MODELOS CUANTITATIVOS

LIZETH CARDENAS CORTES ALEXANDRA RODRIGUEZ ACEVEDO DANIELA RUZ MORENO 7AN

JORGE MORENO DONOSO GERENCIA DE PRODUCCIN Y OPERACIONES

FUNDACIN UNIVERSITARIA CIDCA FACULTAD DE INGENIERIAS BOGOT 2011

INTRODUCCIN

El uso de modelos, a veces llamado modelacin, es un instrumento muy comn en el estudio de sistemas de toda ndole. El empleo de modelos facilita el estudio de los sistemas, an cuando estos sean complejos, ya que contienen bastantes componentes que dificultan su desarrollo. Los modelos matemticos son de gran importancia, porque expresan en trminos reales (cifras) una situacin por medio de una ecuacin sencilla, fcil de comprender y manipular, por ese motivo son a los que se les debe poner mayor atencin para realizar operaciones en una organizacin y resolver posibles falencias. A continuacin presentamos una breve explicacin de los modelos cuantitativos una pequea resea de su historia y su aplicacin en el rea de Mercadotecnia, en donde explicamos cual es mtodo aplicado y que se puede lograr por medio de esta aplicacin.

HISTORIA DE LA INVESTIGACIN DE OPERACIONES

El campo de la investigacin de operaciones es relativamente nuevo, pero su historia es interesante y su evolucin ha trado importantes desarrollos al campo de la industria. 1800: Eli Whitney recibe el crdito por la popularizacin inicial de las partes intercambiables, que fue posible mediante la estandarizacin y el control de la calidad 1881: Frederick W Taylor, conocido como el padre de la administracin cientfica, contribuyo a la seleccin de personal, la planeacin y la programacin, el estudio de movimientos y el actualmente campo de la ergonoma. Una de sus principales contribuciones fue el convencimiento de que la administracin debera tener muchos ms recursos y voluntad para mejorar los mtodos de trabajo. Taylor y sus colegas, Henry L. Gantt y Frank y Lillean Gilbreth, fueron los primeros en buscar de manera sistemtica una mejor forma de producir. Otra de las contribuciones de Taylor fue la certeza de que la administracin debera asumir mas responsabilidad para: 1. 2. 3. 4. Asignar los empleados al trabajo completo. Proporcionar la capacitacin apropiada Proporcionar los mtodos de trabajo y las herramientas adecuadas Establecer incentivos legtimos para la realizacin del trabajo

1913: Henry Ford y charles sorensen combinaron sus conocimientos sobre partes estandarizadas con las cuasilneas de ensamble de las industrias de empaque de carne y ventas por catlogo e introdujeron el concepto revolucionario de la lnea de ensamble, donde los hombres permanecan en un solo lugar y los materiales eran los que se movan. 1924: Walter shewhart combino sus conocimientos en estadstica con la necesidad de controlar la calidad y proporciono las bases del muestreo estadstico al control de la calidad. 1950: W. Edward Deming crea que la administracin debera hacer ms por mejorar el ambiente de trabajo y los procesos de modo que se mejore la calidad.

La administracin de operaciones sigui progresando con las contribuciones de otras disciplinas, incluida la ingeniera industrial y la administracin cientfica. Estas disciplinas, junto con la estadstica, la administracin y la economa, han contribuido de manera sustancial a perfeccionar modelos y tomar decisiones.

HISTORIA DE LA PROGRAMACIN LINEAL

El matemtico francs Jean Baptiste-Joseph Fourier (1768-1830) fue el primero en intuir, aunque de forma imprecisa, los mtodos de lo que actualmente llamamos programacin lineal y la potencialidad que de ellos se deriva. 1776: el matemtico Gaspar Monge (1746-1818), se interes por problemas concernientes a la programacin lineal. 1939: el matemtico ruso Leonid Vitalevich Kantorovitch publica una extensa monografa titulada Mtodos Matemticos de Organizacin y Planificacin de la Produccin en la que por primera vez se hace corresponder a una extensa gama de problemas una teora matemtica precisa y bien definida, llamada hoy en da programacin lineal. 1928: los fundamentos matemticos de la programacin lineal se deben al matemtico norteamericano de origen hngaro John Von Neumann (19031957), quien public su famoso trabajo Teora de Juegos. 1941-1942: se formula por primera vez el problema de transporte, estudiado independientemente por Koopmans y por Kantorovitch. 1945: G. Stigler plantea otro problema particular conocido con el nombre de rgimen alimenticio optimal. En los aos posteriores a la Segunda Guerra Mundial, en Estados Unidos se asumi que la eficaz coordinacin de todas las energas y recursos de la nacin era un problema de tal complejidad, que su resolucin y simplificacin pasaba necesariamente por los modelos de optimizacin que resuelve la programacin lineal. Paralelamente a los hechos descritos se desarrollan las tcnicas de computacin y los ordenadores, instrumentos que haran posible la resolucin y simplificacin de los problemas que se estaban gestando. 1947: G. B. Dantzig formula, en trminos matemticos muy precisos, el enunciado estndar al que cabe reducir todo problema de programacin lineal. Surge una hiptesis sobre la equivalencia de los problemas de programacin lineal y la teora de matrices desarrollada en sus trabajos.

MODELOS CUANTITATIVOS
Un modelo cuantitativo es la construccin de un modelo matemtico, insertndole smbolos, nmeros y expresiones matemticas para de esta manera representar constantes y variables propias de una situacin a resolver. Dicho de otra manera: un modelo cuantitativo es aquel donde las entidades de un sistema y sus atributos se representan mediante variables matemticas y las actividades se describen mediante funciones matemticas que interrelacionan las variables. Debe tenerse en cuenta que al enfrentarse a una situacin determinada no se debe elaborar un modelo cuantitativo cualquiera, ya que podemos enfrentarnos a que estos tengan un dificultad de resolucin y en consecuencia un costo ms alto, teniendo en cuenta esto debemos contar con las tcnicas suficientes que nos permitan resolver el modelo y representar de forma adecuada la informacin que queremos simbolizar en ste. Los mtodos cuantitativos se dividen en dos categoras: MODELOS DE SERIES DE TIEMPO: aqu encontramos el enfoque intuitivo, promedios mviles, suavizamiento exponencial y proyeccin de tendencias. MODELO ASOCIATIVO: regresin lineal ENFOQUE INTUITIVO La forma ms simple de pronosticar es suponer que la demanda del siguiente periodo ser igual a la demanda del periodo ms reciente. En otras palabras, si las ventas de un producto, fueron de 68 unidades en enero, podemos pronosticar que en febrero las ventas tambin sern de 68 unidades. Para algunas lneas de productos, el enfoque intuitivo es el modelo del pronstico ms efectivo en costos y ms eficiente con respecto al objetivo. Al menos ofrece un punto de partida contra el cual comparar otros modelos ms sofisticados que se utilicen despus. PROMEDIOS MVILES El pronstico de promedios mviles usa un nmero de valores de datos histricos reales para generar un pronstico. Los promedios mviles son tiles si podemos suponer que la demanda del mercado permanecer relativamente estable en el tiempo. Un promedio mvil de 4 meses se encuentra simplemente al sumar la demanda medida durante los ltimos 4 meses y diviendola entre cuatro. Al concluir cada mes, los datos del mes ms reciente se agregan a la

suma de los 3 meses previos y se elimina el dato del mes ms antiguo. Esta prctica tiende a suavizar las irregularidades de corto plazo en las series de datos. Matemticamente, el promedio mvil simple (que sirve como estimacin de la demanda del siguiente periodo) se expresa como: Promedio mvil =

n = es el nmero de periodos incluidos en el periodo mvil por ejemplo, 4,5 o 6 meses, respectivamente para un promedio mvil de 4, 5 o 6 periodos. A continuacin, se muestra como calcular los promedios mviles:

Mes Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre

Ventas reales de cobertizos 10 12 13 16 19 23 26 30 28 18 16 14

Promedio mvil de tres meses

(10+12+13)/3=11 (12+13+16)/3=13 (13+16+19)/3=16 (16+19+23)/3=19 (19+23+26)/3=22 (23+26+30)/3=26 (26+30+28)/3=28 (30+28+18)/3=25 (28+18+16)/3=20

El

pronstico para diciembre es de 20 . Para proyectar la demanda de

cobertizos en el prximo enero, sumamos las ventas de octubre, noviembre y diciembre y dividimos entre 3: Pronostico de enero = (18+16+14)/3=16 Ahora la administracin tiene un pronstico que promedia las ventas para los ltimos tres meses. Es fcil de usar y entender. Cuando se presenta una tendencia o un patrn localizable, pueden utilizarse ponderaciones para dar ms nfasis a los valores recientes. Esta prctica permite que las tcnicas de pronstico respondan ms rpido a los cambios,

puesto que puede darse mayor peso a los periodos ms recientes. La eleccin de de las ponderaciones es un tanto arbitraria porque no existe una frmula establecida para determinarlas. Por lo tanto, decidir que ponderaciones emplear requiere cierta experiencia. Por ejemplo, si el ltimo mes o periodo se pondera demasiado alto, el pronstico puede reflejar un cambio grande inusual, demasiado rpido en el patrn de demanda o de ventas. Un promedio mvil ponderado puede expresarse matemticamente como:

Promedio
(

mvil
)(

ponderado
)

Tanto los promedios mviles simples como los ponderados son efectivos para suavizar las fluctuaciones repentinas en el patrn de la demanda con el fin de obtener estimaciones estables. Sin embargo, los promedios mviles presentan tres problemas: 1. Aumentar el tamao de n (el nmero de periodos promediados) suaviza de mejor manera las fluctuaciones, pero resta sensibilidad al mtodo ante cambios reales en los datos. 2. Los promedios mviles no reflejan muy bien las tendencias. Porque son promedios, siempre se quedaran en niveles pasados, no predicen los cambios hacia niveles ms altos ni ms bajos. Es decir, retrasan los valores reales. 3. Los promedios mviles requieren amplios registros de datos histricos.

SUAVIZAMIENTO EXPONENCIAL
El suavizamiento exponencial es un sofisticado mtodo de pronstico de promedios mviles ponderado que sigue siendo bastante fcil de usar. Implica mantener muy pocos registros de datos histricos. La forma bsica para el suavizamiento exponencial se expresa de la siguiente manera: Nuevo pronstico = pronostico del periodo anterior +

Donde es al ponderacin, o constante de suavizamiento, elegida por quien pronostica, que tiene un valor de entre 0 y 1. Tambin podemos escribir la ecuacin de la siguiente forma: (Ft = Ft-1+ (At-1-Ft-1) Donde Ft= nuevo pronostico Ft-1 = pronstico del periodo anterior = constante de suavizamiento (o ponderacin) (0<= <= 1) At-1 = demanda real en el periodo anterior El concepto no es complicado. La ltima estimacin de la demanda es igual a la estimacin anterior ajustada por una fraccin de la diferencia entre la demanda real del ltimo periodo y la estimacin anterior Ejemplo: en enero un vendedor de automviles predijo que la demanda para febrero seria de 142 Ford Mustang. La demanda real en febrero fue de 153 automviles. Usando la constante de suavizamiento que eligi la administracin de = 0.20, el vendedor quiere pronosticar la demanda para marzo usando el modelo de suavizamiento exponencial. Mtodo: se puede aplicar el modelo de suavizamiento exponencial. Al sustituir en la formula los datos de la muestra, se obtiene: Nuevo pronstico (para la demanda de marzo)= 142+0.2 (153-142) = 142+2.2. =144.2 El pronstico de la demanda de marzo para el Ford Mustang es de 144 unidades. Usando solo dos elementos de datos, el pronstico y la demanda real, ms una constante de suavizamiento, se desarroll un pronstico de 144 Ford Mustang para marzo. Medicin del error de pronstico La exactitud general de cualquier modelo de pronstico, (promedios mviles, suavizamiento exponencial u otro), puede determinarse al comparar los valores pronosticados con los valores reales u observados: Error del pronstico = Demanda real - Valor pronosticado At-Ft

Donde Ft denota el pronstico en el periodo t y At denota la demanda real del periodo t. Desviacin absoluta media La primera medicin del error global de pronstico para un modelo es la desviacin absoluta media (MAD). Su valor se calcula sumando los valores absolutos de los errores individuales del pronstico y dividiendo el resultado entre el nmero de periodos con datos (n):

MAD =

PROYECCIONES DE TENDENCIA En este modelo se ajusta una recta de tendencia a una serie de datos puntuales histricos, y despus proyecta dicha recta al futuro para obtener pronsticos de mediano y largo plazos. Se pueden desarrollar varias ecuaciones matemticas (por ejemplo exponencial y cuadrtica). Para desarrollar una recta de tendencia lineal mediante un proceso estadstico preciso, podemos utilizar el mtodo de mnimos cuadrados. Si podemos calcular la interseccin con el eje y y la pendiente, podemos utilizar la siguiente frmula:

y = a+bx
y = variable que debe predecirse (variable dependiente) a = interseccin con el eje y b = pendiente de la recta de regresin (tasa de cambio y para los cambios dados en x) x = variable independiente Tambin hay ecuaciones que permiten encontrar los valores de a y b para cualquier recta de regresin:

b=

b = pendiente de la recta de regresin

signo de sumatoria

x = valores conocidos de la variable independiente y = valores conocidos de la variable dependiente x= promedio de los valores de x y = promedio de los valores de y n= nmero de puntos de datos u observaciones La interseccin con el eje y, a, puede calcularse de la siguiente manera:

a= y -bx
REGRESIN LINEAL En este mtodo, podemos usar el mismo modelo matemtico que empleamos con el mtodo de mnimos cuadrados para efectuar la proyeccin de las tendencias, usamos la ecuacin:

y = a+bx
y = valor variable dependiente a = interseccin con el eje y b = pendiente de la recta de regresin x = variable independiente APLICACIONES DE MERCADOS USOS MODELOS CUANTITATIVOS 1. Para los negocios: Nos ayudan a tomar decisiones frente a problemas administrativos, ya que estos son una representacin de la realidad. Un modelo cuantitativo aplicado a un negocio nos permite deducir conclusiones, gastar menos tiempo, invertir menor cantidad de dinero y reducir el riesgo de seguir cometiendo el mismo error. 2. En la investigacin social:

Algunos mtodos y herramientas que nos permiten llevar a cabo esta investigacin son: - Cuestionarios y escalas de actitudes (escalas nominales, ordinales e intervalares) - Anlisis de contenido Muestreo: - Poblacin y muestra - Tcnicas - Representatividad TCNICAS DE INVESTIGACION INDUSTRIAL Las tcnicas de observacin son comunes en la investigacin industrial. Los principales objetivos recaen sobre el parque de maquinaria o equipo utilizado, en cantidad y gnero y sobre los productos y precios. Las tcnicas de recoleccin de informacin acerca de los productos industriales emplean diferentes formas, por ejemplo, el uso de los registros propios de las empresas, la utilizacin de paneles expertos, las encuestas en sus diferentes modalidades, las investigaciones de escritorio, entre otras. Estudios ms importantes que se realizan en la investigacin industrial: 1. Pronsticos de ventas 2. Tamao de los mercados 3. Tendencias de los mercados 4. Demanda de nuevos productos 5. Posicionamiento de los productos 6. Descripcin de los mercados 7. Usos finales de los productos 8. Anlisis de coyuntura econmica 9. Predicciones industriales 10. Evaluacin de los nuevos productos

MODELOS CUANTITATIVOS

Un modelo cuantitativo es la construccin de un modelo matemtico, insertndole smbolos, nmeros y expresiones matemticas para de esta manera representar constantes y variables propias de una situacin a resolver. Dicho de otra manera: un modelo cuantitativo es aquel donde las entidades de un sistema y sus atributos se representan mediante variables matemticas y las actividades se describen mediante funciones matemticas que interrelacionan las variables. Debe tenerse en cuenta que al enfrentarse a una situacin determinada no se debe elaborar un modelo cuantitativo cualquiera, ya que podemos enfrentarnos a que estos tengan un dificultad de resolucin y en consecuencia un costo ms alto, teniendo en cuenta esto debemos contar con las tcnicas suficientes que nos permitan resolver el modelo y representar de forma adecuada la informacin que queremos simbolizar en ste.

USOS MODELOS CUANTITATIVOS

1. Para los negocios Nos ayudan a tomar decisiones frente a problemas administrativos, ya que estos son una representacin de la realidad. Un modelo cuantitativo aplicado a un negocio nos permite deducir conclusiones, gastar menos tiempo, invertir menor cantidad de dinero y reducir el riesgo de seguir cometiendo el mismo error. 2. En la investigacin social Algunos mtodos y herramientas que nos permiten llevar a cabo esta investigacin son: Cuestionarios y escalas de actitudes (escalas nominales, ordinales e intervalares) Anlisis de contenido

Muestreo: Poblacin y muestra Tcnicas Representatividad

MTODOS CUANTITATIVOS APLICADOS A LA MERCADOTECNIA

La mercadotecnia fue una de las ltimas reas mayores funcionales de actividad gerencial en aplicar los mtodos y tcnicas cuantitativas de manera sistemtica, y slo en las ultimas 4 dcadas aproximadamente, es que se ha logrado un progreso significativo. Este rezago relativo de los mtodos cuantitativos en el marketing se ha atribuido a una serie de factores como son: 1. La complejidad del fenmeno de la mercadotecnia. Esto es debido al hecho de que cuando el estimulo se aplica al ambiente, las respuestas tienden a ser no lineales, a exhibir efectos de umbral (un nivel mnimo de estmulos que necesita ser aplicado para que ocurra una respuesta), a tener efectos de acumulacin (por ejemplo, la respuesta e este periodo de publicidad ocurrir en el futuro) y al decaimiento con el tiempo en ausencia de estmulos futuros. 2. Efectos de interaccin de variables mercadotcnicas. Esto significa que el impacto de una sola variable mercadotcnica controlable es difcil de determinar debido a las interacciones de la variable con el ambiente y tambin con otras variable mercadotcnicas. De hecho, la mayora de las Variables en la mercadotecnia son interdependientes y estn interrelacionadas. 3. Problemas de medicin en mercadotecnia. A menudo es difcil medir directamente la respuesta de los consumidores a ciertos estmulos y por lo tanto, se usan las tcnicas indirectas. Un ejemplo es el uso de medidas de seguimiento para evaluar la efectividad de la publicidad. 4. Inestabilidad de las relaciones en la mercadotecnia. Las relaciones entre las respuestas mercadotcnicas y las variables mercadotcnicas de decisin tienden a ser inestable debido a los cambios en gustos, actitudes, expectativas y otras ms. Estos factores hacen que las continuas mediciones del mercado y la revisin de decisiones, sean cruciales para la mercadotecnia. Existen muchas formas en las cuales los mtodos cuantitativos pueden ser usados en la mercadotecnia. Uno de estos es a travs de la clasificacin de la mercadotecnia en reas de decisin que sean afrontadas por el gerente de Marketing y las cuales incluyan desarrollo de productos, precio, distribucin fsica, fuerza de ventas, publicidad y comportamiento del consumidor. Sin embargo, se considera ms apropiado primero clasificar las tcnicas que sern usadas en marketing y hace concordar con ellas las situaciones en las que estos modelos son usados ms frecuentemente. De esta manera, la mayora de los modelos y tcnicas pueden ser analizados. Su validez puede ser juzgada por su uso, con que tanta precisin pueden representar el ambiente problema, su poder predictivo y la consistencia y realismo de sus suposiciones.

Al seleccionar un mtodo apropiado de anlisis, deben tomarse en consideracin 2 factores importantes: primero, si las variables analizadas son dependientes o interdependientes y, segundo, si los datos recibidos son de una tipo mtrico o no mtrico. Los datos mtricos son medidos por intervalos o escalas de proporcin, mientras que los datos no mtricos son solo estimados ordinalmente. Las variables dependientes son aquellas que pueden ser explicadas por medio de otras variables, mientras que las variables interdependientes son aquellas que no pueden ser explicadas nicamente por s mismas. Las variables mercadotcnicas son usualmente interdependientes. Por ejemplo, los objetivos de una compaa son usualmente interdependientes con las variables de la mezcla de mercadotecnia; las ganancias comnmente dependen de las ventas; el crecimiento de la compaa depende de las ganancias y las ventas y viceversa, etc. Tambin, las mezclas de mercadotecnia de la empresa, tales como precio, promocin, distribucin y producto, son interdependientes. Ya que la investigacin mercadolgica es comnmente un anlisis multivariable que involucra tanto variables dependientes como interdependientes, los grupos de tcnicas que pueden utilizarse se muestran en conjunto despus de la explicacin. 1. Mtodos multivariables. Llamados as porque varias tcnicas intentan investigar las relaciones y patrones de las decisiones de mercadotecnia que emergen como resultado de la interaccin e interdependencia entre las variables principales en un momento dado. 2. Tcnicas de regresin, correlacin y de pronstico. La regresin y correlacin son mtodos que pueden ser utilizados para inferir las relaciones entre un conjunto de variables en mercadotecnia. Los mtodos de pronstico son aplicados principalmente en la previsin de ventas y demanda del mercado. Los mtodos de pronstico de ventas son una funcin de una agrupacin de variables ambientales no controlables y factores de Esfuerzo mercadotcnico, que deben ser tomados en consideracin. 3. Mtodos de simulacin Son un grupo de tcnicas cuyo uso es apropiado cuando las variables que afectan la situacin de mercadotecnia (como la competencia) requieren de modelos complejos que no son susceptibles de soluciones analticas. La importancia de la tcnica de simulacin en marketing radica en que ofrece una forma de experimentacin de laboratorio al permitir al investigador

cambiar variables individuales seleccionadas mientras mantiene constantes las restantes. 4. Subconjuntos difusos. Estos pueden ser usados para modelar el comportamiento del consumidor, la planeacin de mercadotecnia, pruebas de nuevos productos, etc. Al determinar el rango y tamao de los resultados posibles. 5. Tcnicas de inteligencia artificial. Estos son instrumentos relativamente nuevos para simular la lgica humana. Existen dos modelos principales en este conjunto de tcnicas: sistema experto, que requiere de la intervencin del usuario para incorporar los cambios dentro del modelo y, red neural, menos rgido que el sistema experto, facilitando el adicin de nuevos datos de entrada y salida) 6. Teora de la decisin estadstica o mtodos estocsticos. Representan respuestas estocsticas o aleatorias de parte de los consumidores, las cuales permite incluir una multitud de factores que pueden afectar el comportamiento del consumidor. Esto significa que las reacciones del mercado pueden ser consideradas como resultados de algunos procesos probabilsticos. Esencialmente, existen dos usos principales de estos mtodos: probar hiptesis estructurales y crear predicciones condicionales. 7. Mtodos determinsticos de investigacin operacional. Son tcnicas de investigacin operacional que buscan soluciones en casos donde existen muchas variables interdependientes y la investigacin pretende optimizar la situacin. Un ejemplo clsico de tal situacin en mercadotecnia se da cuando una compaa que produce varios bienes (o partes) los vende a travs de dos diferentes canales los cuales varan con respecto a costo de ventas, rdenes tpicas de compra, polticas de crdito, mrgenes de ganancia, etc. usualmente, en tales casos, el objetivo principal de la compaa es maximizar las ganancias totales mediante el establecimiento de metas en cuanto al volumen optimo de ventas, adems de mezclas efectivas de mercadotecnia para ambos canales (o segmentos de mercado) teniendo en consideracin las limitantes existentes. 8. Modelos causales. Consisten en dos modelos analticos principales para probar hiptesis causales (anlisis de trayectorias y programa estadstico de software para interpretar relaciones estructurales lineales- LISREL). El anlisis de trayectorias se usa en esas ocasiones en las que algunas de las variables no pueden observarse o

tienen una fiabilidad limitada (esta herramienta no debe ser confundida con el mtodo de la ruta critica que se discute ms adelante). En el caso de LISREL, este programa es de primordial importancia en las situaciones de mercadotecnia en las que deseamos investigar tanto las mediciones como las causas, esto es, los componentes estructurales de un sistema (por ejemplo, un estudio de comportamiento del consumidor) 9. Modelos Hbridos. Son mtodos que combinan propiedades determinsticas y probabilsticas (estocsticas) por ejemplo, programacin dinmica, programacin heurstica y control de existencias. Estos modelos son particularmente tiles en el manejo de problemas de distribucin. 10. Modelos de programacin en red. Estos son usados generalmente para la planeacin, programacin y control de proyectos complejos. Existen dos tcnicas analticas fundamentales: el CPM (Critical Path Method - Mtodo de la ruta crtica) y la tcnica PERT (Program Evaluation andReview Technique - Tcnica de evaluacin y revisin de programas). Las diferencias entre ambas son en primer lugar, que la tcnica PERT reconoce incertidumbre en los tiempos para completar las actividades, mientras que el CPM no lo hace. En segundo lugar, la tcnica PERT restringe su atencin a la variable tiempo mientras que el CPM incluye compensaciones de tiempo-costo. Las dos tcnicas juntas son conocidas como tcnicas de anlisis de trayectorias crticas. Los 10 grupos de mtodos o tcnicas mencionados anteriormente no agotan de ninguna manera, los mtodos cuantitativos usados en mercadotecnia. Esta seleccin de tcnicas est basada, tanto en su relevancia actual en el manejo de problemas variados de mercadotecnia como en su potencial para la investigacin y anlisis mercadotcnicos. Algunas consideraciones importantes en cuanto al uso de los mtodos cuantitativos en mercadotecnia, fueron expresadas por Hooley y Hussey en 1995: 1. No dejarse guiar exclusivamente por la tcnica. Enfocar los problemas sobre los requerimientos de la gerencia y despus seleccionar la herramienta analtica adecuada, no al revs. Tal y como Young (1973) ha expuesto: El peligro que debemos evitar es convertirnos en revendedores de tcnicas en bsqueda de problemas, en vez de solucionadores de problemas en bsqueda de tcnicas. 2. Considerar a los modelos multivariables como informacin para la gerencia.

Cualquier modelo generado por tcnicas multivariables debe ser un apoyo para la toma de decisiones y NO un sustituto del criterio de la gerencia. Las tcnicas y los modelos no toman decisiones, simplemente proveen de informacin para ayudar al proceso de toma de decisiones. 3. No sustituir la destreza y la imaginacin del investigador por modelos multivariables. Se tiene que usar el sentido comn para evaluar los resultados de anlisis cuantitativos y no basarse nicamente en medidas estadsticas de robustez. Se tiene que reconocer el hecho de que el anlisis de datos es parte ciencia, y parte arte. 4. Desarrollar habilidades de comunicacin. Aprender formas no tcnicas de comunicacin de resultados hacia la gerencia. La utilizacin de resultados por parte de la gerencia, depende de que sta se sienta confiada de la forma en que la informacin fue derivada. 5. Evitar las inferencias estadsticas sobre parmetros de modelos multivariables. Hay que tener mucho cuidado con extrapolaciones o generalizaciones a poblaciones cuando la naturaleza de la muestra no es clara. La mayora de las tcnicas se basan en supuestos sobre la naturaleza de la muestra. Asegurarse de que se conozcan y se cumplan dichos supuestos. No aplicar 5 indiscriminadamente las tcnicas slo por que las tengo en mi PC sin antes revisar la naturaleza de la muestra y de los datos recabados. 6. Evitar el riesgo de hacer inferencias sobre realidades del mercado cuando dichas inferencias pueden ser debidas a las peculiaridades del modelo. No hay que tomar los resultados de anlisis cuantitativos tal y como vienen. Aun cuando se puedan asignar niveles importantes de significancia estadstica, hay que asegurarse que los resultados tengan una base de sentido comn, as como una base terica slida. 7. Explotar las relaciones complementarias entre mtodos descriptivos y mtodos predictivos. No utilizar tcnicas de manera aislada cuando otras tcnicas pueden darle valor agregado a la informacin, o al menos, validarla. A menudo, diversas tcnicas pueden ser usadas tilmente de manera secuencial. 8. Evitar la tentacin de sobre-analizar.

Hay que resistir el usar la potencia de la computadora para analizar a la n-sima potencia aspectos que pueden ser estudiados con tcnicas ms simples. A pesar de todo, los conteos de frecuencia y las grficas de barras son todava formas sumamente poderosas de comunicar informacin. Quizs no haya necesidad de adoptar tcnicas sofisticadas de anlisis solamente porque las tenemos en nuestras PCs. 9. Empezar desde el principio. El mejor momento para empezar cualquier ejercicio de anlisis de datos es antes de que la informacin sea recolectada en campo. Mediante el pensamiento y revisin de las principales caractersticas del anlisis propuesto a priori, pueden evitarse muchos problemas potenciales en la aplicacin de tcnicas particulares. 10. Vigilar los factores de costo-beneficio. Recolectar informacin cuesta dinero. No hay que recolectar datos solamente porque es es bueno saber. Los recursos que se utilizan para recolectar y analizar datos redundantes podran ser usados ms eficientemente para otras actividades de Mercadotecnia. Si la gran diversidad de tcnicas cuantitativas se usa de manera apropiada y con cuidado, el proceso de toma de decisiones se puede enriquecer y beneficiar de manera importante. Si se utilizan inapropiada o flojamente, pueden confundir o incluso desviar. Finalmente, es importante mencionar que debemos evitar a toda costa el convertirnos en usuarios en automtico de tcnicas multivariables por el simple hecho de que se encuentren fcilmente disponibles en el mercado. La revisin detallada de supuestos y la experiencia que se adquiere en la aplicacin de diversas tecnologas, convierten al analista ms experto, en un eficaz solucionador de problemas para la gerencia y no en un revendedor de tcnicas avanzadas que en alguna parte del mundo en algn otro contexto han funcionado.

CONCLUSIONES
A travs de los modelos cuantitativos podemos expresar las diferentes situaciones en variables matemticas, teniendo en cuenta las tcnicas suficientes que nos permitan resolver el modelo y representar de forma adecuada la informacin que queremos simbolizar en este.

Basndonos en informacin anterior y utilizando los diferentes modelos de aplicacin matemtica o estadstica se puede pronosticar presupuestos para el cual tenga destinada una corporacin. Los pronsticos son ms precisos cuando se hacen para periodos cortos. Son menos las perturbaciones potenciales respecto del futuro prximo que pueden impactar en la demanda de productos. La demanda en periodos futuros ms amplios casi siempre resulta menos confiable. Por medio de dichos mtodos aplicados en la mercadotecnia se puede lograr identificar productos o servicios de los cuales quieren obtener los clientes. Tambin en la mercadotecnia por medio de probabilidades se puede obtener informacin de la satisfaccin que tenga el cliente ya sea por un servicio o un producto brindado por la empresa.