UNIVERSIDAD NACIONAL FEDERICO VILLARREAL

FACULTAD DE INGENIERA GEOGRFICA, AMBIENTAL Y

ECOTURSMO

PROYECCIN

Herman Castillo Rojas

 AMBITO DE LA PROYECCIN
La validez de los resultados de la proyeccin est ntimamente
relacionada con la calidad de los datos de entrada

Las fuentes de informacin: organismos pblicos y privados, las

opiniones de expertos y encuestas especiales, entre otras.

La efectividad del mtodo elegido se evaluar en funcin de su:

Precisin. Cualquier error en su pronstico tendr asociado un costo.

Sensibilidad. Debe ser estable para enfrentar una situacin de cambios

lentos; dinmica para enfrentar cambios agudos.

Objetividad. La informacin que se tome debe garantizar su validez y

oportunidad en una situacin histrica.
 METODOS CUALITATIVOS
La importancia del mtodo en la prediccin del mercado se manifiesta
cuando el mtodo cuantitativo no puede explicar el fenmeno futuro o no
existen datos histricos.
1. La opinin de los expertos es una de las formas subjetivas ms
comnmente usadas de estudiar el mercado.

2. Un mtodo ms sistemtico y objetivo, que se vale del mtodo cientfico, es

la investigacin de mercado. Recoleccin de informacin.
a) Encuestas
b) Experimentos
c) Mercados prueba

La investigacin de mercados estudia caractersticas de productos,

empresas o consumidores.
1. El probabilstica. s 2Z 2
n =
El clculo del tamao de la muestra 2 e
n : es el tamao de la muestra.
s2 : es la desviacin estndar
Z : el nivel de confianza deseado. Ej. Nivel de confianza 95%, Z = 1.96
e2 : el nivel de error mximo permitido, que puede interpretarse como la
mayor diferencia permitida entre la media de la muestra y la media de la
poblacin.
 METODOS CUALITATIVOS
Si una empresa que fabrica azcar evala un proyecto para colocar un
nuevo producto en el mercado. Si la media histrica ha sido de 15 Kg., si la
desviacin estndar de la muestra, obtenida mediante una prueba piloto, es
2 y la variacin del peso es (15,2 -14,8 Kg.): Determina el tamao de la
muestra para un nivel de confianza de 95% .
Solucin
2 2 * 1 , 96 2
n = = 348 ,16
0,2 2
La teora ofrece cuatro formas bsicas para elaborar escalas o mediciones
en ciencias sociales.
1. La escala nominal. Mencione: la marca que usa, dnde vio la publicidad o
dnde lo compr.
PRODUCTO %
Azcar A 40
Azcar B 20
Azcar C 15

2. La escala ordinal. Ordena datos de acuerdo con su preferencia, calificando

en una escala.
PRODUCTO MALO REGULAR BUENO MUY BUENO
TAMAO X
SABOR X
ENVASE X
 METODOS CUALITATIVOS
3. La escala de intervalos. El encuestado tiene una visin clara pero no exacta
la edad, ingresos.
Ej., cuantos kilogramos de azcar compra al mes.
0-2 3-5 6-8 9-11
PERSONA1 X
PERSONA2 X
PERSONA3 X

4. La escala proporcional. Se aplica para especificar mediciones como volumen,

peso o distancia.
2. El no probabilstica.
1. En el muestreo de estratos.
Ej., estratos de ingresos, edad, sexo, regin u otro.

2. En el muestreo de conveniencia de sitio. Lugar donde se aplicar la

encuesta.
Ej., instrumento mdico: hospitales, clnicas, consultorios y otros centros
de concentracin de estos profesionales.

3. En el muestreo de bola de nieve. Sondeo y encuesta ms dirigida.

 METODOS CUALITATIVOS
TRABAJO 4 : Aplicando el mtodo cientfico determinar el espacio muestral y
hacer tu respectiva encuesta.
 MODELOS CAUSALES
Intentan proyectar el mercado sobre la
base de antecedentes cuantitativos
histricos.

1. Modelos bsicos de regresin: el

modelo de regresin simple o de dos
variables.
n x . y - ( x ).( y )
Lnea de tendencia recta del tipo b =
n x - ( x) 2
2
y=a+bx
a = y - b .x
x , y son valores promedios
[ n x . y - ( x ).( y ) ] 2
El coeficiente de determinacin R2. R2 =
[ n x 2 - ( x ) 2] [ n y 2 - ( y ) 2 ]

S, es el error estndar.
y 2 - a. y - b. x. y
Se =
n-2
 MODELOS CAUSALES
POBL. POBL.
LOCAL INFANTIL VENTAS LOCAL INFANTIL VENTAS
x y x y x.y x2 y2
1 14.68 3845 1 14.68 3845
2 22.93 5450 2 22.93 5450
3 16.65 5099 3 16.65 5099
4 35.99 8890 4 35.99 8890
5 32.48 6681 5 32.48 6681
6 38.77 9678 6 38.77 9678
7 10.03 4542 7 10.03 4542
8 24.26 4557 8 24.26 4557

9 52.46 13289 9 52.46 13289

10 36.80 10506 10 36.80 10506

11 17.34 5134 11 17.34 5134

12 43.69 9066 12 43.69 9066

suma 346.08 86737 suma 346.08 86737

 MODELOS CAUSALES
POBL. POBL.
LOCAL INFANTIL VENTAS LOCAL INFANTIL VENTAS
x y x y x.y x2 y2
1 14.68 3845 1 14.68 3845 56445 215.5 14784025
2 22.93 5450 2 22.93 5450 124969 525.8 29702500
3 16.65 5099 3 16.65 5099 84898 277.2 25999801
4 35.99 8890 4 35.99 8890 319951 1295.3 79032100
5 32.48 6681 5 32.48 6681 216999 1055.0 44635761
6 38.77 9678 6 38.77 9678 375216 1503.1 93663684
7 10.03 4542 7 10.03 4542 45556 100.6 20629764
8 24.26 4557 8 24.26 4557 110553 588.5 20766249

9 52.46 13289 9 52.46 13289 697141 2752.1 176597521

10 36.80 10506 10 36.80 10506 386621 1354.2 110376036

11 17.34 5134 11 17.34 5134 89024 300.7 26357956

12 43.69 9066 12 43.69 9066 396094 1908.8 82192356

suma 346.08 86737 suma 346.08 86737 2903465.41 11876.79 724737753.00

 MODELOS CAUSALES
POBL. POBL.
LOCAL INFANTIL VENTAS LOCAL INFANTIL VENTAS
x y x y x.y x2 y2
1 14.68 3845 1 14.68 3845 56445 215.5 14784025
2 22.93 5450 2 22.93 5450 124969 525.8 29702500
3 16.65 5099 3 16.65 5099 84898 277.2 25999801
4 35.99 8890 4 35.99 8890 319951 1295.3 79032100
5 32.48 6681 5 32.48 6681 216999 1055.0 44635761
6 38.77 9678 6 38.77 9678 375216 1503.1 93663684
7 10.03 4542 7 10.03 4542 45556 100.6 20629764
8 24.26 4557 8 24.26 4557 110553 588.5 20766249

9 52.46 13289 9 52.46 13289 697141 2752.1 176597521

10 36.80 10506 10 36.80 10506 386621 1354.2 110376036

11 17.34 5134 11 17.34 5134 89024 300.7 26357956

12 43.69 9066 12 43.69 9066 396094 1908.8 82192356

suma 346.08 86737 suma 346.08 86737 2903465.41 11876.79 724737753.00

n x . y - ( x ).( y ) 12 * 2903465 - (346) (86737)

b = b =
n x - ( x) -
2 2 12 * 11876 (346) 2
 MODELOS CAUSALES
POBL. POBL.
LOCAL INFANTIL VENTAS LOCAL INFANTIL VENTAS
x y x y x.y x2 y2
1 14.68 3845 1 14.68 3845 56445 215.5 14784025
2 22.93 5450 2 22.93 5450 124969 525.8 29702500
3 16.65 5099 3 16.65 5099 84898 277.2 25999801
4 35.99 8890 4 35.99 8890 319951 1295.3 79032100
5 32.48 6681 5 32.48 6681 216999 1055.0 44635761
6 38.77 9678 6 38.77 9678 375216 1503.1 93663684
7 10.03 4542 7 10.03 4542 45556 100.6 20629764
8 24.26 4557 8 24.26 4557 110553 588.5 20766249

9 52.46 13289 9 52.46 13289 697141 2752.1 176597521

10 36.80 10506 10 36.80 10506 386621 1354.2 110376036

11 17.34 5134 11 17.34 5134 89024 300.7 26357956

12 43.69 9066 12 43.69 9066 396094 1908.8 82192356

suma 346.08 86737 suma 346.08 86737 2903465.41 11876.79 724737753.00

346
a = y - b .x a = 86737
- b
12 12
 MODELOS CAUSALES
Y = 1 113.20 + 40 * 212.03 = 9 594.31
El valor se utiliza con una distribucin normal, que indica el grado de confianza del
95%, la proyeccin de las ventas para una poblacin de 40 000 nios estar en el
intervalo:
y 2 - a. y - b. x. y
Se =
n-2

Se = 1023.33 Y + 2Se = 9 594.31 + 2 046.67 = 11 640.64

Y - 2Se = 9 594.31 2 046.67 = 7 547.64

12000

10000

8000
Serie
6000

4000

2000

0
0 10 20 30 40 50 60 70 80 90 100
 MODELOS CAUSALES
2. Modelo de regresin mltiple. La medicin se basa en dos o ms variables
independientes.
Y = a0 + a1. x + a2 . x2
Donde a0 , a1 y a2 son valores que minimizan la suma de los cuadrados de las
desviaciones.

1. En la hoja de Excel construir el siguiente cuadro.

 MODELOS CAUSALES
2. Activa la herramienta Solver: Herramientas, complementos, activa Solver y
aceptar.

3. Selecciona suma ERROR CUADRADO, en men herramientas activa Solver;

para encontrar los valores a0 , a1 y a2 .

4. En Celda objetivo se anotar la celda que hay que optimizar (F19); en valor de
la celda objetivo se seleccionar la opcin Mnimo y en Cambiando la celda se
pondr el rango de las tres variables que se desea calcular (B2:B4 ).
 MODELOS CAUSALES
5. Como no hay restricciones, pulsar resolver y aceptar.

6. Se obtienen automticamente los valores buscados

a0= 3 583,41; al = 17,43 y a2= 3,22.

7. Trazar los grficos de dispersin lineal y polinmica.

14000 POBLACION REGRESION LINEAL

12000

10000

8000

6000

4000

2000
VENTAS
0
0.00 10.00 20.00 30.00 40.00 50.00 60.00
 MODELO DE SERIE DE TIEMPO

Pronostican el valor futuro de la variable

que se desea estimar extrapolando el
comportamiento histrico de los valores VENTA PROM.MOVIL ERROR
MES
observados para esa variable. REALES 4 MESES OBSERVADO

305657
1. El mtodo de promedios mviles. Enero

314827
Promedio mvil simple de n periodos. Febrero

Marzo 324272
El valor esperado se calcula de acuerdo
Abril 334000
a la frmula:
y t + y t -1 + ... + y t - n+1 Mayo 308002
y t +1 = Junio 316626
n
325492
Donde y es un valor ponderado. Julio

Agosto 334605
Septiembre 327066
Octubre 333607
Noviembre 340279
Ejemplo: Determinar las ventas 347085
Diciembre
proyectadas para el mes de enero del ao
prximo.
PMset + PMoct + PMnov + PMdic
E= = ,5
4
 MODELO DE SERIE DE TIEMPO

Pronostican el valor futuro de la variable

que se desea estimar extrapolando el
comportamiento histrico de los valores VENTA PROM.MOVIL ERROR
MES
observados para esa variable. REALES 4 MESES OBSERVADO

305657
1. El mtodo de promedios mviles. Enero

314827
Promedio mvil simple de n periodos. Febrero

Marzo 324272
El valor esperado se calcula de acuerdo
Abril 334000
a la frmula:
y t + y t -1 + ... + y t - n+1 Mayo 308002 319689
y t +1 = Junio 316626
n
325492
Donde y es un valor ponderado. Julio

Agosto 334605
Septiembre 327066
Octubre 333607
Noviembre 340279
Ejemplo: Determinar las ventas 347085
Diciembre
proyectadas para el mes de enero del ao
prximo.
305657 + 314827 + 324272 + 334000
E1= = 319689,
4
 MODELO DE SERIE DE TIEMPO

Pronostican el valor futuro de la variable

que se desea estimar extrapolando el
comportamiento histrico de los valores VENTA PROM.MOVIL ERROR
MES
observados para esa variable. REALES 4 MESES OBSERVADO

305657
1. El mtodo de promedios mviles. Enero

314827
Promedio mvil simple de n periodos. Febrero

Marzo 324272
El valor esperado se calcula de acuerdo
Abril 334000
a la frmula:
y t + y t -1 + ... + y t - n+1 Mayo 308002 319689
y t +1 = Junio 316626 320275
n
325492
Donde y es un valor ponderado. Julio

Agosto 334605
Septiembre 327066
Octubre 333607
Noviembre 340279
Ejemplo: Determinar las ventas 347085
Diciembre
proyectadas para el mes de enero del ao
prximo.
305657 + 314827 + 324272 + 334000 314827 + 324272 + 334000 + 308002
E1= = 319689, E2= = 320275,
4 4
 MODELO DE SERIE DE TIEMPO

Pronostican el valor futuro de la variable

que se desea estimar extrapolando el
comportamiento histrico de los valores VENTA PROM.MOVIL ERROR
MES
observados para esa variable. REALES 4 MESES OBSERVADO

305657
1. El mtodo de promedios mviles. Enero

314827
Promedio mvil simple de n periodos. Febrero

Marzo 324272
El valor esperado se calcula de acuerdo
Abril 334000
a la frmula:
y t + y t -1 + ... + y t - n+1 Mayo 308002 319689 11687
y t +1 = Junio 316626 320275 3649
n
325492 320725 4767
Donde y es un valor ponderado. Julio

Agosto 334605 321030 13575

Septiembre 327066 321181 5885
Octubre 333607 325947 7660
Noviembre 340279 330193 10087
Ejemplo: Determinar las ventas 347085 333889 13196
Diciembre
proyectadas para el mes de enero del ao
prximo.
327066 + 333607 + 340279 + 347085
E= = 337009,
4
 MODELO DE SERIE DE TIEMPO
Otra forma de calcular es el mtodo promedio mvil ponderado de n
periodos.
Para preparar la hoja de clculo se seguirn los siguientes pasos:
1. Construir el siguiente cuadro como se
muestra en la figura.
2. Determine la suma de coeficientes:
=SUMA(B1:B4)
3. Determine suma de error observado:
=SUMA(D13:D20)
4. Determina el promedio de error
observado: =PROM(D13:D20)
5. Activar la celda D22. En el men
herramientas buscar Solver.
 MODELO DE SERIE DE TIEMPO
6. Activa las celdas respectivas y
establezcas las restricciones del caso.
Ver grafico. Las restricciones estn
determinado por:
7. 0 < a0 , a1, a2 , a3 < 1 ao 0.1756562

8. a0 + a1 + a2 + a3 =1 a1 0.1756562

9. a0 < a1 < a2 < a3 a2 0.1756562

a3 0.4730318
 MODELO DE SERIE DE TIEMPO
ao 0.17566
a1 0.17566
a2 0.17566
a3 0.47303
Suma Coef. Ponderado 1.00000

VENTA PROM. MOVIL ERROR

MES
REALES 4 MESES OBSERVADO
Enero 305657
Febrero 314827
Marzo 324272
Abril 334000
Mayo 308002 323945 15943
Junio 316626 316626 0
Julio 325492 319506 5986
Agosto 334605 322357 12248
Septiembre 327066 325173 1893
Octubre 333607 326280 7327
Noviembre 340279 331208 9071
Diciembre 347085 335790 11295
suma 63763
promedio 7970

Ejemplo calcular el valor esperado de ventas para el mes de enero

del prximo ao.
y t +1=0,176*327066 +0,176*333607 +0,176*340279 +0,473*347085 = 340006
 MODELO DE SERIE DE TIEMPO

Ejemplo. Si la venta de celulares

AO INVIERNO PRIMAVE. VERANO OTOO TOTAL
se muestra en el cuadro siguiente.
Determinar la proyeccin 2006 2 3 4 1 10
estacional para el ao 2017. 2007 5 6 7 2 20
2008 7 10 10 3 30
Si la demanda de celulares se 2009 10 17 16 2 45
registr en el cuadro 2010 13 20 28 9 70
2011 19 34 34 3 90
2012 27 39 48 11 125
1. Calcular el promedio mvil
2013 26 44 58 22 150
2 + 3 + 4 + 1
Pm = = 2 ,5 2014 38 51 70 21 180
1 4 2015 44 67 81 28 220
2016 51 79 107 33 270
3 + 4 + 1 + 5
Pm = = 3 , 25
2 4
2. Calcular el promedio mvil centrado

2 , 5 + 3 , 25 3 , 25 + 4 , 00
PC = = 2 , 88 = = 3 , 63
1 PC
2 2 2
3. Calcular el ndice estacional

4 , 00 1 , 00
IE = = 1 , 39 IE = = 0 , 28
1 2 , 88 2 3 , 63
AO ESTACION PROME. PM PMC IE 2012 Invierno 27
2006 Invierno 2 Primavera 39
Primavera 3 Verano 48
Verano 4 Otoo 11
Otoo 1 2013 Invierno 26
2007 Invierno 5 Primavera 44
Primavera 6 Verano 58
Verano 7 Otoo 22
Otoo 2 2014 Invierno 38
2008 Invierno 7 Primavera 51
Primavera 10 Verano 70
Verano 10 Otoo 21
Otoo 3 2015 Invierno 44
2009 Invierno 10 Primavera 67
Primavera 17 Verano 81
Verano 16 Otoo 28
Otoo 2 2016 Invierno 51
2010 Invierno 13 Primavera 79
Primavera 20 Verano 107
Verano 28 Otoo 33
Otoo 9
2011 Invierno 19
Primavera 34
Verano 34
Otoo 3
AO ESTACION PROME. PM PMC IE

2006 Invierno 2
Primavera 3
Verano 4 2.50 2 + 3 + 4 + 1
= = 2 ,5
2.88 1.39

Otoo 1 3.25 Pm
3.63 0.28

1 4
2007 Invierno 5 4.00 4.38 1.14

Primavera 6 4.75 4.88 1.23

Verano 7
3 + 4 + 1 + 5
5.00 5.25 1.33

Otoo 2
= = 3 , 25
5.50 6.00 0.33

Pm
2008 Invierno 7 2 4
6.50 6.88 1.02

Primavera 10 7.25 7.38 1.36

Verano 10 7.50 7.88 1.27

Otoo 3 8.25 9.13 0.33

2009 Invierno 10 10.00 10.75 0.93

Primavera 17 11.50 11.38 1.49

Verano 16 11.25 11.63 1.38

Otoo 2 12.00 12.38 0.16

2010 Invierno 13 12.75 14.25 0.91

Primavera 20 15.75 16.63 1.20

Verano 28 17.50 18.25 1.53

Otoo 9 19.00 20.75 0.43

2011 Invierno 19 22.50 23.25 0.82

Primavera 34 24.00 23.25 1.46

Verano 34 22.50 23.50 1.45

Otoo 3 24.50 25.13 0.12

AO ESTACION PROME. PM PMC IE

2006 Invierno 2
Primavera 3
Verano 4 2.50 2.88
2 , 5 + 3 , 25
1.39

Otoo 1 3.25 3.63 0.28

PC = = 2 , 88
2007 Invierno 5 4.00 4.38 1.14
1 2
Primavera 6 4.75 4.88 1.23

Verano 7 5.00 5.25 1.33

Otoo 2 5.50 6.00 0.33

2008 Invierno 7 6.50 6.88 1.02

Primavera 10 7.25 7.38 1.36

Verano 10 7.50 7.88 1.27

3 , 25 + 4 , 00
Otoo 3 8.25 9.13 0.33

2009 Invierno 10 10.00 10.75 0.93

PC = = 3 , 63
Primavera 17 11.50 11.38 1.49
2 2
Verano 16 11.25 11.63 1.38

Otoo 2 12.00 12.38 0.16

2010 Invierno 13 12.75 14.25 0.91

Primavera 20 15.75 16.63 1.20

Verano 28 17.50 18.25 1.53

Otoo 9 19.00 20.75 0.43

2011 Invierno 19 22.50 23.25 0.82

Primavera 34 24.00 23.25 1.46

Verano 34 22.50 23.50 1.45

Otoo 3 24.50 25.13 0.12

AO ESTACION PROME. PM PMC IE

2006 Invierno 2
Primavera 3 4 , 00
Verano 4 2.50 2.88 1.39 IE = = 1 , 39
1 2 , 88
Otoo 1 3.25 3.63 0.28
2007 Invierno 5 4.00 4.38 1.14

Primavera 6 4.75 4.88 1.23

1 , 00
Verano 7 5.00 5.25 1.33
IE = = 0 , 28
Otoo 2 5.50 6.00
2 3 , 63
0.33

2008 Invierno 7 6.50 6.88 1.02

Primavera 10 7.25 7.38 1.36

Verano 10 7.50 7.88 1.27

Otoo 3 8.25 9.13 0.33

2009 Invierno 10 10.00 10.75 0.93

Primavera 17 11.50 11.38 1.49

Verano 16 11.25 11.63 1.38

Otoo 2 12.00 12.38 0.16

2010 Invierno 13 12.75 14.25 0.91

Primavera 20 15.75 16.63 1.20

Verano 28 17.50 18.25 1.53

Otoo 9 19.00 20.75 0.43

2011 Invierno 19 22.50 23.25 0.82

Primavera 34 24.00 23.25 1.46

Verano 34 22.50 23.50 1.45

Otoo 3 24.50 25.13 0.12

AO ESTACION PROME. PM PMC IE 2012 Invierno 27 25.75 27.50 0.98
2006 Invierno 2 Primavera 39 29.25 30.25 1.29
Primavera 3 Verano 48 31.25 31.13 1.54
Verano 4 2.50 2.88 1.39 Otoo 11 31.00 31.63 0.35
Otoo 1 3.25 3.63 0.28 2013 Invierno 26 32.25 33.50 0.78
2007 Invierno 5 4.00 4.38 1.14 Primavera 44 34.75 36.13 1.22
Primavera 6 4.75 4.88 1.23 Verano 58 37.50 39.00 1.49
Verano 7 5.00 5.25 1.33 Otoo 22 40.50 41.38 0.53
Otoo 2 5.50 6.00 0.33 2014 Invierno 38 42.25 43.75 0.87
2008 Invierno 7 6.50 6.88 1.02 Primavera 51 45.25 45.13 1.13
Primavera 10 7.25 7.38 1.36 Verano 70 45.00 45.75 1.53
Verano 10 7.50 7.88 1.27 Otoo 21 46.50 48.50 0.43
Otoo 3 8.25 9.13 0.33 2015 Invierno 44 50.50 51.88 0.85
2009 Invierno 10 10.00 10.75 0.93 Primavera 67 53.25 54.13 1.24
Primavera 17 11.50 11.38 1.49 Verano 81 55.00 55.88 1.45
Verano 16 11.25 11.63 1.38 Otoo 28 56.75 58.25 0.48
Otoo 2 12.00 12.38 0.16 2016 Invierno 51 59.75 63.00 0.81
2010 Invierno 13 12.75 14.25 0.91 Primavera 79 66.25 66.88 1.18
Primavera 20 15.75 16.63 1.20 Verano 107 67.50
Verano 28 17.50 18.25 1.53 Otoo 33
Otoo 9 19.00 20.75 0.43
2011 Invierno 19 22.50 23.25 0.82
Primavera 34 24.00 23.25 1.46
Verano 34 22.50 23.50 1.45
Otoo 3 24.50 25.13 0.12
 4. Resultado del anlisis
AO INVIERNO PRIMAVE. VERANO OTOO

2006 1.39 0.28

2007 1.14 1.23 1.33 0.33

2008 1.02 1.36 1.27 0.33

2009 0.93 1.49 1.38 0.16

2010 0.91 1.20 1.53 0.43

2011 0.82 1.46 1.45 0.12

2012 0.98 1.29 1.54 0.35

2013 0.78 1.22 1.49 0.53

2014 0.87 1.13 1.53 0.43

2015 0.85 1.24 1.45 0.48

2016 0.81 1.18

TOTAL 9.10 12.80 12.97 3.17

5. Ajustar el resultado 3,97 a 4 PROMEDIO 0.910 1.280 1.436 0.345

PROMEDIO 0.910 1.280 1.436 0.345 3.97

0.917 1.290 1.446 0.347 4

6. Proyectar la demanda estacional para

el ao 2017
 ao 6. Proyectar la demanda estacional para el ao 2017
a1
a2

AO X T PRONOS ERROR ERROR^2

2006

2007

2008

2009

2010

2011

2012

2013

2014
Proyeccin 2017
2015

2016

SUMA
 ao 6. Proyectar la demanda estacional para el ao 2017
a1
a2

AO X T PRONOS ERROR ERROR^2

2006

2007

2008

2009

2010 -1

2011 0

2012 1

2013

2014
Proyeccin 2017
2015

2016

SUMA
 ao 91.29369

6. Proyectar la demanda estacional para el ao 2017

a1 25.5909

a2 1.87063

AO X T PRONOS ERROR ERROR^2

2006 -5 10 10.10 -0.10 0

2007 -4 20 18.86 1.14 1

2008 -3 30 31.36 -1.36 2

2009 -2 45 47.59 -2.59 7

2010 -1 70 67.57 2.43 6

2011 0 90 91.29 -1.29 2

2012 1 125 118.76 6.24 39

2013 2 150 149.96 0.04 0

2014 3 180 184.90 -4.90 24

2015 4 220 223.59 -3.59 13

2016 5 270 266.01 3.99 16

SUMA 0 1210 109

 ao 91.29369

6. Proyectar la demanda estacional para el ao 2017

a1 25.5909

a2 1.87063

AO X T PRONOS ERROR ERROR^2

2006 -5 10 10.10 -0.10 0

2007 -4 20 18.86 1.14 1

2008 -3 30 31.36 -1.36 2

2009 -2 45 47.59 -2.59 7

2010 -1 70 67.57 2.43 6

2011 0 90 91.29 -1.29 2

2012 1 125 118.76 6.24 39

2013 2 150 149.96 0.04 0

2014 3 180 184.90 -4.90 24

2015 4 220 223.59 -3.59 13

2016 5 270 266.01 3.99 16

SUMA 0 1210 109

 ao 91.29369 6. Proyectar la demanda estacional para el ao 2017
a1 25.5909
a2 1.87063

AO X T PRONOS ERROR ERROR^2

2006 -5 10 10.10 -0.10 0

2007 -4 20 18.86 1.14 1

2008 -3 30 31.36 -1.36 2

2009 -2 45 47.59 -2.59 7

2010 -1 70 67.57 2.43 6

2011 0 90 91.29 -1.29 2

2012 1 125 118.76 6.24 39

2013 2 150 149.96 0.04 0

2014 3 180 184.90 -4.90 24

Proyeccin 2017
2015 4 220 223.59 -3.59 13
6
2016 5 270 266.01 3.99 16
y 312.18 2017
SUMA 0 1210 109 R^2 0.98
 300.00 DEMANDA

TENDENCIA POLINOMIAL
250.00

200.00

150.00

100.00

50.00

0.00 AO

2004 2006 2008 2010 2012 2014 2016 2018

7. Si la proyeccin estacional para el 2017 es 312,18, este resultado se debe

dividir entre cuatro.
VENTA DE CELULARES 2017
INVIERNO 78.0455 72
312,18
PE = = 78,055 PRIMAVE. 78.0455 101

4 VERANO 78.0455 113

OTOO 78.0455 27
312
 MODELO DE SERIE DE TIEMPO
2. Mtodo de extrapolacin histrica. AO LOCAL VENTAS
es similar al de los mnimos cuadrados, 2002 1 50065
diferencindose en que la variable 2003 2 54320
independiente corresponde a los perodos de 2004 3 48753
tiempo.
2005 4 56697
2006 5 53582
La curva y = b + m.x ajustada en base 2007 6 57750
histrica hasta un perodo t se extiende
2008 7 56772
linealmente desde t hacia t + n .
2009 8 61638

2010 9 67001

2011 10 63590
2012 11 67073

2013 12 70444

2014 13 76480
2015 14 72659
 PROYECCION DE LAS VENTAS
AO LOCAL VENTAS
2016 15 75839
2017 16 77791
2018 17 79742
2019 18 81694
2020 19 83645
2021 20 85597

90000
VENTAS
80000 PROYECCION DE LA VENTA
70000

60000

50000

40000

30000

20000

10000

0
AOS
2000 2002 2004 2006 2008 2010 2012 2014 2016
TRABAJO N 5 : Usando uno de los mtodos expuestos determinar la
proyeccin de tus ventas.