La era de la Información

Photo by Pixabay on Pexels.com

La revolución industrial marcó un punto de inflexión en la historia económica, hubo un cambio del estancamiento económico de varios siglos hacia el crecimiento sostenido de la renta per cápita y una mejora en los estándares de la sociedad y de la calidad de vida.

Este cambio sin precedentes significó que, por ejemplo, el PIB per cápita en los Estados Unidos creciera en casi un 50% en medio siglo. A pesar de que se trata de un enorme incremento, por otro lado, el PIB per cápita aumentó en la misma cantidad, en la mitad del tiempo a partir de 1980, impulsado en parte por la proliferación de las tecnologías digitales. Estas cifras confirman el alcance y la velocidad del efecto de la revolución digital en la sociedad, la última revolución que está cambiando y seguirá cambiando las estructuras de la economía tal como la conocemos, y hacen evidente que estamos viviendo la “Era de la Información”. (Vidal, 2015)

Los indicadores económicos confirman que, al igual que la revolución industrial generó una aceleración de la economía mundial durante los siglos 19 y 20, la revolución digital está generando la siguiente aceleración. “Estamos viviendo en la era de la información”

Al vivir en esta era, se observa permanentemente como terabytes o petabytes de datos se vierten en nuestras redes informáticas, en el internet y los dispositivos de almacenamiento de datos todos los días: de negocios, de información social, de ciencia e ingeniería, de medicina, y de casi todos los demás aspectos de la vida diaria. Este crecimiento explosivo del volumen de datos disponibles es el resultado de la informatización de nuestra sociedad y el rápido desarrollo de potentes herramientas de almacenamiento de datos. (Han, Kamber, & Pei, 2012)

Sin embargo, este crecimiento exponencial en la cantidad de la información que hoy en día se genera, representa para las empresas, algunas consecuencias importantes. En primer lugar, tienen que focalizar la atención, es decir asegurarse que las personas se centran en el conjunto adecuado de temas, evitando la distracción que se puede generar por la abrumadora cantidad de información. En segundo lugar, las empresas tienen que conseguir el equilibrio adecuado entre la información y el juicio para tomar decisiones importantes, Jeff Bezos, fundador y CEO de Amazon, observó que existen dos tipos de decisiones: “Las que se pueden tomar por análisis, y las que se deben tomar en base al juicio y la intuición”. (Birkinshaw, 2014)

Por tanto, en la era de la información, los profesionales más exitosos serán aquellos que inteligencien de mejor manera la información y favorezcan la acción sobre el análisis y aprovechando la intuición y el sentimiento en combinación con el análisis racional.

Bibliografía

Birkinshaw, J. (1 de Junio de 2014). Beyond the Information Age. Obtenido de Wired: https://www.wired.com/insights/2014/06/beyond-information-age/

Han, J., Kamber, M., & Pei, J. (2012). Data Mining Concepts and Techniques (Tercera ed.). Waltham, Massachusetts, USA: Morgan Kaufmann.

Vidal, A. (9 de Julio de 2015). The digital era and its role in the economy. Obtenido de CaixaBank Research: http://www.caixabankresearch.com/en/-/la-era-digital-y-su-papel-en-la-economia-d2

Regresión No Lineal

Los modelos de regresión lineal no siempre pueden ajustarse a la distribución de los datos, porque a veces la relación entre Y y X no es lineal, sino que exhibe algún grado de curvatura. La estimación directa de los parámetros de funciones no-lineales es un proceso bastante complicado. No obstante, a veces se pueden aplicar las técnicas de regresión lineal por medio de transformaciones de las variables originales. (Minitab, 2016)

Por tanto, la regresión no lineal genera una ecuación para describir la relación no lineal entre una variable de respuesta continua y una o más variables predictores, y predice nuevas observaciones. Se Utiliza la regresión no lineal en lugar de la regresión habitual de mínimos cuadrados cuando no se pueda modelar adecuadamente la relación con parámetros lineales. Los parámetros son lineales cuando cada término del modelo es aditivo y contiene solo un parámetro que multiplica el término.

En la minería de datos, para los modelos predictivos de regresión no lineal se debe elegir una función para el modelado que depende del conocimiento del comportamiento del set de datos. Las formas no lineales posibles son: (Castejón, 2011)

  • cóncava
  • convexa
  • crecimiento
  • descenso exponencial      
  • curva sigmoidal (S)
  • curvas asintóticas.

Entre las funciones más comunes para adaptar al set de datos se encuentra:

  • El modelo recíproco: también conocido como hipérbola, donde una de las variables va aumentando y la otra va disminuyendo
  • El modelo gamma
  • El modelo potencial, muy utilizado en ajuste de precio-demanda
  • El modelo exponencial muy utilizado en ajuste de crecimiento poblacionales
  • El modelo logístico para estudiar el crecimiento de poblaciones
  • El modelo de parábola logarítmica, cuya ecuación del modelo es:
  • El modelo de Gompertz, utilizado para el estudio de crecimientos poblacionales

Bibliografía

Castejón, O. (2011). Diseño y Análisis de Experimentos con Statitix. Maracaibo, Venezuela: Fondo Editorial Biblioteca Universidad Rafael Urdaneta. Obtenido de http://www.uru.edu/fondoeditorial/libros/pdf/manualdestatistix/cap9.pdf

Minitab. (2016). Regresión No Líneal. Obtenido de Soporte de Minitab 17: http://support.minitab.com/es-mx/minitab/17/topic-library/modeling-statistics/regression-and-correlation/basics/nonlinear-regression/