2

4

3

1 de 2

Año 4

Enero

13.584

8.655,0

8.585

1,008

Febrero

8.614

8.744,8

8.585

1,019

Marzo

7.162

8.837,6

8.585

1,029

Abril

7.458

8.941,1

8.585

1,041

Mayo

7.496

8.992,1

8.585

1,047

Junio

6.648

9.006,9

8.585

1,049

Julio

10.980

8.922,3

8.585

1,039

Agosto

9.452

8.769,6

8.585

1,022

Septiembre

8.026

8.738,3

8.585

1,018

Octubre

12.984

8.755,2

8.585

1,020

Noviembre

8.020

8.705,1

8.585

1,014

Diciembre

7.956

8.632,2

8.585

1,005

Año 5

Enero

10.960

8.573,6

8.585

0,999

Febrero

7.572

8.490,6

8.585

0,989

Marzo

7.452

8.406,5

8.585

0,979

Abril

7.574

8.298,8

8.585

0,967

Mayo

6.178

8.233,3

8.585

0,959

Junio

6.216

8.200,9

8.585

0,955

Julio

10.006

8.260,6

8.585

0,962

Agosto

8.434

8.404,4

8.585

0,979

Septiembre

7.026

8.451,3

8.585

0,984

Octubre

11.400

8.416,8

8.585

0,980

Noviembre

8.032

8.448,3

8.585

0,984

Diciembre

7.166

8.540,8

8.585

0,995

Año 6

Enero

13.182

8.631,5

8.585

1,005

Febrero

8.802

8.734,1

8.585

1,017

Marzo

7.346

8.826,8

8.585

1,028

Abril

6.854

8.970,6

8.585

1,045

Mayo

7.652

9.062,1

8.585

1,056

Junio

6.962

9.089,8

8.585

1,059

Julio

11.438

Agosto

9.464

Septiembre

8.222

Octubre

13.654

Noviembre

7.974

Diciembre

7.890

Volumen

Promedio

Fator deFactor cíclico

de ventas

móvil de

Tendencia(Columna 2

12 meses

/ Columna 3)

Cuadro 3.16

CÁLCULO DEL FACTOR CÍCLICO

1

2

4

3

2 de 2

115

3 - ESTUDIO DEL MERCADO

Cuadro 3.17

CÁLCULO DEL FACTOR CÍCLICO PROMEDIO

* Después de eliminar los valores menor y mayor de cada mes.
Fuente: datos de la columna 4 del Cuadro 3.16

Año 1

Año 2

Año 3Año 4Año 5Año 6

Enero

0,991

0,996 1,008

0,9991,005

Febrero

1,008 0,9811,019

0,9891,017

Marzo

1,018 0,9711,029

0,9791,028

Abril

1,024 0,9621,041

0,9671,045

Mayo

1,030 0,9561,047

0,9591,056

Junio

1,034 0,9531,049

0,9551,059

Julio

0,961 1,023

0,9661,039

0,962

Agosto

0,978 1,004

0,9851,022

0,979

Septiembre

0,978 1,005

0,9881,018

0,984

Octubre 0,974 1,010

0,9861,020

0,980

Noviembre

0,976 1,008

0,9921,014

0,984

Diciembre

0,982 1,003

1,0021,005

0,995

Promedio * 0,977

1,013

0,978 1,026

0,9781,037

Como método alternativo se puede tener el cálculo de factores
cíclicos para cada mes de los años bajos y de factores cíclicos para
cada mes de los años altos. Por ejemplo:

Factor cíclico (años
bajos) de diciembre

Factor cíclico (años
altos) de diciembre

Los factores cíclicos promedio de cada mes (en años bajos u

004
,
1

2

1,005

003
,
1

=

+

=

993
,
0

3

0,995

1,002

0,982

=

+

+

=

otros períodos cíclicos) se suman, lo mismo que los factores cícli-
cos promedio de cada mes (en años altos u otros períodos cícli-
cos) y a partir de dichos resultados se obtienen los factores cícli-
cos.

Mientras que los factores estacional y de tendencia se pueden
calcular con precisión, el factor cíclico es más difícil de establecer.
De acuerdo con la información del Cuadro 3.17 el pronosticador
puede estimar que en un año el factor cíclico es 0,978 y en el
siguiente es 1,037. De todas maneras, el componente cíclico de
una serie de tiempo es el más difícil de identificar y de medir
debido a las diferentes fuerzas que generan ciclos, tales como
políticas económicas del gobierno que no mantienen un patrón
preciso y consistente. En la práctica, algunos pronosticadores
calculan los factores estacional y de tendencia y subjetivamente
estiman el factor cíclico futuro.

Pronóstico mediante el empleo del análisis
clásico de descomposición

Sea por ejemplo obtener el pronóstico para enero del Año 7.
Este se puede lograr mediante aplicación de la expresión:

P

E = T

E . S

E . C

E

(E : enero)

De la información anterior se tiene:

• Factor de tendencia, T

E = 8.585
• Factor estacional para enero, S

E = 1,459 (Cuadro 3.15)

• Factor cíclico estimado para Año 7, C

E = 0,978

El pronóstico para enero del Año 7 es:

P

E = 8.585 (1,459) (0,978) = 12.250 libros
El pronóstico para noviembre del Año 7 es:

P

N = T

N . S

N . C

N

(N: noviembre)

P

N = 8.585 (0,966) (0,978) = 8.111 libros

Capítulo 4

TAMAÑO DE LOS
PROYECTOS

Este capítulo considera en detalle las diferentes variables que se deben tener
en cuenta en la determinación del tamaño de un proyecto. También, algunos
aspectos relacionados con economías de escala y con la definición del tamaño
óptimo de un proyecto cuando se tienen diferentes opciones de tamaño.

1.DEFINICIÓN

El tamaño como una función de la capacidad de pro-
ducción
El tamaño como una función del tiempo
El tamaño como una función de la operación en conjunto
2.EL TAMAÑO DEL PROYECTO Y LA DIMENSIÓN Y
CARACTERÍSTICAS DEL MERCADO
Carácter dinámico de la demanda
Método numérico para estimar el tamaño de un pro-
yecto con demanda creciente
Distribución geográfica del mercado
3.EL TAMAÑO DEL PROYECTO Y LA TECNOLOGÍA DEL
PROCESO PRODUCTIVO
4.EL TAMAÑO DEL PROYECTO Y LA DISPONIBILIDAD DE
INSUMOS Y MATERIA PRIMA
5.EL TAMAÑO DEL PROYECTO Y SU LOCALIZACIÓN
6.EL TAMAÑO DEL PROYECTO Y LOS COSTOS DE
INVERSIÓN Y DE OPERACIÓN
7.EL TAMAÑO DEL PROYECTO Y EL FINANCIAMIENTO
DEL PROYECTO
8.ECONOMÍAS DE ESCALA
Economía de escala de naturaleza tecnológica
Economía de escala de naturaleza pecuniaria

9.TAMAÑO ÓPTIMO
10.RELACIÓN CUANTITATIVA ENTRE VOLUMEN DE VENTAS,
TAMAÑO DEL PROYECTO E INSUMOS MATERIALES

1. DEFINICIÓN

•La tecnología del proceso productivo.
•La disponibilidad de insumos y materia prima.
•La localización.
•Los costos de inversión y de operación.
•El financiamiento del proyecto.

El tamaño como una función de la
capacidad de producción

Al considerar el tamaño como una función de
la capacidad de producción se debe distinguir
entre capacidad teórica, capacidad normal
viable y capacidad nominal máxima.

➤Capacidad teórica 12

. Es aquel volumen de
producción que, con técnicas óptimas, per-
mite operar al mínimo costo unitario.

➤Capacidad nominal máxima 9

. Esta es la
capacidad técnicamente viable y a menudo
corresponde a la capacidad instalada, se-
gún las garantías proporcionadas por el abas-

El tamaño de un proyecto es su capaci-

dad de producción durante un período de
tiempo de funcionamiento que se considera
normal para las circunstancias y tipo de pro-
yecto de que se trata. Por lo tanto, si se dice
que el tamaño de una fábrica de calzado es de
80 mil pares de zapatos al año, se debe especi-
ficar el número de días al año y el número de
horas al día en que se proyecta hacer trabajar la
fábrica para lograr esta capacidad de produc-
ción. Es decir, el tamaño de un proyecto es una
función de la capacidad de producción, del
tiempo y de la operación en conjunto.

Otras formas de expresar el tamaño de un
proyecto son:
•Por referencia al total de operarios u obre-
ros ocupados.
•Por referencia al valor total de la inversión o
de los activos totales.
•En unidades especiales: número de husos,
en el caso de hilanderías e industria textil;

por la longitud y el ancho de la superficie
de rodadura, en el caso de carreteras; índi-
ces de pesos (toneladas), en las industrias
de bienes de capital, cuando los equipos pro-
ducidos son de características y tamaños di-
versos.

El análisis del tamaño de un proyecto es
uno de los aspectos esenciales de su estudio
técnico.

Las variables determinantes del tamaño,
mostradas en la Figura 4.1, son:
•La dimensión y características del mercado.

Figura 4.1 Variables determinantes del tamaño
de un proyecto

120

PARTE 2: FORMULACIÓN DE PROYECTOS

da derivada del estudio del mercado. Cuando
se expresa el tamaño del proyecto se emplea
el concepto de capacidad normal viable.

El tamaño como una función del
tiempo

Al considerar el tamaño como una función
del tiempo es importante tener en cuenta que la
estacionalidad en la disponibilidad y suminis-
tro de ciertas materias primas e insumos deter-
mina la utilización de la capacidad instalada. Es
para estos períodos para los cuales se estima la
capacidad de la planta y se espera que su opera-
ción sea máxima.

El tamaño como una función de la
operación en conjunto

Al considerar la operación en conjunto es po-
sible detectar aquellos puntos críticos o ‘cue-
llos de botella’ que conlleven a la necesidad de
establecer dos o más turnos en determinadas
unidades de producción.

tecedor. Para alcanzar las cifras de produc-
ción máximas se necesitarían horas extraor-
dinarias de trabajo, así como un consumo
excesivo de suministros de fábrica, servi-
cios, repuestos y partes de desgaste rápido,
lo cual aumentaría el nivel normal de los
costos de operación.

➤Capacidad normal viable 9

. Esta capaci-
dad es la que se logra en condiciones nor-
males de trabajo teniendo en cuenta no sólo
el equipo instalado y las condiciones técni-
cas de la planta, tales como paros norma-
les, disminuciones de la productividad, fe-
riados, mantenimiento, cambio de herra-
mientas, estructura de turnos deseada, y ca-
pacidades indivisibles de las principales má-
quinas, sino también el sistema de gestión
aplicado. Así, la capacidad normal viable es
el número de unidades producidas por pe-
ríodo en las condiciones arriba menciona-
das.
Esta capacidad debe corresponder a la deman-

El elemento de juicio más importante para de-
terminar el tamaño del proyecto es general-
mente la cuantía de la demanda actual y futura
que ha de atenderse.

Existen tres situaciones básicas para la
cuantía de la demanda:

•No presenta limitaciones prácticas en cuan-
to a escala de producción.

•Es tan pequeña que no alcanza a justificar el
tamaño mínimo.

•Es del mismo orden de magnitud que el ta-
maño mínimo posible.
El estudio profundo y detallado del merca-

2.EL TAMAÑO DEL PROYECTO Y LA DIMENSIÓN Y
CARACTERÍSTICAS DEL MERCADO

do estará estrechamente relacionado con el ta-
maño en el tercer caso; en el primero la magni-
tud de la demanda no es factor limitativo y en el
segundo lo es hasta el punto de hacer imposi-
ble el proyecto.
Lo anterior contribuye a la delimitación del
problema, algo que se complica al considerar
las variaciones de la demanda en función del
ingreso, de los precios, de los factores demo-
gráficos, de los cambios en la distribución geo-
gráfica del mercado y de la influencia del ta-
maño en los costos.
Lo ideal es que el tamaño no sea mayor que
la demanda actual y esperada del mercado y que

121

4 - TAMAÑO DE LOS PROYECTOS

una. Si este no es el caso, lo conveniente es ir
añadiendo nuevas unidades a medida que crece
la demanda, lo que evita tener capacidad ocio-
sa durante algunos años.
Para un tamaño dado de planta, los costos
unitarios decrecen a medida que se utilice un
mayor porcentaje de la capacidad instalada.
En conclusión, cuando se considere el ca-
rácter dinámico de la demanda, para la deter-
minación del tamaño del proyecto se puede
operar como sigue:
•Se determinan los dos tipos de curvas de cos-
tos de operación en función de las cantidades
producidas. En uno de ellos se representan
los costos unitarios de una serie de plantas
de diverso tamaño, funcionando cada una al
cien por ciento (100%) de capacidad; en el
otro se representan los costos unitarios que
resultan cuando una planta de tamaño dado se
opera a diferentes porcentajes de aprovecha-
miento de su capacidad.
•En el gráfico que muestre las curvas anterio-
res se señalan la demanda actual y las pro-
yectadas.
•El estudio del tamaño más conveniente se
efectúa mediante el análisis combinado de las
demandas y las curvas de costos en función
del tamaño. El tamaño de planta adecuado será
el que conduzca al mínimo costo unitario,
para atender la demanda actual, a la vez que
tenga capacidad disponible para atender la
futura demanda.

Método numérico para estimar el
tamaño de un proyecto con
demanda creciente12

El método aproximado que se expone a conti-
nuación permite tener una primera idea del ta-
maño óptimo aconsejable y lo será mucho
mejor en la medida en que sea mayor la certeza
en la estimación de los parámetros que lo de-
terminan. Debe considerarse como un elemen-

la cantidad demandada sea superior al tamaño
mínimo económico del proyecto.
Si el proyecto en estudio se enfrenta con la
situación de estacionalidad en las ventas, dos
son las posibilidades: definir un tamaño en fun-
ción de la estacionalidad y utilizar recursos,
mano de obra en especial, para satisfacer la
estacionalidad; o determinar un promedio men-
sual de la demanda y producir según este pro-
medio, lo que implica el manejo de grandes
inventarios en temporadas bajas. La primera
posibilidad es la menos ventajosa desde el punto
de vista social debido a la frecuencia en el des-
pido del personal.

Carácter dinámico de la demanda

Toda unidad empresarial tiene su propia curva
de costos de operación en función del tamaño.
Al confrontar dicha curva de costos con la cur-
va de variación de la demanda en función de uno
o más de los factores que se acaban de men-
cionar, es posible, en muchos casos, llegar a la
conclusión de que es conveniente instalar un
tamaño superior que el correspondiente a la
demanda actual.
Por ejemplo, si se considera el precio, un
tamaño mayor puede tener razón porque los
menores costos pueden permitir menores pre-
cios de venta y, si se tiene un valor alto de elas-
ticidad - precio, se tendrá como resultado in-
cremento en la demanda. La consideración del
crecimiento futuro de la demanda puede jus-
tificar el montaje actual de una instalación con
capacidad excesiva, aunque opere con mayo-
res costos durante varios años, toda vez que las
menores utilidades, e inclusive pérdidas, ini-
ciales, pueden verse más que compensadas en
los años siguientes por el menor costo resul-
tante de la mayor escala de producción.
Desde todo punto de vista, lo anterior sólo
se justifica considerarlo si se trata de una in-
dustria difícilmente divisible en unidades par-
ciales de producción de pequeña capacidad cada

122

PARTE 2: FORMULACIÓN DE PROYECTOS

to más de ayuda para la toma de la decisión fi-
nal en cuanto al tamaño del proyecto. Para po-
der aplicarlo se deben conocer o estimar previa-
mente los siguientes parámetros:

D

1:magnitud de la demanda actual que sa-
tisface el proyecto

r:tasa de crecimiento de la demanda que
satisface el proyecto

n:vida útil de la maquinaria y equipos
a:factor de escala
Según el método propuesto, el tamaño, T,
viene dado por:
T = D

1 (1+r)k

(4.1)
Donde k, denominado período óptimo, se
obtiene mediante la solución de la siguiente
ecuación:

1

1

121

2

(

)

+

=−

+





rK

a

a

r

r

nK

(4.2)

Las expresiones anteriores se deducen al
suponer que el tamaño óptimo del proyecto es
aquel que permite mantener al mínimo los cos-
tos totales durante la vida útil estimada.
El exponente del factor de escala es supre-
mamente difícil de conocer. Al respecto, las
Naciones Unidas han efectuado algunos es-
tudios y, a manera de ejemplo, se presentan a
continuación los factores de escala que ha
obtenido para la industria química y petro-
química:

Producto

Factor de escala

Acido sulfúrico (procedimiento de contacto)

0,73

Azufre (a partir de HS

2)

0,64

Acido nítrico

0,93

Oxígeno

0,65

Estireno

0,65

GR-S (caucho sintético)

0,63

Etileno

0,86

Reformación catalítica

0,62

Refinación de petróleo

0,67

Ejemplo 4.1

Mediante aplicación del método aproximado
anterior determinar el tamaño óptimo aconse-
jable para un proyecto que presenta las siguien-
tes características:

•Magnitud de la demanda actual que debe sa-
tisfacer el proyecto: 3.500 unidades anuales

•Tasa de crecimiento de la demanda que satis-
face el proyecto: 4% anual

•Vida útil de la maquinaria y equipos: 10 años
•Factor de escala: 0,60

Solución:

Al reemplazar los valores numéricos en la ex-
presión (4.2) se tiene:

1

1004

12

1

060

060

004

004

2

10

(

,)

,

,

,

,

+

=−

+





K

K

1 = 1,04k

- 1,33 (1,04)k

(0,0196)10-k

Al igualar a cero:

1 - 1,04k

+ 1,33 (1,04)k

(0,0196)10-k

= 0

Al resolver la ecuación anterior, por tanteo, se
tiene:

Para k = 9,6

1 - 1,049,6

+ 1,33 (1,04)9,6

(0,0196)0,4

=

= - 0,0551585 ≠ 0

Para k = 9,7

1 - 1,049,7

+ 1,33 (1,04)9,7

(0,0196)0,3

=

= 0,135140294 ≠ 0

123

4 - TAMAÑO DE LOS PROYECTOS

k está entre 9,6 y 9,7. Mediante interpolación
lineal:

9,6

0,0551585

- 0,0551585

0,1

?

0

0,190298794

9,7

0,135140294

K = 9,6 + 0,03 = 9,63 años

Al reemplazar en la expresión (4.1) se tiene:

T = 3.500 (1+0,04)9,63

T = 5.106 unidades anuales

Distribución geográfica del mercado

La distribución geográfica de la demanda se
puede constituir en un factor de importancia
en la decisión sobre el tamaño y la localiza-
ción de la empresa. Puede suceder que una mis-
ma demanda se satisfaga instalando:
•Una sola empresa o negocio para todo el mer-
cado geográfico.
•Una empresa o negocio para la mayor parte
del territorio y empresas satélites menores
en otros lugares.
•Varias empresas o negocios aproximadamente del
mismo tamaño y situados en diferentes lugares.

Cuando se analiza la tecnología asociada con
cada una de las alternativas de procesos pro-
ductivos, el resultado es que cada proceso exi-
ge una escala mínima de producción para ser
aplicable y que por debajo de ciertos niveles
mínimos de producción los costos son de tal
magnitud que hacen imposible considerar cual-
quier posibilidad de operación. Tal es el caso
de las formas automáticas de producción, apli-
cables sólo a cierta escala mínima, y las de
muchos procesos industriales.
Los proveedores de equipo sólo ofrecen cier-
tos tamaños a los cuales hay que adaptar la so-
lución, y ello establece límites a los que es
imperativo atenerse en la práctica.

Una planta de cemento con capacidad infe-
rior a 300 toneladas diarias no suele conside-
rarse económica ya que puede requerir hor-
nos de solera vertical, y la producción que se
obtiene con este equipo no puede competir
con la de hornos rotatorios. Las plantas de
amoníaco deben tener un cierto tamaño míni-
mo a fin de que el precio del producto no sea
excesivamente elevado en comparación con
los precios de otros abastecedores. Esto tam-
bién se aplica a una gran variedad de indus-
trias químicas, incluidas las industrias petro-
químicas primarias y secundarias, cuyo tama-
ño económico está aumentando rápidamente
respecto de la mayoría de los productos.

3.EL TAMAÑO DEL PROYECTO Y LA TECNOLOGÍA DEL
PROCESO PRODUCTIVO

124

PARTE 2: FORMULACIÓN DE PROYECTOS

4.EL TAMAÑO DEL PROYECTO Y LA DISPONIBILIDAD DE
INSUMOS Y MATERIA PRIMA

ta a la disponibilidad del insumo o materia pri-
ma. Es por esto que se deben estudiar y anali-
zar los niveles actuales y futuros que presen-
tan los insumos que pueda requerir el proyec-
to. Además, es importante tener un buen co-
nocimiento sobre las reservas de recursos re-
novables y no renovables, sobre la existencia
de insumos sustitutos y sobre los problemas
de orden político.

En muchos países, y en especial en los países
en vía de desarrollo, la no disposición de
insumos y materia prima puede ser la causa fun-
damental para que el proyecto no pueda operar.
Como se dijo antes, la tecnología impone
una escala de producción mínima. Algo simi-
lar ocurre cuando los insumos y materias pri-
mas no están en la cantidad deseada. En este
caso la capacidad de uso del proyecto se limi-

Las relaciones fundamentales entre tamaño del
proyecto y localización del proyecto surgen por
una parte de la distribución geográfica del
mercado y por otra del impacto que la locali-
zación tiene en los costos de operación y de
distribución.

El impacto que la localización tiene en los
costos se detalla en el próximo capítulo. Aquí
sólo se ilustrarán algunos casos de limitacio-
nes que la localización impone al tamaño.
Si el problema es definir la localización de
una planta pasteurizadora de leche, el potencial
productivo de la zona lechera abastecedora es-
tablecerá un límite práctico al tamaño más
grande que se puede instalar. A su vez, los lími-

tes de la zona con respecto a la planta serán
determinados por los costos de transporte de
la leche de las fincas hasta la planta. Por lo tan-
to, dados los costos de transporte y los pre-
cios de la leche, la capacidad de la zona para
abastecer una planta lechera queda determina-
da y con ella el tamaño máximo de la propia
industria. Algo similar ocurre con los ingenios
azucareros que procesan caña y remolacha, así
como las industrias de celulosa y papel que usan
madera y, en general, con todas aquellas que
dependen de materias primas que no son trans-
portables a largas distancias por ser perecede-
ras, demasiado voluminosas o pesadas, o debi-
do a otras razones.

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->