Ricardo R. Palma
Abril 2020
MBA Universidad Nacional de Cuyo
Simulación de Negocios
La evaluación de este módulo considera aprobada si:
Se entrega una presentación en este formato
Se genera una monografía con el template LNCSC
Se genera un modelo para el marco teórico de tu tesis
La temática puede ser elejida por el grupo de trabajo
Cada grupo deberá tener no más de 4 integrantes
Introducción Simulación y Contexto - Pirmer Encuentro
Producción de Textos y Tesis - Primer y Segundo Encuentro
Desarrollo de Evaluaciones y Capítulo 3 Tesis - Tercer Encuentro
Lo importante ES lo que el maestrando descubre con la simulación
Hallar la pregunta adecuada?
Las preguntas nos enseñan
El quintilium o matriz romana
Cinco señores me enseñaron todo lo que sé
Experimentar
No hay nada en el intelecto que no haya pasado por la frontera de los sentidos
Es una técnica numérica para conducir experimentos en una computadora digital…
* H. Maisel
… con el proposito de entender el comportamiento de un sistema (mecánico) o de predecirlo y elaborar estrategias para el futuro.
* Robert Shannon
La tesis tiene al menos 8 partes
Puede hacerse de 5 formas
Gobernanza
* Lo que hemos ignorado es lo que los ciudadanos pueden hacer, y la importancia de la participación real de las personas involucradas - en comparación con sólo tener a alguien en Washington para promulgar las leyes.
Como las preguntas los modelos y las simulaciones siempre nos enseñan
Inteligencia es …
\[ I = \frac{\partial(k)}{\partial(t)} \]
\[ \int _{*}^{\ddagger} I . (dt) = K \]
library(data.table)
Inteligence <- fread("http://ceal.fing.uncu.edu.ar/r-cran/PCASTILLO.csv")
head(Inteligence,3)
Age dkoverdt
1: 0.050473 7.96957
2: 0.256239 10.34800
3: 0.291010 9.11358
I <- Inteligence$dkoverdt
Age <- Inteligence$Age
length(I)
[1] 365
W <- rep(0.1,365)
suavizado.datos <- smooth.spline(I,w=W,spar=0.45)
plot(Age,I, col="green")
plot(Age,suavizado.datos$y, col="red", type="l")
Si puedo simular mi negocio = > MODELO
Si tengo un modelo => puedo cambiarlo de escenario (el punto fuera del sistema)
Si modelo en otro entorno => yo puedo aprender de ese escenario (punto dentro del sistema)
Síntesis => Concepto
Concepto => Modelo mental
Analítica de Datos (patrones)
Lea el texto hasta el final, sin fijarse en que este se ve algo extraño…
En difreetnes invesigtacinoes los cinefiticos inlgeses descbureiron, que es de pcoa impotrancia en que odern etsan las lertas en las palbaras, lo mas improtnate,es que la prirmea y ulimta lerta tieenn que esatr en su luagr. Lo del meido no es imoprtnate, aun asi pudees leer. Poruqe nosrotos lemeos las pablaras enetras y no lerta por lerta.
0 - Piense siempre que el modelo es un reflejo arbitrario de la vida real y no al contrario. (en el mundo real vive gente real)
1 - Defina el sistema
2 - Formule el modelo
3 - Coleccione datos
4 - Implemente el modelo en una computadora
Juegos para descargar : http://eduscol.education.fr/numerique/dossier/apprendre/jeuxserieux
Una cuestión más caliente que una braza …
*Comportamiento Contraintuitivo
Finanza y Beneficios Financieros ;
Cliente o impacto en el cliente;
Procesos Internos o Procesos Clave
Aprendizaje organizaciona
Beer Game
Simulation (Stella - Vensim)
Reservorio
Compuerta
Variable de Estado, (independiente)
Juego de Prospectiva (Planetaria) Desarrollado en VenSim
Multi Entity Game (1998)
The Multi-Actor Dynamic Integrated Assessment Model System (MADIAMS - 2012)
T21-China – A model was developed for China to highlight its growing energy and food demand.
UNEP Green Economy Report – A comprehensive global and national sectoral models games Green Economy Report. The report can be downloaded here:
http://www.unep.org/GreenEconomy/Portals/93/documents/Full_GER_screen.pdf
http://www.millennium-institute.org/integrated_planning/tools/T21/timeline.html
El Juego del Tomate
library(FinCal)
ls("package:FinCal")
[1] "bdy" "bdy2mmy"
[3] "candlestickChart" "cash.ratio"
[5] "coefficient.variation" "cogs"
[7] "current.ratio" "ddb"
[9] "debt.ratio" "diluted.EPS"
[11] "discount.rate" "ear"
[13] "ear.continuous" "ear2bey"
[15] "ear2hpr" "EIR"
[17] "EPS" "financial.leverage"
[19] "fv" "fv.annuity"
[21] "fv.simple" "fv.uneven"
[23] "geometric.mean" "get.ohlc.google"
[25] "get.ohlc.yahoo" "get.ohlcs.google"
[27] "get.ohlcs.yahoo" "gpm"
[29] "harmonic.mean" "hpr"
[31] "hpr2bey" "hpr2ear"
[33] "hpr2mmy" "irr"
[35] "irr2" "iss"
[37] "lineChart" "lineChartMult"
[39] "lt.d2e" "mmy2hpr"
[41] "n.period" "npm"
[43] "npv" "pmt"
[45] "pv" "pv.annuity"
[47] "pv.perpetuity" "pv.simple"
[49] "pv.uneven" "quick.ratio"
[51] "r.continuous" "r.norminal"
[53] "r.perpetuity" "sampling.error"
[55] "SFRatio" "Sharpe.ratio"
[57] "slde" "total.d2e"
[59] "twrr" "volumeChart"
[61] "was" "wpr"
citation("FinCal")
To cite package 'FinCal' in publications use:
Felix Yanhui Fan (2016). FinCal: Time Value of Money, Time
Series Analysis and Computational Finance. R package version
0.6.3. https://CRAN.R-project.org/package=FinCal
A BibTeX entry for LaTeX users is
@Manual{,
title = {FinCal: Time Value of Money, Time Series Analysis and Computational
Finance},
author = {Felix Yanhui Fan},
year = {2016},
note = {R package version 0.6.3},
url = {https://CRAN.R-project.org/package=FinCal},
}
ATTENTION: This citation information has been auto-generated from
the package DESCRIPTION file and may need manual editing, see
'help("citation")'.
Aplicar la funcion ALLUVIAL del simulador Rstudio, con el fin de entender la utilidad de la herramienta para el analisis de bases de datos.
Buscamos una base de datos que queremos analizar con la funcion ALLUVIAL, sobre la base salarial de los empleados de una entidad educativa con filiales en distintas partes del mundo. La idea es realizar una comparativa de las personas que cobran por encima y por debajo del promedio. La base de datos original tuvimos que modificarla para que una de las variables independientes, en este caso el SALARIO (variable numerica), transformarla en dicotomica y asi obtener dos valores como resultado mayor o menor al promedio, debido a que solo pudimos utilizar dos colores distintivos en el grafico.
library(alluvial)
library(readr)
#salarios1 <- read_delim("D:/Documentos/MBA 2016/4to semestre/Simulacion de Negocios/trabajo clase/final/salarios1.csv",
# ";", escape_double = FALSE, col_types = cols(Cargo = col_character(), Facultad = #col_character(), Freq = col_number(), Seccional = col_character(), `rango salario` = #col_character()), trim_ws = FALSE)
salarios1 <- read_delim("salarios1.csv",
";", escape_double = FALSE, col_types = cols(Cargo = col_character(), Facultad = col_character(), Freq = col_number(), Seccional = col_character(), `rango salario` = col_character()), trim_ws = FALSE)
head(salarios1)
tit <- as.data.frame(salarios1, stringasfactor=FALSE)
# A tibble: 4 x 5
Seccional Facultad Cargo `rango salario` Freq
<chr> <chr> <chr> <chr> <dbl>
1 Bucaramanga Administracion Aux. Tecnico < $2.965.000 1
2 Medellin Diseno Tecnico < $2.965.000 1
3 Monteria Ingenieria Aux. Administrativo < $2.965.000 1
4 Medellin Administracion Docente < $2.965.000 1
alluvial(tit[,1:4], freq=tit$Freq,
col = ifelse(tit$`rango salario` == "< $2.965.000", "lightblue", "pink"),
border = ifelse(tit$`rango salario` == "< $2.965.000", "lightblue", "pink"),
hide = tit$Freq == 0,
cex = 0.7)
Un inversionista coloca $ 100 durante un año a una tasa de interés simple de 1.5% mensual pagadera mensualmente ¿Qué retribución obtiene durante el año?
I= 100*0.015*12
F=100 + I
F
[1] 118
Considere el caso del inversionista del ejemplo anterior, pero suponiendo que recibe los intereses al final de cada mes y que los reinvierte inmediatamente en las mismas condiciones de la inversión inicial.¿Qué cantidad de dinero recibirá al cabo de un año ?
fv.simple(r = 0.015, n=12, pv = -100)
[1] 119.5618
¿Cuál es la tasa de interés nominal anual de una inversión que ofrece el 1.5% de interés pagado al final de cada mes?
r.norminal(r = 0.015, 12) * 12
[1] 0.1801125
¿Cuál es la tasa efectiva anual de rendimiento de una inversión que ofrece un interés nominal anual del 8%, pagadero cada semestre vencido, pero que el interesado procede a reinvertirlo?
ear(r = 0.08, 2)
[1] 0.0816
año<-c(2019,2020,2021,2022,2023,2024,2025,2026,2027,2028)
FFN1<-c(-940693, 186255, 186255, 186255, 37323,37323,37323,37323, 116482, 280651)
plot(año,FFN1,pch=19,cex=3,col="dark red")
FinCal::pv.uneven(0.18,-FFN1)
[1] -322333.4
plot(año,FFN1,pch=19,cex=3,col=“dark red”)
plot(año,FFN1,pch=19,cex=3,col="dark red")
FFN2<-c(-19132841, 5691206, -14230711, 16387818, 24645898)
plot(año[2:6],FFN2,pch=19,cex=3,col=rgb(.25, 0.5, .3))
Valor Actual Neto
FinCal::pv.uneven(0.3339,-FFN1)
[1] -414627.2
FinCal::pv.uneven(0.18,-FFN2)
[1] -1562583
TIR
TIR1 = irr(FFN1)
TIR2 = irr(FFN2)
TIR1
[1] 0.03481718
TIR2
[1] 0.1487625
tir2<-c(0.148)
van2<-c(FinCal::pv.uneven(0.18,-FFN2))
plot(tir2,van2,pch=19,cex=3,col=rgb(.25, 0.5, .3))
length(FFN1)
[1] 10
Volatilidad <- scan()
Volatilidad <- c( 0.1 ,0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0)
FFN_S <- matrix(rnorm(144,FFN1,Volatilidad), ncol=12, nrow=12, byrow=TRUE )
FFN_S[ ,1] <- rnorm(12, FFN1[1], 100*Volatilidad[1])
# for (i in 1:12) { print(VAN_S[i] <- FinCal::npv(0.18,FFN_S[i,] ))}
VAN_S <- c(0,0,0,0,0,0,0,0,0,0,0,0)
for (i in 1:12) { (VAN_S[i] <- FinCal::npv(0.18,FFN_S[i,] ))}
hist(VAN_S)
density(VAN_S)
Call:
density.default(x = VAN_S)
Data: VAN_S (12 obs.); Bandwidth 'bw' = 9.327e+04
x y
Min. :-1255818 Min. :8.593e-09
1st Qu.:-1004394 1st Qu.:2.485e-07
Median : -752969 Median :1.167e-06
Mean : -752969 Mean :9.928e-07
3rd Qu.: -501544 3rd Qu.:1.561e-06
Max. : -250120 Max. :2.021e-06
plot(density(VAN_S))
FinCal::npv(0.18,FFN_S[4,])
Ajustes de Series de Tiempo Periódicas
Uno de los aspectos m\'as poderosos de R-CRAN es la enorme cantidad de bibliotecas (library) que han sido refinadas y mejoradas por cientos de investigadores a lo largo del mundo.
Si bien es posible analizar la tendencia de una serie de tiempo con una hoja de c\'alculo , se hace complicado en los casos en que existe estacionalidad.
En este caso analizaremos un set de datos cl\'asico, los pasajeros de una l\'inea aerea.
Pasajero de una low cost
f <- stl(AirPassengers, "periodic", robust=TRUE)
(outliers <- which(f$weights<1e-8))
[1] 79 91 92 102 103 104 114 115 116 126 127 128 138 139 140
op <- par(mar=c(0, 4, 0, 3), oma=c(5, 0, 4, 0), mfcol=c(4, 1))
plot(f, set.pars=NULL)
sts <- f$time.series
points(time(sts)[outliers], 0.8*sts[,"remainder"]
[outliers], pch="x", col="red")
par(op)
Series_Tiempo,fig=TRUE f <- stl(AirPassengers, “periodic”, robust=TRUE) (outliers <- which(f$weights<1e-8)) op <- par(mar=c(0, 4, 0, 3), oma=c(5, 0, 4, 0), mfcol=c(4, 1)) plot(f, set.pars=NULL) sts <- f$time.series points(time(sts)[outliers], 0.8*sts[,“remainder”] [outliers], pch=“x”, col=“red”) par(op) # reset layout @
\subsection{Interfaz Graficas de Ploteo} Existen muchas herramientas para que las personas que no desean trabajar con el lenguaje R puedan obtener gr\'aficos . Una de las m\'as utilizadas es RgraphR().
S\'olo basta ejecutarla para comenzas a usar su intuitivo menu
library(GrapheR) run.GrapheR()
Au début du jeu, il faut compter que nous avons
Il y a des joueurs qui ont plus d'argent, d'autres ont plus de produits
Chacun devrait bien penser à sa propre stratégie
Citrouille | Pomme | Noyer | Poire | Pastèque | Tomate |
---|---|---|---|---|---|
Pallets | 12 | 3 | 8 | 12 | 9 |
Argent | $245 |
---|
Les jeu sérieux For more details on authoring R presentations please visit https://support.rstudio.com/hc/en-us/articles/200486468.
summary(cars)
speed dist
Min. : 4.0 Min. : 2.00
1st Qu.:12.0 1st Qu.: 26.00
Median :15.0 Median : 36.00
Mean :15.4 Mean : 42.98
3rd Qu.:19.0 3rd Qu.: 56.00
Max. :25.0 Max. :120.00