¿Por qué es eficiente basar la toma de decisiones en codificación y cálculo computacional?: El caso del Álbum Panini del Mundial 2018.
Conocimiento especializado vs Codificar
El
pasado 29 de octubre de 2017 se publicó El artículo «Peleados con los algoritmos: los economistas y su talón de Aquiles» (Escudero,
2017) .
El apartado inicia con la interrogante que emitió en twitter un economista
argentino, sobre ¿cuantos paquetes de cinco figuritas habría que comprar para
poder llenar un álbum de 200 figuritas. El autor indica que la respuesta es de
233 paquetes, existiendo dos posibles abordajes para encontrar esta solución, el
primero es mediante un cálculo matemático basado en teoría de probabilidad, y
una vía alternativa es una simulación computacional, que requiere conocimiento
de codificación. El autor plantea que muchos colegas de profesión no otorgaron
respuestas concretas a esta interrogante, y los que plantearon respuestas fue
mediante el primer abordaje.
A pesar de las respuestas planteadas utilizando
conocimientos de teoría de probabilidad, es el segundo abordaje el que será el
centro de interés de esta publicación, esto debido a que en la actualidad Latinoamérica, y en específico Centroamérica, la formación académica
para los economistas contiene una cantidad significativa de cursos
cuantitativos, pero no así de cursos de formación relacionadas a la
codificación y cálculo computacional, esto paradójicamente en contra de la
realidad existente, donde la tecnología permite administrar de forma eficiente
gran cantidad de información, esto es algo que manifiesta (Escudero, 2017) pero refiriéndose al contexto
Suramericano.
¿Por qué no utilizar los recursos tecnológicos de
forma más intensiva para la formación profesional en distintos campos
académicos?, en gran medida la respuesta a esta pregunta conlleva revisar el
proceso de formación superior, que en el caso específico de la economía ha
estado más enfocado en el análisis de problemas y fenómenos, no así en plantear
una solución concreta mediante una aplicación práctica. Para los economistas, y
en realidad para un número no despreciable de profesiones, encontrar patrones,
realizar cálculos, enfrentar incertidumbre y gestionar gran cantidad de
información son retos diarios que se pueden abordar indudablemente mediante la
codificación y el cálculo computacional, obteniendo ganancias en la resolución
de problemas y toma decisiones, en cuanto a velocidad y replicabilidad.
La codificación permite entender la racionalidad de
un proceso o un problema, desarticulando el mismo en partes más pequeñas de
manera secuencial, esto mejora la transmisión de conocimiento y el traslado de
tareas en un ambiente laboral. Es
interesantes considerar a una persona que no tiene antecedentes académicos
profundos en campos como la estadística o matemática, pero que puede hacer
frente a problemas numéricos o probabilísticos, mediante el procesamiento de
información, que implica la utilización de una computadora, conocer lenguaje de
programación y poseer cierta lógica secuencial. El beneficio que se obtiene de
una formación académica que incluya la adopción de distintos lenguajes de
programación es la creación de un circulo virtuoso, “aprender a codificar,
codificar para aprender”[1],
significando esto, que adquirir esta habilidad tiene un efecto multiplicador,
intensificado por la evolución constante de la tecnología.
Las aplicaciones de la codificación y el cálculo
computacional en diferentes campos laborales son diversas, que van desde
analizar el movimiento de los mercados financieros, la evaluación de políticas
públicas, diseño, publicidad, actividades artísticas, comportamiento del
consumidor y hasta en la vida cotidiana como se revisará posteriormente.
Un caso práctico: El álbum Panini del mundial 2018
Utilizando el programa R[2],
es posible elaborar una rutina que permita contestar las siguientes preguntas, ¿Cuál sería el costo de llenar el álbum?
¿Existen diferentes estrategias para completar la colección?[3] Ambos
cuestionamientos contienen intrínsecamente, conceptos económicos y estadísticos
aplicados que pueden afrontarse mediante codificación.
Antes de iniciar, se establecerán tres supuestos relevantes
para alcanzar las respuestas a las preguntas planteadas:
- Primero: se supondrá que las estampas presentan una
distribución uniforme, siguiendo con lo planteado por
- Segundo: el álbum que se ha comercializado en
mundiales anteriores en la región Centroamericana y República Dominicana ha estado conformado por 640 estampas.
Para el año 2018 se espera que contenga 682[5],
siendo una diferencia respecto a lo presentado
por
- Tercero, para determinar el costo para llenar el álbum es necesario establecer precios de referencia[6] para posteriormente realizar las estimaciones. Para tal fin se presenta a continuación la estructura de precios correspondiente al año 2014:
Precio Álbum Panini del Mundial 2014
|
||||||
País
|
Moneda
|
Moneda Nacional
|
US Dólar
|
TC promedio**
|
||
Álbum
|
Paquete(5)*
|
Álbum
|
Paquete(5)
|
|||
CR
|
Colones
|
800
|
350
|
1.5
|
0.6
|
540.9
|
ES
|
US Dólar
|
2.0
|
0.65
|
2.0
|
0.65
|
-
|
GT
|
Quetzal
|
15
|
5
|
1.9
|
0.6
|
7.8
|
HN
|
Lempiras
|
35
|
17
|
1.7
|
0.8
|
20.9
|
NI
|
Córdobas
|
50
|
16
|
1.9
|
0.6
|
25.9
|
RD
|
Peso Dominicano
|
180
|
30
|
4.2
|
0.7
|
43.3
|
Fuente: compilación de
publicaciones de prensa sobre comercialización a nivel de región
*Cada paquete contiene estampas
|
||||||
**Tipo de cambio promedio
entre los meses de abril y julio de 2014
|
||||||
[2] Es
un software libre para realizar cálculos estadísticos y presentaciones
gráficas. Funciona en una amplia variedad de plataformas como ser UNIX, Windows
y MacOS.
[4]En
su documento del año 2010 realizan un experimento para comprobar que la
distribución de las estampas es uniforme, el mismo consiste en comprar 12 cajas
de 500 estampas y realizar un registro
de la frecuencia con la que aparecen cada una de las mismas.
[5]
Según https://mexico.as.com/mexico/2018/02/23/futbol/1519358868_821119.html
[6] Se
tomarán como referencia los precios para el álbum del mundial 2014 .
El reto de coleccionar las 682 estampas implica inicialmente comprar paquetes que contienen 5 estampas cada uno. El problema radica en la aleatoriedad con que aparecen las estampas sumado a que el proceso presenta características similares a un muestreo con reposición, esto significa que es posible obtener estampas repetidas. En síntesis, a medida se va llenando el álbum, el esfuerzo para conseguir la última estampa sera exponencialmente mayor, es decir se requerirá una gran cantidad de paquetes.
Una persona que individualmente desee llenar el
álbum mediante la compra de paquetes requeriría en promedio 969 paquetes, es
decir 4,845 estampas. Este resultado se
obtuvo mediante la compilación del siguiente código[7]:
participantes<-vector("list")
faltantesporparticipante<-vector("list")
for
(j in 1:10000) {
estampas
<- matrix(data=NA, nrow=682, ncol=1)
paquetes
<-0
for
(i in 1:2000) {X<- c(floor(runif( n=5, min =1, max = 683)))
if
(colSums(is.na(estampas)) == 0) {break}
else {
estampas[X[1]] <- X[1]
estampas[X[2]] <- X[2]
estampas[X[3]] <- X[3]
estampas[X[4]] <- X[4]
estampas[X[5]] <- X[5]
paquetes=paquetes+1 } }
faltantes <-
colSums(is.na(estampas))
rm(estampas)
participantes[[j]]<- paquetes}
promediopaquetes <-
mean(as.numeric(participantes))
Esta codificación[8]
crea un vector columna llamado estampas
que posee 682 filas cuyos elementos están vacíos. Estos elementos vacíos se
sustituyen por los elementos de un segundo vector columna de 5 filas llamado X, que se genera con números aleatorios
que presentan una distribución uniforme entre 1 y 683. Se permite que este
vector X se reproduzca 2000 veces, equivalente a que una persona podría comprar
hasta 2000 paquetes de estampas para garantizar el llenado de las 682 filas del
vector estampas. Es necesario aclarar que, si se llena el vector estampas antes
de llegar a 2000 reproducciones del vector X, se guarda el valor de
reproducciones con las que consiguió llenar vector estampas, en otras palabras,
una persona puede llenar el álbum con un número de paquetes inferior a 2000. Todo
lo anterior se repite 10,000 veces, esto es similar a pensar que diez mil
personas hicieran lo mismo. Se obtiene el promedio de esta rutina que indicaría
el número de paquetes que debería comprar una persona que desea llenar el
álbum.
[7]
Esta codificación podría ser optimizada, no necesariamente es la mejor.
[8]
Puede utilizarse para corroborar el ejercicio de (Sardy & Velenik, 2010) y el del artículo de
(Escudero, 2017) , únicamente es necesario cambiar los
valores 682 y 683, por 660-661 o 200-201
según sea el caso (con un pequeño margen de error)
Esta simulación no es un camino viable que tomaría una persona para completar la colección, esto debido a que existe la posibilidad de intercambiar, como lo presenta
La estrategia
propuesta en este documento está compuesta por dos fases:
- la primera consiste en que tres personas (amigos, conocidos), compren colectivamente 4 cajas de 100 paquete de estampas, se reparten 1 caja cada uno y 33 paquetes de estampas de la caja sobrante, esto implica que 17 estampas tendrán que ser adquiridas obligatoriamente mediante compra individual. Haciendo lo anterior, a cada uno de los participantes le faltarán en promedio 257 estampas y tendrán 240 estampas repetidas para intercambiar.
- La segunda fase es realizar intercambio de estampas con 10 personas[9] (incluyendo las dos de la compra inicial). Realizando estas dos fases, a cada uno les faltarían en promedio 49 estampas (incluye las 17 faltantes de la fase inicial). Estas últimas estampas se compran individualmente a un precio unitario mayor[10].
participantes<-vector("list")
faltantesporparticipante<-vector("list")
for (j in
1:10000) {
estampas <- matrix(data=NA,nrow=682,
ncol=1)
paquetes <-0
estrategia <- 133
for (i in 1:estrategia){X<- c(floor(runif(
n=5, min =1, max = 683)))
if (colSums(is.na(estampas)) == 0)
{break} else {
estampas[X[1]] <-
X[1]
estampas[X[2]] <- X[2]
estampas[X[3]] <- X[3]
estampas[X[4]] <- X[4]
estampas[X[5]] <- X[5]
paquetes=paquetes+1 } }
faltantes <- colSums(is.na(estampas))
rm(estampas) #borra el paquete comprado
participantes[[j]]<- paquetes
faltantesporparticipante[[j]]<- faltantes }
promediopaquetes <- mean(as.numeric(participantes))
# a partir de esta línea se pueden realizar los análisis de
diferentes estrategias para llenar el album
estampasfaltantes<-
mean(as.numeric(faltantesporparticipante))
paraintercambio <-
(estrategia*5)-(682-estampasfaltantes)
paracambiar <- c(floor(runif(
n=estampasfaltantes, min =1, max = 683)))
cambios
<-vector("list")
set.seed(1)
amigos <- replicate(10,
floor(runif( n=estampasfaltantes, min =1, max = 683)))
colnames(amigos) <-
paste0("amigos", 1:ncol(amigos))
resultado <- Reduce(intersect,
list(paracambiar,amigos))
compraindividual <-
estampasfaltantes-length(resultado) #estampas
que se deberán comprar individualmente.
#precios 2014 + aumento esperado de precio
inf <- 1.10 # inf indica el porcentaje de
aumento
costototalCR <-
(800+350*estrategia*0.95+compraindividual*350/2)*inf
costototalES <-
(2.0+0.65*estrategia*0.95+compraindividual*0.65/2)*inf
costototalGT <-
(15+5*estrategia*0.95+compraindividual*5/2)*inf
costototalHN <-
(35+17*estrategia*0.95+compraindividual*17/2)*inf
costototalNI <-
(50+16*estrategia*0.95+compraindividual*16/2)*inf
costototalRD <-
(180+30*estrategia*0.95+compraindividual*30/2)*inf
[9]
Estas personas deberían tener una cantidad similar de estampas repetidas y
faltantes
[10] Las
estampas compradas de forma individual tienen un precio mayor, se supone para
los intereses de este documento que una estampa comprada individualmente podría
tener un precio equivalente a la mitad de un paquete.
Para la
estrategia propuesta en este ejercicio los resultados de los costos aproximados[1]
son los siguientes:
Comparación Costo de llenar Álbum Panini del
Mundial
|
||||||
País
|
Moneda
|
Costo Total precios 2014
|
Costo Total precios 2018 (Δ+10%))
|
TC cierre feb-18**
|
||
Moneda Nacional
|
US Dólares
|
Moneda Nacional
|
US Dólares
|
|||
CR
|
Colones
|
53,607.3
|
93.1
|
59,343.8
|
103.0
|
576.0
|
ES
|
US Dólar
|
100.1
|
100.1
|
110.8
|
110.8
|
1.0
|
GT
|
Quetzal
|
769.4
|
102.2
|
851.7
|
113.1
|
7.5
|
HN
|
Lempiras
|
2,599.9
|
109.5
|
2,878.2
|
121.2
|
23.8
|
NI
|
Córdobas
|
2,464.0
|
78.9
|
2,727.6
|
87.3
|
31.2
|
RD
|
Peso Dominicano
|
4,706.3
|
95.2
|
5,209.2
|
105.4
|
49.4
|
*Fuente: estimación propia bajo los supuestos
dados.
|
||||||
**Tipo de cambio nominal del último día del mes
de febrero.
|
||||||
l
Los resultados se presentan bajo dos formatos, el primero es utilizando la estructura de precios del año 2014, esto únicamente para fines comparativos. El segundo supone un ajuste de precios de un 10% respecto a la estructura de precios del 2014. Es importante mencionar que en algunos medios de comunicación los precios de referencia indican aumentos de 133% para la región México-Centro América para el año 2018[12].
Fuera de los contrargumentos económicos que puedan
existir respecto a los porcentajes escogidos para establecer el aumento de
precio del álbum y de sus respectivas estampas, que podría analizarse teniendo
en cuenta la dinámica de la inflación y de la variación del tipo de cambio en
la región para determinar si es coherente este aumento, el punto principal que
se desea enfatizar es que mediante la compilación de la codificación presentada
en este documento se pueden hacer diferentes escenarios, ya sea cambiando el
número de estampas requeridas, precios, red de personas que interactúan durante
el proceso etc. De forma eficiente, eficaz y confiable. Esta codificación admite
realizar y analizar otras estrategias cambiando ciertos parámetros, por lo tanto,
cada interesado podría conocer los resultados de su estrategia predilecta bajo
los supuestos que deseara.
[11]
http://www.mediotiempo.com/futbol/2018/02/22/anuncia-panini-precios-del-album-rusia-2018-a-14-pesos-el-sobre
Consideraciones finales sobre el Potencial productivo y las tendencias en el mercado laboral
La aplicación anterior puede parecer caricaturesca
desde una perspectiva económica- técnica, sin embargo, sirve como un potente
ejemplo de cómo las herramientas computacionales pueden servir para la toma de
decisiones en la vida cotidiana, por lo tanto, es indudable su potencial
utilidad en otros contextos y actividades.
En los últimos años se ha observado una mayor
demanda de recurso humano que posea la capacidad de codificar, siendo una tendencia
marcada en varias industrias, en particular con mayor incidencia en las economías
avanzadas, como es el caso de EE.UU., donde el grupo ocupacional Desarrolladores de software(aplicaciones)
proyecta entre el 2016-2026 crear 253,400 puestos de trabajo, con sueldos
anuales promedio de US$ 100,080[13],siendo
uno de los trabajos mejor remunerados en este país.
Las habilidades para codificar no sólo son útiles para
desarrolladores y programadores, puestos de trabajo relacionados a ingeniería,
diseño, análisis de datos y muchos campos más demandan esta habilidad en la
actualidad. En el 2015 se abrieron 6.8 millones de puestos laborales en EEUU
que requerían este tipo de destreza. Se proyecta que los trabajos que requieran
capacidad para codificar crecerán 7.2% en los próximos 10 años.
En el campo de la economía, la tendencia no es
diferente. Sin habilidades computacionales y de codificación no sería posible
simular los actuales modelos económicos, ni realizar ejercicios prospectivos.
Según el U.S. Bureau of Labor Statistics (BLS), se estima que entre el
2016-2026 el campo laboral de los economistas aumentará sus plazas a un ritmo
promedio de 6%, siendo mejores las perspectivas de empleo para aquellos que
posean un título de maestría o doctorado, con fuertes habilidades analíticas y
experiencia en el uso de software de análisis estadístico.
Esto se explica en parte por el desarrollo de los nuevos
métodos de modelización Macroeconómicos y Macro financieros como los
presentados por (Wieland, Afanasyeva, & Yoo, 2016) , estos autores
exponen sobre la facilidad de uso de plataformas (como MATLAB) para el análisis
comparativo de políticas económicas. También se ha extendido en el análisis
financiero a través del uso de redes neuronales (Neural Network), como se
muestra en (Cely, León, & Moreno, 2016) , convirtiéndose en
una potente herramienta para la predicción y análisis, permitiendo el
desarrollo de políticas macroprudenciales y el diseño de sistemas de alerta
temprana.
Finalmente, un tema de frontera es la posibilidad
de utilizar machine learning para realizar política monetaria, como lo menciona
Daniel Hinge, «Machine learning brinda a los bancos centrales un conjunto de
nuevas herramientas que pueden usar a un costo relativamente bajo. Por ejemplo,
Rendell de Kort, un economista del Banco Central de Aruba, presentó un modelo
de aprendizaje automático para pronosticar la demanda del turismo en una
conferencia organizada por el Comité Irving Fisher.»
Es necesario reflexionar sobre la necesidad de
cambiar los enfoques de los programas de estudio para los economistas
centroamericanos, en línea con el profesional que se requiere actualmente, más
enfocado en el uso aplicado de la tecnología evitando así estar peleados con la
codificación y el uso de algoritmos.
Simple y Franco!
Bibliografía
Cely, J.,
León, C., & Moreno, J. F. (Septiembre de 2016). Banco Central de la
República Colombia. Obtenido de http://www.banrep.gov.co/en/borrador-959
Escudero, W. S. (29 de octubre de 2017). Peleados con
los algoritmos: los economistas y su talón de aquiles. La Nación.
Hinge, D. (2017).
Teaching machines to do monetary policy. Central Banking.
Sardy, S., &
Velenik, Y. (2010). Paninimania: sticker rarity and cost-effective strategy. Swiss
Statistical Society no. 66, 2-6.
Wieland, V.,
Afanasyeva, E., & Yoo, J. (2016). New Methods for Macro-Financial Model
Comparison and Policy Analysis. Institute
for Monetary and Financial Stability.
Comentarios
Publicar un comentario