Un economista disfrazado
Esta semana, al revisar la presentación del subgobernador del Banco de México, Manuel Ramos Francia, en el Foro IMEF Internacional 2011 “La Fortaleza de México: Lecciones Aprendidas”, me topé con una gráfica que me pareció muy interesante.
Gráfica 1.1 Encuesta de Banxico sobre la coyuntura actual para realizar inversiones (enero 2003-abril 2011)
Fuente: Banxico
Salvo algunas excepciones, la dirección del balance general -aquellos que consideraron al momento actual como bueno para invertir menos aquellos que lo consideraron como malo- para ambos grupos parece ser la misma. En otras palabras: ambos grupos tienden a pensar lo mismo (buen momento o mal momento) pero los expertos en economía están mucho más de acuerdo entre ellos. El balance de respuestas positivas de los expertos en economía era de 60% en abril de 2011; mientras, los empresarios no se ponían de acuerdo, con un balance menor al 20%.
Es apreciable la diferencia en magnitud del balance entre ambos grupos encuestados. Si un inversionista tuviera que elegir a algún grupo como consejero de inversión, ¿a quién elegiría? Si eligiera a los expertos en economía, ¿invertiría de más (overshooting) en los momentos en que ellos estiman el momento como positivo? Si eligiera a los empresarios, ¿invertiría poco o sería más prudente cuando ellos le aconsejaran invertir? ¿Cuál grupo se equivoca?
Gráfica 1.2 Inversión fija bruta y en maquinaria y equipo nacional en México (enero 2004-junio 2011)
Fuente: Banxico
No sé si la variación anual en inversión fija bruta (gráfica 1.2) sea un buen indicador para comparar la precisión de las respuestas de ambos grupos. Sin embargo, me parece interesante que la variación en ésta sea más o menos la mitad que el balance de los empresarios (1/3 del balance de los expertos). Si tomamos ésta gráfica como métrica, parecería que ambos sobrerreaccionan respecto al clima de inversión.
Mi hipótesis inicial es que los expertos en economía incurren en overshooting tanto en los momentos buenos como en los malos, mientras los empresarios no lo hacen tanto. Aunque los dos grupos tienen incentivos para no equivocarse, me parece que los empresarios tienen más que perder (i.e. sus negocios o empleos) si fallan, mientras que los expertos pueden errar sin mayores temores. Como estos últimos tienden a coincidir más en sus opiniones, en caso de fallar en sus predicciones no es muy posible que pierdan sus empleos o reputaciones como expertos en la materia (ya que casi todos cometieron el mismo error). Podríamos llamar a lo anterior: “mal de muchos, consuelo de todos”.
Me pregunto cómo evaluaría esa hipótesis: ¿método estadísticos o experimentales? Si ustedes consideran la primera opción como la más viable, ¿qué variables explicativas utilizarían y cuál método aplicarían? Si creen que los métodos experimentales producirían mejores resultados, ¿cuál sería su metodología? y, más importante, ¿cómo lograrían convencer a expertos en economía y empresarios del sector manufacturero ser parte de su experimento?
Sospecho que un experimento sería muy ilustrativo pero aún no se me ocurre cómo convencería a esas personas ser parte de él. Es por eso que exhorto a los lectores a expresar sus opiniones en la sección de comentarios y escribir (si es que lo desean) posibles explicaciones de la encuesta de Banxico.
En la primera parte se analizaron algunas estadísticas de la UEFA Liga de Campeones para la temporada 2010-2011. Los 4 semifinalistas fueron los equipos que cometieron y recibieron más faltas en toda la competición. Los datos parecen apoyar la hipótesis de una correlación positiva entre la cantidad de partidos jugados y la cantidad de faltas recibidas y sancionadas (y, por ende,una correlación positiva entre éstas últimas). Sin embargo, cuando se evaluó la relación que guardaba la cantidad de faltas sancionadas con las tarjetas amarillas recibidas para los equipos semifinalistas,tanto el Manchester United como el Barcelona resultaron estar por debajo de lo esperado. ¿Qué podría explicar esto? ¿Existen más datos que puedan apuntar hacia una anomalía estadística para alguno de estos equipos? Leer Más
Incluso antes de presentar evidencia, siempre es posible blandir argumentos a favor o en contra de la administración de justicia en casos particulares. En cualquier sistema donde existen dos o más partes en conflicto, es muy probable que surjan problemas en la toma de decisiones que impliquen sanciones para una de ellas.
El fútbol profesional es un escaparate para las partes en conflicto (los equipos) y los administradores de justicia (los árbitros). Cada acción y decisión tomadas pueden ser observadan por miles -y en algunos casos, cientos de millones- de observadores. No obstante, las fallas, aunque monitoreadas de manera cercana por actores externos, usualmente no son detectadas por los árbitros y existen muchas trabas para revertir una decisión de los mismos. Además de las evaluaciones cualitativas tradicionales del fútbol, un análisis de los datos puede arrojar información importante para evaluar aspectos del deporte que de otra manera serían ignorados. Las estadísticas oficiales de la Liga de Campeones de Europa (Champions League) de la temporada 2010-2011, publicadas por la UEFA, serán utilizadas para mostrar algunas correlaciones y tendencias para todos los equipos participante. Para comenzar, veamos las faltas sancionadas y sufridas por equipo: Leer Más
Para aquellos que gusten de las matemáticas y la estadística, y además tengan interés en su aplicación para la resolución de problemas, les resultarán muy interesantes los artículos de The Economist: ‘Cry havoc! And let slip the maths of war‘ y ‘Tanks in the Cloud‘.
El primero resume un artículo de Neil Johnson, aún sin publicar y en proceso de revisión por la revista Nature, que propone una fórmula para predecir el patrón de ataques terroristas:
The formula in question (Tn = T1n-b) is one of a familiar type, known as a progress curve, that describes how productivity improves in a range of human activities from manufacturing to cancer surgery. Tn is the number of days between the nth attack and its successor. (T1 is therefore the number of days between the first and second attacks.) The other element of the equation, b, turns out to be directly related to T1. It is calculated from the relationship between the logarithms of the attack number, n, and the attack interval, Tn. The upshot is that knowing T1 should be enough to predict the future course of a local insurgency. Conversely, changing b would change both T1 and Tn, and thus change that future course.
El segundo hace una analogía del problema del tanque alemán (la utilización de un estimador insesgado con varianza mínima en la segunda guerrra mundial para calcular el número aproximado de tanques nuevos producidos en Alemania) con el problema de estimación de máquinas virtuales del negocio de computación en la nube de Amazon:
Amazon, for instance, only reveals that it now stores more than 200 billion digital “objects” and has to fulfil nearly 200,000 requests for them per second—impressive numbers but not very useful ones (an object can be a small file or an entire movie). Rackspace says it operates nearly 64,000 servers globally, but notes that only some are used for IaaS.This reluctance to share information has inspired analysts and bloggers to find out more, in particular about Amazon. During the second world war, the allies were worried that a new German tank could keep them from invading Europe. Intelligence reports about the number of tanks were contradictory. So statisticians were called in to help.
They assumed that the Germans, a notoriously methodical lot, had numbered their tanks in the order they were produced. Based on this assumption, they used the serial numbers of captured tanks to estimate the total. The number they came up with, 256 a month, was low enough for the allies to go ahead with their plans and turned out to be spot-on. German records showed it to be 255.
Con éste método estadístico, un bloguero y Cloudkick, una compañía, han estimado el número de computadores virtuales de Amazon:
Mr Rosen decrypted the serial numbers of Amazon’s “virtual machines”, the unit of measurement for buying computing power from the firm. Alex Polvi, the founder of Cloudkick, then used these serial numbers to calculate the total number of virtual computers plugged in every day. This number is approaching 90,000 for Amazon’s data centres on America’s East Coast alone
Notas marginales 
