UNIVERSIDAD NACIONAL AUTÓNOMA DE HONDURAS

CENTRO UNIVERSITARIO REGIONAL DEL CENTRO

(UNAH-CURC)

GLOSARIO SOBRE TEORIA DE DECISIONES

Asignatura:

Analisis Cuantitativos II

Docente:

Lic. Sergio Padilla

Presentado Por:

Arlyn Maryly Sarmiento Maradiaga 20221900281

Marilyn Tatiana Medina Gonzales 20221900120

Jennifer Mariela Velásquez 20222001210

Sección

1900

Comayagua, 28 noviembre de 2023

1. ¿Qué es pronosticar?
R// Pronosticar es prever o anticipar eventos futuros mediante el análisis de datos,
patrones o condiciones actuales.
2. Enumere y conceptualice las categorías del horizonte de tiempo del
pronóstico
R// Pronóstico a corto plazo: Este pronóstico tiene un periodo de hasta 1 año, pero casi
siempre es menor que 3 meses. Se usa para planear las compras, programar el trabajo,
determinar niveles de mano de obra, asignar el trabajo y decidir los niveles de
producción.
Pronóstico a mediano plazo: Un pronóstico a mediano plazo, o intermedio, en generales extiende de
3 meses a 3 años. Es útil para planear las ventas, la producción, el presupuesto y el flujo
de efectivo, así como para analizar los diversos planes de operaciones.
Pronóstico a largo plazo: En general comprende 3 años o más; los pronósticos a largo plazo se
emplean para planear nuevos productos, gastos de capital, ubicación o ampliación de las
instalaciones y la investigación y el desarrollo.
3. Características que distinguen los pronósticos a mediano y largo plazo, de
los de corto plazo, Enumere y conceptualice los tipos de pronóstico s
R// Características pronostico Corto Plazo:
Horizonte Temporal:
De minutos a pocos días.
Se centran en eventos inmediatos y cambios rápidos.

Suelen basarse en datos actuales y recientes.

Mayor sensibilidad a factores inmediatos y condiciones presentes.

Ejemplos incluyen el pronóstico meteorológico diario, la demanda diaria de
productos perecederos, y la planificación operativa a corto plazo.
Características Mediano Plazo:
Horizonte Temporal:
De semanas a varios meses.
Consideran tendencias y patrones que se desarrollan en un periodo más extenso.

Utilizan datos históricos y actuales para identificar cambios a mediano plazo.

Menos sensibles a fluctuaciones diarias y más enfocados en variaciones a lo largo

de semanas o meses.
Características Pronostico largo plazo:
Horizonte Temporal:
De varios meses a varios años.
 Enfocados en tendencias y cambios significativos en el tiempo.
Utilizan datos históricos extensos y consideran factores macroeconómicos.
Menos sensibles a fluctuaciones a corto plazo, pero más a eventos a largo
plazo.

4. ¿Cuál es la importancia estratégica del pronóstico?

R// Es reducir la incertidumbre acerca de lo que puede acontecer en el futuro
proporcionando información cercana a la realidad, que permita tomar decisiones.

5. Efecto de del pronóstico del producto en: Recursos humanos, Capacidad,

Administración de la cadena de suministro
R//
Recursos Humanos:
Efectos Positivos: Un pronóstico preciso permite una planificación de recursos
humanos más eficiente. Las empresas pueden anticipar la demanda de trabajo
futuro y contratar, capacitar o redistribuir su fuerza laboral de manera adecuada.
Efectos Negativos: Un pronóstico inexacto puede conducir a la falta o al exceso
de personal, lo que afecta la eficiencia y los costos laborales.

Capacidad de Producción:
Efectos Positivos: Un pronóstico preciso permite ajustar la capacidad de
producción de manera óptima para satisfacer la demanda real del mercado. Esto
evita la subutilización o la sobrecarga de la capacidad de producción.
Efectos Negativos: Pronósticos inexactos pueden llevar a problemas de
capacidad, como la falta de productos para satisfacer la demanda o la
sobreproducción que resulta en exceso de inventario.

Administración de la Cadena de Suministro:

Efectos Positivos: Un pronóstico preciso facilita la coordinación de la cadena de
suministro, desde la adquisición de materias primas hasta la entrega de productos
acabados. Permite a los proveedores y fabricantes planificar de manera eficiente
para satisfacer la demanda del cliente.
Efectos Negativos: Pronósticos inexactos pueden generar disrupciones en la
cadena de suministro, como la falta de materias primas o la acumulación de
inventario no vendido.

6. Enumere los siete pasos en el sistema de pronóstico, Realidades que

enfrentan las empresas, sin importar el sistema que usen
R//
Definición del Objetivo del Pronóstico:

Este paso implica establecer claramente el propósito del pronóstico. Preguntas

clave incluyen: ¿Qué se está pronosticando? ¿Con qué horizonte de tiempo? ¿Con
qué nivel de detalle?

Selección de Datos Relevantes:

Seleccionar y recopilar datos relevantes es esencial. Esto puede incluir datos

históricos, información de mercado, factores económicos, y cualquier otra
variable que pueda influir en el evento que se está pronosticando.

Análisis Exploratorio de Datos:

Antes de aplicar métodos formales de pronóstico, es útil realizar un análisis

exploratorio de los datos para comprender patrones, tendencias y
comportamientos que pueden influir en las predicciones.

Selección del Método de Pronóstico:

Elegir el método de pronóstico adecuado depende de varios factores, como la

naturaleza de los datos, la disponibilidad de información histórica y la
complejidad del fenómeno que se está pronosticando. Los métodos comunes
incluyen regresión, series temporales y técnicas de machine learning.

Implementación del Método:

Aplicar el método seleccionado para generar las predicciones. Esto puede

implicar el uso de software especializado, algoritmos matemáticos o modelos
estadísticos, según la elección del método de pronóstico.

Evaluación del Pronóstico:

Evaluar la precisión del pronóstico es esencial. Esto implica comparar las

predicciones con los resultados reales y utilizar métricas de evaluación, como el
error absoluto medio o la raíz del error cuadrático medio.

Implementación y Monitoreo Continuo:

Una vez que se ha generado el pronóstico, es crucial implementarlo en las

operaciones y realizar un monitoreo continuo. Se deben ajustar los pronósticos
según sea necesario, y los cambios en las condiciones del mercado deben ser
reflejados en futuras actualizaciones.
7. Enumere y conceptualice los enfoques de pronósticos
R//
Métodos Cualitativos:
Estos métodos se basan en juicios expertos, opiniones y conocimientos cualitativos para
realizar pronósticos. No se utilizan datos numéricos históricos en este enfoque.
Ejemplos: Entrevistas a expertos, paneles de expertos, método Delphi.

Métodos Cuantitativos:
Se basan en datos numéricos históricos y utilizan modelos matemáticos y estadísticos
para prever eventos futuros. Son más objetivos y cuantificables que los métodos
cualitativos.
Ejemplos: Modelos de regresión, análisis de series temporales, métodos de machine
learning.

Métodos de Series Temporales:

Se centran en analizar patrones y tendencias en datos que varían con el tiempo. Utilizan
información histórica para prever eventos futuros.
Ejemplos: Modelos ARIMA (AutoRegressive Integrated Moving Average), suavización
exponencial, métodos de descomposición.

Métodos Causales o de Regresión:

Buscan relaciones causales entre la variable que se está pronosticando y otras variables
predictoras. Se basan en la suposición de que ciertas variables explicativas afectan el
resultado deseado.
Ejemplos: Regresión lineal, regresión logística.

Métodos de Machine Learning:

Utilizan algoritmos y técnicas de aprendizaje automático para analizar datos, identificar
patrones complejos y hacer predicciones. Pueden ser aplicados a una amplia gama de
problemas de pronóstico.
Ejemplos: Redes neuronales, máquinas de soporte vectorial (SVM), bosques aleatorios.

Métodos de Promedio Móvil:

Calculan pronósticos promediando valores pasados en intervalos de tiempo específicos.
Se utilizan para suavizar las fluctuaciones y resaltar patrones a largo plazo.
Ejemplos: Media móvil simple, media móvil ponderado, suavización exponencial.

Métodos de Simulación:
Utilizan modelos que imitan el comportamiento del sistema que se está pronosticando. Se
generan múltiples escenarios para evaluar la variabilidad y riesgo asociados.
Ejemplos: Modelos de Monte Carlo, simulación de eventos discretos.
 Métodos de Juicio o Intuición:
Se basan en la experiencia y juicio subjetivo de expertos para realizar pronósticos.
Pueden ser útiles cuando no hay datos históricos disponibles o cuando se enfrenta a
situaciones únicas.
Ejemplos: Métodos de consenso, evaluación subjetiva.

8. Enumere y conceptualice las técnicas de pronósticos cualitativo s

R// Entrevistas a Expertos:
Implica la recopilación de opiniones y juicios de personas con experiencia relevante en el
área de interés. Los expertos proporcionan estimaciones basadas en su conocimiento y
experiencia.

Paneles de Expertos:
Involucra a un grupo de expertos que se reúnen para discutir y llegar a un consenso sobre
las previsiones futuras. Se busca la combinación de conocimientos y la reducción de
sesgos individuales.

Método Delphi:
Implica una serie de rondas de cuestionarios estructurados en las cuales los expertos
proporcionan respuestas anónimas. Después de cada ronda, se comparten las respuestas
resumidas con el grupo, permitiendo ajustes en las estimaciones.

Consenso de Grupos:
Involucra la obtención de estimaciones de pronóstico a través de discusiones y
negociaciones entre los miembros del grupo. Se busca alcanzar un acuerdo general entre
las partes interesadas.

Analogía Histórica:
Se basa en encontrar situaciones pasadas similares y utilizarlas como base para prever
eventos futuros. Implica hacer comparaciones y ajustes para reflejar las diferencias en las
condiciones actuales.

Evaluación Subjetiva:
Se basa en la intuición y evaluación subjetiva de individuos para hacer pronósticos. No
implica un proceso estructurado y puede depender en gran medida de la experiencia
personal.

9. Enumere los métodos cuantitativos de pronósticos

R// Modelos de Series Temporales:
Analizan patrones y tendencias en datos que varían con el tiempo. Estos modelos se
basan en la suposición de que la historia pasada es indicativa del futuro.
 Método de Regresión:
Identifica relaciones entre la variable dependiente (la que se pronostica) y las variables
independientes (predictoras). Utiliza estas relaciones para hacer predicciones.

Análisis de Regresión Múltiple:

Extiende el método de regresión al incluir múltiples variables independientes en el
modelo. Permite analizar cómo varias variables afectan la variable dependiente.

Métodos de Machine Learning:

Utilizan algoritmos y técnicas de aprendizaje automático para analizar datos y hacer
predicciones. Son capaces de manejar patrones complejos y adaptarse a cambios en los
datos.

Métodos de Suavización Exponencial:

Calculan promedios ponderados de datos pasados, dando más peso a los valores más
recientes. Se utilizan para suavizar las fluctuaciones y prever tendencias.

Modelos de Box-Jenkins (ARIMA):

Utilizan la autocorrelación y la diferenciación para modelar patrones estacionales y
tendencias en datos de series temporales. Apropiados para datos estacionarios.

Métodos de Descomposición de Series Temporales:

Descomponen una serie temporal en componentes como tendencia, estacionalidad y
residuos. Luego, se pronostican individualmente y se combinan para obtener la
predicción final.

Modelos de Redes Neuronales:

Imitan el funcionamiento del cerebro humano para identificar patrones y relaciones
complejas en los datos. Son particularmente útiles para problemas no lineales.

Métodos de Box-Cox:
Transforman datos para estabilizar la varianza y hacerlos más adecuados para ciertos
modelos estadísticos, como la regresión lineal.

10.Conceptualice métodos de serie de tiempo y modelo asociativo

R// Métodos de Serie de Tiempo:

ARIMA (AutoRegressive Integrated Moving Average):

Es un modelo que combina componentes de autorregresión (AR), integración (I) y media
móvil (MA). Se utiliza para modelar y pronosticar datos temporales estacionarios, donde
la estacionariedad se logra mediante diferenciación.
 Suavización Exponencial:
Los métodos de suavización exponencial, como el suavizado exponencial simple y doble,
se basan en calcular promedios ponderados de datos pasados. Se da más peso a los
valores más recientes, lo que ayuda a suavizar las fluctuaciones y prever tendencias.

Descomposición de Series Temporales:

Este método descompone una serie temporal en componentes como tendencia,
estacionalidad y residuos. Cada componente se modela y pronostica por separado, y
luego se combinan para obtener el pronóstico final.

Modelo Asociativo:

Regresión Lineal:
La regresión lineal establece una relación lineal entre la variable dependiente y una o más
variables independientes. El objetivo es encontrar la línea que minimiza la suma de los
cuadrados de las diferencias entre los valores observados y los predichos.

Regresión Logística:
La regresión logística se utiliza cuando la variable dependiente es categórica (binaria).
Establece una relación entre las variables predictoras y la probabilidad de que la variable
dependiente pertenezca a una categoría en particular.

Regresión Múltiple:
La regresión múltiple extiende la regresión lineal al incluir dos o más variables
independientes. Permite analizar cómo múltiples factores afectan la variable dependiente.

Regresión No Lineal:
Mientras que la regresión lineal asume una relación lineal entre las variables, la regresión
no lineal permite modelar relaciones más complejas mediante funciones no lineales.

Modelo de Efectos Fijos y Efectos Aleatorios:

En modelos de regresión de efectos fijos, se asume que los coeficientes son constantes.
En modelos de efectos aleatorios, los coeficientes varían y se asocian con variables no
observadas.

11.Enumere los cuatro componentes de una serie de tiemp o

R//
Tendencia
Estacionalidad
Ciclo
Componente irregular
12.Conceptualice y ejemplifique el enfoque intuitivo para pronostica r
R// El enfoque intuitivo se fundamenta en la idea de que las personas con experiencia en
un dominio particular pueden utilizar su conocimiento práctico para realizar predicciones
informadas. Este enfoque reconoce la importancia de la intuición y la sabiduría
acumulada a lo largo del tiempo, a menudo basándose en la comprensión de patrones no
cuantificables y factores contextuales.
Ejemplo: Pronóstico de Ventas en una Tienda Minorista

13.Conceptualice y escriba la fórmula del promedio móvil, para pronostica r

R// El promedio móvil es una técnica utilizada en análisis de series de tiempo para
pronosticar valores futuros basándose en los valores históricos observados. Consiste en
calcular el promedio de un determinado número de puntos consecutivos en la serie.
La fórmula del promedio móvil se puede expresar de la siguiente manera:

Promedio móvil (t) = (X(t-1) + X(t-2) + ... + X(t-n)) / n

Donde:
- Promedio móvil (t) es el valor pronosticado en el momento t.
- X(t-1), X(t-2), ..., X(t-n) son los valores anteriores en la serie de tiempo que se
utilizarán para calcular el promedio.
- n es el número de puntos consecutivos que se promedian.

14.Conceptualice y escriba la fórmula del promedio móvil ponderado, para

pronosticar
R// El promedio móvil ponderado es una técnica utilizada en análisis de series de tiempo
para pronosticar valores futuros basándose en los valores históricos observados. A
diferencia del promedio móvil simple, el promedio móvil ponderado da más peso a los
valores más recientes y menos peso a los valores más antiguos en la serie.

La fórmula del promedio móvil ponderado se puede expresar de la siguiente manera:

Promedio móvil ponderado (t) = (w1 * X(t-1) + w2 * X(t-2) + ... + wn * X(t-n)) / (w1 +
w2 + ... + wn)

Donde:
- Promedio móvil ponderado (t) es el valor pronosticado en el momento t.
- X(t-1), X(t-2), ..., X(t-n) son los valores anteriores en la serie de tiempo que se
utilizarán para calcular el promedio.
- w1, w2, ..., wn son los pesos asignados a cada valor previo, siendo mayores los
coeficientes más cercanos al tiempo actual t.
15.Conceptualice y escriba la fórmula del suavizamiento exponencial
R// El suavizamiento exponencial es una técnica de pronóstico que se utiliza para
predecir valores futuros en una serie de tiempo. A diferencia de los métodos de promedio
móvil, el suavizamiento exponencial utiliza un factor de suavización que pondera los
valores históricos de manera exponencialmente decreciente, dándole mayor peso a los
valores más recientes y menos peso a los valores más antiguos.

La fórmula del suavizamiento exponencial simple se puede expresar de la siguiente

manera:

F(t) = α * X(t) + (1 - α) * F(t-1)

Donde:
- F(t) es el valor suavizado o pronóstico en el periodo t.
- X(t) es el valor observado en el periodo t.
- F(t-1) es el valor suavizado en el periodo t-1.
- α (alfa) es el factor de suavización, que está en el rango de 0 a 1 y determina la
importancia relativa de los valores anteriores y actuales en el pronóstico. Un valor más
cercano a 1 da mayor importancia a los valores más recientes, mientras que un valor más
cercano a 0 les da mayor importancia a los valores anteriores.

16.Que es un nodo de Decisión

R// Un nodo de decisión es un elemento clave en el análisis de árboles de decisión, que se
utiliza en el campo de la inteligencia artificial y la toma de decisiones. En un árbol de
decisión, los nodos representan condiciones o preguntas, y las ramas representan posibles
respuestas o caminos a seguir.

En un nodo de decisión, se evalúa una característica o atributo específico de los datos y

se toma una decisión en función de su valor. Dependiendo del resultado, el árbol se
bifurca en diferentes ramas para continuar el proceso de toma de decisiones.

17.cómo se representan una Alternativa en figuras

R// Una alternativa puede ser representada de diferentes maneras en figuras, dependiendo
del contexto y la información que se quiera transmitir. Algunas formas comunes de
representar una alternativa incluyen:

1. Lista de opciones: Se puede representar una alternativa como una lista de elementos o
ítems. Cada elemento puede estar numerado o marcado con viñetas para indicar
diferentes opciones. Por ejemplo:

- Opción 1
- Opción 2
- Opción 3
 2. Diagrama de flujo: Se puede utilizar un diagrama de flujo para representar visualmente
las diferentes alternativas y los posibles caminos a seguir. Los símbolos utilizados en el
diagrama de flujo pueden indicar decisiones, acciones o resultados. Por ejemplo:


3. Gráfico de barras o gráfico circular: Si se quiere representar visualmente la

distribución de diferentes alternativas en términos de porcentajes o cantidades, se pueden
utilizar gráficos de barras o gráficos circulares. Cada barra o sector del gráfico representa
una alternativa y su tamaño relativo muestra su proporción en relación con otras
alternativas.


4. Matriz de decisión: Una matriz de decisión es una forma organizada de representar

diferentes alternativas en filas y criterios o factores en columnas. Se pueden usar
símbolos o códigos para indicar la preferencia o evaluación de cada alternativa según
cada criterio. Por ejemplo:

| Alternativas | Criterio 1 | Criterio 2 | Criterio 3 |

|--------------|------------|------------|------------|
| Opción 1 | +++ | ++ | -- |
| Opción 2 | ++ | +++ |+ |
| Opción 3 | + | --- | +++ |

Estas son solo algunas formas de representar alternativas en figuras. La elección de la

representación dependerá del contexto, la naturaleza de las alternativas y el objetivo d e
comunicación.

18.Conceptualice como se pueden tomar decisiones a través de: Una Tabla de

Decisión, Un Árbol de Decisión, Maximax, Maximin, Semejanza, EMV,
EVPI.
R// 1. Tabla de Decisión: Una tabla de decisión es una forma organizada de comparar
diferentes alternativas bajo diferentes criterios. En la tabla, se enumeran las alternativas
en filas y los diferentes criterios en columnas. Luego, se asigna un puntaje o valor a cada
alternativa para cada criterio. Al sumar los puntajes, se puede identificar la mejor opción.

2. Árbol de Decisión: Un árbol de decisión es una representación visual que muestra

diferentes caminos y resultados posibles en función de las decisiones tomadas. Se inicia
con un nodo raíz que representa la decisión inicial y luego se bifurca en diferentes ramas
que representan las diferentes opciones y sus posibles resultados. La elección final se
toma siguiendo el camino que lleva al resultado deseado.
 3. Maximax: El criterio Maximax consiste en seleccionar la alternativa que maximiza el
beneficio o ganancia máxima posible. Se asume que todas las condiciones son favorables
y se busca obtener el mejor resultado posible.

4. Maximin: El criterio Maximin se basa en minimizar el peor escenario o pérdida

máxima posible. Se asume que todas las condiciones son desfavorables y se selecciona la
alternativa que minimiza el peor resultado posible.

5. Semejanza: El enfoque de semejanza se basa en tomar decisiones basadas en la

similitud o comparación con situaciones pasadas o conocidas. Se busca encontrar una
alternativa que se asemeje a una situación anteriormente exitosa o satisfactoria.

6. EMV (Esperanza Matemática del Valor): La EMV es un enfoque que utiliza cálculos
probabilísticos para evaluar diferentes alternativas. Se asigna una probabilidad a cada
resultado posible y se multiplica por su valor correspondiente. Al sumar estos productos,
se obtiene el valor esperado de cada alternativa y se selecciona la que tenga el valor más
alto.

7. EVPI (Esperanza de Valor Perfecto de la Información): El EVPI es una medida

utilizada para evaluar la utilidad potencial de obtener información adicional antes de
tomar una decisión. Se calcula determinando la diferencia entre el valor esperado con
información perfecta y el valor esperado sin información adicional. Si el EVPI es
significativo, puede ser valioso obtener información adicional antes de tomar una
decisión.

19.¿Qué es un modelo?
R// Un modelo es una representación simplificada de un sistema o fenómeno que nos
ayuda a comprender, estudiar y predecir su comportamiento. En otras palabras, es una
construcción conceptual o matemática que establece una relación entre diferentes
variables para explicar cómo funciona o se relaciona un aspecto de la realidad.