1 / 28

UNIVERSIDAD MAYOR DE SAN SIMON FACULTAD DE CIENCIAS Y TECNOLOGIA CARRERA DE INGENIERIA INDUSTRIAL

UNIVERSIDAD MAYOR DE SAN SIMON FACULTAD DE CIENCIAS Y TECNOLOGIA CARRERA DE INGENIERIA INDUSTRIAL DEPARTAMENTO DE INDUSTRIAS. IND 210 PLANIFICACION Y CONTROL DE LA PRODUCCION I Carrera de Ingeniería Industrial. PRONOSTICO DE SERIES TEMPORALES P ROCESOS CON T ENDENCIA.

morwen
Télécharger la présentation

UNIVERSIDAD MAYOR DE SAN SIMON FACULTAD DE CIENCIAS Y TECNOLOGIA CARRERA DE INGENIERIA INDUSTRIAL

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. UNIVERSIDAD MAYOR DE SAN SIMON FACULTAD DE CIENCIAS Y TECNOLOGIA CARRERA DE INGENIERIA INDUSTRIAL DEPARTAMENTO DE INDUSTRIAS IND 210 PLANIFICACION Y CONTROL DE LA PRODUCCION I Carrera de Ingeniería Industrial

  2. PRONOSTICO DE SERIES TEMPORALESPROCESOSCON TENDENCIA

  3. Procesos con Tendencia • TECNICAS DE PROYECCION • Ajuste de Sipper • Modelo de Holt • Suavizamiento Exponencial Simple con Tendencia • Regresión simple con tiempo Los procesos con tendencia presentan incrementos ó decrementos sostenidos en el tiempo, también se necesita una gran cantidad de registros para comprobar si cumple un proceso de este tipo.

  4. Técnica: Ajuste de Sipper Nuestro ejemplo: Demanda de atención de auto service en nuestro local de reparaciones 2PAC. En la tabla se tiene el registro de los últimos 8 meses.

  5. Técnica: Ajuste de Sipper Promedio I = 133.8 ubicado en t = 2.5 Promedio II = 208.5 ubicado en t = 6.5 Promedio G = 171.1 ubicado en t = 4.5 En la técnica de Ajuste de Sipper, se divide la serie en dos partes, se calculan los promedios de cada parte y el promedio global

  6. Técnica: Ajuste de Sipper Promedio I = 133.8 Promedio II = 208.5 Promedio G = 171.1 Se calcula la tendencia de una recta imaginaria a través de la pendiente entre los puntos, ésta línea naranja es la serie de términos lineales X

  7. Técnica: Ajuste de Sipper Tendencia = 18.7 Valor X final = X8 = 171.1 + (8—4.5)*18.7 X8 = 236.5 Se calcula el último valor del término lineal X en t = 8, no es nada más que la proyección en la recta dibujada de los datos reales.

  8. Técnica: Ajuste de Sipper ŷ9 = X 9 = 236.5 + 1(18.7) = 255.2 ŷ10 = X10 = 236.5 + 2(18.7) = 273.9 ŷ11 = X11 = 236.5 + 3(18.7) = 292.6 Confiando siempre en éste dato, proyectamos la línea naranja esperando que esta proyección será el pronóstico de los datos reales

  9. Técnica: Ajuste de Sipper ŷ t = X t = 236.5 – (8 –t)*(18.7) Los pronósticos en anteriores periodos se consigue fácilmente hallando todos los puntos de la línea naranja.

  10. Técnica: Ajuste de Sipper Ahora, el cálculo de errores es más fácil

  11. Técnica: Modelo de Holt Xt = αyt + (1—α)(Xt-1+Tt-1) Tt = β(Xt—Xt-1) + (1—β) Tt-1 ŷt+k = Xt +kTt α es el coeficiente de suavizamiento lineal β es el coeficiente de suavizamiento de tendencia K es el número de periodos en el futuro El modelo de Holt supone que tanto el término lineal X y el término de tendencia T no tienen que ser constantes, sino que pueden suavizarse mediante fórmulas de iteración sucesiva

  12. Técnica: Modelo de Holt Por lo tanto debemos crear dos nuevas columnas: una para el término lineal Xt y otro para el de Tendencia Tt, de ambos sale el pronóstico: ŷt+1= Xt + Tt

  13. Técnica: Modelo de Holt Al igual que en el Suavizamiento Exponencial Simple, requerimos valores inciales para X y T, utilizaremos X1 = y1 y T1 = Tendencia de Sipper = 18.7

  14. Técnica: Modelo de Holt X2=0,7(132)+0,3(80+18,7) T2=0,8(116,7-80)+0,2(18,7) Se puede iterar mediante las fórmulas para hallar los demás valores de X y T, en este ejemplo utilizaremos α = 0.7 y β = 0.8

  15. Técnica: Modelo de Holt ŷ3 = X2 + T2=116,7+33,1 El pronóstico de un periodo es la suma del término lineal del periodo anterior y la tendencia del anterior periodo.

  16. Técnica: Modelo de Holt Parámetros: α = 0,7 β = 0,8 X1 = 80 (primer dato) T1 = 18,7 (x Sipper) Con esta información Usted puede verificar : Bias = +3.6 u., DMA = 16.3 u, DCM = 397.7 u2 y PAME = 9.8%

  17. Técnica: Modelo de Holt Parámetros: α = 0,7 β = 0,8 X1 = 80 (primer dato) T1 = 18,7 (x Sipper) Pronósticos: ŷ9 = X8 + T8 = 254,6 ŷ10 = X8 + 2T8 = 273,1 ŷ11 = X8 + 3T8 = 291,5 ŷ12 = X8 + 4T8 = 309,9 El pronóstico para los periodos siguientes es una proyección geométrica similar al de Sipper, con los últimos valores de X y T.

  18. Técnica: Modelo de Holt Parámetros: α = 0,1 β = 0,2 X1 = 171,1 (promedio) T1 = 0 (conservador) ¿Que pasa si cambiamos los parámetros del modelo? Probemos con otros y encontraremos el siguiente pronóstico.

  19. Técnica: Modelo de Holt Parámetros: α = 0,1 β = 0,2 X1 = 171,1 (promedio) T1 = 0 (conservador) Pronósticos: ŷ9 = X8 + T8 = 179,8 ŷ10 = X8 + 2T8 = 181,9 ŷ11 = X8 + 3T8 = 184,1 ŷ12 = X8 + 4T8 = 186,2 Los errores con estos nuevos parámetros son: Bias = +18.9 u., DAM = 36.5 u., DCM = 1862.7 u2., PAME = 19.1%, son peores resultados que los anteriores.

  20. Técnica: Modelo de Holt Parámetros: α = 0,1 β = 0,2 X1 = 171,1 (promedio) T1 = 0 (conservador) Pronósticos: ŷ9 = X8 + T8 = 179,8 ŷ10 = X8 + 2T8 = 181,9 ŷ11 = X8 + 3T8 = 184,1 ŷ12 = X8 + 4T8 = 186,2 Si por cada cambio de parámetros tenemos varios resultados diferentes, entonces ¿qué combinación de parámetros nos otorgaran errores fiables?

  21. Técnica: Modelo de Holt Parámetros: α = 0,63278 β = 0,57456 X1 = 80 (primer dato) T1 = 18.7 (x Sipper) Pronósticos: ŷ9 = X8 + T8 = 254,7 ŷ10 = X8 + 2T8 = 272,6 ŷ11 = X8 + 3T8 = 290,6 ŷ12 = X8 + 4T8 = 308,6 Bias = +3.4 u, DAM = 16.4 u DCM = 433.7 u2 PAME = 9.72% (mínimo) Esta es la razón por la cual es útil optimizar el modelo mediante el uso del SOLVER de Excel, observe los resultados encontrados.

  22. Técnica: Regresión Lineal con Tiempo Modelo: ŷt = 79.357 + 20.393 t . R2 = 86.95% Volvamos al problema original, al tener un comportamiento con tendencia ascendente y estable es tentador utilizar la regresión lineal.

  23. Técnica: Regresión Lineal con Tiempo Modelo: ŷt = 79.357 + 20.393 t R2 = 86.95% Con el modelo matemático es fácil pronosticar valores del pasado (llamado interpolación) incluso para periodos lejanos (interpolación), verifique B = 0!

  24. Técnica: Regresión Lineal con Tiempo Modelo: ŷt = 79.357 + 20.393 t . R2 = 86.95% Las predicciones entre el t=1 y t=8 se garantizan, con cierto nivel de confianza, pero los pronósticos fuera de rango son de desconfiar!!!

  25. Técnica: Regresión Lineal con Tiempo Modelo lineal : ŷt = 108,8 + 16,595 t . R2 = 68,08% Modelo logarítmico: ŷt = 95,94 + 66,52 ln(t) . R2 = 88.94% Otra consideración importante: en el nuevo ejemplo se observa una tendencia que no es lineal, el mejor ajuste es el logarítmico, pero ¿es de confiar?

  26. Técnica: Regresión Lineal con Tiempo Modelo lineal : ŷt = 108,8 + 16,595 t . R2 = 68,08% Modelo logarítmico: ŷt = 95,94 + 66,52 ln(t) . R2 = 88.94% Este es un error común en las regresiones aplicadas: el modelo lineal establece un R2 = 68% y el logarítmico R2=89%, en el lineal establece que un 68% de la variabilidad del dato ytse explica por la variable t.

  27. Técnica: Regresión Lineal con Tiempo Modelo lineal : ŷt = 108,8 + 16,595 t . R2 = 68,08% Modelo logarítmico: ŷt = 95,94 + 66,52 ln(t) . R2 = 88.94% Mientras que en el modelo logarítmico, se establece que un 89% de la variabilidad de ytse explica por la variable ln(t), ahora, ¿Esto es fácil de aplicar en la realidad? Por supuesto que no, el tiempo no se transforma.

  28. Técnica: Regresión Lineal con Tiempo Modelo lineal : ŷt = 108,8 + 16,595 t . R2 = 68,08% Modelo logarítmico: ŷt = 95,94 + 66,52 ln(t) . R2 = 88.94% Esta sencilla explicación demuestra porqué se debe enfatizar en el pronóstico mediante series temporales convencionales: el ajuste de Sipper, el Modelo de Holt ó el Suavizado exponencial con Tendencia entre otros.

More Related