Toma de Decisiones Con Periodos de Tiempo Crítico

http://home.ubalt.edu/ntsbarsh/Business-stat/stat-data/Forecasts.
htm
Toma de Decisiones con Periodos de Tiempo Crtico

en Economa y Finanzas
Sitio Espejo para Amrica Latina
Esta es la versin en Espaol del sitio Web principal en Ingls, el cual se encuentra
disponible en:
Time-Critical Decision Making for Economics and Finance
USA Site
Las herramientas para las decisiones tecnolgicas tales como los modelos matemticos han
sido aplicados a una amplia gama de situaciones en la toma de decisiones dentro de
diversas reas de la gerencia. En la toma consciente de decisiones bajo incertidumbre,
siempre realizamos pronsticos o predicciones. Podramos pensar que no estamos
pronosticando, pero nuestras opciones estarn dirigidas por la anticipacin de resultados de
nuestras acciones o inacciones. Este sitio tiene el objetivo de ayudar a los gerentes y
administradores a hacer un mejor trabajo al momento de anticipar hechos, y por lo tanto, un
mejor manejo de la incertidumbre mediante el uso de tcnicas de prediccin y pronstico
efectivas.
El uso de modelos matemticos ha sido incrementado para interpretar y predecir las

dinmicas y controles en la toma de decisiones gerenciales. Dichas aplicaciones incluyen
pronoacute;stico de ventas, predicciones del impacto y efecto de campaas publicitarias,
estrategias para proteger desabastecimiento de inventarios y para determinar estrategias
ptimas de inversin de portafolios.
Profesor Hossein Arsham
Para buscar el sitio, presione Editar| Buscar en la pgina [Ctrl + f]. Escriba una palabra
o frase en el espacio del dilogo. Por ejemplo "mtodo" o "pronstico" Si el primer
resultado de la palabra o la frase no es lo que usted buscaba, intente con Prxima
bsqueda.
CONTENIDO
Captulo 1: Implementacin de Modelos Cuantitativos

http://home.ubalt.edu/ntsbarsh/Business-stat/stat-data/Forecasts.htm
Captulo 2: Balanceando el Exito en los Negocios
Captulo 3: Modelos para Pronsticos
Captulo 4: Series de Tiempo Estacionarias
Captulo 5: Modelamiento Causal y de Pronsticos
Captulo 6: Tcnicas de Ablandamiento
Captulo 7: Metodologa de la Box-Jenkins
Captulo 8: Tcnicas de Filtraje
Captulo 9: Sumario de Modelos Especiales
Captulo 10: Modelos Financieros, Series de Tiempo y Econometra
Captulo 11: El Mejor Momento para Reemplazar Equipos
Captulo 12: Anlisis de Pareto: El ABC para la Clasificacin de

Inventarios
Captulo 13: Anlisis de Costo Beneficio: Cantidad Econmica
Captulo 14: Modelamiento de una Campaa Publicitaria
Captulo 15: Herramientas de Modelamiento para el Control de Inventarios
Captulo 16: Cadena de Markov
Captulo 17: Modelo de Insumo- Producto de Leontief
Captulo 18 Matemtica del Dinero: Anlisis del Inters Compuesto
Captulo 19 Anlisis de Rentabilidad (Break-Even) y Pronsticos
Captulo 1: Implementacin de Modelos Cuantitativos
1. Introduccin
2. Modelos Efectivos para una Buena Toma de Decisiones
Captulo 2: Balanceando el xito en los Negocios
Captulo 3: Modelos para Pronsticos
Captulo 4: Series de Tiempo Estacionarias
Captulo 5: Modelamiento Causal y de Pronstico
1. Modelamiento de Series de Tiempo Causal
2. Sumario de Mtodos de Pronstico (Introduccin)
3. Como Hacer Pronsticos Mediante Anlisis de Regresin
4. Planificacin, Desarrollo y Mantenimiento de un Modelo Lineal
5. Anlisis de Tendencia
6. Modelando la Estacionalidad y Tendencia
7. Anlisis de Descomposicin
Captulo 6: Tcnicas de Ablandamiento
1. Promedios Mviles Simples
2. Promedios Mviles Ponderados
3. Tcnicas de Atenuaciones Exponenciales
4. Pronoacute;sticos con un Periodo Adelantado
Captulo 7: Metodologa de la Box-Jenkins
1. Metodologa de la Box-Jenkins
2. Modelos de Auto Regresin
Captulo 8: Tcnicas de Filtraje
1. Filtraje Adaptativo
2. Filtro de Hodrick-Prescott
3. Filtro de Kalman
Captulo 9: Sumario de Tcnicas de Modelos Especiales
1. Redes Neurales
2. Modelamiento y Simulacin
3. Modelos Probabilsticos
4. Nmeros Indices
5. Anlisis de Eventos Histricos
6. Prediccin de la Respuesta de los Mercados
7. Prediccin de Intervalos para Variables Aleatorias
8. Anlisis de Delphi
9. Metodologa de Transferencia de Funciones
10. Prueba y Estimacin de Cambios Estructurales Mltiples
11. Combinaciones de Pronsticos
Captulo 10: Modelos Financieros, Series de Tiempo y Econometra
1. Modelos Financieros, Series de Tiempo y Econometra
2. Mtodo del II Censo de Anlisis de Estacionalidad

3. Econometra y Modelos de Serie de Tiempo
4. Ecuaciones Simultneas
5. Medicin para Exactitud
6. Lecturas Adicionales
Captulo 11: El Mejor Momento para Reemplazar Equipos
Captulo 12: Anlisis de Pareto: El ABC para la Clasificacin de Inventarios
Captulo 14: Modelamiento de una Campaa Publicitaria
Captulo 15: Herramientas de Modelamiento para el Control de

Inventarios
1. Herramientas de Modelamiento para el Control de Inventarios
2. Control de Inventarios con Demanda desconocida
Captulo 16: Cadena de Markov
Captulo 17: Modelo de Insumo- Producto de Leontief
Captulo 14: Una Coleccin de Palabras y Frases Claves
Introduccin
Modelos y Anlisis de Decisiones con Periodos de Tiempo Crtico: La capacidad de

modelar y realizar modelos de decisin y anlisis es un rasgo esencial entre las muchas
aplicaciones reales que van desde los tratamientos mdicos de emergencia en las unidades
de cuidados intensivos hasta en los sistemas de control de los comandos militares. Los
formalismos y los mtodos de inferencia existentes no han sido eficaces en las aplicaciones
de tiempo real donde las compensaciones entre la calidad de decisin y manejabilidad

computacional son esenciales. En la prctica, un acercamiento eficaz al modelamiento de
decisin de tiempo dinmico crtico debera proporcionar el apoyo explcito al
modelamiento de procesos temporales y al manejo de situaciones crticas de tiempo.
Uno de los elementos ms importantes para un ejecutivo de alta gerencia es la capacidad de

conducir su propia vida eficientemente, y luego modelar todas aquellas habilidades de
liderazgo en los empleados de la organizacin.
La mayora de las decisiones gerenciales estn basadas en pronsticos. Cada decisin se

hace efectiva en algn punto en el futuro, por lo tanto deberan estar basadas en pronsticos
de las condiciones futuras.
Los pronsticos son necesarios en todas las reas de una organizacin, y los mismos no
deberan ser generadas por un grupo aislado de analistas. Tampoco se puede considerar
ningn pronstico como "terminado", los pronsticos son continuamente necesarios, y as
como pasa el tiempo, el impacto de los pronsticos sobre el desempeo real de
acontecimientos debe ser medido Llos pronsticos originales son actualizados y las
decisiones son modificadas, y as sucesivamente. Este proceso es mostrado en la figura
siguiente:
Los responsables de la toma de decisiones utilizan modelos de prediccin como

mecanismos de soporte en el proceso de toma de decisiones. Generalmente en la toma de
decisiones se utilizan procesos basados en modelos, de manera de poder investigar el
impacto de acciones retrospectivas en diferentes cursos; es decir "como si" la decisin ha
sido tomada en un curso de acciones. Por esta razn, la secuencia de pasos en el proceso de
modelado en la figura anterior debe ser considerada en orden inverso. Por ejemplo, los
outputs (que es el resultado de la accin) deban ser considerados primero.
Es de suma ayuda el clasificar los componentes de la toma de decisiones en tres grupos:

Incontrolable, Controlable, y Recursos (que definen la situacin de problema.). Como es
indicado en el cuadro de actividades anterior, el proceso de toma de decisiones tiene los
siguientes componentes:
1. Medida de comportamiento (o indicador, u objetivo): La medicin del

comportamiento del negocio es la prioridad para los gerentes. La gerencia
para lograr objetivos funciona si se conocen los mismos. Lamentablemente,
la mayora de los gerentes no saben explcitamente lo que esto significa. El
desarrollo de herramientas de medicin de comportamiento eficientes han
tornado gran importantes en casi todas las organizaciones. Sin embargo, los
desafos para lograr este objetivo en el sector pblico y en las organizaciones
sin fines de lucro son difcilmente considerables. La medida de
comportamiento proporciona el nivel deseable del resultado, es decir, el
objetivo de su decisin. El tener un objetivo es importante para identificar la
actividad de pronstico. La tabla siguiente proporciona algunos ejemplos de
medidas de comportamiento para diferentes niveles de gerencia:
Nivel Medida de Comportamiento

Retorno de la Inversin, Crecimiento, e
Estratgico
Innovaciones
Tctico Costo, Cantidad, y Satisfaccin al Cliente
Establecimiento de Objetivos, y
Operacional
Satisfaccin de Estndares
2. Obviamente, si se busca mejorar el sistema de comportamiento, lo que se

est buscando es una visin operacional. Dicha interpretacin indica como
un sistema de pronstico realmente trabaja tomando como ejemplo y
referencia la correlacin de los comportamientos de los resultados previos
han generado. Es extremadamente importante entender como un sistema de
pronstico trabaja en la actualidad si se quiere cambiar como trabajar en el
futuro. La actividad de pronosticar es un proceso iterativo. Este comienza
con una planificacin eficaz y eficiente, y termina en la compensacin de
otros pronsticos de acuerdo a la interpretacin de su comportamiento.
3. Que es un Sistema? Los sistemas estn formados por diferentes partes

reunidas de una manera particular a fin de conseguir un objetivo. La relacin
entre las partes determina lo que el sistema hace y como funciona en
general. Por lo tanto, habitualmente las relaciones entre un sistema son ms
importantes que las de cada una de las partes individualmente. En general,
los sistemas son bloques de componentes bsicos para otros sistemas
llamados subsistemas.
La Dinmica de un Sistema: Un sistema que no cambia es un sistema

esttico. Muchos de los sistemas econmicos son sistemas dinmicos, lo
cual significa que cambian a travs del tiempo. Nos referimos al modo que
un sistema cambia en el tiempo como el comportamiento del sistema.
Cuando el desarrollo del sistema sigue un patrn de conducta tpico,
decimos que el sistema tiene un modelo de comportamiento. Sea cual sea el
tipo de sistema esttico o dinmico, esto depender del horizonte temporal y
de las variables que sean usadas. El horizonte temporal es el perodo de
tiempo dentro del cual se estudia el sistema. Las variables son valores
cambiables sobre el sistema.
4. Recursos: Los recursos son los elementos constantes que no se cambian

durante el horizonte de tiempo del pronstico. Los recursos son los factores
que definen el problema de decisin. Las decisiones estratgicas tienen por
lo general horizontes temporales ms largos que las decisiones tcticas y
operacionale.
5. Pronsticos: Los valores de entrada del pronstico estn definidos por el

entorno del que toma las decisiones. Los valores de entradas no controlables
deben ser pronosticados o predichos.
6. Decisiones: Los valores de decisin abarcan toda la coleccin de vas de

accin que se puedan tomar.
7. Interaccin: Las Interacciones entre todos los componentes de decisin

incluyen las funciones lgicas y matemticas que representan las relaciones
de causa-efecto entre los valores de entrada (insumos), recursos, pronsticos,
y el resultado (outputs).
Las interacciones son el tipo de relacin ms importante que se encuentran

envueltas en el proceso de toma de decisiones. Cuando el resultado de una
decisin depende del curso de accin, cambiamos uno o ms factores del
problema situacional con el objetivo de causar un cambio deseable en algn
otro factor del mismo. Tendremos xito si logramos conocer el
comporamiento sobre la interacciones entre los componentes del problema.
Adicionalmente, podra existir algn grupo de restricciones que se aplican a

cada uno de estos componentes. Por lo tanto, no necesitan ser tratados
separadamente.
8. Acciones: La Accin es la decisin final y por lo tanto necesita la mejor

estrategia para conseguir el objetivo deseable.
La toma de decisiones implica la seleccin de un conjunto de accin

(medios) para lograr los objetivos de los encargados de tomar decisiones
(resultados.) La manera en la cual nuestro conjunto de acciones afecta el
resultado de las decisiones depender de como de cmo el pronstico y las
otras variables de entrada se encuentren interrelacionadas y de la manera
como las mismas se relacionan con el resultado.
Controlando el Problema de Decisin (Oportunidad): Pocos problemas en vida, una vez

solucionados, permanecen de la misma manera. El cambiar condiciones tiende a deteriorar
soluciones previamente encontradas, y sus soluciones crean nuevos problemas. Se necesita
identificar y anticipar estos nuevos problemas.
Recuerde: Si no puede controlar algo, mdalo a fin de pronosticarlo o predecirlo..
El pronstico es una prediccin de lo que ocurrir en el futuro, y esto es un proceso

incierto. A causa de la incertidumbre, la exactitud del pronstico es tan importante como el
resultado predicho por el mismo. Este sitio web presenta una descripcin general de las
tcnicas de pronstico para negocios, las cuales se encuentran clasificadas en la figura
siguiente:
Acercamiento Progresivo al Modelado: El Modelo para la toma de decisiones implica dos

partes diferentes: Una es el ente encargado y con poder de toma de decisiones y el otro es el
analista, el cual es el constructor del modelo. El analista debe asistir al tomador de
decisiones en dicho proceso. Por lo tanto, el analista debe estar capacitado con ms que un
conjunto de mtodos analticos.
Toma de Decisiones Cuantitativa: Las Escuelas de Direccin y Gerencia de Negocios son

cada vez ms exitosas en la incorporacin de mas y ms estudiantes tomando programas de
estudio a todo el nivel. En particular, existe un mercado creciente para cursos de conversin
o cambios como Master en Direccin y Gerencia de Negocios, as como tambin en
programas de post grado en Administracin de Empresas (MBA.) En general, una fuerte
base matemtica no es un requisito imprescindible para la admisin a estos programas. Las
percepciones del contenido se encuentran frecuentemente enfocadas en reas de una buena
comprensin funcional del negocio tales como en Mercadeo, Recursos Humanos,
Contabilidad, Estrategia, Produccin y Operaciones. La toma de decisiones cuantitativas,
como pretende este curso, es un concepto desconocido, el cual es a menudo considerado
como demasiado difcil y demasiado matemtico. Obviamente, este curso puede jugar un
papel importante para la formacin de personas cursando estudios en programas de
especializacin en Direccin y Gerencia de Negocios, como por ejemplo en el rea de
Finanza.
A menudo, especialistas en la construccin de modelos tienden a estudiar un problema, y

luego desarrollar de manera aislada un modelo matemtico complicado para que sea usado
por el gerente (es decir, el ente con poder de decisin.) Lamentablemente, el gerente podra
no entender este modelo, por lo cual podra confiar y usar ciegamente en el o simplemente
rechazarlo. El especialista podra pensar que el gerente es demasiado ignorante y poco
sofisticado para apreciar el modelo, mientras que el gerente puede creer que el especialista
vive en un mundo de ensueo de asunciones poco realistas y con un lenguaje matemtico
irrelevante.
Dicha falta de comunicacin puede ser evitada si el gerente trabaja en conjunto con el
especialista para desarrollar un modelo simple que proporcione un anlisis ordinario pero
comprensible. Despus de que el gerente le ha tomado confianza al modelo, se podran
agregar detalles adicionales y un mayor grado de sofisticacin, quizs de manera gradual.
Este proceso requiere inversin de tiempo por parte del gerente y un inters sincero por
resolver los problemas del gerente por parte del especialista, ms que en la creacin y
explicacin de modelos sofisticados. La construccin progresiva de este tipo de modelos es
comnmente referido al acercamiento de bootstrapping , el cual es el factor ms
importante para la determinacin de una implementacin exitosa de un modelo de decisin.
Adicionalmente el acercamiento de bootstrapping simplifica la difcil tarea de validacin y
verificacin de los procesos del modelo.
Modelos Efectivos para una Buena Toma de Decisiones
Qu es un modelo? Un Modelo es una representacin externa y explcita de una parte de

la realidad, el cual es visto por individuos que desean usarle para entender, cambiar,
manejar y controlar esa parte de la realidad.
"Por qu se han diseado tantos modelos y solo se usan unos pocos?" Esta es una pregunta
discutida a menudo dentro de la comunidad del Modelamiento Cuantitativo (MC.) La
formulacin de la pregunta parece simple, pero los conceptos y teoras que deben ser
manejados para darle una respuesta son mucho ms sofisticados. Existe un proceso de
seleccin de "entre los muchos modelos diseados"a "los pocos modelos utilizados?" Y de
ser as, cuales son las propiedades particulares que estos "pocos agraciados" tienen? Este
sitio primero analiza varias definiciones de "modelos" presentados en la literatura de MC, y
propone una sntesis de las funciones que un modelo puede manejar. Luego procede a
definir el concepto de "realizacin", y progresivamente cambiamos de un modelo
tradicional "de diseo a realizacin" como punto de partida a la teora general de un modelo
de diseo/ implementacin, visto como un proceso de construccin cruzada entre el modelo
y la organizacin en la cual es puesto en prctica. Por lo tanto, la organizacin no es
considerada como un simple entorno, sino como un componente activo en el diseo de los
modelos. Esto lgicamente conduce a seis modelos de implementacin: el modelo
tecncrata, el modelo poltico, el modelo directivo, el modelo autodidacta, el modelo de
conquista y el modelo experimental.
Obteniendo xito en la Implementacin de un Modelo: A fin de que el analista tenga

xito en la realizacin de un modelo, el mismo debe tener tanto validez como ser legtimo,
aqu estn algunas pautas:
1. Debe estar listo para trabajar en cooperacin cercana con los diferentes
agentes estratgicos con el objetivo de adquirir un entendimiento armonioso
en el contexto organizacional. Adicionalmente, el MC debera tratar
constantemente de discernir el grano de los valores de la organizacin desde
sus partes ms circunstanciales.
2. El MC deber intentar lograr un equilibrio entre el nivel de sofisticacin y

complejidad del modelo, as como tambin el nivel de competencia de los
agentes participantes. El modelo debe ser adaptado tanto para la
disponibilidad y para la capacidad cognoscitiva de los agentes participantes.
3. El MC debera intentar hacerse familiar con las diversas preferencias

prevalecientes en la organizacin. Esto es importante porque la
interpretacin y el uso del modelo variarn segn las preferencias
dominantes de los varios agentes dentro de la organizacin.
4. El MC deber asegurarse de que los posibles usos instrumentales del modelo

estn bien documentados y que los agentes estratgicos en el proceso de
toma de decisiones tengan suficiente conocimiento al respecto, as como
tambin que se sientan confiados del contenido y funcionamiento del
modelo.
5. El MC debera estar preparado para modificar o desarrollar una nueva

versin del modelo, y de ser necesario, hasta preparar un modelo
completamente nuevo que permite una exploracin adecuada de formulacin
de problema que fue imprevista, proporcionando nuevas alternativas de
solucin.
6. El MC deber asegurarse de que el modelo desarrollado proporciona una

proteccin o holgura suficiente en el modelo para que los agentes
participantes puedan ajustarse y reajustarse a las situaciones creadas por el
modelo.
7. El MC debera ser consciente con las ideas y conceptos preconcebidos por

los agentes en cuanto a la definicin del problema y las soluciones posibles;
muchas decisiones al respecto podran haber sido tomadas implcitamente
mucho antes de que se hayan hecho explcitas.
En los modelos en los cuales se basan las tomas de decisiones, se esta particularmente
interesado en la idea del diseo para la aplicabilidad de acciones.
Modelos descriptivos y prescritos: Un modelo descriptivo es a menudo una funcin de

figuracin y abstraccin basada en la realidad. Sin embargo, un modelo prescrito lleva
desde la realidad a un modelo una funcin del plan de desarrollo, los medios de acciones, y
luego lo lleva desde el modelo devuelta a la realidad.
Es importante distinguir entre los modelos descriptivos y prescritos desde el punto de vista
de la distincin del anlisis tradicional entre el conocimiento y la accin. De hecho, los
modelos prescritos son los puntos ms lejanos en una cadena cognoscitiva, de prediccin y
de toma de decisiones.
Por qu el modelado? El objetivo de los modelos es ayudar a disear soluciones. Los

mismos deben asistir al entendimiento del problema y ayudar a la deliberacin y opcin
para permitirnos evaluar las consecuencias de nuestras acciones antes de ponerlos en
prctica.
El principio de racionalidad asume que el tomador de decisiones es capaz de optimizar,

pero slo dentro de los lmites de su representacin del problema de decisin. Tal exigencia
es absolutamente compatible con muchos resultados de la sicologa de la memoria: Un
experto usa estrategias recopiladas en su memoria a largo plazo y soluciona problemas de
decisin especficos con la ayuda de su memoria de trabajo a corto plazo.
La solucin de problemas es la toma de decisiones que envuelve heursticas tales como el

principio de satisfaccin y disponibilidad. Esto implica evaluaciones generales de
alternativas que podran ser respaldadas por la memoria de trabajo a corto plazo, y la misma
debera ser compatible con varias escalas de inters. La toma de decisiones podra ser vista
como el logro de un proceso de informacin ms o menos complejo, en el anclaje de la
bsqueda de una estructura dominante: El tomador de decisiones actualiza su
representacin del problema con el objetivo de encontrar una alternativa que domine el
resto de ellas, por ejemplo; en una aproximacin matemtica que se basa en sistemas
dinmicos con tres principios bsicos:
1. Mezquindad: El tomador de decisiones usa cantidades pequeas de la

informacin.
2. Confiabilidad: La informacin procesada es suficientemente relevante para

justificar - personalmente o socialmente - resultados de decisin.
3. Flexibilidad: La informacin procesada puede cambiar una decisin en otra.
La Ciencia Cognoscitiva nos proporciona un acercamiento a un sistema cognoscitivo, el

cual en general es una asociacin de un dispositivo fsico en funcionamiento que es sensible
a los cambios en el ambiente mediante la percepcin y accin, con una visin que genera
actividades mentales diseadas tales como operaciones, representaciones, clasificaciones y/
o programas que conducen a estrategias eficientes para la resolucin de problemas.
Las actividades mentales actan sobre el ambiente, el cual reacciona en contra del sistema
mediante la percepcin producida por representaciones.
El diseo y realizacin de sistemas humanos centrados en la planificacin, control, decisin

y razonamiento requiere el estudio de las esferas operacionales de un sistema cognoscitivo
en tres dimensiones:
En una dimensin ambiental, donde primero las acciones realizadas por un

sistema cognoscitivo pueden ser observadas mediante los cambios en el
ambiente; y segundo, la comunicacin es un modo observable de los
cambios entre diferentes sistemas cognoscitivos.
Una dimensin interna, donde actividades mentales; es decir, la

memorizacin y el procesamiento de la informtica generan cambios de los
estados internos del sistema. Estas actividades son influenciadas sin
embargo por factorizaciones parciales a travs del medio ambiente tales
como planificacin, decisin, y razonamiento.
Una dimensin autnoma, donde la adquisicin del aprendizaje y el

conocimiento realzan actividades mentales conduciendo a las nociones de
autoreflexin y conciencia.
Validacin, y Verificacin: Como la parte del proceso de calibracin de un modelo, el

modelador debe validar y verificar el modelo. El trmino validacin es aplicado a estos
procesos, el cual procura determinar si un modelo es correcto o no con respecto al sistema
"real". En trminos ms comunes, la validacin se encarga de responder la pregunta
Estamos construyendo el modelo correcto? "Por otra parte la verificacin procura
contestar la pregunta Estamos construyendo el modelo correctamente?"
Balanceando el xito en los Negocios
Sin sistema mtrico, la actividad de gerenciar podra estar en las nebulosas, si cree que es
imposible, intntelo. Cmo podemos decir que hemos logrados nuestros objetivos si no
sabemos cuales son? Cmo sabemos si nuestras estrategias de negocio son eficientes si las
mismas no han sido bien definidos? Por ejemplo, se necesita una metodologa para medir el
xito y establecer objetivos desde la perspectiva financiera y operacional. Con este tipo de
medida, cualquier negocio puede manejar su visin estratgica y ajustarla para cualquier
cambio. El establecimiento de medidas de comportamiento es de perspectivas mltiples, al
menos desde el punto de vista financiero, del cliente, de innovacin, de aprendizaje, y de
procesos internos de la compaa.
La perspectiva financiera proporciona una visin de como los accionistas

ven la compaa; es decir, la lnea de fondo de la compaa.
La perspectiva del cliente proporciona una visin de como los clientes ven
la compaa.
Mientras la perspectiva financiera se encarga de los valores proyectados de

la compaa, la innovacin y el aprendizaje preparan mediciones que
ayudan a la compaa a competir en ambientes econmicos sujetos a
cambios. El foco para la innovacin es la creacin de nuevos o mejores
procesos y productos que los ya existentes.
La perspectiva de los procesos internos de la compaa proporciona una

vista de lo que es necesario mejorar para que la misma sea competitiva. Por
lo tanto el foco de esta perspectiva es la traduccin de medidas basadas en

clientes a mediciones que reflejan las operaciones internas de la compaa.
Cada una de las cuatro perspectivas anteriores debe ser considerada con
respecto a los siguientes cuatro parmetros:
1. Objetivos: Qu necesitamos para lograr convertirnos en exitosos?
2. Medidas: Qu parmetros usaremos para saber si somos exitosos?
3. Blancos: Qu valores cuantitativos usaremos para determinar el

xito de la medida?
4. Iniciativas: Qu necesitamos hacer para lograr nuestros objetivos?
Obviamente, no es suficiente con producir un instrumento para documentar y monitorear el

xito. Sin una implementacin y liderazgo apropiado, el crear una medida de
comportamiento simplemente se mantendr como un ejercicio mas que a un sistema para
manejar el cambio.
Modelamiento para Pronsticos
El pronstico es un insumo necesario para la planificacin ya sea en un

negocio o en el gobierno. Con frecuencia los pronsticos son generados de
manera subjetiva y a un costo muy elevado para los grupos de discusin.
Inclusive cuando mtodos cuantitativos son relativamente simples, estos
pueden por lo menos suministrar informacin para tales discusiones.
Recopilacin de Datos para la Verificacin de un Modelo: la

Recopilacin de datos es a menudo considerada "muy costosa". En efecto, la
tecnologa "relaja" sumente en el sentido de que cada vez nos hacemos mas
dependientes de dispositivos y herramientas tecnolgicas; Sin embargo,
datos confiables son necesarios para verificar un modelo cuantitativo. Los
modelos matemticos, sin importar lo elegante o sofisticado que sean,
algunas veces escapan de la apreciacin del tomador de decisiones. En otras
palabras, algunas personas piensan algebraicamente, mientras que otros
hacen de manera geomtrica. Cuando los datos son complejos o
multidimensionales, existen buenas razones para trabajar con ecuaciones,
aunque la apelacin al intelecto tiene una connotacin mas real: La belleza
est a la vista de otros observadores - no a la vista suya, sino en udted
mismo.
El organigrama siguiente destaca el desarrollo sistemtico de las fases del

modelado y el pronstico:
El organigrama anterior es til para:
Entender el mecanismo subyacente cuando se generan series de

tiempo. Esto incluye explicar y describir cualquier variacin de
estacionalidad, tendencia, etc.
Predecir el futuro bajo la condicin de que el negocio se comporta de

manera "usual".
El sistema de control trabaja bajo los escenarios de "que pasa si."
La Estadstica para Pronstico: La seleccin de la metodologa para la

implementacin de pronstico correcta siempre ha sido un asunto importante
de planificacin y control para la mayora de las firmas y agencias. Con
frecuencia, el bienestar financiero de toda la operacin depende de la
exactitud del pronstico dado que dicha informacin ser utilizada para
tomar decisiones de presupuesto y de operacin en reas tales como gerencia
de personal, compras, publicidad y mercadeo, financiamiento de capitales,
etc. Por ejemplo, cualquier error de ventas realizada por arriba o por debajo
del valor estimado podra generar problemas de costos de acumulacin
inventarios para la firma o perdidas en ingresos por desabastecimiento
anticipado de inventarios. Cuando la demanda es relativamente estable, es
decir, invariable o a una tasa creciente o decreciente constante, hacer un

pronstico mas preciso es menos complicado. Si por lo contrario la empresa
presenta informacin histrica de alzas y bajas en los patrones de venta, la
complejidad del trabajo de pronstico es mucho mas complicado.
Existen dos aproximaciones bsicas de pronstico. La estimacin de un

valor futuro est basada en anlisis de factores que, como se cree, influirn
en valores futuros, es decir, el mtodo explicativo o de prediccin est
basada en un estudio inferido de los comportamientos pasados de los datos,
lo que esconocido como el mtodo de extrapolacin. Por ejemplo, la
creencia que los niveles de venta corriente de ropa para muecas aumentar
debido a una campaa publicitaria reciente ms bien que a la proximidad de
la Navidad ilustra la diferencia entre las dos filosofas. Es posible que ambos
acercamientos conduzcan a la creacin de pronsticos exactos y tiles, pero
se debe recordar que, hasta para un grado modesto de exactitud deseada, el
mtodo anterior es a menudo ms difcil de validar y poner en prctica que
el ltimo.
Autocorrelacin: la Autocorrelacin es la correlacin consecutiva de series

de tiempo igualmente espaciadas entre sus miembros. Los trminos
alternativos son la correlacin rezagada, y la persistencia. A diferencia de los
datos estadsticos que son muestras aleatorias que nos permiten realizar
anlisis estadsticos, las series de tiempo son fuertemente
autocorrelacionadas, haciendo posible la prediccin y el pronstico. Existen
tres instrumentos para evaluar la autocorrelacin de una serie de tiempo,
estos son: la serie de tiempo de planificacin , la planificacin de rezagos, y
por lo menos los primeros y segundos valores de orden de la
autocorrelacin.
A usted podra gustarle utilizar el Javascript Estadsticos de Series de

Tiempo para realizar alguno de los clculos estadsticos necesarios para una
investigacin preliminar de sus series de tiempo.
Series de Tiempo Estacionarias
La Estacionalidad siempre ha jugado un papel primordial en el anlisis de

series de tiempo. La mayora de las tcnicas para realizar pronsticos
requieren condiciones de estacionalidad. Por lo tanto necesitamos algunas
condiciones, es decir, las series de tiempo necesitan tener un proceso
estacionario de primer y segundo orden.
Estacionario de Primer Orden: Una serie de tiempo esta en el estacionario

de primer orden si el valor esperado de X(t) se mantiene constante para
cualquier valor de t.
Por ejemplo, en series de tiempo econmicas el proceso se encuentra en

estacionario de primer orden cuando removemos cualquier tendencia por
algn mecanismo como la diferenciacin.
Estacionario de Segundo Orden: Una serie de tiempo se encuentra

estacionaria de segundo orden solamente cuando la estacionaria de primer
orden y la covarianza entre X(t) y X(s) es funcin de la anchura (t-s.)
De nuevo, en series de tiempo econmicas, un proceso es estacionario de

segundo orden cuando estabilizamos sus variables por cualquier tipo de
transformacin como la raz cuadrada.
A usted podra gustarle en Javasript Prueba para Series de Tiempo

Estacionarias
Sumario de Mtodos de Pronstico
De manera ideal, organizaciones que pueden financiar econmicamente el

pronosticar, asignan dichas funciones a departamentos especficos o a
individuos que se encuentran bien calificados y que tienen los recursos
disponibles necesarios para realizar los mismos bajo patrones de demandas
complicadas. Obviamente la firma con mayor cantidad de operaciones y con
un personal tcnico que incluya estadsticos, cientficos en gerencia,
analistas de computadoras, etc. se encuentra en una mejor posicin para
seleccionar y darle el uso mas adecuado a las tcnicas mas sofisticadas para
realizar pronsticos, que como lo hara una compaa con recursos
limitados. Notablemente, la compaa mas grande a travs de su abundancia
en recursos tiene ventajas competitivas sobre empresas mas pequeas y
puede esperarse que la misma sea mas diligente, efectiva y detallada a la
hora de realizar pronsticos (a pesar de que las compaas mas pequeas
pueden soportar el mnimo de errores de clculo a nuevos niveles de
pronstico.) A continuacin especificamos algunas aproximaciones a
pronsticos efectivos, especialmente para pronsticos y anlisis a corto y
mediano plazo:
Modelos Causales de Series de Tiempo: Cuando usamos regresiones

mltiple, podemos utilizar mas de un factor de pronstico. Esto siempre es
lo mas recomendable. Sin embargo, el ser mezquino no es malo, es decir, se
debe tratar de usar la menor cantidad de variables como pronosticadores
posibles para obtener un pronstico razonablemente preciso. La regresin
mltiple es mejor utilizada cuando se utilizan paquetes comerciales tales
como SAS SPSS. El pronstico toma la forma de:
Y = 0 + 1X1 + 2X2 + . . .+ nXn,

donde 0 es el intercepto, 1, 2, . . . n son los coeficientes que representan

la contribucin de las variables independientes X1, X2,..., Xn.
El pronstico es una prediccin de lo que ocurrir en el futuro, y esto es un

proceso incierto. Dada la incertidumbre, la precisin de un pronstico es tan
importante como los resultados predichos por el pronstico de las variables
independientes X1, X2,..., Xn. Un sistema de control del pronstico debe ser
utilizado para determinar si la precisin del proceso se encuentra dentro de
los limites aceptables. Existen dos mtodos extensamente utilizados para
controlar y monitorear pronsticos : El rastreo de seales y el de lmites
estadsticos de control .
Rastreo de Seal es calculado mediante la divisin de los residuos totales

entre sus desviaciones absolutas medias (DAM). Para permanecer dentro
de 3 desviaciones estndar, el rastreo de seal que est dentro de 3,75 DAM
normalmente se considera como suficientemente bueno.
Los Lmites Estadstico de Control son calculados de manera similar al otro

cuadro de limites de control de calidad, sin embargo, los residuos de la
desviacin estndar son utilizados.
Regresiones mltiples son utilizadas cuando estn envueltos dos o ms

factores independientes, y para pronsticos de corto y mediano plazo. Estos
son utilizados para evaluar cuales factores deben ser incluidos y cuales no,
asi como tambin adems para desarrollar modelos alternativos con
diferentes factores.
Anlisis de Tendencia: Este anlisis utiliza regresin lineal y no lineal con

el tiempo como la variable explicativa. Es utilizado donde los patrones con
respecto al tiempo tiene tendencia a largo plazo. A diferencia de la mayora
de las series de tiempo, el anlisis de tendencias no asume la condicin de
que las series de tiempo se encuentran espaciadas igualmente.
La regresin no lineal no asume una relacin lineal entre las variables. Esta
es usada frecuentemente cuando el tiempo es una variable independiente.
A usted podra gustarle utilizar en Javascript de Prueba para Detectar

Tendencias.
En ausencia de "cualquier" tendencia visible, a usted tambin podra gustarle

realizar la Prueba para la Aleatoriedad de las Fluctuaciones.
Modelando la Estacionalidad y la Tendencia: La estacionalidad es el

patn de comportamiento que se repite para cada perodo. Por ejemplo los
patrones anuales de estacionalidad tienen un ciclo de 12 perodos si los
mismos corresponden a los meses, 4 perodos si son trimestres. Se requiere
obtener una estimacin del ndice de estacionalidad para cada mes o

cualquier otro perodo, ya sea bimestre, semana, etc. Dependiendo de la
disponibilidad de los datos.
1. Indice de Estacionalidad: Este representa el grado en el cual la

estacionalidad afecta a un segmento particular del ao. El clculo envuelve
una comparacin del valor esperado de un perodo especfico con respecto a
la media general.
El ndice de estacionalidad mide en que grado en el cual el promedio de un

perodo en particular se encuentra por arriba (o por debajo) de la media. Por
lo tanto, para obtener una estimacin precisa del ndice de estacionalidad, se
calcula el promedio del primer perodo del ciclo, el segundo perodo, etc., y
se dividen por la media general. La formular para determinar el factor de
estacionalidad es:
Si = Di/ D,
de donde:
Si = El ndice de estacionalidad para el isimo perodo,

Di = Los valores promedio de los n perodos,
D = La media general,
i = El isimo perodo estacional del ciclo.
Un ndice estacional de 1,00 para un mes en particular, indica que el valor

esperado para ese mes 1/12 del promedio general de todos los meses. Un
ndice estacional de 1,25 indica que el valor esperado para ese mes en
particular es 25% mayor que 1/12 del promedio general. Un ndice
estacional de 80 indica que el valor esperado para ese mes en particular es
20% menor que el 1/12 del promedio general.
2. Proceso de Desestacionalizacin: Desestacionalizar los datos, llamado

tambin ajuste estacional, es el proceso mediante el cual se remueven
variaciones recurrentes y peridicas en un entorno a corto plazo, es decir,
semanas, trimestres, meses, etc. Por lo tanto, las variaciones estacionales son
movimientos regulares repetidos en valores de series que pueden ligados a
eventos recurrentes. Los datos desestacionalizados son obtenidos
simplemente dividiendo cada observacin de la serie de tiempo por el ndice
de estacionalidad correspondiente.
Casi todas las series de tiempo publicadas por el gobierno de los EEUU se
encuentran desestacionalizadas usando el ndice de estacionalidad para
descifrar las tendencias subyacentes en los datos, los cuales podran ser
causados por factores de estacionalidad.
3. Pronsticos: La incorporacin de la estacionalidad en los pronsticos es

til cuando las series de tiempo tiene tanto tendencia como componentes de
estacionalidad. El ultimo paso en el pronstico es utilizar el ndice de

estacionalidad para ajustar la proyeccin de la tendencia. Una manera simple
de pronosticar utilizando los ajustes de estacionalidad es usando el factor de
estacionalidad en combinacin con una tendencia subyacente apropiada del
valor total de los ciclos.
4. Una Aplicacin Numrica: La tabla siguiente proporciona la

informacin de ventas mensuales (en miles de $) deuna librera universitaria.
Las ventas muestran un patrn de estacionalidad, con los valores mas altos
cuando la universidad se encuentra en funcionamiento y decrece durantes los
meses de verano.
Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic Total
M
T
1 196 188 192 164 140 120 112 140 160 168 192 200 1972
2 200 188 192 164 140 122 132 144 176 168 196 194 2016
3 196 212 202 180 150 140 156 144 164 186 200 230 2160
4 242 240 196 220 200 192 176 184 204 228 250 260 2592
Media: 208,6 207,0 192,6 182,0 157,6 143,6 144,0 153,0 177,6 187,6 209,6 221,0 2185
Indice: 1,14 1,14 1,06 1,00 0,87 0,79 0,79 0,84 0,97 1,03 1,15 1,22 12
Suponga que deseamos calcular el factor de estacionalidad y la tendencia,

luego calcular el pronstico de las ventas para el mes de Julio en al ao 5.
El primer paso en el pronstico de estacionalidad ser calcular los ndices

mensuales utilizando las ventas realizadas durante los 4 aos previos. Por
ejemplo, el ndice para el mes de Enero:
S(Ene) = D(Ene)/D =208,6/ 181,84 = 1,14,

de donde D(Ene) es la media de todos los cuatro meses de Enero, y D es la
media general de todas las ventas realizadas en los cuatro aos previos.
Clculos similares son realizados para cada otro mes. Todos los ndices son
totalizados en la ltima fila de la tabla anterior. Note que la media (el valor
promedio) para los ndices mensuales llega hasta 12, el cual es el nmero de
perodos en un ao para los datos mensuales.
A continuacin una tendencia lineal es calculada utilizando las ventas

anuales:
Y = 1684 + 200,4T,
La pregunta principal es si esta ecuacin representa la tendencia.
Determinacin de la Tendencia Anual para los Ejemplos Numricos
Ao No: Ventas Realizadas Regresin Lineal Regresin Cuadrtica

1 1972 1884 1981
2 2016 2085 1988
3 2160 2285 2188
4 2592 2486 2583
Muchas veces el colocar una lnea recta en los datos estacionales es

engaoso. Mediante la construccin de un diagrama de dispersin, podemos
notar que una parbola proporciona una mejor representacin. Utilizando el
Javasript de la Regresin Polinomial, la tendencia cuadrtica estimada es:
Y = 2169 - 284,6T + 97T2
Los valores predichos utilizando tanto en la tendencia lineal como en la

cuadrtica son presentados en la tabla anterior. Comparando los valores
predichos de los dos modelos a los valores de los datos histricos, podemos
identificar que la tendencia cuadrtica proporciona un mejor ajuste que la
lineal, lo cual es bastante comn.
Ahora podemos pronosticar las ventas anuales siguientes, las cuales

corresponden al ao 5, t= 5 en la funcin cuadrtica anterior:
Y = 2169 - 284,6(5) + 97(5)2 = 3171

Las ventas mensuales promedio durante el prximo ao son: 3171/12 =
264,25.
Finalmente, el pronstico para el mes de Julio es calculado multiplicando el

promedio de las ventas mensuales por el ndice de estacionalidad para el mes
de Julio, el cual es 0,79; por lo tanto, (264,25)x (0,79) 209.
A usted poda gustarle utilizar el Javascript de Indice de Estacionalidad para

comprobar sus clculos manuales. Como siempre, usted debera utilizar
primero Ploteo de Serie de Tiempo como una herramienta para el proceso de
caracterizacin inicial.
Para probar la estacionalidad basada en los ndices de estacionalidad, a usted

podra gustarle utilizar el Javascript de Prueba para la Estacionalidad.
Eliminacin de Tendencias y Anlisis Cclico: Los ciclos pueden ser

estudiados fcilmente si la tendencia es removida. Esto se puede lograr
expresando cada valor actual en la serie de tiempo como porcentaje de la
tendencia calculada para los mismos datos. La serie de tiempo resultante no
tendr tendencia, pero oscilar alrededor de un valor central de 100.
Anlisis de Descomposicin: Este es el parmetro generado por las series

de tiempo, los cuales no necesariamente son los valores de los datos
individuales que son ofrecidos a los gerentes que son los observadores,
planificadores o controladores del sistema. Por lo tanto, el anlisis de
descomposicin es utilizado para identificar diferentes patrones que
aparezcan simultneamente en las series de tiempo.
Una gran variedad de factores pueden influir en los datos. Mientras se

realice un estudio, es muy importante que las diferentes influencias o
componentes sean separados o descompuestos de los niveles de datos
"primarios." En general, existen cuatro tipos de componentes en el anlisis
de series de tiempo: Estacionalidad, Tendencia, Ciclos e Irregularidad.
Xt = St . Tt. Ct . I
Los tres primeros componentes son determinsticos, y son llamados

"Signos", mientras que el ltimo componente es una variable aleatoria
llamada "Ruido." Para estar capacitado a realizar un pronstico apropiado,
necesitamos saber a que nivel cada componente esta incluido en los datos.
Por lo tanto, para entender y medir estos componentes, el proceso de
pronstico primero envuelve el remover los efectos de los componentes
fuera de los datos (descomposicin.) Luego que los efectos son medidos, el
pronstico requiere que reincorporemos dichos componentes en las
estimaciones del pronstico. El proceso de descomposicin de las series de
tiempo es representado por el siguiente diagrama de flujo:
Definiciones cortas de los componentes principales del diagrama de flujo

anterior:
Variacin Estacional: Cuando un patrn repetitivo es observado

sobre un horizonte temporal, se dice que la serie tiene un
comportamiento estacionario. Los efectos estacionarios estn
asociados con los cambios en el calendario o climatolgicos.
Variaciones estacionales se encuentran atadas a ciclos anuales
Tendencia: Una serie de tiempo podra ser estacionaria o exhibir una

tendencia temporal. Tendencias a largo plazo son normalmente
modeladas bajos patrones de funciones lineales, cuadrticos o
exponenciales.
Variaciones Cclicas: Son movimientos hacia arriba o hacia abajo de

la serie, los cuales no estn asociados a variaciones estacionales.
Normalmente resultan de variaciones en las condiciones econmicas.
1. Las Estacionalidades regularmente son fluctuaciones las cuales se

repiten ao tras ao con duraciones e intensidades similares. El
primer paso para la descomposicin de una serie de tiempo es quitar
los efectos estacionales en los datos. Sin desestacionalizar los datos,
podramos, por ejemplo, deducir incorrectamente que los patrones de
incrementos recientes se mantendrn indefinidamente; es decir, una
tendencia de crecimiento se encuentra presente, cuando realmente
dicho incremento es simplemente obtenido " por la temporada del
ao"; es decir, debido a picos estacionales regulares. Para medir
efectos estacionales, calculamos un grupo de ndices estacionales. Un
mtodo prctico y extensamente usado para calcular estos ndices es
el acercamiento del "coeficiente a los promedios mviles." De
acuerdo a este ndice, podemos medir cuantitativamente a que
distancia por encima o por debajo de un perodo determinado se esta
con respecto al valor esperado o al "curso normal" del perodo con
respecto a los datos (los datos esperados son representados por un
ndice de estacionalidad de 100% o de 1,0.)
2. La Tendencia es el crecimiento, descenso o manutencin de los datos

en un perodo de tiempo determinado. Utilizando los datos
desestacionalizados, nos gustara considerar la tendencia de
crecimiento como notamos en nuestra inspeccin inicial de las series
de tiempo. La medicin de los componentes de la tendencia se
realiza simplemente ajustando una lnea recta o algn otra funcin.
Esta funcin ajustada se calcula mediante el mtodo de los mnimos
cuadrados y representa la tendencia general de todos los datos a
travs del tiempo.
3. Los Ciclos generalmente son cambios en los datos representados por

subidas y bajadas; estos cambios son generados, por ejemplo, en el
entorno econmico en general tales como recesiones y expansiones
(no por efectos estacionales). Para medir como el efecto cclico en
general afecta los niveles de los datos, calculamos una serie de
ndices cclicos. Tericamente, los datos desestacionalizados todava
contienen restos de tendencias, ciclos y componentes irregulares.
Adicionalmente, pensamos que los niveles en los datos predichos
usando la formula de tendencia solo representan efectos de
tendencia. Por lo tanto, se asienta una razn para que el cociente de
estos valores de datos proporcionen un ndice que refleje solo los

componentes cclicos e irregulares. Como el ciclo operativo de los
negocios es por lo general mas largo que el ciclo estacional, se
debera entender que el anlisis cclico no se espera que tan preciso
como el anlisis estacional.
Debido a la enorme complejidad de los factores generales de

comportamiento en la economa a largo plazo, una aproximacin
general a los factores cclicos sera un objetivo mas realista. Por lo
tanto, ni los picos positivos ni negativos serian nuestro inters
principal sino la tendencia general de los efectos cclicos que mueven
gradualmente a cualquier direccin. Para estudiar el movimiento
cclico en general en vez de cambios cclicos precisos (los cuales
indican falsamente mayor precisin de la que realmente esta presente
en esta situacin), atenuamos los ploteos cclicos cuando
reemplazamos cada clculo de ndices con un promedio mvil de 3
perodos. El lector debera notar que a medida que el promedio del
nmero de periodos mviles incrementa, los datos se hacen mas
homogneos y con diferencias mas atenuadas. La alternativa de 3
perodos, que podra ser considerada como subjetiva, puede ser
justificada por el intento de atenuar todos los picos positivos y
negativos de las acciones menores de los ndices cclicos, de manera
que solo los cambios importantes permanezcan.
4. Las Irregularidades(I) son cualquier fluctuacin que no este

clasificada en ninguna de las anteriores. Este es un componente
inexplicable de las series de tiempo; por lo tanto son impredecibles.
Las estimaciones de I solo pueden ser esperadas cuando su varianza
no es demasiado grande. De lo contrario, no es posible descomponer
las series. Si la magnitud de la variacin es muy grande, la
proyeccin de los valores futuros ser imprecisa. La mejor
alternativa es establecer intervalos probabilsticos para los valores
futuros sujetos a que probabilidad dada de I es conocida.
5. Haciendo Pronsticos: En este punto del anlisis, luego de haber

completado el estudio de los componentes de las series de tiempo,
proyectamos valores futuros haciendo pronsticos para algunos
perodos siguientes. El proceso se encuentra resumido a
continuacin:
o Paso 1: Calcule el nivel de tendencia futura mediante la

ecuacin de tendencia.
o Paso 2: Multiplique el nivel de tendencia obtenido en el paso

1 por el ndice de estacionalidad de manera de incluir los
efectos de estacionalidad.
o Paso 3: Multiplique el resultado del paso 2 por el ndice

cclico proyectado de forma tal que se incluyan los efectos
cclicos y se obtenga el pronstico final.
Promedios Mviles Simples: El mtodo de pronstico mejor conocido es el

de Promedios mviles o simplemente tomar un cierto nmero de perodos
pasados, juntarlos, y luego dividirlos por el nmero de perodos. El mtodo
de Promedios Mviles Simples (PM) es un acercamiento eficaz y eficiente
cuando las series de tiempo son estacionarias tanto en media como en
varianza. La siguiente formula es utilizada para encontrar los Promedios
mviles de orden n, PM(n) para un perodo t+1,
PMt+1 = [Dt + Dt-1 + ... +Dt-n+1] / n
de donde n es el nmero de observaciones utilizadas en los clculos.
El pronstico para el perodo t + 1 es el pronstico para todos los perodos

futuros. Sin embargo, este pronstico es revisado cuando nuevos datos se
encuentran disponibles.
A usted podra gustarle utilizar el JavaScript de Pronstico por Atenuacin,

para luego realizar experimentaciones numricas para una comprensin mas
profunda de los conceptos.
Promedios Mviles Ponderados: son bastante poderosos y econmicos.

Son ampliamente utilizados donde los mtodos de repeticin de pronsticos
son requeridos, tales como los mtodos de suma de dgitos y ajuste de
tendencias. Como un ejemplo de Promedios Mviles Ponderados:
PM Ponderado(3) = w1.Dt + w2.Dt-1 + w3.Dt-2
de donde las ponderaciones son cualquier nmero positivo tal que: w1 + w2

+ w3 =1. una ponderacin tpica para este ejemplo es, w1 = 3/(1 + 2 + 3) =
3/6, w2 = 2/6, y w3 = 1/6.
A usted podra gustarle utilizar el JavaScript de Pronstico por Atenuacin,

para luego realizar experimentaciones numricas para una comprensin mas
profunda de los conceptos.
Un ejemplo numrico ilustrativo: El promedio mvil y el ponderado mvil

de orden cinco son calculados en la siguiente tabla:
Semana Ventas ( en miles de $) PM(5) PMP(5)

1 105 - -
2 100 - -
3 105 - -
4 95 - -
5 100 101 100
6 95 99 98
7 105 100 100
8 120 103 107
9 115 107 111
10 125 117 116
11 120 120 119
12 120 120 119
Tcnicas de Atenuacin Exponencial: Uno de los mtodos de pronostic

mas exitosos es la tcnica de atenuacin exponencial (AE.) Mientras que el
mtodo de Promedios mviles simples es un caso especial del AE, este es
mucho mas parsimonioso en el uso de los datos. Adicionalmente, puede ser
modificado para ser utilizado de manera eficiente en series de tiempo con
patrones de estacionalidad. Tambin es relativamente fcil de ajustar de los
errores pasados para el subsiguiente pronstico, ideal para situaciones donde
varios pronsticos deben ser preparados. Diferentes formas son utilizadas
dependiendo de la presencia de variaciones cclicas o de tendencias. En
resumen, un AE es una tcnica de promedio que utiliza pesos desiguales; sin
embargo, las ponderaciones aplicadas a las observaciones pasadas decrecen
en una forma exponencial.
Ft+1 = Dt + (1 - ) Ft
de donde:
Dt e el valor actual
Ft es el valor pronosticado
es el factor de ponderacin, el cual oscila entre 0 y 1
t es el perodo de tiempo actual.
Note que el valor atenuado se convierte en el pronstico para el perodo t +

1.
Un pequeo proporciona un atenuante visible y detectable, mientras

que cuando el es grande, proporciona una respuesta rpida de los
cambios recientes en la serie de tiempo, y un monto mas pequeo de
atenuaciones. Note que las tcnicas de atenuacin exponencial y de
Promedios mviles simples generarn pronsticos con el mismo promedio
de tiempo siempre que el promedio mvil de orden n sea la parte entera de

(2-)/.
Una atenuacin exponencial sobre una serie de tiempo ya atenuada con

anterioridad es llamada atenuacin exponencial doble. En algunos casos
seria necesario extender este proceso hasta una atenuacin exponencial
triple. Mientras que la atenuacin exponencial simple requiere de la
condicin de inmovilidad (estacionaria), la atenuacin exponencial doble
podra capturar tendencias lineales, y la atenuacin exponencial triple puede
manejar casi todas las dems series de tiempo del negocio.
Las tcnicas de atenuacin, tales como la de Promedios mviles y

atenuacin exponencial son satisfechas para pronsticos con un perodo por
anticipado, tal y como es implementado en el siguiente Javascript:
Pronstico por Atenuacin .
El filtraje de datos es una herramienta efectiva y eficiente para el

modelamiento de series de tiempo cuando se aplican las tcnicas de
transformacin apropiadas. La mayora de las tcnicas de anlisis de series
de tiempo envuelven algunas formas de filtraje de ruido con el objetivo de
hacer los patrones de comportamiento mas obvios.
Diferenciacin: Un tipo especial de filtraje, el cual es particularmente

especial para remover tendencias, es simplemente diferenciar una serie de
tiempo dada hasta que se convierta estacionaria. Este mtodo es til en el
modelamiento de la Box-Jenkins. Para datos no estacionales, la
diferenciacin de primer orden es normalmente suficiente para alcanzar una
estabilidad aparente, de manera tal que las nuevas series estn formadas de
las series originales.
Filtraje Adaptativo Cualquier tcnica de atenuacin tal como la de

Promedios mviles la cual incluye el mtodo de aprendizaje por errores
pasados que pueden responder a cambios en la tendencia, estacionalidad y
factores aleatorios de relativa importancia. En el mtodo adaptativo de
atenuacin exponencial, se podra ajustar para permitir los cambios en
patrones de comportamiento.
Filtro de Hodrick-Prescott: Este es un mecanismo de atenuacin utilizado

para obtener los componentes de tendencia a largo plazo en las series de
tiempo. Esta es una manera de descomponer una serie de tiempo dada sus
componentes estacionarios y no estacionarios de tal manera que la suma de
los cuadrados de la serie de los componentes no estacionarios sea mnima
con una penalidad sobre los cambios derivativos de los mismos.
Filtro de Kalman: El filtro de Kalman es un algoritmo para la actualizacin

secuencial de una proyeccin lineal en un sistema dinmico el cual esta
representado en una fase espacial. Las aplicaciones del filtro de Kalman son
las de transformar el sistema de una representacin de las dos formulas
siguientes a una forma mas razonable:
x t+1=Axt+Cw t+1, y yt=Gxt+vt en el cual: A, C, y G son matrices conocidas

como funciones del parmetro q sobre el cual la inferencia es deseada
donde: t es un nmero entero, usualmente el tiempo indexado; xt es una
variable de estado verdadero, escondido de los econometristas; yt es una
medicin de x con un factor escalado G, y los errores de medicin yt, wt son
innovaciones a los procesos escondidos xt, E(wt+1wt')=1 por normalizacin
(donde, ' significa la transpuesta), E(vtvt)=R, una matriz desconocida, una
estimacin la cual es necesaria pero es auxiliar al problema de inters, el
cual es el obtener una estimacin de q. El filtro de Kalman define dos
matrices St y Kt de forma tal que el sistema descrito anteriormente puede ser
transformado en el siguiente, en el cual las estimaciones e inferencias sobre
q y R son mas directas, es decir, mediante el anlisis de regresin:
zt+1=Azt+Kat, y yt=Gzt+at de donde zt esta definida a ser Et-1xt, at esta definida

a ser yt-E(yt-1yt, y K esta definida a ser el lmite Kt cuando t se acerca al
infinito.
La definicin de estas dos matrices St y Kt es en si misma la definicin de

los filtros de Kalman: Kt=AStG'(GStG'+R)-1, y St-1=(A-KtG)St (A-
KtG)'+CC'+Kt RKt' , Kt es comnmente llamada la ganancia de Kalman.
Redes Neurales: Para el pronstico de series de tiempo, el modelo de

prediccin de orden p, tiene la forma general:
Dt=f(Dt-1, Dt-1,..., Dt-p) + et
Las arquitecturas de redes neurales pueden ser entrenadas para predecir los
valores futuros de las variables dependientes. Los requerimientos son el
diseo del paradigma de la red y sus parmetros. El acercamiento de redes
neurales de retroalimentacin de capas mltiples consiste en una capa de
entrada, una o varias capas escondidas y una capa de salida o resultado. Otro
acercamiento es conocido como la red neural parcialmente recurrente, la
cual puede aprender secuencias a medida que el tiempo transcurre y
responde de manera diferente a los mismos patrones de estmulos de entrada
a diferentes perodos de tiempo, dependiendo por supuesto de los distintos
patrones de entrada. Ninguno de estos acercamientos es superior a
cualquiera de los otros en cualquiera de los casos; sin embargo, una
retroalimentacin empapada que posea las caractersticas de una memoria
dinmica, mejorar el funcionamiento de ambos acercamientos.
Consideraciones de Outlier: Los outliers son algunas observaciones que no

son bien ajustadas por el "mejor" modelo disponible. En la prctica,
cualquier observacin con residuos estandarizados con valor absoluto
mayores a 2,5 es un candidato para ser considerado un outlier. En estos
casos, se debera primero investigar el origen de los datos. Si no existe
ninguna duda sobre la precisin o veracidad de las observaciones, entonces
debera ser removido, y el modelo debera ser reajustado.
Siempre que los niveles de los datos sean considerados muy altos o muy
bajos con respecto a los valores "usuales en el negocio", llamamos a estos
valores outliers. Una razn matemtica para ajustar estas ocurrencias es que
la mayora de las tcnicas de pronstico estn basadas en promedios. Es bien
sabido que las medias aritmticas son muy sensibles a los valores de los
outliers; por lo tanto, algunas alteraciones en los datos deberan ser hechas
antes de continuar. Una aproximacin seria el reemplazar el outlier por el
promedio de los dos niveles de ventas para los perodos, los cuales vienen
inmediatamente antes y despus del perodo en cuestin, y luego poner este
nmero en el lugar del outlier. Esta idea es util siempre que el outlier ocurre
a la mitad o en una parte reciente de los datos. Sin embargo, si los outliers
aparecen en la parte mas antigua de los datos, se debera seguir una segunda
alternativa, la cual es simplemente eliminar los datos e incluir los outliers.
En la ligereza de la relativa complejidad de algunas tcnicas sofisticadas de

pronstico, nosotros recomendamos que la gerencia se dirija a travs de una
progresin evolucionaria para adoptar nuevas tcnicas de pronstico. Esto
significa que, es mejor que sea implementado un modelo de pronstico
simple bien entendido que a otro con todos los despliegues y presentaciones,
pero que sea confuso en muchas facetas.
Modelamiento y Simulacin: Los modelamientos y simulaciones

dinmicas son la habilidad colectiva para entender el sistema y las
implicaciones de sus cambios a travs del tiempo, incluyendo el pronstico.
Los sistemas de simulacin son una mmica de la operacin del sistema real,
tal como las operaciones diarias de un banco, o el valor de una determinada
accin en la bolsa de valores durante un periodo de tiempo especifico.
Mediante las corridas de simulacin para avanzar en decisiones futuras, los
gerentes pueden encontrar fcilmente como el sistema podra comportarse
en el futuro, por lo tanto, las decisiones podran ser juzgadas como
apropiadas.
En el campo de las simulaciones, el concepto del "principio de la

equivalencia computacional" tiene implicaciones favorables para los
tomadores de decisiones. Las experimentaciones simuladas aceleran y
reemplazan efectivamente la ansiedad de "esperar para ver que sucede"
descubriendo nuevas formas y explicaciones para comportamientos futuros
del sistema real.
Modelos Probabilsticos: El uso de tcnicas probabilsticas, tales como los

Mtodos de Investigacin de Mercadeo, para lidiar con incertidumbre,
ofrece un rango de resultados probables para cada grupo de eventos. Por
ejemplo, se podra desear identificar los prospectos compradores de un
nuevo producto dentro de una comunidad de tamao N. De el resultado de
una encuesta, se podra estimar la probabilidad de vender p, y luego estimar
el tamao de las ventas totales Np con un cierto nivel de confianza.
Una Aplicacin: Suponga que deseamos pronosticar las ventas de una

nueva pasta de dientes en una comunidad de 50.000 amas de casas. Una
muestra gratis es suministrada a 3.000 de ellas que fueron seleccionadas de
manera aleatoria, y luego 1.800 de ellas indicaron que compraran el
producto.
Utilizando la distribucin binomial con parmetros (3000, 1800/3000), el

error estndar es 27, y las ventas esperadas son 50000(1800/3000) = 30000.
El intervalo de confianza de 99,7% se encuentra dentro de 3 veces el error
estndar 3(27) = 81 veces el coeficiente de la poblacin total 50000/3000; es
decir, 1350. En otras palabras, las ventas esperadas se encuentran entre un
rango de (28650, 31350).
Anlisis de Eventos Histricos: Algunas veces los datos para un perodo

explicito de un evento (o eventos) en particular se encuentran disponibles,
por ejemplo, en un grupo de pacientes. Algunos ejemplo de eventos podran
incluir ataques de asma; de epilepsia; infartos al miocardio; admisiones al
hospital, etc. Generalmente, las ocurrencias (y no ocurrencias) de un evento
se encuentran disponibles en condiciones normales (por ejemplo, diarios) los
datos podran ser pensados como si tuvieran una estructura de medicin. Un
objetivo podra ser el determinar si un evento o medicin concurrente han
influenciado en la ocurrencia del evento en que estamos interesados. Por
ejemplo, la generacin diaria de polen podra influenciar en el riesgo de
ataques de asma; la presin alta en la sangre podra preceder a un infarto en
el miocardio. Se podran utilizar el PROC GENMOD, el cual esta disponible
en SAS para el anlisis de eventos histricos.
Nmeros Indices: Un nmero ndice mide el valor de una serie de tiempo

en un perodo de tiempo (normalmente como porcentaje) con respecto a un
perodo base.
Para una aplicacin de nmeros ndices para pronsticos, considere el

siguiente ejemplo simple (para ahorrar espacio):
Indices Compuestos: Considere el costo total de materiales para una planta

industrial A, como se muestra en la tabla siguiente:
Ao 2000 Ao 2001
Unidades Costo por Costo por

Total Total
Necesitadas Unidad Unidad
Mano de Obra 20 10 200 11 220
Aluminio 02 100 200 110 220
Electricidad 02 50 100 60 120
Total 500 560
De la informacin obtenida en la tabla anterior, el ndice para los dos aos

consecutivos son 500/500 = 1, y 560/500 = 1,12, respectivamente. En vez de
calcular el ndice para cada ao utilizando el ao base, se podran presentar
los resultados graficando los ndices con respecto al tiempo como una serie
de tiempo para propsitos de pronstico.
Pronosticando la Respuesta de los Mercados: Como parte de las

investigaciones aplicadas a la economa y a los negocios, los cuales se
enfrentan a la tarea de predecir la respuesta de los mercados, raras veces
sabemos la forma funcional de las respuestas. Quizs las respuestas de los
mercados son una funcin no lineal montona, o simplemente una funcin
no montona de variables explicativas. Quizs es determinada por las
interacciones de las variables explicativas. La interaccin es lgicamente
independiente de sus componentes.
Cuando tratamos de representar relaciones complicadas entre mercados

dentro del contexto de un modelo lineal, usando transformaciones
apropiadas de variables explicativas y de respuesta, aprendemos cuan difcil
puede ser el trabajo estadstico. Encontrar modelos razonables es todo un
reto, y justificar nuestros modelos alternativos a nuestros colegas puede ser
mucho mas desafiante. Abundan las especificaciones alternativas.
Los mtodos modernos de regresin, tales como los modelos aditivos

generalizados, regresiones adaptativas simples de variacin mltiple, y los
rboles de regresin tienen una clara ventaja: Ellos pueden ser usados sin
una forma funcional por adelantado. Estos mtodos adaptativos intensivos
en el uso de computadoras, ofrecen un acercamiento al modelamiento mas
flexible que los mtodos estadsticos tradicionales. Que tan bien funcionan
los mtodos modernos de regresin en la prediccin de la respuesta de los
mercados? Algunos funcionan perfectamente fundamentados en los
resultados de los estudios de simulacin.
Anlisis de Delphi: Este mtodo es utilizado en el proceso de toma de

decisiones, en particular en el pronstico. Muchos "expertos" se renen y
tratan de comprometerse en algo sobre el cual no pueden ponerse de
acuerdo.
Combinacin de Pronsticos: La combinacin de pronsticos fusiona

varios grupos separados de pronsticos para lograr una mejor composicin
de los mismos. La pregunta aqu es: Como encontrar la combinacin de
ponderacin ptima? El acercamiento comnmente utilizado es cambiar las
ponderaciones de vez en cuando para mejorar el pronstico en vez de utilizar
un grupo fijo de ponderaciones en condiciones normales.
Todos los modelos de pronstico tienen una estructura de error ya sea

explicita o implcita, donde el error es definido como la diferencia entre el
modelo de prediccin y el valor "verdadero." Adicionalmente, muchas
metodologas de rastreo de datos dentro del campo de la estadstica
necesitan ser aplicadas a datos proporcionados a los modelos de prediccin.
La comprobacin diagnstica tambin, como es definida en el campo
estadstico, es requerido para cualquier modelo que utilice datos.
Cuando se utilice cualquier modelo de pronstico se deben realizar

mediciones de manera de asegurar la calidad del mtodo. La Desviacin
Absoluta Media (DAM), y la Varianza son las medidas mas utilizadas. Sin
embargo, la DAM no se presta para realizar mayores inferencias, pero el
error estndar s. Para los propsitos de anlisis de errores, la varianza es
preferida porque la varianza de errores independientes (no relacionados) son
aditivos; sin embargo, la DAM no es aditiva.
La Regresin y los Promedios Mviles: Cuando una serie de tiempo no es

una lnea recta se podran utilizar los Promedios mviles (PM) y romper la
serie de tiempo en varios intervalos con lneas rectas comunes de pendientes
positivas, de manera de lograr la linealidad de toda la serie de tiempo. El
proceso envuelve la transformacin basada en la pendiente y luego el
promedio mvil dentro de ese intervalo. Para la mayora de las series de
tiempo de negocios, la siguiente transformacin podra ser efectiva:
pendiente/ PM,
log (pendiente),
log (pendiente/ PM),
log(pendiente) - 2 log(PM).
Como Hacer Pronsticos Mediante el Anlisis de Regresin
Introduccin
La regresin es el estudio de la relacin entre variables con el objetivo

principal de predecir o estimar el valor de una variable con respecto a otras
variables conocidas o de valores asumidos, las cuales se encuentran
relacionadas a ella.
Variables de Inters: Para realizar estimaciones o predicciones, se debe

primero identificar los estimadores apropiados para la variable de inters:
Cules variables son indicadores importantes?, Pueden ser estas variables
medidas al menor costo posible?, Cuales de ellas proporcionan poca
informacin? y Cules son variables redundantes?
Prediciendo el Futuro Predecir un chance a travs del tiempo o explorando

desde las condiciones actuales a las condiciones futuras no es parte del
anlisis de regresin. Para hacer estimaciones sobre el futuro, usted debera
utilizar el anlisis de series de tiempo.
Experimento: este comienza con una hiptesis referente a como varias

variables podran estar relacionadas con otras variables, y del tipo de
relacin.
Regresin Lineal Simple: Una regresin que utiliza solo un pronosticador o

estimador, es llamada regresin simple.
Regresin Mltiple: Cuando existen dos o mas estimadores se utiliza el

anlisis de regresin mltiple.
Data: Por que obtener informacin de una poblacin entera es simplemente

irrealista, una muestra siempre es escogida, la cual es un subconjunto de la
poblacin. Por ejemplo, una muestra podra ser igualmente escogida al azar
o tomando los valores x dependiendo de la capacidad que tienen los equipos
de experimentacin que utilizan los investigadores. Cuando los valores x son
preseleccionados y dependiendo de los mismos, solo inferencias limitadas
pueden ser obtenidas. Cuando x e y son seleccionadas aleatoriamente, las
inferencias pueden ser generalmente obtenidas dentro de un rango de valores
en la muestra.
El Diagrama de Dispersin: Es una representacin grfica de pares de

datos, los cuales pueden ser dibujados para obtener una visin general del
problema. Existe una relacin aparente entre las variables?, Directa?,
Inversa? Si los puntos descansan sobre una banda descrita por dos lneas
paralelas, podramos decir que existe una relacin lineal entre los valores de
x e y. Si la tasa de cambio no se mantiene constante en general, podramos
decir que los datos siguen una relacin de forma curva.
El Modelo: Si hemos determinado que existe una relacin lineal entre t e y,

queremos obtener una ecuacin lineal que establezca a y como funcin de x
en la forma de Y = a + bx + e, de donde a es la intercepcin, b es la
pendiente y e es la medida de error para todas las variables que afectan y,

pero que no son incluidas como factores de prediccin y/ factores
impredecibles o incontrolables.
Mtodo de los Mnimos Cuadrados: Para predecir la media del valor de y

para un valor x determinado, se necesita una lnea que pase a travs de todos
los valores medios de x e y, y que minimice la suma entre las distancias de
cada uno de los puntos y la lnea de prediccin. Este acercamiento debera
resultar en una lnea que podramos decir que "ajusta mejor" a los datos de la
muestra. El mtodo de los mnimos cuadrados alcanza este resultado
mediante el clculo del promedio mnimo al cuadrado de las desviaciones
entre la muestra y la lnea estimada. Un procedimiento es utilizado para
encontrar los valores de a y b, la cual se reduce a la solucin de ecuaciones
lineales simultaneas. Se han desarrollado formulas para acortar los pasos
para encontrar soluciones alternativas de ecuaciones simultaneas.
Mtodos de Solucin: Las Tcnicas de lgebra Matricial pueden ser

empleadas de manera manual para resolver ecuaciones lineales simultneas.
Esta tcnica es til especialmente cuando existen sistemas de dos o mas
ecuaciones con dos variables desconocidas.
Existen numerosos paquetes de computadoras disponibles que pueden ser

utilizados para aliviar los problemas computacionales del trabajo de resolver
ecuaciones lineales y polinomiales: el paquete Programas Biomdico de
Computadoras (BMD, Biomedical Computer Programs) de la UCLA; el
Paquete Estadstico para Ciencias Sociales (SPSS, Statistical Package for the
Social Sciences) desarrollado por la Universidad de Chicago; y el Sistema
de Anlisis Estadstico (SAS, Statistical Analysis System). Adicionalete
existe otro paquete disponible llamado Biblioteca Internacional de
Matemticas y Estadstica (IMSL, the International Mathematical and
Statistical Libraries), el cual contiene una extensa variedad de clculos
matemticos y estadsticos estndares. Todos estos paquetes utilizan lgebra
matricial para resolver ecuaciones simultaneas.
Utilidad e Interpretacin de la Ecuacin de Regresin: la ecuacin

desarrollada puede ser utilizada para predecir un valor promedio sobre el
rango de los datos de la muestra. Se puede considerar que el pronstico es
bueno por un rango que va de corto a mediano plazo de tiempo.
Midiendo el Error de la Estimacin: La dispersin o variabilidad

alrededor de los valores de la media pueden ser medidos mediante el clculo
de la varianza, el promedio de la desviacin al cuadrado de los valores
alrededor de la media. La estimacin del error estndar es derivada mediante
la raz cuadrada de este valor, y es interpretado como la medida promedio en
la cual los valores reales difieren de la media estimada.
Intervalo de Confianza: La estimacin de intervalos puede ser calculada

para obtener una medida de la confianza que tenemos en la existencia de
relacin en nuestra estimacin. Estos clculos se realizan utilizando la tabla
de distribucin t. De estos clculos podemos derivar bandas de confianza, un
par de lneas no paralelas ubicadas lo mas cercanas posible a los valores
medios que expresan nuestra confianza a varios grados de la banda de
valores alrededor de la ecuacin de regresin.
Evaluacin: Que tan confiados podemos estar de que realmente existe una
relacin? La rectitud de la relacin puede ser evaluada mediante la prueba
estadstica de hiptesis, tal como la hiptesis nula, la cuales son establecidas
usando la distribucin t, el R cuadrado, las tablas de la distribucin F. Estos
clculos incrementan el error estndar del coeficiente de regresin, una
estimacin del coeficiente de regresin b variar de muestra a muestra de
igual tamao dentro de la misma poblacin. Un Anlisis de la Tabla de
Varianza (ANOVA) puede ser generada, la cual resume los diferentes
componentes de variacin.
Cuando se quiere comparar modelos de tamaos diferentes (Diferente

nmero de variables independientes y/ o tamao de muestra diferente) se
tiene que utilizar el R cuadrado ajustado porque el R cuadrado tpico tiende
a crecer con el nmero de variables independientes.
El Error Estndar de un Estimador, por ejemplo, la raz cuadrada de las

medias al cuadrado, es un buen indicador de la "calidad" de un modelo de
prediccin porque "ajusta" la Suma de los Errores Medios al Cuadrado
(SEMC) para el nmero de predictores en el modelo, como sigue a
continuacin:
SEMC = Suma de los Errores Medios al Cuadrados/ (N - Nmero de

Predictores Linealmente Independientes)
Si continuamos agregando predictores al modelo, el SEMC se convertir

menos estable. El R cuadrado tambin esta influenciado por el rango de los
valores dependientes; por lo tanto, si dos modelos tienen la misma media
residual al cuadrado, pero uno de ellos posee un rango mas pequeo de
valores para la variable dependiente, dicho modelo tendr un R cuadrado
ms grande. Esto explica el hecho de que ambos modelos trabajarn
perfectamente para los propsitos de prediccin.
A usted podra gustarle utilizar el JavaScript de Anlisis de Regresin con

Instrumentos Diagnsticos para comprobar sus clculos, y para realizar
algunas experimentaciones numricas para una compresin mas profunda de
estos conceptos.
Planificacin, Desarrollo, y Mantenimiento de un Modelo Lineal
A. Planificacin:
1. Defina el problema; seleccione respuestas; sugiera variables.
2. Son las variables seleccionadas fundamentales para el problema, y

son ellas verdaderas variables? Son dichas variables mesurables/
contables? Se podra obtener un conjunto de observaciones al
mismo momento? Ordinariamente, el anlisis de regresin no asume
que las variables independientes son medidas sin errores. Sin
embargo, estas se encuentran condicionadas a cualquier error que
pueda ocurrir o estn presentes en el conjunto de datos
independientes.
3. Es el Problema potencialmente solucionable?
4. Encuentre la matriz de correlacin y las primeras corridas de la

regresin (para unos datos seleccionados.)
Encuentre los estadsticos bsicos, matriz de correlacin.
Qu tan difcil es el problema? Calcule el Factor de Inflacin de la

Varianza:
FIV = 1/(1 -rij), para todos los i, j.
Para un FIV, digamos entre 2 y 8, usted podra ser capaz de

desarrollar un "buen" modelo.
Inspeccione rij; por lo menos uno o dos tienen que ser grandes. Si
todos son pequeos, quizs el rango de las variables X son muy
pequeos.
5. Establezca objetivos, prepare una restriccin (o un presupuesto) y

tablas de tiempo.
a. La ecuacin final debera contener: R2 Ajustado = 0,8 (por

ejemplo).
b. El Coeficiente de Variacin digamos, menor que 0,10
c. El nmero de predictores no debera exceder a p (digamos, 3), (por
ejemplo para p = 3, se necesitan 30 puntos por lo menos.) Igualmente
si todas las asunciones generales del modelo de regresin son
satisfechas, el sobre ajuste podra arruinar la utilidad del modelo. El
acercamiento mas usado es el mtodo de reduccin de datos para
trabajar con los casos donde el nmero de predictores potenciales es
grande si se compara con el nmero de observaciones.

d. Todos los coeficientes estimados deben ser significativos a un
nivel de digamos = 0,05 (por decir algo).
e. No existen patrones en los residuos
6. Son los objetivos y las restricciones (o presupuestos) aceptables?
B. Desarrollo del Modelo:
1. Colecte los datos; verifique la calidad de los datos; plotee; pruebe los
modelos; verifique las condiciones de regresin.
2. Consulte a los expertos para obtener crticas.

Introduzca una nueva variable y examine el mismo modelo ajustado.
Adicionalmente las variables predictores transformadas deberan ser
utilizadas.
3. Se han logrado los objetivos?

Ha encontrado "el mejor" modelo?
C. Validacin y Mantenimiento del Modelo:
1. Son los parmetros estables dentro del espacio muestral?
2. Existe una deficiencia en el ajuste?

Son los coeficientes razonables? Existen algunas variables obvias
ausentes? Es la ecuacin aplicable para realizar controles o para
predicciones?
3. Mantenimiento del Modelo.

Se necesita tener control el siguiente diagrama para verificar
peridicamente el modelo mediante tcnicas estadsticas.
Proceso de Anlisis de Regresin

Haga clic en la imagen para agrandarla, y LUEGO imprmala
A usted podra gustarle utilizar el Anlisis de Regresin con Instrumentos

Diagnsticos cuando realice anlisis de regresin.
Metodologa de Transferencia de Funciones
Es posible extender el modelo de regresin a una representacin dinmica

entre variables mediante una apropiada funcin de transferencia que es
utilizada en la construccin de esquemas de accin y reaccin. El modulo
del Analizador de Funcin de Transferencia en el paquete de computadora
para modelamiento y pronstico SCA es un paquete de espectro de anlisis
de frecuencia diseado con la ingeniera en mente. El mismo aplica el
concepto de transformacin integral de Fourier a un grupo de datos de
entrada para proveer una representacin global de frecuencia de una funcin
aproximada por los datos de entrada. Adicionalmente presenta los resultados
en trminos de ingeniera convencionales.
Prueba para una Estimacin de Cambios Estructurales

Mltiples
Las pruebas para brechas estructurales que mi experiencia me ha permitido

ver estan diseadas para detectar solo una brecha en la serie de tiempo. Esto
es cierto siempre que el punto de brecha es conocido o estimado mediante el
uso de mtodos iterativos. Por ejemplo, para probar cualquier cambio en el
nivel de las series dependientes o modelos de especificacin, se debera
utilizar una prueba iterativa para determinar puntos temporales mediante la
incorporacin de variables de cambios de nivel (0,0,0,0,...,1,1,1,1,1) para
medir los cambios en la intercepcin. Otras causas son los cambios en la
varianza y en los parmetros.
Metodologa de la Box-Jenkins
Introduccin
Basamentos de los Pronsticos: La idea bsica detrs de los modelos de

pronstico de series de tiempo auto proyectados es el encontrar una formula
matemtica que genere de forma aproximada los patrones histricos de las
series de tiempo.
Series de Tiempos: Una serie de tiempo es un grupo de nmeros que miden

el estatus de alguna actividad en particular a travs del tiempo. Es el registro
histrico de algunas actividades, con mediciones hechas en intervalos
iguales de tiempo (excepto mensualmente), manteniendo una consistencia en

la actividad y el mtodo de medicin.
Acercamiento al Pronstico de Series de Tiempo: existen dos

acercamientos bsicos para pronosticar series de tiempo: la auto proyeccin
de series de tiempo y el acercamiento de causa-efecto. Este ltimo mtodo
intenta pronosticar basado en series subyacentes las cuales se cree que
causan comportamientos o influyen a las series originales. La auto
proyeccin de series de tiempo solo emplea los datos de la serie de tiempo
de la actividad a ser pronosticada para realizar el mismo. Este ltimo
acercamiento es en general menos costoso para su aplicacin, requiere
mucho menos datos y es til solo para periodos de pronstico de corto a
mediano plazo.
Mtodo para Pronstico de la Box-Jenkins: la versin de variacin nica

de esta metodologa es el mtodo de auto proyeccin de series de tiempo. El
objetivo subyacente es encontrar una formula apropiada de forma tal que los
residuos son lo mas pequeo posible y que no exhiben ningn patrn. El
proceso de construccin del modelo envuelve algunos pocos pasos que son
repetidos tantas veces sea necesario de manera de finalizar con una formula
especfica que reproduce los patrones de la serie de tiempo tan cerca como
sea posible, y que adicionalmente representa un pronstico preciso.
Metodologa de la Box-Jenkins
Los modelos de pronstico de la Box-Jenkins se basan en conceptos y

principios estadsticos, y son capaces de modelar un amplio espectro de
comportamiento de series de tiempo. Posee diferentes clases de modelos
para escoger adems de un acercamiento sistemtico para elegir el modelo
correcto. Incluye tanto pruebas estadsticas para la validacin de modelos,
as como tambin mediciones estadsticas para pronosticar incertidumbre.
En contraste, los modelos de pronstico tradicionales ofrecen un nmero
limitado de modelos relativos debido al comportamiento complejo de
muchas series de tiempo, con escasas pautas y pruebas estadsticas para la
verificacin de la validez del modelo seleccionado.
Datos: La falta de uso, la incomprensin, y la falta de precisin de los

pronsticos son a menudo el resultado de no apreciar la naturaleza de los
datos que se tienen disponibles. La consistencia de los datos tiene que ser
asegurada, y se debe tenerse claro que representan y como fueron obtenidos
o calculados. Como una regla emprica, la Caja de Jenkins requiere de por lo
menos 40 50 periodos igualmente espaciados de datos. Adicionalmente,
los datos tienen que estar editados para lidiar con valores omitidos, extremos
u otra distorsin ocasionada por el uso de funciones tales como log o
inversa, de manera de alcanzar la estabilizacin.
Procedimiento de Identificacin del Modelo Preliminar: Un anlisis

preliminar de la Box-Jenkins con ploteo en los datos iniciales debera ser
corrido como el punto de inicio en la determinacin del modelo apropiado.
Los datos de entrada deben estar ajustados para formar una serie
estacionaria, en el cual sus valores varen mas menos de manera uniforme en
cuanto a los valores fijos con respecto al tiempo. Las tendencias aparentes
pueden ser ajustadas mediante el uso de la tcnica de "diferenciacin
regular", el cual es un proceso para calcular la diferencia entre dos valores
sucesivos, calculando una serie diferenciada la cual posee un
comportamiento de tendencia general removido. Si una diferenciacin
simple no alcanza la estacionalidad, esta podra ser repetida, a pesar de que
no ser comn, algunas veces se requieren mas de dos diferenciaciones
regulares. Si las irregularidades en las series diferenciadas continan
apareciendo, las funciones log o inversa pueden ser especificadas de manera
de estabilizar las series, de tal forma que los residuos restantes representen
valores cercanos a cero sin ningn patrn de comportamiento. Este es un
termino de error equivalente a puro ruido blanco.
Series Aleatorias Puras: Desde otro punto de vista, si las series de datos
iniciales no presentan tendencia ni estacionalidad, y los ploteos residuales
muestran esencialmente valores cero con un nivel de confianza de 95% sin
patrn de comportamiento, quiere decir que no existe problema estadstico
real que resolver, lo que implica que vamos en otra direccin. .
Identificacin del Modelo de Fondo
Modelo Bsico: Con una serie estacionaria como escenario, un modelo

bsico puede ser identificado ahora. Existen tres modelos bsicos, los cuales
constituyen las herramientas disponibles: AR (autoregresivo), PM
(promedios mviles) y el combinado de ARPM, adicionalmente al
especificado anteriormente de DR (diferenciacin regular.) Cuando el
modelo de diferenciacin regular es aplicado en conjunto con AR y PM, son
referidos como ARIPM, del cual "I" indica la palabra "integrados" y es la
referencia en el procedimiento de diferenciacin.
Estacionalidad: En adicin a las tendencias, las cuales han sido provistas

ahora, las series estacionarias presentan con frecuencia comportamientos
estacionales, donde un patrn bsico tiende a repetirse a intervalos
estacionales regulares. Adicionalmente, el patrn de estacionalidad podra
presentar cambios constantes a travs del tiempo. Una simple diferenciacin
fue aplicada a las series de tendencias en general, la diferenciacin
estacional (DS) se aplica a series estacionales no estticas. Como las
herramientas auto regresivas y de promedios mviles estn disponibles para
todo tipo de series, tambin lo estn para fenmenos estacionales mediante
el uso de parmetros de autoregresiones estacionales (AE), y los parmetros
de promedios mviles estacionales (PME).
Estableciendo la Estacionalidad: La necesidad por los parmetros de

autoregresiones estacionales (AE) y los parmetros de promedios mviles
estacionales (PME) esta establecida mediante la examinacin de los patrones
de autocorrelacin y autocorrelacin parcial de una serie estacionaria con
retrasos, las cuales son mltiplos de los nmeros de perodos por temporada
o estacionalidad. Estos parmetros son requeridos siempre que los perodos
de retraso s, 2s, etc, sean diferentes de cero y que presenten patrones
asociados con los patrones tericos asociados a estos modelos. La
diferenciacin estacional esta indicada si las autocorrelaciones en los
periodos de rezago o retraso no decrecen rpidamente.
Acercamiento del Modelo de la Box-Jenkins para Pronsticos

Haga clic en la imagen para ampliarla
En referencia al esquema anterior se sabe que, la varianza de los errores del

modelo subyacente deben ser invariantes, es decir, constantes. Esto significa
que la varianza para cada subgrupo de los datos es la misma y no dependen
del nivel o del punto en el tiempo. Si esta condicin es violada, podramos
remediarlo mediante la estabilizacin de la varianza. Asegrese de que no
existen patrones determinsticos en los datos, de que no existan pulsos o
valores inusuales que ocurren una vez, de que no existan cambios de niveles
o pasos, y adicionalmente no deberan aparecer pulsos de patrones
estacionales.
La razn de todos esto es que si todas estas condiciones existen, la

autocorrelacin de la muestra y la autocorrelacin parcial implicaran una
estructura de ARIPM. Adicionalmente, la presencia de este tipo de
componentes del modelo pueden esconder estructuras bsicas de
comportamiento del mismo. Por ejemplo, un simple outlier o pulso pueden
crear un efecto donde la estructura se encuentra influenciada por el outlier.
Mtodo de Identificacin Cuantitativa Mejorado

Requerimientos para el Anlisis Paliativo: Un procedimiento

substancialmente mejorado se encuentra disponible en la actualidad para
conducir el anlisis de la Box-Jenkins ARIPM, el cual apacigua los
requerimientos desde una perspectiva de estacionalidad en la evaluacin de
los patrones ambiguos de autocorrelacin y autocorrelacin residual para
determinar un modelo de Box-Jenkins apropiado para desarrollar un modelo
para pronsticos.
ARPM (1, 0): El primer modelo para ser probado en las series estacionarias
consiste simplemente en un termino autoregresivo con rezago 1. Los
patrones de autocorrelacin y autocorrelacin parcial son examinados por
autocorrelacin significante y para ver si los coeficientes residuales se
encuentran no correlacionados; esto significa que los coeficientes son cero
con limites de confianza de 95% y sin patrones aparentes. Cuando los
valores ajustados estn lo mas cerca posible a los valores de las series
originales, se minimizar la suma de los residuos al cuadrado, lo cual es una
tcnica llamada la estimacin de los mnimos cuadrados. La media residual
y el porcentaje de error de la media no deberan ser significantemente
diferentes de cero. Algunos modelos alternativos son examinados mediante
la comparacin del progreso de estos factores, favoreciendo a los modelos
que utilizan la menor cantidad de parmetros posibles. La correlacin entre
los parmetros no debera ser significativamente grande y los lmites de
confianza no deberan incluir el cero. Cuando se ha establecido un modelo
satisfactorio, el procedimiento de pronstico es aplicado.
ARPM (2, 1): Representa la ausencia de una condicin de ARPM (1, 0)

satisfactoria con coeficientes residuales aproximndose a cero, el
procedimiento de identificacin del modelo mejorado examina los patrones
residuales cuando los trminos autoregresivos con orden 1 y 2 son aplicados
junto al trmino de promedios mviles con un orden de 1.
Procedimiento Subsiguiente: Dependiendo del grado en el cual las

condiciones residuales descritas anteriormente no sean satisfechas, el
anlisis de la Box-Jenkins contina con un ARPM (n, n-1) hasta que el
modelo se satisfaga. En el transcurso de estas iteraciones, cuando un
coeficiente autoregresivo (phi) se acerca a cero, el modelo es reexaminado
con parmetros ARPM (n-1, n-1). De igual manera, siempre que un
coeficiente de promedios mviles (theta) se aproxima a cero, el modelo es
reducido a ARPM (n, n-2). En algn punto, ya sea el termino autoregresivo
o el termino del promedio mvil podra desaparecer completamente, por lo
tanto la examinacin de la serie estacionaria se contina con solo los
trminos restantes, hasta que los coeficientes residuales se acerquen a cero
dentro de los niveles de confianza especificados.
Modelo de Seleccin en el Acertcamiento de Box-Jenkins para Pronsticos

Haga Clic en la imagen para ampliarla
Anlisis Estacional: De forma paralela con este ciclo de desarrollo del

modelo, y de una forma enteramente similar, los parmetros estacionales
autoregresivos y de promedios mviles son agregados y desechados en
respuesta a la presencia de los patrones estacionales o cclicos en los
trminos residuales o coeficientes acercndose a cero.
Suficiencia del Modelo: En la revisin de los resultados de la Box-Jenkins,

se debera tener cuidado en asegurar que los parmetros son significativos y
que no estn correlacionados, modelos alternados deberan ser ponderados
para estas condiciones, as como tambin para toda la correlacin de (R2),
error estndar, residuos cero.
Pronosticando con el Modelo: El modelo es usado para pronstico de corto

y mediano plazo, actualizado a medida que los nuevos datos se hacen
disponibles de manera de minimizar el nmero de periodos requeridos con
anticipacin para el pronstico.
Monitorear la Precisin del Pronstico en Tiempo Real: A medida que el

tiempo va progresando, la precisin del pronstico deber ser monitoreada
bastante cerca de manera de observar los incrementos en los trminos de
error estndar, y disminucin en la correlacin. Cuando parezca que las
series estan cambiando a medida que transcurre el tiempo, se deberan
realizar calculaciones de nuevo de los parmetros del modelo.
Modelos Autoregresivos
El modelo autoregresivo es uno del grupo de formulas de prediccin lineal

que intentan predecir los resultados de un sistema basado en variables de
entrada y resultados anteriores, tales como:
Y(t) = 1 + 2Y(t-1) + 3X(t-1) + t,
de donde X(t-1) y Y(t-1) son los valores actuales (valores de entrada) y el

pronstico (resultados), respectivamente. Estos tipos de regresiones son
comnmente referidas entre otros a Modelos Autoregresivos de Rezagos
Distribuidos, Rezagos de Distribucin Geomtrica, y Modelos de
Expectativas Adaptativas.
Un modelo que solo depende de resultado previos del sistema es llamado

modelo autoregresivo (AR), mientras que un modelo que solo depende de
los valores de entrada del sistema es llamado modelo de promedios mviles
(PM), y por supuesto, un modelo basado en ambos entradas y salidas del
sistema es un modelo autoregresivo de promedios mviles (ARPM). Note
que por definicin, los modelos AR contienen solo postes (poles) mientras
que el PM contiene solo ceros. Para derivar el modelo autoregresivo (AR) se
necesita estimar los coeficientes del modelo usando el mtodo del error
mnimo.
Los procesos autoregresivos as como su nombre implica, regresan en ellos

mismos. Si una observacin es hecha en el momento (t), de orden p,
[AR(p)], el modelo autoregresivo satisface la siguiente ecuacin:
X(t) = 0 + 1X(t-1) + 2X(t-2) + 2X(t-3) + + pX(t-p) + t,
de donde t es una serie de Ruido Blanco.
El valor actual de las series es una combinacin lineal de los mas recientes
valores pasados de p mas un trmino de error, el cual incorpora todas las
novedades en las series de tiempo en el momento t los cuales no son
explicados en los valores pasados. Este es como un modelo de regresin
mltiple, pero no es regresado sobre las variables independientes sino en los
valores pasados; por lo tanto, el trmino "Autoregresivo" es utilizado.
Autocorrelacin: Una gua importante para las propiedades de las series de

tiempo es suministrada por las series de cantidades llamadas coeficientes de
autocorrelacin muestral o coeficiente de correlacin serial, el cual mide la
correlacin entre observaciones con diferentes distancia de separacin entre
ellas. Estos coeficientes normalmente proporcionan una sutileza en el
modelo de probabilidad que generaron los datos. El coeficiente de
autocorrelacin muestral es similar al coeficiente de correlacin ordinario
entre dos variables (x) e (y), excepto por que es aplicado a series de tiempo
simples para saber si las observaciones sucesivas estn correlacionadas.
Dado un nmero de observaciones (N) sobre una serie de tiempo discreta, se

pueden formar un conjunto de (N - 1) pares de observaciones. Tomando a la
primera observacin de cada par como una variable, y la segunda
observacin como la segunda variable, el coeficiente de correlacin es

llamado coeficiente de autocorrelacin de orden uno.
Grfico de Correlacin (Correlograma): Una herramienta til para

interpretar un grupo de coeficientes de autocorrelacin es el llamado grafico
de correlacin o correlograma, el cual es ploteado en contra del rezago (k);
donde esta el coeficiente de correlacin de rezago (k). Un correlograma
puede ser utilizado para obtener una comprensin general de nuestras series
de tiempo en los siguientes aspectos:
1. Una serie aleatoria: Si una serie es completamente aleatoria implica

que un nmero (N) grande ser aproximadamente cero para todos los
valores de (k) diferentes de cero.
2. Correlacin a corto plazo: Las series estacionarias con frecuencia

muestran correlaciones a corto plazo, las cuales estn caracterizadas
por valores grandes de mas de 2 3 coeficientes de correlacin que,
mientras son significativamente mas grandes que cero, tienden a ser
exitosamente mas pequeos.
3. Series no estacionarias: Si una serie de tiempo presenta tendencia,

los valores de ella no sern cero excepto para valores muy grande de
retraso.
4. Fluctuaciones estacionales: Los modelos autoregresivos comunes

con s perodos con fluctuaciones estacionales son:
X(t) = a + b X(t-s) + t
X(t) = a + b X(t-s) + c X(t-2s) +t
donde t es una serie de Ruido Blanco.
Autocorrelacin Parcial: Un coeficiente autocorrelacin parcial para un

orden k, mide la fuerza de la correlacin entre los pares de entradas en la
serie de tiempo, mientras contabiliza todas las autocorrelaciones (es decir,
removiendo los efectos) por debajo del orden k. Por ejemplo, el coeficiente
de correlacin parcial de orden k = 5 es calculado de tal manera que el
efecto de las correlaciones parciales k = 1, 2, 3, y 4 han sido excluidas. El
coeficiente de correlacin parcial de cualquier orden en particular es el
mismo al coeficiente de autoregresin del mismo orden.
Ajustando un Modelo Autoregresivo: Si se piensa que un modelo

autoregresivo es apropiado para modelar una serie de tiempo dada, existen
dos preguntas relacionadas que necesitan ser contestadas: (1) Cul es el

orden del modelo? y (2) Cmo podemos estimar los parmetros del
modelo?
Los parmetros de un modelos autoregresivo pueden ser estimados mediante

la minimizacin de la suma de los residuos al cuadrado con respecto a cada
uno de los parmetros, sin embargo, determinar el orden del modelo
autoregresivo no es fcil, particularmente cuando el sistema que se intenta
modelar tiene interpretaciones biolgicas.
Un acercamiento para ajustar los modelos AR de orden progresivamente

mayor, es calcular la suma de los residuos al cuadrado para cada valor de p;
y luego plotear este resultado en contra de p. Podra ser posible ver el valor
de p donde la curva se "aplana", y la adicin de parmetros dara una
mejora pequea al ajuste.
Criterio de Seleccin: Muchos criterios podran ser especificados mediante

la especificacin de un formato dado el correlograma para series de
correlacin simples o parciales:
1. Si ninguna de las autocorrelaciones es significativamente diferente

de cero, la serie es esencialmente un numero aleatorio o una serie de
ruido blanco, la cual no es un modelo autoregresivo manejable.
2. Si la autocorrelacin simple decrece linealmente, pasando por cero

hasta convertirse negativa, si simplemente la autocorrelacin
exhibe un patrn cclico en forma de ola pasando por cero varias
veces, la serie no es estacionaria y debe ser diferenciada una o mas
veces antes de ser modelada con un proceso autoregresivo.
3. Si las autocorrelaciones simples exhiben estacionalidad, es decir,

existen picos de autocorrelacin cada doce periodos (si los datos son
mensuales) de rezagos, la serie no es estacionaria, por lo que debe ser
diferenciada con una holgura aproximadamente igual a los intervalos
estacionales antes de que se adentre en los modelos.
4. Si la autocorrelacin simple decrece de manera exponencial pero se

acerca a cero de manera gradual, y mientras las autocorrelaciones
parciales son significativamente diferentes de cero a travs de
nmeros pequeos de rezago mas all de aquellos que no son
significativamente diferentes de cero, la serie debera ser modelado
con un proceso autoregresivo.
5. Si la autocorrelacin simple decrece de manera exponencial pero se

acerca a cero de manera gradual, y mientras las autocorrelaciones
parciales son significativamente diferentes de cero a travs de
nmeros pequeos de rezago mas all de aquellos que no son
significativamente diferentes de cero, la serie debera ser modelado

con un proceso de promedios mviles.
6. Si la autocorrelacin parcial y simple se encuentran por arriba de

cero con rezagos sucesivos grandes, pero ninguna de las dos alcanza
cero despus de cualquier rezago especifico, la serie deber ser
modelada bajo una combinacin de los procesos autoregresivo y de
promedios mviles.
Las figuras siguientes muestran el comportamiento de autocorrelacin y

autocorrelacin parcial para los modelos AR(1), respectivamente,
De forma similar, para los modelos AR(2), el comportamiento de

autocorrelacin y autocorrelacin parcial son representados a continuacin:
Ajustando la Estimacin de la Inclinacin para la Anchura de las Series

de Tiempo: El coeficiente de regresin se basa en modelos autoregresivos
obtenidos mediante el Anlisis de Regresin de los Mnimos Cuadrados. En
el caso de AR(1), la tendencia es -(1 + 3 1) / n, de donde n es el nmero de
observaciones utilizadas para estimar los parmetros. Obviamente, para
grupo de datos grandes estas tendencias son insignificantes.
Condicin Estacionaria: Note que un proceso autoregresivo ser estable

solo si los parmetros se encuentra dentro de un rango especfico, por
ejemplo, en AR(1), la pendiente debe estar dentro del intervalo abierto (-1,
1). De lo contrario, los efectos pasados estaran acumulados y los valores
sucesivos se haran ms grandes (o ms pequeos); es decir, las series no
serian estacionarias. Para ordenes mas grandes, restricciones similares de los
valores de los parmetros pueden ser satisfechas.
Condicin de Inevitabilidad: Sin la intencin de ir a mucho mas detalles,

existe una "dualidad" entre una serie de tiempo dada y el modelo de
autoregresin que la representa; es decir, la serie de tiempo equivalente
puede ser generada por el modelo. Los modelos de AR siempre son
invertibles. Sin embargo, de manera anloga al la condicin de
estacionalidad descrita anteriormente, existen ciertas condiciones para la

inversin de los parmetros de PM de la Box-Jenkins.
Pronstico: Las estimaciones de los parmetros son usadas en el pronstico

para calcular nuevos valores de la serie, mas alla de los incluidos como datos
de entrada y los intervalos de confianza para la prediccion de esos valores.
Un Ejemplo Numrico Ilustrativo: El analista de la compaa Aron tiene

informacin de una serie de tiempo sobre las ventas mensuales, las cuales
deben ser pronosticadas. Los datos son mostrados a continuacin en la
siguiente tabla:
Ventas Mensuales de la Compaa Aron (en miles de US$)

t X(t) t X(t) t X(t) t X(t) t X(t)
1 50,8 6 48,1 11 50,8 16 53,1 21 49,7

2 50,3 7 50,1 12 52,8 17 51,6 22 50,3
3 50,2 8 48,7 13 53,0 18 50,8 23 49,9
4 48,7 9 49,2 14 51,8 19 50,6 24 51,8
5 48,5 10 51,1 15 53,6 20 49,7 25 51,0
Mediante la construccin y el estudio de los datos se puede observar que la

serie se mueve por arriba y por debajo de la media de 50, 6. Mediante el uso
del JavaScript Proceso de Identificacin de Series de Tiempo se puede
obtener una impresin de que la autocorrelacin y autocorrelacin simple
confirman que la serie de tiempo es estacionaria y que un modelo de
autocorrelacin de primer orden (p =1) es un buen candidato.
X(t) = 0 + 1X(t-1) + t,
de donde t es una seri de Ruido Blanco.
Condicion de Estacionalidad: El AR(1) es estable si la pendiente se

encuentra dentro del intervalo (-1, 1), es decir:
| 1| 1
es expresada como una hiptesis nula H0 la cual debe ser probada antes de la
etapa de pronstico. Para probar la hiptesis, debemos sustituir la prueba t
utilizada en el anlisis de regresin para probar la pendiente con la prueba de
introducida por los economistas Dickey y Fuller. Esta prueba es encontrada
en el JavaScript Modelando Series de Tiempo Autoregresivas.
El modelo estimado de AR(1) es:

X(t) = 14,44 + 0,715 X(t-1)
Los prximos tres pasos del pronstico son:
X(26) = 14,44 + 0,715 X(25) = 14,44 + 0,715 (51,0) = 50,91

X(27) = 14,44 + 0,715 X(26) = 14,44 + 0,715 (50,91) = 50,84
X(28) = 14,44 + 0,715 X(27) = 14,44 + 0,715 (50,84) = 50,79
Note: Como siempre es necesario construir el grfico calcular los

estadsticos y comprobar si es estacionaria tanto como en media como en
varianza, as como tambin la prueba estacionalidad. Para varias seruies de
tiempo se debera realizar diferenciacin, la transformacin de los datos y /o
desestacionalitizacin antes de utilizar este JavaScript.
Modelando Series de Tiempo Financieras
Intentamos "modelar" lo que la realidad consiste de modo que podamos

predecirlo. El Modelado Estadstico, adems de tener la importancia central
en la toma de decisiones estadstica, es crtico en cualquier esfuerzo, ya que
esencialmente todo es un modelo de la realidad. De esta forma, el
modelamiento tiene aplicaciones en diferentes campos tales como mercadeo,
finanzas, y comportamiento organizativo. En particular, se obliga al
modelado de econometra, porque, a diferencia de la mayora de las
disciplinas (como la Economa Normativa), la econometra trata slo con
hechos demostrables, y no con creencia y opiniones.
El anlisis de series de tiempo es una parte incorporada del anlisis

financiero. El tema es interesante y til, con aplicaciones en la prediccin de
tasas de intereses, riesgo de divisas, volatilidad de bolsas de valores, y otros
por el estilo. Existen muchas variedades de tcnicas de multivariacin
aleatoria y econometra. Algunos ejemplos especficos son la regresin de
multivariacin aleatoria y la regresin; autoregresiones de vectores; y
pruebas de co-integracin en modelos de clculo de valor actual. La
siguiente seccin presenta la teora subyacente en la cual los modelos
estadsticos enseados.
Modelos Financieros: Los modelos economtricos son fundamentales en

las finanzas y en el anlisis de series de tiempo financieras. El modelado es
simplemente la creacin de representaciones de la realidad. Es importante
ser consciente de que a pesar de la importancia del modelo, esto es de hecho
slo una representacin de realidad y no la realidad en s misma. En
consecuencia, el modelo debe adaptarse a la realidad; es simplemente vano
intentar adaptar la realidad al modelo. Como simples representaciones, los
modelos no pueden ser exactos. Los modelos implican que la accin es
tomada slo despus del razonamiento y la cuidadosa reflexin. Esto podra

tener consecuencias principalmente en el reino de las finanzas. Un elemento
clave para planificacin financiera y el pronstico financiero es la capacidad
de construir modelos mostrando los datos financieros interrelacionados. Los
modelos mostrando correlacin o causalidad entre variables pueden ser
usados para mejorar la toma de decisiones financiera. Por ejemplo, se estara
ms preocupado por las consecuencias en la bolsa de valores domstica de
un descenso en algn otra economa fornea, si puede ser mostrado que
existe un impacto matemticamente demostrable de los efectos causados por
la economa externa en la bolsa de valores domstica. Sin embargo, el
modelado esta lleno de peligros. Un modelo que antes era vigente puede
perder la validez debido a cambios en las condiciones, haciendo una
representacin inexacta de la realidad y afectando negativamente la
capacidad de los gerentes para tomar la mejor decisin disponible.
Los ejemplos de variantes aleatorias y de regresiones aleatorias

multivariantes, autoregresin de vector, y la co-integracin del valor actual
ilustran algunas de las aplicaciones del modelado, lo cual es una dimensin
vital en la toma de decisiones gerenciales, en la econometra, y
expresamente en el estudio de series de tiempo financieras. La naturaleza
demostrable de modelos economtricos es impresionante; ms que ofrecer
soluciones a problemas financieros basados en intuicin o convencin, se
podra demostrar matemticamente si un modelo es o no es vlido, o si
requiere alguna modificacin. Adicionalmente, puede ser observado que el
modelamiento es un proceso iterativo, dado que los modelos deben cambiar
continuamente para reflejar la realidad la cual no es constante. La capacidad
de realizar estas tareas tiene ramificaciones asombrosas en el reino
financiero, donde la posibilidad de los modelos para predecir exactamente
serie de tiempo financiera est directamente relacionada con la capacidad del
individuo o firma para obtener beneficios en diferentes escenarios
financieros.
Modelos Univariantes y Multivariantes: El uso del anlisis de regresin es

ampliamente utilizado en la examinacin de series de tiempo financieras.
Entre algunos ejemplos se encuentran el uso de las tasas de variacin de
monedas extranjeras como pronosticadores ptimos para las tasas de
referencia; la varianza condicional y la prima de riesgo en los mercados
cambiarios extranjeros; y las tasas de retorno y volatilidad de las acciones
burstiles. Un modelo que ha sido utilizado de manera exitosa en este tipo de
aplicaciones es el llamado modelo GARCH-M, el cual incorpora los
clculos de la media dentro del modelo GARCH (autoregressive conditional
heteroskedastic = condicional autoregresivo generalizado de
Heterocedasticidad.) Quizs esta definicin suene compleja y esotrica, pero
esto simplemente significa que los errores de series correlacionados y la
varianza condicional introducen el clculo de la media, y que la varianza
condicional en si misma depende del vector de variables explicativas. El
modelo GARCH-M ha sido modificado en muchas oportunidades en las
pruebas realizadas por los practicantes de las finanzas debido a la necesidad

de adaptarlo a los cambios de la realidad. Por ejemplo, ahora este modelo
puede manejar funciones exponenciales (no lineales), adems de que ya no
esta limitado a tratar con parmetros no negativos solamente.
Una de las aplicaciones de este modelo es el anlisis de las tasas de retorno y

volatilidad de las acciones burstiles. Tradicionalmente se cree que la
varianza en el retorno de inversin es la primera medida de riesgo para los
inversionistas. Sin embargo, usando datos extensos de serie de tiempo, se ha
comprobado que la relacin entre los retornos de la media y los retornos de
la varianza o desviacin estndar es dbil; de aqu se deriva que los modelos
de dos parmetros para la estimacin de precios no son apropiados, y las
pruebas matemticas sustituyen esta aseveracin. Dado que las decisiones
presupuestas en los modelos originales son necesariamente sub ptimas
porque la premisa original es desechada, es ventajoso para la gente de
finanzas abandonar el modelo por uno que tenga una representacin ms
exacta de la realidad.
La especificacin correcta del modelo es de importancia suprema, para ello

se han desarrollado un conjunto de pruebas para los criterios que determinan
la errnea especificacin del mismo. Estas incluyen la prueba de
normalidad, linealidad y homocedasticidad, las cuales pueden ser aplicadas
en una gran variedad de modelos. Un ejemplo simple, el cual arroja
resultados sorprendentes en el Modelo de Precios de Activos de Capital
(MPAC) y es uno de las bases de la economa, es la aplicacin de criterios
de evaluacin de datos concernientes a la prima de riesgo de compaas que
muestran evidencia significativa de no-linealidad, no-normalidad y
parmetros no constantes. Se encontr que el MPAC poda ser aplicable
solamente en tres de las diecisiete compaas que fueron analizadas. Sin
embargo esto no significa que el MPAC debe ser rechazado repetidamente,
el mismo tiene un gran valor como herramienta pedaggica. Para los
econometristas y profesionales de finanzas, para los cuales la falta de
especificacin del modelo puede conllevar a decisiones financieras sub
ptimas, el modelo MPAC debe ser sustituido por uno mejor,
especficamente uno que muestre la la naturaleza de la variacin temporal de
los betas. El marco de los modelos GARCH-M es uno de ellos.
Los modelos de regresin de multivariacin aplican al mismo marco

conceptual. La diferencia principal es que se reemplaza una variable
dependiente por un vector. La teora de estimacin es esencialmente una
extensin de la de multivariacin desarrollada por el de univariacin, tal que
puede ser utilizado para evaluar modelos de volatilidad de acciones
burstiles y de CAPM. En el caso de CAPM, el vector introducido es el
exceso en el retorno de activos a un momento designado. Una aplicacin es
el clculo del CAPM con covarianzas cambiantes a travs del tiempo. A
pesar de que en este ejemplo la hiptesis nula de que todas las
interceptaciones son cero no puede ser rechazada, los problemas de ausencia
de especificacin del modelo de invariacin todava permanecen. La

estimacin de la pendiente y la interceptacin tambin permanecen igual
dado que la misma regresin aparece en cada ecuacin.
Vector de Autoregresin: Los modelos generales de regresin asumen que

la variable dependiente es una funcin sus mismos valores pasados, y de los
valores pasados y presentes de la variable independiente. Por los tanto, la
variable independiente es dbilmente exgena dado que contiene una
estructura estocstica que no suministra informacin para la estimacin de
los parmetros de inters. Mientras que la debilidad de ser exgena permita
estimaciones eficientes de los parmetros de inters sin ninguna referencia
de su propia estructura estocstica, problemas en la prediccin de las
variables dependientes podran incrementar si la "reaccin" de las variables
dependientes a las independientes se desarrolla a travs del tiempo. (Cuando
no existe este tipo de reacciones, se dice que la variable dependiente no
causa Granger en la variable independiente.) Una exogenidad dbil
acompaada de no-causalidad de Granger genera fuerte exogenidad, el cual,
a diferencia de la exogenidad dbil, es directamente evaluable. Para realizar
las pruebas requeridas para la utilizacin del Modelo de Ecuacin Dinmica
Estructural (MEDE) y el Proceso de Vector Autoregresivo (VAR). Por lo
tanto el modelo de regresin multivariante es extendido en dos direcciones,
permitiendo simultaneidad entre las variables exgenas y las variables
dependientes, y explcitamente considerando el proceso de generacin de
variables independientes exgenas
Los resultados de estas pruebas son tiles en la determinacin de si una

variable independiente es estrictamente exgena o predeterminada. La
exogenidad estricta puede ser evaluada en el MEDE expresando cada
variable endgena como un rezago distribuido infinitamente de la variable
exgena. Si la variable independiente es estrictamente exgena, la atencin
se puede limitar a la distribucin condicional de las variables independientes
sin perdida de informacin, resultando en una simplificacin de la inferencia
estadstica. Si la variable independiente es exgena y adems
predeterminada, significa que todos sus valores pasados y actuales son
independientes de los trminos actuales de error. Mientras que la exogenidad
estricta se encuentra bastante relacionada al concepto de no-causalidad, los
dos conceptos no son equivalentes, ni son intercambiables.
Algo puede ser observado de este tipo de anlisis y es que es til en la

verificacin de que un modelo es apropiado as como tambin para probar
que, en algunos casos, el proceso de inferencia estadstica puede ser
simplificado sin sacrificar precisin, por consiguiente tanto la fortaleza
como la credibilidad del modelo incrementa la eficiencia del proceso de
modelamiento. Los vectores de autoregresin pueden ser utilizados para
calcular otras variaciones de causalidad, incluyendo causalidad instantnea,
dependencia lineal, y medicin de reaccin desde las variables dependientes
a las independientes y viceversa. Es posible avanzar a otros procedimientos
con las pruebas de causalidad, pero estudios de simulacin ya realizados,

han alcanzado el consenso de que la combinacin mas eficiente entre
confiabilidad y facilidad puede ser obtenida mediante el procedimiento
descrito anteriormente.
Modelamiento de Co-Integracin y Valor Presente: Los modelos de valor

presente son extensamente utilizados en finanzas para formular modelos de
eficiencia en los mercados. En trminos generales, un modelo de valor
presente para dos variables y1 y x1, establece que y1 es una funcin lineal
del valor presente descontado del valor futuro esperado de x1, de donde el
termino constante, el factor de descuento constante, y el coeficiente de
proporcionalidad son conocidos o necesitan ser estimados. No todas las
series de tiempo financieras son no-integradas; la presencia de variables
integradas afecta los resultados de la regresin estndar y los procesos de
inferencia. Adicionalmente las variables podran estar co-integradas, lo que
implica la sper imposicin de vectores de co-integracin en el modelo, y
resultando en circunstancias bajo las cuales el concepto de equilibrio pierde
todas las implicaciones prcticas, por lo que podran ocurrir regresiones
falsas. En el anlisis de valor presente, la co-integracin puede ser utilizada
para definir la "extensin terica" y para identificar los movimientos
comunes entre variables. Es bastante til en la construccin de la pruebas
basadas en volatilidad.
Una prueba de referencia es la volatilidad de los mercados burstiles.

Asumiendo la co-integracin, se construyen los vectores autoregresivos de
segundo orden, los cuales sugieren que los cambios en dividendos no son
fcilmente predecibles, pero son Granger-causados por la extensin. Cuando
el valor de la tasa de descuento asumida es incrementado, algunas
restricciones pueden ser rechazadas a un bajo nivel de significancia. Este
resultado muestra un "exceso de volatilidad" mucho mas pronunciado que el
obtenido en el modelo de valor presente. Adicionalmente, muestra que el
modelo es mas apropiado en situaciones donde la tasa de descuento es mas
alta. Las implicaciones de utilizar un acercamiento de co-integracin a las
pruebas de volatilidad de los mercados burstiles son significativas para los
gerentes de finanzas. De una significancia relacionada proviene la habilidad
de probar las hiptesis de expectativas de los trminos estructurales de las
tasas de inters.
El error medio absoluto es una fuerte medida de error. Sin embargo, se

podra utilizar la suma de los errores para comparar el xito de cada modelo
de pronstico en relacin a la lnea de fondo, tal como un modelo de camino
aleatorio, el cual normalmente utiliza modelos financieros de series de
tiempo.
Econometra y Modelos de Series de Tiempo

Los modelos economtricos estn compuestos por modelos de regresiones

simultneas con aplicaciones a reas tales como Economa Industrial,
Agricultura, Regulaciones y estrategia Corporativas. Los modelos de series
de tiempo requieren un numero grabnde de observaciones (mas de 50.)
Ambos modelos han sido utilizados de manera exitosa en aplicaciones de
negocios, abarcando un rango que va desde micro hasta macro estudios,
incluyendo finanzas y crecimiento endgeno. Entre otros acercamientos al
modelamiento se encuentran los modelos estructurales y clsicos como el
acercamiento de la Box-Jenkins, el anlisis de co- integracin, y los modelos
probabilsticos generales de micro econometra; como el Logit, y Probit,
panel de datos secciones cruzadas. Los modelos economtricos estudian los
asuntos relacionados a la causalidad; por ejemplo, identificando la relacin
causal entre un resultado y el grupo de factores que podran haber generado
ese resultado. En particular, esto hace este concepto operacional en series de
tiempo y en modelos exgenos
Ecuaciones Simultaneas
La especificacin emprica tpica en economa o finanzas es un modelo de

una sola ecuacin el cual asume que las variables explicativas no son
estocsticas e independientes del termino de error.
Esto permite al modelo ser estimado por el anlisis de Regresin de

Mnimos Cuadradas (RMC) este tipo de modelos no dejan dudas de la
direccin de causa asumida, es decir, corre directamente desde las variables
explicativas hacia las variables dependientes de la ecuacin.
El anlisis de RMC esta destinado a ajustar una ecuacin simple de

regresin. En la prctica, la mayora de las relaciones econmicas
interactan entre sistemas de ecuaciones simultaneas, y cuando es te es el
caso, la aplicacin de del RMC a una simple relacin aislada, conlleva a
estimaciones influenciadas. Por lo tanto, es importante mostrar como es
posible utilizar el RMC para obtener estimaciones consistentes de los
coeficientes de una relacin.
La estructura general de un modelo de ecuaciones simultaneas consiste en

una serie de ecuaciones independientes con variables endgenas y exgenas.
Las variables endgenas son determinadas dentro del sistema de ecuaciones.
Las variables exgenas o como se conocen generalmente, las variables pre-
determinadas, ayudan a describir el movimiento de las variables endgenas
dentro del sistema, o son determinadas fueras del modelo.
Aplicaciones: Sistemas de ecuaciones simultaneas constituyen un tipo de

modelos donde algunas de las variables econmicas son determinadas
conjuntamente. El ejemplo tpico en los textos de econometra es el modelo
de oferta y demanda de bienes y servicios. La interaccin entre la oferta y la

demanda presiona al modelos a determinar de manera conjunta el precio y
cantidad de producto de equilibrio dentro del mercado. Debido a la
correlacin potencial existente entre las variables del lado derecho de las
ecuacin que incluye el termino de error, no tiene sentido continuar
hablando sobre variables dependientes e independientes. Por lo tanto,
hacemos la distincin entre variables endgenas y exgenas.
La estimacin de ecuaciones simultaneas no se limita al modelo de oferta y

demanda. Existen muchas mas aplicaciones tales como el modelo de gasto
es consumo, el impacto de presiones proteccionistas en los modelos de
cambio y tasa de inters. Los modelos de ecuaciones simultaneas tienen
aplicaciones naturales en la literatura de la banca y finanzas debido a la
determinacin conjunta del riesgo, retornos en inversin y la relacin de
transformacin entre los depsitos y los activos bancarios.
Ecuaciones Estructurales y de Forma Reducida: Considere el siguiente

modelo Keynesiano para la determinacin del ingreso agregado basado en
una funcin de consumo y una identidad de ingreso:
C = 1 + 2Y +
Y = C + I,
Donde:
C es el gasto en consumo agregado en el perodo de tiempo t,

I es la inversin agregada en el perodo t,
Y es el ingreso agregad en el periodo t, y
es el trmino de turbulencia (error) con media cero y varianza constante.
Estas ecuaciones son llamadas Ecuaciones Estructurales las cuales

proporcionan una estructura de cmo la economa funciona. La primera
ecuacin es la de consumo la cual relaciona el gasto con el ingreso. El
coeficiente 2 es la propensin marginal a consumir, la cual es
verdaderamente til si podemos estimarla. Para este modelo, C e Y son las
variables endgenas. El resto de las variables son llamadas exgenas, tales
como la inversin I. Note que deben existir tantas ecuaciones como variables
endgenas.
Ecuaciones de Forma Reducida: Dada la condicin de que I es exgena, se

deriva la ecuacin forma reducida para C e Y.
Sustituyendo por Y en la primera ecuacin,
C = 1 + 2 (C + I) + .
Por lo tanto,
C = 1 / (1 - 2) + 2 I / (1 - 2) + / (1 - 2),
Y = 1 / (1 - 2) + I / (1 - 2) + / (1 - 2),
Ahora podemos utilizar el anlisis de RMC para estimar esta ecuacin. Esto
es totalmente permisible porque la inversin y el trmino de error no estn
correlacionados dado el hecho de que la inversin es exgena. Sin embargo,
utilizando la primera ecuacion se puede obtener una pendiente estimada 2 /
(1 - 2), mientras que la segunda ecuacin proporciona otra estimacin de 1 /
(1 - 2). Por lo tanto, tomando los ratios de estas formas reducidas, las
pendientes proporcionaran una estimacin de para .
Una Aplicacin: la tabla siguiente proporciona los datos de consumo de

capital, e ingreso domstico en US$ para 33 paises en el ao 1999.
Pas C I Y Pas C I Y
Corea del
Australia 15024 4749 19461 4596 1448 6829
Sur
Austria 19813 6787 26104 Luxemburgo 26400 9767 42650
Blgica 18367 5174 24522 Malasia 1683 873 3268
Canada 15786 4017 20085 Mexico 3359 1056 4328
China 446 293 768 Holanda 17558 4865 24086
Nueva
China-HK 17067 7262 24452 11236 2658 13992
Zelanda
Dinamarca 25199 6947 32769 Noruega 23415 9221 32933
Finlandia 17991 4741 24952 Pakistn 389 79 463
Francia 19178 4622 24587 Filipinas 760 176 868
Alemania 20058 5716 26219 Portugal 8579 2644 9976
Grecia 9991 2460 11551 Espaa 11255 3415 14052
Islandia 25294 6706 30622 Suecia 20687 4487 26866
India 291 84 385 Suiza 27648 7815 36864
Indonesia 351 216 613 Tailandia 1226 479 1997
Irlanda 13045 4791 20132 Reino Unido 19743 4316 23844
Italia 16134 4075 20580 EEUU 26387 6540 32377
Japn 21478 7923 30124
Mediante la implementacin del JavaScript de Anlisis de Regresin, dos

veces, una para (C e I), y la otra para (Y e I), el coeficiente estimado 2
obtenemos que la propensin marginal es 0,724.
Intervalo de Prediccin para una Variable Aleatoria

In muchas aplicaciones de la estadstica para negocios, tales como los

pronsticos, se esta interesado en la construccin de intervalos estadsticos
para variables aleatorias en vez de un parmetro de una distribucin
poblacional. Por ejemplo, digamos que X es una variable aleatoria con
distribucin normal, con una media estimada y desviacin estndar S, por
lo tanto el intervalo para la media muestral con nivel de confianza de
100(1- )% es:
- t . S (1 + 1/n) , + t . S (1 + 1/n)
Este es el rango para una variable aleatoria con 100(1- )% de confianza,

utilizando la tabla t. Descansando en la condicin de normalidad para la
prediccin de la media muestral, se requiere que el tamao de la muestra n
sea mayor a 30.
Mtodo de II Censo de Anlisis de Estacionalidad
El II Censo es una variante de X-11. El procedimiento X11 proporciona

ajustes estacionales en series de tiempo utilizando el Censo X-11 el mtodo
ARIPM X-11. El procedimiento X11 se basa en el programa de ajuste de la
Oficina de Censo de los EEUU X-11 (US Bureau of the Census), y tambin
respalda el mtodo ARIPM X-11 desarrollado por Canad Estadsticas
(Statistics Canada.)
Mediciones para la Exactitud
El mtodo mas sencillo para evaluar la exactitud de un pronstico es plotear

los valores observados y el pronstico de un periodo adelantado en la
identificacin de comportamientos residuales a travs del tiempo.
Las medidas estadsticas de error mas utilizadas, las cuales pueden ayudar a
identificar un mtodo o valores ptimos de los parmetros dentro de un
mtodo son:
Error Medio Absoluto: El valor del error absoluto medio (EAM) es el valor
average del error absoluto. Mientras este valor se encuentre mas cerca de
cero, mejor ser el pronstico.
Error Medio al Cuadrado (EMC): Es la suma (o average) de los valores

de errores al cuadrado. Este es el indicador de ausencia de ajuste mas
utilizado en los procedimientos de ajuste estadstico. Esta medida es muy
sensitiva a cualquier outlier en comparado con el error medio absoluto; esto
es, valores atpicos grandes tendrn un impacto importante en el valor de
EMC.
Error Absoluto de Porcentaje Relativo (EAPR): Esta medida descansa en

el valor de error sin considerar las magnitudes de los valores observados. El
EAPR es calculado como el promedio de los valores de APE:
Error Absoluto de Porcentaje Relativo t = 100|(Xt - Ft )/Xt|%
El Estadstico de Durbin-Watson cuantifica la correlacin serial de los

errores en el anlisis y pronstico de las series de tiempo. El estadstico D-W
esta definido por:
Estadstico D-W = 2n (ej - ej-1)2 / 1n ej2,

de donde ej es el j-simo error. D-W toma valores entre [0, 4]. Para
correlaciones no en serie, es esperado un valor cercano a 2. Con una
correlacin serial positiva, las desviaciones adyacentes tienden a tener el
mismo signo; por lo tanto el D-W se transforma a menor que 2; sin embargo
con una cortrelacion serial negativa, alternando los signos de error, el D-W
toma valores mayores a 2. Para pronsticos donde el valor de D-W es
significativamente diferente de 2, las estimaciones de la varianza y la
covarianza de los parmetros del modelo pueden estar en error, podran ser o
muy grandes o muy pequeos.
En la medicin de la precisin del pronstico se debera determinar primero

la funcin de prdida y de all, una medida conveniente de precisin. Por
ejemplo, la funcin cuadrtica de prdida implica el uso del EMC. Por lo
general tenemos muy pocos modelos para hacer comparaciones, por lo que
tratamos de escoger el "mejor". Por lo tanto se debe tener mucho cuidado al
estandarizar los datos y los resultados de manera de que un modelo de
varianza grande no 'ensucie' el otro modelo.
Una Aplicacin: La tabla siguiente muestra un conjunto de datos con

algunas medidas de precisin:
Perodos Observaciones Predicciones

1 567 597
2 620 630
3 700 700
4 720 715
5 735 725
6 819 820
7 819 820
8 830 831
9 840 840
10 999 850
Algunas Medidas de Precisin Comnmente Usadas

Error Absoluto Medio 20,7
Error Relativo Medio(%) 2,02
Desviacin de los Errores Estndar 50,91278
Estadstico de Theils 0,80
Estadstico de Mc Laughlins 320,14
Estadstico de Durbin-Watson 0,9976
A usted podra gustarle comprobar sus clculos utilizando el JavaScript

Midiendo la Precisin, y luego realizar algunas experimentaciones
numricas para una compresin mas profunda de estos conceptos.
El Mejor Momento para Reemplazar Equipos
La actividad o funcionamiento de casi todo desciende con los aos. Un

ejemplo, las maquinarias. A pesar de que el mantenimiento rutinario puede
mantener los equipos trabajando eficientemente, llega un momento en el
cual el costo de reparacin es muy elevado, y es menos costoso comprar un
reemplazo.
Ejemplo Numrico: La tabla siguiente muestra el costo de reemplazar una

maquinaria con valor de $100000, el valor esperado de re-venta, junto a los
costos por cada ao (en miles de US$).
Datos para la Decidir el Ao de Reemplazo de un

Equipo
Antigedad de la
0 1 2 3 4 5
Maquinaria
Valor de Re-venta 100 50 30 15 10 5
Costos Corrientes 0 5 9 15 41 60
El gerente debe decidir cual es el mejor momento para reemplazar la

maquinaria. Los aspectos computacionales se encuentran ordenados en la
tabla siguiente:
Aspectos Computacionales y de Anlisis

Antigedad de la Maquinaria 1 2 3 4 5
Costos Corrientes Acumulados 5 14 29 70 130
Costos de Capital ($100 costo de re-
50 70 85 90 95
venta)
Costo Total con respecto a la
55 84 114 160 225
Antigedad
Costo Promedio con respecto a la
55 42 38 40 45
Antigedad
El anlisis de ploteo del costo promedio con respecto a la antigedad indica

que tiene una forma de parbola tal y como se con un costo mnimo anual de
$38000. Esto corresponde a la decisin de reemplazar la maquinaria al final
del tercer ao.
Representacin Matemtica: Podemos construir un modelo matemtico

para el costo promedio como funcin de la antigedad..
Sabemos que queremos una funcin cuadrtica la cual proporciona es la mas

ajustable, podramos utilizar el JavaScript de la Regresin Cuadrtica para
estimar sus coeficientes. El resultado es:
Costo promedio con respecto al tiempo = 3000(Ao)2 -20200(Ao) + 71600,

para 1 Ao 5.
Su derivada es: 6000(Ao) - 20200 la cual, desaparece al ao = 101/30. Esto

implica que el mejor ao o momento para reemplazar la maquinaria es al
tercer ao con 4,4 meses.
A usted podra gustarle utilizar el JavaScript de Periodo Optimo para

Reemplazar para comprobar sus clculos y realizar algunas
experimentaciones para una comprensin mas profunda.
Anlisis de Pareto: El ABC para la Clasificacin de Inventarios
Vilfredo Pareto fue un economista italiano que not que 80% de la riqueza
estaba poseda por solo el 20% de la poblacin. El anlisis de Pareto ayuda a
elegir cual es el cambio ms efectivo para hacer. El uso del principio
paretiano se ejemplifica en el hecho de que haciendo solo el 20% del trabajo
genera las ventajas del 80% de su totalidad. El anlisis de Pareto es una
tcnica formal para encontrar los cambios en inventarios que generaran los
beneficios ms altos. Este anlisis es muy til donde existen muchos
caminos de accin compitiendo para ser seleccionados. Para comenzar el
anlisis, escriba una lista de cambios de inventarios que se podran realizar.
Si se tiene una lista larga, agrpelas en cambios relacionados entre s, luego

ubquelas de acuerdo al orden de importancia. El primer cambio que se
mezcla o realiza es el que tiene el mas alto resultado o importancia, el cual
proporcionar el mayor beneficio en el caso de ser resuelto. Las opciones
con los resultados ms bajos probablemente no tendrn ningn valor el
resolverlas porque quizs podran costar ms las soluciones que su mismo
valor.
Aplicaciones del ABC para la Clasificacin de Inventarios: El objetivo es

clasificar los inventarios con cierta medida de importancia y asignar los
esfuerzos de control respectivos. Un aspecto importante de este sistema de
control de inventarios es el grado de necesidad de monitoreo. Los volmenes
de demanda y los valores unitarios varan; por lo tanto, los inventarios
pueden ser clasificados de acuerdo su valor para determinar cuanto control
es aplicado.
El proceso de clasificacin es como sigue a continuacin: Determinar el uso

anual en dlares para cada artculo; es decir, la demanda anual por el costo
de cada artculo, y luego ordenarlos en orden decreciente. Calcule el uso
total n dlares. Calcule el porcentaje (%) de dlares usados en cada artculo.
Ordene los artculos en tres clases de acuerdo al porcentaje en dlares
utilizados:
A = Muy Importante, B = Moderadamente Importante, y C = Menos
Importante.
Ejemplo Numrico: Considere una pequea tienda que tiene nueve tipos de
productos con los siguientes costos y niveles de demanda anual:
Nombre del
P1 P2 P3 P4 P5 P6 P7 P8 P9
Producto
Costo ($100) 24 25 30 4 6 10 15 20 22
Demanda Anual 3 2 2 8 7 30 20 6 4
Calcule el uso anual de cada producto en trminos de dlares, y luego

ubique los valores numricos en orden decreciente, as como es mostrado en
la tabla siguiente. El uso anual total de acuerdo a sus respectivos valores es
1064.
Uso Anual por Valor 300 300 120 88 72 60 50 42 32

Nombre del Producto P6 P7 P8 P9 P1 P3 P2 P5 P4
% de Uso Anual 28 28 11 8 7 6 5 4 3
Categora A B C
Trabajando de arriba hacia debajo de la tabla, se determina el porcentaje de

(%) de dlares gastados en cada artculo. Esta fila describe el
comportamiento de la funcin de distribucin acumulativa, donde se
determina el cambio de una categora a la siguiente. Seleccione los artculos
en tres categoras de acuerdo al porcentaje de gastos en dlares: A= Muy
importante, B= Moderadamente importante y, C= Menos importante.
El JavaScript del ABC para la Clasificacin de Inventarios construye una

funcin de distribucin emprica acumulativa (FDEA) como una
herramienta de medicin y como un proceso de decisin del ABC para la
clasificacin de inventarios. La figura siguiente representa la clasificacin
basada en la FDEA del ejemplo numrico:
A pesar de toda esta informacin, la determinacin de los lmites entre las

categoras de los artculos o productos es con frecuencia subjetiva. Para
nuestro ejemplo, los artculos en la Clase A requieren controles de inventario
bien rigurosos, el cual es mejor para pronsticos ms exactos, mejor control
de registros, y menor nivel de inventarios mientras que los artculos en la
Clase C tienden a tener menos control.
A usted podra gustarle utilizar el JavaScript del ABC para la Clasificacin

de Inventarios para comprobar sus clculos manuales.
Anlisis de Costo/ Beneficio: La Cantidad Econmica

El anlisis de costo beneficio es un proceso para encontrar buenas respuestas

a las preguntas siguientes: Dada una evaluacin de costos y beneficios
realizada por un gerente, Cul seria la opcin recomendada? El anlisis de
costo beneficio envuelve los siguientes pasos generales: Especificar una lista
de todos los cursos de accin posibles. Asignar un valor (positivo o
negativo) para los resultados de cada accin a tomar, y calcular la
probabilidad de cada resultado. Calcular el resultado esperado para cada
accin o procedimiento. Tomar el procedimiento que proporcione el mejor
resultado esperado.
Aplicacin de la Determinacin de la Cantidad Econmica: El anlisis

de costo beneficio es normalmente utilizado en economa para las estrategias
ptimas de produccin. Los costos son la preocupacin principal porque
cada unidad adicional que se agrega al total incrementa los mismos. Luego
de comenzar la produccin y por lo tanto los costos asociados, El costo
marginal de producir una unidad adicional es constante o incrementa en
proporcin al incremento de las unidades producidas. Cada unidad de
producto adicional tiende a costar tanto o mas que la unidad anterior. En
cierto punto, el costo adicional de una unidad extra de producto sobrepasar
los beneficios adicionales.
La mejor estrategia puede ser encontrada mediante el uso de un diagrama,

mediante el cual de plotean los valores de costos y beneficios en el eje
horizontal y eligiendo el punto donde la distancia entre ambos es mayor, as
como es mostrado en la figura siguiente:
Alternativamente, se podra plotear el beneficio neto y encontrar la cantidad

optima donde este es mximo, as como es representado en la siguiente
figura:
Finalmente, se podran plotear las curvas de beneficio marginal y costo

marginal y escoger el punto donde se interceptan, as como se muestra en la
figura siguiente:
Note que, porque las "ganancias netas" estn definidas como (beneficios -
costos), en el punto mximo su derivada desaparece; por lo tanto, la
pendiente de las ganancias mximas es cero en el punto de cantidades de
produccin optimas. Para determinar la distancia mxima entre dos curvas,
se enfoca en el cambio incremental o marginal de una curva en relacin con
la otra. Si el beneficio marginal de producir una unidad adicional es mayor a
su costo marginal, producir mas es una buena estrategia. Si el beneficio
marginal de producir una unidad adicional es menor que su costo marginal,
producir no seria una buena estrategia. En el punto mximo, el beneficio
adicional simplemente compensara el costo marginal; por lo tanto, no existe
cambio en las ganancias netas, es decir, la cantidad optimas es donde el
Beneficio marginal = Costo marginal
A usted podra gustarle utilizar el JavaScript de Regresin Cuadrtica para

estimar las funciones de costo y beneficio basadas en un conjunto de datos
dados.
Herramientas de Modelamiento para el Control de Inventarios
Controles de inventarios esta referido a la minimizacin de los costos totales

en inventarios. En el Reino Unido este trmino es tambin llamado control
de stock o almacn. Los tres factores principales en el proceso de toma de
decisiones en el control de inventarios son:
El costo de mantener inventarios en stock; es decir, basado en la tasa

de inters.
El costo de reemplazar una orden; es decir, para el stock de materia

prima, o la formulacin de los costos de produccin.
Los costos por escasez; es decir, lo que se pierde en trminos

monetarios si el stock es insuficiente para cubrir la demanda.
El tercer elemento es el mas difcil de medir y es normalmente manejado por

el establecimiento de plizas de "niveles de servicio"; es decir, cierto
porcentaje de la demanda ser cubierta sin retardo.
Decisiones sobre el control de inventarios es tanto un problema como una

oportunidad para por lo menos tres departamentos diferentes tales como
Produccin, Mercadeo y Contabilidad. La toma de decisiones en el control
de inventarios tiene un impacto enorme en la productividad y
desenvolvimiento de muchas organizaciones porque este maneja el flujo
total de materiales. El control de inventarios apropiado puede minimizar
desabastecimiento de materiales, por lo tanto reducir el capital de una
organizacin. Adicionalmente posibilita a una organizacin a comprar o
producir un producto en cantidades mas econmicas, por lo tanto minimizar
el costo general de produccin.
Los inventarios son tanto bienes sin uso en un depsito, materias prima para
ser utilizadas, materiales en proceso, bienes finales, como individuos. Un
buen modelo de inventarios nos permite:
Atenuar brechas temporales entre oferta y demanda, por ejemplo, la

oferta de maz.
Contribuir a la disminucin de los costos de produccin; por

ejemplo, producir por bulto
Proporcionar una forma de "almacenar" trabajo; por ejemplo,

fabricar mas unidades ahora, y liberar trabajo despus
Proporcionar un rapido servicio al cliente; es decir, conveniencia.

Para cada modelo de inventario, el tomador de decisiones esta preocupado

de la pregunta principal: Cuando debe ser realizado el reemplazo de una
orden? Se deben revisar los niveles de stock a intervalos fijos o reordenar
cuando el stock cae a un nivel predeterminado; es decir, al nivel de
seguridad de stock fijo.
Palabras Claves, Notaciones Comnmente Utilizadas en el Modelamiento y Herramientas de

Anlisis para el Control de Inventarios
Tasa o Nivel de Una tasa constante al cual los productos son retirados del inventario
Demanda: x
Costos de orden: C1 Este es el costo fijo de colocar una orden independiente del monto ordenado.
Costos de preparacin
Costos de Este costo usualmente incluye la perdida de ingresos por inversin causados por la
manutencin : C2 manutencin del activo atado al inventario (no circulacin del mismo). Esto ni es un
flujo real de efectivo, pero es un componente importante del costo de inventarios. Si
P es el precio por unidad de producto, este componente es normalmente calculado
por iP, donde i es un porcentaje que incluye el costo de oportunidad, el costo de
ubicacin, seguro, etc. Este es una tasa de descuento o una tasa de inters utilizada
para calcular el costo de mantener unidades de inventario en los almacenes.
Costos de Debe existir un costo para cuando la escasez ocurre.
Desabastecimiento:
C3
Costo de Respaldo Este costo incluye los gastos por cada articulo respaldado. Esto podra ser un gasto
de ordenes: C4 para cada articulo en proporcin l tiempo que cada cliente debe esperar por dicho
producto.
Tiempo de Es el intervalo de tiempo que transcurre mientras una orden es hecha y el inventario
reemplazo: L es reemplazado.
Los modelos probabilsticos y determinsticos mas utilizados son mostrados

en la seccin siguiente:
El Modelo Clsico OEC: Este es el modelo mas simple construido

basndose en el principio de que los bienes obtenidos el mismo da que son
ordenados sin permitir escasez. Claramente, se debe ordenar nuevamente
cuando el inventario alcanza 0, o considerando el tiempo de reemplazo L
La figura siguiente muestra los cambios en los niveles inventarios con

respecto al tiempo:
La figura muestra el tiempo en el eje de las x y el nivel de inventario en el

eje de las y. Se comienza en el tiempo cero cuando una orden llega. La
cantidad de la orden es el tamao del lote, Q. El lote completo es enviado al
mismo momento por lo que el inventario se dispara instantneamente desde
0 hasta Q. Los materiales son sustrados del inventario a una tasa de
demanda constante, x, medida en unidades por tiempo. Luego que el
inventario es mermado, el tiempo para el arribo de otra orden de tamao Q
llega, y el ciclo se repite de nuevo.
El patrn de inventario mostrado en la figura anterior, es obviamente una

abstraccin de la realidad porque no se espera que un sistema real opere
exactamente como mostramos. La abstraccin proporciona una estimacin
del tamao de lote ptimo, llamado orden econmico de cantidad (OEC), y
cantidades relacionadas. Consideraremos posiciones alternativas a esta
definicin mas adelante.
Ordenes Almacenamiento
Costo Total= C1x/Q + C2/(2Q)
La Cantidad Optima de Ordenes = Q* = (2xC1/C2) 1/2, por lo tanto,

el Ciclo Optimo de Re-ordenamiento = T* = [2C1/(xC2)]1/2
Ejemplo Numrico 1: Suponga que su oficina utiliza 1200 cajas al ao de

papel para maquinas de escribir. Usted debe determinar la cantidad que debe
ser ordenada, y con que frecuencia se debe hacer. Los datos a considerar son
la tasa de demanda x= 1200 cajas al ao, el costo de ordenamiento C1 = $5
por orden, costos de manutencin o mantenimiento C2 = $1.20 por caja, por
ao.
La cantidad ptima de ordenamiento es Q* = 100 cajas, esto nos

proporciona el nmero de ordenes = 1200/100 = 12, es decir, 12 ordenes por
ao, o una vez por mes.
Note que se debe incorporar el tiempo de reemplazo (L), el cual es el

intervalo de tiempo que transcurre desde que una orden es hecha hasta que
es repuesto.
Modelos con Escasez: Cuando un cliente busca un producto y encuentra el

inventario vaco, la demanda puede ser satisfecha cuando el producto se
haga disponible. Normalmente, clientes reciben descuentos que son
incluidos en los costos de ordenes de respaldo.
Un modelo con ordenes de respaldo es mostrado en la figura siguiente:
En este modelo, la escasez de productos es permitida por un periodo de

tiempo antes de ser reemplazados los productos. En referencia a la respuesta
de los clientes por la falta de disponibilidad de productos, los mismos
aceptaran entregas retrasadas lo cual es llamado orden de respaldo. Existen
dos costos adicionales en este modelo; los costos por escasez,. (C3), y los
costos de ordenes retrasadas (C4).
Porque los reemplazos son instantneos, los artculos de ordenes retrasadas

son enviados al momento de ser sustituidos y los mismos no se mantienen en
el inventario. Las ordenes retrasadas son consideradas como inventarios
negativos; por lo tanto el inventario mnimo es un nmero negativo y la
diferencia entre el inventario mnimo y mximo es el tamao del lote.
Ordenes Almacenamiento Escasez + Ordenes Retrasadas

Costo Total = xC1/Q + (Q-S)2C2/(2Q) + xSC3/Q + S2C4/(2Q)
Si x C3 2 < 2C1C2, entonces
Q* = M/(C2C4), y S* = M/(C2C4 +C42) - (xC3)/(C2 + C4), donde,

M = {xC2C4[2C1(C2 + C4) - C32]}1/2
De otra manera,
Q* = (2xC1/C2)1/2, con S* = 0.
Sin embargo, si el costo por escasez es C3 = 0, los valores de decisin

ptima anterior se reducirn a:
Q* = [2xC1(C2 + C4)/(C2C4)]1/2, y , S* = [2xC1C2/(C2C4 + C42)]1/2
Ejemplo Numrico 2: Dado C3 = 0, y C4 = 2 C2, escogera este modelo?

Porque S* = Q*/3 bajo esta condicin, la respuesta es, un sorprendente "S".
Un tercio de las ordenes totales deben ser re-ordenadas.
Ejemplo Numrico 3: Considere el ejemplo numrico no. 1 con costos de

escasez de C4 = $2,40 por unidad por ao.
La decisin ptima es ordenar Q* = 122 unidades, permitiendo un nivel de

escasez S de 81,5 unidades.
Modelo de Produccin y Consumo: El modelo con reemplazos infinitos es

ilustrado en la figura siguiente:
En vez de que el lote llegue instantneamente, el mismo es asumido a llegar

a una tasa de produccin constante K. Esta situacin se presenta cuando un
proceso de produccin alimenta el inventario a una tasa k mayor a la tasa de
demanda x.
El nivel mximo de inventario nunca alcanza el nivel Q porque los

materiales son sustrados al mismo tiempo que el producto es elaborado. La
produccin toma lugar al comienzo del perodo. Al final del perodo de
produccin, el inventario es disminuido a una tasa de demanda x, hasta que
alcanza 0 al final del ciclo.
Almacenamiento
Ordenes
Holding
Costo Total = xC1/Q + (K-x)QC2/(2K)
Corrida Run Optima de Tamao Q* = {(2C1xK)/[C2(K - x)] }1/2

Amplitud de la Corrida Run = Q*/K
Reduccin de Amplitud = Q*(K-x)/(xK)
Ciclo Optimo T* = {(2C1)/[C2x(1 - x/K)] }1/2
Ejemplo Numrico 3: Suponga que la demanda para un cierto aparato de

ahorro de energa es x = 1800 unidades por ao (o 6 unidades por da,
asumiendo 300 das hbiles por ao). La compaa puede producir a una tasa
anual K de 7200 unidades (o 24 por da). El costo de elaboracin es C1 =
$300. Existe un costo de manutencin de inventarios holding de C2 = $36
por unidad por ao. El problema es encontrar el tamao ptimo de la
corrida, Q.
Q* = 200 unidades por corrida de produccin. El ciclo de produccin ptima

es 200/7200 = 0,0278 aos, que es decir 8 y 1/3 al da. El nmero de ciclos
por ao es 1800/200 = 9 ciclos.
Produccin y Consumo con Escasez: Suponga que la escasez esta

permitida a un costo de orden retrasada re-orden C4 por unidad por perodo
de tiempo. El ciclo lucir como la figura siguiente:
Si se permite escasez, el punto mximo del mismo ocurre cuando la

produccin se inicia al comienzo del ciclo. Puede ser demostrado que:
La Produccin Optima = q* = {[(2C1x)/C2][K/(K- x)][(C2+C4)/C4]}1/2
Los Perodos por Ciclo son: T = q/x
El Inventario Optimo es: Q* = t2(K-x)
La Escasez Optima es: P* = t1(K-x);
El Costo Total es: TC = {[(C2t22 + C4t12)(K-x)] + [(2C1x)/K] }/ {2(t1+t2)},
donde,
t1 = {[2xC1C2]/[C4K(K-x)(C2+C4)]}1/2,
t2 = {[2xC1C4]/[C2K(K-x)(C2+C4)]}1/2
A usted podra gustarle utilizar el JavaScript de Modelos de Control de

Inventarios para comprobar sus clculos. Usted podra realizar tambin
anlisis de sensibilidad mediante algunas experimentaciones numricas para
una comprensin mas profunda de los conceptos de implicaciones
gerenciales lidiando con la incertidumbre de los parmetros de cada modelo.
Control de Inventarios con Demanda Incierta
Suponga que usted esta vendiendo artculos perecederos (flores), con una
demanda aleatoria X. Su decisin bajo incertidumbre bsicamente sigue esta
pregunta: Cunto se debera ordenar de manera de maximizar mi ganancia?
Su ganancia es:
P X - (D-X) L, para todo X menor a D, y
P D, para todo X igual o mayor a D
donde D es la orden diaria, P e la unidad de beneficio, y L es la perdida por

realizada sobre los artculos.
Puede ser mostrado que la cantidad ptima ordenada D* con el beneficio

diario mximo esperado es una funcin de la Funcin de Distribucin
Emprica Acumulativa (FDEA) = F(x). Mas especficamente, la cantidad
ptima es X* donde F(x) es mayor o igual que el ratio P/(P + L) para la

primera vez.
El siguiente ejemplo numrico ilustra el proceso. Dado P = $20, L = $10,

suponga que usted ha estado tomando registros de la frecuencia de demanda
pasadas D durante un perodo de tiempo determinado. Basado en esta
informacin, se puede construir la tabla siguiente.
Ordenes de Cantidades Optimas

Demanda Frecuencia Ganancia
FDEA
Diaria (x) Relativa Esperada
0 0,0067 0,0067 0,000
1 0,0337 0,0404 19,800
2 0,0842 0,1246 38,59
3 0,1404 0,2650 54,85
4 0,1755 0,4405 66,90
5 0,1755 0,6160 73,37
6 0,1462 0,7622 75,20
7 0,1044 0,8666 72,34
8 0,0653 0,9319 66,34
9 0,0363 0,9682 58,38
10 0,0181 0,9863 49,34
11 0,0082 0,9945 39,75
12 0,0034 0,9979 19,91
13 0,0013 0,9992 19,98
14 0,0005 0,9997 10,00
15 0,0002 1 -29,99
El ratio crtico P/(P + L) = 20/30 = 0,6667, indicando que D* = X* = 6

unidades.
Para verificar esta decisin, se puede utilizar la formula recursiva siguiente

para calcular:
Ganancia Esperada [D+1] = Ganancia Esperada [D] - (P + L)F(x) + P
La ganancia diaria esperada utilizando esta formula es la ltima columna de

la tabla anterior con una ganancia diaria ptima de $75,20.
A usted podra gustarle utilizar el JavaScript de Anlisis de Inventarios de

Perodos Simples para comprobar sus clculos.
Modelos de Campaas Publicitarias
Introduccin: Una amplia clasificacin matemtica de modelos

publicitarios resulta en los modelos basados en el concepto de ventas, con
algunas asunciones con respecto a la relacin de respuesta de la funcin
publicidad/ ventas basados en tcnicas de mercadeo utilizando la teora del
comportamiento de compra de los consumidores.
Modelos de Ventas: Ventas basadas en las necesidades delos vendedores.

Los modelos de venta conciernen a las necesidades de los vendedores para
convertir los productos en dinero en efectivo. Uno de los modelos de venta
mejor conocido es el modelo de respuesta de publicidad/ ventas (RPV) el
cual asume la forma de la relacin entre las ventas y la publicidad.
El Modelo de Vidale y Wolfe: Vidale y Wolfe desarrollaron un modelo de

una ecuacin simple de las ventas como respuesta de la publicidad, basado
en estudios experimentales que miden la efectividad de la publicidad en las
ventas finales. Este comportamiento a travs de un periodo relativo de
tiempo, a diferentes niveles de gasto en publicidad por parte de una
compaa en particular, es consistente con sus observaciones empricas, las
cuales han sido desarrolladas.
Los tres parmetros en este modelo son:
Las ventas decrecen de manera constante (): Est definido como la

tasa al cual las ventas de un producto decrecen en ausencia de
publicidad.
El nivel de saturacin (m): Est definido como el lmite prctico de

ventas que pueden ser capturado por el producto.
La respuesta constante de la ventas (r): Est definido como la adicin

a las ventas por cada accin de publicidad cuando las ventas son
cero.
Los supuestos esenciales en este modelo son como sigue a continuacin:
1. Las ventas decreceran con ausencia de publicidad;
2. Las ventas no incrementarn mas all de la existencia de un nivel de

saturacin;
3. La relacin de dlar gastado en publicidad como respuesta en las

ventas presenta una tasa constante;
4. La publicidad se asume como operativa solo en los consumidores

potenciales que no son clientes al tiempo cero; es decir, la publicidad
tiene efecto en nuevos consumidores y no hace que los compradores
actuales del producto incrementen el volumen de sus compras;
5. La efectividad de un medio publicitario con respecto a otro es

insignificante;
6. Basndose en evidencia emprica, se asume que el fenmeno de las

ventas puede ser representado matemticamente por la relacin:
dS/dt = r A(t)[(m-S)/m - S(t)
donde dS/dt es el cambio instantneo en la tasa de ventas al tiempo t,

S es la tasa de ventas al tiempo t, A(t) es la tasa de publicidad al
tiempo t, r es la respuesta constante de las ventas, es el
decrecimiento de las ventas y m es el nivel de saturacin de las
ventas.
Esta ecuacin sugiere que el cambio o el incremento en el margen de ventas

sea mayor a medida que las respuestas de las ventas sean constantemente
mayores, que la cada de las ventas sea constante , cuanto mayor sea el
nivel de saturacin, y mayor sea el gasto en publicidad.
Los tres parmetros r, , y m son constantes para un producto y campaa

publicitaria determinada.
La respuesta de las ventas, r, es valorado y mesurado mediante la medicin

de la tasa de ventas resultante de un monto de publicidad dado en un rea de
prueba con condiciones controladas. El decaimiento constante de las ventas
, es valorado mediante la medicin del decrecimiento de las mismas en el
rea de prueba cuando la publicidad se reduce a cero. El nivel de saturacin
de las ventas, m, es valorado mediante la informacin de investigaciones del
mercado en su totalidad. Note que el trmino (m-S)/S es el restante de las
ventas potenciales que pueden ser alcanzadas mediante las campaas
publicitarias.
El modelo puede ser arreglado y escrito como:
dS/dt + [r A(t)/m + )] S(t) = r A(t)
El siguiente representa una respuesta tpica de ventas a una campaa

publicitaria.
La campaa publicitaria tiene una tasa constante de gastos en publicidad

A(t) =A que se mantiene por un perodo de duracin T, despus del cual A es
casi cero:
A for 0 t T,
A(t) =
0 for t T
A pesar de que muchos investigadores de mercadeo tienen alineado el

acercamiento de ASR como una escuela establecida de modelos de
publicidad, ellos aceptan abiertamente que el problema mas agraviado es la
suposicin de la forma de la funcin ASR. Adicionalmente, los modelos
ASR no consideran las necesidades y motivos que dominan el
comportamiento de los consumidores. Es bien sabido que los gerentes de
mercadeo estn preocupados en proporcionar el beneficio de los productos,
los cambios en la acttud de las marcas y productos, e influenciar la
percepcin de los consumidores. Los gerentes de mercadeo saben que la
planificacin publicitaria debe estar fundamentada en fuerzas sicolgicas y
sociales que condicionan el comportamiento de los consumidores, es decir,
conocer que mensaje va hacia el interior de las mentes de los consumidores.
Modelos de Compra o Adquisicin: Las compaas de negocios modernos

han orientado sus campaas publicitarias hacia una aproximacin absoluta
del comportamiento de compra de los consumidores mas que a las ventas.

Este acercamiento se fundamenta en la sabidura del mercadeo: los
profesionales de mercadeo deben saber lo que los consumidores potenciales
desean y/ o quieren or con el objetivo de vender algo. Ha sido
considerablemente discutido con anterioridad considerable en la literatura de
mercadeo sobre "el comportamiento del consumidor," esta discusin se
centra en torno a la necesidad del mercadeo de estar orientada al
consumidor, de manera de estar preocupada con la idea de satisfacer las
necesidades de los consumidores por medio de productos y el conjunto
entero de factores asociados con la creacin, entrega, y consumo final del
mismo. Esto es posible ahora mediante la consideracin de la necesidad de
avances tecnolgicos en el rea de mercadeo tales como las "tormentas
cerebrales."
El acercamiento de los modelos de publicidad a los patrones de

comportamiento de compra de los consumidores presumen que la publicidad
influye en las ventas mediante el anuncio de sabores, preferencias y actitud
de los consumidores, y los esfuerzos de las firmas por comunicar estos
resultados en una compra.
Debido a que existen innumerables factores socio-sicolgicos que afectan

los comportamientos de consumo, algunos complejos y desconocidos por los
publicistas, es preferible considerar la versin probabilstica del modelo de
comportamiento de compras de los consumidores. Debido al efecto
disminuido de la publicidad, por lo general los publicistas pulsan la
publicidad como oposicin a que la publicidad constante podra incrementar
la efectividad de la publicidad, especialmente sobre el impacto de repeticin
de la publicidad.
El modelo operacional con caractersticas adicionales es normalmente

derivado por una estrategia de publicidad ptima sobre la duracin finita de
una campaa publicitaria. Las estrategias prescritas son maximizadoras de la
funcin de utilidad descontada la cual incluye la actitud de la firma hacia la
incertidumbre de las ventas. Los asuntos operacionales necesarios tales
como los parmetros de estimacin y de auto-validacin tambin son
recomendados.
La literatura de mercadeo proporciona fuerte evidencia de que los

consumidores sustituyen reglas para obtener informacin acerca de la
calidad de productos, valor percibido, y precios. El menor costo bsqueda de
asociado a las reglas, por ejemplo, podra ser mayor que la compensacin
monetaria o la perdida de calidad. Generalmente, los consumidores tienden a
percibir los productos con gran publicidad como los de mejor calidad.
Estudios sicolgicos han descubierto que el comportamiento humano es una
"manera de actitud" y evala casi todo lo que entra en contacto con la
"revisin de los valores." Considere la pregunta "Qu piensa acerca esta
marca en particular?", De seguro, la respuesta depender del grado que usted
le guste o disguste, aprecie o desprecie la marca. Por lo tanto el meollo del

modelo de comportamiento del consumidor Quid es que los especialistas en
mercadeo intentan reconocer a los consumidores como una forma de actitud,
los cuales constantemente revisan todos los valores, as sea dentro de
segmentos dados. Una vez el comportamiento hacia la direccin del objetivo
es manifestado, el consumidor experimenta las consecuencias de su
comportamiento. El o ella utiliza esta experiencia como fuente de
aprendizaje en el cual revisar su actitud hacia este producto o servicio
determinado. Muchos investigadores han expresado el hecho de que solo la
actitud determina los comportamientos subsecuentes.
El organigrama de un modelo simple es mostrado a continuacin:
La estructura del proceso de decisiones de un consumidor tpico en

referencia a una marca X especfica, contiene tres valores funcionales que
llamamos actitud A(t), nivel de compra B(t) y comunicacin C(t).
Modelo de Nicosia: El estado de las ecuaciones dinmicas del modelo de

Nicosia estn descritas por las dos ecuaciones diferenciales/ algebraicas
lineales siguientes:
B(t) = dB(t)/dt = b[A(t) - B(t)]
A(t) = dA(t)/dt = a[B(t) - A(t)] + C(t)

Donde:
B(t) = Comportamiento de compra (o consumo); es decir tasa de compra al

tiempo t.
A(t) = Actitud del consumidor hacia la marca, la cual resulta de una variedad
compleja de iteraciones de varios factores, alguno de los cuales estn
indicados en la figura anterior.
C(t) = El impacto de la comunicacin (la campaa publicitaria) hecha por la

firma. Este podra ser simplemente un estimulo, un nuevo diseo en la
presentacin (paquete) o una simple publicidad de alguna marca en
particular. Una estrategia de mercadeo es exitosa cuando se desarrolla un
producto y los estmulos de promocin que los consumidores perciben como
relevante para sus necesidades. Las necesidades de los consumidores
tambin estn influenciadas por factores tales como previas experiencias, e
influencias sociales. Dada la disminucin del efecto de la publicidad,
consideramos C(t) como la funcin de pulso, como opuesta a la funcin de
publicidad constante.
, , a, y b son los parmetros de "personalidad" de las ecuaciones del

modelo. Estos parmetros son asumidos constantes con respecto al tiempo.
Los principales inconvenientes del modelo descriptivo anterior son:
1) La tasa de publicidad es constante a travs del tiempo. Esta claro que los
retornos bajo un modelo de publicidad constante disminuyen a travs del
tiempo, lo que implica que no estn relacionados al volumen de las ventas;
por lo tanto cualquier gasto adicional en publicidad no traer ningn
incremento sustancial en los ingresos por venta. El trmino "modelos de
publicidad" ha sido utilizado para describir el proceso de mejorar las ventas
de un producto o servicio. Un gasto sustancial en marketing es un gasto en
publicidad. El efecto de repeticin de un estmulo en la habilidad de los
consumidores de recordar el mensaje es el asunto mas importante en la
teora de aprendizaje. Por supuesto, esta bien establecido que la publicidad
debe ser continua para evitar que sea olvidada.
Poltica de Publicidad de Pulsaciones: : La poltica de publicidad por

pulsaciones (PPP) es una poltica de alta intensidad constante de publicidad,
alternada con perodos de no-publicidad, como se muestra en la figura
siguiente:
El PPP podra preferirse a una publicidad constante durante la duracin de la

campaa.
2) La publicidad tiene un horizonte infinito de tiempo. Este horizonte

infinito decrece el uso del modelo debido a que el presupuesto de
planificacin para los gastos en publicidad raramente tienen horizontes
infinitos. Sin embargo, en el modelo de Nicosia no se identifica claramente
la funcin de respuesta de las ventas cuando la publicidad es discontinua.
Conclusiones y Recomendaciones: Los modelos mas realistas deben

considerar el problema de designacin de una publicidad ptima (digamos,
una poltica de pulsaciones) para una campaa publicitaria de tiempo finito.
Desde que existen mltiples factores socio-sicolgicos afectando las
compras, muchos de ellos complejos y desconocidos por el publicista, el
modelo debe ser construido en un ambiente probabilstico. Tambin deben
ser aplicados los procesos estadsticos para la estimacin de los parmetros
de mercado. La estrategia preescrita podra ser la maximizacin de la
funcin de utilidad descontada. Reconociendo que los gerentes de mercadeo
estn preocupados por las implicaciones econmicas y de riesgo de sus
alternativas de decisin, la funcin de utilidad debera incluir la actitud de
los tomadores de decisiones hacia el riesgo percibido.
La Cadena de Markov
Muchas de las ms poderosas tcnicas analticas aplicadas en negocios,

estn basadas en la teora de la cadena de Markov. La cadena de Markov es
un caso especial del proceso de Markov, el cual en si mismo es un caso
especial del proceso aleatorio o estocstico.
En trminos mas generales, un proceso aleatorio es una familia, o grupo

ordenado de variables relacionadas X(t) donde t es un parmetro de
indexacin, usualmente tiempo cuando se habla de realizar evaluaciones.
Existen diferentes tipos de procesos aleatorios. Dos de las caractersticas

ms distinguidas de los procesos son: (1) su estado espacial o el conjunto de
valores del proceso que las variables aleatorias pueden tener, y (2) la
naturaleza de los parmetros de indexacin. Podemos clasificar procesos
aleatorios en cada una de estas dimensiones.
1. Estado Espacial:
o estado- continuo: X(t) puede tomar cualquier valor sobre el

intervalo continuo o conjunto de dichos intervalos
o estado- discreto: X(t) tiene solo valores posibles contables o

finitos. {x0, x1 ,xi,..}
Un proceso aleatorio de estado- discreto es llamado

comnmente una cadena.
2. Parmetro de Indexacin (normalmente es el tiempo t):
o tiempo- discreto: los tiempos permitidos a los cuales los

cambios en valores que puedan ocurrir son finitos o contables
X(t) que pueden ser representados como conjunto {X i}
o estado- continuo: los cambios pueden ocurrir en cualquier

lugar dentro del intervalo finito o del conjunto de dichos
intervalos
Cambios en los Estados del Sistema
Continuas Discretas
Nivel de agua Nmero de
Continuo
contenido en una represa clientes en un banco
Tiempo
Rango de temperaturas Ventas al
Discreto
diarias final del da
Una Clasificacin de Procesos Estocsticos
El estado de un proceso aleatorio de tiempo-continuo al tiempo t tiene un

valor de X(t); el estado de un proceso de tiempo-discreto al tiempo n es el
valor de X p. Una cadena de Markov es un proceso aleatorio de estado-
discreto que comienza en el tiempo t (cadena de tiempo- continuo) o n
(cadena de tiempo- discreto) que solo depende del estado actual X(t) o Xp, y
ni de cmo la cadena alcanzo su estado corriente o de cuanto tiempo ha
permanecido en ese estado. Consideramos una cadena de Markov de estado-

finito de tiempo {Xt, t= 0, 1, 2, } con probabilidades de transicin
estacionarias (condicionales):
P [Xt+1 = j | Xt = i ]
donde i, y j pertenecen al conjunto S.
Supongamos que P = pij denota la matriz de probabilidades de transicin.

Las probabilidades de transicin entre t y t + 1 son indicadas por pn ij y por la
matriz de transicin Pn = Pn
Una Cadena Tpica de Markov con tres Estados y

Sus Probabilidades Tradicionales Estimadas
Elementos de una Cadena de Markov: Una cadena de Markov consiste de
Un nmero de estados finito
Un estado recurrente al cual la cadena retorna con probabilidad
Un estado el cual es no recurrente llamado estado transitorio.
Un conjunto posible de estados cerrados y absorbidos.
Una funcin de transicin probabilstica de estado a estado
El estado inicial S0 con distribucin de probabilidad 0.

Representacin Esquemtica Pasajera, Estados Cerrados y Absorbidos
En la figura anterior, el estado A es un estado absorbente. Una vez que el

proceso entra en este estado, no lo abandona. Similarmente, los estados Dl,
D2, y D3 representan un conjunto cerrado. Despus de haber introducido
D1, el proceso se puede mover a D2 o D3, pero no puede hacer otra
transicin a ningn otro estado. En contraste, los estados Bl, B2 y B3
representan un conjunto pasajero, conectando el estado absorbente A con el
conjunto cerrado D.
Dos Cadenas de Markov Especiales:
Cadena de Ruina de Gambler: Esta cadena es un camino aleatorio

sobre S con barreras adsorbentes.
La Cadena de Camino Aleatorio: Esta cadena es un camino

aleatorio sobre S con barreras reflexivas.
El Resultado Principal: Si el lmite de pn ij = j existe con n

aproximaciones, la distribucin limitante o estacionaria de la cadena = {j
puede ser encontrada mediante la resolucin del siguiente sistema de
ecuaciones lineales: P =
Ejemplo Numrico: La siguiente matriz representa una cadena de Markov

de cuatro estados con la matriz de probabilidad pasajera:
|0,25 0,20 0,25 0,30|

|0,20 0,30 0,25 0,30|
P=
|0,25 0,20 0,40 0,10|
|0,30 0,30 0,10 0,30|
Note que la suma de cada columna en esta matriz es uno. Cualquier matriz
con estas propiedades es llamada matriz de probabilidad o matriz de
Markov. Estamos interesados en la pregunta siguiente:
Cul es la probabilidad de que el sistema este en el isimo estado, al n-

simo perodo de transicin?
Para responder esta pregunta, primero definimos el vector estado. Para una
cadena de Markov, la cual tiene k estados, el vector estado para un periodo
de observacin n, es el vector columna definido por
x1
x2
.
x(n) =
.
xk
donde xi = probabilidad de que el sistema es en el isimo estado al momento

de la observacin. Note que la suma de las entradas del vector estado tiene
que ser uno. Cualquier vector columna x,
x1
x2
.
x=
.
xk
donde x1+ x2+ . +xk = 1
[x1,x2,. ,xk] es llamado un vector probabilidad.
Considere nuestro ejemplo - suponga que el vector de estado inicial x0 es:
1
0
x(0) =
0
0
En el prximo periodo de observacin digamos, al final de la primera

semana, el vector estado ser
0,25
0,20
x(1)= Px(0) =
0,25
0,30
Al final de la 2da semana el vector estado es Px1
|0,25 0,20 0,25 0,30| |0,25| = |0,2550 |

(2)
x Px (1)
|0,20 0,30 0,25 0,30| |0,20| = |0,2625 |
= = |0,25 0,20 0,40 0,10| |0,25| = |0,2325 |
|0,30 0,30 0,10 0,30| |0,30| = |0,2500 |
Note que podemos calcular x2 directamente utilizando x0 como
x(2) = Px(1) = P(Px(0)) = P2 x(0)
Similarmente, podemos encontrar el vector estado para 5to, 10mo, 20avo, 30avo,
y 50avo perodos de observacin.
0,2495
0,2634
x(5)= P5x(0) =
0,2339
0,2532
0,2495
0,2634
x(10)= P10x(0) =
0,2339
0,2532
0,2495
.2634
x(20)= P20x(0) =
0,2339
0,2532
0,2495
0,2634
x(30) =
0,2339
0,2532
x(50) = 0,2495
0,2634
0,2339
0,2532
Los mismos resultados limitantes pueden ser obtenidos resolviendo el

sistema de ecuaciones lineales P = utilizando este JavaScript, el cual
sugiere que el vector estado se aproxima a algunos vectores fijos, mientras el
nmero de perodos observaciones incrementa. Este no es el caso para cada
cadena de Markov. Por ejemplo, si
0 1
P= 1 0
,y
1
x(0) =
0
Podemos calcular el vector estado para diferentes perodos de observacion:
|0| (2) |1| (3) |0| (4) |1| |1| |0|

x(1) = ,x = ,x = ,x = ,......., x(2n) = , y x(2n+1) =
|1| |0| |1| |0| |0| |1|
Estos clculos indican que el sistema oscila y que no se aproxima a ningn a

ningn vector fijo.
A usted podra gustarle utilizar el JavaScript de Multiplicacin de Matrices y

Calculador-I de la Cadenas de Markov para comprobar sus clculos y
realizar algunas experimentaciones numricas para una comprensin mas
profunda de estos conceptos.
Modelo de Insumo- Producto de Leontief
Modelo de Insumo- Producto de Leontief: Este modelo considera una

economa con un numero limitado de industrias. Cada una de estas industrias
utiliza insumos propios y de otras industrias para producir un producto.
En el Modelo de Insumo- Producto de Leontief, el sistema econmico es

asumido de tener n industrias con dos tipos de demanda en cada industria:
demanda externa (desde afuera del sistema) y demanda interna (demanda
ubicada en una industria por otra en el mismo sistema.) Asumimos que no
existe sobre produccin, por lo tanto la suma de la demanda interna y
externa es igual a la demanda total para cada industria. Dejemos que xi
denote la produccin de la isima industria, e i la demanda externa en la
isima industria, y aij es la demanda interna ubicada en la isima industria

por la jsima industria. Esto significa que la entrada aij en la matriz
tecnolgica A = [aij] es el nmero de unidades de producto de la industria i
necesarios para producir 1 unidad de produccin de la industria j. El monto
total que la industria j necesita de la industria i es aijxj. Bajo la condicin de
que la demanda es igual al ,producto de cada industria, tendremos un sistema
lineal de ecuaciones para resolverlo.
Ejemplo Numrico: Un sistema econmico esta compuesto por tres

industrias A, B, y C. Ellas estn relacionadas como sigue:
Industria A requiere lo siguiente para producir $1 de su producto:
$0,10 de su propio producto;

$0,15 de los productos de la industria B; y
$0,23 de los productos de la industria C.
Industria B requiere lo siguiente para producir $1 de su producto:
$0,43 de los productos de la industria A; y

$0,03 de los productos de la industria C.
Industria C requiere lo siguiente para producir $1 de su producto:
$0,02 de su propio producto.

$0,37 de los productos de la industria B; y
Las ventas a grupos no productores (demanda externa) son:
$20 000 para la industria A, $30 000 para la industria B, $25 000 para la
industria C
Que nivel de produccin para estas tres industrias logra el balance de la

economa?
Solucin: Escriba la ecuacin que muestra el balance entre produccin y

consumo por cada industria X = DX + E:
Produccin Consumo
para para para
para externas
A B C
Industria A: x1 = 0,10x1 + 0,43x2 + 20 000
Industria B: x2 = 0,15x1 + 0,37x3 + 30 000
Industria C: x3 = 0,23x1 + 0,03x2 + 0,02x3 + 25 000
Ahora resuelva este sistema de ecuaciones resultantes para los niveles de

produccin Xi, i = 1, 2, 3.
A usted podra gustarle utilizar el JavaScript de Resolver Sistemas de

Ecuaciones Aplicadas a la Inversin de Matrices para comprobar sus
clculos y realizar algunas experimentaciones numricas para una
compresin mas profundo de estos conceptos.
Declaracin de derechos de propiedad intelectual: El uso legtimo, segn las

pautas de 1994 guas de consulta justas del uso para los multimedia
educativos, de los materiales presentados en este sitio Web est permitido
para propsitos educativos no comerciales.
Este sitio puede duplicarse, intacto con esta declaracin, en cualquier
servidor de acceso pblico y puede vincularse a cualquier otra pgina Web.
Todos los archivos se encuentran disponibles en
http://home.ubalt.edu/ntsbarsh/Business-stat para el duplicado.
Agradecera recibir comentarios, sugerencias e inquietudes por e-mail.

Gracias.
Profesor Hossein Arsham
Vuelta a:
Ciencia de la Administracin Aplicada para Gerentes y Lideres Gerenciales
Modelos Deterministas: Optimizacin lineal
Optimizacin de Enteros y Modelos de Redes
Introduccin a la Teora de Juegos
Modelos Probabilsticos: Del anlisis de la decisin
Toma de Decisiones con Periodos de Tiempo Crtico en Economa y Finanzas
Razonamiento Estadstico para la Toma de Decisiones Gerenciales
Una Clasificacin de JavaScript Estadticos
El Aprendizaje con la Asistencia del Computador
Temas en Algebra Lineal


Toma de Decisiones Con Periodos de Tiempo Crítico

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Toma de Decisiones Con Periodos de Tiempo Crítico

Încărcat de

Drepturi de autor:

Formate disponibile

http://home.ubalt.edu/ntsbarsh/Business-stat/stat-data/Forecasts.

Toma de Decisiones con Periodos de Tiempo Crtico

Sitio Espejo para Amrica Latina

El uso de modelos matemticos ha sido incrementado para interpretar y predecir las

Profesor Hossein Arsham

Captulo 1: Implementacin de Modelos Cuantitativos

Captulo 2: Balanceando el Exito en los Negocios

Captulo 3: Modelos para Pronsticos

Captulo 4: Series de Tiempo Estacionarias

Captulo 5: Modelamiento Causal y de Pronsticos

Captulo 6: Tcnicas de Ablandamiento

Captulo 7: Metodologa de la Box-Jenkins

Captulo 8: Tcnicas de Filtraje

Captulo 9: Sumario de Modelos Especiales

Captulo 10: Modelos Financieros, Series de Tiempo y Econometra

Captulo 11: El Mejor Momento para Reemplazar Equipos

Captulo 12: Anlisis de Pareto: El ABC para la Clasificacin de

Captulo 13: Anlisis de Costo Beneficio: Cantidad Econmica

Captulo 14: Modelamiento de una Campaa Publicitaria

Captulo 15: Herramientas de Modelamiento para el Control de Inventarios

Captulo 16: Cadena de Markov

Captulo 17: Modelo de Insumo- Producto de Leontief

Captulo 18 Matemtica del Dinero: Anlisis del Inters Compuesto

Captulo 19 Anlisis de Rentabilidad (Break-Even) y Pronsticos

Captulo 1: Implementacin de Modelos Cuantitativos

2. Modelos Efectivos para una Buena Toma de Decisiones

Captulo 2: Balanceando el xito en los Negocios

Captulo 3: Modelos para Pronsticos

Captulo 4: Series de Tiempo Estacionarias

Captulo 5: Modelamiento Causal y de Pronstico

1. Modelamiento de Series de Tiempo Causal

2. Sumario de Mtodos de Pronstico (Introduccin)

3. Como Hacer Pronsticos Mediante Anlisis de Regresin

4. Planificacin, Desarrollo y Mantenimiento de un Modelo Lineal

6. Modelando la Estacionalidad y Tendencia

Captulo 6: Tcnicas de Ablandamiento

1. Promedios Mviles Simples

2. Promedios Mviles Ponderados

3. Tcnicas de Atenuaciones Exponenciales

4. Pronoacute;sticos con un Periodo Adelantado

Captulo 7: Metodologa de la Box-Jenkins

2. Modelos de Auto Regresin

Captulo 8: Tcnicas de Filtraje

Captulo 9: Sumario de Tcnicas de Modelos Especiales

5. Anlisis de Eventos Histricos

6. Prediccin de la Respuesta de los Mercados

7. Prediccin de Intervalos para Variables Aleatorias

9. Metodologa de Transferencia de Funciones

10. Prueba y Estimacin de Cambios Estructurales Mltiples

11. Combinaciones de Pronsticos

Captulo 10: Modelos Financieros, Series de Tiempo y Econometra

1. Modelos Financieros, Series de Tiempo y Econometra

2. Mtodo del II Censo de Anlisis de Estacionalidad

3. Econometra y Modelos de Serie de Tiempo

5. Medicin para Exactitud

Captulo 11: El Mejor Momento para Reemplazar Equipos

Captulo 12: Anlisis de Pareto: El ABC para la Clasificacin de Inventarios

Captulo 13: Anlisis de Costo Beneficio: Cantidad Econmica

Captulo 14: Modelamiento de una Campaa Publicitaria

Captulo 15: Herramientas de Modelamiento para el Control de

1. Herramientas de Modelamiento para el Control de Inventarios

2. Control de Inventarios con Demanda desconocida

Captulo 16: Cadena de Markov