Documentos de Académico
Documentos de Profesional
Documentos de Cultura
FORMULACION DE PROYECTOS
Profesor:
ING.MG. ROBERTO ESPARZA S.
Cada una de las técnicas de proyección tiene una aplicación de carácter especial que hace de
su selección un problema decisional influido por diversos factores, como por ejemplo, la
validez y disponibilidad de los datos históricos, la precisión deseada del pronóstico, el costo
del procedimiento, los beneficios del resultado, los períodos futuros que se desea pronosticar
y el tiempo disponible para hacer el estudio, entre otros
Métodos de Proyección
Métodos Causales
¾ Modelo de Regresión
¾ Modelo Econométrico
¾ Método de encuestas de
intenciones de compra
¾ Modelo de insumo-producto
Las causales explicativas se definen cmo variables independientes y la cantidad demandada,
u otro elemento del mercado que se deea proyectar, se define como variable dependiente. La
variable dependiente se explica, en consecuencia, por la variable independiente.
y y’ = a + b X
Q
Y’= Variable estimada
Q
y = Variable dependiente
Q Q
Q
Q
X = Período
Q
Q
Q
Q
Q
a = Intersección de Y
Q
Q
Q
Q
b = Pendiente
X
Es una relación funcional entre dos variables correlacionadas, formando una línea recta,
donde “y “ es el valor estimado de la variable dependiente para un valor específico de la
variable independiente “X”, “a” es el punto de intersección de la línea de regresión con el eje
Y, ”b” es la pendiente de la línea de regresión, y, “X” es el valor específico de la variable
independiente
Análisis de Regresión
n
∑ (X ⋅ y )− n ⋅ X ⋅ y
b = i =1
n
y = Variable dependiente
∑ X = Período
2
−n⋅X
2
X i
i =1 a = Intersección de Y
b = Pendiente
n = Nº de datos
a = y −bX _ _
X, y= Promedio
Como el modelo de regresión es un modelo estadístico, es posible determinar su grado de
presición y confiabilidad de los resultados de la regresión. Para esto es utilizado el
coeficiente de determinación (r2), que indica que tan correcto es el estimado de la ecuación
de regresión
Análisis de Regresión
2 [n ∑ Xy − (∑ ∑X )( y )]2
r =⎡
⎢n∑ X − (∑ X ) ⎥ ⎢n∑ y − (∑ y ) ⎥
2 2 ⎤⎡ 2 2 ⎤
y = Variable dependiente
X = Período ⎢ ⎣ ⎥⎢ ⎥ ⎦⎣ ⎦
n = Nº de datos
Mientra más alto sea r2, más confianza podrá
tenerse en el estimado de la línea de regresión. De
forma más concreta, representa la proporción de
la variación total en Y, que se explica por la
ecuación de regresión, pudiendo asumir un valor
entre 0 y 1.
Con los antecedentes disponibles es posible calcular el error estandar de una estimación,
para determinar la desviación estandar de la variable independiente y para un valor
específico de la variable independiente “X”.
Análisis de Regresión
Se =
∑y 2
− a ∑ y − b∑ Xy
n−2
Entonces, si suponemos que los términos del error están
normalmente distribuidos en torno a la línea de regresión,
la mayor precisión se asocia con los errores estandares
más pequeños de la estimación.
Los modelos de Series de Tiempo se refieren a la medición de una variable en el tiempo a
intervalos espaciados uniformemente. El objetivo de la identificación de la información
histórica es determinar un patrón básico en su comportamiento, que permita la proyección
futura de la variable deseada.
¾ La tendencia
¾ La estacionalidad
¾ El componente Cíclico
¾ La componente no
sistemática
Existen cuatro componentes de una serie de tiempo cronológica. En el corto plazo se
distinguen fluctuaciones estacionales y variaciones no sistemáticas. A largo plazo, los
componentes estacionales y aleatorios son menos relevantes que el componente cíclico y la
tendencia
Componente
cíclico
Componente
de tendencia
Componente no
sistemático
Componente
estacional _Tiempo
Los modelos de series de tiempo más usados son: Promedios de móviles simples,
Alisamiento Exponencial y Método de descomposición
Promedios de móviles
simples
La exactitud del pronóstico se evalúa buscando el error absoluto dado por:
n
e t = ∑ ei
1
Valor Medio:
n i =1
⎡1 ⎤
1/ 2
( )
n
σet = ⎢ ∑ e i − ei
2
Desviación
estándar: ⎣ n i =1 ⎥⎦
En el Alisamiento Exponencial, cada vez que se añade un nuevo dato, se elimina la
observación más antigua y se calcula el nuevo pronóstico.Por otra parte ,considera válida la
premisa de que la importancia de los datos disminuye mientras más antiguos sean.
Alisamiento Exponencial
Alisamiento Exponencial
Año 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000
Añ o X Demanda X* y X2 y2
1990 -5 10 -50 25 100
1991 -4 20 -80 16 400
1992 -3 30 -90 9 900
1993 -2 45 -90 4 2025
1994 -1 70 -70 1 4900
1995 0 90 0 0 8100
1996 1 125 125 1 15625
1997 2 150 300 4 22500
1998 3 180 540 9 32400
1999 4 220 880 16 48400
2000 5 270 1350 25 72900
Total 0 1210 2815 110 208250
Ahora, reemplazando estos datos en las ecuaciones de “b” y “a”,
podemos obtener lo siguiente:
1.210 ⎛0⎞
a= − 25,59⎜ ⎟ = 110
11 ⎝ 11 ⎠
Así, la ecuación de regresión final es:
r2 =
[11 (2 .815 ) − (0 )(1 .210 )]2
= 0,958
[11(110) − (0) [11(208.250) − (1.210) ]]
2 2
Se =
(208.500) − (110)(1.210) − (25,59(2.825)) = 18,60
11 − 2
2 + 3 + 4 +1
S1 = = 2,50
4
3 + 4 +1+ 5
S2 = = 3,25
4
Así, S1 se encuentra entre primavera y verano de 1990 y S2 entre verano y otoño
de ese mismo año, este procedimiento continúa hasta 2000. Con esto, es posible
calcular los promedios máviles centrados:
2,50 + 3,25
SC1 = = 2,88
2
Año Estación Demanda Si Sci IE
1990 invierno 2,0
prmavera 3,0
verano 4,0 2,50 2,88 1,39
otoño 1,0 3,25 3,63 0,28
Así se obtiene 1991 invierno
prmavera
5,0
6,0
4,00
4,75
4,38
4,88
1,14
1,23
verano 7,0 5,00 5,25 1,33
la siguiente 1992
otoño
invierno
2,0
7,0
5,50
6,50
6,00
6,88
0,33
1,02
tabla prmavera
verano
10,0
10,0
7,25
7,50
7,38
7,88
1,36
1,27
otoño 3,0 8,25 9,13 0,33
1993 invierno 10,0 10,00 10,75 0,93
prmavera 17,0 11,50 11,38 1,49
verano 16,0 11,25 11,63 1,38
otoño 2,0 12,00 12,38 0,16
1994 invierno 13,0 12,75 14,25 0,91
prmavera 20,0 15,75 16,63 1,20
verano 28,0 17,50 18,25 1,53
otoño 9,0 19,00 20,75 0,43
1995 invierno 19,0 22,50 23,25 0,82
prmavera 34,0 24,00 23,25 1,46
verano 34,0 22,50 23,50 1,45
otoño 3,0 24,50 25,13 0,12
1996 invierno 27,0 25,75 27,50 0,98
prmavera 39,0 29,25 30,25 1,29
verano 48,0 31,25 31,13 1,54
otoño 11,0 31,00 31,63 0,35
1997 invierno 26,0 32,25 33,25 0,78
prmavera 44,0 34,25 35,63 1,24
verano 56,0 37,00 38,50 1,45
otoño 22,0 40,00 40,88 0,54
1998 invierno 38,0 41,75 43,50 0,87
prmavera 51,0 45,25 45,13 1,13
verano 70,0 45,00 45,75 1,53
otoño 21,0 46,50 48,50 0,43
1999 invierno 44,0 50,50 51,88 0,85
prmavera 67,0 53,25 54,13 1,24
verano 81,0 55,00 55,88 1,45
otoño 28,0 56,75 58,25 0,48
2000 invierno 51,0 59,75 63,00 0,81
prmavera 79,0 66,25 66,88 1,18
verano 107,0 67,50
otoño 33,0
IE corresponde al índice estacional dado por la división entre la demanda
de un período por el Si del mismo período. Este factor permite aislar el
efecto estacional correspondiente a un trimestre o período sobre el cual se
realiza el análisis. Con esto se calculan los IE promedio para cada período:
así obtenemos:
Estación Conversión Estimación
Invierno 65,885 x 0,918 60,482
Primavera 65,885 x 1,289 84,926
Verano 65,885 x 1,446 95,270
Otoño 65,885 x 0,347 22,862
Total 2001 263,540
Tabla: Demanda estacional estimada para el año 2001