3

Captulo

Tcnicas de
prediccin

a prediccin de los comportamientos de las variables econmicas constituye,

sin duda, una de las mayores dificultades en el estudio de propuestas de
inversin. Sin embargo, su realizacin es ineludible por cuanto la esencia de la
evaluacin de proyectos es comparar una inversin o una desinversin actual con el
flujo de caja que es posible esperar en el futuro, si se opta por tomar la decisin. Las
condiciones que imperarn en los prximos aos difcilmente coincidirn con aquellas
observadas en proyectos similares en el pasado. Por ello, el resultado de una prediccin
se debe considerar solo como una medicin de evidencias incompletas, basadas en
comportamientos empricos de situaciones parcialmente similares o en inferencias de
datos estadsticos disponibles.
Los diversos mtodos para hacer pronsticos deben ser considerados, muchas veces,
como complementarios. Difcilmente los resultados de uno coincidan con los de otros.
De la misma forma, posiblemente unos sirvan ms en un periodo de tiempo que
otros, es decir, mientras unos puedan ser recomendables para proyectar los primeros aos
de la demanda, otros sern los ms adecuados para el largo plazo.
El estudio del comportamiento histrico de la demanda que ha tenido la
competencia ya establecida es fundamental para elegir la tcnica de pronstico a

87
www.FreeLibros.me

Proyectos de inversin. Formulacin y evaluacin

emplear, tanto en lo que se refiere a su tendencia, estacionalidad, impacto de variables

externas y comportamiento frente a los cambios en los ciclos econmicos como a sus
reacciones (positivas y negativas) a campaas promocionales, cambios de precios o
readecuacin de las caractersticas del producto, etctera.
En proyectos innovativos se debe tener muy en cuenta el ciclo de vida de productos
similares. Es posible que en una etapa inicial de su desarrollo sea una funcin exponencial
la que mejor explique el comportamiento de la demanda en el periodo introductorio
(crece muy lentamente al principio mientras el producto se conoce, para luego aumentar
fuertemente); que en una segunda etapa, de crecimiento, sea una funcin lineal con
tendencia positiva la que mejor explique el desarrollo del mercado; y que, en la etapa de
madurez, se opte tambin por una funcin lineal creciente a tasas sustancialmente menores.
Incluso puede haber una etapa de saturacin, donde la demanda llegue a 0, como por
ejemplo los derivados de la obsolescencia por los continuos cambios tecnolgicos (regla
de clculo, telgrafo y, pronto, el fax). El Grfico 3.1 muestra estas situaciones.
Grfico 3.1
Ciclo de vida de un producto
Ventas

Introduccin

Crecimiento

Madurez

Obsolescencia

Tiempo

Como se seal en el Captulo 2, en estos casos ser necesario separar la proyeccin

de la demanda de flujo de la de stock.
Desde otro punto de vista, el comportamiento histrico de la demanda de la
competencia requiere una desagregacin mayor. En la fabricacin de calzado, por ejemplo,
entre masculino y femenino, entre adultos y nios, por modelo, color o tamao del pie.
Las tcnicas de pronstico se clasifican de diversas formas en la literatura
econmica. En este texto se usarn dos grandes categoras: las cuantitativas y las
cualitativas. Cuando se dispone de datos histricos suficientes, es posible utilizar los
modelos cuantitativos de proyeccin. Si estos no existen o son insuficientes, lo mejor es
recurrir a los mtodos cualitativos.

88
www.FreeLibros.me

Nassir Sapag Chain

3.1 Tcnicas cuantitativas de prediccin

Las tcnicas cuantitativas de prediccin poseen la ventaja de que, al estar expresadas

matemticamente, su procedimiento de clculo y los supuestos empleados carecen de
toda ambigedad. Dos grupos se identifican en esta categora: los modelos causales y los
modelos de series de tiempo. Un tercero, el de datos de panel, es solo una combinacin
de los dos anteriores. Por ejemplo, en un proyecto de atenciones peditricas, un modelo
causal vinculara el nmero de prestaciones mdicas con la cantidad de nios de cada
zona geogrfica; uno de series de tiempo analizara la evolucin en el tiempo del nmero
de prestaciones; y uno de datos de panel relacionara la evolucin de la poblacin infantil
con el nmero de atenciones peditricas a travs del tiempo.
3.1.1 Modelos causales
Los modelos causales requieren que exista una relacin entre los valores de ambas
variables y que los de la variable independiente sean conocidos o que su estimacin
otorgue una mayor confianza. La forma ms comn de hacer proyeccin causal es el
ajuste de curvas, el cual se puede realizar aplicando el mtodo de regresin, que predice
el comportamiento de la variable dependiente a partir de una lnea recta, exponencial u
otra formada por los datos de la variable independiente. Se denomina regresin simple a la
que emplea una sola variable independiente y regresin mltiple a la que recurre a varias.
Los modelos causales relacionan muchas veces la demanda con el nmero de
habitantes, con su ingreso per cpita, con la participacin de la mujer en el mercado
laboral o con la cantidad de empresas, entre otras variables. Por ejemplo, la demanda por
lavavajillas est directamente relacionada con los tres primeros factores mencionados.
En las grandes ciudades, donde el poder adquisitivo es mayor y un gran nmero de
mujeres trabaja, las compras de lavavajillas son sin duda mayores que en pueblos
pequeos con escasos ingresos y donde pocas mujeres trabajan. Lo mismo pasa con
la demanda de lneas telefnicas, donde la existencia de factores como la poblacin, el
nmero de empresas, el producto interno bruto (PIB), la actividad industrial o los ndices
de construccin, entre otros, puede correlacionarse fcilmente con su demanda.
El mtodo de los mnimos cuadrados o regresin lineal busca determinar la recta que
represente de mejor manera la tendencia de las relaciones observadas entre dos variables,
para usarlas como base de la proyeccin de la tendencia futura, calculando en la
Ecuacin 3.1 los valores de a y b que definan la funcin Y que minimice las desviaciones,
los datos observados y la ecuacin.

Y = a + bx

(3.1)

Donde Y es la funcin de proyeccin o lnea de tendencia; a, el comportamiento no

explicado por la variable x; b, el comportamiento explicado por la variable x que indica
en cunto cambia el valor de Y por cada unidad que cambie x.

Captulo 3 Tcnicas de prediccin

www.FreeLibros.me

89

Proyectos de inversin. Formulacin y evaluacin

El Grfico 3.2 muestra estas relaciones, donde los datos observados se representan
con puntos y la funcin de estimacin, con la lnea recta.
Grfico 3.2
Lnea de tendencia
Y

Y = a + bx
b
1

a
X

Existen diversas formas de calcular el valor de las variables a y b. A continuacin,

se explican los procedimientos para hacer el clculo mediante los ms utilizados: el uso
de frmulas y el de los facilitadores de Excel, a saber, Anlisis de datos y el ajuste de la
lnea de tendencia al grfico de dispersin. En todos los mtodos se usar la informacin
base que se exhibe en la Tabla 3.1.
Tabla 3.1 Datos recolectados de poblacin infantil y demanda por comuna
Comuna

Poblacin infantil (x)

Ventas en unidades (Y)

14.680

3.845

22.930

5.450

16.650

5.099

35.990

8.890

32.480

6.681

38.770

9.678

10.030

4.542

24.260

4.557

52.460

13.289

10

36.800

10.506

11

17.340

5.134

12

43.690

9.066

90
www.FreeLibros.me

Nassir Sapag Chain

En la Tabla 3.1 se puede observar que, aunque exista una relacin entre la
cantidad de nios y las ventas (a mayor poblacin, mayores ventas), estas pueden tener
comportamientos errticos. Por ejemplo, la comuna ms pequea tiene 10.030 nios
y se venden 4.542 unidades, mientras que la que le sigue en tamao (la nmero 1),
teniendo un 40% ms de poblacin, vende menos unidades.
Obviamente, una de las dos es menos representativa que la otra con respecto
al comportamiento entre demanda y poblacin. La regresin rene todos los datos
histricos disponibles y estima el mejor promedio entre todos ellos, separando la
cantidad (a) de unidades vendidas que no son explicadas por la poblacin (accesos,
lejana de las viviendas a los centros de venta, etc.) de aquellas (b) que s son explicadas
por ella.
a. Uso de frmulas
El primer procedimiento para determinar la lnea de tendencia recurre a las
ecuaciones siguientes para definir los valores de a y de b.

b=

nxy ( y )
nx 2 ( x )2

a = y bx

(3.2)

(3.3)

Donde n es el nmero de observaciones; y, el valor promedio de la variable y, y x,

el valor promedio de la variable x.
Reemplazando los valores obtenidos en las dos ecuaciones anteriores, se
obtiene:
b=

12 (2.903.465.410) ( 346.080) ( 86.737 )

= 0,212028
12 (11.876.785.000) 119.771.366.400
a = 7.228 (0,212028)(28.840) = 1.113,1958

La lnea de tendencia queda, entonces, como sigue.

Y = 1.113,1985 + 0,212028x
Para pronosticar las ventas en una nueva comuna, se reemplaza x por la poblacin
infantil.

Captulo 3 Tcnicas de prediccin

www.FreeLibros.me

91

Proyectos de inversin. Formulacin y evaluacin

Ejemplo 3.1
La Tabla 3.2 muestra los valores de cada componente para calcular las ecuaciones
anteriores.
Tabla 3.2 Clculo de variables de la ecuacin
Comuna

Poblacin infantil (x)

Ventas en unidades (Y)

xy

x2

14.680

3.845

56.444.600

215.502.400

22.930

5.450

124.968.500

525.784.900

16.650

5.099

84.898.350

277.222.500

35.990

8.890

319.951.100

1.295.280.100

32.480

6.681

216.998.880

1.054.950.400

38.770

9.678

375.216.060

1.503.112.900

10.030

4.542

45.556.260

100.600.900

24.260

4.557

110.552.820

588.547.600

52.460

13.289

697.140.940

2.752.051.600

10

36.800

10.506

386.620.800

1.354.240.000

11

17.340

5.134

89.023.560

300.675.600

12

43.690

9.066

396.093.540

1.908.816.100

xy
x

2.903.465.410
346.080

y
x

86.737
28.840

7.228

x2
(x)2

11.876.785.000
119.771.366.400

b. Uso del comando Anlisis de datos de Excel

La primera vez que se vaya a utilizar este comando, ser necesario activarlo.
Para ello, debe hacer clic en el Botn de Office (crculo que aparece en el extremo
superior izquierdo de la pantalla) y seleccionar Opciones de Excel. Al desplegarse el
cuadro de dilogo correspondiente, debe seleccionar Complementos; elija el comando
Herramientas para anlisis y marque Ir Al desplegarse el cuadro de dilogo Comandos,
active la casilla Herramientas para anlisis.

92
www.FreeLibros.me

Nassir Sapag Chain

Ejemplo 3.2
Con los datos del ejemplo anterior traspasados a una hoja Excel, se debe seguir el
siguiente procedimiento:
1. Seleccione Datos de la barra de opciones.
2. En Anlisis, elija la opcin Anlisis de datos.
3. En el cuadro de dilogo que se abrir, seleccione la opcin Regresin y elija
Aceptar.
4. En el cuadro de dilogo Regresin, use el casillero Rango Y de entrada para anotar
la posicin de los datos de la variable dependiente (Ventas).
5. Use el casillero de Rango X de entrada para especificar la posicin de los datos de la
variable independiente (Poblacin infantil).
6. Utilice las Opciones de salida para especificar el lugar donde quiere ubicar los
resultados. Si elige la opcin En una hoja nueva, asgnele un nombre (Resultados
regresin).
La Figura 3.1 muestra el resultado que debera obtenerse.
Figura 3.1
Opciones de regresin

Captulo 3 Tcnicas de prediccin

www.FreeLibros.me

93

Proyectos de inversin. Formulacin y evaluacin

7. Finalmente, elija Aceptar. Excel insertar una nueva hoja de clculo con los resultados
de la regresin, tal como se muestra en la Figura 3.2.
Figura 3.2
Resultados de la regresin

Como se puede observar, en las celdas B17 y B18 de la Figura 3.2 aparecen
directamente los valores de a y b, denominados como Intercepcin y Variable X 1,
respectivamente, datos que son coincidentes con los obtenidos mediante el uso de las
frmulas.
En el Resumen de los resultados de la regresin aparecen tres conceptos bajo el
ttulo de Anlisis de varianza: Regresin, Residuos y Total. Los valores bajo la columna
Suma de cuadrados se interpretan como sigue.
yy Regresin: variacin que se puede explicar por los datos del modelo (dispersin en los
valores estimados con respecto al promedio de los datos observados) y corresponde a
la suma de los cuadrados de las diferencias entre cada valor estimado por el modelo
y el promedio de los datos observados.
yy Residuos: suma de los cuadrados de las diferencias entre los datos observados y los
determinados por el modelo.
yy Total: dispersin de los datos que se calcula como la diferencia entre el promedio de
los datos observados y la suma de esos datos al cuadrado.
Si se relativizan los valores de Regresin y Residuos respecto de Total, se tiene:
Suma de cuadrados

Regresin

85228887,3

0,87150

Residuos

12566601,6

0,12850

Total

97795488,9

1,00

94
www.FreeLibros.me

Nassir Sapag Chain

El valor relativo de Regresin (0,87150) es el mismo que en las Estadsticas de

la regresin aparece con el nombre de Coeficiente de determinacin R^2 (celda B5), y
corresponde al porcentaje de la variacin que puede ser explicado por el comportamiento
de la variable independiente. Es decir, mientras ms cercano a 1 sea este valor, mejor se
considera el ajuste determinado.
Si el coeficiente es positivo y elevado (muy cercano a 1), las variables x e y tienen
comportamientos altamente relacionados. Si el coeficiente muestra valores negativos,
el comportamiento de las variables es opuesto, es decir, mientras mayor sea el valor de
x, menor ser el de y. Si el coeficiente es 0, no existe correlacin entre las variables, y la
ecuacin obtenida no sirve para estimar el valor de Y. Si el coeficiente es 1, no existe
diferencia entre el valor estimado y los datos observados.
El Error tpico (que aparece en la celda B7) se calcula como la raz cuadrada de
los residuos y su nmero de grados de libertad (n 1):
Residuos
85.228.887,3
=
= 1.121,0085
Grados de libertad
10
A las desviaciones estndar de cada variable (la raz cuadrada de su varianza) el
Excel las muestra como Error tpico (0,0257459 para b y 809,9666902 para a).
Dado que estadsticamente los resultados varan segn sea la composicin de los
datos, se hace necesario determinar si los valores de a y b son o no vlidos realizando una
prueba de hiptesis, puesto que las variaciones se pueden deber a las diferencias propias
de los grupos (edad, sexo, etc.) o se explican por el azar. Cuando las diferencias no se deben
al azar, se clasifican como estadsticamente significativas, aceptando que las diferencias se
explican porque los grupos estn compuestos por individuos de diversas caractersticas.
El estadstico F se utiliza para determinar si todas las variables de la funcin en su
conjunto son o no significativas, y se calcula dividiendo el promedio de los cuadrados de
la regresin por el promedio de los cuadrados de los residuos. Aunque para dos variables
es suficiente el coeficiente R2 (o R cuadrado), se muestra el clculo del estadstico F para
los datos del Excel que se observan en la Figura 3.2; se obtiene:
F=

8522887,3
= 67,82174682
1256660,161

Este valor es el que aparece en la celda E12.

En una tabla de distribucin de Fisher, este valor se encuentra en la interseccin
de 1 grado de libertad (Regresin) y 10 grados de libertad (Residuos), para una
probabilidad predeterminada. Por ejemplo, para un nivel de significancia de 95% (5%
del rea), la tabla muestra el valor 4,96, y para 99% (1% del rea), el valor sube a 10,00.

Captulo 3 Tcnicas de prediccin

www.FreeLibros.me

95

Proyectos de inversin. Formulacin y evaluacin

Es decir, para 67,821746, el nivel de significancia es tan alto, que no aparece en la tabla
de distribucin de Fisher. La Figura 3.2 muestra estas relaciones.
Excel, sin embargo, entrega directamente este valor en la celda F12, donde, como
puede observarse, el valor 9,12548E-06 (o sea, 0,000912548%) indica que el nivel de
significancia es de 99,999087452%.
Para calcular si los coeficientes a y b de la funcin son significativos (individualmente)
para hacer la estimacin, se usa la distribucin t de Student. En la Figura 3.2, se observa
que este estadstico es 1,3744 para a y 8,2354 para b (celdas D17 y D18) y que sus
probabilidades son de 19,9393% y 0,0009125%, respectivamente (celdas E17 y E18). Es
decir, existe 19,9% de probabilidad de que a sea resultado del azar, mientras que, en el
caso de b, es cercana a 0.
De lo anterior se concluye que aunque el coeficiente a (Intercepcin) no es
estadsticamente significativo, la ecuacin como un todo s puede ser til para hacer la
proyeccin.
Aun cuando todos los indicadores se consideren como vlidos, podra darse el
caso de que dos variables que no tengan ninguna relacin entre s sugieran la aceptacin
del modelo. Por ejemplo, el comportamiento observado en el consumo de cerdos con
el crecimiento de los enfermos de sida. Aunque ambas variables se muestren muy
correlacionadas y aunque a y b sean muy significativas, no cabe duda de que una no
explica a la otra. Cuando se da una situacin como esta, se la denomina relacin espuria,
y es el evaluador quien debe aplicar su sentido comn para detectarla.
c. Ajuste de lneas de tendencia a un grfico de dispersin
Este mtodo aprovecha las posibilidades que proporciona Excel para ajustar una
lnea de tendencia de una serie de datos en un grfico de dispersin (XY) y para visualizar
la funcin R2 que define esta lnea de tendencia.
Para utilizar este mtodo, se debe proceder como sigue.
1. Seleccione las series de datos x (Poblacin infantil) e y (Ventas). Si las series de datos
se encuentran en columnas no adyacentes, seleccione la primera serie normalmente
y luego seleccione la segunda serie mientras mantiene presionada la tecla CTRL
(Control).
2. En la barra de opciones, seleccione Insertar y luego, dentro de las opciones de
Grficos, elija Dispersin y marque la opcin Solo con marcadores, tal como se
muestra en la Figura 3.3.

96
www.FreeLibros.me

Nassir Sapag Chain

Figura 3.3
Construccin de un grfico de dispersin

3. Un nuevo objeto flotante se mostrar sobre la hoja de clculo, conteniendo el grfico

seleccionado. Haga clic, con el botn derecho del mouse, sobre cualquiera de los
puntos de la serie en el grfico, y elija la opcin Agregar lnea de tendencia, como
se muestra en la Figura 3.4.
Figura 3.4
Agregar una lnea de tendencia a un grfico de dispersin

4. En el cuadro de dilogo Formato de lnea de tendencia, seleccione el tipo Lineal, y

active las casillas Presentar ecuacin en el grfico y Presentar el valor R cuadrado en
el grfico, tal como se indica en la Figura 3.5.

Captulo 3 Tcnicas de prediccin

www.FreeLibros.me

97

Proyectos de inversin. Formulacin y evaluacin

Figura 3.5
Cuadro de dilogo Formato de lnea de tendencia

5. Eligiendo Cerrar, el grfico se mostrar con la correspondiente lnea de tendencia y

los datos resultantes para hacer las estimaciones. Los valores que se muestran en la
Figura 3.6 tampoco difieren de los obtenidos con los mtodos anteriores.
Figura 3.6
Resultados de la proyeccin

El criterio inicial para escoger el tipo de lnea de tendencia es la forma que adoptan
los puntos de la serie de datos. Por ejemplo, si se aprecia que la serie de datos muestra
un crecimiento a tasas constantes, es probable que una tendencia lineal se ajuste mejor.

98
www.FreeLibros.me

Nassir Sapag Chain

En cambio, si el crecimiento mostrado es a tasas crecientes o decrecientes, es probable

que se logren mejores ajustes con una lnea de tendencia exponencial o logartmica,
respectivamente. Como ya se explic, el coeficiente R2 es un criterio para apreciar cun
correcta es la estimacin.
3.1.2 Modelos de series de tiempo
Los modelos de series de tiempo pronostican el valor futuro de la variable que
se desea estimar, extrapolando el comportamiento histrico de los valores observados
para esa variable. Estos modelos asumen que la variable que explica la demanda futura
es el paso del tiempo. Las fluctuaciones observadas en el pasado pueden diferenciarse
en tres tipos: de tendencia, cclica y estacional, cuyo comportamiento puede graficarse
como sigue.
Grfico 3.3
Fluctuaciones de tendencias

De tendencia

Cclica

Estacional

Las curvas que ms se utilizan para describir una serie histrica y que no son
excluyentes para predecir el comportamiento de la demanda a travs del tiempo son la
lineal (Y = a + bx), la parablica o polinmica (Y = a + bx + cx2) y la exponencial (Y = aebx).
La definicin de un comportamiento histrico no es una proyeccin en s misma. La
extrapolacin de la informacin del pasado es solo un dato complementario que supone
que las condiciones que lo explicaron en el pasado se mantendrn a futuro. La comprensin
de qu determin la tendencia pasada permite, con ms facilidad, aplicar el criterio o el
sentido comn para introducir ajustes a futuro o definir posibles escenarios.
Cuando no existen datos en la zona geogrfica donde se considera instalar el
proyecto, es posible recurrir al mtodo analgico, el cual busca otro mercado que haya
experimentado un desarrollo conocido y asimilar, por sus caractersticas similares,
su comportamiento al que tendr el propio mercado del proyecto. Para ello, se debe
identificar el momento del tiempo en que el mercado desarrollado se encontraba en un

Captulo 3 Tcnicas de prediccin

www.FreeLibros.me

99

Proyectos de inversin. Formulacin y evaluacin

estado similar al que se encuentra el del proyecto y tomarlo como punto de partida. Por
ejemplo, cuando se introdujeron las zapatillas deportivas para uso diario en Chile, se
tom como referencia la tasa de adopcin observada en Brasil.
Aunque muchos evaluadores usan el mtodo analgico como nico predictor de
la demanda para el proyecto, al considerar que las condiciones futuras no sern iguales
a las observadas en otros mercados, ser imprescindible incorporar los ajustes necesarios
o realizar un anlisis de escenarios.
Existen ocho principales modelos de series de tiempo, que se pueden tipificar entre
sin estacionalidad y con estacionalidad, y entre sin tendencia y con tendencia.
yy Sin estacionalidad y sin tendencia: promedio mvil simple y suavizamiento exponencial.
yy Con estacionalidad y sin tendencia: aditivo estacional y multiplicativo estacional.
yy Sin estacionalidad y con tendencia: promedio mvil doble y suavizamiento exponencial
doble.
yy Con estacionalidad y con tendencia: aditivo Holt-Winters y multiplicativo Holt-Winters.
Todos los modelos desagregan los datos histricos en funcin de tendencias y
estacionalidades para luego replicarlos en la proyeccin futura. Para ello, asumen que
los elementos que condicionaron en el pasado tanto el comportamiento de la tendencia
como el de la estacionalidad se mantendrn durante todo el periodo de pronstico.
Aunque el Excel proporciona la posibilidad de efectuar muchos clculos, el software
Risk Simulator est diseado principalmente para hacer pronsticos estadsticos y, como
se ver en el Captulo 10, para medir el riesgo, entre otras funciones. Los ocho modelos
anteriores estn incluidos en el Risk Simulator, con la ventaja de que puede determinar
cul de ellos es el ms adecuado en funcin de la informacin que se le proporciona1.
3.2 Tcnicas cualitativas de prediccin

Las tcnicas cuantitativas de estimacin descritas anteriormente constituyen

una fuente de informacin fundamental para apoyar el proceso de toma de decisiones
de inversin en cualquier empresa. Sin embargo, como ya se mencion, la esencia del
proceso decisorio es la incertidumbre respecto del comportamiento que asumir en el
futuro el valor de una determinada variable. Esto explica la importancia que se otorga a
las tcnicas cualitativas de prediccin como complemento de la informacin que deber
estar disponible antes de aprobar o rechazar un proyecto.

1 Escogiendo la funcin de Auto-Modelo, el software itera los datos a travs de los ocho modelos, optimiza los
parmetros de proyeccin y selecciona aquel que mejor se ajusta con esos datos.

100
www.FreeLibros.me