UNIVERSIDAD MAYOR DE SAN ANDRES FACULTAD DE CIENCIAS PURAS Y NATURALES CARRERA DE INFORMATICA

Materia: Preparacin y Evaluacin de proyectos (INF-333) Integrantes: - Aguilar Villarroel Fernando Ever - Alvarez Pinto Sergio - Apaza Espejo Melba Ines - Ayllon Erasmo Paola Carola - Valdivia Ramos Jonathan - Villegas Romero Fabian Rodrigo Docente: - Mg. Sc. Carlos Mullisaca Choque

La Paz - Bolivia

CAPITULO 5 TECNICAS DE PROYECCION DEL MERCADO Introduccin

En el captulo anterior se analizaron los principales componentes del estudio de mercado de un proyecto. Debido a esto tendremos en cuenta que la estimacin del comportamiento futuro de algunas de estas variables puede realizarse utilizando diversas tcnicas de pronstico las cuales sern estudiadas en este captulo. Cada una de estas tcnicas de proyeccin tienen una aplicacin de carcter especial por lo cual es decisiva la eleccin correcta de cada una de estas, tomando en cuenta factores como la validez y disponibilidad de los datos histricos, la precisin deseada del pronstico, el costo del procedimiento, los beneficios del resultado, los periodos futuros que se desee pronosticar y el tiempo disponible para hacer el estudio son los factores ms importantes a tomarse en cuenta. La mayor dificultad al escoger uno de estas tcnicas radica en la posibilidad de la ocurrencia de eventos que no hayan ocurrido anteriormente, como el desarrollo de nuevas tecnologas, la incorporacin de competidores con sistemas comerciales no tradicionales, las variaciones en las polticas econmicas gubernamentales, etc.. Con todo esto aclarado en este captulo veremos la presentacin y el anlisis de las tcnicas ms importantes para la proyeccin del mercado, como en sus alcances y aplicabilidad.

5.1 El mbito de la proyeccin

Con el fin de seleccionar correctamente uno de los mtodos a seguir el analista deber tomar en cuenta muchos factores, y este a su vez deber expresar la informacin de la manera ms valiosa como le sea posible. La validez de los resultados de la proyeccin est ntimamente asociada con la calidad de los datos de entrada que sirvieron de base para el pronstico. La efectividad del mtodo elegido se evaluar en funcin de su precisin, sensibilidad y objetividad.

Precisin.-

porque cualquier error en su pronstico tendr asociado un costo. Aunque obviamente no podr exigirse una certeza total a alguno de los mtodos, s podr exigirse que garantice una reduccin al mnimo del costo del error en su proyeccin.

Sensibilidad.-

porque al situarse en un medio cambiante, debe ser lo suficientemente estable para enfrentar una situacin de cambios lentos as como dinmica para enfrentar cambios agudos.

Objetividad.-

porque la informacin que se tome como base de la proyeccin debe garantizar su validez y oportunidad en una situacin histrica.

5.2 Mtodos de proyeccin

Una manera de clasificar las tcnicas de proyeccin consiste en hacerlo en funcin de su carcter, esto es, aplicando mtodos de carcter cualitativo, modelos causales y modelos de series de tiempo. - Los mtodos de carcter cualitativo se basan principalmente en opiniones de expertos. - Los modelos de pronstico causales parten del presupuesto de que el grado de influencia de las variables que afectan el 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. - Los modelos de series de tiempo se utilizan cuando el comportamiento que asume el mercado a futuro puede determinarse en gran medida por lo sucedido en el pasado, y siempre que est disponible la informacin histrica de manera confiable y completa.

5.3 Mtodos cualitativos

Estos mtodos son importantes para ocasiones en las cuales los mtodos cuantitativos basados en informacin histrica no pueden explicar por si solos el comportamiento futuro esperado de alguna de sus variables o cuando no existen suficientes datos histricos. La opinin de los expertos es una de las formas subjetivas ms comnmente usadas para estudiar el mercado. El mtodo Delphi es el ms conocido, este consiste en reunir un grupo de expertos en calidad de panel, a quienes se les somete a una serie de cuestionarios, con un proceso de retroalimentacin controlada despus de cada serie de respuestas. Se obtiene as informacin que tratada estadsticamente, entrega una convergencia en la opinin grupal, de la que nace una prediccin. El mtodo Delphi se fundamenta en que el grupo es capaz de lograr un razonamiento mejor que el de una sola persona, aunque sta sea experta en el tema. Una tcnica similar al mtodo Delphi es la conocida como consenso de panel que se diferencia de aquella en que no existen secretos sobre la identidad del emisor de las opiniones, y en que no hay retroalimentacin dirigida desde el exterior. Este mtodo se basa en la suposicin de que varios expertos sern capaces de producir un pronstico mejor que un sola persona, no existen secretos y estimulacin la comunicacin. El peligro del mtodo reside en la posibilidad de que emerja un grupo dominante que anule la interaccin adecuada y se logre un consenso por su capacidad de argumentacin y no por la validez de la misma. Un mtodo mas sistemtico es el de investigacin de mercado, que se usa principalmente para la recoleccin de la informacin relevante para ayudar a la toma de decisiones.

Para realizar el muestreo existen dos mtodos: El probabilstico.- en el que cada elemento elegible tiene la misma probabilidad de ser muestreado.

El no probabilstico.- en el la probabilidad de ser elegible no es igual para toda la poblacin muestral.

En este sentido se requiere una estratificacin previa a la toma de encuesta, para determinar el espacio muestral. La estratificacin consiste en a aquellos que efectivamente usan el servicio propuesto. El calculo del tamao de la muestra es fundamental para la confiabilidad de los resultados. Para realizar estos clculos de la muestra se puede utilizar la siguiente formula:

n =

2 Z 2 e2

donde n es el tamao de la muestra, 2 es la desviacin estndar, Z el valor critico de la distribucin normal para un nivel de confianza deseado, y e 2 el nivel de error maxim opermitido. El valor de Z se obtiene de una tabla de probabilidades de una distribucin normal y se conoce como el numero de errores estndar asociados con el nivel de confianza. La aplicacin de un cuestionario a la muestra busca medir acitudes y comportamientos esperados del mercado. Para ello es conveniente aplicar lo que se denomina tcnica estructurada, que consiste en facilitar respuestas breves, simples especificas y con opciones limitadas. La teora ofrece cuatro formas bsicas para elaborar escalas o mediciones en ciencias sociales: nominal, ordinal, de intervalos y proporcional. La nominal consiste en solicitar al encuestado que mencione por ejemplo, la marca que usa de un determinado producto, el medio de difusin donde vio la publicidad o donde lo compro. El ordinal consiste en solicitar al encuestado que ordene datos de acuerdo con su preferencia personal, calificando lo en una escala de valores dada. La escala de intervalos permite hacer comparaciones cuando se preguntra acerca de la edades, los ingresos, o cuando el encuestado tiene una visin calara pero no exacta de su respuesta. La escala proporcional se aplica cuando se desea explicitar mediciones como volumen, peso o distancia.

En general las encuestas se emplean en la medicin de volmenes esperados de venta, preferencias de calidad y precio, hbitos de compra, etc.. La investigacin de mercados basada en muestreo no probabilstico se puede tipificar en tres categoras: Muestreo de estratos.- se predetermina en estrato de la poblacin segn los intereses particulares de la investigacin. Muestreo de conveniencia de sitio.- se predetermina el lugar donde se aplicara la encuesta, segn donde se estima estar presente el consumidor objeto del inters de estudio.

Muestreo de bola de nieve.- se encuesta en una primer estancia al azar, usando las respuestas obtenidas como elementos referenciales para una encuesta posterior mas dirigida.

Entre otros mtodos se encuentran: el mtodo pronsticos visionarios y el mtodo cualitativo analizado de la analoga histrica.

5.4 Modelos causales

Intentan proyectar el mercado sobre la base antecedentes cuantitativos histricos; para ello, suponen que los factores condicionantes del comportamiento histrico de alguna o todas las variables del mercado permanecern estables. Los modelos causales de uso ms frecuente son el modelo de regresin, el modelo econmico y el modelo de insumo producto llamado tambin mtodo de los coeficientes tcnicos. Las causales explicativas se definen como variables independientes y la cantidad demandada, u otro elemento del mercado que se desea proyectar, se define como variable dependiente. La variable dependiente, en consecuencia, se explica por la variable independiente.

5.4.1Modelo de regresin
Permite elaborar un modelo de pronstico basado en estas variables, el cual puede tener desde una hasta n variables independientes. Sin embargo la eleccin del nmero de variables independientes depende del total de observaciones obtenidas para la variable dependiente y cada una de las explicativas. Existen dos modelos bsicos de regresin: el modelo de regresin simple o de dos variables y el modelo de regresin mltiple. El primero indica que 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. En ambos casos, aunque los valores de la variable independiente pueden ser asignados es decir, que estn dados por el analista, los de la variable dependiente deben obtenerse por medio del proceso de muestreo. De la observacin de las variables se deriva un diagrama de dispersin que indica la relacin entre ambas, grficamente se representa la variable independiente x con relacin al eje horizontal, y el valor de la variable dependiente y con relacin al eje vertical. Cuando la relacin entre ambas no son lineales es usual determinar un mtodo de transformacin de valores para lograr una relacin lineal. El paso siguiente es determinar la ecuacin lineal que mejor se ajuste a la relacin entre las variables observadas. Para ello se utiliza el mtodo de los mnimos cuadrados. Matemticamente la forma de la ecuacin de regresin lineal es

Donde y (x) es el valor estimado de la variable dependiente para un valor especfico de la variable independiente x, a es el punto de interseccin de la lnea de regresin con el eje y, b es la pendiente de la lnea de regresin y x es el valor especfico de la variable independiente. Dado que la lnea de regresin se entiende como el valor esperado que toma la variable y, dados los valores esperados de la variable x, el trmino constante a tambin se puede entender como el valor

promedio de y cuando x es cero. Igualmente b se puede entender como el cambio ante y ante una cambio marginal en x. El criterio de mnimos cuadrados permite que la lnea de regresin de mejor ajuste minimice la suma de las desviaciones cuadrticas entre los valores reales y los estimados de la variable dependiente para la informacin muestral. Se derivan las siguientes expresiones para la pendiente y el intercepto respectivamente:

Donde

son las medidas de las variables y n el nmero de observaciones.

Al ser el modelo de regresin un mtodo estadstico, es posible determinar la precisin y confiabilidad de los resultados de la regresin. El coeficiente de la correlacin r mide el grado de asociacin lineal entre x e y. sin embargo, es ms utilizado el coeficiente de determinacin r2que indica que tan correcto es el estimado de la ecuacin de la regresin, cuando ms alto sea ms confianza se podr tener en el estimado de la lnea de regresin y se calcula por:

Para determinar la desviacin estndar de la variable dependiente se calcula por:

En algunos casos, en vez de ajustar los datos a una lnea recta para predecir la tendencia histrica, deber emplearse una funcin exponencial que muestre un cambio porcentual constante, mas de una variacin constante en cada periodo, para expresar de mejor forma el ajuste de la tendencia de los datos. La expresin de la ecuacin exponencial es:

Donde g es la tasa de crecimiento porcentual constante que se estima para el futuro. Modelo de regresin mltiple, se aplica cuando hay dos o mas variables independientes que deben usarse para calcular el valor de la variable dependiente y asume la foma:

La solucin de la ecuacin exige procedimientos bastante complejos para determinar el valor de las constantes. Sin embargo en la actualidad existen programas computacionales disponibles que facilitan su clculo. En trminos generales, la lgica de la solucin es la subyace en los modelos de regresin lineal, es decir haciendo uso del mtodo de mnimos cuadrados ordinario o de mxima verosimilitud, estos pueden identificar las relaciones entre las variables.

5.4.2Modelo de economtrico
Segn los diferentes autores se tienen las siguientes definiciones: Dervitsiotis: es un sistema de ecuaciones estadsticas que interrelacionan a la actividades de diferentes sectores de la economa y ayudan a evaluar la repercusin sobre la demanda de un producto o servicio, en este sentido es una prolongacin del anlisis de regresin. Lira: define un modelo para estimar la demanda de un producto, que parte de la base de que el precio se determina por la interaccin de la oferta y la demanda . Su modelo se define como:

Donde

es una cantidad ofrecida,

cantidad demandada, s es el cambio en el inventario de

productos terminados, X el nivel de exportaciones y M el nivel de importaciones. El modelo economtrico no admite externalidades de ningn tipo, ni por eventuales cambios derivados de la expansin de la produccin o por rendimientos operativos fluctuantes que afecten los niveles productivos, por eso seala que es un modelo a corto plazo.

5.4.3 Modelo insumo - producto

Mtodo de los coeficientes tcnicos, que permite identificar las relaciones interindustriales que se producen entre sectores de la economa, mediante 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 utilizando 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 puedan estar determinndola son de poca significacin. Lo que bsicamente busca este modelo es determinar el grado de repercusin que la actividad de un sector tiene sobre restantes, y se utiliza la metodologa de anlisis de regresin.

5.5 Modelos de Series de Tiempo

Una serie de tiempo est dado por un conjunto de observaciones que estn ordenadas en el tiempo, y que estas pueden representar el cambio de una variable ya sea de tipo econmica, fsica, qumica, biolgica, etc, a lo largo esa historia. El objetivo del anlisis de una serie de tiempo es el conocimiento de su patrn de comportamiento, para as poder prever su evolucin en el futuro cercano, suponiendo por supuesto que las condiciones no variarn significativamente.

Los pronsticos que se puedan realizar en base al anlisis de este tipo de datos serviran para el desarrollo de nuevos planes para inversiones en agricultura por ejemplo, elaboracin de nuevos productos por parte de las empresas, prevencin de desastres por cambios en el clima, o captar turistas para la ciudad, etc.

5.5.1 Representacin de una Serie Temporal

Para realizar la representacin de una serie temporal se debe realizar mediante una grfica de dispersin x-y como se muestra en la fig.1

Fig.1. Representacin de una serie temporal

5.5.2 Componentes de una serie temporal 5.5.2.1 Tendencia

La tendencia es un movimiento de larga duracin que muestra la evolucin general de la serie en el tiempo. La tendencia es un movimiento que puede ser estacionario o ascendente, y su recorrido, una lnea recta o una curva. Algunas de las posibles formas son las que se muestran en la fig.2

Fig.2. Representacin de la tendencia

La tendencia es un movimiento que puede ser estacionario o ascendente o descendente como se indica en la fig.3

Fig. 3 Tendencias ascendente, estacionaria y descendente

Tambin son posibles algunas formas para la tendencia, que no necesariamente tiene una distribucin de puntos en forma aproximadamente lineal sino como las que se muestran en la fig. 4

Fig.4 Lneas de tendencia de otras posibles formas.

5.5.2.2 Variaciones estacionales.

Se habla de este tipo de variaciones usualmente cuando el comportamiento de la variable en el tiempo en un periodo est relacionado con la poca o un periodo particular, por lo general en el espacio cronolgico presente.

Fig. 5 Variaciones estacionales

5.5.2.3 Variaciones cclicas

Se llama as a las oscilaciones a lo largo de una tendencia con un periodo superior al ao. El ciclo sugiere la idea de que este tipo de movimiento se repite cada cierto periodo con caractersticas parecidas. Los ejemplos ms frecuentes se encuentran en el campo de las variables econmicas, en estos casos se deben principalmente a la alternancia de las etapas de prosperidad y depresin en la actividad econmica.

5.5.2.4 Variaciones residuales

Cuando a parecen hechos imprevistos, repentinos que afecten las variables en estudio acotando que no podemos prever nos hallamos frente a variaciones residuales provocadas por factores externos o aleatorios. Por ejemplo un da lluvioso y frio durante el verano es difcil de predecir y aunque perturbara ciertas actividades diarias como la venta de helados no afectara en este caso significativamente la serie.

5.5.3. Anlisis de la Tendencia

En la practica es difcil distinguir la tendencia del comportamiento cclico. Por ejemplo la grfica puede conducirnos a concluir que existe una tendencia ascendente en la parte de 1980 a 1982, pero esto es una parte de la serie de tiempo ms grande.

Fig, 6 Tendencias decrecientes, crecientes entre periodos de tiempo

5.5.3.1 Mtodo Grfico

Mediante este mtodo muy elemental se determina la tendencia a partir de una representacin grafica de la serie.la aplicacin de este mtodo es como sigue Se representa grficamente la serie cronolgica Se unen los extremos superiores de la serie, se hace los mismo con los inferiores Se obtiene dos lneas que encierran a la serie original Uniendo los puntos medios de las distancias entre las dos lneas o curvas se obtiene la tendencia. La lnea o curva de tendencia obtenida tendr un trazad mucho ms suave que la serie original.

Fig. 7 Representacin tendencia estacionaria

5.5.3.2 Mtodo de las medias mviles

Para este mtodo se deben de considerar los siguientes pasos que se detallan Observar con detenimiento la serie para determinar aproximadamente la fluctuacin con periodo ms largo y llamamos al nmero de observaciones que forman una oscilacin compleja. Se procede a calcular una serie de medias. La primera de ellas se calcula a partir de las primeras observaciones de la serie pero eliminando la primera observacin y aadiendo a la inmediata posterior. Se prosigue as hasta calcular la media de la ltima q observaciones. Cada una de las medias obtenidas en el paso anterior se asigna al instante o momento central del periodo temporal que promedian. Uniendo las medias se obtiene la tendencia.

5.5.4. APLICACIN
Caso 1: Produccin de Motocicletas en una empresa japonesa, periodo 1974 - 1990 En la siguiente tabla se tiene la produccin de motocicletas de una empresa (en millones de motos) en un periodo de 17 aos que se muestra en la tabla N 1 Tabla N1 Venta de Motocicletas en un periodo de 17 aos (Produccin en millones de motocicletas) Aos 1974 1975 1976 1977 1978 1979 Produccin 2.1 1.9 1.7 1.5 1.6 2.0 Aos 1980 1981 1982 1983 1984 1985 Produccin 2.2 2.0 1.8 1.7 1.9 2.4 Aos Produccin 1986 1987 1988 1989 1990 ---2.1 1.9 1.5 1.4 2.5 -----

Se traslada los datos a Microsoft Excel, ordenados en dos columnas, luego se realiza la grfica de los datos. Se obtiene la grfica mostrada en la fig.8

Fig. 8 Representacin de la serie de tiempo para las motocicletas por ao

En la grafica se observa que los aos donde se registra mayor produccin son 1974, 1980, 1985,1990 Entonces podemos tomar cada cinco aos como la cantidad de aos para la cual la empresa realiza su mayor produccin.

Sin embargo es conveniente encontrar una lnea de tendencia tal que se pueda hallar una ecuacin ajustada para los pronsticos de la produccin en el tiempo. Utilizando el mtodo de la media mvil Se construye una nueva tabla con las medias mviles Esto es para suavizar la distribucin de puntos

Fig. 9 Serie original y serie suavizada por los promedios mviles

Hallando la lnea de tendencia En Microsoft Excel, la lnea de tendencia para la curva suavizada se obtiene fcilmente y se nuestra en la fig 10

Fig. 10. Lnea de tendencia con R2 = 0.4169

El coeficiente de determinacin es muy pequeo por lo que no se puede asegurar categricamente que la ecuacin lineal hallada es la que pronostica la produccin en los aos posteriores. Ser necesario realizar un segundo arreglo con medias mviles El problema ahora es que el periodo donde alcanza la mayor produccin es un numero par de aos, por lo que se hace difcil en la tabla hallar el ao central, realizando el promedio de

Fig.11 Suavizando la lnea de tendencia por segunda vez

La fig. 11 muestra la segunda suavizada de la lnea de tendencia, no ha variado mucho con respecto a la primera.