Академический Документы
Профессиональный Документы
Культура Документы
INTEGRANTES :
GELSI VASQUEZ
MICHAEL MUOZ
JULIO TAPIA
Definicin
Aplicaciones
En las organizaciones es de mucha utilidad en
predicciones a corto y mediano plazo, por
ejemplo ver que ocurrira con la demanda de un
cierto producto, las ventas a futuro, decisiones
sobre inventario, insumos, etc....
No as para el diseo de un proceso
productivo ya que no se disponen de datos
histricos y se trata de un proyecto a largo
plazo
Seleccin de un modelo
1.
2.
3.
4.
5.
Cantidad de datos
histricos
Ajuste exponencial
simple
5 a 10 observaciones
para fijar la
ponderacin
Ajuste exponencial de
Holt
Ajuste exponencial de
Winter
Modelos de la
tendencia de regresin
Horizonte de
proyeccin
Tiempo de
preparacin
Antecedentes del
personal
Corto
Corto
Poca sofisticacin
10 a 15 observaciones
para fijar la
ponderacin
Tendencias pero no
estacionalidad
Corto a mediano
Corto
Por lo menos 4 5
observaciones por
trimestre
Tendencias y
estacionalidad
Corto a mediano
Corto
Tendencias y
estacionalidad
Corto a mediano
Corto
10 a 20 observaciones
para la estacionalidad,
por lo menos 5 por
trimestre
Modelos de regresin
causal
10 observaciones por
variable
independiente
Puede manejar
patrones complejos
Descomposicin de las
series de tiempo
Maneja patrones
cclicos y estacionales
puede identificar los
puntos crticos
Box Jenkins
50 o mas
observaciones
Deben ser
estacionarios o ser
transformados en
estacionarios
Ligera sofisticacin
Corto , mediano o
largo
Corto a mediano
Corto , mediano o
largo
Largo tiempo
para el
desarrollo , corto
para la puesta en
ejecucin
Sofisticacin
moderada
Sofisticacin
moderada
Sofisticacin
considerable
Corto tiempo
para la
moderacin
Poca sofisticacin
Largo
Alta sofisticacin
Tendencia
Estacionalidad
Mtodos de Prediccin
Promedio mvil
Ejemplo
Periodo
Demanda
Dt
Promedio
movil, At
Pronostico
N=3, Ft
Error
Dt-Ft
1
2
3
4
5
6
7
10
18
29
15
30
12
16
19
20.7
24.7
19
16
19
20.7
24.7
19
- 4.0
9.3
- 12.7
- 3.0
Mientras
Suavizacin Exponencial
At = D t + (1-) F t
At = Dt + (1-) At-1
0<<1
Ejemplo
Periodo
Demanda Dt
Pronostico= 0.1,
Ft
Error
Dt-Ft
1
2
3
4
5
6
7
10
18
29
15
30
12
16
15
14.5
14.85
16.26
16.14
17.62
16.97
-5.0
3.5
14.15
-1.26
13.86
-5.52
-0.97
At = D t + (1-) F t
Para el periodo t+1, tenemos:
A8 = 0.1 (10)+ (10.1) 15
A8 = 14.5
Grafico
40
30
20
10
DEMANDA
Fit f or DEMANDA f rom
0
EXSMOOTH, MOD_4 NN
1
Sequence number
10 11 12 13 14
15
Box
Jenkins
Box y Jenkins han desarrollado modelos
estadsticos que tienen en cuenta la
dependencia existente entre los datos.
Cada observacin en un momento dado es
modelada en funcin de los valores anteriores.
Se modela a travs de ARIMA (Autorregresive
Integrate Moving Average).
METODOLOGIA DE BOX-JENKINS
Tiene solamente en cuenta la pauta de serie
serie de tiempo en el pasado.
Ignora la informacin de variables causales.
Procedimiento tcnicamente sofisticado de
prediccin de una variable.
Utiliza la observacin ms reciente como
valor inicial.
Permite examinar el modelo ms adecuado
METODOLOGIA DE
BOX-JENKINS
Analiza errores recientes de pronsticos para
seleccionar el ajuste apropiado para periodos
futuros.
Box-Jenkins es ms apropiado para
predicciones a largo plazo que para corto
plazo.
Extrae mucha informacin de la serie de
tiempo, ms que cualquier otro mtodo.
at
Yt = at - V1 at-1
ARIMA
Es un modelo que permite describir un
valor como una funcion lineal de datos
como una funcion lineal de datos
anteriores y errores debidos al azar.
Se analiza sobre una serie estacionaria y
se necesitan como minimo 50 datos.
Grafico
DEMANDA
1.0
.5
0.0
-.5
AC F
-1.0
Coef f icient
1
Lag Number
10 11
12 13
Grafico
DEMANDA
1.0
.5
P a rtia l A C F
0.0
-.5
Conf idence Limits
-1.0
Coef ficient
1
Lag Number
10 11
12
13
AR (1)
Los procesos AR(1) se reconocen por una
AR (1)
MA(1)
Los
MA(1)
AR(2) (I)
AR(2) (II)
MA (2)
Funcin de autocorrelacion
Funcin de autocorrelacin
Para ver si la serie es o no estacionaria veamos el
correlograma.Observamos que decrece lentamente, por lo
que podemos decir que no hay estacionariedad (cuando el
decrecimiento es ms rpido la serie es estacionaria).
Aplicamos un modelo en el que hay que diferenciar la serie
y obtenemos el grfico de la serie despus de haber hecho
una diferenciacin no estacional.Se observa que la serie se
ha estabilizado.
Funcin de autocorrelacion