Está en la página 1de 33

TECNICAS CUANTITATIVAS [Ao]

AO DE LA PROMOCIN DE LA INDUSTRIA RESPONSABLE Y DEL COMPROMISO


CLIMTICO

CIENCIAS EMPRESARIALES
NEGOCIOS INTERNACIONALES

INVESTIGACION DE MERCADOS INTERNACIONALES


PROF. KEVIN OCAA
EQUIPO:
AREVALO VALLEJOS, Mayralejandra
CARDENAS VARGAS, Ronnye
KANAGUSUKU EGASHIRA, Natsumi
HERRERA PADILLA, Karla
MELGAREJO AGREDA, Junet
PACHECO MEDRANO, Yajaira
ROMERO PAREDES, Stephany

VII CLICLO

2014

TECNICAS CUANTITATIVAS [Ao]


CAPITULO I
A. INTRODUCCION
La proyeccin de oferta y demanda es una fase importante en el estudio de
mercado, que tiene la finalidad de determinar la situacin conveniente del mercado
al que se quiere ingresar con determinado bien o servicio. La variedad de
alternativas metodolgicas existentes para estimar el comportamiento futuro de
alguna de las variables del proyecto obliga al analista a tomar en consideracin un
conjunto de elementos de cada mtodo, con el fin de seleccionar y aplicar
correctamente aquel que sea ms adecuado para cada situacin particular. Es
importante tener en cuenta que la validez de los resultados de la proyeccin est
ntimamente relacionada con la calidad de los datos de entrada que sirvieron de
base para el pronstico. Las fuentes de informacin de uso ms frecuentes son las
series histricas oficiales de organismos pblicos y privados, las opiniones de
expertos y el resultado de encuestas especiales, entre otras.
Los cambios futuros, no slo de la demanda, sino tambin de la oferta y de los
precios, se conocen con cierta exactitud si se emplean las tcnicas estadsticas
adecuadas para analizar el presente. En el desarrollo de este trabajo investigativo
daremos a conocer las diferentes alternativas metodolgicas para proyectar tanto
la oferta como la demanda.
B. OBJETIVOS
GENERAL
Estudiar los diversos mtodos de proyeccin de oferta y demanda necesarios para
estimar el comportamiento futuro de algunas variables presentes en un proyecto.
ESPECFICOS
Analizar las tcnicas ms importantes para la proyeccin del mercado, como en
sus alcances y aplicabilidad.
C. RECOPILACION DE INFORMACION DE FUENTES SECUNDARIAS
Se denomina fuentes secundarias aquellas que renen la informacin escrita que
existe sobre el tema, ya sean estadsticas del gobierno, libros, datos de la propia
empresa y otros. Entre las razones que justifican su uso se pueden citar las
siguientes.
Pueden solucionar el problema sin necesidad de que se obtenga
informacin de fuentes primarias y, por eso, son las primeras que deben
buscarse.

Sus costos de bsqueda son muy bajos, en comparacin con los usos de
fuentes primarias.

TECNICAS CUANTITATIVAS [Ao]

Aunque no resuelven el problema, ayudan a formular una hiptesis sobre la


solucin y contribuir a la planeacin de la recoleccin de datos de fuentes
primarias.

D. TIPOS DE INFORMACIN DE FUENTES SECUNDARIAS


1. AJENAS A LA EMPRESA: como las estadsticas de las cmaras sectoriales,
del gobierno, las revistas especializadas, etc.
2. PROVENIENTES DE LA EMPRESA: toda la informacin que se recibe a diario
por el solo funcionamiento de la empresa, como son las facturas de ventas. Esta
informacin puede no slo ser til, sino la nica disponible para el estudio.
E. RECOPILACIN DE INFORMACIN DE FUENTES PRIMARIAS
Las fuentes primarias de informacin estn constituidas por el propio usuario o
consumidor del producto, de manera que para obtener informacin de l es
necesario entrar en contacto directo; esta se puede hacer en tres formas:
1. Observar directamente la conducta del usuario.- Mtodo de observacin,
que consiste en acudir a donde est el usuario y observar su conducta. Se aplica
en tiendas de todo tipo para observar los hbitos de conducta de los clientes al
comprar.
2. Mtodo de experimentacin.- Trata de descubrir relaciones causa-efecto. En
este mtodo el investigador puede controlar y observar las variables que desee.
3. Aplicacin de un cuestionario al usuario.- Permite conocer qu le gustara al
usuario consumir y cules son los problemas actuales en el abastecimiento de
productos similares.

TECNICAS CUANTITATIVAS [Ao]


CAPITULO II

1. ANLISIS DE LA DEMANDA
Se entiende por demanda a la cantidad de bienes y servicios que el mercado
requiere o solicita (Consumo nacional aparente) para buscar la satisfaccin de una
necesidad especfica a un precio determinado. La demanda est en funcin de
una serie de factores, como son la necesidad real que se tiene del bien o servicio,
su precio, el nivel de ingreso de la poblacin, y otros, por lo que en el estudio
habr que tomar en cuenta informacin proveniente de fuentes primarias y
secundarias, de indicadores economtricos, entre otros.
Cuando existe informacin estadstica resulta fcil conocer cul es el monto y el
comportamiento histrico de la demanda, y aqu la investigacin de campo servira
para conocer un poco ms a fondo cules son las preferencias y los gustos del
consumidor (FACTORES CUALITATIVOS DE LA DEMANDA). Caso contrario,
cuando no existe estadstico lo cual es frecuente en muchos productos, la
investigacin de campo queda como el nico recurso para la obtencin de datos y
cuantificacin de la demanda.
1.1.

PROYECCIN DE LA DEMANDA
ESTADSTICAS PARA PROYECTAR

POTENCIAL:

TCNICAS

Segn
Los cambios futuros, no solo de la demanda, sino tambin de la oferta y de los
precios pueden ser conocidos con cierta exactitud si se usan las tcnicas
estadsticas adecuadas para analizar el presente. Para ello se usan las llamadas
series de tiempo. Existen cuatro patrones bsicos de tendencia de fenmeno del
tiempo: La tendencia secular. Surge cuando el fenmeno tiene poca variacin en
largos perodos y puede representarse grficamente por una lnea recta o por una
curva suave. La variacin estacional. Surge por los hbitos o tradiciones de la
gente o por condiciones climatolgicas.
Las fluctuaciones cclicas. Surgen principalmente por razones de tipo
econmico. Movimientos irregulares. Surgen por cualquier causa aleatoria que
afecta al fenmeno.
La tendencia secular es la ms comn en los fenmenos del tipo que se estudia
como demanda y oferta. Para calcular una tendencia de este tipo se puede usar el
mtodo grfico, el mtodo de las medias mviles y el mtodo de mnimos
cuadrados.
Mtodo Grfico. Por este mtodo solo se puede dar una idea de lo que sucede
con el fenmeno. Se trata de analizar la relacin entre una variable independiente
y la variable dependiente. Mtodo de Medias Mviles. Se usa cuando la serie es
muy irregular. El mtodo consiste en suavizar las irregularidades de la tendencia

TECNICAS CUANTITATIVAS [Ao]


por medio de medias parciales. El inconveniente del uso de medias mviles es
que se pierden algunos trminos de la serie y que no da una expresin analtica
del fenmeno, por la que no se puede hacer una proyeccin de los datos del
futuro.
Mtodo de mnimos cuadrados. Se basa en calcular la ecuacin de una curva
para una serie de puntos dispersos sobre una grfica, curva que se considera el
mejor ajuste, entendindose por tal cuando la suma algebraica de las
desviaciones de los valores individuales respecto a la medida es cero y cuando la
suma del cuadrado de las desviaciones de los puentes individuales respecto a la
media es mnima.
Ecuaciones no lineales. Cuando la tendencia del fenmeno es claramente no
lineal, se puede hacer uso de ecuaciones que se adapten al fenmeno. Los
principales tipos de ecuaciones no lineales son: la parablica, definida por una
ecuacin clsica de parbola: Y = a + bX + cX2
Y la exponencial, definida tambin por una ecuacin de tendencia exponencial o
semilogartmica: Y = abX
2. CULES CON LOS MTODOS CUANTITATIVOS
Un breve comentario acerca de cada una de las tcnicas de la investigacin de
operaciones que cubren los Mtodos Cuantitativos nos puede indicar ms
especficamente algunos de los tipos de anlisis disponibles y algunos de los
problemas a los que se pueden aplicar.
Los conceptos de probabilidad son tiles al tener que enfrentarse a un ambiente
incierto. Se indican los mtodos para calcular y usar probabilidades.
La estadstica de Bayes desarrolla un mtodo poderoso para tomar decisiones
cuando slo se tiene disponible informacin limitada. Tambin presentamos una
muestra representativa de los muchos usos posibles de la teora de probabilidad.
Se incluyen problemas que comprenden muestreo, estrategia militar y el
reemplazo de unidades que fallan con el tiempo.
El pronosticar es una responsabilidad ineludible de la gerencia. Enfrentando a la
incertidumbre respecto al futuro, la gerencia ve la conducta pasada como un
indicador de lo que va a venir. Entre los temas a tratar en este captulo estn
promedios mviles, nivelacin exponencial ajustada a la tendencia, ajuste de
lneas de tendencia y pronstico causal con regresin mltiple.
La teora de decisin de la toma de decisiones razonables, tanto bajo
condiciones de incertidumbre completa sobre resultados futuro como bajo
condiciones donde se pueden hacer algunos enunciados probabilsticos sobre lo
que uno cree pasar en el futuro. Se presentan los mtodos mediante los cuales la
teora de probabilidad se puede acoplar con datos financieros para generar
valiosos algoritmos de decisin. Examinamos condiciones en las que se usara la
satisfaccin en vez del valor monetario esperado. Desarrollados dentro de esta
amplia categora estn los rboles de decisin un mtodo eficaz de combinar

TECNICAS CUANTITATIVAS [Ao]


conceptos de probabilidades y valor (o satisfaccin) esperados en la solucin de
problemas complejos que involucran tanto incertidumbre como un gran nmero de
alternativas. Incluido en este tpico hay un tratado del anlisis de costo-volumenutilidad bajo condiciones de incertidumbre respecto a la conducta de demanda
como de costo.
Los modelos de inventario ayudan al control de los costos totales de inventario;
estos enfoques pueden reducir exitosamente el costo total de comprar para
almacenar, de llevar el inventario y de quedarse sin l. Tambin se ven con cierto
detalle los mtodos tiles al tratar de evaluacin de descuentos, orden conjunta de
artculos del mismo proveedor y tomar decisiones sobre el inventario en la
ausencia de informacin completa. Aqu tambin desarrollamos un modelo que
intencionalmente sugiere que "quedarse sin inventario" de un artculo puede ser
una mejor alternativa que siempre puede satisfacer la demanda; en este contexto
indicaremos cmo calcular las condiciones apropiadas de la condicin quedarse
sin inventario para varias situaciones.
La programacin lineal es de valor cuando se debe escoger entre alternativas
demasiado numerosas para evaluarlas con los mtodos convencionales. Al usar la
programacin lineal, podemos determinar combinaciones ptimas de los recursos
de una firma para alcanzar cierto objetivo. Se tratan de mtodos grficos y simplex
de aplicacin de esta tcnica.
Los algoritmos de pronstico especial son tcnicas de programacin lineal
tiles al trabajar con cierto tipo de problema. Ilustramos el mtodo de transporte
y de asignacin, dos enfoques que son tiles cuando la gerencia se enfrenta a
problemas que tienen que ver con la mejor alternativa de distribucin o el mtodo
ptimo de asignar operarios a las mquinas, los contadores a equipos de auditora
y aun estudiantes a las escuelas.
La programacin entera, el mtodo de ramificar y limitar, la programacin
dinmica y la programacin de metas son mtodos para escoger entre alternativas
en situaciones donde las respuestas deben hallarse en nmero enteros, donde la
decisin que confronta la gerencia es una que involucra muchas etapas
consecutivas o donde los objetivos organizacionales deben enunciarse en algo
ms que simples trminos numricos. Todas estas tcnicas nos proveen con
flexibilidad adicional al analizar los procesos de decisin.
La simulacin es un procedimiento que estudia un problema al crear un modelo
del proceso involucrado en ese problema y despus, mediante una serie de
soluciones por tanteos organizados, intenta determinar una mejor solucin a ese
problema. La simulacin es una de las tcnicas cuantitativas ms ampliamente
usada hoy en da.
La teora de colas estudia las llegadas aleatorias a una estacin de servicio o
proceso de capacidad limitada. Los modelos le permiten a la gerencia calcular a

TECNICAS CUANTITATIVAS [Ao]


futuro las longitudes de las lneas de espera, tiempo promedio gastado en la lnea
por una persona que espera servicio y adiciones necesarias de estaciones. Esta
tcnica se estudia, primero, usando varias frmulas tiles en la solucin de
problemas de lnea de espera, y despus mediante el uso de la tcnica de
simulacin para generar una solucin.
La teora de redes le permite a los gerentes hacer frente a las complejidades
involucradas en los grandes proyectos; el uso de esta tcnica ha disminuido
notablemente el tiempo necesario para planear y producir productos complejos.
Las tcnicas incluyen PERT (Tcnica de Evaluacin de Programas), CPM (Mtodo
de la Ruta Crtica) PERT/Costo y Programacin con Limitacin de Recursos. Se
tratan tanto las dimensiones de costo como las de tiempo en la planeacin y
control de proyectos grandes y complejos.
El anlisis de Markov le permite a uno predecir los cambios con el tiempo cuando
la informacin sobre la conducta de los sistemas es conocida. Aunque el uso ms
conocido de esta tcnica es la prediccin de lealtad a marcas (la conducta de los
consumidores en relacin a marcas con el tiempo), el anlisis de Markov tambin
tiene un uso considerable en reas de contabilidad (el movimiento de clientes con
crdito de una clasificacin de recuperacin a otra) y la administracin financiera
general (el movimiento de compaa de un estado de viabilidad financiera a otro).
3. TCNICAS CUANTITATIVAS
Modelos causales
Mtodo de regresin

Modelo economtrico.

Modelo del insumo-producto o Mtodo de los coeficientes tcnicos.

Modelos series de tiempo.


Mtodo de promedios mviles.

Mtodo de la extrapolacin de la tendencia histrica.

Mtodo de Afinamiento Exponencial.

3.1.

METODO DE SERIES DE TIEMPO

Una serie de tiempo es un conjunto de observaciones de una variable a lo largo


del tiempo. Generalmente es tabulado o graficado para mostrar la naturaleza de
su dependencia con el tiempo. Cuando se suman o en algunos casos, se
multiplican los componentes, se igualarn a la serie de tiempo original.

TECNICAS CUANTITATIVAS [Ao]


La estrategia bsica en el pronstico de series de tiempo consiste en identificar la
magnitud y la forma de cada componente con base en los datos anteriores
disponibles. Estos componentes, a excepcin del componente aleatorio, se
proyectan luego hacia el futuro. Si solamente se deja fuera un pequeo
componente aleatorio y el patrn persiste en el futuro, habr obtenido un
pronstico confiable.

Los componentes de serie de tiempo (Monks, 1994) son clasificados generalmente


como tendencia T, cclica C, estacional S, aleatoria o irregular R. El
pronstico Yc es una funcin de esos componentes:
Yc= T * C * S* R
La tendencia es un movimiento direccional gradual a largo plazo en los datos
(creciente o declinatorio). Los factores cclicos son ondulaciones a largo plazo
alrededor de la lnea de tendencia, y frecuentemente estn asociados con ciclos
econmicos. Los efectos estacinales son variaciones similares que ocurren entre
periodos correspondientes.

TECNICAS CUANTITATIVAS [Ao]


Existen variaciones estacinales, mensuales, semanales y hasta diarias. Los
componentes aleatorios son efectos espordicos e impredecibles debido a la
casualidad y no usuales. Son los residuales despus de que se eliminan las
variaciones de tendencias cclicas y estacionarias. Los mtodos de descripcin de
tendencia son el enfoque simple, promedios mviles, suavizacin exponencial y
tendencia lineal.
3.1.1. ENFOQUE SIMPLE
Supone que la demanda en el prximo periodo ser igual a la demanda del
periodo ms reciente. Es la mejor prediccin para los precios de insumos,
acciones, etc. que cotizan. Un enfoque simple es un promedio simple de los datos
del pasado en el cul las demandas de todos los perodos anteriores tienen el
mismo peso relativo.
Se calcula de la siguiente forma:
Donde:

D1= demanda del periodo ms reciente


D2= demanda que ocurri hace dos periodos
Dk= demanda que ocurri hace k periodos
Cuando se usa un promedio simple para crear un pronstico, las demandas de
todos los periodos anteriores tienen la misma influencia (equipesada) al
determinar el promedio. De hecho un factor de peso de 1/k se aplica a cada
demanda anterior.

La razn de la obtencin del promedio es que si se obtiene el promedio de todas


las demandas anteriores, las demandas elevadas que se tuvieran en diversos
periodos tendern a ser equilibradas por las bajas demandas de otros periodos.
Los resultados sern un promedio que representan el verdadero modelo
subyacente, especialmente cuando se incrementa el nmero de periodos
empleados en el promedio. Al promediar se obtiene una reduccin de las
posibilidades de error al dejarse llevar por fluctuaciones aleatorias que pueden

TECNICAS CUANTITATIVAS [Ao]


ocurrir en un periodo. Pero si el modelo subyacente cambia en el tiempo, el
promedio no permite detectar este cambio.
Ejemplo 2.1: En Welds Supplies la demanda total para un nuevo electrodo ha sido
de 50, 60, y 40 docenas en cada uno de los ltimos trimestres. La demanda
promedio es:

3.1.2. PROMEDIO MVIL


Este mtodo de pronstico se utiliza cuando se quiere dar ms importancia a
conjuntos de datos ms recientes para obtener la previsin.
Cada punto de una media mvil de una serie temporal es la media aritmtica de
un nmero de puntos consecutivos de la serie, donde el nmero de puntos es
elegido de tal manera que los efectos estacionales y / o irregulares sean
eliminados.
Cundo utilizar un pronstico de promedio mvil?
El pronstico de promedio mvil es ptimo para patrones de demanda aleatoria o
nivelada donde se pretende eliminar el impacto de los elementos irregulares
histricos mediante un enfoque en perodos de demanda reciente.
Modelo de Promedio Mvil

10

TECNICAS CUANTITATIVAS [Ao]


Frmula:

Dnde:

Promedio de ventas en unidades en el perodo t

Sumatoria de datos

Ventas reales en unidades de los perodos anteriores a t


Nmero de datos

Ejemplo de aplicacin de un pronstico de Promedio Mvil


Una compaa presenta en el siguiente tabulado el reporte de ventas
correspondiente al ao 2013.
VENTAS REALES
MES
(2013)

11

Enero

80

Febrero

90

Marzo

85

Abril

70

Mayo

80

TECNICAS CUANTITATIVAS [Ao]


Junio

105

Julio

100

Agosto

105

Septiembre 100
Octubre

105

Noviembre 100
Diciembre

150

Teniendo en cuenta los datos anteriores, se debe calcular un pronstico mediante


la tcnica de Promedio Mvil utilizando:
Un perodo de 3 meses (a partir de abril de 2013)
Un perodo de 6 meses (a partir de julio de 2013)
El objetivo consiste en identificar con cul de los dos perodos del pronstico se
obtiene mayor precisin al compararse con las ventas reales del reporte.
Solucin:
Al ser un pronstico con un perodo mvil de 3 meses, este deber efectuarse a
partir del mes de abril, es decir que para su clculo tendr en cuenta tres perodos,
es decir, Enero, Febrero y Marzo.

Luego para efectuar la previsin del mes de Mayo, debern tenerse en cuenta los
ltimos tres perodos que anteceden al mes de Mayo, es decir Febrero, Marzo y
Abril.

12

TECNICAS CUANTITATIVAS [Ao]

De esta manera se efectan las previsiones restantes obteniendo el siguiente


resultado:
VENTAS
MES

REALES
(2013)

PRONSTICO
3 MESES

Enero

80

Febrero

90

Marzo

85

Abril

70

85

Mayo

80

82

Junio

105

78

Julio

100

85

Agosto

105

95

Septiembre 100

103

Octubre

105

102

Noviembre 100

103

Diciembre

102

150

El pronstico restante al ser un pronstico con un perodo mvil de 6 meses, este


deber efectuarse a partir del mes de Julio, es decir que para su clculo tendr en
cuenta seis perodos, es decir, Enero, Febrero, Marzo, Abril, Mayo y Junio.

13

TECNICAS CUANTITATIVAS [Ao]


De esta manera se efectan las previsiones restantes obteniendo el siguiente
resultado:
MES

VENTAS
(2009)

Enero

80

Febrero

90

Marzo

85

Abril

70

85

Mayo

80

82

Junio

105

78

Julio

100

85

85

Agosto

105

95

88

Septiembre 100

103

91

Octubre

105

102

93

Noviembre 100

103

99

Diciembre

102

103

150

REALES PRONSTICO
MESES

3 PRONSTICO
MESES

Aunque existen diversos indicadores de precisin de un pronstico, en este caso


el resultado es ms que evidente, pues podemos observar como el pronstico con
un perodo mvil de 3 meses logra aproximarse en una mayor medida a las ventas
reales del ao 2013 con relacin a las previsiones obtenidas mediante el
pronstico con un perodo mvil de 6 meses.

3.1.3. MTODO DE SUAVIZACIN EXPONENCIAL


Esta tcnica se basa en la atenuacin de los valores de la serie de tiempo,
obteniendo el promedio de estos de manera exponencial; es decir, los datos se
ponderan dando un mayor peso a las observaciones ms recientes y uno menor a

14

TECNICAS CUANTITATIVAS [Ao]


las ms antiguas. Al peso para ponderar la observacin ms reciente se le da el
valor , la observacin inmediata anterior se pondera con un peso de a (1 - ), a la
siguiente observacin inmediata anterior se le da un peso de ponderacin de a (1 )2 y as sucesivamente hasta completar el nmero de valores observados en la
serie de tiempo a tomar en cuenta para realizar la atenuacin, es decir, para
calcular el promedio ponderado. La estimacin o pronstico ser el valor obtenido
del clculo del promedio.
El afinamiento exponencial es un mtodo para el pronstico a corto plazo, para
pronosticar el valor de, por ejemplo, las ventas futuras.
Por lo que la expresin para realizar el clculo de la suavizacin exponencial
simple es:
Pt+1 = Yt +(1- ) Pt
Donde:
Yt : Valor de la serie en el perodo t.
Pt+1 : Pronstico o prediccin para el perodo t+1.
Pt : Pronstico o prediccin en el perodo t.
: Factor de suavizacin, (1 0 )
Es decir el valor de la serie suavizada en el perodo t+1 es igual a veces el
valor de la serie en el perodo t, ms 1- veces el valor predicho en el perodo
t.
Es as que para determinar los valores de la serie suavizada se necesita un valor
inicial P0, el cual puede ser un promedio de los datos anteriores o simplemente el
primer valor de la serie.
Ejemplo: La serie de tiempo del PBI Global.
La constante de suavizacin que se utilizara ser de 0.2 y el valor inicial ser la
primera observacin, es decir, el valor del PBI en enero de 1994.

15

TECNICAS CUANTITATIVAS [Ao]

16

TECNICAS CUANTITATIVAS [Ao]


Empleando este mtodo obtenemos que para agosto del 2004 el PBI Global
pronosticado sea de 11,565.7 millones de nuevos soles a precios de 1994.
Exactitud del Pronstico
Una consideracin de gran importancia al seleccionar un mtodo de pronstico es
la exactitud del mismo. Evidentemente se desea que los errores de pronstico
sean lo ms pequeos posibles. Se suele tomar como medida de error general el
valor de Error Medio Cuadrado (EMC) o Mean Square Error (MSE) de la
bibliografa inglesa.
Ejemplo: Media mvil y Suavizacin exponencial
Sean las ventas semanales de nafta (en miles de litros) de un establecimiento la
variable que se desea pronosticar; utilizando el mtodo de Media mvil de orden 3,
obtenemos los resultados del siguiente cuadro:

Media mvil:
Por ejemplo:

Predicciones:
En este caso se dar de la forma:
Por ejemplo para el caso de semana 4 se tendr:

17

TECNICAS CUANTITATIVAS [Ao]


La semana 13 es el valor que deseamos pronosticar. En este caso 19 mil litros de
nafta podran llegar a venderse. El grfico siguiente resume los valores reales y
los predichos por el modelo de Promedios Mviles.
Siguiendo con el mismo ejemplo de las ventas semanales de nafta (en miles de
litros); utilizando el mtodo de Suavizacin exponencial simple con =0.8,
obtenemos los resultados del siguiente cuadro:

Predicciones:

En la siguiente grfica observamos las predicciones halladas por los mtodos de


media mvil simple y suavizacin exponencial.

18

TECNICAS CUANTITATIVAS [Ao]


NOTA: Para utilizar le mtodo de suavizacin exponencial se debe elegir un
coeficiente adecuado de tal forma que el EMC sea el menor posible. En nuestro
ejemplo podemos observar que la media mvil suaviza mejor los datos, asimismo
presenta un menor error medio cuadrtico (EMC).
3.2. MODELOS CAUSALES
3.2.1. REGRESION LINEAL SIMPLE
Nos centraremos en primer lugar, en el caso de que la funcin que relaciona
las dos variables X e Y sea la ms simple posible, es decir, una lnea recta.
Por ello pasaremos a interpretar los coeficientes que determinan una lnea recta.
Toda funcin de la forma Y=a+bX determina, al representarla en el plano una
lnea recta, donde X e Y son variables y a y b son constantes. Por ejemplo:
Y=3+2X.
SIGNIFICADO DE a y b

a es la ordenada en el origen, es decir, es la altura a la que la recta


corta al eje Y. Se denomina tambin trmino independiente.

b, tambin denominada pendiente es la inclinacin de la recta, es decir,


es el incremento que se produce en la variable Y cuando la variable X
aumenta una unidad.

Por ejemplo, en el caso anterior Y=3+2X, por cada unidad que incrementa la
X, la Y presenta un incremento medio de 2 unidades.
En la recta de regresin -como ya veremos- b recibe el nombre de Coeficiente de
regresin.

Si b>0, entonces cuando X aumenta Y tambin lo hace (relacin directa). Si b<0,


entonces, cuando X aumenta Y disminuye (relacin inversa).
Ver figura 6.4 a y b respectivamente.

19

TECNICAS CUANTITATIVAS [Ao]

Figura 6.4: Signo de la pendiente en una recta de regresin

REPRESENTATIVIDAD DE LA RECTA DE REGRESIN


Poder explicativo del modelo
La recta de regresin, tiene carcter de lnea media, como ya se ha sealado
con anterioridad, tratando por lo tanto de resumir o sintetizar la informacin
suministrada por los datos.
Si tiene carcter de linea media (de promedio, en definitiva), deber ir
acompaada siempre de una medida que nos hable de su representatividad, es
decir, de lo buena que es la recta, ya que el haber obtenido la mejor de todas no
da garantas de que sea buena.
Necesitamos, por tanto, una medida de dispersin, que tenga en cuenta la
dispersin de cada observacin con respecto a la recta, es decir, lo alejado que se
encuentra cada punto de la recta.
Es decir, deberemos evaluar esas distancias verticales a la recta, es decir, los
errores o residuales.

Si R2=0, X no explica en absoluto ninguna de las variaciones de la variable Y, de


modo que o bien el modelo es inadecuado, o bien las variables son
independientes. Cuanto ms cercano a 0 est dicho valor, menor poder

20

TECNICAS CUANTITATIVAS [Ao]


explicativo.
Poder explicativo vs poder predictivo
Un modelo de regresin con un alto porcentaje de variaciones explicado,
puede no ser bueno para predecir, ya que el que la mayora de los puntos se
encuentren cercanos a la recta de regresin, no implica que todos lo estn, y
puede ocurrir, que justamente para aquel rango de valores en el que el
investigador est interesado, se alejen de la recta, y por tanto, el valor predecido
puede alejarse mucho de la realidad.

La nica forma de poder evaluar el poder predictivo del modelo es tras la


observacin y el anlisis de los grficos de residuales, es decir, de diagramas de
dispersin, en los que en el eje de ordenadas se colocan los residuales, y en el
eje de abscisas se colocan o bien X, Y, o Y*.

Slo si la banda de residuales es homognea, y se encuentran todos los puntos


no demasiado alejados del 0 (aunque depende de la escala de medida),
diremos, que un modelo con un alto poder explicativo, tambin es bueno para
predecir.

Si las dispersiones son pequeas, la recta ser un buen representante de la nube


de puntos, o lo que es lo mismo, la bondad de ajuste del modelo ser alta. Si
la dispersin es grande, la bondad de ajuste ser baja.
Una forma de medir dicha bondad de ajuste es precisamente evaluando la
suma de los cuadrados de los errores. Por tanto, llamaremos Varianza residual a
la expresin:

Si la varianza residual es grande, el modelo ser malo, es decir, la recta no


explicar el comportamiento general de la nube.

La frmula prctica para el clculo de la varianza residual, si el procedimiento de

21

TECNICAS CUANTITATIVAS [Ao]


ajuste es el de los mnimos cuadrados es la siguiente:

La cota mxima de la varianza residual es la varianza que tratamos de explicar


mediante el modelo de regresin, es decir, la varianza de la variable dependiente.
Por tanto, sin ms que hacer relativa la varianza residual respecto de su mximo
valor, y multiplicando por 100, obtendremos el porcentaje de variaciones no
explicado por el modelo:

Ahora, ya es fcil obtener una media que nos indique el porcentaje de


variaciones controladas o explicadas mediante el modelo, que se conoce como
Coeficiente de Determinacin, que denotaremos con R2. Su expresin en tantos
por 1, ser:

Como puede observarse, a partir de la expresin anterior: 0< R2 <1. Por tanto:
Si R2=1, entonces no hay residuos, habr una dependencia funcional. Cuanto
ms se acerque dicho valor a la unidad, mayor poder explicativo tendr el
modelo de regresin.

3.2.2. REGRESIN LINEAL MLTIPLE

La regresin lineal permite trabajar con una variable a nivel de intervalo o razn.
De la misma manera, es posible analizar la relacin entre dos o ms variables a
travs de ecuaciones, lo que se denomina regresin mltiple o regresin lineal
mltiple.

22

TECNICAS CUANTITATIVAS [Ao]


Constantemente en la prctica de la investigacin estadstica, se encuentran
variables que de alguna manera estn relacionadas entre s, por lo que es posible
que una de las variables puedan relacionarse matemticamente en funcin de otra
u otras variables.
Maneja varias variables independientes. Cuenta con varios parmetros. Se
expresan de la forma:

Pronstico de Demanda y Oferta a travs de la Regresin Lineal


Para pronosticar la demanda y la oferta de un producto o servicio, existen diversas
maneras de hacerlo. En esta ocasin, se explicar un proceso sencillo para
visualizar el posible comportamiento de la demanda y oferta empleando la
Regresin Lineal, la cual nos permitir observar la Lnea de Tendencia,

3.2.3. MTODO DE LOS COEFICIENTES TCNICOS


Fue introducido por primera vez a finales de los aos treinta por Wassily Leontief,
ganador del Premio Nbel 1973, en un estudio de la economa de los EEUU.
Este modelo incorpora las interacciones entre las diversas industrias o sectores
que integran la economa. El objetivo del modelo es permitir a los economistas
predecir los niveles de produccin futuros de cada industria a fin de satisfacer las
demandas futuras para diversos productos.
Tal prediccin se complica porque un cambio en la demanda de un producto de
una industria puede modificar los niveles de produccin de otras industrias (el
modelo permite el anlisis de los cambios estructurales de la economa).
La matriz insumo-producto es un registro ordenado de las transacciones entre los
sectores productivos orientadas a la satisfaccin de bienes para la demanda final y
bienes intermedios que se compran y venden entre s. Esta matriz ilustra las
interacciones entre los sectores y permite cuantificar el incremento de la
produccin de todos los sectores, derivado del aumento de uno de ellos en
particular.
Ejemplo:
A fin de describir el modelo de manera sencilla y siguiendo a Arya y Lardner
(1992), consideremos una economa que conste slo de dos industrias, P y Q. Las
interacciones de estas industrias se dan en la Tabla 1.

23

TECNICAS CUANTITATIVAS [Ao]


Se supone en el modelo que todo lo que se produce se consume, es decir, la
produccin de cada industria debe ser igual a la suma de todos los insumos
(medidos en las mismas unidades). As la produccin total de P debe ser 200
unidades y de 160 para Q (como aparece en la ltima fila y ltima columna de la
tabla 1).
Insumos de P

Insumos de Q

Demandas
finales

Produccin
total

Produccin
de P

60

64

76

200

Produccin
de Q

100

48

12

160

Insumos
totales

200

160
Tabla 1

En las dos primeras filas de la tabla 1 se observa cmo se utilizan los productos
de cada industria: de las 200 unidades producidas por P, 60 las utiliza ella misma
y 64 las utiliza Q, quedando 76 unidades disponibles para la demanda final (bienes
no utilizados por la propia industria). De manera similar, de las 160 unidades
producidas por Q, 100 las utiliza P, 48 las utiliza ella misma y 12 se destinan a la
demanda final.
Supongamos que una investigacin de mercado predice que en 5 aos, la
demanda final para P decrecer de 76 a 70 unidades, mientras que la de Q,
crecer de 12 a 60 unidades. Qu tanto debera cada industria ajustar su nivel de
produccin a fin de satisfacer estas demandas finales proyectadas?
Las dos industrias no operan independientemente una de otra, por lo tanto la
produccin de una est ligada a la produccin de la otra. Supongamos que a fin de
satisfacer las demandas finales proyectadas a 5 aos, P debe producir x1
unidades y Q debe producir x2 unidades.
De la tabla1, observamos que: La industria P requiere la utilizacin de (60/200)x1
unidades de su propio producto y (100/200)x1 unidades del producto de Q, para
producir x1 unidades. En forma anloga, Q debera usar (64/160)x2 unidades del
producto de P y (48/160)x2 unidades de su propio producto.
Sabemos que:
Produccin total = Udes consumidas por P + Udes consumidas por Q + Demanda
final

24

TECNICAS CUANTITATIVAS [Ao]


Como la nueva demanda final para P es 70, la produccin total de P ser:

De manera similar, la produccin total de Q ser:

Escribimos las ecuaciones (1) y (2), en forma matricial:

Esto es:

X = AX + D

Donde,
X: matriz de Produccin
A: Matriz Insumo-Producto
D: Matriz de Demanda

Y adems;
a11 insumos de P producidos por P

a12 insumos de Q producidos por P

a21 insumos de P producidos por Q

a22 insumos de Q producidos por Q

La primera columna de la matriz insumo-producto, A, corresponde a proporciones


de los insumos de P que provienen de las industrias P y Q. Por ejemplo, para las
entradas a11 = 60/200 y a21 = 100/200 decimos que de las 200 unidades de
insumos totales de P, 60 provienen de la misma industria P y 100 provienen de la
industria Q.
En general, aij representa la parte fraccionaria de los insumos de la industria j que
son producidos por la industria i.
Observacin:
1. Cada elemento de A est entre 0 y 1 y la suma de los elementos de
cualquier columna nunca es mayor que 1.
2. La ecuacin X = AX + D, se conoce como ecuacin insumo-producto.

25

TECNICAS CUANTITATIVAS [Ao]


Siguiendo con el ejemplo, deseamos hallar la matriz de produccin X que cumplir
con las demandas finales proyectadas, debemos resolver la ecuacin insumoproducto, esto es:
X = AX + D
X AX = D
(I A)X = D
Si (I - A)-1 existe, entonces
X = (I A)-1D
Observacin:
Podemos hallar a (I - A)-1 con los mtodos de inversin de matrices estudiados en
las Sesiones 7 y 9.
En nuestro ejemplo:

Calculamos (I - A)-1 por el mtodo de eliminacin gaussiana y obtenemos:

Luego:

As, la industria P debe producir 251.7 unidades y Q debera producir 265.5


unidades de su producto, con el fin de satisfacer las demandas finales
proyectadas a 5 aos.

26

El modelo de Leontief permite una representacin holstica del sistema


econmico; es un instrumento operativo de la teora del equilibrio general;
es un enlace entre la micro y macro economa y ofrece mltiples
posibilidades de uso prctico en el anlisis econmico, formulacin de
polticas y realizacin de pronsticos.
El modelo insumo-producto de Leontief se compone de tres elementos
bsicos: La tabla de transacciones intersectoriales, la matriz

TECNICAS CUANTITATIVAS [Ao]


insumoproducto A y la matriz de requerimientos directos e indirectos, (I A)-1.

3.2.4. MODELO ECONOMETRICO


Es un sistema de ecuaciones estadsticas que interrelacionan a las actividades de
diferentes sectores de la economa y ayudan a evaluar la repercusin sobre la
demanda de un producto o servicio. Es una prolongacin del anlisis de regresin
Esto implica que el punto de partida para el anlisis economtrico es el modelo
econmico y este se transformar en modelo economtrico cuando se han
aadido las especificaciones necesarias para su aplicacin emprica. Es decir,
cuando se han definido las variables (endgenas, exgenas) que explican y
determinan el modelo, los parmetros estructurales que acompaan a las
variables, las ecuaciones y su formulacin en forma matemtica, la perturbacin
aleatoria que explica la parte no sistemtica del modelo, y los datos estadsticos.
A partir del modelo economtrico especificado, en una segunda etapa se procede
a la estimacin, fase estadstica que asigna valores numricos a los parmetros
de las ecuaciones del modelo. Para ello se utilizan mtodos estadsticos como
pueden ser: Mnimos cuadrados ordinarios, Mxima verosimilitud, Mnimos
cuadrados bietpicos, etc. Al recibir los parmetros el valor numrico definen el
concepto de estructura que ha de tener valor estable en el tiempo especificado.
La tercera etapa en la elaboracin del modelo es la verificacin y contrastacin,
donde se someten los parmetros y la variable aleatoria a unos contrastes
estadsticos para cuantificar en trminos probabilsticos la validez del modelo
estimado.
La cuarta etapa consiste en la aplicacin del modelo conforme al objetivo del
mismo. En general los modelos economtricos son tiles para:
1. Anlisis estructural y entender cmo funciona la economa.
2. Prediccin de los valores futuros de las variables econmicas.
3. Simular con fines de planificacin distintas posibilidades de las variables
exgenas.
4. Simular con fines de control valores ptimos de variables instrumentales de
poltica econmica y de empresa.
ELABORACIN DE UN MODELO ECONOMTRICO
A. Fases para la realizacin de un modelo economtrico

Las fases bsicas para realizar una aplicacin son:

27

TECNICAS CUANTITATIVAS [Ao]


1. Planteamiento del problema y eleccin de un tema
2. Recopilacin de la informacin: bsqueda de bibliografa, especificacin de un
modelo inicial y recopilacin de datos
3. Aplicacin economtrica usando un paquete informtico
4. Anlisis de los resultados
5. Redaccin del informe

Planteamiento del problema

Disponibilidad de datos del fenmeno que se va a estudiar.


Delimitar el campo sobre el que se desea trabajar.
Bsqueda de bibliografa bsica sobre el tema.
El estudio se puede realizar sobre un tema de mbito local o general.

B. Recopilacin de los datos


La disponibilidad de los datos y de la bibliografa bsica del tema podemos decir
que representa un 50% del trabajo.
Las variables de nuestro modelo pueden ser cuantitativas o cualitativas,
observables o variables proxy.
Los datos pueden ser temporales, de corte transversal o de panel.
Los datos pueden obtenerse en soporte de papel o digital. Proyecto de
Innovacin Docente: Gua multimedia para la elaboracin de un modelo
economtrico.
Las fuentes de informacin de los datos pueden obtenerse de distintos medios
como boletines impresos, CD con ficheros o bases de datos y bases de datos de
la Web.
Cada paquete economtrico utiliza un fichero de datos con un formato diferente.
El formato ms estndar es el de texto o ASCII donde los datos vendrn
ordenados en filas y las variables en columnas.
Hay que tener cuidado con la notacin de la coma decimal.
Hay que comprobar si hay datos perdidos o datos missing.

28

TECNICAS CUANTITATIVAS [Ao]


Si los datos son temporales hay que indicar el periodo de tiempo y si los datos
son de corte transversal hay que introducir una variable para identificar a cada
individuo del fichero.
Aplicacin economtrica usando un paquete informtico
Elegir el software que vamos a utilizar para estimar nuestro modelo.
Anlisis exploratorio y grfico de los datos con el objetivo de buscar la posible
presencia de normalidad, simetra, datos atpicos y relacin entre variables. Para
ello analizaremos los estadsticos descriptivos bsicos, el grfico de frecuencias,
el grfico de normalidad, el grfico de dispersin, etc.
El problema de la especificacin o seleccin del modelo final: forma funcional y
seleccin de las variables que intervienen.
Si hay variables cualitativas hay que determinar cuntas variables ficticias hay
que crear en funcin de los grupos a considerar.
Realizar los contrastes sobre la significacin de los parmetros del modelo:.
a. Contraste t de Student.
b. Contraste de la significacin del modelo mediante la F de Snedecor.
c. Contraste de significacin de un subconjunto de parmetros mediante la F de
Snedecor.
Realizar los contrastes del cumplimiento de las hiptesis bsicas:
a. Hiptesis de normalidad de las perturbaciones.
b. Contraste de cambio estructural mediante el test de Chow.
c. Anlisis de mala especificacin del modelo.
d. Multicolinealidad.
e. Heterocedasticidad
f. Auto correlacin en las perturbaciones.
Analizar la relacin entre los resultados obtenidos de la significacin de las
variables y la bondad de ajuste. Bsicamente hay que contestar a las preguntas:
los coeficientes tienen los signos esperados? Son estadsticamente
significativos? El modelo es significativo en su conjunto? El modelo explica una
gran proporcin de la varianza de los datos?:
1. Todas las variables son significativas, tienen el signo esperado y el 2 R es
significativo.
2. Ninguna variable es significativa y adems el 2 R no es significativo.

29

TECNICAS CUANTITATIVAS [Ao]


3. Algunas variables presentan signos esperados, son significativas y el 2 R es
significativo.
4. La mayora de los coeficientes son no significativos y sin embargo el 2 R es muy
significativo. Esto se puede deber a un problema de multicolinealidad.
Anlisis de los resultados
Incluir los resultados ms destacados que permitan comprender el problema
analizado.
Interpretar los resultados de los contrastes del cumplimiento de las hiptesis
bsicas del modelo, mediante grficos y test estadsticos. Estadsticos
descriptivos bsicos con breves comentarios de los principales resultados.
Grficos que pongan de manifiesto las relaciones entre las variables o la
evolucin temporal de las mismas.
Anlisis de los datos atpicos.

C. Redaccin del informe


Resumen
a. Breve descripcin del problema a tratar
b. Principales objetivos
c. mbito de aplicacin.
Introduccin.
a. Detallar los objetivos del trabajo
b. Motivaciones del mismo.
c. Revisin bibliogrfica.
d. Cuadros y grficos descriptivos que permitan introducir al lector al tema en
cuestin.
Datos
a. Descripcin de los datos indicando: cuantos datos se disponen, qu tipo de
datos son (temporales, corte transversal o panel) a que periodo pertenecen o cual
es el mbito espacial, cuales son las unidades de medida usadas, si son datos
nominales, reales, tasas, ndices con base a qu periodo, etc. y la fuente de la
informacin.

30

TECNICAS CUANTITATIVAS [Ao]


b. Se incluir un cuadro con los nombres de las variables utilizadas y las
transformaciones usadas y la descripcin de las variables.
c. Tablas con estadsticos descriptivos y coeficientes de correlacin
d. Grficos descriptivos.
Resultados
a. Indicar cul es la variable a explicar y cules son las variables explicativas
candidatas
b. Mtodos utilizados para realizar la seleccin de variables.
c. Referencias a la bibliografa utilizada sobre la aplicacin.
d. Especificar el modelo poblacional con los coeficientes y el trmino de
perturbacin.
e. Explicacin detallada del modelo o modelos estimados y de los principales
contrastes de significacin realizados
f. Anlisis del cumplimiento de las hiptesis bsicas del modelo de regresin.
g. Mtodo de estimacin finalmente aplicado al modelo seleccionado.

CAPITULO III
5. ANLISIS DE LA OFERTA
La oferta es la cantidad de bienes y servicios que un cierto nmero de oferentes
(productores) estn dispuestos a poner a disposicin del mercado a un precio
determinado.
La oferta est en funcin de una serie de factores, como son los precios en el
mercado del producto, los apoyos gubernamentales a la produccin.

6. PROYECCIN DE LA OFERTA

31

TECNICAS CUANTITATIVAS [Ao]


Para el anlisis de la oferta se siguen las mismas pautas de manejo de la
informacin estadstica anotadas para la demanda, dado que se realiza el estudio
histrico, actual y futuro con el propsito de verificar la cantidad de bienes y
servicios que se han ofrecido y se estn ofreciendo, y la cantidad que se
ofrecern, as como las circunstancias de precio y calidad en que se realiza dicha
oferta. Esto supone la identificacin y seleccin de fuentes secundarias y primarias
adecuadas que le den confiabilidad al estudio.
El mtodo ms recomendable es el de extrapolacin de tendencia histrica, que
podr reflejar el crecimiento de nmeros oferentes.

CAPITULO IV
7. CONCLUSION
La modificacin de las predicciones por parte de los expertos es un mtodo
comnmente empleado para modelar las promociones. Sin embargo, los autores
no han encontrado casos de estudio en la literatura que analice la eficiencia de
dichas modificaciones. Este trabajo investiga la precisin alcanzada por los
expertos para predecir la demanda de los clientes cuando hay activa una campaa
promocional. El primer resultado encontrado muestra que efectivamente los
expertos pueden mejorar las predicciones pero no sistemticamente, ya que si los
ajustes son relativamente grandes, estos ajustes pueden no ser aconsejables.

32

TECNICAS CUANTITATIVAS [Ao]


En base a que los expertos ajustan las predicciones analizando los resultados
obtenidos en promociones anteriores, este trabajo plantea otra alternativa que
utiliza un modelo cuantitativo para predecir las ventas promocionales. Los
resultados indican que este modelo mejora en promedio las predicciones
realizadas tanto por el sistema como por los expertos para nuestro caso de
estudio.

33