Documente Academic
Documente Profesional
Documente Cultură
htm
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.
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
1. Introduccin
http://home.ubalt.edu/ntsbarsh/Business-stat/stat-data/Forecasts.htm
5. Anlisis de Tendencia
7. Anlisis de Descomposicin
1. Metodologa de la Box-Jenkins
http://home.ubalt.edu/ntsbarsh/Business-stat/stat-data/Forecasts.htm
1. Filtraje Adaptativo
2. Filtro de Hodrick-Prescott
3. Filtro de Kalman
1. Redes Neurales
2. Modelamiento y Simulacin
3. Modelos Probabilsticos
4. Nmeros Indices
8. Anlisis de Delphi
4. Ecuaciones Simultneas
6. Lecturas Adicionales
Introduccin
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:
tiempo dentro del cual se estudia el sistema. Las variables son valores
cambiables sobre el sistema.
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.
"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.
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.
http://home.ubalt.edu/ntsbarsh/Business-stat/stat-data/Forecasts.htm
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.
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.
http://home.ubalt.edu/ntsbarsh/Business-stat/stat-data/Forecasts.htm
Las actividades mentales actan sobre el ambiente, el cual reacciona en contra del sistema
mediante la percepcin producida por representaciones.
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 del cliente proporciona una visin de como los clientes ven
la compaa.
Cada una de las cuatro perspectivas anteriores debe ser considerada con
respecto a los siguientes cuatro parmetros:
La regresin no lineal no asume una relacin lineal entre las variables. Esta
es usada frecuentemente cuando el tiempo es una variable independiente.
Si = Di/ D,
de donde:
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.
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
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.
Y = 1684 + 200,4T,
La pregunta principal es si esta ecuacin representa la tendencia.
http://home.ubalt.edu/ntsbarsh/Business-stat/stat-data/Forecasts.htm
Xt = St . Tt. Ct . I
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
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.
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:
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.
http://home.ubalt.edu/ntsbarsh/Business-stat/stat-data/Forecasts.htm
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.
Ao 2000 Ao 2001
http://home.ubalt.edu/ntsbarsh/Business-stat/stat-data/Forecasts.htm
pendiente/ PM,
log (pendiente),
log(pendiente) - 2 log(PM).
Introduccin
http://home.ubalt.edu/ntsbarsh/Business-stat/stat-data/Forecasts.htm
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.
A. Planificacin:
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.
1. Colecte los datos; verifique la calidad de los datos; plotee; pruebe los
modelos; verifique las condiciones de regresin.
Metodologa de la Box-Jenkins
Introduccin
Metodologa de la Box-Jenkins
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. .
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.
Modelos Autoregresivos
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.
X(t) = a + b X(t-s) + t
X(t) = 0 + 1X(t-1) + t,
| 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.
Ecuaciones Simultaneas
C = 1 + 2Y +
Y = C + I,
Donde:
C = 1 + 2 (C + I) + .
Por lo tanto,
http://home.ubalt.edu/ntsbarsh/Business-stat/stat-data/Forecasts.htm
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 .
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
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.
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
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
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.
http://home.ubalt.edu/ntsbarsh/Business-stat/stat-data/Forecasts.htm
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
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
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:
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.
Ordenes Almacenamiento
Costo Total= C1x/Q + C2/(2Q)
De otra manera,
Q* = (2xC1/C2)1/2, con S* = 0.
Almacenamiento
Ordenes
Holding
Costo Total = xC1/Q + (K-x)QC2/(2K)
donde,
t1 = {[2xC1C2]/[C4K(K-x)(C2+C4)]}1/2,
t2 = {[2xC1C4]/[C2K(K-x)(C2+C4)]}1/2
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:
A for 0 t T,
A(t) =
0 for t T
Donde:
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.
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.
La Cadena de Markov
1. Estado Espacial:
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
P [Xt+1 = j | Xt = i ]
donde i, y j pertenecen al conjunto S.
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
x1
x2
.
x=
.
xk
1
0
x(0) =
0
0
0,25
0,20
x(1)= Px(0) =
0,25
0,30
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
http://home.ubalt.edu/ntsbarsh/Business-stat/stat-data/Forecasts.htm
0,2532
0 1
P= 1 0
,y
1
x(0) =
0
$20 000 para la industria A, $30 000 para la industria B, $25 000 para la
industria C
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
http://home.ubalt.edu/ntsbarsh/Business-stat/stat-data/Forecasts.htm
Vuelta a: