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

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
Sitios Adjuntos:
Ciencia de la Administracin Aplicada para Gerentes y Lideres
Gerenciales
Modelos Deterministas: Optimizacin lineal
Optimizacin de Enteros y Modelos de Redes
Razonamiento Estadstico para la Toma de Decisiones Gerenciales

 Modelos Probabilsticos: Del anlisis de la decisin

Introduccin a la Teora de Juegos
Una Clasificacin de JavaScript Estadticos

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 13: Anlisis de Costo Beneficio: Cantidad Econmica
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 18: Anlisis de Costo Beneficio: Cantidad Econmica
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
Estratgico
Tctico
Operacional

Medida de Comportamiento
Retorno de la Inversin, Crecimiento, e
Innovaciones
Costo, Cantidad, y Satisfaccin al Cliente
Establecimiento de Objetivos, y
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 X 1, 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

196

188

192

164

140

120

112

140

160

168

192

200

1972

200

188

192

164

140

122

132

144

176

168

196

194

2016

196

212

202

180

150

140

156

144

164

186

200

230

2160

242

240

196

220

200

192

176

184

204

228

250

260

2592

M
T

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

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

1972

1884

1981

2016

2085

1988

2160

2285

2188

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:

12

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 Tiempocomo 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, w 1 = 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)

105

100

105

95

100

101

100

95

99

98

105

100

100

120

103

107

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 S t 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 K t 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 (AKtG)'+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
Mano de Obra
Aluminio
Electricidad
Total

Unidades
Necesitadas
20
02
02

Costo por
Unidad
10
100
50

Total
200
200
100
500

Ao 2001
Costo por
Unidad
11
110
60

Total
220
220
120
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: R 2 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 BoxJenkins, 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 aModelos 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
y
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 BoxJenkins.
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)

X(t)

X(t)

X(t)

X(t)

50,8

48,1

11

50,8

16

53,1

21

49,7

50,3

50,1

12

52,8

17

51,6

22

50,3

50,2

48,7

13

53,0

18

50,8

23

49,9

48,7

49,2

14

51,8

19

50,6

24

51,8

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 H 0 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 pruebaestacionalidad. 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 BoxJenkins, 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
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

Australia

15024

4749

19461

Austria
Blgica
Canada
China

19813
18367
15786
446

6787
5174
4017
293

26104
24522
20085
768

China-HK

17067

7262

24452

Dinamarca
Finlandia
Francia
Alemania
Grecia
Islandia
India
Indonesia
Irlanda
Italia

25199
17991
19178
20058
9991
25294
291
351
13045
16134

6947
4741
4622
5716
2460
6706
84
216
4791
4075

32769
24952
24587
26219
11551
30622
385
613
20132
20580

Japn

21478

7923

30124

Pas
Corea del
Sur
Luxemburgo
Malasia
Mexico
Holanda
Nueva
Zelanda
Noruega
Pakistn
Filipinas
Portugal
Espaa
Suecia
Suiza
Tailandia
Reino Unido
EEUU

4596

1448

6829

26400
1683
3359
17558

9767
873
1056
4865

42650
3268
4328
24086

11236

2658

13992

23415
389
760
8579
11255
20687
27648
1226
19743
26387

9221
79
176
2644
3415
4487
7815
479
4316
6540

32933
463
868
9976
14052
26866
36864
1997
23844
32377

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

567

597

620

630

700

700

720

715

735

725

819

820

819

820

830

831

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
Maquinaria

Valor de Re-venta

100

50

30

15

10

Costos Corrientes

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

Costos Corrientes Acumulados

14

29

70

130

Costos de Capital ($100 costo de reventa)

50

70

85

90

95

Costo Total con respecto a la

55

84

114

160

225

Antigedad
Costo Promedio con respecto a la
Antigedad

55

42

38

40

45

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
Producto

P1

P2

P3

P4

P5

P6

P7

P8

P9

Costo ($100)

24

25

30

10

15

20

22

Demanda Anual

30

20

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

Categora

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
Demanda: x

Una tasa constante al cual los productos son retirados del inventario

Costos de orden: C1 Este es el costo fijo de colocar una orden independiente del monto ordenado.
Costos de preparacin
Costos de
manutencin : C2

Este costo usualmente incluye la perdida de ingresos por inversin causados por la
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
de ordenes: C4

Este costo incluye los gastos por cada articulo respaldado. Esto podra ser un gasto
para cada articulo en proporcin l tiempo que cada cliente debe esperar por dicho
producto.

Tiempo de
reemplazo: L

Es el intervalo de tiempo que transcurre mientras una orden es hecha y el inventario

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
Costo Total=

C1x/Q

Almacenamiento

C2/(2Q)

La Cantidad Optima de Ordenes = Q* = (2xC1/C2) 1/2, por lo tanto,

el Ciclo Optimo de Re-ordenamiento = T* = [2C 1/(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
Costo Total =

xC1/Q

Almacenamiento

(Q-S) C2/(2Q)

Escasez + Ordenes Retrasadas

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 C 3 = 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 reordenadas.
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
Holding

Ordenes
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,
y
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,
P D,

para todo X menor a D, y

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.
Demanda
Diaria (x)

Ordenes de Cantidades Optimas

Frecuencia
FDEA
Relativa

Ganancia
Esperada

0,0067

0,0067

0,000

0,0337

0,0404

19,800

0,0842

0,1246

38,59

0,1404

0,2650

54,85

0,1755

0,4405

66,90

0,1755

0,6160

73,37

0,1462

0,7622

75,20

0,1044

0,8666

72,34

0,0653

0,9319

66,34

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

-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
A(t) =
0

for 0 t T,
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
Tiempo

Continuo

Continuas

Discretas

Nivel de agua
contenido en una represa

Nmero de
clientes en un banco

Discreto

Rango de temperaturas
diarias

Ventas al
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 tiempocontinuo) 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 {X t, 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 nsimo 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:

x(0) =

1
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

|0,2550
|
|0,2625
|0,20 0,30 0,25 0,30| |0,20| =
|
x(2) = Px(1) =
|0,2325
|0,25 0,20 0,40 0,10| |0,25| =
|
|0,2500
|0,30 0,30 0,10 0,30| |0,30| =
|
|0,25 0,20 0,25 0,30| |0,25| =

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 5 to, 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

0,2495
0,2634
x(50) =
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
x(0) =

1
0

Podemos calcular el vector estado para diferentes perodos de

observacion:
x(1) =

|0| (2)
|1| (3)
|0| (4)
|1|
|1|
,x =
,x =
,x =
,......., x(2n) =
, y x(2n+1) =
|1|
|0|
|1|
|0|
|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
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
para

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.