UNIVERSIDAD NACIONAL

MICAELA BASTIDAS DE APURIMAC

Facultad de Ingeniería Agroindustrial
Curso: Proyectos Agroindustriales

METODOS DE PROYECCIÓN

2017
Estudio de Mercado. Métodos de Proyección
Es una estimación del
comportamiento de una variable
en el futuro. Específicamente, se
¿Qué es una proyección? trata de estimar el valor de una
variable en el futuro a partir de la
información que se posee en el
presente.

¿Por qué es necesario hacer proyecciones?

En general los proyectos se ejecutan buscando rentabilidad
financiera del proyecto, luego es necesario saber cómo
evolucionará el mercado en el tiempo.
Métodos Cuantitativos:
Se clasifican en:
a) Análisis de series de tiempo
b) Métodos Causales

a) Análisis de series de tiempo

1. Método Naive o Ingenuo: Es el método mas sencillo de

pronostico. Su importancia radica en que es el método de
referencia para saber la efectividad de los demás métodos
de pronostico.
El pronostico para un periodo futuro es el valor observado de
cierto periodo anterior,
La ecuación para obtener el pronostico es:

donde:
 Ejemplo: Proyectar la demanda de arándanos en IQF para el
año 2017.

Demanda de arándanos en IQF

Año
(ton/año)

2010 7000

2011 6000

2012 7500

2013 6700

2014 6800

2015 7600

2016 7900

7900
2017
 2. Método de Promedio Móvil: Es un procedimiento de cálculo
sencillo que pertenece a la categoría de pronósticos de Series
de Tiempo, es decir, que utiliza información histórica del
desempeño de la variable que se desea pronosticar para poder
generar un pronóstico de la misma a futuro.
La función matemática que permite obtener un pronóstico
utilizando Media Móvil es:

donde:
Ft = Demanda pronosticada para el período t
At = Demanda real para el período t
n= Determina el número de períodos a promediar.
 Ejemplo: En la siguiente tabla se encuentran los datos de las
ventas de los últimos cinco años de una empresa del ramo de
alimentos, proyectar las ventas para el año 2017.

Ventas por año Ventas Proyectadas

Año Error
(ton/año) (ton/año)

2009 4

2010 5

2011 4

2012 7 2.6667
4.3333
2013 8 2.6667
5.3333
2014 5 -1.3333
6.3333
2015 7 0.3333
6.6667
2016 7 0.3333
6.6667

2017 6.3333
 3. Método de Suavizamiento Exponencial: A diferencia de
los promedios móviles, este método pronostica otorgando una
ponderación a los datos dependiendo del peso que tengan
dentro del cálculo del pronóstico. Esta ponderación se lleva a
cabo a través de otorgarle un valor a la constante de
suavización (α), que puede ser mayor que cero y menor que
uno.

El método de suavización exponencial supone que el proceso es

constante, al igual que el método de promedios móviles.
Esta técnica considera que las observaciones recientes tienen
más valor, por lo que le otorga mayor peso dentro del promedio.
La ecuación de suavización exponencial se presenta a
continuación:

donde:
Ft + 1= Pronostico de la serie de tiempo para el periodo de t + 1
Yt = Valor real del periodo anterior al año a pronosticar.
Ft = Valor real del periodo ante anterior al año a pronosticar
α = Constante de suaviacion (0 ≤ α ≤ 1).
 Ejemplo: En la siguiente tabla se encuentran los datos de las
ventas de los últimos cinco años de una empresa del ramo de
alimentos, proyectar las ventas para el año 2017, con un α=0,7.

Ventas por año Ventas Proyectadas Porcentaje

Año Error Abs error
(ton/año) (ton/año) (alfa=0,7) de error (%)

2009 4 4.333 -0.333 0.333 8%

2010 5 4.1 0.900 0.900 18%

2011 4 4.73 -0.730 0.730 18%

2012 7 4.219 2.781 2.781 40%

2013 8 6.166 1.834 1.834 23%

2014 5 7.450 -2.450 2.450 49%

2015 7 5.735 1.265 1.265 18%

2016 7 6.620 0.380 0.380 5%

6.886
2017 22%
b) Métodos Causales

1. Método de Regresión Lineal: Es un método estadístico que

ayuda a predecir el comportamiento de una variable Dependiente
(Y) con respecto a una variable Independiente (X).
Las ecuaciones para la regresión lineal son las siguientes:

Ŷ = 𝑎 + 𝑏𝑋

donde:
Ŷ = Valor estimado o pronosticado de la variable dependiente
X = Valor que asume la variable independiente
a = Punto en el que la recta corta al eje y
b = Pendiente de la recta
Los valores para a y b son determinados por las siguientes fórmulas:

𝑎 = Ŷ − 𝑏𝑋
donde:
Ŷ = Promedio de las y
X = Promedio de todas las x

Վ 𝑿𝒊 𝒀𝒊 − 𝒏 𝑿Ŷ)
𝐛=
Վ 𝑿𝒊 𝟐 − 𝑿𝟐
donde:
𝑋𝑖 y 𝑌𝑖 = Valores de “x” y “y” de cada punto de datos.
n = Número de punto de datos.
 Ejemplo: En la siguiente tabla se encuentran los datos de las
ventas de los últimos cinco años de una empresa del ramo de
alimentos, proyectar las ventas para el año 2017. Intercepci Coeficientes
ón 4 a
Variable X
1 0.416666667 b

Ventas por Ventas

Porcentaje de
Año Año año Proyectadas Error Abs error
error (%)
(ton/año) (ton/año)

2009 1 4 4.417 -0.417 0.417 10%

2010 2 5 4.833 0.167 0.167 3%

2011 3 4 5.250 -1.250 1.250 31%

2012 4 7 5.667 1.333 1.333 19%

2013 5 8 6.083 1.917 1.917 24%

2014 6 5 6.500 -1.500 1.500 30%

2015 7 7 6.917 0.083 0.083 1%

2016 8 7 7.333 -0.333 0.333 5%

2017 9 7.750 15%

 2. Método Regresión Logarítmica Lineal: Este modelo de
regresión es una alternativa cuando el modelo lineal no logra un
coeficiente de determinación apropiado, o cuando el fenómeno
en estudio tiene un comportamiento que puede considerarse
potencial o logarítmico.
Las ecuaciones para la regresión lineal son las siguientes:

𝑙𝑛 Ŷ = 𝑎‘ + 𝑏‘𝑋
donde:
Ŷ = Valor estimado o pronosticado de la variable dependiente
X = Valor que asume la variable independiente
𝑎‘ = Punto en el que la recta corta al eje y
𝑏‘ = Pendiente de la recta
Los valores para 𝑎‘ y 𝑏‘ son determinados por las siguientes
fórmulas:
𝑎‘ += 𝑙𝑛Ŷ − 𝑏‘𝑋
donde:
Ŷ = Promedio de las y
X = Promedio de todas las x
Վ 𝑿𝒊 𝒍𝒏𝒀𝒊 − 𝒏 𝑿 𝒍𝒏Ŷ)
𝑏‘ =
Վ 𝑿𝒊 𝟐 − 𝑿𝟐

donde:
𝑋𝑖 y 𝑌𝑖 = Valores de “x” y “y” de cada punto de datos.
n = Número de punto de datos.
Ejemplo: En la siguiente tabla se encuentran los datos de las
ventas de los últimos cinco años de una empresa del ramo de
alimentos, proyectar las ventas para el año 2017.Intercepción Coeficientes
1.39558133 a‘

Variable X 1 0.07622183 b‘

Ventas ln Ventas Ventas

por año Proyectad proyectad Porcentaj
Año Año ln Ventas Error Error Abs error
(ton/año as as e de
) (ton/año) (ton/año) error (%)

2009 1 4 1.386 1.472 -0.086 4.357 -0.357 0.357 9%

2010 2 5 1.609 1.548 0.061 4.702 0.298 0.298 6%

2011 3 4 1.386 1.624 -0.238 5.075 -1.075 1.075 27%

2012 4 7 1.946 1.700 0.245 5.477 1.523 1.523 22%

2013 5 8 2.079 1.777 0.303 5.910 2.090 2.090 26%

2014 6 5 1.609 1.853 -0.243 6.378 -1.378 1.378 28%

2015 7 7 1.946 1.929 0.017 6.884 0.116 0.116 2%

2016 8 7 1.946 2.005 -0.059 7.429 -0.429 0.429 6%

2017 9 2.082 8.017 16%

El Error Porcentual Absoluto Medio (MAPE o Mean
Absolute Percentage Error): Es un indicador del
desempeño del pronostico de la demanda que mide el
tamaño del error (absoluto) en términos porcentuales.

% crecimiento promedio anual de la demanda = b *100

% crecimiento promedio anual de la demanda de

arándanos IQF = b *100
% crecimiento promedio anual = 7.6%