Ítem
Acceso Abierto

Aplicaciones de los modelos de predicción bio-inspirados en la administración

Mostrar el registro sencillo de la publicación
dc.contributor.advisorGómez Cruz, Nelson Alfonso
dc.creatorGómez Motta, Leonardo Andrés
dc.creatorNavarrete Galindo, Javier Enrique
dc.creator.degreeAdministrador de Negocios Internacionales
dc.date.accessioned2016-10-24T16:10:45Z
dc.date.available2016-10-24T16:10:45Z
dc.date.created2016-09-19
dc.date.issued2016
dc.descriptionLas organizaciones y sus entornos son sistemas complejos. Tales sistemas son difíciles de comprender y predecir. Pese a ello, la predicción es una tarea fundamental para la gestión empresarial y para la toma de decisiones que implica siempre un riesgo. Los métodos clásicos de predicción (entre los cuales están: la regresión lineal, la Autoregresive Moving Average y el exponential smoothing) establecen supuestos como la linealidad, la estabilidad para ser matemática y computacionalmente tratables. Por diferentes medios, sin embargo, se han demostrado las limitaciones de tales métodos. Pues bien, en las últimas décadas nuevos métodos de predicción han surgido con el fin de abarcar la complejidad de los sistemas organizacionales y sus entornos, antes que evitarla. Entre ellos, los más promisorios son los métodos de predicción bio-inspirados (ej. redes neuronales, algoritmos genéticos /evolutivos y sistemas inmunes artificiales). Este artículo pretende establecer un estado situacional de las aplicaciones actuales y potenciales de los métodos bio-inspirados de predicción en la administración.spa
dc.description.abstractOrganizations and their environments are complex systems. Those systems are difficult to understand and to predict. Despite of this, the prediction is a key task for the enterprises’ management and for the decision making which always implies risk. The classical methods of prediction (among which are: the linear regression, Autoregresive Moving Average and exponential smoothing) establish assumptions such as linearity and stability for being mathematically and computationally tractable. By different means, however, have been shown the limitations of such methods. So well, in recent decades new prediction methods have emerged in order to encompass the complexity of organizational systems and their environments, instead of avoiding it. Among them, the most promising are the bio-inspired prediction methods (eg. neural networks, genetic / evolutionary algorithms and artificial immune systems). This article aims to establish a situational state of the actual and potential applications of bio-inspired prediction methods in management.eng
dc.description.sponsorshipUniversidad del Rosariospa
dc.format.mimetypeapplication/pdf
dc.identifier.doihttps://doi.org/10.48713/10336_12510
dc.identifier.urihttp://repository.urosario.edu.co/handle/10336/12510
dc.language.isospa
dc.publisherUniversidad del Rosariospa
dc.publisher.departmentFacultad de administraciónspa
dc.publisher.programAdministrador de negocios internacionalesspa
dc.rights.accesRightsinfo:eu-repo/semantics/openAccess
dc.rights.accesoAbierto (Texto completo)spa
dc.rights.ccAtribución-SinDerivadas 2.5 Colombiaspa
dc.rights.licenciaEL AUTOR, manifiesta que la obra objeto de la presente autorización es original y la realizó sin violar o usurpar derechos de autor de terceros, por lo tanto la obra es de exclusiva autoría y tiene la titularidad sobre la misma. PARGRAFO: En caso de presentarse cualquier reclamación o acción por parte de un tercero en cuanto a los derechos de autor sobre la obra en cuestión, EL AUTOR, asumirá toda la responsabilidad, y saldrá en defensa de los derechos aquí autorizados; para todos los efectos la universidad actúa como un tercero de buena fe. EL AUTOR, autoriza a LA UNIVERSIDAD DEL ROSARIO, para que en los términos establecidos en la Ley 23 de 1982, Ley 44 de 1993, Decisión andina 351 de 1993, Decreto 460 de 1995 y demás normas generales sobre la materia, utilice y use la obra objeto de la presente autorización. -------------------------------------- POLITICA DE TRATAMIENTO DE DATOS PERSONALES. Declaro que autorizo previa y de forma informada el tratamiento de mis datos personales por parte de LA UNIVERSIDAD DEL ROSARIO para fines académicos y en aplicación de convenios con terceros o servicios conexos con actividades propias de la academia, con estricto cumplimiento de los principios de ley. Para el correcto ejercicio de mi derecho de habeas data cuento con la cuenta de correo habeasdata@urosario.edu.co, donde previa identificación podré solicitar la consulta, corrección y supresión de mis datos.spa
dc.rights.urihttp://creativecommons.org/licenses/by-nd/2.5/co/
dc.source.bibliographicCitationAragón, V. S., Cagnina, L., Gatica, C. R., & Esquivel, S. C. (2006). Metaheurísticas basadas en inteligencia computacional aplicadas a la resolución de problemas de optimización restringidos. En J. C. Vázquez, M. Marciszack, F. Gibellini (Eds.), VIII Workshop de Investigadores en Ciencias de la Computación (124-129). Buenos Aires: Red de Universidades con Carreras en Informática (RedUNCI).
dc.source.bibliographicCitationBurke, E. K., & Kendall, G. (2005). Search Methodologies Introductory Tutorials in Optimization and Decision Support Techniques. New York: Springer.
dc.source.bibliographicCitationChambers, J., Mullick, S. & Smith, D. (1971). How to choose the right forecasting technique. Harvard Business Review, (Agosto-Julio, 1971), 55-64.
dc.source.bibliographicCitationCinca, C. & del Brío, B. (1993). Predicción de la quiebra bancaria mediante el empleo de redes neuronales artificiales. Revista Española de Financiación y Contabilidad, 23(74), 153-176.
dc.source.bibliographicCitationCortez, P., Rocha, M., Allegro, F. S. & Neves, J. (2002). Real-time forecasting by bio-inspired models. In M. H. Hamza (Eds.), Artificial Intelligence and Applications: Proceedings of the IASTED International Conference (pp. 52-57). Málaga.
dc.source.bibliographicCitationDasgupta, D. (1993). An overview of artificial immune systems and their applications. In D. Dasgupta (Eds.), Artificial Immune Systems and Their Applications (vol. 1, pp. 3-21). Memphis: Springer Berlin Heidelberg.
dc.source.bibliographicCitationDasgupta, D., & Nino, L. F. (2009). Inmunological Computation: Theory and Aplications. Boca Raton: CRC Press.
dc.source.bibliographicCitationDasgupta, D., Yu, S. & Majumdar, N. S. (2003). MILA — Multilevel immune learning algorithm and its application to anomaly detection. Soft Computing Journal, 9(3), 172-184.
dc.source.bibliographicCitationÉrdi, P. (2008). Complexity Explained. Berlín: Springer.
dc.source.bibliographicCitationFarmer, J., & Packard, N. P. (1986). The immune system, adaptation, and machine learning. Physica D, 22(1), 187-204.
dc.source.bibliographicCitationFiliz, I. (2010). An entropy-based approach for measuring complexity in supply chains. International Journal of Production Research, 48(12), 3681-3696.
dc.source.bibliographicCitationGan, C., Limsombunchao, V., Clemes, M. & Weng, A. (2005). Consumer choice prediction: Artificial neural networks versus logistic models. Journal of Social Sciences,1(4), 211-219.
dc.source.bibliographicCitationGestal, M., Rivero, D., Rabuñal, J., Dorado, J. & Pazos, A. (2010). Introducción a los Algoritmos Genéticos y la Programación Genética. La Coruña: Universidade da Coruña.
dc.source.bibliographicCitationGoldratt, E. M. (2009). Standing on the shoulders of giants - Production concepts versus production applications. Gestão & Produção, 16(3), 333-343.
dc.source.bibliographicCitationMaldonado, C. E. & Gomez, N. A. (2010). Modelamiento y Simulación de Sistemas Complejos. Bogotá: Universidad del Rosario.
dc.source.bibliographicCitationMaldonado, C. E. & Gomez, N. A. (2011). Sistemas Bio-inspirados: Un Marco Teórico para la Ingeniería de Sistemas Complejos. Bogotá: Universidad del Rosario.
dc.source.bibliographicCitationGonzalez, L., Guerrero, A. & Delvasto, S. (2011). Aplicación de la inteligencia artificial en el diseño de mezclas de concreto. Estado del arte. Cuadreno Activa, 4(4), 55-65.
dc.source.bibliographicCitationGosasang, V., Chandraprakaikul, W. & Kiattisin, S. (2011). A comparison of traditional and neural networks forecasting techniques for container throughput at Bankok Port. The Asian Journal Shipping and Logistics, 27(3), 463-482.
dc.source.bibliographicCitationHelbing, D. & Lämmer, S. (2008). Managing complexity: An introduction. In D, Helbing (Eds.), Managing complexity: Insights, concepts, applications (vol.1, pp. 1-16). Berlín: Springer.
dc.source.bibliographicCitationHeylighen, F. (2008). Complexity and self-organization. In M. J. Bates & N. M. Maack (Eds.), Encyclopedia of Library and Information Sciences (pp. 1-20). CRC Press, Los Angeles.
dc.source.bibliographicCitationHunt, J. E. & Cooke, D. E. (1996). Learning using an artificial immune system. Journal of Network and Computer Applications, 19(2), 189-212.
dc.source.bibliographicCitationIzaurieta, F. & Saavedra, C. (2000). Redes Neuronales Artificiales. Concepción: Universidad de Concepción Chile.
dc.source.bibliographicCitationKara, Y., Boyacioglu, M. & Baykan, O. (2011). Predicting direction of stock price index movement using artificial neural networks and support vector machines: The sample of the istanbul stock exchange. Expert Systems with Applications, 38(5), 5311-5319.
dc.source.bibliographicCitationKim, J. & Bently, P. J. (2001). An evaluation of negative selection in an artificial immune system for network intrusion detection. In L. Spector, E. D. Goodman, A. Wu, W. B. Langdon, H.-M. Voigt, M. Gen, S. Sen, M. Dorigo, S. Pezeshk, M. H. Garzon, & E. Burke (Eds.), Proceedings of the Genetic and Evolutionary Computation Conference (GECCO) (1330-1337). San Francisco.
dc.source.bibliographicCitationKim, J., Bently, P., Aickelin, U., Tedesco, G., Greensmith, J. & Twycross, J. (2007). Immune system approaches to intrusion detection – A review. Natural Computing, 6(4), 413-466.
dc.source.bibliographicCitationKim, K. & Han, I. (2000). Genetic algorithms approach to feature discretization in artificial neural networks for the prediction of stock price index. Expert Systems with Applications, 19(2), 125–132.
dc.source.bibliographicCitationLeung, M., Daouk, H. & Chen, A. (2000). Forecasting stock indices: A comparison of classification and level estimation models. International Journal of Forecasting, 16(2), 173-190.
dc.source.bibliographicCitationMainzer, K. (2007). Thinking in Complexity. Berlin: Springer.
dc.source.bibliographicCitationMarren, P. (2008). Living in the Present. Journal of Business Strategy, 29(3), 45 -47.
dc.source.bibliographicCitationMarren, P. (2010). Prediction Kills. Journal of Business Strategy, 31(1), 59-61.
dc.source.bibliographicCitationMatich, D. J. (2001). Redes Neuronales: Conceptos Básicos y Aplicaciones. Buenos Aires: Universidad Tecnológica Nacional.
dc.source.bibliographicCitationMin, S., Lee, J. & Han, I. (2006). Hybrid genetic algorithms and support vector machines for bankruptcy prediction. Expert Systems with Application, 31(3), 652–660.
dc.source.bibliographicCitationMirtalaei, M., Saberi, M., Hussain, O., Ashjari, B. & Hussain, F. (2012). A trust based bio-inspired approach for credit lending decisions. Computing, 94(7), 541-577.
dc.source.bibliographicCitationNasaroui, O., Gonzalez, F. & Dasgupta, D. (2002). The fuzzy artificial immune system: motivations, basic concepts and application to clustering and web profiling. In 2002 IEEE: International Conference on Fuzzy Systems (711 - 716). Honolulu: IEEE.
dc.source.bibliographicCitationNava, M. (2009). Análisis financiero: Una herramienta clave para una gestión financiera eficiente. Revista Venezolana de Gerencia, 14(48), 606-628.
dc.source.bibliographicCitationNieto, F. & Montoya, J. (2008). Implementación de un procedimiento basado en algoritmos evolutivos para programar la producción de marquillas estampadas por transferencia térmica. Ingeniería y Universidad, 12(2), 269-299.
dc.source.bibliographicCitationParisi, A., Parisi, F. & Díaz, D. (2006). Modelos de algoritmos genéticos y redes neuronales en la predicción de índices bursátiles asiáticos. Cuadernos de Economía, 43(128), 251-284.
dc.source.bibliographicCitationParisi, F., Parisi, A. & Cornejo, E. (2004). Algoritmos genéticos y modelos multivariados recursivos en la predicción de índices bursátiles de América del Norte: IPC, TSE, NASDAQ Y DJI. El Trimestre Económico, 71(284), 789-809.
dc.source.bibliographicCitationPérez, J. M. (2010). Inteligencia Computacional Inspirada en la Vida. Malaga: Servicio de Publicaciones de la Universidad de Málaga.
dc.source.bibliographicCitationPitarque, A., Roy, J. C. & Ruiz, J. F. (1998). Redes neurales vs modelos estadísticos. Simulaciones sobre tareas de predicción y clasificación. Revista de Metodología y Psicología Experimental, 19(3), 387-398.
dc.source.bibliographicCitationQuintero, L. V. & Coello, C. A. (2006). Una introducción a la computación evolutiva y algunas de sus aplicaciones en economía y finanzas. Métodos Cuantitativos Para La Economía y la Empresa, 2, 3-26.
dc.source.bibliographicCitationRuelas, E. & Laguna, J. (2014). Comparación de predicción basada en redes neuronales contra métodos estadísticos en el pronóstico de ventas. Revista de Ingenieria Industrial. Actulidad y Nuevas Tendencias, 4(12), 91-105.
dc.source.bibliographicCitationSan Miguel, M., Johnson, J. H., Kertesz, J., Karsai, K., Díaz-Aguilera, A., MacKay, R. S., et al. (2012). Challenges in complex systems science. The European Physical Journal Special Topics, 214 (1), 245-271.
dc.source.bibliographicCitationSantana, J. (2006). Predicción de series temporales con redes neuronales: Una aplicación a la inflación colombiana. Colombiana de Estadística, 29(1), 77-92.
dc.source.bibliographicCitationSosa, M. D. (2007). Inteligencia artificial en la gestión financiera empresarial. Revista Científica Pensamiento y Gestión,(23), 153-186.
dc.source.bibliographicCitationTimmis, J., Hone, A., Stibor, T. & Clark, E. (2008). Theoretical advances in artificial immune systems. Theoretical Computer Science, 403(1), 11–32.
dc.source.bibliographicCitationVelásquez, J. & Montoya, S. (2005). Modelado de índices de precios al consumidor usando un modelo híbrido basado en redes neuronales. DYNA, 72(147), 85-93.
dc.source.bibliographicCitationWang, C. H. & Hsu, L. C. (2008). Using genetic algorithms grey theory to forecast high technology industrial output. Applied Mathematics and Computation, 195(1), 256–263.
dc.source.bibliographicCitationZhang, G., Hu, M., Patuwo, E. & Indro, D. (1999). Artificial neural networks in bankruptcy prediction: General framework and cross-validation analysis. European Journal of Operational Research, 116(1), 16-32.
dc.source.bibliographicCitationZhang, G., Patuwo, B. & Hu, M. (1998). Forecasting with artificial neural networks: The state of the art. International Journal of Forecasting, 14(1), 35-62.
dc.source.bibliographicCitationZhao, L., Wang, Z. & Chen, C. (2009). Is international oil price chaotic? - Empirical evidence from spot market. In 2009 BIFE '09 International Conference on Business Intelligence and Financial Engineering (621-624). Beijing: IEEE.
dc.source.instnameinstname:Universidad del Rosariospa
dc.source.reponamereponame:Repositorio Institucional EdocURspa
dc.subjectComputación bio-inspiradaspa
dc.subjectComplejidadspa
dc.subjectPredicción de sistemas complejosspa
dc.subjectPredicción organizacionalspa
dc.subject.ddcAdministración general
dc.subject.keywordBio-inspired computationeng
dc.subject.keywordComplexityeng
dc.subject.keywordComplex systems predictioneng
dc.subject.keywordOrganizational forecastingeng
dc.subject.lembCambio organizacionalspa
dc.subject.lembComplejidad computacionalspa
dc.subject.lembProgramación evolutiva (Computación)spa
dc.titleAplicaciones de los modelos de predicción bio-inspirados en la administraciónspa
dc.typebachelorThesiseng
dc.type.hasVersioninfo:eu-repo/semantics/acceptedVersion
dc.type.spaTrabajo de gradospa
Archivos
Bloque original
Mostrando1 - 1 de 1
Miniatura
Nombre:
GomezMotta-LeonardoAndres-2016.pdf
Tamaño:
644.08 KB
Formato:
Adobe Portable Document Format
Descripción:
Documento principal
Descargar
Colecciones
Pregrado en Administración de Negocios Internacionales