Técnicas de Comercialización (métodos estadísticos)
- Cadena de Markov
- Cadena de Markov
El análisis de Markov, llamado así en honor al matemático ruso Andrei Markov que desarrollo el método en 1907, permite encontrar la probabilidad de que un sistema se encuentre en un estado en particular en un momento dado.
Una cadena de Markov consta de una serie de eventos, en la cual la probabilidad de que ocurra un evento depende del evento inmediato anterior. En efecto, las cadenas de este tipo tienen memoria. “Recuerdan” el último evento y esto condiciona las posibilidades de los eventos futuros. Esta dependencia del evento anterior distingue a las cadenas de Markov de las series de eventos independientes, como tirar una moneda al aire o un dado.
Se define como un proceso estocástico discreto que cumple con la Propiedad de Markov, es decir, si se conoce la historia del sistema hasta su instante actual, su estado presente resume toda la información relevante para describir en probabilidad en su estado futuro.
En los negocios, las cadenas de Markov se han utilizado para analizar los patrones de compra de los deudores morosos, para planear las necesidades de personal y para analizar el reemplazo de equipo.
Se utiliza en:
• ranking de páginas relevantes en una búsqueda de Google (se calcula según cantidad de vínculos que apuntan a la página).
• Producción de números aleatorios
• Cálculo de seguros
• Estimaciones económicas
• Correctores ortográficos, diccionario T9 en los teléfonos celulares
-La Teoría Bayesiana
Se basa en la enumeración de diferentes eventos posibles y la asociación de cada uno con una probabilidad de ocurrencia. Por medio de la cuantificación del impacto de cada evento, y la multiplicación por su correspondiente probabilidad de ocurrencia, se pueden calcular los "daños esperados" de cada factor de riesgo.
Según teoría Bayesiana, los gerentes toman decisiones, y deberían tomar decisiones, basados en un cálculo de las probabilidades de todos los resultados posibles para cada situación. Cuantificando el valor de cada resultado por su probabilidad de ocurrencia y sumando sus totales, los decisores bayesianos calculan los “valores esperados” para una decisión que deba ser tomada. Si el valor esperado es positivo, entonces la decisión debe ser aceptada; si es negativa, debe ser rechazada.
- Pert
Según teoría Bayesiana, los gerentes toman decisiones, y deberían tomar decisiones, basados en un cálculo de las probabilidades de todos los resultados posibles para cada situación. Cuantificando el valor de cada resultado por su probabilidad de ocurrencia y sumando sus totales, los decisores bayesianos calculan los “valores esperados” para una decisión que deba ser tomada. Si el valor esperado es positivo, entonces la decisión debe ser aceptada; si es negativa, debe ser rechazada.
- Pert
La Técnica del P.E.R.T. (Program Evaluation and Review Technique) es un instrumento
diseñado especialmente para la dirección, permitiéndole planificar, programar y controlar los recursos de que dispone, con el fin de obtener los resultados deseados.
Se trata de una técnica que proporciona a la gerencia, información sobre los problemas reales y potenciales que pueden presentarse en la terminación de un proyecto, la condición corriente de un proyecto en relación con el logro de sus objetivos, la fecha esperada de terminación del proyecto y las posibilidades de lograrlo, y en donde se encuentran las actividades mas críticas y menos críticas en el proyecto total. La Técnica P.E.R.T., traza un método eficaz para reducir los riesgos tomando aquellas decisiones que tengan mayor probabilidad de éxito.
El método Pert se utiliza para:
PERT es un sistema probabilístico, ya que considera la posibilidad estadística de tres tiempos: optimista, probable y pesimista.
Existen ciertas consideraciones que obligan a utilizar esta técnica:
1. Necesidad de prever hechos futuros para tomar medidas preventivas.
2. Necesidad de mejorar la eficacia de trabajo mediante métodos de controles rápidos e integrables.
3. Necesidad de métodos que permitan reducir en tiempo y costo el desarrollo de proyectos de trabajo.
4. Necesidad de métodos que ayuden a tomar decisiones más precisas.
- Análisis de la ruta crítica
El método de ruta crítica es un proceso administrativo (planeación, organización, dirección y control) de todas y cada una de las actividades componentes de un proyecto que debe desarrollarse durante un tiempo crítico y al costo óptimo. La aplicación potencial del método de la ruta crítica, debido a su gran flexibilidad y adaptación, abarca desde los estudios iniciales para un proyecto determinado, hasta la planeación y operación de sus instalaciones. A esto se puede añadir una lista indeterminable de posibles aplicaciones de tipo específico. Así, podemos afirmar que el método de la ruta crítica es aplicable y útil en cualquier situación en la que se tenga que llevar a cabo una serie de actividades relacionadas entre sí para alcanzar un objetivo determinado.
El método es aplicable en tareas tales como: construcción, estudios económicos, planeación de carreras universitarias, censos de población, estudios técnicos, etc. Los beneficios derivados de la aplicación del método de la ruta crítica se presentarán en relación directa a la habilidad con que se haya aplicado. Debe advertirse, sin embargo, que el camino crítico no es una medicina que resuelva problemas administrativos de un proyecto. Cualquier aplicación incorrecta producirá resultados adversos. No obstante, si el método es utilizado correctamente, determinará un proyecto más ordenado y mejor balanceado que podrá ser ejecutado de manera más eficiente y normalmente, en menor tiempo.
Un beneficio primordial que nos brinda el método de la ruta crítica es que resume en un sólo documento la imagen general de todo el proyecto, lo que nos ayuda a evitar omisiones, identificar rápidamente contradicciones en la planeación de actividades, facilitando abastecimientos ordenados y oportunos; en general, logrando que el proyecto sea llevado a cabo con un mínimo de tropiezos.
-Disonancia cognitiva
La disonancia cognitiva es una situación de desequilibrio, incoherencia, entre al menos dos cogniciones. La disonancia genera un estado de tensión desagradable por lo que tendemos a buscar la coherencia, la consonancia cognitiva. En el caso del consumidor que presenta su definición, no es solamente por recibir un producto o servicio por debajo de sus expectativas, esto sería un ejemplo incompleto. La disonancia se daría al elegir un objeto por debajo de sus expectativas siendo consciente de ello y sin razones externas para ello (no sería posible una atribución externa de su conducta, por lo tanto su elección no es coherente con su valores, creencias o expectativas con lo que se produce una tensión entre la conducta realizada (incoherente con uno mismo) y su actuación, al no haber explicación externa a su conducta (el producto obtenido no es apreciado) una de las salidas para reducir la tensión es cambiar la percepción sobre el producto o sus valores o creencias hacia el mismo en el sentido de hacerlo más apreciado.
-Técnicas de simulación
Desde que los primeros humanos hicieron representaciones de animales y de otros humanos en las cavernas de Lascaux y de Altamira, hace más de veinte mil años, quizás con la esperanza de que los dibujos trazados sobre la gruesa roca les permitieran controlar los próximos movimientos de los animales para poder cazarlos (según la teoría de la magia simpática ), el Homo Sapiens intuyó el gran poder que subyacía en simular situaciones hipotéticas que, recreadas en la imaginación, les permitirían anticipar el siguiente paso del animal, para así tomar ventaja. Sin embargo, los misterios que encierra el arte paleolítico son eso, misterios. Lo que no sucede con las modernas técnicas de simulación, aunque conserven el mismo principio: recrear una situación basada en los criterios que decida el investigador para anticipar escenarios probables, dependiendo de la evolución del sistema. De esta manera, en palabras del profesor José Daniel Muñoz, Director del Grupo de Simulación de Sistemas Físicos de la Universidad Nacional, “La simulación está a medio camino entre la teoría y el experimento”. Así caracteriza Muñoz el conjunto de técnicas que permiten simular y modelar sistemas complejos de las “más diversas áreas de la ciencia y de la técnica”.Este conjunto de técnicas, o métodos de simulación (dinámica molecular, método de Montecarlo, autómatas celulares, para mencionar sólo algunos de los que estudia el grupo de la UN), ofrece al investigador la posibilidad de trabajar sobre universos artificiales en los que sus hipotéticos habitantes se trasforman en entidades, cuyo comportamiento e interrelaciones son descritas a partir del procesamiento de los valores de las variables, los parámetros y las reglas de evolución del sistema, entre otros datos que permiten analizar su situación global y su dinámica en el tiempo. Uno de los criterios fundamentales para llevar a cabo una simulación útil, que permita describir el funcionamiento de un sistema es, claro, definirlo. Así es para el profesor Diógenes Campos, que desarrolló buena parte de su labor investigativa y docente en la Universidad Nacional y actualmente es el Decano de la Facultad de Ciencias Naturales de la Universidad Jorge Tadeo Lozano. Para Campos, lo primero es elegir el sistema que se va a estudiar. Esto automáticamente parcela el universo en dos partes: el sistema y lo que Campos llama el medio ambiente. En el caso del modelo que desarrollamos para virología utilizamos ecuaciones diferenciales ordinarias”.Cabe agregar que, ante la dificultad de experimentar directamente en laboratorio con entidades inabarcables –como un grupo social–, muy pequeñas –como moléculas– o que supongan dificultades logísticas –como la reacción de los cuerpos ante la gravedad cero en la tierra–, la simulación es de gran ayuda, pues posibilita representar las condiciones del sistema y saber cómo funcionaría. Así mismo, el moldeamiento de sistemas físicos permite detectar fallas y errores en los diseños de los experimentos y analizar los resultados de forma segura. Técnicas para cada situación. Según el profesor Álvaro Árenas, de la Escuela de Diseño Industrial de la Universidad Nacional, algunos fenómenos físicos, biológicos y antroposociales son susceptibles de ser simulados y modelados. Arenas, como Director del grupo Complexus de la Universidad Nacional, ha realizado simulaciones de redes sociales, como la de los investigadores de la UN, basado en el paradigma contemporáneo de la complejidad, que permite “conocer la interacción entre los componentes de un sistema. Es decir, permite comprender que el todo es más que la suma de las partes”.De igual forma, para él es clave conocer qué tipo de técnica se ajusta mejor a su simulación. Muñoz cree que estas podrían agruparse en técnicas de simulación, técnicas de moldeamiento y métodos numéricos. En técnicas de simulación se encuentran las ecuaciones diferenciales, los autómatas celulares, la dinámica molecular y el método de Montecarlo, muy útiles en campos tan disímiles como la simulación del tránsito vehicular, el monitoreo de procesos de producción, la caracterización del comportamiento de suelos, arenas, cerámicas y concretos, y la simulación de materiales granulares, entre otros. Con más de doce líneas de investigación, el grupo del profesor Muñoz es un referente en este campo .En las técnicas de moldeamiento se encuentran las redes neuronales y los algoritmos genéticos, entre otras. Estas sirven fundamentalmente para simular redes sociales, propagación de epidemias y otros fenómenos sociales.
Análisis de varianza (ANOVA)
En estadística, el análisis de la varianza o análisis de varianza (ANOVA, según terminología inglesa) es una colección de modelos estadísticos y sus procedimientos asociados, en el cual la varianza esta particionada en ciertos componentes debidos a diferentes variables explicativas. Las técnicas iniciales del analisis de varianza fueron desarrolladas por el estadístico y genetista R. A. Fisher en los años 1920 y 1930s y es algunas veces conocido como Anova de Fisher o analisis de varianza de Fisher, debido al uso de la distribución F de Fisher como parte del contraste de hipótesis.
El análisis de varianza sirve para comparar si los valores de un conjunto de datos numéricos son significativamente distintos a los valores de otro o más conjuntos de datos. El procedimiento para comparar estos valores está basado en la varianza global observada en los grupos de datos numéricos a comparar. Típicamente, el análisis de varianza se utiliza para asociar una probabilidad a la conclusión de que la media de un grupo de puntuaciones es distinta de la media de otro grupo de puntuaciones.
Análisis de regresión
Dentro del método estadístico la técnica mas conocida es el análisis de regresión, conocido también como método de los mínimos cuadrados o análisis de correlación esta es una herramienta estadística que sirve para medir la relación que existe entre una variable dependiente y una o más variable independiente, decir la afinidad que existe ambas variables.
Cuando la relación se da entre una variable dependiente y una variable independiente, se llama regresión simple, si la relación es entre, una variable dependiente y varias variables independientes, se llama regresión múltiple.
