CAPTULO 3

TCNICAS DE PROYECCIN DE MERCADOS

1. MTODOS DE PROYECCIN:

Los mtodos de carcter subjetivo: se basan principalmente en opiniones. Su uso es

frecuente cuando el tiempo para elaborar el pronstico es escaso, cuando no se dispone
de todos los antecedentes mnimos necesario o cuando los datos disponibles no son
confiables.

Los modelos de pronstico causales: parten del supuesto de que el grado de influencia de
las variables que afectan al comportamiento del mercado permanece estable, para luego
construir un modelo que relacione ese comportamiento con las variables que se estima
son las causantes de los cambios que se observan en el mercado.

Existen tres etapas:

a) La identificacin de una o ms variables respecto a las que se pueda presumir que

influyen sobre la demanda, como por ejemplo, el producto nacional bruto, la renta
disponible, la tasa de natalidad o los permisos de construccin.
b) La seleccin de la forma de la relacin que vincule a las variables causales con el
comportamiento del mercado, normalmente en la forma de una ecuacin matemtica
de primer grado.
c) La validacin del modelo de pronsticos, de manera que satisfaga tanto el sentido
comn como las pruebas estadsticas, a travs de la representacin adecuada de
proceso que describa.

Los modelos de series de tiempo: se utilizan cuando el comportamiento que asuma el

mercado a futuro puede determinarse en gran medida por lo sucedido en el pasado, y
siempre que est disponible la informacin histrica en forma confiable y completa.

2. MTODOS SUBJETIVOS:
Se manifiesta cuando los mtodos cuantitativos basados en informacin histrica no
pueden explicar por s solos el comportamiento futuro de alguna de sus variables, o
cuando no existen suficientes datos histricos.

Mtodo Delphi:

Consenso de Panel: MODELOS CAUSALES:

3. EL MODELO DE REGRESIN:
Existen dos modelos bsicos de regresin: el modelo de regresin simple o de dos
variables, y el modelo de regresin mltiple.

a) Modelo de regresin simple: La variable dependiente se predice sobre la base de

una variable independiente, mientras que el segundo indica que la medicin se
basa en dos o ms variables independientes.

La regresin se basa en tres supuestos bsicos, que no deben ser transgredidos:

El primer supuesto es que los errores de la regresin tienen una

distribucin normal, con media cero y varianza (2) constante
El segundo supuesto es que los errores no estn correlacionados entre
ellos. Este fenmeno se denomina autocorrelacin
Todas las variables analizadas se comportan en forma lineal o son
susceptibles de linealizar.

Matemticamente, la forma de la ecuacin de regresin lineal es:

= +
Dnde:
y = valor estimado de la variable dependiente.
x = valor de la variable independiente
a = es el punto de interseccin sobre el eje y, cuando x = 0
b = es la pendiente de la lnea de regresin

( )( )
=
( )

=
Dnde:
, = son las medias de las variables.

El coeficiente de correlacin r mide el grado de correlacin que existe entre x y

y. Sin embargo, es ms utilizado el coeficiente de determinacin r2, que indica que
tan correcto es el estimado de la ecuacin de regresin. Mientras ms alto sea r2,
ms confianza podr tenerse en el estimado de la lnea de regresin. Ms
concretamente, representa la proporcin de la variacin total en y, que se explica por
la ecuacin de regresin, pudiendo asumir un valor entre 0 y 1. Se calcula por:

( )( )
=
( ) ( )

El resultado obtenido para r2, corresponde al porcentaje de variacin explicado por la

variable independiente, el porcentaje restante sin explicacin.

=
2

El error estndar, tendr el siguiente nivel de confianza:

68%, si: St
95%, si: 2St
99%, si: 3St

Para un valor de St = 18,59; si para el ao 1988 se tiene una estimacin del valor de =
263,54, se dice que tendr un nivel de probabilidad del 95% de que se ubique en el
rango de 226,36 a 300,72

b) Modelo de regresin mltiple: como se seal, se aplica cuando hay dos o ms

variables independientes que deben usarse para calcular el valor de la variable
dependiente.

= + + ++

c) Regresin Potencial:

Teniendo los datos Histricos observados sobre la Demanda, Oferta o la variable que
se quiera Proyectar, podemos graficar la nube de puntos y poder apreciar la
distribucin de los mismos y poder apreciar si los puntos se aproximan a alguna
funcin, en el caso de la funcin exponencial se puede recurrir a la siguiente relacin:

Para Linealizar esta funcin se aplica logaritmos a ambos miembros, mediante este
procedimiento se obtiene una ecuacin logartmica lineal:

= +

Sustituyendo valores se tiene:

=
=
=

una vez realizada la sustitucin, los resultados se escriben en la forma lineal:

 = +

la ecuacin logartmica puede resolverse tambin a travs de las siguientes ecuaciones

normales:
Logy nLoga b Logx
2
LogxLogy Loga Logx B Logx

d) Regresin Exponencial: Otro tipo de Funcin que tiene aplicacin en el anlisis de

Regresin, es la funcin exponencial que esta por la expresin:

En todo caso, al igual que la Funcin Potencial, la Regresin Exponencial puede

tambin ser linealizada aplicando logaritmos a ambos miembros, resultado de ello se
tiene la relacin siguiente:

= +

Sustituyendo valores:

=
=
=

Recordemos que la ecuacin exponencial logartmica puede resolverse tambin a

travs de ecuaciones normales:

Logy nLog a Log b x

2
x Logy Loga x Log b x

1) El modelo economtrico:
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. En este respecto, es una prolongacin del anlisis
de regresin.

= +
Dnde:

Qo = Cantidad ofrecida
Qd = Cantidad demandada
S = Cambio en el inventario de productos terminados
 X = Nivel de exportaciones
M = Nivel de importaciones

2) El mtodo de encuestas de intenciones de compra:

Comienza con la seleccin de la unidad de anlisis adecuada para cuantificar la

intencin de compra, sigue con la toma correcta de la encuesta por muestreo y finaliza
con el anlisis de los antecedentes recopilados.

El peligro del mtodo est en que depende mucho de las variables de contexto y, si
stas son dinmicas, las condiciones imperantes pueden llevar a modificar las
intencin de compra de la unidad de anlisis, o quiz sus respuestas a las encuestas
(an cuando ello no afecte a la decisin) pueden inducir a conclusiones errneas.

3) Modelo insumo producto (mtodo de los coeficientes tcnicos):

Permite identificar las relaciones interindustriales que se producen entre sectores de

la economa, a travs de una matriz que implica suponer el uso de coeficientes
tcnicos fijos por parte de las distintas industrias.

Para estimar la demanda de un sector especfico, el modelo descompone la demanda

entre bienes finales e intermedios y establece sus relaciones a travs de los
denominados coeficientes tcnicos. Este mtodo es adecuado cuando la demanda de
un sector est en estrecha relacin con el nivel de actividad del sector, y los dems
elementos que pueden estar determinndolo son de poca significacin. Lo que busca
bsicamente ese modelo es determinar el grado de repercusin que la actividad de un
sector tiene sobre los restantes.

4. MODELOS DE SERIES DE TIEMPO:

Se refieren a la medicin de valores de una variable en el tiempo a intervalos espaciados

uniformemente.

El objetivo de la identificacin de la informacin histrica es determinar un patrn bsico

en su comportamiento, que posibilite la proyeccin futura de la variable deseada.

Pueden distinguirse cuatro componentes bsicos que se refieren a una tendencia, a un

factor cclico, a fluctuaciones estacionales y a variaciones no sistemticas.

El componente de las tendencias, se refiere al crecimiento o declinacin en el largo plazo

del valor promedio de la variable estudiada, por ejemplo, la demanda. Su importancia se
deriva de considerar fluctuaciones en el nivel de la variable en el tiempo, con lo cual el
estudio del nivel promedio de la variable a lo largo del tiempo es mejor que el estudio de
esa variable en un momento especfico de tiempo.
 An cuando pueda definirse una tendencia de largo plazo para la variable, pueden darse
divergencias significativas entre la lnea de tendencia proyectada y el valor real que exhiba
la variable. Esta divergencia se conoce como el componente cclico y se admite entre sus
causas el comportamiento del efecto combinado de fuerzas econmicas, sociales,
polticas, tecnolgicas, culturales, y otras existentes en el mercado. La mayora de estos
ciclos no tienen patrones constantes que permitan prever su ocurrencia, magnitud y
duracin.

Componentes estacionales: que exhiben fluctuaciones que se repiten en forma peridica

y que normalmente dependen de factores como el clima (ropa de verano) y la tradicin
(tarjetas de navidad), entre otros.

Componente aleatorio o no sistemtico: pasa a tener importancia primordial a medida

que los pronsticos se van acortando.

Promedios mviles: recomendado en series cronolgicas con fuerte efecto estacional, se

calcula el promedio mvil de un determinado nmero de periodos, que normalmente es
de los cuatro ltimos trimestres.

Dnde:
Ti= valor que adopta la variable en cada periodo i
n= nmero de periodos observados
Pm = promedio mvil

Clculo de promedio mvil

LTIMO N DEMANDA
TRIMESTRE OBSERV.
2006 1 180
2007 1 250
2008 1 210
2009 1 150
TOTAL 4 790
PROMEDIO 197,5

El Pm = 197,5; que corresponde a la demanda esperada para el siguiente trimestre (2010).

El efecto estacional y algunas influencias no sistemticas se determinan mediante el ndice

estacional especfico. Al definir los valores Pm1 y Pm2, por ejemplo, se est midiendo un intervalo
en el cual Pm1 queda entre T2 y T3 y Pm2 entre T3 y T4.

+
=
2
PMC = Promedio Mvil Centrado

Por esto ninguno de los dos es representativo de estos trimestres. Se hace entonces necesario
determinar un promedio mvil centrado (PMC), calculando la media entre dos promedios mviles,
de la siguiente forma:

Con el objeto de aislar el efecto estacional correspondiente a un trimestre T3 por ejemplo, se

divide la demanda real de ese periodo por el PMC correspondiente. As, el ndice estacional
especfico podra expresarse:

= /
IE3 = ndice Estacional