Vous êtes sur la page 1sur 43

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 Medida de Comportamiento


Retorno de la Inversin, Crecimiento, e
Estratgico
Innovaciones
Tctico Costo, Cantidad, y Satisfaccin al Cliente
Establecimiento de Objetivos, y
Operacional
Satisfaccin de Estndares

2. Obviamente, si se busca mejorar el sistema de comportamiento, lo que se


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

3. Que es un Sistema? Los sistemas estn formados por diferentes partes


reunidas de una manera particular a fin de conseguir un objetivo. La
relacin entre las partes determina lo que el sistema hace y como funciona
en general. Por lo tanto, habitualmente las relaciones entre un sistema son
ms importantes que las de cada una de las partes individualmente. En
general, los sistemas son bloques de componentes bsicos para otros
sistemas llamados subsistemas.

La Dinmica de un Sistema: Un sistema que no cambia es un sistema


esttico. Muchos de los sistemas econmicos son sistemas dinmicos, lo
cual significa que cambian a travs del tiempo. Nos referimos al modo que
un sistema cambia en el tiempo como el comportamiento del sistema.
Cuando el desarrollo del sistema sigue un patrn de conducta tpico,
decimos que el sistema tiene un modelo de comportamiento. Sea cual sea
el tipo de sistema esttico o dinmico, esto depender del horizonte
temporal y de las variables que sean usadas. El horizonte temporal es el
perodo de tiempo dentro del cual se estudia el sistema. Las variables son
valores cambiables sobre el sistema.

4. Recursos: Los recursos son los elementos constantes que no se cambian


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

5. Pronsticos: Los valores de entrada del pronstico estn definidos por el


entorno del que toma las decisiones. Los valores de entradas no
controlables deben ser pronosticados o predichos.

6. Decisiones: Los valores de decisin abarcan toda la coleccin de vas de


accin que se puedan tomar.

7. Interaccin: Las Interacciones entre todos los componentes de decisin


incluyen las funciones lgicas y matemticas que representan las
relaciones de causa-efecto entre los valores de entrada (insumos), recursos,
pronsticos, y el resultado (outputs).

Las interacciones son el tipo de relacin ms importante que se encuentran


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

Adicionalmente, podra existir algn grupo de restricciones que se aplican


a cada uno de estos componentes. Por lo tanto, no necesitan ser tratados
separadamente.

8. Acciones: La Accin es la decisin final y por lo tanto necesita la mejor


estrategia para conseguir el objetivo deseable.

La toma de decisiones implica la seleccin de un conjunto de accin


(medios) para lograr los objetivos de los encargados de tomar decisiones
(resultados.) La manera en la cual nuestro conjunto de acciones afecta el
resultado de las decisiones depender de como de cmo el pronstico y las
otras variables de entrada se encuentren interrelacionadas y de la manera
como las mismas se relacionan con el resultado.

Controlando el Problema de Decisin (Oportunidad): Pocos problemas en vida,


una vez solucionados, permanecen de la misma manera. El cambiar condiciones
tiende a deteriorar soluciones previamente encontradas, y sus soluciones crean
nuevos problemas. Se necesita identificar y anticipar estos nuevos problemas.
Recuerde: Si no puede controlar algo, mdalo a fin de pronosticarlo o predecirlo..

El pronstico es una prediccin de lo que ocurrir en el futuro, y esto es un


proceso incierto. A causa de la incertidumbre, la exactitud del pronstico es tan
importante como el resultado predicho por el mismo. Este sitio web presenta una
descripcin general de las tcnicas de pronstico para negocios, las cuales se
encuentran clasificadas en la figura siguiente:

Acercamiento Progresivo al Modelado: El Modelo para la toma de decisiones


implica dos partes diferentes: Una es el ente encargado y con poder de toma de
decisiones y el otro es el analista, el cual es el constructor del modelo. El analista
debe asistir al tomador de decisiones en dicho proceso. Por lo tanto, el analista
debe estar capacitado con ms que un conjunto de mtodos analticos.

Toma de Decisiones Cuantitativa: Las Escuelas de Direccin y Gerencia de


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

A menudo, especialistas en la construccin de modelos tienden a estudiar un


problema, y luego desarrollar de manera aislada un modelo matemtico
complicado para que sea usado por el gerente (es decir, el ente con poder de
decisin.) Lamentablemente, el gerente podra no entender este modelo, por lo
cual podra confiar y usar ciegamente en el o simplemente rechazarlo. El
especialista podra pensar que el gerente es demasiado ignorante y poco
sofisticado para apreciar el modelo, mientras que el gerente puede creer que el
especialista vive en un mundo de ensueo de asunciones poco realistas y con un
lenguaje matemtico irrelevante.

Dicha falta de comunicacin puede ser evitada si el gerente trabaja en conjunto


con el especialista para desarrollar un modelo simple que proporcione un anlisis
ordinario pero comprensible. Despus de que el gerente le ha tomado confianza
al modelo, se podran agregar detalles adicionales y un mayor grado de
sofisticacin, quizs de manera gradual. Este proceso requiere inversin de
tiempo por parte del gerente y un inters sincero por resolver los problemas del
gerente por parte del especialista, ms que en la creacin y explicacin de
modelos sofisticados. La construccin progresiva de este tipo de modelos es
comnmente referido al acercamiento de bootstrapping , el cual es el factor
ms importante para la determinacin de una implementacin exitosa de un
modelo de decisin. Adicionalmente el acercamiento de bootstrapping simplifica
la difcil tarea de validacin y verificacin de los procesos del modelo.

Modelos Efectivos para una Buena Toma de Decisiones

Qu es un modelo? Un Modelo es una representacin externa y explcita de


una parte de la realidad, el cual es visto por individuos que desean usarle para
entender, cambiar, manejar y controlar esa parte de la realidad.

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

Obteniendo xito en la Implementacin de un Modelo: A fin de que el


analista tenga xito en la realizacin de un modelo, el mismo debe tener tanto
validez como ser legtimo, aqu estn algunas pautas:

1. Debe estar listo para trabajar en cooperacin cercana con los diferentes
agentes estratgicos con el objetivo de adquirir un entendimiento
armonioso en el contexto organizacional. Adicionalmente, el MC debera
tratar constantemente de discernir el grano de los valores de la
organizacin desde sus partes ms circunstanciales.

2. El MC deber intentar lograr un equilibrio entre el nivel de sofisticacin y


complejidad del modelo, as como tambin el nivel de competencia de los
agentes participantes. El modelo debe ser adaptado tanto para la
disponibilidad y para la capacidad cognoscitiva de los agentes
participantes.

3. El MC debera intentar hacerse familiar con las diversas preferencias


prevalecientes en la organizacin. Esto es importante porque la
interpretacin y el uso del modelo variarn segn las preferencias
dominantes de los varios agentes dentro de la organizacin.

4. El MC deber asegurarse de que los posibles usos instrumentales del


modelo estn bien documentados y que los agentes estratgicos en el
proceso de toma de decisiones tengan suficiente conocimiento al respecto,
as como tambin que se sientan confiados del contenido y funcionamiento
del modelo.

5. El MC debera estar preparado para modificar o desarrollar una nueva


versin del modelo, y de ser necesario, hasta preparar un modelo
completamente nuevo que permite una exploracin adecuada de
formulacin de problema que fue imprevista, proporcionando nuevas
alternativas de solucin.

6. El MC deber asegurarse de que el modelo desarrollado proporciona una


proteccin o holgura suficiente en el modelo para que los agentes
participantes puedan ajustarse y reajustarse a las situaciones creadas por el
modelo.
7. El MC debera ser consciente con las ideas y conceptos preconcebidos por
los agentes en cuanto a la definicin del problema y las soluciones
posibles; muchas decisiones al respecto podran haber sido tomadas
implcitamente mucho antes de que se hayan hecho explcitas.

En los modelos en los cuales se basan las tomas de decisiones, se esta


particularmente interesado en la idea del diseo para la aplicabilidad de acciones.

Modelos descriptivos y prescritos: Un modelo descriptivo es a menudo una


funcin de figuracin y abstraccin basada en la realidad. Sin embargo, un
modelo prescrito lleva desde la realidad a un modelo una funcin del plan de
desarrollo, los medios de acciones, y luego lo lleva desde el modelo devuelta a la
realidad.

Es importante distinguir entre los modelos descriptivos y prescritos desde el


punto de vista de la distincin del anlisis tradicional entre el conocimiento y la
accin. De hecho, los modelos prescritos son los puntos ms lejanos en una
cadena cognoscitiva, de prediccin y de toma de decisiones.

Por qu el modelado? El objetivo de los modelos es ayudar a disear


soluciones. Los mismos deben asistir al entendimiento del problema y ayudar a la
deliberacin y opcin para permitirnos evaluar las consecuencias de nuestras
acciones antes de ponerlos en prctica.

El principio de racionalidad asume que el tomador de decisiones es capaz de


optimizar, pero slo dentro de los lmites de su representacin del problema de
decisin. Tal exigencia es absolutamente compatible con muchos resultados de la
sicologa de la memoria: Un experto usa estrategias recopiladas en su memoria a
largo plazo y soluciona problemas de decisin especficos con la ayuda de su
memoria de trabajo a corto plazo.

La solucin de problemas es la toma de decisiones que envuelve heursticas tales


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

2. Confiabilidad: La informacin procesada es suficientemente relevante


para justificar - personalmente o socialmente - resultados de decisin.

3. Flexibilidad: La informacin procesada puede cambiar una decisin en


otra.

La Ciencia Cognoscitiva nos proporciona un acercamiento a un sistema


cognoscitivo, el cual en general es una asociacin de un dispositivo fsico en
funcionamiento que es sensible a los cambios en el ambiente mediante la
percepcin y accin, con una visin que genera actividades mentales diseadas
tales como operaciones, representaciones, clasificaciones y/ o programas que
conducen a estrategias eficientes para la resolucin de problemas.

Las actividades mentales actan sobre el ambiente, el cual reacciona en contra


del sistema mediante la percepcin producida por representaciones.

El diseo y realizacin de sistemas humanos centrados en la planificacin,


control, decisin y razonamiento requiere el estudio de las esferas operacionales
de un sistema cognoscitivo en tres dimensiones:

En una dimensin ambiental, donde primero las acciones realizadas por un


sistema cognoscitivo pueden ser observadas mediante los cambios en el
ambiente; y segundo, la comunicacin es un modo observable de los
cambios entre diferentes sistemas cognoscitivos.

Una dimensin interna, donde actividades mentales; es decir, la


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

Una dimensin autnoma, donde la adquisicin del aprendizaje y el


conocimiento realzan actividades mentales conduciendo a las nociones de
autoreflexin y conciencia.

Validacin, y Verificacin: Como la parte del proceso de calibracin de un


modelo, el modelador debe validar y verificar el modelo. El trmino validacin
es aplicado a estos procesos, el cual procura determinar si un modelo es correcto
o no con respecto al sistema "real". En trminos ms comunes, la validacin se
encarga de responder la pregunta Estamos construyendo el modelo correcto?
"Por otra parte la verificacin procura contestar la pregunta Estamos
construyendo el modelo correctamente?"

Balanceando el xito en los Negocios

Sin sistema mtrico, la actividad de gerenciar podra estar en las nebulosas, si


cree que es imposible, intntelo. Cmo podemos decir que hemos logrados
nuestros objetivos si no sabemos cuales son? Cmo sabemos si nuestras
estrategias de negocio son eficientes si las mismas no han sido bien definidos?
Por ejemplo, se necesita una metodologa para medir el xito y establecer
objetivos desde la perspectiva financiera y operacional. Con este tipo de medida,
cualquier negocio puede manejar su visin estratgica y ajustarla para cualquier
cambio. El establecimiento de medidas de comportamiento es de perspectivas
mltiples, al menos desde el punto de vista financiero, del cliente, de innovacin,
de aprendizaje, y de procesos internos de la compaa.

La perspectiva financiera proporciona una visin de como los accionistas


ven la compaa; es decir, la lnea de fondo de la compaa.

La perspectiva del cliente proporciona una visin de como los clientes


ven la compaa.

Mientras la perspectiva financiera se encarga de los valores proyectados de


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

La perspectiva de los procesos internos de la compaa proporciona una


vista de lo que es necesario mejorar para que la misma sea competitiva.
Por lo tanto el foco de esta perspectiva es la traduccin de medidas
basadas en clientes a mediciones que reflejan las operaciones internas de la
compaa.

Cada una de las cuatro perspectivas anteriores debe ser considerada con
respecto a los siguientes cuatro parmetros:

1. Objetivos: Qu necesitamos para lograr convertirnos en exitosos?


2. Medidas: Qu parmetros usaremos para saber si somos exitosos?

3. Blancos: Qu valores cuantitativos usaremos para determinar el


xito de la medida?

4. Iniciativas: Qu necesitamos hacer para lograr nuestros objetivos?

Obviamente, no es suficiente con producir un instrumento para documentar y


monitorear el xito. Sin una implementacin y liderazgo apropiado, el crear una
medida de comportamiento simplemente se mantendr como un ejercicio mas
que a un sistema para manejar el cambio.

Modelamiento para Pronsticos

El pronstico es un insumo necesario para la planificacin ya sea en un


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

Recopilacin de Datos para la Verificacin de un Modelo: la


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

El organigrama siguiente destaca el desarrollo sistemtico de las fases del


modelado y el pronstico:
El organigrama anterior es til para:

Entender el mecanismo subyacente cuando se generan series de


tiempo. Esto incluye explicar y describir cualquier variacin de
estacionalidad, tendencia, etc.

Predecir el futuro bajo la condicin de que el negocio se comporta


de manera "usual".

El sistema de control trabaja bajo los escenarios de "que pasa si."

La Estadstica para Pronstico: La seleccin de la metodologa para la


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

Existen dos aproximaciones bsicas de pronstico. La estimacin de un


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

Autocorrelacin: la Autocorrelacin es la correlacin consecutiva de


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

A usted podra gustarle utilizar el Javascript Estadsticos de Series de


Tiempo para realizar alguno de los clculos estadsticos necesarios para
una investigacin preliminar de sus series de tiempo.

Series de Tiempo Estacionarias

La Estacionalidad siempre ha jugado un papel primordial en el anlisis de


series de tiempo. La mayora de las tcnicas para realizar pronsticos
requieren condiciones de estacionalidad. Por lo tanto necesitamos algunas
condiciones, es decir, las series de tiempo necesitan tener un proceso
estacionario de primer y segundo orden.

Estacionario de Primer Orden: Una serie de tiempo esta en el


estacionario de primer orden si el valor esperado de X(t) se mantiene
constante para cualquier valor de t.

Por ejemplo, en series de tiempo econmicas el proceso se encuentra en


estacionario de primer orden cuando removemos cualquier tendencia por
algn mecanismo como la diferenciacin.

Estacionario de Segundo Orden: Una serie de tiempo se encuentra


estacionaria de segundo orden solamente cuando la estacionaria de primer
orden y la covarianza entre X(t) y X(s) es funcin de la anchura (t-s.)

De nuevo, en series de tiempo econmicas, un proceso es estacionario de


segundo orden cuando estabilizamos sus variables por cualquier tipo de
transformacin como la raz cuadrada.

A usted podra gustarle en Javasript Prueba para Series de Tiempo


Estacionarias

Sumario de Mtodos de Pronstico

De manera ideal, organizaciones que pueden financiar econmicamente el


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

Modelos Causales de Series de Tiempo: Cuando usamos regresiones


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

Y = 0 + 1X1 + 2X2 + . . .+ nXn,

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


la contribucin de las variables independientes 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
M

T
1 196 188 192 164 140 120 112 140 160 168 192 200 1972
2 200 188 192 164 140 122 132 144 176 168 196 194 2016
3 196 212 202 180 150 140 156 144 164 186 200 230 2160
4 242 240 196 220 200 192 176 184 204 228 250 260 2592
Media: 208,6 207,0 192,6 182,0 157,6 143,6 144,0 153,0 177,6 187,6 209,6 221,0 2185
Indice: 1,14 1,14 1,06 1,00 0,87 0,79 0,79 0,84 0,97 1,03 1,15 1,22 12

Suponga que deseamos calcular el factor de estacionalidad y la tendencia,


luego calcular el pronstico de las ventas para el mes de Julio en al ao 5.

El primer paso en el pronstico de estacionalidad ser calcular los ndices


mensuales utilizando las ventas realizadas durante los 4 aos previos. Por
ejemplo, el ndice para el mes de Enero:

S(Ene) = D(Ene)/D =208,6/ 181,84 = 1,14,


de donde D(Ene) es la media de todos los cuatro meses de Enero, y D es la
media general de todas las ventas realizadas en los cuatro aos previos.

Clculos similares son realizados para cada otro mes. Todos los ndices
son totalizados en la ltima fila de la tabla anterior. Note que la media (el
valor promedio) para los ndices mensuales llega hasta 12, el cual es el
nmero de perodos en un ao para los datos mensuales.

A continuacin una tendencia lineal es calculada utilizando las ventas


anuales:

Y = 1684 + 200,4T,
La pregunta principal es si esta ecuacin representa la tendencia.

Determinacin de la Tendencia Anual para los Ejemplos Numricos

Ao No: Ventas Realizadas Regresin Lineal Regresin Cuadrtica


1 1972 1884 1981
2 2016 2085 1988
3 2160 2285 2188
4 2592 2486 2583

Muchas veces el colocar una lnea recta en los datos estacionales es


engaoso. Mediante la construccin de un diagrama de dispersin,
podemos notar que una parbola proporciona una mejor representacin.
Utilizando el Javasript de la Regresin Polinomial, la tendencia
cuadrtica estimada es:

Y = 2169 - 284,6T + 97T2

Los valores predichos utilizando tanto en la tendencia lineal como en la


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

Ahora podemos pronosticar las ventas anuales siguientes, las cuales


corresponden al ao 5, t= 5 en la funcin cuadrtica anterior:

Y = 2169 - 284,6(5) + 97(5)2 = 3171


Las ventas mensuales promedio durante el prximo ao son: 3171/12 =
264,25.

Finalmente, el pronstico para el mes de Julio es calculado multiplicando


el promedio de las ventas mensuales por el ndice de estacionalidad para el
mes de Julio, el cual es 0,79; por lo tanto, (264,25)x (0,79) 209.

A usted poda gustarle utilizar el Javascript de Indice de


Estacionalidad para comprobar sus clculos manuales. Como siempre,
usted debera utilizar primero Ploteo de Serie de 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)


1 105 - -
2 100 - -
3 105 - -
4 95 - -
5 100 101 100
6 95 99 98
7 105 100 100
8 120 103 107
9 115 107 111
10 125 117 116
11 120 120 119
12 120 120 119

Tcnicas de Atenuacin Exponencial: Uno de los mtodos de pronostic


mas exitosos es la tcnica de atenuacin exponencial (AE.) Mientras que
el mtodo de Promedios mviles simples es un caso especial del AE, este
es mucho mas parsimonioso en el uso de los datos. Adicionalmente, puede
ser modificado para ser utilizado de manera eficiente en series de tiempo
con patrones de estacionalidad. Tambin es relativamente fcil de ajustar
de los errores pasados para el subsiguiente pronstico, ideal para
situaciones donde varios pronsticos deben ser preparados. Diferentes
formas son utilizadas dependiendo de la presencia de variaciones cclicas o
de tendencias. En resumen, un AE es una tcnica de promedio que utiliza
pesos desiguales; sin embargo, las ponderaciones aplicadas a las
observaciones pasadas decrecen en una forma exponencial.

Ft+1 = Dt + (1 - ) Ft

de donde:
Dt e el valor actual
Ft es el valor pronosticado
es el factor de ponderacin, el cual oscila entre 0 y 1
t es el perodo de tiempo actual.

Note que el valor atenuado se convierte en el pronstico para el perodo t +


1.

Un pequeo proporciona un atenuante visible y detectable, mientras


que cuando el es grande, proporciona una respuesta rpida de los
cambios recientes en la serie de tiempo, y un monto mas pequeo de
atenuaciones. Note que las tcnicas de atenuacin exponencial y de
Promedios mviles simples generarn pronsticos con el mismo promedio
de tiempo siempre que el promedio mvil de orden n sea la parte entera de
(2-)/.

Una atenuacin exponencial sobre una serie de tiempo ya atenuada con


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

Las tcnicas de atenuacin, tales como la de Promedios mviles y


atenuacin exponencial son satisfechas para pronsticos con un perodo
por anticipado, tal y como es implementado en el siguiente
Javascript: Pronstico por Atenuacin .

El filtraje de datos es una herramienta efectiva y eficiente para el


modelamiento de series de tiempo cuando se aplican las tcnicas de
transformacin apropiadas. La mayora de las tcnicas de anlisis de series
de tiempo envuelven algunas formas de filtraje de ruido con el objetivo de
hacer los patrones de comportamiento mas obvios.

Diferenciacin: Un tipo especial de filtraje, el cual es particularmente


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

Filtraje Adaptativo Cualquier tcnica de atenuacin tal como la de


Promedios mviles la cual incluye el mtodo de aprendizaje por errores
pasados que pueden responder a cambios en la tendencia, estacionalidad y
factores aleatorios de relativa importancia. En el mtodo adaptativo de
atenuacin exponencial, se podra ajustar para permitir los cambios en
patrones de comportamiento.

Filtro de Hodrick-Prescott: Este es un mecanismo de atenuacin


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

Filtro de Kalman: El filtro de Kalman es un algoritmo para la


actualizacin secuencial de una proyeccin lineal en un sistema dinmico
el cual esta representado en una fase espacial. Las aplicaciones del filtro de
Kalman son las de transformar el sistema de una representacin de las dos
formulas siguientes a una forma mas razonable:

x t+1=Axt+Cw t+1, y yt=Gxt+vt en el cual: A, C, y G son matrices conocidas


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

zt+1=Azt+Kat, y yt=Gzt+at de donde zt esta definida a ser Et-1xt, at esta


definida a ser yt-E(yt-1yt, y K esta definida a ser el lmite 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 (A-
KtG)'+CC'+Kt RKt' , Kt es comnmente llamada la ganancia de Kalman.

Redes Neurales: Para el pronstico de series de tiempo, el modelo de


prediccin de orden p, tiene la forma general:

Dt=f(Dt-1, Dt-1,..., Dt-p) + et

Las arquitecturas de redes neurales pueden ser entrenadas para predecir los
valores futuros de las variables dependientes. Los requerimientos son el
diseo del paradigma de la red y sus parmetros. El acercamiento de redes
neurales de retroalimentacin de capas mltiples consiste en una capa de
entrada, una o varias capas escondidas y una capa de salida o resultado.
Otro acercamiento es conocido como la red neural parcialmente
recurrente, la cual puede aprender secuencias a medida que el tiempo
transcurre y responde de manera diferente a los mismos patrones de
estmulos de entrada a diferentes perodos de tiempo, dependiendo por
supuesto de los distintos patrones de entrada. Ninguno de estos
acercamientos es superior a cualquiera de los otros en cualquiera de los
casos; sin embargo, una retroalimentacin empapada que posea las
caractersticas de una memoria dinmica, mejorar el funcionamiento de
ambos acercamientos.

Consideraciones de Outlier: Los outliers son algunas observaciones que


no son bien ajustadas por el "mejor" modelo disponible. En la prctica,
cualquier observacin con residuos estandarizados con valor absoluto
mayores a 2,5 es un candidato para ser considerado un outlier. En estos
casos, se debera primero investigar el origen de los datos. Si no existe
ninguna duda sobre la precisin o veracidad de las observaciones,
entonces debera ser removido, y el modelo debera ser reajustado.

Siempre que los niveles de los datos sean considerados muy altos o muy
bajos con respecto a los valores "usuales en el negocio", llamamos a estos
valores outliers. Una razn matemtica para ajustar estas ocurrencias es
que la mayora de las tcnicas de pronstico estn basadas en promedios.
Es bien sabido que las medias aritmticas son muy sensibles a los valores
de los outliers; por lo tanto, algunas alteraciones en los datos deberan ser
hechas antes de continuar. Una aproximacin seria el reemplazar el outlier
por el promedio de los dos niveles de ventas para los perodos, los cuales
vienen inmediatamente antes y despus del perodo en cuestin, y luego
poner este nmero en el lugar del outlier. Esta idea es util siempre que el
outlier ocurre a la mitad o en una parte reciente de los datos. Sin embargo,
si los outliers aparecen en la parte mas antigua de los datos, se debera
seguir una segunda alternativa, la cual es simplemente eliminar los datos e
incluir los outliers.

En la ligereza de la relativa complejidad de algunas tcnicas sofisticadas


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

Modelamiento y Simulacin: Los modelamientos y


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

En el campo de las simulaciones, el concepto del "principio de la


equivalencia computacional" tiene implicaciones favorables para los
tomadores de decisiones. Las experimentaciones simuladas aceleran y
reemplazan efectivamente la ansiedad de "esperar para ver que sucede"
descubriendo nuevas formas y explicaciones para comportamientos
futuros del sistema real.

Modelos Probabilsticos: El uso de tcnicas probabilsticas, tales como


los Mtodos de Investigacin de Mercadeo, para lidiar con incertidumbre,
ofrece un rango de resultados probables para cada grupo de eventos. Por
ejemplo, se podra desear identificar los prospectos compradores de un
nuevo producto dentro de una comunidad de tamao N. De el resultado de
una encuesta, se podra estimar la probabilidad de vender p, y luego
estimar el tamao de las ventas totales Np con un cierto nivel de
confianza.
Una Aplicacin: Suponga que deseamos pronosticar las ventas de una
nueva pasta de dientes en una comunidad de 50.000 amas de casas. Una
muestra gratis es suministrada a 3.000 de ellas que fueron seleccionadas de
manera aleatoria, y luego 1.800 de ellas indicaron que compraran el
producto.

Utilizando la distribucin binomial con parmetros (3000, 1800/3000), el


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

Anlisis de Eventos Histricos: Algunas veces los datos para un perodo


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

Nmeros Indices: Un nmero ndice mide el valor de una serie de tiempo


en un perodo de tiempo (normalmente como porcentaje) con respecto a un
perodo base.

Para una aplicacin de nmeros ndices para pronsticos, considere el


siguiente ejemplo simple (para ahorrar espacio):

Indices Compuestos: Considere el costo total de materiales para una


planta industrial A, como se muestra en la tabla siguiente:

Ao 2000 Ao 2001
Unidades Costo por Costo por
Total Total
Necesitadas Unidad Unidad
Mano de Obra 20 10 200 11 220
Aluminio 02 100 200 110 220
Electricidad 02 50 100 60 120
Total 500 560

De la informacin obtenida en la tabla anterior, el ndice para los dos aos


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

Pronosticando la Respuesta de los Mercados: Como parte de las


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

Cuando tratamos de representar relaciones complicadas entre mercados


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

Los mtodos modernos de regresin, tales como los modelos aditivos


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

Anlisis de Delphi: Este mtodo es utilizado en el proceso de toma de


decisiones, en particular en el pronstico. Muchos "expertos" se renen y
tratan de comprometerse en algo sobre el cual no pueden ponerse de
acuerdo.
Combinacin de Pronsticos: La combinacin de pronsticos fusiona
varios grupos separados de pronsticos para lograr una mejor composicin
de los mismos. La pregunta aqu es: Como encontrar la combinacin de
ponderacin ptima? El acercamiento comnmente utilizado es cambiar
las ponderaciones de vez en cuando para mejorar el pronstico en vez de
utilizar un grupo fijo de ponderaciones en condiciones normales.

Todos los modelos de pronstico tienen una estructura de error ya sea


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

Cuando se utilice cualquier modelo de pronstico se deben realizar


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

La Regresin y los Promedios Mviles: Cuando una serie de tiempo no es


una lnea recta se podran utilizar los Promedios mviles (PM) y romper la
serie de tiempo en varios intervalos con lneas rectas comunes de
pendientes positivas, de manera de lograr la linealidad de toda la serie de
tiempo. El proceso envuelve la transformacin basada en la pendiente y
luego el promedio mvil dentro de ese intervalo. Para la mayora de las
series de tiempo de negocios, la siguiente transformacin podra ser
efectiva:

pendiente/ PM,

log (pendiente),

log (pendiente/ PM),

log(pendiente) - 2 log(PM).
Como Hacer Pronsticos Mediante el Anlisis de Regresin

Introduccin

La regresin es el estudio de la relacin entre variables con el objetivo


principal de predecir o estimar el valor de una variable con respecto a otras
variables conocidas o de valores asumidos, las cuales se encuentran
relacionadas a ella.

Variables de Inters: Para realizar estimaciones o predicciones, se debe


primero identificar los estimadores apropiados para la variable de inters:
Cules variables son indicadores importantes?, Pueden ser estas
variables medidas al menor costo posible?, Cuales de ellas proporcionan
poca informacin? y Cules son variables redundantes?

Prediciendo el Futuro Predecir un chance a travs del tiempo o


explorando desde las condiciones actuales a las condiciones futuras no es
parte del anlisis de regresin. Para hacer estimaciones sobre el futuro,
usted debera utilizar el anlisis de series de tiempo.

Experimento: este comienza con una hiptesis referente a como varias


variables podran estar relacionadas con otras variables, y del tipo de
relacin.

Regresin Lineal Simple: Una regresin que utiliza solo un pronosticador


o estimador, es llamada regresin simple.

Regresin Mltiple: Cuando existen dos o mas estimadores se utiliza el


anlisis de regresin mltiple.

Data: Por que obtener informacin de una poblacin entera es


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

El Diagrama de Dispersin: Es una representacin grfica de pares de


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

El Modelo: Si hemos determinado que existe una relacin lineal entre t e


y, queremos obtener una ecuacin lineal que establezca a y como funcin
de x en la forma de Y = a + bx + e, de donde a es la intercepcin, b es la
pendiente y e es la medida de error para todas las variables que afectan y,
pero que no son incluidas como factores de prediccin y/ factores
impredecibles o incontrolables.

Mtodo de los Mnimos Cuadrados: Para predecir la media del valor de


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

Mtodos de Solucin: Las Tcnicas de lgebra Matricial pueden ser


empleadas de manera manual para resolver ecuaciones lineales
simultneas. Esta tcnica es til especialmente cuando existen sistemas de
dos o mas ecuaciones con dos variables desconocidas.

Existen numerosos paquetes de computadoras disponibles que pueden ser


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

Utilidad e Interpretacin de la Ecuacin de Regresin: la ecuacin


desarrollada puede ser utilizada para predecir un valor promedio sobre el
rango de los datos de la muestra. Se puede considerar que el pronstico es
bueno por un rango que va de corto a mediano plazo de tiempo.

Midiendo el Error de la Estimacin: La dispersin o variabilidad


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

Intervalo de Confianza: La estimacin de intervalos puede ser calculada


para obtener una medida de la confianza que tenemos en la existencia de
relacin en nuestra estimacin. Estos clculos se realizan utilizando la
tabla de distribucin t. De estos clculos podemos derivar bandas de
confianza, un par de lneas no paralelas ubicadas lo mas cercanas posible a
los valores medios que expresan nuestra confianza a varios grados de la
banda de valores alrededor de la ecuacin de regresin.

Evaluacin: Que tan confiados podemos estar de que realmente existe


una relacin? La rectitud de la relacin puede ser evaluada mediante la
prueba estadstica de hiptesis, tal como la hiptesis nula, la cuales son
establecidas usando la distribucin t, el R cuadrado, las tablas de la
distribucin F. Estos clculos incrementan el error estndar del coeficiente
de regresin, una estimacin del coeficiente de regresin b variar de
muestra a muestra de igual tamao dentro de la misma poblacin. Un
Anlisis de la Tabla de Varianza (ANOVA) puede ser generada, la cual
resume los diferentes componentes de variacin.

Cuando se quiere comparar modelos de tamaos diferentes (Diferente


nmero de variables independientes y/ o tamao de muestra diferente) se
tiene que utilizar el R cuadrado ajustado porque el R cuadrado tpico
tiende a crecer con el nmero de variables independientes.

El Error Estndar de un Estimador, por ejemplo, la raz cuadrada de las


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

SEMC = Suma de los Errores Medios al Cuadrados/ (N - Nmero de


Predictores Linealmente Independientes)

Si continuamos agregando predictores al modelo, el SEMC se convertir


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

A usted podra gustarle utilizar el JavaScript de Anlisis de Regresin con


Instrumentos Diagnsticos para comprobar sus clculos, y para realizar
algunas experimentaciones numricas para una compresin mas profunda
de estos conceptos.

Planificacin, Desarrollo, y Mantenimiento de un Modelo Lineal

A. Planificacin:

1. Defina el problema; seleccione respuestas; sugiera variables.

2. Son las variables seleccionadas fundamentales para el problema, y


son ellas verdaderas variables? Son dichas variables mesurables/
contables? Se podra obtener un conjunto de observaciones al
mismo momento? Ordinariamente, el anlisis de regresin no
asume que las variables independientes son medidas sin errores. Sin
embargo, estas se encuentran condicionadas a cualquier error que
pueda ocurrir o estn presentes en el conjunto de datos
independientes.

3. Es el Problema potencialmente solucionable?

4. Encuentre la matriz de correlacin y las primeras corridas de la


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

FIV = 1/(1 -rij), para todos los i, j.

Para un FIV, digamos entre 2 y 8, usted podra ser capaz de


desarrollar un "buen" modelo.

Inspeccione rij; por lo menos uno o dos tienen que ser grandes. Si
todos son pequeos, quizs el rango de las variables X son muy
pequeos.

5. Establezca objetivos, prepare una restriccin (o un presupuesto) y


tablas de tiempo.

a. La ecuacin final debera contener: 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.