Documentos de Académico
Documentos de Profesional
Documentos de Cultura
en Economía y Finanzas
Esta es la versión en Español del sitio Web principal en Inglés, el cual se encuentra
disponible en:
Time-Critical Decision Making for Economics and Finance
Europe Mirror Site
USA Site
Las herramientas para las decisiones tecnológicas tales como los modelos matemáticos
han sido aplicados a una amplia gama de situaciones en la toma de decisiones dentro de
diversas áreas de la gerencia. En la toma consciente de decisiones bajo incertidumbre,
siempre realizamos pronósticos o predicciones. Podríamos pensar que no estamos
pronosticando, pero nuestras opciones estarán dirigidas por la anticipación 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 técnicas de predicción y
pronóstico efectivas.
Para buscar el sitio, presione Editar| Buscar en la página [Ctrl + f]. Escriba una
palabra o frase en el espacio del diálogo. Por ejemplo "método" o "pronóstico" Si
el primer resultado de la palabra o la frase no es lo que usted buscaba, intente con
Próxima búsqueda.
CONTENIDO
Sitios Adjuntos:
1. Introducción
2. Modelos Efectivos para una Buena Toma de Decisiones
1. Metodología de la Box-Jenkins
2. Modelos de Auto Regresión
1. Filtraje Adaptativo
2. Filtro de Hodrick-Prescott
3. Filtro de Kalman
1. Redes Neurales
2. Modelamiento y Simulación
3. Modelos Probabilísticos
4. Números Indices
5. Análisis de Eventos Históricos
6. Predicción de la Respuesta de los Mercados
7. Predicción de Intervalos para Variables Aleatorias
8. Análisis de Delphi
9. Metodología de Transferencia de Funciones
10. Prueba y Estimación de Cambios Estructurales Múltiples
11. Combinaciones de Pronósticos
Introducción
Uno de los elementos más 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 organización.
La mayoría de las decisiones gerenciales están basadas en pronósticos. Cada decisión se
hace efectiva en algún punto en el futuro, por lo tanto deberían estar basadas en
pronósticos de las condiciones futuras.
Los pronósticos son necesarios en todas las áreas de una organización, y los mismos no
deberían ser generadas por un grupo aislado de analistas. Tampoco se puede considerar
ningún pronóstico como "terminado", los pronósticos son continuamente necesarios, y
así como pasa el tiempo, el impacto de los pronósticos sobre el desempeño real de
acontecimientos debe ser medido Llos pronósticos originales son actualizados y las
decisiones son modificadas, y así sucesivamente. Este proceso es mostrado en la figura
siguiente:
4. Recursos: Los recursos son los elementos constantes que no se cambian durante
el horizonte de tiempo del pronóstico. Los recursos son los factores que definen
el problema de decisión. Las decisiones estratégicas tienen por lo general
horizontes temporales más largos que las decisiones tácticas y operacionale.
5. Pronósticos: Los valores de entrada del pronóstico están 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 decisión abarcan toda la colección de vías de acción
que se puedan tomar.
7. Interacción: Las Interacciones entre todos los componentes de decisión incluyen
las funciones lógicas y matemáticas que representan las relaciones de causa-
efecto entre los valores de entrada (insumos), recursos, pronósticos, y el
resultado (outputs).
Dicha falta de comunicación puede ser evitada si el gerente trabaja en conjunto con el
especialista para desarrollar un modelo simple que proporcione un análisis ordinario
pero comprensible. Después de que el gerente le ha tomado confianza al modelo, se
podrían agregar detalles adicionales y un mayor grado de sofisticación, quizás de
manera gradual. Este proceso requiere inversión de tiempo por parte del gerente y un
interés sincero por resolver los problemas del gerente por parte del especialista, más que
en la creación y explicación de modelos sofisticados. La construcción progresiva de este
tipo de modelos es comúnmente referido al acercamiento de bootstrapping , el cual es
el factor más importante para la determinación de una implementación exitosa de un
modelo de decisión. Adicionalmente el acercamiento de bootstrapping simplifica la
difícil tarea de validación y verificación de los procesos del modelo.
"¿Por qué se han diseñado tantos modelos y solo se usan unos pocos?" Esta es una
pregunta discutida a menudo dentro de la comunidad del Modelamiento Cuantitativo
(MC.) La formulación de la pregunta parece simple, pero los conceptos y teorías que
deben ser manejados para darle una respuesta son mucho más sofisticados. ¿Existe un
proceso de selección de "entre los muchos modelos diseñados"a "los pocos modelos
utilizados?" Y de ser así, ¿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 síntesis de las funciones que un
modelo puede manejar. Luego procede a definir el concepto de "realización", y
progresivamente cambiamos de un modelo tradicional "de diseño a realización" como
punto de partida a la teoría general de un modelo de diseño/ implementación, visto
como un proceso de construcción cruzada entre el modelo y la organización en la cual
es puesto en práctica. Por lo tanto, la organización no es considerada como un simple
entorno, sino como un componente activo en el diseño de los modelos. Esto
lógicamente conduce a seis modelos de implementación: el modelo tecnócrata, el
modelo político, el modelo directivo, el modelo autodidacta, el modelo de conquista y el
modelo experimental.
1. Debe estar listo para trabajar en cooperación cercana con los diferentes agentes
estratégicos con el objetivo de adquirir un entendimiento armonioso en el
contexto organizacional. Adicionalmente, el MC debería tratar constantemente
de discernir el grano de los valores de la organización desde sus partes más
circunstanciales.
2. El MC deberá intentar lograr un equilibrio entre el nivel de sofisticación y
complejidad del modelo, así como también 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 debería intentar hacerse familiar con las diversas preferencias
prevalecientes en la organización. Esto es importante porque la interpretación y
el uso del modelo variarán según las preferencias dominantes de los varios
agentes dentro de la organización.
4. El MC deberá asegurarse de que los posibles usos instrumentales del modelo
estén bien documentados y que los agentes estratégicos en el proceso de toma de
decisiones tengan suficiente conocimiento al respecto, así como también que se
sientan confiados del contenido y funcionamiento del modelo.
5. El MC debería estar preparado para modificar o desarrollar una nueva versión
del modelo, y de ser necesario, hasta preparar un modelo completamente nuevo
que permite una exploración adecuada de formulación de problema que fue
imprevista, proporcionando nuevas alternativas de solución.
6. El MC deberá asegurarse de que el modelo desarrollado proporciona una
protección 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 debería ser consciente con las ideas y conceptos preconcebidos por los
agentes en cuanto a la definición del problema y las soluciones posibles; muchas
decisiones al respecto podrían haber sido tomadas implícitamente mucho antes
de que se hayan hecho explícitas.
En los modelos en los cuales se basan las tomas de decisiones, se esta particularmente
interesado en la idea del diseño para la aplicabilidad de acciones.
¿Por qué el modelado? El objetivo de los modelos es ayudar a diseñar soluciones. Los
mismos deben asistir al entendimiento del problema y ayudar a la deliberación y opción
para permitirnos evaluar las consecuencias de nuestras acciones antes de ponerlos en
práctica.
Las actividades mentales actúan sobre el ambiente, el cual reacciona en contra del
sistema mediante la percepción producida por representaciones.
Sin sistema métrico, la actividad de gerenciar podría estar en las nebulosas, si cree que
es imposible, inténtelo. ¿Cómo podemos decir que hemos logrados nuestros objetivos si
no sabemos cuales son? ¿Cómo sabemos si nuestras estrategias de negocio son
eficientes si las mismas no han sido bien definidos? Por ejemplo, se necesita una
metodología para medir el éxito y establecer objetivos desde la perspectiva financiera y
operacional. Con este tipo de medida, cualquier negocio puede manejar su visión
estratégica y ajustarla para cualquier cambio. El establecimiento de medidas de
comportamiento es de perspectivas múltiples, al menos desde el punto de vista
financiero, del cliente, de innovación, de aprendizaje, y de procesos internos de la
compañía.
Cada una de las cuatro perspectivas anteriores debe ser considerada con respecto
a los siguientes cuatro parámetros:
Regresiones múltiples son utilizadas cuando están envueltos dos o más factores
independientes, y para pronósticos de corto y mediano plazo. Estos son
utilizados para evaluar cuales factores deben ser incluidos y cuales no, asi como
también además para desarrollar modelos alternativos con diferentes factores.
La regresión no lineal no asume una relación lineal entre las variables. Esta es
usada frecuentemente cuando el tiempo es una variable independiente.
Si = Di/ D,
de donde:
Casi todas las series de tiempo publicadas por el gobierno de los EEUU se
encuentran desestacionalizadas usando el índice de estacionalidad para descifrar
las tendencias subyacentes en los datos, los cuales podrían ser causados por
factores de estacionalidad.
M Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic Total
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
Cálculos similares son realizados para cada otro mes. Todos los índices son
totalizados en la última fila de la tabla anterior. Note que la media (el valor
promedio) para los índices mensuales llega hasta 12, el cual es el número de
períodos en un año para los datos mensuales.
Y = 1684 + 200,4T,
La pregunta principal es si esta ecuación representa la tendencia.
Muchas veces el colocar una línea recta en los datos estacionales es engañoso.
Mediante la construcción de un diagrama de dispersión, podemos notar que una
parábola proporciona una mejor representación. Utilizando el Javasript de la
Regresión Polinomial, la tendencia cuadrática estimada es:
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 análisis de series de tiempo:
Estacionalidad, Tendencia, Ciclos e Irregularidad.
Xt = St . Tt. Ct . I
Tendencia: Una serie de tiempo podría ser estacionaria o exhibir una tendencia
temporal. Tendencias a largo plazo son normalmente modeladas bajos patrones
de funciones lineales, cuadráticos o exponenciales.
Ft+1 = α Dt + (1 - α ) Ft
de donde:
Dt e el valor actual
Ft es el valor pronosticado
α es el factor de ponderación, el cual oscila entre 0 y 1
t es el período de tiempo actual.
Las arquitecturas de redes neurales pueden ser entrenadas para predecir los
valores futuros de las variables dependientes. Los requerimientos son el diseño
del paradigma de la red y sus parámetros. El acercamiento de redes neurales de
retroalimentación de capas múltiples 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 estímulos de entrada a diferentes períodos 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 retroalimentación empapada que posea las características de
una memoria dinámica, mejorará el funcionamiento de ambos acercamientos.
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 razón matemática para ajustar estas ocurrencias es que la mayoría
de las técnicas de pronóstico están basadas en promedios. Es bien sabido que las
medias aritméticas son muy sensibles a los valores de los outliers; por lo tanto,
algunas alteraciones en los datos deberían ser hechas antes de continuar. Una
aproximación seria el reemplazar el outlier por el promedio de los dos niveles de
ventas para los períodos, los cuales vienen inmediatamente antes y después del
período en cuestión, y luego poner este número 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 debería seguir una segunda alternativa, la cual es simplemente eliminar los
datos e incluir los outliers.
Una Aplicación: 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 comprarían el producto.
Todos los modelos de pronóstico tienen una estructura de error ya sea explicita o
implícita, donde el error es definido como la diferencia entre el modelo de
predicción y el valor "verdadero." Adicionalmente, muchas metodologías de
rastreo de datos dentro del campo de la estadística necesitan ser aplicadas a
datos proporcionados a los modelos de predicción. La comprobación diagnóstica
también, como es definida en el campo estadístico, es requerido para cualquier
modelo que utilice datos.
• pendiente/ PM,
• log (pendiente),
• log (pendiente/ PM),
• log(pendiente) - 2 log(PM).
Introducción
Método de los Mínimos Cuadrados: Para predecir la media del valor de y para
un valor x determinado, se necesita una línea que pase a través 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 línea de predicción. Este acercamiento debería resultar en una
línea que podríamos decir que "ajusta mejor" a los datos de la muestra. El
método de los mínimos cuadrados alcanza este resultado mediante el cálculo del
promedio mínimo al cuadrado de las desviaciones entre la muestra y la línea
estimada. Un procedimiento es utilizado para encontrar los valores de a y b, la
cual se reduce a la solución de ecuaciones lineales simultaneas. Se han
desarrollado formulas para acortar los pasos para encontrar soluciones
alternativas de ecuaciones simultaneas.
Métodos de Solución: Las Técnicas de Álgebra Matricial pueden ser empleadas
de manera manual para resolver ecuaciones lineales simultáneas. Esta técnica es
útil especialmente cuando existen sistemas de dos o mas ecuaciones con dos
variables desconocidas.
Evaluación: ¿Que tan confiados podemos estar de que realmente existe una
relación? La rectitud de la relación puede ser evaluada mediante la prueba
estadística de hipótesis, tal como la hipótesis nula, la cuales son establecidas
usando la distribución t, el R cuadrado, las tablas de la distribución F. Estos
cálculos incrementan el error estándar del coeficiente de regresión, una
estimación del coeficiente de regresión b variará de muestra a muestra de igual
tamaño dentro de la misma población. Un Análisis de la Tabla de Varianza
(ANOVA) puede ser generada, la cual resume los diferentes componentes de
variación.
A. Planificación:
Metodología de la Box-Jenkins
Introducción
Metodología de la Box-Jenkins
Series Aleatorias Puras: Desde otro punto de vista, si las series de datos
iniciales no presentan tendencia ni estacionalidad, y los ploteos residuales
muestran esencialmente valores cero con un nivel de confianza de 95% sin
patrón de comportamiento, quiere decir que no existe problema estadístico real
que resolver, lo que implica que vamos en otra dirección. .
Modelo Básico: Con una serie estacionaria como escenario, un modelo básico
puede ser identificado ahora. Existen tres modelos básicos, los cuales
constituyen las herramientas disponibles: AR (autoregresivo), PM (promedios
móviles) y el combinado de ARPM, adicionalmente al especificado
anteriormente de DR (diferenciación regular.) Cuando el modelo de
diferenciación 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 diferenciación.
Estacionalidad: En adición a las tendencias, las cuales han sido provistas ahora,
las series estacionarias presentan con frecuencia comportamientos estacionales,
donde un patrón básico tiende a repetirse a intervalos estacionales regulares.
Adicionalmente, el patrón de estacionalidad podría presentar cambios constantes
a través del tiempo. Una simple diferenciación fue aplicada a las series de
tendencias en general, la diferenciación estacional (DS) se aplica a series
estacionales no estáticas. Como las herramientas auto regresivas y de promedios
móviles están disponibles para todo tipo de series, también lo están para
fenómenos estacionales mediante el uso de parámetros de autoregresiones
estacionales (AE), y los parámetros de promedios móviles estacionales (PME).
Modelos Autoregresivos
El valor actual de las series es una combinación lineal de los mas recientes
valores pasados de p mas un término 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 regresión múltiple, pero no
es regresado sobre las variables independientes sino en los valores pasados; por
lo tanto, el término "Autoregresivo" es utilizado.
X(t) = a + b X(t-s) + ε t
y
X(t) = Φ 0 + Φ 1X(t-1) + ε t,
| Φ 1| < 1
es expresada como una hipótesis nula H0 la cual debe ser probada antes de la
etapa de pronóstico. Para probar la hipótesis, debemos sustituir la prueba t
utilizada en el análisis de regresión para probar la pendiente con la prueba de τ
introducida por los economistas Dickey y Fuller. Esta prueba es encontrada en el
JavaScript Modelando Series de Tiempo Autoregresivas.
El error medio absoluto es una fuerte medida de error. Sin embargo, se podría
utilizar la suma de los errores para comparar el éxito de cada modelo de
pronóstico en relación a la línea de fondo, tal como un modelo de camino
aleatorio, el cual normalmente utiliza modelos financieros de series de tiempo.
Ecuaciones Simultaneas
C = β 1 + β 2Y + ε
Y = C + I,
Donde:
C = β 1 + β 2 (C + I) + ε .
Por lo tanto,
C = β 1 / (1 - β 2) + β 2 I / (1 - β 2) + ε / (1 - β 2),
Y = β 1 / (1 - β 2) + I / (1 - β 2) + ε / (1 - β 2),
Ahora podemos utilizar el análisis de RMC para estimar esta ecuación. Esto es
totalmente permisible porque la inversión y el término de error no están
correlacionados dado el hecho de que la inversión es exógena. Sin embargo,
utilizando la primera ecuacion se puede obtener una pendiente estimada β 2 /(1 -
β 2), mientras que la segunda ecuación proporciona otra estimación de 1 /(1 -
β 2). Por lo tanto, tomando los ratios de estas formas reducidas, las pendientes
proporcionaran una estimación de para β .
País C I Y País C I Y
Corea del
Australia 15024 4749 19461 4596 1448 6829
Sur
Austria 19813 6787 26104 Luxemburgo 26400 9767 42650
Bélgica 18367 5174 24522 Malasia 1683 873 3268
Canada 15786 4017 20085 Mexico 3359 1056 4328
China 446 293 768 Holanda 17558 4865 24086
Nueva
China-HK 17067 7262 24452 11236 2658 13992
Zelanda
Dinamarca 25199 6947 32769 Noruega 23415 9221 32933
Finlandia 17991 4741 24952 Pakistán 389 79 463
Francia 19178 4622 24587 Filipinas 760 176 868
Alemania 20058 5716 26219 Portugal 8579 2644 9976
Grecia 9991 2460 11551 España 11255 3415 14052
Islandia 25294 6706 30622 Suecia 20687 4487 26866
India 291 84 385 Suiza 27648 7815 36864
Indonesia 351 216 613 Tailandia 1226 479 1997
Irlanda 13045 4791 20132 Reino Unido 19743 4316 23844
Italia 16134 4075 20580 EEUU 26387 6540 32377
Japón 21478 7923 30124
Las medidas estadísticas de error mas utilizadas, las cuales pueden ayudar a
identificar un método o valores óptimos de los parámetros dentro de un método
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 será el pronóstico.
El análisis de ploteo del costo promedio con respecto a la antigüedad indica que
tiene una forma de parábola tal y como se con un costo mínimo anual de
$38000. Esto corresponde a la decisión de reemplazar la maquinaria al final del
tercer año.
Vilfredo Pareto fue un economista italiano que notó que 80% de la riqueza
estaba poseída por solo el 20% de la población. El análisis de Pareto ayuda a
elegir cual es el cambio más 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 análisis de Pareto es una técnica formal para
encontrar los cambios en inventarios que generaran los beneficios más altos.
Este análisis es muy útil donde existen muchos caminos de acción compitiendo
para ser seleccionados. Para comenzar el análisis, escriba una lista de cambios
de inventarios que se podrían realizar. Si se tiene una lista larga, agrúpelas en
cambios relacionados entre sí, luego ubíquelas 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 proporcionará el mayor beneficio en el caso de
ser resuelto. Las opciones con los resultados más bajos probablemente no
tendrán ningún valor el resolverlas porque quizás podrían costar más las
soluciones que su mismo valor.
Ejemplo Numérico: Considere una pequeña tienda que tiene nueve tipos de
productos con los siguientes costos y niveles de demanda anual:
Nombre del
P1 P2 P3 P4 P5 P6 P7 P8 P9
Producto
Costo ($100) 24 25 30 4 6 10 15 20 22
Demanda Anual 3 2 2 8 7 30 20 6 4
Calcule el uso anual de cada producto en términos de dólares, y luego ubique los
valores numéricos en orden decreciente, así como es mostrado en la tabla
siguiente. El uso anual total de acuerdo a sus respectivos valores es 1064.
Note que, porque las "ganancias netas" están definidas como (beneficios -
costos), en el punto máximo su derivada desaparece; por lo tanto, la pendiente
de las ganancias máximas es cero en el punto de cantidades de producción
optimas. Para determinar la distancia máxima entre dos curvas, se enfoca en el
cambio incremental o marginal de una curva en relación 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 máximo, el beneficio adicional simplemente
compensara el costo marginal; por lo tanto, no existe cambio en las ganancias
netas, es decir, la cantidad optimas es donde el
Los inventarios son tanto bienes sin uso en un depósito, materias prima para ser
utilizadas, materiales en proceso, bienes finales, como individuos. Un buen
modelo de inventarios nos permite:
Tasa o Nivel de Una tasa constante al cual los productos son retirados del inventario
Demanda: x
Costos de orden: C1 Este es el costo fijo de colocar una orden independiente del monto ordenado.
Costos de preparación
Costos de Este costo usualmente incluye la perdida de ingresos por inversión causados por la
manutención : C2 manutención del activo atado al inventario (no circulación 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
ubicación, seguro, etc. Este es una tasa de descuento o una tasa de interés utilizada
para calcular el costo de mantener unidades de inventario en los almacenes.
Costos de Debe existir un costo para cuando la escasez ocurre.
Desabastecimiento:
C3
Costo de Respaldo Este costo incluye los gastos por cada articulo respaldado. Esto podría ser un gasto
de ordenes: C4 para cada articulo en proporción l tiempo que cada cliente debe esperar por dicho
producto.
Tiempo de Es el intervalo de tiempo que transcurre mientras una orden es hecha y el inventario
reemplazo: L es reemplazado.
La figura siguiente muestra los cambios en los niveles inventarios con respecto
al tiempo:
Ordenes Almacenamiento
Costo Total= C1x/Q + C2/(2Q)
Ejemplo Numérico 1: Suponga que su oficina utiliza 1200 cajas al año 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 año, el costo de ordenamiento C1 = $5 por orden,
costos de manutención o mantenimiento C2 = $1.20 por caja, por año.
Porque los reemplazos son instantáneos, los artículos 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 mínimo es un número negativo y la diferencia entre el
inventario mínimo y máximo es el tamaño del lote.
De otra manera,
Q* = (2xC1/C2)1/2, con S* = 0.
Almacenamiento
Ordenes
Holding
Costo Total = xC1/Q + (K-x)QC2/(2K)
donde,
t1 = {[2xC1C2]/[C4K(K-x)(C2+C4)]}1/2,
t2 = {[2xC1C4]/[C2K(K-x)(C2+C4)]}1/2
Su ganancia es:
Puede ser mostrado que la cantidad óptima ordenada D* con el beneficio diario
máximo esperado es una función de la Función de Distribución Empírica
Acumulativa (FDEA) = F(x). Mas específicamente, la cantidad óptima es X*
donde F(x) es mayor o igual que el ratio P/(P + L) para la primera vez.
A for 0 ≤ t ≤ T,
A(t) =
0 for t >T
Donde:
A(t) = Actitud del consumidor hacia la marca, la cual resulta de una variedad
compleja de iteraciones de varios factores, alguno de los cuales están indicados
en la figura anterior.
1) La tasa de publicidad es constante a través del tiempo. Esta claro que los
retornos bajo un modelo de publicidad constante disminuyen a través del
tiempo, lo que implica que no están relacionados al volumen de las ventas; por
lo tanto cualquier gasto adicional en publicidad no traerá ningún incremento
sustancial en los ingresos por venta. El término "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 repetición de un estímulo en la habilidad de los consumidores de recordar el
mensaje es el asunto mas importante en la teoría de aprendizaje. Por supuesto,
esta bien establecido que la publicidad debe ser continua para evitar que sea
olvidada.
La Cadena de Markov
1. Estado Espacial:
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,..}
P [Xt+1 = j | Xt = i ]
donde i, y j pertenecen al conjunto S.
x1
x2
.
x(n) =
.
xk
x1
x2
.
x=
.
xk
1
0
x(0) =
0
0
0,25
0,20
x(1)= Px(0) =
0,25
0,30
Al final de la 2da semana el vector estado es Px1
Similarmente, podemos encontrar el vector estado para 5to, 10mo, 20avo, 30avo, y
50avo períodos de observación.
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
0 1
P= 1 0
,y
1
x(0) =
0
$20 000 para la industria A, $30 000 para la industria B, $25 000 para la
industria C
Producción Consumo
para para para
para externas
A B C
Industria A: x1 = 0,10x1 + 0,43x2 + 20 000
Industria B: x2 = 0,15x1 + 0,37x3 + 30 000
Industria C: x3 = 0,23x1 + 0,03x2 + 0,02x3 + 25 000