◇ DEMANDA: CANTIDAD DE BIENES Y SERVICIOS QUE EL MER­

CADO REQUIERE O SOLICITA PARA BUSCAR SA­TISFACCIÓN

DE UNA NECESIDAD A UN PRECIO DETERMINADO.

¿COMO SE ANALIZA LA DEMANDA?

PRIMERO DETERMINAR Y MEDIR CUALES SON LAS FUERZAS

O VARIABLES QUE AFECTAN LOS REQUERIMIENTOS DEL
MERCADO CON RESPECTO A UN BIEN O SERVICIO. ES DECIR,
LOS GUSTOS Y PREFERENCIAS, EL PRECIO, EL INGRESO, LA
POBLACION U OTROS.
ANÁLISIS
DE LA PARA PODER REALIZAR ESTA MEDICIÓN SE DEBE RECURRIR
A UNA HERRAMIENTA DENOMINADA INVESTIGACIÓN DE
DEMANDA MERCADO.

CUANDO EXISTE INFORMACIÓN ESTADÍSTICA RESULTA MAS

FÁCIL CONOCER EL COMPORTAMIENTO HISTÓRICO DE LA
DEMANDA.
CURVA DE DEMANDA
 ◇ OPORTUNIDAD
DEMANDA INSATISFECHA
DEMANDA SATISFECHA
DEMANDA SATURADA DEMANDA NO SATURADA

◇ NECESIDAD
DEMANDA DE BIENES BASICOS DEMANDA DE
BIENES SUNTUARIOS.

TIPOS DE ◇ TEMPORALIDAD
DEMANDA CONTINUA
DEMANDA DEMANDA CICLICA O ESTACIONAL

◇ DESTINO
DEMANDA DE BIENES FINALES
DEMANDA DE BIENES INTERMEDIOS
 ESTUDIO DE MERCADO:

OBJETIVO: RECOPILACION DE INFORMACIÓN DE

CARÁCTER ECONÓMICO QUE REPERCUTE EN LA
COMPOSICIÓN DE LOS FLUJOS DE CAJA.

UN ESTUDIO DE MERCADO IMPLICA

“
ANALIZAR LOS DISTINTOS MERCADOS COMPETENCIA

INVOLUCRADOS CON EL PROYECTO.

MERCADO:
• CONSUMIDOR PROYECTO
• COMPETIDOR
• PROVEEDOR CONSUMIDOR

• DISTRIBUIDOR
PROVEEDOR U
OBJETIVO
MERCADO -Se refiere al Número de empresas que en este momento ofrecen
COMPETIDOR un producto o servicio igual o muy parecido.
-Ubicación
-Tamaño y Capacidad Utilizada
-Características de los clientes.
-Características distintivas
-Existencia de Barreras de Entrada y Salida

MERCADO -Se refiere al Número de empresas que pueden abastecer al

PROVEEDOR Proyecto con Equipos, Maquinaría , e Insumos.
-Ubicación
-Disponibilidad de Abastecimiento.
-Precios y formas de pago.
-Oportunidad de entrega
MERCADO Se refiere al número de potenciales distribuidores del producto,
DISTRIBUIDOR éstos pueden ser intermediarios, grandes o pequeños
detallistas. En relación con éstos se debe poner atención a los
siguientes factores:

-Ubicación
-Disponibilidad de Distribución, posible existencia de contratos
de exclusividad.
-Precios, posibilidad de influenciar el precio al que el
distribuidor comercializara el producto..
-Publicidad, posibilidad de que el distribuidor colabore en el
financiamiento de la publicidad.
-Imagen, congruencia entre la imagen del distribuidor y el
posicionamiento que se le espera dar al producto.
 MERCADO CONSUMIDOR U OBJETIVO
Corresponde a la determinación de la demanda, que es la variable de mayor
incidencia en el proyecto, en la determinación de la demanda se debe considera
cantidad y frecuencia de compra. Luego, se debe considerar también con un alto
grado de importancia el precio futuro del producto. Para así, hacer un pronóstico
del ingreso operacional (precio por cantidad).

La mayor dificultad de lo anterior es poder prever con cierta certeza el

comportamiento de los consumidores .

-En este estudio se debe identificar con la mayor exactitud posible, primero, el
Mercado Objetivo y luego su cuantificación.

-Para ello se recurre a información de tipo secundaria y luego primaria.

-Si se requiere información de fuentes primarias ,se debe realizar una
Investigación de Mercado.
PRONÓSTICOS
DE DEMANDA
¿ ES POSIBLE
PREDECIR
EL FUTURO?
Componentes de la demanda

Las componentes son patrones de comportamiento identificables

en la demanda, a través de los cuales pueden ser hechos los
pronósticos. Se establecen 5 patrones:
1.-Componente del medio:
Existe cuando no hay tendencia de ninguna clase, luego la serie de
datos se dice estacionaria.
2.-Componente de tendencia:
Existe cuando hay un aumento o disminución de la demanda en el
tiempo.

3.-Componente estacional:
Existe cuando la demanda fluctúa de acuerdo a un factor estacional.
4.-Componente cíclica:
Similar a la componente estacionaria, pero con una longitud de ciclo
mayor a un año (largo plazo), se caracteriza ya que la longitud de
los ciclos es variable lo que hace difícil su pronóstico.

5.-Componente aleatoria:
Produce variaciones erráticas en torno a las componentes puros ya
descritos. Este error es imposible de eliminar.
Clasificación de los modelos de pronósticos

Existen métodos:

 Métodos Cualitativos (predictivos)

√ Delfi

 Métodos Cuantitativos

√ Series de Tiempo

√ Modelos Causales
Métodos Cuantitativos:

1.- Proyección con series de tiempo:

Se utilizan los datos históricos de una variable para generar un pronóstico del futuro. Supone
que la variable pronosticada tiene información útil para el desarrollo del pronóstico sobre su
comportamiento anterior. Queda implícito que es probable que lo que sucedió en el pasado
continúe ocurriendo en el futuro. Cuando éste es el caso, se dice que los datos de series de
tiempo para la variable que se pronostica son estacionarios. Cuando esta suposición no se
cumple, la serie de tiempo es dinámica y, entonces, los métodos de análisis de series de tiempo
no deben usarse o se deben emplear sólo como un punto de partida para tener una idea de
cómo diferirá el futuro del pasado.

Cuando se analizan los datos de series de tiempo es importante pensar y buscar variaciones
de tendencia, estacionales, cíclicas y aleatorias; según los datos la importancia de estas
componentes existe en diferentes grados.
1.- Promedio Móvil:

Es un modelo de pronóstico útil y sencillo, sobre todo se usa para hacer pronóstico
a corto y mediano plazo. El promedio de lo que ha ocurrido en el pasado se emplea
para pronosticar el futuro. Sea:

F  valor pronosticado de X en el período t 1

t 1
F  Xt
t 1
X t  X  ............  X t
Xt  t 1 t  N 1  1  X
N N it  N 1 i

El número de términos que se incluyen en el cálculo del promedio móvil incluye en la

respuesta del promedio, es decir el promedio móvil hasta el período t se usa para el
pronóstico del período t+1.

El promedio móvil siempre tiene un retraso respecto de la tendencia. La magnitud del

retraso depende de la fuerza de la tendencia y del número de términos en el
promedio móvil. Un promedio móvil tendrá un retraso de cualquier patrón cíclico y
fracasará en tomar en cuenta una variación estacional.
1.2.- Promedio Ponderado:

F  valor pronosticado de X en el período t 1

t 1
F  Ci X t
t 1
Ci  Peso determinado del período i
X t  X  ............ X t
CiX t  Ci t 1 t  N 1   Ci X
it  N 1 i
El número de términos que se incluyen en el cálculo del promedio
móvil influye en la respuesta del promedio, cuanto más pequeño es el
número de términos incluidos, mayor es la sensibilidad del promedio a
los cambios y viceversa. En una situación más bien dinámica en que
los cambios son muy rápidos y la administración desea detectar estos
cambios, debe usarse un promedio móvil de mayor cantidad de
términos.

Por otro lado, si la situación es más o menos estable y la mayoría de

los cambios de un período a otro se deben a una variación aleatoria,
debe emplearse un número mayor de términos con objeto de
minimizar la respuesta a la variación aleatoria. En última instancia, el
número de términos que se usan en una transacción entre un
promedio mayor para reducir los efectos de una variación poco
significativa y un promedio menor para reducir el retraso en la
respuesta a información importante.
EJEMPLO:

1.- La demanda de pasteles frescos de DELICIAS es en miles de docenas

Como se muestra a continuación:

MES DEMANDA
ENERO 14
FEBRERO 12
MARZO 12
ABRIL 11
MAYO 17
JUNIO 16

a.-Utilizar un promedio móvil ponderado con pesos de 0.1, 0.3 y 0.6 para
hallar el pronóstico de Julio (mayor ponderación para datos más recientes).

b.-Utilizar el promedio móvil simple de tres meses para hallar el pronóstico

del mes de Julio.
2.- Suavizamiento exponencial:

Una alternativa a los promedios móviles es el suavizamiento exponencial, también se

utilizan para pronósticos a corto y mediano plazo, se calcula de la siguiente forma:

F  X t  1  F
t 1 t

Igual que en el caso de promedios móviles, el promedio calculado hasta el período t se

usa para pronosticar el período t +1. Esto lleva al siguiente modelo de pronósticos:

F  X t  1  Ft
t 1

A la constante de suavizado α se le asigna un valor entre 0 y 1. El valor de α Puede

ajustarse en tal forma que los pronósticos respondan, rápidamente o lentamente A los
cambios posibles en el sistema.
En general no hay acuerdo sobre la elección del coeficiente α.
Los puntos de datos más recientes tienen mayor peso; este peso se reduce exponencialmente
cuando más antiguos son los datos.

Un valor elevado de α da un gran peso a la demanda más reciente y un valor bajo del coeficiente
dará un peso menor a la demanda más reciente.

Un elevado coeficiente de suavizamiento exponencial será más adecuado para los nuevos productos
o en caso que la demanda está en proceso de cambio ”dinámica o inestable” los α de 0,7; 0,8 ó
0,9 puede ser más apropiado para estas condiciones.

Si la demanda es muy estable y se cree que puede ser representativa del futuro, el pronosticador
puede optar por un coeficiente bajo para disminuir cualquier ruido que hubiese podido presentarse
en forma súbita, los coeficientes podrían ser 0,1; 0,2 ó 0,3.

Cuando la demanda es ligeramente inestable, α= 0,4; 0,5 ó 0,6 pueden proporcionar datos más
precisos.
En la tabla se ilustra el uso del suavizamiento exponencial, usando α = 0,1 y
α = 0,5
Período t Mes Demanda Ft 1 , Ft 1 ,
Pronóstico   0.1 Pronóstico   0.5
1 Enero 1980 600
2 Febrero 1980 580 600 600
3 Marzo 1980 580 598 590
4 Abril 1980 520 596 585
5 Mayo 1980 570 588 552
6 Junio 1980 510 586 561
7 Julio 1980 500 578 536
8 Agosto 1980 470 570 518
9 Sept. 1980 450 560 494
10 Octubre 1980 460 549 472
11 Nov. 1980 430 540 466
12 Dic. 1980 400 529 448
13 Enero 1981 --- 516 424
 Demanda real y pronosticada con
suavizamiento exponencial

650
600

Deamanda
Demanda
550
500 Alfa =0,1
450 Alfa=0,5
400
1 3 5 7 9 11
Período

Cuando se hace el primer pronóstico con un modelo de suavizamiento

exponencial ocurre un problema interesante, como es el primero no existe un
pronóstico previo que pueda usarse con el término . Este no es un problema
serio y puede manejarse suponiendo que el pronóstico anterior es el mismo
que la observación más reciente, matemáticamente esto equivale a asignar
un peso de 1 a α cuando se hace el primer pronóstico.
Ejercicio:

1.- La demanda de un producto se muestra en la tabla . Nuestro pronóstico

para el mes de abril fue de 100 unidades, con un coeficiente de suavizamiento
exponencial de 0,20. ¿Cuál es el pronóstico para el mes de Julio?, ¿Qué puede
decir acerca del coeficiente de suavizamiento utilizado?.

MES DEMANDA ACTUAL REAL

ABRIL 200

MAYO 50

JUNIO 150
2.- El método de suavizamiento exponencial lo usa Rayo Vac para presupuestar
las ventas de baterías. Las cifras se muestran en millones de paquetes de pilas
“AA”. Utilizan dos valores de alfa para poder analizar diferentes escenarios.
Evaluar Ambos casos e indicar cuál es el que sugerirías indicando el porqué.

MES VENTAS ACTUALES DE PRONÓSTICO

PAQUETES DE BATERÍAS AA

ENERO 20 22

FEBRERO 21

MARZO 15

ABRIL 14

MAYO 13

JUNIO 16

Calcular los pronósticos con alfa = 0.5 y 0.8.

Cálculos ejercicio
ALFA = 0,5
SEÑAL DE
mes ventas Ft+1 Xt*α (1-α)*Ft SESGO MAD RASTREO
enero 20 22 2 2 0,82
febrero 21 21 10 11 0 0
marzo 15 21 11 11 6 6
abril 14 18 8 11 4 4
mayo 13 16 7 9 3 3
junio 16 14,5 7 8 -1,5 1,5
2,25 2,75

ALFA = 0,8
SEÑAL DE
mes ventas Ft+1 Xt*α (1-α)*Ft SESGO MAD RASTREO
enero 20 22 2 2 0,55
febrero 21 20 16 4 -0,6 0,6
marzo 15 21 17 4 5,88 5,88
abril 14 16 12 4 2,176 2,176
mayo 13 14 11 3 1,4352 1,4352
junio 16 13 10 3 -2,71296 2,71296
1,36304 2,46736
25

20

15

VENTAS
PRONÓSTICO ALFA=0,5
PRONÓSTICO ALFA=0,8
10

0
enero febrero marzo abril mayo junio
2.- Métodos de proyección causal:

Toman en cuenta múltiples factores que influyen o se relacionan con la variable

que se quiere pronosticar. Así, tienden a ser más ricos en cuanto a su poder
descriptivo que los métodos de series de tiempo. Estos operan partiendo sólo de
los valores pasados de la variable que se pronostica.

Los factores que se consideran en el análisis causal pueden ser internos y externos
a la organización.

Por ejemplo el pronóstico de demanda para los productos de una compañía, donde
algunos factores externos que se relacionan con la demanda pueden ser el PIB, la
tasa de desempleo, los precios del competidor; los factores internos podrían incluir
los precios de venta del producto y los gastos de comercialización. Cualquier factor
que esté ligado de manera lógica a la variable que se está pronosticando es un
candidato posible para ser incluido en el análisis causal. En el estudio de los
métodos causales estudiaremos:

1. El análisis de regresión
3.-Análisis de tendencia:

El último modelo de series de tiempo es apropiado para detectar tendencias.

Con frecuencia, ésta es una consideración importante cuando se hacen
pronósticos a mediano y largo plazo.
El objetivo del análisis de tendencia es ajustar matemáticamente una curva a un
conjunto de datos. Veremos sólo el análisis de tendencia lineal, pero existen
otros tipos de análisis de tendencia por ejemplo cuadrática, logarítmica que
también pueden realizarse.
Un modelo de análisis de tendencia tiene el tiempo como variable
independiente, y la variable que se está pronosticando es la variable
dependiente. Para obtener un pronóstico, sólo es necesario insertar el período
para el cual se desea el pronóstico y calcular el valor pronosticado.

Igual que con todos los métodos de series de tiempo se recomienda que se
comience el análisis con una gráfica de los datos. Para ejemplificar se presentan
los datos en la siguiente tabla con los datos de una demanda trimestral en vez
de mensual ya que el análisis de tendencia es apropiado para pronósticos de
mediano a largo plazo.
 Período Trimestre Demanda
1 Invierno 1978 390 600
2 Primavera 1978 425 500
3 Verano 1978 420
400

Demanda
4 Otoño 1978 475
300 Demanda
5 Invierno 1979 440
200
6 Primavera 1979 460
7 Verano 1979 465 100

8 Otoño 1979 500 0

9 Invierno 1980 455

10 Primavera 1980 520 Período

11 Verano 1980 495

12 Otoño 1980 580

En la gráfica puede observarse que en los tres últimos años ha habido una demanda
creciente con una componente de tendencia lineal definitiva. Los datos también contienen
una componente estacional fuerte, pero se pospondrá su estudio hasta después que se haya
analizado la tendencia.
La pregunta principal es:¿Qué curva o ecuación lineal describe mejor los datos de demanda?
La respuesta a esta pregunta depende del criterio que se quiera aplicar. Con el enfoque
gráfico simplemente se traza a ojo una curva que parezca el mejor ajuste a los datos. Este
enfoque incluye una combinación de juicio subjetivo y adivinanzas.
Un enfoque matemático para el análisis de tendencia lineal es mucho más estructurado y preciso.
Identifica la ecuación de una línea recta de la forma:

Ft = a + b * t

Donde:

Ft  valor pronostica do
a  base
b t  tendencia
t  período para el que se prepara el pronóstico

Los valores de a y b se encuentran con el método de mínimos cuadrados, la aplicación de éste criterio da como
resultado una línea recta que minimiza el cuadrado de las distancias verticales desde cada observación a la
línea, los valores de a y b que minimizan la suma de los cuadrados de todas las distancias verticales definen la
ecuación que mejor se ajusta a los datos. Las ecuaciones son las siguientes:
 y  b x
a
N
N xy   x y
b 
N  x 2   x2
Los datos intermedios se muestran en la siguiente tabla:

Período Demanda y xy X2
1 390 390 1
2 425 850 4
3 420 1260 9
4 475 1900 16
5 440 2200 25
6 460 2760 36
7 465 3255 49
8 500 4000 64
9 455 4095 81
10 520 5200 100
11 495 5445 121
12 560 6720 144

 x  78
 y  5605  xy  38075  x 2  650
 Por lo tanto:

12 38075  78 5605

b  11 .5
2
12 605   78
5605 11 .5 78
a  392.3
12

El modelo de pronóstico es por lo tanto:

Ft  392.3 11 .5t 

Por ejemplo si se quiere el pronóstico de demanda para el invierno de 1981, se reconoce que esto
comprende al período 13 (con base en la numeración dada a los períodos al realizar el análisis) y el
pronóstico es:

F  392.3 11 .513  542

t 13
El pronóstico para el invierno del 1982 es:

F  392.3 11 .517   588

t 17

Análisis de Tendencia

600
500

Demanda
400
Demanda
300
Ft
200
100
0

Período
Métodos causales:

Los métodos causales de pronósticos se caracterizan por tomar en cuenta

múltiples factores que incluyen o se relacionan con la variable que se quiere
pronosticar. Así tienden a ser más ricos en cuanto a su poder descriptivo que los
métodos de series de tiempo. Estos operan partiendo sólo de los valores
pasados de la variable que se pronostica.

Los factores que se consideran en el análisis causal pueden se internos o

externos a la organización por ejemplo considérese el pronóstico de demanda
para los productos de una compañía algunos factores externos que se relacionan
con la demanda sean los precios de venta del competidor; los factores internos
podrían incluir los gastos de comercialización. Cualquier factor que esté ligado de
manera lógica a la variable que se está pronosticando es un candidato posible
para ser incluido en el análisis causal.
A.- Análisis de Regresión:

El objetivo es identificar una relación funcional entre una o más variables

independientes (predictoras) y la variable dependiente (pronóstico). El análisis de
regresión no sólo indica cuales variables independientes son buenos predictores,
sino que también establecen un modelo matemático específico que puede
emplearse para propósitos de los pronósticos.

Las variables independientes que es usan en un análisis de regresión difieren

según lo que se está pronosticando. En general, las variables independientes
tienen una relación causal con la variable que se pronostica, o están relacionadas
con ésta en alguna lógica. Considérese un ejemplo: una empresa requiere
comercializar un dispositivo automático para abrir puertas de garaje, la compañía
ha estado poniendo anuncios en los periódicos de 10 áreas de mercado diferente.
Está interesada en relacionar el número de personas que escribirán pidiendo la
información gratis con el número de dispositivos que se vendan. La tabla muestra
los datos de 10 áreas de mercado.
Número de folletos Número de Número de folletos Número de
pedidos dispositivos pedidos dispositivos
automáticos vendidos automáticos vendidos

200 18 212 19
86 10 150 15
57 3 114 12
340 32 88 11
120 14 136 12

Un punto de partida es graficar los datos con objeto de

establecer la naturaleza de la relación entre el número de
unidades vendidas y el número de folletos de información
pedidos, en terminología de análisis de regresión lineal una
gráfica de este tipo se llama diagrama disperso. La gráfica
muestra una relación lineal que sugiere que es apropiado
aplicar el análisis de regresión lineal simple
El análisis de regresión emplea el criterio de mínimos cuadrados al igual que en el análisis de tendencia, este criterio
sirve para desarrollar una ecuación específica que relaciones las variables independiente y dependiente, la
característica que distingue al análisis de tendencia del de regresión lineal es, en esencia conceptual, ya que cada
uno desarrolla un modelo usando las mismas ecuaciones de mínimos cuadrados. La distinción está en que al
emplear análisis de regresión se supone que las observaciones para la variable independiente son independientes;
con los datos de serie de tiempo es obvio que éste no es el caso. Esta falta de independencia impide la
interpretación estadística usual del análisis de regresión, en consecuencia no es correcto considerar el análisis de
tendencia como un sinónimo de análisis de regresión aún cuando empleen las mismas ecuaciones.
Desarrollo del modelo de regresión para pronosticar ventas de dispositivos automáticos

Número de Número de dispositivos xy X2 Y2

folletos requeridos automáticos vendidos
“x” “y”
200 18 3600 40000 324
86 10 860 7396 100
57 3 171 3249 9
340 32 10880 115600 1024
120 14 1680 14400 196
212 19 4028 44944 361
150 15 2250 22500 225
114 12 1368 12996 144
88 11 968 7744 121
136 12 1632 18496 144
 x  1503  y  146  xy  27437  x2  287325  y 2  2648

N  yx   x y 10 27437 1503146

b   0.089
2
N  x   x 2 2
10 287325  1503 








 y  b x 146  0.0891503  
a   1.22
N 10
La desviación estándar de la regresión es una medida de dispersión de los datos
alrededor de la línea de regresión.

 y 2  a y  b xy 2648 1.22146  0.089 27437

S xy    1.87
N 2 10  2