Maestría en Negocios y Tecnología

• Introducción Simulación y Contexto - Pirmer Encuentro

  • Simulación de Negocios
  • Aprendizaje en Maestrías

• Producción de Textos y Tesis - Primer y Segundo Encuentro

  • Estudio de Casos con R-CRAN
  • Big Data e Inteligencia Artificial

• Desarrollo de Evaluaciones y Capítulo 3 Tesis - Tercer Encuentro

  • Desafíos planteados
  • Presentación de casos resueltos 26 de Abril

• Casi para nada
• Hay una parte de la tesis que puede encontrar aportes en el curso
• Lo importante no es lo que el curso cubre

• Lo importante ES lo que el maestrando descubre con la simulación

  • Este curso está pensado tanto para economistas como para involucrado en sistemas y tecnología

• 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

• Situación Problema (hipótesis)
• Marco teórico
• Caso de Aplicación
• Demostración o Experimentación
• Interpretación de resultados
• Aporte y Discución
• Conclusión
• Referencias Bibliográficas

Puede hacerse de 5 formas

• Evidencia Fáctica
• Construcción Hipotética Deductiva (incluído la dialéctica)
• Inducción (pensamiento inductivo)
• Evidencia Histórica (soporte estadístico fuerte)
• Simulación

• Te gustó el matlab?
• Sorpresa !!! no es el único modelo
• El modelo de von Mises no tiene una sola ecuación (Escuela Austriaca)
• El modelo Neo Schumpeteriano no cree ni una palabra de Keynes
• K opera sobre el equilibro y S sobre la trnasición
• Jean Tirol gano el Novel por atreverse a pensar distinto
• Los districhi industriali italiani (Marshall) le dan la razón a S
• Una sola mujer ha ganado el Novel de Economía
• Un loquito también

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.

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)

• 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

• ¿Cuántos delfines podés ver?

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. 

• 1. Recuerde siempre que Economía es una ciencia social.
• 2. Toda la economía es microeconomía.
• 3. Piensa primero !!! calcula después.
• 4. Conoce (bien) tus datos.
• 5. SEAMOS ÉTICOS.
• 6. seamos humildes.

• 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

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)

# 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)

• Desde la herramienta “R”, en su funcion “ALLUVIAL”, vemos que es muy poderosa a la hora de manejar informacion, organizarla y mostrar sus resultados. En contrapartida, es necesario aprender en lenguaje que se utiliza, por lo que en un comienzo puede ser una tarea un poco mas tediosa, pero que con practica se mejora sustancialmente.
• Respecto a la informacion analizada, podemos decir que: La filial de Medellin tiene mayor cantidad de empleados que las otras. Las profesiones mejor remuneradas son Ingenierias, Publicidad, Derecho, Comunicacion, mientras que los menos remunerados son Administracion, Diseno y Medicina. Ademas puede visualizarse que los cargos mejor remunerados son: investigadores y Docentes.

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

Valor Actual Neto

• Cálculo del valor presente de una serie de flujo de caja desigual

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

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])

density(VAN_S)

Call:
    density.default(x = VAN_S)

Data: VAN_S (12 obs.);  Bandwidth 'bw' = 9.327e+04

       x                  y            
 Min.   :-1255823   Min.   :8.592e-09  
 1st Qu.:-1004393   1st Qu.:2.485e-07  
 Median : -752963   Median :1.167e-06  
 Mean   : -752963   Mean   :9.928e-07  
 3rd Qu.: -501533   3rd Qu.:1.561e-06  
 Max.   : -250103   Max.   :2.021e-06  

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))

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

Les jeu sérieux For more details on authoring R presentations please visit https://support.rstudio.com/hc/en-us/articles/200486468.

• Bullet 1
• Bullet 2
• Bullet 3

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