EVALUACIÓN DE PROYECTOS

Jacob Araya Castillo

Ingeniero Comercial
Magister en Gestión de Empresas mención Finanzas

1 Profesor: Jacob Araya Castillo 09-11-2022

2 Profesor: Jacob Araya Castillo 09-11-2022
 Técnicas de proyección de
demanda

3 Profesor: Jacob Araya Castillo 09-11-2022

 Métodos de juicio
Métodos de
1. Fuerza de ventas pronóstico
2. Opinión ejecutiva
3. Investigación de mercados
4. Método delphi

Métodos causales Métodos de series de tiempo

1. Regresión lineal simple 1. Pronóstico empírico
2. Regresión lineal múltiple 2. Estimación promedio
• Promedios móviles simples
• Promedios móviles ponderados Capítulo 5

Otros Métodos 3. Suavización exponencial

• Inclusión de tendencia
1. Métodos econométricos • Patrones estacionales
2. Simulaciones

4 Profesor: Jacob Araya Castillo 09-11-2022

Criterios para elegir un método de pronóstico

1) El horizonte.

2) El presupuesto.

3) La disponibilidad de personal calificado.

4) La disponibilidad de los datos.

5) La precisión requerida.

5 Profesor: Jacob Araya Castillo 09-11-2022

Seleccionar un método de pronóstico apropiado

6 Profesor: Jacob Araya Castillo 09-11-2022

 Características de las series temporales
La descomposición significa identificar y separar los
datos de la serie temporal en sus componentes:

• Tendencia
• Estacional
• Cíclico
• Aleatorio

Si la demanda contiene efectos estacionales y de

tendencia al mismo tiempo, entonces, se analizan dos
tipos de variación estacional:

A. Aditiva = Tendencia + estacional

B. Multiplicativa = Tendencia * factor estacional

7 Profesor: Jacob Araya Castillo 09-11-2022

 Criterios estadísticos

• Minimización de sesgos

• Minimización del error de pronóstico

• Minimizar la desviación media absoluta (MAD)
• Minimizar el cuadrado del error medio (MSE).

8 Profesor: Jacob Araya Castillo 09-11-2022

 Evaluación de las Técnicas de Pronósticos
 Error de pronóstico E =
^
D − F = Y t − Yt
t t t
 ^ 
 
CFE ( RSFE ) = ∑E = ∑ Y t − Yt 
t  
 
2
∑(E − E )
∑E  ^  σ = t
MAD = t = 1* n  
∑ Y t − Yt  n −1
n n t =1 
 

2 2
∑E n  ^  Et = Error de pronostico para periodo t
MSE = t = 1* ∑  
Y t − Yt Dt = Demanda real para el perido t
n n t = 1
 
 Ft = Pr onóstico para el periodo t
 
CFE = Suma Acumulativa de Errores de Pr onóstico
E = Error promedio de las estimaciones
2 MSE = Cuadrado del Error Medio
2
∑E 1 n 
^ 
 MAD = Desviación Media Absoluta
RMSE = t = * ∑ Y t − Yt  σ = Desviación estándar
n n t = 1 
  n = Muestra
9 Profesor: Jacob Araya Castillo 09-11-2022
 Evaluación de las Técnicas de Pronóstico
Et = Error de pronostico para periodo t  ^
 
CFE = Suma Acumulativa de Errores de Pr onóstico CFE ( RSFE ) = ∑ E = ∑ Y t − Yt 
t  
E = Error promedio de las estimaciones  
MSE = Cuadrado del Error Medio Suma error
MAD = Desviación Media Absoluta acumulado
n = Tamaño de Muestra

CFE
• Sesgo TE =
MAD

∑E  ^ 
MAD = t = 1* n  
∑ Y t − Yt 
n n t =1 
 
Desviación media
10 del error absoluto
Profesor: Jacob Araya Castillo 09-11-2022
 Selección de un método de pronóstico

 Error de pronóstico
 Señales de rastreo
Mediante Graficas de Controlt

11 Profesor: Jacob Araya Castillo 09-11-2022

 Promedio móvil

Promedio móvil simple Promedio móvil ponderado

At −1 + At −2 + At −3 + .... + At −n Ft = w1 * At −1 + w2 * At −2 + w3 * At −3 + .... + wn * At −n
Ft =
n

Promedio móvil doble

Usos
1. Cuando la demanda no crece ni baja con rapidez.
2. Si no tiene efectos estacionales.
3. Es útil para eliminar las fluctuaciones aleatorias del pronóstico.
4. Cuanto más largo sea el periodo del promedio móvil más se uniforman los elementos aleatorios.
5. Retrasa la tendencia.
12 Profesor: Jacob Araya Castillo 09-11-2022
 Aplicación numérica
(PE, PMS, PMP)

Su supervisor quiere probar dos métodos de pronóstico para determinar cuál de ellos resulta
mejor, y le pide que determine las ventas de octubre. Los datos de los últimos meses se
muestran en la tabla siguiente:

Mes Ventas Determine los siguientes indicadores;

• Realice los pronóstico utilizando;
Enero 1100  promedio empírico,
Febrero 1300  promedio móvil simple (3)
Marzo 1500  promedio móvil ponderado (0,7; 0,2; 0,1)
Abril 1700 • Determine el error y sesgo. Al menos
Mayo 1600 determine;
Junio 1800  MAD,
Julio 1400  CFE (déficit acumulado),
Agosto 1300  MSE CFE
 Calcule índice de seguimiento (TE). TE =
Septiembre 1400 MAD

13 Profesor: Jacob Araya Castillo 09-11-2022

 Suavización exponencial

• El pronóstico más • La demanda real del • Una constante de

reciente (Ft) periodo de pronóstico (At) uniformidad alfa (α)

Características de los modelos exponenciales:

1.Son más precisos.
2.Formular un modelo es relativamente fácil.
3.El usuario puede entender cómo funciona el modelo.
4.Se requieren muy pocos cálculos para utilizar el modelo.
5.Los requerimientos de almacenamiento, en la computadora, son bajos debido al uso limitado de datos
históricos.
6.Es fácil calcular las pruebas de precisión para medir el desempeño del modelo.
14 Profesor: Jacob Araya Castillo 09-11-2022
 Suavización exponencial simple

Ft = Ft −1 + ( At −1 − Ft −1 ) * α

• La demanda real del periodo de • El pronóstico más reciente • Una constante de uniformidad
pronóstico (At) (Ft /Yt ) alfa (α)

Yt = α * A t -1 + (1 - α ) * Yt -1
136 Profesor: Jacob Araya Castillo 09-11-2022
 Criterios de elección del alfa
La constante de suavización alfa toma valores 0 < α < 1

Hay dos estrategias para controlar el valor de alfa

Dos o más valores predeterminados de alfa. Valores calculados de alfa.

•Se mide la cantidad de error entre el
pronóstico y la demanda real.
•Dependiendo del grado de error, se utilizan
distintos valores de alfa.
•Si el error es grande, alfa es 0,8
•Si el error es pequeño, alfa es 0,2
•Una constante de rastreo alfa calcula si el pronóstico sigue
el paso a los cambios genuinos hacia arriba o hacia abajo
en la demanda (en contraste con los cambios aleatorios).
•En esta aplicación, la constante de rastreo alfa se define
como el error real suavizado exponencialmente dividido
entre el error absoluto suavizado exponencialmente.
•Alfa cambia de un periodo a otro en el rango posible de 0
a 1.

16 Profesor: Jacob Araya Castillo 09-11-2022

 Suavización exponencial
Suavización exponencial simple Suavización exponencial doble

Suavización exponencial con inclusión de

FIT, forecast including trend)
tendencia y estacionalidad
Metodo de Holt
Método de Winter

Yt + p = Lt + Tt Modelo de Yt +p = (L t + p * Tt ) * St -L+p
proyección

At
L t = α * A t + (1 - α ) * (L t-1 + Tt-1 ) Base Lt = α * + (1 - α ) * (L t-1 + Tt-1 )
St-1

Tt = β * (L t - L t-1 ) + (1 - β ) * Tt-1 Tendencia Tt = β * (L t - L t-1 ) + (1 - β ) * Tt-1

At
Estacionalidad St = γ * ( - ) + (1 - γ ) * St-L
Lt
• El valor
17 de una constante se determina; por la naturaleza del producto y por Araya
Profesor: Jacob el sentido del gerente
Castillo de lo que constituye un
09-11-2022
buen índice de respuesta.
 Aplicar Técnicas de Pronósticos
(SES, SET, SETS)
 Actividad práctica Galones Galones
Semana Semana
Petróleo Petróleo
1 275 16 245
2 291 17 282
3 307 18 277
4 281 19 298
5 295 20 303
6 268 21 310
7 252 22 299
8 279 23 285
9 264 24 250
10 288 25 260
11 302 26 245
12 287 27 271
13 290 28 282
14 311 29 302
18 15 277 Jacob Araya Castillo3009-11-2022 285
Profesor:
 Regresión Lineal Simple

𝑌𝑌𝑡𝑡 = 𝛼𝛼 + 𝛽𝛽 𝑋𝑋𝑡𝑡 + 𝑒𝑒𝑡𝑡

𝑌𝑌𝑡𝑡 = 𝛼𝛼 + 𝛽𝛽 𝑌𝑌𝑡𝑡−1 + 𝑒𝑒𝑡𝑡

𝑌𝑌𝑡𝑡 = 𝛼𝛼 + 𝛽𝛽 𝑌𝑌𝑡𝑡−1 + 𝛿𝛿 𝑋𝑋𝑡𝑡−1 + 𝑒𝑒𝑡𝑡

Aplicar Técnicas de Pronósticos TLS
Periodo Año Trimestre Ventas
1 2000 1 500
2 2000 2 350
(Y, X) 3 2000 3 250
4 2000 4 400

 Actividad práctica 5
6
2001
2001
1
2
450
350
7 2001 3 200
8 2001 4 300
9 2002 1 350
10 2002 2 200
11 2002 3 150
12 2002 4 400
13 2003 1 550
14 2003 2 350
15 2003 3 250
16 2003 4 550
17 2004 1 550
18 2004 2 400
19 2004 3 350
20 2004 4 600
21 2005 1 750
22 2005 2 500
23 2005 3 400
24 2005 4 650
25 2006 1 850
26 2006 2 600
27 2006 3 450
20 Profesor: Jacob Araya Castillo 09-11-2022 28 2006 4 700
21 Profesor: Jacob Araya Castillo 09-11-2022