UNIVERSIDAD IBEROAMERICANA

PROYECTO DE TITULACIN:

ANLISIS Y PREDICCIN DE LA DEMANDA FUTURA DE TRANSPORTE DE PASAJEROS: APLICACIN AL ESTUDIO DE UNO DE LOS CORREDORES DE TRANSPORTE TERRESTRE DE PASAJEROS EN QUITO, ECUADOR, PARA MEJORAR SU CALIDAD DEL SERVICIO. QUE PARA OBTENER EL GRADO DE MAESTRO EN INGENIERA DE CALIDAD PROPONE: VERNICA MARIANELA VARELA CHAMORRO BAJO LA DIRECCIN DEL: DR. PRIMITIVO REYES AGUILAR

Contenido
RESUMEN ................................................................................................................................................. 6 CAPITULO I INTRODUCCIN .................................................................................................................. 8 1.1. 1.2. EL SISTEMA DE TRANSPORTE MASIVO EN EL MUNDO Y LATINOAMRICA .............................. 9 EL SISTEMA INTEGRADO DE TRANSPORTE MASIVO (SITM) EN LA CIUDAD DE MXICO ........11

1.3. EL PRIMER SISTEMA DE TRANSPORTE MASIVO EN QUITO, EL TROLEBS Y DEMS CORREDORES VIALES...........................................................................................................................12 1.4. 1.5. JUSTIFICACIN ........................................................................................................................15 ALCANCE DEL PROYECTO ........................................................................................................15

CAPITULO II PLANTEAMIENTO DEL PROBLEMA ..............................................................................17 2.1. OBJETIVOS ...............................................................................................................................18 OBJETIVO PRINCIPAL .......................................................................................................18 OBJETIVOS SECUNDARIOS...............................................................................................18

2.1.1. 2.1.2. 2.2. 2.3. 2.4. 2.5.

DESCRIPCIN Y FORMULACIN DEL PROBLEMA ....................................................................18 PREGUNTAS DE INVESTIGACIN .............................................................................................20 HIPTESIS DE TRABAJO ...........................................................................................................21 METODOLOGA A UTILIZAR .....................................................................................................21

CAPITULO III METODOLOGA DE LOS PRONSTICOS .......................................................................24 3.1. 3.2. BREVE RESEA HISTRICA ......................................................................................................25 CLASIFICACIN DE LOS ENFOQUES PARA PRONSTICOS .......................................................26 MTODOS DISCRECIONALES O CUALITATIVOS ...............................................................27 MTODOS CUANTITATIVOS.............................................................................................27 MTODOS TECNOLGICOS .............................................................................................29

3.2.1. 3.2.2. 3.2.3. 3.3. 3.4. 3.5.

TIPOS DE MODELOS ................................................................................................................30 TIPO DE PATRONES EN LOS DATOS .........................................................................................32 MEDICIN DEL ERROR EN EL PRONSTICO ............................................................................34 DESVIACIN ABSOLUTA DE LA MEDIDA (MAD) ..............................................................35 ERROR MEDIO CUADRADO (EMC)...................................................................................36 PORCENTAJE DE ERROR MEDIO ABSOLUTO (PEMA) ......................................................36 PORCENTAJE DE ERROR MEDIO ......................................................................................36

3.5.1. 3.5.2. 3.5.3. 3.5.4. 3.6.

ETAPAS DE LA SOLUCIN DE PROBLEMAS RELACIONADOS CON LOS PRONSTICOS............38

CAPITULO IV MODELOS DE PREDICCIN CUANTITATIVOS: MTODOS DE SUAVIZAMIENTO Y DESCOMPOSICIN.................................................................................................................................41 4.1 ANLISIS EXPLORATORIO DE LAS SERIES DE TIEMPO. ............................................................42 CREACIN DE VARIABLES TEMPORALES: ........................................................................42

4.1.1

4.1.2 4.1.3 4.1.4 4.1.5 4.2

REPRESENTACIN DE LA SERIE ORIGINAL .......................................................................43 ANLISIS DEL DIAGRAMA DE SECUENCIAS .....................................................................45 ANLISIS DE LOS DATOS DE LA SERIE DE TIEMPO SIN VALORES PERDIDOS ...................46 PERODO HISTRICO Y PERODO DE VALIDACIN. .........................................................48

MODELO DE PREDICCIN CUANTITATIVO: MTODOS DE SUAVIZAMIENTO .........................49 MODELOS NO FORMALES: ..............................................................................................51 MTODOS DE PROMEDIO ...............................................................................................51 MODELOS DE SUAVIZAMIENTO EXPONENCIAL NICOS. ................................................54

4.2.1 4.2.2 4.2.3

4.2.4 MODELOS DE SUAVIZAMIENTO EXPONENCIAL LINEAL (SUAVIZAMIENTO EXPONENCIAL DOBLE DE HOLT)..............................................................................................................................58 4.2.5 4.3 MODELOS DE SUAVIZAMIENTO EXPONENCIAL DE WINTER ...........................................63

MTODOS DE DESCOMPOSICIN PARA PRONSTICOS DE SERIES DE TIEMPO. ....................68

CAPITULO V MODELOS DE PREDICCIN CUANTITATIVOS: MODELOS ARIMA ESTACIONALES ..79 6.1. 6.2. BREVE ESTUDIO DEL ANLISIS DE REGRESIN LINEAL ...........................................................80 PANORAMA GENERAL DEL ARIMA ..........................................................................................84 AUTOREGRESIN ............................................................................................................84 DIFERENCIACIN .............................................................................................................85 MEDIAS MVILES ............................................................................................................85

6.2.1. 6.2.2. 6.2.3. 6.3.

ETAPAS DE APLICACIN DEL ARIMA .......................................................................................86 IDENTIFICACIN ..............................................................................................................86 ESTIMACIN ....................................................................................................................90 VALIDACIN ..................................................................................................................102 PREDICCIN...................................................................................................................106

6.3.1. 6.3.2. 6.3.3. 6.3.4. 6.4.

ALGUNOS OTROS MODELOS TILES .....................................................................................108 ANLISIS ESPECTRAL: UNA PANORMICA GENERAL: ...................................................108 REDES NEURONALES ARTIFICIALES: UNA PANORMICA GENERAL: .............................109

6.4.1. 6.4.2.

CAPITULO VII CONCLUSIONES Y RECOMENDACIONES ..................................................................113 ANEXO A ...............................................................................................................................................117 ANEXO B ...............................................................................................................................................118 ANEXO C ...............................................................................................................................................120 ANEXO D ...............................................................................................................................................123 ANEXO E ...............................................................................................................................................126 BIBLIOGRAFA .....................................................................................................................................128

Ilustracin 1: Red de transporte en Curitiba Brasil ...........................................................................................10 Ilustracin 2: Metrobs de la Ciudad de Mxico ..............................................................................................11 Ilustracin 3 Trolebs de la Ciudad de Quito ....................................................................................................12 Ilustracin 4 Red de Transporte de Quito - Ecuador .........................................................................................13 Ilustracin 5 Plan Maestro de Transporte para la ciudad de Quito Ecuador. .................................................14 Ilustracin 6 Corredor Nororiental de Quito - Ecuador .....................................................................................15 Ilustracin 7 Demanda de pasajeros de un corredor de transporte de Quito - Ecuador ...................................19 Ilustracin 8 Proyeccin de demanda de pasajeros transportados vs. Demanda real ......................................20 Ilustracin 9 Pronstico ...................................................................................................................................25 Ilustracin 10 Tcnica cualitativa .....................................................................................................................27 Ilustracin 11 Mtodo cuantitativo ..................................................................................................................27 Ilustracin 12 Mtodo tecnolgico. .................................................................................................................29 Ilustracin 13 Relacin de Series de Tiempo ....................................................................................................30 Ilustracin 14 Relacin explicativa o causal .....................................................................................................30 Ilustracin 15 Patrn Horizontal ......................................................................................................................32 Ilustracin 16 Patrn Estacional .......................................................................................................................33 Ilustracin 17 Patrn Cclico .............................................................................................................................33 Ilustracin 18 Patrn de tendencia de los datos...............................................................................................34 Ilustracin 19 Metodologa para encontrar un modelo que permita predecir. .................................................40 Ilustracin 20 Determinacin de periodicidad de los datos SPSS .....................................................................43 Ilustracin 21 Grfica de secuencia de la serie temporal Demanda de pasajeros transportados...................44 Ilustracin 22 Diagrama de secuencias de tres semanas de la serie temporal Demanda de pasajeros transportados ........................................................................................................................................45 Ilustracin 23 Procedimiento para eliminar Outlier en SPSS ............................................................................46 Ilustracin 24 Los resultados estadsticos del anlisis exploratorio realizado a la serie de datos Pasajeros corregidos ..............................................................................................................................................47 Ilustracin 25 Determinacin de los perodos de anlisis en SPSS ....................................................................48 Ilustracin 26 Modelos de prediccin mediante suavizamiento exponencial ...................................................50 Ilustracin 27 Grfica de los pronsticos obtenidos mediante promedios mviles ..........................................52 Ilustracin 28 Clculo del modelo de prediccin con el mtodo simple con SPSS ...........................................55 Ilustracin 29 Valores Observados Vs. Pronstico mediante mtodo simple ...................................................57 Ilustracin 30 Diagrama de secuencia de la variable del error con el mtodo simple. ......................................58 Ilustracin 31 Clculo del modelo de prediccin con el Mtodo de suavizamiento de Holt con SPSS ..............59 Ilustracin 32 Valores Observados Vs. Pronstico mediante Mtodo de Holt ..................................................62 Ilustracin 33 Diagrama de secuencia de la variable de error obtenida con el mtodo de Holt ........................63 Ilustracin 34 Clculo del modelo de prediccin con el Mtodo de suavizamiento de Winter con SPSS ..........64 Ilustracin 35 Valores Observados vs. Pronstico con el Mtodo de Winters. .................................................67 Ilustracin 36 Suma de los errores cuadrticos obtenidos con los modelos de suavizamiento exponencial. ....68 Ilustracin 37 Clculo del modelo de prediccin con el Mtodo de Descomposicin estacional con SPSS ......71 Ilustracin 38 Creacin de variables mediante el mtodo de Descomposicin estacional con SPSS .................71 Ilustracin 39 Componentes de la serie pasajeros ...........................................................................................73 Ilustracin 40 Instrucciones para el mtodo de descomposicin en Minitab ...................................................74 Ilustracin 41 Datos observados vs. Prediccin con mtodo de descomposicin estacional. ...........................75 Ilustracin 42 Datos Observados vs. Aplicacin del mtodo de Descomposicin estacional. ...........................77 Ilustracin 43 Comparacin de suma de los errores cuadrticos de los mtodos de suavizacin y descomposicin. ......................................................................................................................................78 Ilustracin 44 Componentes de la Regresin lineal. .........................................................................................80 Ilustracin 45 Variaciones presentes en el anlisis de regresin ......................................................................81 Ilustracin 46 Proceso Iterativo utilizado en los modelos ARIMA.....................................................................87 Ilustracin 47 Serie Temporal de la demanda de pasajeros con la media general de la serie. ..........................88

Ilustracin 48 Instrucciones para calcular las autocorrelaciones y autocorrelaciones parciales en SPSS ..........90 Ilustracin 49 Grfica de las autocorrelaciones y autocorrelaciones parciales de la serie original ....................91 Ilustracin 50 Instrucciones en SPSS para el clculo de las autocorrelaciones y autocorrelaciones parciales con una diferenciacin estacional ..................................................................................................................91 Ilustracin 51 Grficas de las autocorrelaciones y autocorrelaciones parciales con una diferenciacin estacional ................................................................................................................................................92 Ilustracin 52 Instrucciones en SPSS para el clculo de los errores de un modelo estacional ARIMA (1,1,2) ....93 Ilustracin 53 Series creadas por SPSS con la corrida del ARIMA estacional (1,1,2) ..........................................93 Ilustracin 54 Instrucciones en SPSS para el clculo de las autocorrelaciones y autocorrelaciones parciales sobre los residuos del ARIMA estacional (0,0,0)(0,1,0) ............................................................................94 Ilustracin 55 Graficas de las autocorrelaciones y autocorrelaciones parciales del ARIMA (0,0,0)(1,1,2) .........94 Ilustracin 56 Clculo de los coeficientes autoregresivos y media mvil del ARIMA no estacional..................95 Ilustracin 57. Instrucciones en SPSS para calcular las autocorrelaciones y autcorrelaciones parciales sobre los errores del modelo estacional ARIMA (2,0,1)(1,1,1) .............................................................................. 102 Ilustracin 58 Grfica de las autocorrelaciones y autocorrelaciones parciales del modelo estacional ARIMA (2,0,1)(1,1,1). ......................................................................................................................................... 103 Ilustracin 59 Habilitacin de toda la serie de datos para calcular el pronstico. .......................................... 104 Ilustracin 60 Instrucciones en SPSS para graficar la secuencia de la serie de tiempo original y la prediccin. .............................................................................................................................................................. 104 Ilustracin 61 Datos reales Vs. Prediccin con modelo estacional ARIMA (2,0,1)(1,1,1) en el perodo de validacin .............................................................................................................................................. 105 Ilustracin 62 Serie de pasajeros transportados Vs. Prediccin con el Modelo ARIMA (2,0,1)(1,1,1) ............. 106 Ilustracin 63 Comparacin de las sumas de cuadrados de los mtodos de series de tiempo. ....................... 107 Ilustracin 64 Arquitectura habitual de una red neuronal .............................................................................. 109 Ilustracin 65 Caractersticas de las redes neuronales ................................................................................... 109 Ilustracin 66 Proceso para representar la red inicial..................................................................................... 111

RESUMEN
Las empresas a nivel mundial operan en una atmsfera de incertidumbre y a pesar de este hecho, deben tomar decisiones que afecten el futuro de la organizacin, por ello, los pronsticos son parte integral de la planeacin y de su precisin dependen: la supervivencia, el crecimiento y la rentabilidad a largo plazo, as como la eficiencia y efectividad a corto plazo. Es importante por lo tanto que las empresas tengan pronsticos eficaces, este trabajo se enfoca en establecer un mecanismo de apoyo terico prctico para los administradores, especficamente con respecto a la prediccin de demanda de pasajeros de una empresa de transporte terrestre masivo de pasajeros en Quito-Ecuador. El objetivo es plantear una metodologa para que la toma de decisiones est basada en estadsticas slidas que permitan disminuir cualquier posible error, en vez de que se vean forzados a planear el futuro nicamente con base en mtodos tradicionales como el juicio del administrador o mtodos cualitativos simples sin el beneficio de esta valiosa informacin complementaria. Sin embargo, este trabajo no ratifica que el modo tradicional de planificacin haya sido deficiente, sino ms bien lo que se busca es una comprensin de las tcnicas modernas de pronsticos y disminuir la incertidumbre del juicio personal del administrador, para apoyarlo en la mejora de la calidad en el servicio y la satisfaccin del cliente, al mismo tiempo que reduce los costos de operacin. En los ltimos aos las herramientas modernas de pronstico, ha incrementado capacidad y confianza en las tcnicas que abarcan una compleja manipulacin de datos, este trabajo se enfoca al anlisis y aplicacin de esta tecnologa aplicando algunos modelos cuantitativos para pronosticar, combinando sus resultados, tanto de rapidez como de efectividad en el manejo de la enorme cantidad de datos y la necesidad de extraer informacin til de los mismos. Para realizar el estudio de los distintos mtodos cuantitativos utilizados en los pronsticos, enfocados a la proyeccin de la demanda de pasajeros de un sistema de transporte terrestre masivo, este trabajo se divide en varios captulos. El primer captulo describe la terminologa utilizada en el sector de transporte terrestre, y da una visin general del avance a nivel mundial de los sistemas de transporte terrestre masivo, con enfoque al sistema de transporte masivo de pasajeros de Quito. El segundo captulo abarca la problemtica que actualmente se vive en relacin al manejo de la planificacin del sistema de transportacin terrestre de Quito, se plantea el problema motivo de este trabajo, los objetivos y las hiptesis del caso. El tercer captulo es la introduccin terica al mundo de los pronsticos, el objetivo de este captulo es poder diferenciar los pronsticos de largo plazo de los pronsticos a corto plazo, as como las distintas clasificaciones y su aplicabilidad dependiendo de la situacin. Se

describen las caractersticas ms importantes de los modelos de prediccin ms comunes, los errores, y la forma de clculo. El captulo cuatro analiza los distintos mtodos de pronsticos cuantitativos desarrollados en el siglo XIX, llamados los mtodos de suavizamiento exponencial y mtodos de descomposicin. En este captulo se hace nfasis en la aplicacin de los mtodos de prediccin cuantitativos utilizando datos reales del sistema de transporte terrestre masivo de pasajeros de la ciudad de Quito, incluyendo la determinacin de los errores de pronsticos, con el fin de seleccionar el mtodo recomendable. La seleccin del software a utilizar tambin es parte importante de este captulo. El captulo cinco inicia con un breve repaso del anlisis de regresin lineal, para definir los conceptos y trminos relevantes que se utilizan en captulos posteriores. (Su aplicacin en el pronstico de la demanda no es efectiva, por lo que slo se utiliza como referencia). Contina el desarrollo incluyendo el anlisis de los datos histricos del sistema de transporte terrestre de un corredor de Quito, materia prima de las proyecciones, se identifican y depuran los patrones por medio de la Metodologa de Box Jenkins para modelos de pronstico autorregresivos, integrales de media mvil (Modelos ARIMA (p,d,q)(P,D,Q)); los datos se dividen en dos partes: la primera se utiliza para la construccin del modelo y la segunda se utiliza para su validacin, lo que permite seleccionar el modelo ms adecuado. Al final se presenta una seccin de conclusiones y recomendaciones, donde se establecen las conclusiones a los objetivos, planteamiento del problema, hiptesis de trabajo, etc. as como las dificultades y lecciones aprendidas en el desarrollo de este trabajo. Tambin se proporcionan recomendaciones a quienes deseen realizar trabajos similares o continuar la investigacin del tema. Tanto las conclusiones y las recomendaciones se trasladan al sistema de transporte masivo de pasajeros del Distrito Metropolitano de Quito, objeto de estudio de este trabajo.

CAPITULO I INTRODUCCIN
Este captulo presenta una visin general de lo que est sucediendo actualmente en el mundo en materia de transporte, con nfasis en el sistema de transporte terrestre masivo en la ciudad de Quito. En el ANEXO A se presenta un glosario de trminos para facilitar la comprensin de la lectura de este trabajo.

En su transicin a la modernidad, las ciudades a nivel mundial han tenido que cambiar su fisonoma en diversas ocasiones, principalmente en lo relacionado al transporte pblico de pasajeros, que tambin ha transformado su estructura, hace ms de un siglo se inici con los tranvas impulsados por vapor, generado por grandes calderas montadas en los mismos. La sociedad con base en el consumo requiere como piedra angular el transporte, ya que todos los bienes se transportan. Adems, la concentracin de la poblacin, en grandes ciudades o reas metropolitanas tiene la necesidad de un transporte colectivo eficiente para el desarrollo de la vida cotidiana de stas. Construir ms carreteras parece no ser una solucin suficiente a los problemas del transporte. Mediante la planificacin eficiente y el buen uso de la tecnologa, la infraestructura de transporte puede ser ms inteligente, para reducir los embotellamientos, disminuir las emisiones de los vehculos en trfico intermitente, reducir el tiempo de viaje, aumentar la capacidad de las carreteras existentes y mejorar la calidad del servicio. Este captulo se desarrolla con los siguientes incisos:

1.1 El sistema de transporte masivo en el mundo y latinoamrica

1.2 El sistema integrado de transporte masivo en la Ciudad de Mxico

1.3 El trolebs y dems corredores viales

1.4 Justificacin

1.5 Alcance del proyecto

1.1. EL SISTEMA DE TRANSPORTE MASIVO EN EL MUNDO Y LATINOAMRICA

Hoy en da, en el mundo, el transporte masivo de pasajeros mediante lneas de autobuses privadas (anteriormente monopolios) afronta competencia con los sistemas de transporte municipales. Esto se debe a que el transporte masivo se ha convertido en pieza clave para el buen funcionamiento de la ciudad, a pesar de las duras crticas de grupos que no aceptan el cambio, se plantean varios sistemas de transporte para ser utilizados en el rea urbana, tales como el tren subterrneo y los trenes de superficie. El primero es conocido como metro. Los trenes de superficie, incluyen al tren de dos rieles, el tren ligero, el monorriel, el tren elevado y el sistema de carriles exclusivos, con paradas fijas y autobuses de gran capacidad, denominados BRT (Bus Rapid Transit, por su siglas en ingls; ver definicin de Corredor vial en el Anexo A). Los BRT, han tenido tanto xito que se han implementado como una solucin econmica y eficiente principalmente en 41 ciudades del mundo, 12 de las cuales estn en Latinoamrica. Algunos planes y experiencias en Latinoamrica son las siguientes: en Ecuador, se inici la operacin de las lneas de autobs y trolebs en Quito en 1995; despus en Guayaquil, se abri la primera de tres lneas troncales en agosto de 2006 con resultados positivos. Tambin, en Santiago de Chile se inaugur Transantiago, con ms construcciones ya planificadas. En Per, la construccin del autobs expreso de Lima se encuentra en la fase de planeacin. En Brasil, hay sistemas operando en Curitiba (el primer SITM del mundo), Goiania, Fortaleza y Manaus. En la ciudad de Guatemala han iniciado la construccin del TransMetro.1 Entre otras experiencias a nivel mundial se tienen: en Amrica del Norte hay BRT en cinco ciudades, entre las cuales estn Los ngeles, Miami y Boston; en Oceana se tiene en tres ciudades, incluyendo Sydney y Adelaida; en Europa existe en 17 ciudades incluyendo Pars, msterdam y Edimburgo; en Asia, en cuatro ciudades, entre las que se encuentran Sel y Beijing. A nivel mundial se identificaron aproximadamente 15 ms en construccin y 79 proyectos en la etapa de planificacin. La tendencia mundial, se orienta hacia la implementacin de estos sistemas, por rentabilidad, eficiencia en el servicio de transporte de pasajeros y cuidado del ambiente.2 A continuacin la ilustracin 1 muestra un diagrama de las lneas de autobuses y terminales de transporte colectivo de Curitiba, Brasil, pionero en implementar este tipo de servicio de transporte en Amrica Latina, donde se aprecia el sistema integral de transporte que incluye: troncales, lneas alimentadoras, paradas y estaciones.

1 www.discapnet.es/Discapnet/Castellano/Actualidad/Especiales/sitm_accesibles.htm, consultada el 15 de enero de 2008. 2 http://www.quitoparatodos.org/traq.htm, consultada el 23 de enero de 2008.

Ilustracin 1: Red de transporte en Curitiba Brasil

1.2. EL SISTEMA INTEGRADO DE TRANSPORTE MASIVO (SITM) EN LA CIUDAD DE MXICO

Uno de los casos de BRT que ha despertado inters en la comunidad del transporte, han sido las dos lneas del nuevo sistema integral de transporte metropolitano (SITM) Metrobs de la Ciudad de Mxico sobre la avenida de los Insurgentes y Eje 8, que son dos de las principales avenidas dentro de la ciudad, como parte del rea metropolitana, la cual es considerada una de las ms grandes del mundo. El SITM tiene ms de veinte kilmetros y da servicio a ms de un cuarto de milln de pasajeros por da, con una flota de ms de cien autobuses articulados, que desplazaron a viejos microbuses y autobuses contaminantes. Despus de un arranque catico, se reporta que ahora la satisfaccin de los pasajeros es buena. Una ventaja adicional del SITM, es el acceso de sillas de ruedas que existe en la mayora de las estaciones. El personal de seguridad est a la mano para ayudar a los pasajeros. Con base en quejas y observaciones de los usuarios, se estn tomando acciones para mejorar la infraestructura, tal como el espacio horizontal entre las plataformas elevadas y los autobuses.3 No obstante, conforme se termine la infraestructura peatonal circundante, as como las lneas de alimentacin, aumentar la demanda del nmero de pasajeros a los corredores del SITM, por lo que estn planeadas otras siete lneas adicionales.

Ilustracin 2: Metrobs de la Ciudad de Mxico

3 www.discapnet.es/Discapnet/Castellano/Actualidad/Especiales/sitm_accesibles.htm - del mircoles, 16 de enero de 2008.

1.3. EL PRIMER SISTEMA DE TRANSPORTE MASIVO EN QUITO, EL TROLEBS Y DEMS CORREDORES VIALES.
El 24 de octubre de 1995 Quito recibi el primer trolebs prototipo, siendo el comienzo de un cambio radical que experimentaran los capitatalinos. En la primera quincena de diciembre de ese mismo ao, arribaron las primeras trece unidades, provenientes del puerto martimo de Esmeraldas. El Municipio del Distrito Metropolitano de Quito, en el ao de 1995 crea la UNIDAD OPERADORA DEL SISTEMA TROLEBS, que es la encargada de la operacin de los trolebuses. El 17 de diciembre de 1995, con 14 trolebuses se inaugur la primera etapa de El Trole, en el tramo Ilustracin 3 Trolebs de la Ciudad de Quito comprendido entre la Estacin Sur El Recreo y la calle Esmeraldas, ms las lneas alimentadoras del Sur Trole. En esta etapa se transport un promedio de 50,000 pasajeros diarios. El 19 de marzo de 1996, entr en servicio la segunda etapa, desde El Recreo hasta La Coln, con 32 unidades, luego de superar un gravsimo conflicto con los transportistas, que llev a que nuestra ciudad sea declarada en estado de emergencia. El promedio de usuarios que se transport fue de 90.000 pasajeros diarios. Finalmente en el ao 2000 se inaugur la extensin Morn Valverde para lo que arribaron nuevas unidades con algunos cambios en los diseos de ingeniera. El 21 de abril de ese ao se inaugur la tercera etapa, desde la Estacin Sur de "El Recreo" hasta la Estacin Norte de "La Y", con 54 vehculos integrando a la ciudad de Quito con un moderno sistema de transporte. El promedio de usuarios que se transport, fue de 100.000 pasajeros diarios. En el ao 2000 se inaugur la extensin Sur que comprende el tramo Morn Valverde hasta Terminal Norte, con 113 unidades. Un aspecto relevante ocurrido en el periodo 2002-2003 fueron los trabajos que se ejecutaron en el Intercambiador Villa Flora, en el que el tiempo de operacin aumento aproximadamente unos 40 minutos, por lo que los usuarios optaron por otras alternativas. A inicios del 2004 se incrementa de la demanda por la finalizacin de trabajos en el Intercambiador. Cabe destacar que el Trolebs a participado como pionero en la operacin de los corredores que se han ido incorporando al servicio de la ciudad: Corredor Nororiental (Ecova) y Corredor Central Norte4 Con referencia a otro Sistema de Transporte Integrado de Quito, el Corredor Nororiental Ecova, fue creado inicialmente con el aporte de siete empresas y cooperativas de transporte pblico; en la actualidad, por desacuerdos entre la empresa privada y la municipalidad, esta ltima est encargada de la Administracin, haciendo posible prestar un servicio en horarios controlados, ms econmico para el usuario, rpido mediante el carril exclusivo y con alimentadores a los distintos barrios. El Sistema Troncal de Transporte en el corredor Nororiental Ecova-6 de Diciembre, es parte del Plan de Transporte del Distrito Metropolitano de Quito, impulsado por el Consejo Municipal del Distrito Metropolitano de Quito.

4 http://www.trolebus.gov.ec/, consultada el 25 de enero de 2008.

Ecuador est en este proceso de transformacin y nueva administracin. Las ciudades han crecido en forma desordenada durante los ltimos aos. Desde hace unos diez aos a esta parte cambi radicalmente la administracin de esta ciudad, desde luego con los consiguientes problemas y soluciones, que resultan en todo crecimiento. No se trata de un crecimiento lineal o vegetativo. La lucha para lograr una nueva cultura de responsabilidad citadina est dando frutos; y aquello que es de beneficio para la sociedad debe ser imparcialmente apoyado. Los gobiernos municipales, en el intento de gobernar para todos, toman sus propias medidas que ya no se enfocan en lineamientos polticos sino ms bien en mbitos sociales, una parte de ello es justamente el planteamiento de formas organizadas y masivas de movilidad en las ciudades.

Ilustracin 4 Red de Transporte de Quito Ecuador

El planteamiento de sistemas de movilidad masivos mediante la creacin de corredores viales es una buena propuesta de regeneracin urbana. Es parte del aprovechamiento de la tecnologa de la innovacin aplicada al transporte masivo en una ciudad, que seguir creciendo y demandando ms servicios. El futuro est llegando. Las ciudades crecen y demandan, en la mayora de las veces, las demandas son superiores a los recursos, pero si el contribuyente advierte los beneficios de lo que le cuesta el progreso, apoya que se mantenga. Esta visin es la que se aplica a nivel mundial y Ecuador no es la excepcin, los ciudadanos desean la mejora constante a nivel urbano y la construccin de Corredores viales contribuyen a lograr este fin, a continuacin se muestra, la ilustracin 5 que muestra un diagrama de la estructura de los corredores principales de transporte pblico urbano en Quito, que resume el mencionado Plan Maestro de Transporte la administracin. Contiene los corredores que hoy en da estn funcionando y los que an resta por implementar. Los ms representativos son el Corredor Nororiental Ecova (Av. 6 de Diciembre), actualmente en funcionamiento; el Corredor Central Trolebs (Av. 10 de Agosto), el ms grande de la ciudad en demanda y en infraestructura; y el Corredor Central Norte (Av. La Prensa).

Ilustracin 5 Plan Maestro de Transporte para la ciudad de Quito Ecuador.

1.4. JUSTIFICACIN
La Maestra en Ingeniera de Calidad (MIC) tiene entre sus objetivos formar profesionales capaces de mejorar los productos, servicios y procesos en las organizaciones apoyando los procesos de toma de decisiones, a travs de la utilizacin de mtodos estadsticos5, Se ha analizado al transporte como una herramienta de mejora urbana y de calidad de vida de las ciudades, en este sentido resulta indispensable y necesaria la planeacin para optimizar su rentabilidad y eficiencia, que permita satisfacer
Ilustracin 6 Corredor Nororiental de Quito - Ecuador

las necesidades de sus clientes, usuarios y la sociedad.

Por lo tanto, enlazando estos dos mbitos, nace la propuesta de este trabajo, justificado en la necesidad por un lado de dotar de una herramienta estadstica que permita mejorar la toma de decisiones para la planeacin y la mejora de la operacin de un sistema de transporte de la ciudad de Quito y por otro el de disminuir el efecto subjetivo del ser humano, que puede subestimar la incertidumbre del futuro. Para superar esto, hay que procesar los conocimientos actuales y desarrollar tcnicas estadsticas aplicables, dirigidas a este sector, con el fin de contribuir a su desarrollo. La identificacin de mtodos de pronstico aplicables al anlisis de la demanda futura de pasajeros en el sistema de transporte terrestre masivo de pasajeros, es una herramienta que permite generar opciones de solucin, por lo que, este estudio se enfoca en modelar de una manera confiable la demanda para hacer un planteamiento mejor de la planificacin financiera y operativa.

1.5. ALCANCE DEL PROYECTO

En este trabajo se realiza una revisin de algunos mtodos de prediccin y presenta un mtodo que ayude en gran medida a disminuir el tiempo y la incertidumbre del proceso de planificacin, por lo que inicialmente el alcance de este trabajo ser poder crear un modelo para la demanda de los pasajeros aplicando los distintos mtodos cuantitativos existentes. Los datos que sern sometidos a anlisis son los obtenidos de un sistema de transporte de Quito desde 1997 a enero del 2009. Los resultados pueden servir para realizar pronsticos de la demanda aplicables a los dems corredores del pas. En cuanto a los horizontes de tiempo de pronsticos, es ms relevante el pronstico diario por lo menos de un ao, ya que la planificacin del transporte se lo realiza en este intervalo de tiempo. Cabe mencionar que lo que se pretende es contar con un modelo de tal manera que se pueda actualizar los perodos que se consideren necesarios con facilidad y confiabilidad. RESUMEN: Se ha analizado el desarrollo que ha tenido el rea del transporte a nivel mundial y se ha comprendido su importancia y la relevancia que tiene como medio de sostenibilidad en todas las ciudades del mundo con principal inters en la ciudad de Quito Ecuador.

5 http://www.uia.mx/web/site/tpl-Nivel2.php?menu=adAspirantes&seccion=MIngcalidad consultada el 19 de enero de 2008.

Se ha hablado que el desarrollo y el avance tecnolgico as como una eficiente planificacin hace posible que esta piedra angular el transporte de personas - sea un medio de progreso y desarrollo de las grandes ciudades. El proceso de crecimiento urbano desordenado obliga a los administradores del transporte a crear mejores formas de desenvolvimiento urbano, para ello es necesario contar con una mejor planificacin y eso desemboca en que una aparte dems importante en este proceso, es contar con una buena estimacin de la demanda a la que se tendr que satisfacer, creando en base a ella unas posibles estrategias y decidiendo sobre las mejores alternativas. En este sentido, ahora se aborda una de las problemticas que afronta este sector, el desconocimiento sobre el manejo estadstico que permita confiablemente predecir valores de demanda. El captulo que a continuacin se presenta abarca los problemas que afronta la planificacin hoy en da en Quito y lo plantea como motivo principal de este trabajo.

CAPITULO II PLANTEAMIENTO DEL PROBLEMA

El crecimiento poblacional de la ciudad de Quito durante los ltimos aos as como la incmoda ubicacin fsica, exigi a los administradores de transportes que cubrieran los niveles ptimos de capacidad, es decir plantear proyectos de transportacin masiva incrementando la capacidad de las unidades de transporte adems de combinarlas con vas exclusivas, acoplando as los conocidos ahora Sistemas de Transportacin Masiva. La gran demanda de usuarios en este medio de transportacin sorprendi a los administradores y con ello oblig a las autoridades a planear la construccin de otras lneas, que actualmente suman ya cuatro corredores viales, sin que su modernizacin se detenga, y con ello una preocupacin inherente al crecimiento de cualquier empresa la demanda futura y su inminente planificacin a corto, mediano y largo plazo. Este captulo expone la problemtica que se tiene al momento de planificar un corredor vial de Quito con respecto a las proyecciones de demanda, fija objetivos y se plantea hiptesis que al transcurrir este trabajo se validarn. Por ltimo presenta la metodologa que se aplicar con el fin de encontrar una va de solucin para este problema en la planificacin.

2.1 Objetivos

2.2 Descripcin y Formulacin del Problema

2.3 Preguntas de Investigacin

2.4 Hiptesis de Trabajo

2.5 Metodologa

2.1. OBJETIVOS
2.1.1. OBJETIVO PRINCIPAL Establecer un mtodo de pronsticos de la demanda con el apoyo del software, que proporcione apoyo terico prctico a los administradores y empresarios de servicios de transporte de pasajeros de los Corredores de Quito - Ecuador, que les permita tomar mejores decisiones, con el apoyo de mtodos estadsticos. 2.1.2. OBJETIVOS SECUNDARIOS 1. Estudiar algunas modalidades del transporte masivo de pasajeros en diversas ciudades del mundo. 2. Identificar la importancia y necesidad de los pronsticos de la demandad en el sector de transporte masivo. 3. Establecer el plan de coleccin de informacin histrica de referencia y colectarla. 4. Estudiar las aplicaciones de los mtodos de pronsticos. 5. Conocer e identificar los diferentes mtodos de pronsticos as como los pasos o etapas a realizar, en el momento en el que se decida aplicar un mtodo de pronstico. 6. Diferenciar los pronsticos de largo plazo de los pronsticos a corto plazo de la demanda, incluyendo tendencias y estacionalidad. 7. Seleccionar el modelo ms adecuado para el pronstico de la demanda de pasajeros en el SITM. 8. Obtener y analizar los resultados obtenidos de la aplicacin del modelo de prediccin. 9. Concluir sobre la metodologa aplicada.

2.2. DESCRIPCIN Y FORMULACIN DEL PROBLEMA

Los Corredores viales son el intento de resolver un problema social humano. El usuario va aceptando la solucin y ya se observan a los vehculos de los corredores llenos de pasajeros. La demanda es una variable de inters para la planificacin de este sector, su crecimiento no planificado ha superando a la oferta, resultando en un servicio deficiente, colapsado e incmodo. En Ecuador, parece ser que no se aplicaron mtodos adecuados, que permitan a los Administradores realizar una planificacin con menos incertidumbre, en algunos casos se aplicaron mtodos empricos o el juico del administrador, resultando inadecuado para pronstico de la demanda. Se tiene la necesidad de pronosticar la demanda futura, con el fin de planificar los presupuestos, ingresos, gastos, servicio, etc. de cada uno de los corredores. Hoy en da se cuenta con tcnicas modernas de pronstico y apoyo de las computadoras, que pueden permitir generar pronsticos que no estn basados en el juicio o experiencia. Estas tcnicas se enfocan de manera particular a reducir los errores de prediccin, que son parte inherente de cualquier modelo de pronstico. Por lo anterior, el estudio de la demanda de pasajeros as como su proyeccin al futuro son herramientas poderosas y necesarias para alcanzar los objetivos de crecimiento y as enfocarse en una planificacin ms efectiva y eficiente, por lo que esta variable ser de inters, para contribuir con un trabajo que hasta ahora no se lo ha realizado y que han hecho

que las decisiones tomadas hasta el da de hoy como las basadas en presupuestos, en la inversin de proyectos anuales sean tomadas de forma inadecuada. La ilustracin 7, muestra la serie de datos de pasajeros transportados. En el mismo se puede observar el crecimiento de la demanda desde enero de 1997, datos que muestran con claridad el crecimiento de esta variable y que hasta el 2007 casi se ha duplicado alcanzando aproximadamente una demanda promedio de siete millones de pasajeros transportados al ao.

Ilustracin 7 Demanda de pasajeros de un corredor de transporte de Quito - Ecuador

A pesar de tener varios datos para poder realizar en cada uno de los perodos la prediccin a la fecha no se han realizado estudios serios con mtodos estadsticos. La ilustracin 8, muestra la proyeccin que se realiz en el 2004 para el 2005 y 2006, esta fue la base para poder planificar los valores que la empresa tendra como ingresos en estos aos para ser invertidos en proyectos de mejora, sin embargo el margen de error hizo que necesariamente se tuviesen que eliminar ciertos proyectos que fueron planteados por las distintas reas y que por falta de presupuestos (deficiente prediccin), no se pudieron ejecutar. El pronstico de transportar aproximadamente nueve millones de pasajeros hizo que el margen de error que se presentara en el futuro fuese muy alto y con una grave repercusin en el plan de operacin de la empresa.

Ilustracin 8 Proyeccin de demanda de pasajeros transportados vs. Demanda real

2.3. PREGUNTAS DE INVESTIGACIN

El pronosticar de mejor manera el futuro plantea la necesidad de analizar mtodos matemticos y estadsticos que permitan realizar este trabajo y que apoyen la toma de decisiones, adems de cuestionar si son o no aplicables a las condiciones de la empresa de transporte de pasajeros, y de existir opciones, seleccionar la ms conveniente para este caso en particular. Surge la pregunta de investigacin: Se puede encontrar un modelo adecuado de prediccin de la demanda de transporte terrestre masivo en Quito con base en los datos histricos disponibles? Adems de esto, de ser posible una prediccin investigar si el proceso se puede realizar de manera amigable y recurrente, teniendo una base slida apoyada en un software que permita obtener la proyeccin con facilidad. Surge entonces la pregunta de investigacin: El modelo de prediccin identificado como el ms adecuado para el pronstico de la demanda de transporte terrestre en Quito, se puede simular de manera amigable con un paquete de software?

Responder estas incgnitas son motivo de este trabajo, si el proceso de pronstico se va a conducir de la manera adecuada, surgen diversas preguntas clave. Por qu se requiere de pronsticos? Quin utilizar los pronsticos y cules son sus requerimientos especficos? Qu datos hay disponibles? Sern suficientes para generar el pronstico que se requiere? Qu nivel de detalle o agregacin se requiere y cul es el horizonte adecuado en el tiempo? Cul ser el costo del pronstico?

 Qu tan preciso podemos esperar que sea el pronstico? Quin pronostica, tiene un claro entendimiento de cmo se usar el pronstico en la organizacin? Hay disponible un proceso de retroalimentacin para evaluar el pronstico una vez hecho y ajustar el proceso de acuerdo con ello?

2.4. HIPTESIS DE TRABAJO 2.4.1. Existe un modelo de prediccin con base en los datos histricos de la demanda de pasajeros transportados, que mejora el proceso de toma de decisiones reduciendo la incertidumbre e incremente la calidad del servicio.

2.4.2. Se puede aplicar un software de fcil manejo, amigable que permita realizar el procedimiento de prediccin con el modelo adecuado con el menor error estadstico.

2.5. METODOLOGA A UTILIZAR

Todos los procedimientos formales de pronstico comprenden la extensin de las experiencias del pasado al futuro incierto. De ah la suposicin de que las condiciones que generaron los datos anteriores son indistinguibles de las condiciones futuras, con excepcin de aquellas variables reconocidas de manera explcita por el modelo de pronstico. La aceptacin de que las tcnicas de pronsticos funcionan sobre datos generados en sucesos histricos pasados, conduce a la identificacin de seis pasos en el proceso de pronstico: 1. Estudios de metodologas existentes.- Se debe analizar los pronsticos en base a su clasificacin de largo o corto plazo. Los procedimientos de pronsticos pueden tambin clasificarse de acuerdo con su tendencia a ser ms cuantitativos, tecnolgicos o cualitativos. 2. Recopilacin de datos.- Sugiere la importancia de obtener datos adecuados y asegurarse que son correctos. Con frecuencia este paso es el mayor reto de todo el proceso de pronstico y el ms difcil de controlar, ya que los pasos siguientes se efectan sobre los datos, sean o no relevantes para el problema en cuestin. Siempre que se hace necesario obtener datos pertinentes en una organizacin, abundan los problemas de recopilacin y control de calidad. Los datos de demanda de pasajeros transportados se reunieron desde enero de 1997 hasta enero de 2009 de manera mensual, sin embargo para el anlisis se utilizarn los datos diarios que se cuenta desde enero de 2004 a enero de 2009. 3. Reduccin o condensacin de datos.- La reduccin de datos con frecuencia es necesaria ya que en proceso de pronstico es posible tener muchos o muy pocos

datos. Algunos datos pueden no ser pertinentes al problema, por lo que reduciran la precisin del pronstico. Otros datos pueden ser los adecuados, pero slo en ciertos periodos histricos. 4. Construccin del modelo.- La construccin del modelo, implica ajustar los datos reunidos en un modelo de pronstico que sea el adecuado para minimizar el error del pronstico. Entre ms sencillo sea el modelo, ser mejor para lograr la aceptacin del proceso por parte de los administradores que toman las decisiones en la empresa. Con frecuencia se debe establecer un balance entre un enfoque de pronstico complejo que ofrezca ligeramente ms precisin y un enfoque sencillo que sea fcil de entender y aplicar por quienes toman las decisiones, de manera que lo utilicen efectivamente. Es obvio que los elementos de juicio forman parte de este proceso de seleccin. Las tcnicas de pronstico que son utilizadas actualmente fueron desarrolladas en el siglo XIX; un ejemplo de ello son los anlisis de regresin. Sin embargo, con el desarrollo de tcnicas de pronstico ms complejas, junto con el advenimiento de las computadoras, los pronsticos reciben ms atencin durante los aos recientes, como las siguientes: Los pronsticos y suavizamientos simples. Los mtodos de anlisis de tendencias. Los modelos de descomposicin. Los promedios mviles. Los suavizamientos exponenciales. Los suavizamientos exponenciales dobles. Modelos Box Jenkins, entre otros.

5. Extrapolacin del modelo.- Consiste en la extrapolacin en s del modelo de pronstico, lo cual ocurre una vez que se recolectaron y tal vez redujeron, los datos adecuados y que se seleccion un modelo de pronstico apropiado. Es comn que quien realiz el pronstico revise la precisin del proceso mediante el pronstico de periodos recientes de los que se conocen los valores histricos reales. Es entonces cuando se observan los errores de pronstico y se resumen de algn modo. Ciertos procedimientos de pronsticos, suman los valores absolutos de los errores y pueden reportar esta suma, o dividirla entre el nmero de intentos de pronstico para obtener el error de pronstico promedio. Otros procedimientos obtienen la suma de cuadrados de los errores, que se compara luego con cifras similares de mtodos de pronstico alternativos. Algunos procedimientos tambin rastrean y reportan la magnitud de los trminos de error sobre el periodo de pronstico. El examen de los patrones de error conduce con frecuencia al analista a la modificacin del procedimiento de pronstico, el cual genera despus pronsticos ms precisos. 6. Paquetes De Cmputo Para Pronstico.- Hay dos tipos de paquetes de cmputo de inters para los pronosticadores: Paquetes estadsticos que incluyen anlisis de regresin y otras tcnicas que se utilizan con frecuencia en los pronsticos, tales como el SPSS, Statgraphics, Minitab, ect; y Paquetes de pronstico diseados especficamente para aplicaciones de este tipo, tal como el Eviews.

En esta seccin, se mencionarn algunos de los paquetes de cmputo estadsticos y de pronstico ms utilizados. Dos de los paquetes ms populares son: Minitab: Presenta mens y cuadros de dilogo, manteniendo el lenguaje de comandos para agregar velocidad y flexibilidad. Statistical Package for the Social Sciences (SPSS): Paquete estadstico para las ciencias sociales.6 RESUMEN: En este captulo se present la problemtica actual de un corredor vial del Distrito Metropolitano de Quito, se indic que una herramienta primordial para la planificacin es contar con una estimacin acertada de la demanda de pasajeros que permitir tomar medidas preventivas as como correctivas. Esta problemtica permiti plantear hiptesis de trabajo as como establecer una metodologa de cmo abarcar la resolucin del tema de estudio, por lo tanto, ubicados ya en una atmsfera de conocimientos similares en lo referente al transporte y su problemtica, el captulo posterior se centrar en la investigacin de mtodos estadsticos que permitan dar una solucin viable a esta necesidad que parece ser, es comn a todos los corredores viales de Quito y otras ciudades con problemas de transporte terrestre de pasajeros masivo similares.

http://www.gestiopolis.com/recursos/documentos/fulldocs/ger1/serietiempo.htm consultada el 10 de marzo de 2008.

CAPITULO III METODOLOGA DE LOS PRONSTICOS

Varios factores han estimulado el inters en los pronsticos en todo tipo de organizaciones, sin embargo desde principios de la dcada de 1970 ha aumentado su uso. Los pronsticos se han convertido en una herramienta de gran utilidad en la planificacin del entorno empresarial, por lo que este trabajo se centra en su estudio, en principio se presenta una visin general de los mtodos de pronstico, y sus caractersticas principales. Se presentan, el impacto de los errores de prediccin y las limitaciones de los mtodos para pronosticar, as como las situaciones en las que se aplican cada uno de estos con nfasis en el mtodo cuantitativo, se identifican patrones, con base en las expectativas pasadas y el descubrimiento de relaciones entre factores claves o variables. El conocer y entender tales limitaciones ayudan a desarrollar expectativas realistas con respecto a la situacin de la decisin, y pueden ayudar a los que buscan mejores soluciones y tcnicas mejoradas a utilizar adecuadamente los resultados predictivos. Se presenta a continuacin como se desarrolla el captulo.

3.1 Breve resea histrica

3.6 Etapas de la solucin de problemas relacionados con los pronsticos

3.2 Clasificacin de los enfoques para pronsticos

3.5 Medicin del error en los pronsticos

3.3 Tipos de modelos

3.4 Tipo de patrones en los datos

3.1. BREVE RESEA HISTRICA

Al hablar de pronsticos, vienen a la mente varios hechos, tal vez el primero es el pronstico del clima, de la tasa de cambio, de la inflacin, del crecimiento econmico, etc. En fin cuando se mira en perspectiva hay una constante preocupacin por conocer lo que va a suceder en el futuro. 7 Esta inquietud no solo se convierte en curiosidad, pues conociendo el futuro es posible adaptar nuestras acciones presentes para obtener del futuro los mayores rditos
Ilustracin 9 Pronstico

posibles o para evitar circunstancias o resultados que podran ser adversos o con consecuencias no deseables. El pronstico, en el lenguaje cotidiano, no es ms que un conocimiento probable sobre un evento futuro. En el lenguaje de la empresa se suele entender como pronstico, el proceso de estimacin anticipada del valor de una variable en situaciones de incertidumbre, por ejemplo: la demanda de un producto o servicio, y en el contexto de la disciplina cientfica, un pronstico puede definirse como el resultado de la aplicacin de un mtodo de prediccin en que partiendo de determinadas series de datos, se formula una proyeccin en el futuro con el objetivo de evaluar la ocurrencia probable de cualquier acontecimiento o el desarrollo de una tendencia.8 La finalidad de los pronsticos es predecir el desarrollo futuro para ayudar a la toma de decisiones de planificacin sobre medidas de apoyo, contramedidas u otras acciones que influyan, en mayor o menor grado, sobre la tendencia del objeto planificado. Para comprender la amplitud de los enfoques de prediccin actualmente disponibles, es til presentar una breve sinopsis histrica. Antes del decenio de 1950 los esfuerzos desarrollados en la poca fueron limitados para los analistas, a pesar de manejar algunas teoras de regresin lineal y descomposicin de series de tiempo, la carencia de datos apropiados y lo tedioso de los clculos requeridos hacan muy complicada la obtencin de pronsticos. Lo anterior cambio substancialmente con dos avances radicales; el primero con la introduccin de las tcnicas de Suavizamiento exponencial que estaban orientados con sentido prctico, y fundamentados en su sencillez conceptual y su facilidad de computacin y el segundo avance importante en la misma dcada fue la introduccin de la computadora que hizo posible no solo la utilizacin del Suavizamiento exponencial, sino tambin de una gran cantidad de diferentes mtodos de prediccin sobre una base ms continua. Pasaron casi 30 aos para que los mtodos de Suavizamiento exponencial tuvieran amplia aceptacin y a partir de ellos se han desarrollado numerosas variedades y extensiones de los mismos. Las ms notables son los de Brown (1950), Holt (1952) y Winters (1960). Las adaptaciones y modificaciones ms recientes han hecho posible emplear los mtodos de Suavizamiento de manera an ms mecnica y automatizada.

http://www.dandoenelblanco.com/pronsticos_y_forecast_pro/ del 30 de octubre de 2008 http://sunwc.cepade.es/~jrivera/org_temas/metodos/prospectiva/pronostic_method.htm del 30 de oc 2008

Pas un poco de tiempo despus para que los mtodos de Suavizamiento empezaran a atraer la atencin, los mtodos de descomposicin experimentaron una mayor difusin. El ms prominente de esto fue Shiskin (1957,1961), que fue el creador del paquete Census II y que a pesar de una escasa fundamentacin estadstica, presentaban una atraccin intuitiva de significacin para los profesionales del rea. Con el avance tecnolgico y los precios accesibles de los sistemas de cmputo los mtodos de pronsticos se fueron perfeccionando, aparecieron tcnicas como regresin mltiple y modelos economtricos. A principios de 1980 los pronsticos basados en econometra representaban ya un gran mercado para los profesionales. Un enfoque que incorporaba muchos de los elementos de una teora semejante se hizo realidad con la aportacin de Box y Jenkins (1976), cuya metodologa consiste en un procedimiento sistemtico para el anlisis de las series de tiempo que fue suficientemente general para manejar todas las estructuras de datos en series de tiempo observados empricamente. A mediados de la dcada de 1970 comenzaron a surgir las variedades del mtodo del promedio mvil autorregresivo, integral y de media mvil (ARIMA) desarrollado por Box Jenkins y desde ah se han estudiado modificaciones corrigiendo algunos problemas asociados con la metodologa tomando nombres tales como ARARMA, filtros de Kalman, modelos de vectores autorregresivos, etc. Los mtodos existentes funcionan bien cuando se da un nivel significativo de constancia, pero no cuando cambian los patrones o relaciones establecidas. Por lo tanto, es importante fijarse en las alternativas de prediccin cuando cambian los patrones o relaciones y medir el alcance de la incertidumbre implicada. Puesto que dicho tema no se considera en la literatura sobre pronsticos, a lo largo de este trabajo se expondr detalladamente.9

3.2. CLASIFICACIN DE LOS ENFOQUES PARA PRONSTICOS

Cuando los gerentes de organizaciones se enfrentan con la necesidad de tomar decisiones en una atmsfera de incertidumbre, lo que en primer trmino, se debe hacer es clasificar los procedimientos de pronstico de largo o corto plazos. Los pronsticos a largo plazo son necesarios para establecer el curso general de la organizacin para un largo periodo; de ah que se conviertan en el enfoque particular de la alta direccin. Los pronsticos a corto plazo se utilizan para disear estrategias inmediatas y que usan los administradores de rango medio y de primera lnea para enfrentar las necesidades del futuro inmediato. 10 Tambin se podra clasificar a los pronsticos en muchos esquemas diferentes al considerar los principales enfoques para pronosticar, el que hemos encontrado ms til es el de Makridakis-Wheelwrigth el mismo que divide a esos mtodos en tres categoras: discrecionales o cualitativos, cuantitativos y tecnolgicos. Cada enfoque importante incluye varios tipos de mtodos, muchas tcnicas individuales y variaciones de cada tcnica. A continuacin se detalla cada uno de ellos.
9

Mtodos de Pronsticos, Makridakis Wheelwrigth, Editorial 1998, pag. 36 http://www.gestiopolis.com/recursos/documentos/fulldocs/ger1/serietiempo.htm del 04/09/08

10

3.2.1. MTODOS DISCRECIONALES O CUALITATIVOS Son los que se utilizan comnmente en las empresas y organizaciones gubernamentales. Los pronsticos de este tipo se hacen muy a menudo como juicios individuales o decisiones de comit. Estos mtodos utilizan el juicio de los gerentes, su experiencia, los datos relevantes y un modelo matemtico implcito, por lo que es frecuente que lleguen a pronsticos con variaciones importantes.
Ilustracin 10 Tcnica cualitativa

Adems, deben utilizarse cuando los datos del pasado no resulten confiables como indicadores de las condiciones del futuro. Tambin debe utilizarse el pronstico cualitativo para la introduccin de nuevos productos cuando no se dispone de una base de los datos histricos. Los mtodos cualitativos casi siempre se utilizan para pronsticos a mediano y largo plazo que involucren situaciones como diseo del proceso o capacidad de las instalaciones. En el caso de estas decisiones, los datos del pasado casi nunca estn disponibles o, cuando as es, pueden indicar un patrn poco estable.11 3.2.2. MTODOS CUANTITATIVOS La segunda categora mtodos cuantitativos - es el tipo en el que se han centrado la mayora de las publicaciones sobre pronsticos y en especial el tema de inters de este trabajo. Existen tres subcategoras de estos mtodos. Los mtodos de series de tiempo buscan identificar patrones histricos (empleando el tiempo como referencia) para pronosticar, utilizando una extrapolacin de estos patrones. Los mtodos explicativos tratan de identificar las relaciones que conducen a resultados observados (causados) en el pasado y luego pronosticar Ilustracin 11 Mtodo cuantitativo mediante la aplicacin de tales relaciones al futuro. Los mtodos de monitoreo, que todava no alcanzan un uso muy extendido, buscan identificar cambios en los patrones y relaciones. Bsicamente se utilizan para indicar cundo no es apropiada la extrapolacin de patrones o relaciones pasadas. Algunas de las aplicaciones de los mtodos cuantitativos, se muestran en la Tabla 1, as como el campo de aplicacin donde fue desarrollada la metodologa. La mayora de estos mtodos son estudiados posteriormente, el enfoque de monitoreo y el de econometra son mencionados ms no son de inters en este trabajo, pues nicamente se cuenta con datos de una misma variable medida a travs del tiempo y estos mtodos requieren de un nmero significativo de variables que puedan explicar y en donde los patrones y relaciones cambian y la extrapolacin de patrones o relaciones pasadas no es apropiada.12
11

Makridakis S, Arte y Ciencia de Pronosticar, International Journal of Forecasting, 2, no.1, pp 15-39. Makridakis Wheelwrigth, Mtodos de pronsticos, 1998, pp28.

12

Campo en el que se desarroll el mtodo Planificacin de largo alcance Investigacin de Operaciones

reas principales de aplicaciones empresariales Programacin de la Produccin Planificacin de la produccin

Requerimiento de material

Programacin del personal

Planificacin de personal

Ingenuo Suavizamiento Descomposicin Promedio mvil autorregresivo Box-Jenkins Autorregresivos vectoriales Regresin Econometra Enfoques de monitoreo Explicativos Series de tiempo

X X X X X X X X X X X X X

X X

Cuantitativos

X X X X

X X X X

X X

X X X

X X X

X X X X X X X X X

Fijacin de precios X X X X

Mtodos de prediccin

X X X X

Tabla 1 Aplicacin de los mtodos de prediccin cuantitativos

13

13

Makridakis Wheelwrigth, Mtodos de Pronsticos , 1998, pag. 27

Presupuestacin anual X X X X X

Mercadotcnia

Inventarios

Estadstica

Psicologa

Economa

Prctica

Ventas

3.2.3. MTODOS TECNOLGICOS La tercera categora mtodos tecnolgicos - tienen que ver con los problemas de largo plazo de naturaleza tecnolgica, social, econmica o poltica. Las cuatro subcategoras aqu encontradas son extrapolativas (utilizan patrones y relaciones histricos como base de los pronsticos), analgicas (emplean analogas histricas y de otro tipo para hacer predicciones), expertas y normativas (hacen uso de objetivos, metas y resultados deseados como base de los pronsticos, influyendo as los sucesos futuros). 14 No obstante, nada impide extrapolar tendencias que se describan enteramente en trminos cualitativos. Suele ser prctico el describir los productos existentes con ayuda de imgenes y otros modelos icnicos, y esta forma de presentacin es prctica incluso para las extrapolaciones. En el libro Industrial Design, Raymond Loewy15 combin dos enfoques: el histrico y el predictivo. En la pgina 74 del libro encontramos el "grfico de evolucin del diseo" que muestra el desarrollo de 1900 a 1942 Ilustracin 12. La ltima imagen es el pronstico de Loewy. La debilidad innata de toda extrapolacin estriba en que stas slo se pueden atender a aquellos procesos o fuerzas que estn ya interviniendo.16 Con frecuencia se da una situacin en que gradualmente habr ms y ms nuevos impactos. En tales circunstancias, los mtodos cualitativos suelen dar resultados tiles slo para periodos relativamente de corto plazo. Otra debilidad es que es casi imposible estimar el error probable de una extrapolacin. Una nocin spera de lo puede ser obtenida estudiando la consistencia y la homogeneidad de la serie de las observaciones originales. 17

Ilustracin 12 Mtodo tecnolgico.

14

Makridakis Wheelwrigth, Mtodos de pronstico, Limusa, 1998, pag 28

Hace poco la revista Life eligi a Loewy como uno de los 100 norteamericanos ms influyentes del siglo XX. A Loewy se le conoce mejor por los

15

estandartes del diseo norteamericano como la botella de Coca-Cola, Air Force One, Lucky Strike, los autobuses de Greyhound, la locomotora Pennsylvania S-1, los logotipos de Exxon y Shell, los interiores del Laboratorio Espacial y el Transbordador de la NASA, as como el Avanti, el nico automvil que se ha exhibido en el museo del Louvre.

16

Raymond Loewy, Industrial Design, pag 74. http://www2.uiah.fi/projekti/metodi/290.htm consultada el 25 de agosto de 2008.

17

3.3. TIPOS DE MODELOS

Este trabajo est enfocado a los mtodos de prediccin cuantitativos con la necesidad de obtener un modelo, que es una manera de experimentar con la realidad sin tener que invertir realmente en una unidad operativa a escala completa. Para la prediccin se puede emplear una amplia gama de modelos, pero para el caso de los mtodos cuantitativos hay dos categora aceptablemente bien definidas. Estadsticas Determinsticas Se enfocan a los patrones y cambios en los mismos y sus perturbaciones Son de tipo causal, establecen relacin entre la variable a pronosticar y otras variables

Hablaremos de estos dos con mayor detalle a continuacin. El primer tipo de modelo de prediccin cuantitativo, y quizs el ms comn, es el modelo de series de tiempo (Ilustracin 13). En un modelo de series de tiempo dos factores son importantes: la serie de datos que se va a pronosticar (como la demanda de un producto o servicio) y el perodo de tiempo a utilizar. Un modelo de series de tiempo supone siempre que algn patrn o combinacin de patrones es recurrente a travs del tiempo. De esta manera, al identificar y extrapolar dicho patrn, se pueden desarrollar pronsticos para periodos subyacentes.

Ilustracin 13 Relacin de Series de Tiempo

El segundo tipo de mtodo de prediccin cuantitativo es explicativo (Ilustracin 14). En este tipo de mtodos cualquier variacin de los insumos afectar los productos del sistema de manera predecible, suponiendo que la relacin es constante. La primera tarea de los pronsticos es encontrar la relacin a travs de la observacin de los productos del sistema y relacionndolos con los insumos correspondientes. Bsicamente, el mtodo explicativo supone que el valor de cierta variable (el producto) es funcin de una o ms variables (los insumos).18

Ilustracin 14 Relacin explicativa o causal

18

Makridakis Wheelwrigth, Mtodos de pronstico, Limusa, 1998, pag 63

No obstante, una desventaja de estos mtodos es que requieren informacin de varias variables, adems de la variable que est siendo pronosticada. A consecuencia de ello, sus necesidades de datos son mucho mayores que las de un modelo de series de tiempo. Adicionalmente, puesto que los modelos explicativos generalmente relacionan varios factores, usualmente requieren de ms tiempo para desarrollarse y son ms sensibles a los cambios de las relaciones subyacentes de lo que sera un modelo de series de tiempo. Muy a menudo es posible hacer pronsticos utilizando ya sea modelos explicativos o de series de tiempo. Vamos a suponer que la demanda de un producto puede ser explicada por varios factores que lo influyen, tales como las polticas monetarias y fiscal, la inflacin, el gasto de capital y las importaciones y exportaciones. Esto requerir que se especifiquen la forma y los parmetros de la relacin.

Demanda= f (polticas monetarias y fiscal, la inflacin, gasto de capital, importaciones, exportaciones). Donde f significa es una funcin de, depende de o est influenciado por. Conforme estos factores cambien, la Demanda variar segn lo especifique la forma seleccionada del modelo. Si el nico propsito es pronosticar los valores futuros de la demanda sin prestar atencin a por qu se llevar a cabo un cierto nivel de la demanda, un enfoque de series temporales sera el apropiado. Se sabe que la magnitud de la demanda no cambia drsticamente de un mes a otro, o aun de un ao a otro. As, la demanda del mes prximo depender de la demanda del mes anterior y posiblemente del de los meses pasados. Con base en esta observacin, la demanda podra expresarse: Demandat+1= f (Demandat, Demandat-1 , Demandat-2 Demandat-3 , ..) Donde: Demandat = Demanda del presente mes. Demandat+1= Demanda del prximo mes (el pronstico). Demandat-1= Demanda del ltimo mes. Demandat-2= Demanda de hace dos meses. Y as sucesivamente. Este modelo es semejante al explicativo, con la excepcin de que los factores de miembro derecho son valores anteriores del miembro izquierdo. Esto hace al trabajo de pronosticar ms fcil una vez que se conoce la forma especfica del modelo, ya que a diferencia del modelo explicativo, este modelo no requiere de valores de insumos especiales. Sin embargo, con ambos modelos es necesario que la relacin entre los miembros derecho e izquierdo de la ecuacin sean descubiertos y medidos de tal manera que se puedan extrapolar a fin de ser pronosticados.19

19

Makridakis Wheelwrigth, Mtodos de pronstico, Limusa, 1998, pp63-74

Hanke, J.E. y A.G. Reitsch, usiness Forecasting, Allyn and Bacon, Boston

3.4. TIPO DE PATRONES EN LOS DATOS

Cualquier variable que conste de datos reunidos, registrados u observados sobre incrementos sucesivos de tiempo se denomina serie de tiempo. En estas series de tiempo, la descomposicin clsica es un mtodo que se basa en la suposicin de que se pueden descomponer en componentes como tendencia, ciclo, estacionalidad e irregularidad.

Componente Tendencia

Descripcin Es el componente de largo plazo que representa el crecimiento o disminucin en la serie sobre un periodo amplio. Es la fluctuacin en forma de onda alrededor de la tendencia. Es un patrn de cambio que se repite a s mismo perodo tras perodo ( ao tras ao, mes con mes, da con da, etc.) Mide la variabilidad de las series de tiempo despus de retirar los otros componentes (tendencias, ciclos, estacionalidad, etc).

Cclico Estacional Aleatorio

Una prediccin se hace mediante la combinacin de las proyecciones de cada componente individual. Considrense los elementos bsicos de un patrn encontrados en las series de datos. Existen cuatro de esos elementos o componentes: el horizontal, el estacional, el cclico y la tendencia de una serie. Existe un patrn horizontal cuando no hay tendencia alguna en los datos. (Estadsticamente hablando, a esto se le conoce como estacionalidad.) Cuando existe tal patrn, generalmente se hace referencia a las serie como estacionario, es decir, no tiende a aumentar o disminuir a travs del tiempo de ninguna manera sistemtica. Por lo tanto, es tan probable que el siguiente valor de la serie se encuentre arriba del valor medio como es que se halle debajo de l. La ilustracin 15 muestra un patrn horizontal
Ilustracin 15 Patrn Horizontal

tpico para una variable.20

20

Makridakis Wheelwrigth, Mtodos de pronstico, Limusa, 1998, pp63-74

Mahmoud, E., The Evaluation of forecasts, en S. Makridakis y S. Wheelwright, The Handbook of Forecasting, 2a. ed.,Wiley, Nueva York.

Existe un patrn estacional cuando una serie flucta de acuerdo con un factor estacional. El componente estacional se refiere a un patrn de cambio que se repite a si mismo periodo tras periodo. Las estaciones pueden ser los meses o las cuatro estaciones del ao, pero tambin pueden ser las horas del da, los das de la semana o los das del mes. Los patrones estacionales se dan por un nmero de razones diferentes, que van desde la manera en que una empresa ha elegido manipular ciertas operaciones (estaciones causadas internamente) hasta los factores externos, como el clima. La ilustracin 16 presenta un patrn en el cual las estaciones corresponden a los cuatro trimestres del calendario para la primavera, el verano, el

Ilustracin 16 Patrn Estacional

otoo y el invierno.

Un patrn cclico es semejante al patrn estacional, pero la duracin de un ciclo nico generalmente es mayor a un ao. El componente cclico es la fluctuacin en forma de onda alrededor de la tendencia, afectada por lo regular por las condiciones econmicas generales. Los patrones cclicos tienden a repetirse en los datos aproximadamente cada dos tres o ms aos. Es comn que las fluctuaciones cclicas estn influidas por cambios de expansin y contraccin econmicas, a los que comnmente se hace referencia como el ciclo de los negocios. 21 La ilustracin 17 muestra un patrn cclico. El patrn cclico es difcil de pronosticar, porque no se repite a intervalos constantes de tiempo y su duracin no es uniforme.22
Ilustracin 17 Patrn Cclico

21

http://www.gestiopolis.com/recursos/documentos/fulldocs/ger1/serietiempo.htm del 22/10/08 Makridakis Wheelwrigth, Mtodos de pronstico, Limusa, 1998, pp63-74

22

Mahmoud, E., The Evaluation of forecasts, en S. Makridakis y S. Wheelwright, The Handbook of Forecasting, 2a. ed.,Wiley, Nueva York.

El patrn de tendencia de una serie de tiempo es el componente de largo plazo que representa el crecimiento o disminucin en la serie sobre un periodo amplio, es decir se da cuando existe un aumento o disminucin general del valor de la variable a lo largo del tiempo. Las fuerzas bsicas que ayudan a explicar la tendencia de una serie son el crecimiento de la poblacin, la inflacin de precios, el cambio tecnolgico y los incrementos en la productividad. Este tipo de patrn se muestra en a la ilustracin 18.23
Ilustracin 18 Patrn de tendencia de los datos

Un factor principal que influye en la seleccin de una tcnica de pronstico consiste en la identificacin y comprensin de patrones histricos en los datos. Si se pueden reconocer patrones de tendencia, cclicos o estacionales, entonces se pueden seleccionar las tcnicas con la capacidad de utilizar eficazmente estos patrones.

3.5. MEDICIN DEL ERROR EN EL PRONSTICO

Aunque generalmente X, o algn otro smbolo, identifica los valores observados reales (histricos) de una variable, a menudo se utiliza un smbolo diferente para representar el valor pronosticado de esa variable. En este trabajo los smbolos Ft+1 o se usarn para denotar el valor de la prediccin para el periodo de tiempo t+1. Como resumen de la relacin entre los valores observados y los valores pronosticados en una situacin de series de tiempo consltese la siguiente tabla:
Tabla 2 Notacin usada en los pronsticos de series de tiempo

Valores del pronstico Valores X1 X2 X3 Observados Perodo i 1 2 3 Valores estimados F1 Valores del e1 error F2 e2 F3 e3

X4 4 F4 e4

Xt-2 t-2 Ft-2 et-2

Xt-1 t-1 Ft-1 et-1

Xt t Ft et Presente

Ft+1 t+1

Ft+2 t+2

Ft+3 t+3

. . .

Ft-1 t+m

Los elementos de la notacin mencionada se pueden mostrar utilizando la informacin de la Tabla 2: Xi es el valor real de la serie de tiempo, Fi o es el valor pronosticado de la serie

23

http://books.google.es/books?id=1J3ZlgSTZ9gC&pg=PA926&lpg=PA926&dq=patron+horizontal+en+series+de+ti empo&source=web&ots=BCYQW9hCtZ&sig=BSn2nEUXyOhptb1jZ9V9JNbS7xg&hl=es&sa=X&oi=book_result&re snum=4&ct=result#PPA924,M1, consultada el 24/10/2008

temporal, y ei es el error, o la diferencia entre los valores reales (X i) y pronosticado ( ) de la serie de tiempo en el periodo i. El supuesto bsico que est detrs del uso de cualquier tcnica de prediccin es que el valor real observado ser determinado por algn patrn ms algunas influencias aleatorias. Algebraicamente, esto se puede representar como Lo real= el patrn + lo aleatorio El componente aleatorio mide la variabilidad de las series de tiempo despus de que se retiran los otros componentes o patrn. Contabiliza la variabilidad aleatoria en una serie de tiempo ocasionada por factores imprevistos y no ocurrentes. La mayora de los componentes irregulares se conforman de variabilidad aleatoria. Sin embargo, ciertos sucesos a veces impredecibles como huelgas, cambios de clima (sequas, inundaciones o terremotos), elecciones, conflictos armados o la aprobacin de asuntos legislativos, pueden causar irregularidad en una variable. A causa de que el mundo econmico o empresarial no es determinstico, siempre estar presente lo aleatorio. Esto significa que aun cuando el patrn promedio de los datos subyacentes haya sido identificado, existir cierta desviacin entre los valores pronosticados y los valores realmente observados. Un objetivo comn en la aplicacin de tcnicas de predicciones es minimizar tales desviaciones o errores en los pronsticos. Dichos errores se definen como la diferencia entre el valor real y lo que se ha pronosticado. Se pueden presentar como

El subndice i indica que es el error del periodo de tiempo i el que se analiza. Como se muestra en la tabla anterior, un valor del error se asocia con cada observacin para la cual existe tanto un valor real como un valor pronosticado.24 3.5.1. DESVIACIN ABSOLUTA DE LA MEDIDA (MAD)

Un mtodo para evaluar una tcnica de pronstico consiste en obtener la suma de los errores absolutos. La Desviacin Absoluta de la Media (MAD) mide la precisin de un pronstico mediante el promedio de la magnitud de los errores de pronstico (valores absolutos de cada error). La MAD resulta de gran utilidad cuando el analista desea medir el error de pronstico en las mismas unidades de la serie original. La siguiente ecuacin muestra como se calcula la MAD: | |

24

Makridakis Wheelwrigth, Mtodos de pronstico, Limusa, 1998, pp67-69

3.5.2. ERROR MEDIO CUADRADO (EMC)

Otra tcnica para evaluar una tcnica de pronstico es el Error Medio Cuadrado (EMC). Cada error o residual se eleva al cuadrado; luego estos valores se suman y se divide entre el nmero de observaciones. Este enfoque penaliza los errores mayores de pronsticos, ya que eleva cada uno al cuadrado. Esto es importante pues en ocasiones pudiera ser preferible una tcnica que produzca errores moderados a otra que por lo regular tenga errores pequeos pero que ocasionalmente arroje algunos en extremo grandes. La ecuacin para el clculo del EMC, es la siguiente:

3.5.3. PORCENTAJE DE ERROR MEDIO ABSOLUTO (PEMA) En ocasiones, resulta ms til calcular los errores de pronstico en trminos de porcentaje y no de cantidades. El Porcentaje de Error Medio Absoluto (PEMA) se calcula encontrando el error absoluto en cada periodo, dividiendo ste entre el valor real observado, para ese periodo y despus promediando estos errores absolutos de porcentaje. Este enfoque es til cuando el tamao o magnitud de la variable de pronstico es importante en la evaluacin de la precisin del pronstico. El PEMA proporciona una indicacin de que tan grandes son los errores de pronstico comparados con los valores reales de la serie. Tambin se puede utilizar el PEMA para comparar la precisin de la misma u otra tcnica sobre dos series completamente diferentes. La siguiente ecuacin muestra el clculo del PEMA:
| |

A veces resulta necesario determinar si un mtodo de pronstico est sesgado (pronstico consistentemente alto o bajo). En estos casos, se emplea el Porcentaje Medio de Error (PME), que se calcula encontrando el error en cada periodo, dividiendo esto entre el valor real de ese periodo y promediando despus estos porcentajes de error.25 3.5.4. PORCENTAJE DE ERROR MEDIO

Si un enfoque de pronstico no est sesgado, la ecuacin del PME producir un porcentaje cercano a cero. Si el resultado es un porcentaje negativo grande, el mtodo de pronstico est sobrestimado de manera consistente. Si el resultado es un porcentaje positivo grande, el mtodo de pronstico esta subestimado de forma consistente.

Una parte de la decisin para utilizar una tcnica de pronstico en particular es la determinacin de si la tcnica producir errores de prediccin que se juzguen como

25

Makridakis Wheelwrigth, Mtodos de pronstico, Limusa, 1998, pp63-74

Mahmoud, E., The Evaluation of forecasts, en S. Makridakis y S. Wheelwright, The Handbook of Forecasting, 2a. ed.,Wiley, Nueva York.

suficientemente pequeos. Es en este efecto realista esperar que una tcnica produzca errores de pronstico relativamente bajos sobre una base consistente. Las cuatro mediciones de precisin de un pronstico que acabamos de describir se utilizan de la siguiente manera: La comparacin de la precisin de dos tcnicas diferentes. La medicin de la utilidad o confiabilidad de una tcnica. La bsqueda de una tcnica ptima. 26
Tabla 3 Pasajeros transportados en 2007 de un corredor vial de Quito

(1)

(2)

(3) Pronstico

(4) Error

(5) Error Absoluto

(6) Erros porcentual absoluto

(7) Error cuadrtico medio

2

Pasajeros

i Enero Febrero Marzo Abril Mayo Junio Julio Agosto Septiembre Octubre Noviembre Diciembre Suma 1 2 3 4 5 6 7 8 9 10 11 12

Xi 6,341 5,693 6,508 6,171 6,562 6,168 6,176 5,755 6,207 6,477 6,360 6,263 74,683

Fi 6,341 5,693 6,508 6,171 6,562 6,168 6,176 5,755 6,207 6,477 6,360

Xi-Fi -648 815 -337 391 -394 8 -421 452 270 -117 -97 -78

|Xi-Fi| 648 815 337 391 394 8 421 452 270 117 97 3,950 MAD

|(Xi-Fi)/Xi|*100 11,4% 12,5% 5,5% 6,0% 6,4% 0,1% 7,3% 7,3% 4,2% 1,8% 1,5% 64,0% PEMA 6%

(Xi-Fi)

419,904 664,225 113,569 152,881 155,236 64 177,241 204,304 72,900 13,689 9,409 1,983,422 EMC 180,311

Media

-7

359

La tabla 3 presenta un conjunto de datos de demanda mensual del 2007 en millones de pasajeros de un corredor de transporte masivo de la ciudad de Quito, que se utilizarn para ejemplificar estas medidas de precisin. Como punto de partida, los pronsticos son muy sencillos, los pasajeros del mes anterior se utilizan como prediccin del siguiente mes. Ntese que el promedio de la columna (4) sale muy bajo respecto a los valores que se manejan esto ya que entre la suma de los errores los signos tienden a eliminar los valores negativos a los positivos distorsionando la interpretacin del error, por lo que para evitar este problema se debe computar los errores absolutos y se observa lo que comnmente se conoce como la desviacin absoluta media MAD (5).
26

http://www.gestiopolis.com/recursos/documentos/fulldocs/ger1/serietiempo.htm del 22/10/08

El MAPE de la columna (6) es una medida relativa, y es por esto que algunas veces se prefiere el error promedio o MAD como medida de precisin. Otra medida de exactitud es el ECM que se obtiene en la columna (7) una diferencia entre este y el MAD o el MAPE, es que el primero castiga mucho ms a un pronstico por desviaciones extremas que por desviaciones pequeas ya que la ECM eleva el error al cuadrado de ah la necesidad de minimizar el error cuadrado medio es decir es mejor que se tengan varias desviaciones pequeas a una desviacin grande. En conclusin, cualquier tcnica de estimacin debe evaluarse en trminos de error. La evaluacin del error normalmente implica un diagnstico grfico, a fin de detectar valores atpicos o zonas de errores con patrones recurrentes y la elaboracin de alguna medida resumen, preferentemente relativa. El anlisis de los errores tambin nos permitir evaluar la capacidad del mtodo de ajuste para la captacin de puntos de cambio de tendencia.

3.6. ETAPAS DE LA SOLUCIN DE PROBLEMAS RELACIONADOS CON LOS PRONSTICOS

1.- Identificacin y comprensin del Problema.- Los pronsticos proporcionan informacin para tomar mejores decisiones. El primer paso es identificar la decisin. Si la decisin no se afecta por el pronstico, el pronstico es innecesario. La importancia de la decisin sugerir el esfuerzo que debe dedicarse a producir un pronstico. Una decisin nica requiere un solo pronstico, mientras que una solucin recurrente necesita un pronstico cada vez que se toma la decisin. En cualquier caso la decisin determina qu pronosticar, el nivel de detalle necesario y con frecuencia se har el pronstico. La base para entender los problemas de pronsticos es comprender el proceso; para hacer esto, se examina las caractersticas del problema y se analizan los datos, si existen. Tambin se establece una meta para el pronstico. 2.- Caractersticas Del Problema.- Las principales caractersticas de un problema de pronsticos son el perodo de tiempo, el nivel de detalle, la exactitud necesaria y el nmero de aspectos a pronosticar. Las decisiones a largo plazo no requieren pronsticos exactos. As los pronsticos muy precisos son innecesarios. Normalmente los pronsticos a largo plazo se hacen para una sola vez. Es comn que se usen mtodos causales y cuantitativos para obtenerlos. Las decisiones a mediano plazo normalmente requieren pronsticos para uno o dos artculos. Con frecuencia se usan mtodos cuantitativos, incluyendo los causales y las series de tiempo, para los pronsticos a mediano plazo. La decisin a corto plazo indica cuntos productos se deben fabricar. En este caso se necesita el nmero real de unidades de producto. Debido a que las decisiones de corto plazo estn basadas en estos pronsticos, necesitan ser razonablemente exactos. Los mtodos de series de tiempo son los que se usan con ms frecuencia para los pronsticos a corto plazo, pero en algunas situaciones, tambin son tiles los mtodos causales y los cuantitativos. 3.- Datos.- Examinar los datos, cuando se tienen pueden proporcionar una gran visin. Los datos pueden venir de los registros de la empresa o fuentes comerciales o gubernamentales.

Si no existen datos, se deben recolectar o se puede usar un enfoque de pronsticos que no los requiera. Si no se dispone de datos o recolectarlos es demasiado costoso, se elige un enfoque cualitativo. Cuando la tendencia y la estacionalidad estn presentes, los datos deben descomponerse para ver los efectos de cada una. Los datos disparados deben eliminarse antes de analizarlos. 4.- Seleccin del mtodo de pronstico.- Existen varios factores a considerar en la seleccin de un mtodo de pronstico. Se debe contemplar el nivel de detalle. Se requiere de un pronstico de detalles especficos?, Se precisa el pronstico de algn punto en el futuro cercano (un pronstico a mediano plazo), o para un punto en el futuro distante (un pronstico a largo plazo)? Y, hasta qu grado son apropiados los mtodos cualitativos (de juicio) y cuantitativos (de manipulacin de datos)?. El mtodo elegido deber producir un pronstico que sea preciso y comprensible para los administradores, de modo que pueda ayudar a producir mejores decisiones. Adems, la utilizacin del proceso de pronstico debe producir un beneficio que exceda al costo asociado con su uso.27 5.- Desarrollo de un modelo.- Una vez identificados los procesos, stos determinan la forma del modelo. Los pronsticos cualitativos no usan modelos sencillos de establecer. Los modelos causales dependen de la situacin particular pero en general tienen la forma. Y = f (Xt-k) + e Donde: Y, representa la variable dependiente, como la demanda, X, la variable independiente ( o factor causal ) y e, la componente del ruido del tiempo t. La variable dependiente en el tiempo t es idealmente una funcin de la variable independiente en el tiempo t k, k> 1. El lapso del periodo k permite conocer el valor de la variable independiente antes de hacer el pronstico de la variable dependiente; si no hay este lapso, deber pronosticarse la variable independiente antes de obtener un pronstico para la variable dependiente. La relacin funcional entre Y y X se representa por f y puede ser lineal, cuadrtica o alguna otra relacin matemtica. Puede haber ms de un factor causal.

27

http://www.gestiopolis.com/recursos/documentos/fulldocs/ger1/serietiempo.htm consultada el 04/09/08

6.- Solucin Del Modelo.- El primer paso para resolver el modelo es elegir un mtodo. Si se tiene un modelo causal, el mtodo ser regresin. Para modelos de series de tiempo, existen varios mtodos disponibles. La interpretacin de la solucin es la tarea ms importante al operar un sistema de pronsticos. Conforme se obtienen los nuevos datos, se actualiza el pronstico. Adems, se compara el pronstico anterior con lo que realmente ocurri para obtener retroalimentacin sobre la calidad del procedimiento de pronsticos. Si la calidad es aceptable, se dice que el procedimiento est bajo control. Si el procedimiento esta fuera de control, es necesario regresar a la etapa de diseo; se requiere volver a estimar los parmetros del modelo actual, o bien, cambiar el modelo. Si el sistema de pronsticos est bajo control, se hace un pronstico para un periodo futuro.28 RESUMEN: Se determin que un punto de partida til y necesario es entender las diferencias conceptuales entre los dos tipos importantes de modelos el de series de tiempo y los modelos explicativos al realizar una estimacin de valores futuros (predicciones). La clasificacin de los modelos de pronsticos as como la identificacin de patrones (horizontal, tendencia, ciclo, estacionalidad) presentes en una serie de datos, ha sido tambin contenida en este captulo, informacin importante para poder aplicar el mtodo apropiado as como encontrar un modelo de prediccin aceptable.
Ilustracin 19 Metodologa para encontrar un modelo que permita predecir.

Los diferentes tipos de error sern de ayuda para identificar la bondad del mtodo de prediccin seleccionado, por lo que se han introducido las medidas y tcnicas que se podrn utilizar para determinar las capacidades y limitaciones de los mtodos cuantitativos de prediccin. La aplicacin de etapas en bsqueda de un modelo de prediccin sea cual fuere su naturaleza fue expuesto paso a paso, cada una de estas son las que el analista debe recorrer para encontrar un modelo predictivo satisfactorio. An est presente la pregunta sobre qu mtodo de prediccin debo aplicar a los datos. De este tema se encargan los siguientes captulos, empezando por los ms sencillos los mtodos de suavizamiento y el mtodo de descomposicin que se presentan a continuacin.

28

http://home.ubalt.edu/ntsbarsh/stat-data/Forecasts.htm#rintroductionf consultada el 27/10/2008

CAPITULO IV MODELOS DE PREDICCIN CUANTITATIVOS: MTODOS DE SUAVIZAMIENTO Y DESCOMPOSICIN

En el captulo anterior se explic ampliamente la clasificacin general de los mtodos de prediccin y los errores para su evaluacin, esta seccin abarcar el primer tipo de modelo de prediccin cuantitativo, y quizs el ms comn, el modelo de series de tiempo, que son modelos matemticos basados nicamente en datos histricos, bajo el supuesto de que son relevantes para el futuro. En un modelo de series de tiempo son importantes dos factores: la serie de datos que se va a pronosticar y el periodo de tiempo a utilizar. Un modelo de series de tiempo supone siempre que algn patrn o combinacin de patrones es recurrente a travs del tiempo. De esta manera, al identificar y extrapolar dicho patrn, se pueden desarrollar pronsticos para periodos subsecuentes. El anlisis de series de tiempo que se realiza est basado inicialmente en el estudio de algunos mtodos de fcil comprensin como los mtodos de suavizamiento y el mtodo de descomposicin, estos mtodos analizan algunos de los patrones estudiados en el captulo anterior, y presentan alternativas para cada uno de los patrones presentes en la serie. Como el objetivo es determinar el mejor modelo que ajuste a los datos y brinden unos pronsticos confiables de la variable demanda, para la aplicacin de cada modelo se realiza el clculo y la comparacin de la suma de cuadrados de los residuos obtenidos para cada caso. El esquema a continuacin muestra la clasificacin de los modelos de series de tiempo que se analizarn este captulo.

4.1 Anlisis Exploratorio de la Serie

4.2Mtodos de suavizamiento.
Mtodos de promedio Mtodos de suavizamiento

4.3 Mtodos de Descomposicin.

4.1 ANLISIS EXPLORATORIO DE LAS SERIES DE TIEMPO.

Para iniciar con el estudio de la serie es necesario antes definir un software con el que se pueda analizar los datos de demanda de pasajeros, para ello se han analizado varios paquetes que actualmente muestran sus bondades en cuanto a predicciones se refiere. El mercado presenta varias alternativas que fueron manejadas previamente, sin embargo el anlisis de este trabajo se realiza como base en el paquete SPSS versin 15 apoyado con algunos clculos de Excel y en algunos casos con el Minitab versin15. El motivo de la seleccin de este software est fundamentado en dos razone, la primera es utilizar recursos actuales que se encuentran inhabilitados en la empresa donde se aplicar el estudio y la segunda es porque al desplegar anlisis predictivos en sistemas operacionales de primera lnea tales como el SPSS que muestra ser un paquete amigable y ventajas competitivas, se pueden cumplir los objetivos especficos de este trabajo. Statistical Package for the Social Sciences (SPSS) es un programa estadstico informtico muy usado en las ciencias sociales y las empresas de investigacin de mercado. Como programa estadstico es muy popular su uso debido a la capacidad de trabajar con bases de datos de gran tamao.29 Aunque los procesos que rodean al anlisis predictivo son complicados, implantar una solucin SPSS para el anlisis predictivo no lo es. En este sentido, los anlisis que se presentan a continuacin mostrarn los comandos aplicados, las ventanas de instrucciones as como las salidas que la aplicacin de cada software devuelve para el anlisis. 4.1.1 CREACIN DE VARIABLES TEMPORALES:

La serie de demanda de pasajeros, es un conjunto de observaciones obtenidas regularmente, y resulta de un proceso que se efecta al final de cada da en donde un centro de acopio rene informacin econmica de cada una de las paradas que compone el sistema de transporte de pasajeros. Esta informacin inicialmente generada por el recaudador de cada parada es ratificada con la informacin que se desprende de la mquina recaudadora, y es cotejada para su validez. El nmero de pasajeros transportados incluye a pasajeros que se transportan mediante trolebs as como sus lneas alimentadoras Se inicia el anlisis de la serie de tiempo original, sin haber sido sometida a ningn proceso de transformacin. Para ello, con el fin de generar unas variables temporales de apoyo, se va a utilizar el procedimiento del paquete SPSS siguiente: Datos>Definir fechas Semanas, Das:OK Semana: 1 Da: 5 Aceptar.

Estas variables asumen que la toma de datos de la serie temporal Demanda de pasajeros, se ha obtenido en intervalos regulares de tiempo. As, al utilizar el procedimiento que aplica SPSS para definir fechas, se va a crear una lista de variables, cada una de las cuales tiene

29

http://es.wikipedia.org/wiki/SPSS consultada el 18 de marzo de 2009

una periodicidad fija y una sucesin constante. En este caso, se van a crear las variables semanas, das, para que SPSS genere dos series temporales una para semanas y la otra da empezando por el da jueves (5) semana (1) que corresponde a la fecha en la cual inicia la serie (01/01/2004), como muestra la ilustracin 20.

Ilustracin 20 Determinacin de periodicidad de los datos SPSS

4.1.2

REPRESENTACIN DE LA SERIE ORIGINAL

La ilustracin 21muestra la grfica de la serie de la demanda de pasajeros en Excel desde el primer dato de la serie 01/01/04 hasta el 31/01/09, generando inters sobre dos puntos especiales llamado outliers, o datos atpicos as como se pretende hacer un acercamiento a la serie de datos.

100000

200000

300000

01/01/2004 01/02/2004 01/03/2004 01/04/2004 01/05/2004 01/06/2004 01/07/2004 01/08/2004 01/09/2004 01/10/2004 01/11/2004 01/12/2004 01/01/2005 01/02/2005 01/03/2005 01/04/2005 01/05/2005 01/06/2005 01/07/2005 01/08/2005 01/09/2005 01/10/2005 01/11/2005 01/12/2005 01/01/2006 01/02/2006 01/03/2006 01/04/2006 01/05/2006 01/06/2006 01/07/2006 01/08/2006 01/09/2006 01/10/2006 01/11/2006 01/12/2006 01/01/2007 01/02/2007 01/03/2007 01/04/2007 01/05/2007 01/06/2007 01/07/2007 01/08/2007 01/09/2007 01/10/2007 01/11/2007 01/12/2007 01/01/2008 01/02/2008 01/03/2008 01/04/2008 01/05/2008 01/06/2008 01/07/2008 01/08/2008 01/09/2008 01/10/2008 01/11/2008 01/12/2008 01/01/2009

DAS DOMINGOS DAS SBADOS

Outlier 1

TOTAL PASAJEROS

DAS ORDINARIOS

DEMANDA DE PASAJEROS DE UN CORREDOR DE TRANSPORTE DE QUITO - ECUADOR

Ilustracin 21 Grfica de secuencia de la serie temporal Demanda de pasajeros transportados

Outlier 2

4.1.3

ANLISIS DEL DIAGRAMA DE SECUENCIAS

En el diagrama de secuencias se aprecia que la demanda de pasajeros presenta una variacin peculiar pues se evidencian tres series de puntos, la primera serie ms baja est representando a los das domingos, la segunda serie de puntos medios representan a los sbados y los ms altos representan a los das ordinarios, es decir de lunes a viernes. Este hecho informa que la serie presenta una periodicidad que se cumple cada 7 das, adems por las variaciones presentadas en los valores de la grfica, las series temporales nos informan que no son estacionarias. Es decir, el nivel medio a corto plazo no es constante, pero vara con el curso de la Serie Temporal. Haciendo un acercamiento en un perodo ms pequeo en la serie se puede ver este hecho.

13 9 6 11 10 4 5 12

16 17 20 19

210000.00

18

180000.00

Pasajeros Corregido

150000.00
7

14 21

120000.00
15

8 1

90000.00

DAY, period 7

Ilustracin 22 Diagrama de secuencias de tres semanas de la serie temporal Demanda de pasajeros transportados

Por otro lado, en la ilustracin 21 aparecen dos puntos con valor de 0, el primero el 13/04/05 (cada de un gobierno paro nacional) y el segundo el 22/08/2007 (paro de actividades por creacin del sindicato), estos son los llamados casos atpicos u Outliers, estos valores sern tomados en cuenta ya que pueden afectar seriamente al anlisis. Conocida ya la causa de estos outliers existen dos posibilidades de tratamiento de los datos, la primera es eliminarlos o la segunda es modelar (con su media, mediana, o interpolacin) el proceso subyacente bajo el comportamiento normal de la Serie de Tiempo. En este caso calcularemos la media con los cuatro valores adyacentes a los valores perdidos, eso lo realizamos con SPSS aplicando el cuadro de dilogo de la ilustracin 23 y se obtiene: Transformar>Reemplazar valores perdidos Nuevas variables: Pasajeros Mtodo: Media de puntos adyacentes Nmero:2 Aceptar

Ilustracin 23 Procedimiento para eliminar Outlier en SPSS

Reemplazar valores perdidos

Variables de resultado N de valores perdidos reemplazados

Variable de resultado

Nmeros de casos de los valores no perdidos

N de casos vlidos

Creando funcin

Primero

ltimo

Primero

ltimo

Primero

ltimo

Pasajeros_1

1858

1858

MEAN(Pasajeros,2)

Con este proceso creamos una nueva serie de tiempo sin valores perdidos que han sido suavizados mediante un promedio de los valores adyacentes. La variable nueva creada ser Pasajeros Corregidos con las que se trabajar. 4.1.4 ANLISIS DE LOS DATOS DE LA SERIE DE TIEMPO SIN VALORES PERDIDOS

Ya se ha realizado el clculo de los valores perdidos ahora con el paquete Minitab versin 15, se realiza el anlisis exploratorio estadstico de la serie, con el fin de tener una idea de cmo es el comportamiento de la serie de datos as como sus parmetros La ilustracin 24 muestra los resultados obtenidos. Stat> Basic Statistics> Graphical Summary Variables: Pasajeros Corregido OK

Summary for Pasajeros Corregidos

A nderson-D arling N ormality Test A -S quared P -V alue < M ean S tD ev V ariance S kew ness Kurtosis N M inimum 1st Q uartile M edian 3rd Q uartile M aximum 200971 223035 9 5 % C onfidence Inter vals
Mean Median 200000 205000 210000 215000 220000 225000 230000

103.90 0.005 203300 51159 2617279179 -0.745504 -0.783606 1856 63253 158716 225119 241157 295707 205629 226489 52861

80000

120000

160000

200000

240000

280000

95% C onfidence Interv al for M ean 95% C onfidence Interv al for M edian 95% C onfidence Interv al for S tD ev 49565

Ilustracin 24 Los resultados estadsticos del anlisis exploratorio realizado a la serie de datos Pasajeros corregidos

La ilustracin 24 muestra el histograma de la serie temporal pasajeros transportados, la misma que forma tres campanas definidas, es decir es tri modal, evidenciando con claridad que en la primera acumulacin de datos se representa los das sbados, la segunda acumulacin representa a los das domingos y la ltima a los das ordinarios (de lunes a viernes). Los parmetros no muestran ninguna seal de normalidad y al contrario muestran una gran varianza presente entre los datos, eso se traduce en que los pasajeros transportados entre los das de la semana presentan una variacin considerablemente alta. El sesgo presentado hacia la izquierda son valores atpicos que se originan cuando se generan das festivos. La media para cada una de las campanas que se forma es diferente. Nuevamente podemos concluir que se presenta la estacionalidad con este rpido anlisis sin embargo nos adentraremos en el estudio profundo de serie temporal, pasajeros transportados. 4.1.5 PERODO HISTRICO Y PERODO DE VALIDACIN.

Los datos colectados se dividen en dos partes: se utiliza el perodo de 01/01/2004 al 31/12/2007 como perodo de estimacin del modelo (histrico) y el perodo 01/01/2008 al 31/01/2009 como perodo de validacin. Esto permitir dejar 12 meses para poder validar el modelo. Para ello, se seleccionan los casos del perodo histrico, para utilizar estas observaciones como base para validar el modelo sobre los casos del perodo establecido, como muestra la ilustracin 25. Para seleccionar un subconjunto de casos, aplicar la ventana de instruccin de la ilustracin 25: Datos>Seleccionar casos>OK Basndonos en el rango del tiempo o de los casos: OK Rango> OK> Semana Primer caso:1 Ultimo caso:210 (por las semanas que se estableci) Da: 5 Da: 2 (la serie empieza en jueves=5 y el 31 de diciembre de 2008 es lunes=2) Aceptar>Aceptar

Ilustracin 25 Determinacin de los perodos de anlisis en SPSS

4.2 MODELO DE PREDICCIN CUANTITATIVO: MTODOS DE SUAVIZAMIENTO

El inters se ha centrado en principio en estudiar los mtodos de suavizamiento, pues bien, estos mtodos se clasifican como a continuacin se muestra en la ilustracin 26. En cada uno de los modelos se analizarn tanto la parte matemtica as como los errores que se obtienen para cada caso. Mtodos de Promedio: Modelos no formales, promedios mviles, incrementos porcentuales y ajustes a la curva son los modelos de series de tiempo ms sencillos los cuales pueden ser utilizados para generar pronsticos. Estos modelos pueden ser implementados a travs de hojas de clculo rpidamente y no requieren un conocimiento experto en estadstica por parte del pronosticador, usualmente estos modelos son muy simples y para tener mayor exactitud en el pronstico las compaas casi siempre deben acudir a modelos alternativos de series de tiempo. Mtodos de suavizacin exponencial: suavizacin exponencial es el mtodo seleccionado por la mayora de empresas. Estos modelos se desempean bien en trminos de exactitud, son fciles de aplicar y pueden ser automatizados, permitiendo ser utilizados a gran escala. Los modelos de suavizacin exponencial capturan y pronostican el nivel de los datos con los diferentes tipos de tendencias y patrones estacionales. Los modelos son adaptativos y pronostican dando mayor importancia o ponderacin a los datos ms recientes sobre los datos ms distantes en el pasado. 30 Los mtodos que se encargan de estos anlisis son los mtodos de suavizamiento simple en cuyo caso el patrn es horizontal, el mtodo de Holt cuando existe presencia del patrn de tendencia o el mtodo de Winters el que incluye los patrones de tendencia y estacionalidad.

30

http://www.dandoenelblanco.com/2008/07/modelos-de-series-de-tiempo-para-pron%C3%B3sticos-dedemanda.html

Ilustracin 26 Modelos de prediccin mediante suavizamiento exponencial

4.2.1 t Yt

MODELOS NO FORMALES: Yt+1 et Estas tcnicas suponen que los periodos recientes son los mejores para pronosticar el futuro. El mtodo ms sencillo es el mtodo del ltimo valor, a este pronstico se le llama mtodo ingenuo. Pronstico = ltimo valor 4.2.2 MTODOS DE PROMEDIO

1 42 2 52 42 3 54 52 4 65 54

10 2 11

Si la serie contiene una aleatoriedad sustancial, un enfoque ingenuo producir predicciones que variarn considerablemente. Para eliminar dicha variabilidad, se podra considerar el uso de algn tipo de promedio de los datos recientes observados. El mtodo de promedios mviles hace eso al tomar un conjunto de datos observados, encontrar su promedio y luego utiliza tal promedio como un pronstico del siguiente perodo. El trmino promedio mvil se usa porque conforme cada nueva observacin se encuentra disponible, se puede calcular un nuevo promedio y utilizarlo como pronstico. La aplicacin de este mtodo se presenta a continuacin.

Prediccin de la demanda de pasajeros un mes adelantado mediante promedio mviles.

Tabla 4 Clculo del promedio Mvil de la demanda de pasajeros trimestral y pentamensual

(1) 2007 Mes ENERO FEBRERO MARZO ABRIL MAYO JUNIO JULIO AGOSTO SEPTIEMBRE OCTUBRE NOVIEMBRE DICIEMBRE Diferencias

(2) Perodo 1 2 3 4 5 6 7 8 9 10 11 12

(3) Demanda Observada 6,341,394 5,693,328 6,508,453 6,170,858 6,561,537 6,168,216 6,176,497 5,754,596 6,207,238 6,477,329 6,360,097

(4) Promedio mvil trimestral

(5) Promedio mvil pentamensual

(6,341,394+5,693,328+6,508,453)/3

6,181,058 6,124,213 6,413,616 6,300,204 6,302,083 6,033,103 6,046,110 6,146,388 6,348,221 380,513

6,255,114 6,220,478 6,317,112 6,166,341 6,173,617 6,156,775 6,195,151 160,337

La tabla 4, muestra cmo la tcnica de los promedios mviles se puede aplicar con un promedio de tres y de cinco meses. La aplicacin de este mtodo de prediccin se muestra en la ilustracin 27. En esta figura se observan fcilmente dos de las caractersticas de los promedios mviles, la primera es que antes de que cualquier pronstico puede prepararse, se deben tener tantas observaciones histricas como se necesiten y la segunda se refiere a que entre ms grande sea el nmero de observaciones incluidas en el promedio mvil, mayor ser el efecto de Suavizamiento en el pronstico.

Al observar en los pronsticos tanto trimestral como pentamensual vemos que la diferencia o rango es de 380,513 usuarios para el primer caso (6,413,616-6,033.103) en cambio en el pronstico pentamensual obtenemos casi la mitad de esa diferencia que es de 160,337. As aumentar el nmero de perodos incluidos en el promedio mvil tiene un marcado efecto en el total de Suavizamiento realizado. Entre ms grande el nmero, mayor es el alcance del Suavizamiento, o ms cerca se est del promedio de todos los valores
6,800,000 6,600,000 6,400,000 6,200,000 6,000,000 5,800,000 5,600,000 FEBRERO ABRIL NOVIEMBRE AGOSTO MARZO MAYO JUNIO OCTUBRE SEPTIEMBRE DICIEMBRE ENERO JULIO

Datos reales Prediccin con promedios mviles trimestral Prediccin con promedios mviles pentamensual

Ilustracin 27 Grfica de los pronsticos obtenidos mediante promedios mviles

Para determinar si el promedio mvil trimestral o pentamensual es ms apropiado para pronosticar la demanda, es til estimar el error en ambos pronsticos. La tabla 5 muestra el error para cada prediccin y calcula la desviacin media absoluta (MAD) y el error cuadrado medio (RMS) con propsitos de comparacin. Ambas formas de medicin de error indican que el promedio mvil de cinco meses proporciona un mejor pronstico que el promedio mvil trimestral cuando se verifica con datos histricos al ser menores esos errores. Para entender mejor la tcnica de los promedios mviles, se hace necesario considerar brevemente la representacin matemtica de este mtodo. En trminos sencillos, la tcnica de prediccin con promedios mviles se puede representar como sigue:

En donde = Pronstico para el tiempo t+1 = valor suavizado en el tiempo t = valor actual en el tiempo i I = periodo de tiempo N = nmero de valores incluidos en el promedio.

(1)

Tabla 5 Clculo del los errores obtenidos mediante el mtodo de promedios mviles

Promedio mvil trimestral

Perodo 1 2 3 4 5 6 7 8 9 10 11 12 Demanda Observada 6,341 5,693 6,508 6,171 6,562 6,168 6,176 5,755 6,207 6,477 6,360 6,181 6,124 6,414 6,300 6,302 6,033 6,046 6,146 6,348 suma media -330 -41 2,183 273 828,567,423 103,570,928 10 -437 245 124 547 -174 -431 -214 10 437 245 124 547 174 431 214 104,047 191,252,281 60,221,160 15,303,339 299,742,380 30,322,998 185,949,538 45,671,679 Demanda Pronosticada error error absoluto error al cuadrado

Promedio mvil pentamensual

Demanda pronosticada error error absoluto error al cuadrado

6,255 6,220 6,317 6,166 6,174 6,157 6,195 0 0

87 44 563 -41 -304 -203

87 44 563 41 304 203

7,551,262 1,934,364 316,424,475 1,672,581 92,241,100 41,339,754

145 18

1,241 155

461,163,537 57,645,442

De la ecuacin 1 se puede ver que en el mtodo de los promedios mviles se da una ponderacin (o importancia) igual a cada uno de los ltimo N valores de la serie, pero no se asigna ponderacin alguna a los valores observados antes de ese tiempo. Tambin se puede observar que para calcular el promedio mvil, se deben tener los valores de las ltimas N observaciones. Se puede desarrollar una forma ms corta de la ecuacin (1) para calcular el promedio mvil. El pronstico de promedio mvil para el periodo t est dado por (2) Esto significa que una vez que se tiene el pronstico para el perodo t (es decir, F), se puede obtener el pronstico del periodo t+1 al sumar y restar . El Valor de Ft+1 de la ecuacin (1) se puede encontrar de manera alternativa como (3) Escrita de esta forma, cada nuevo pronstico basado en un promedio mvil es un ajuste del pronstico de promedio mvil precedente. Es, asimismo, fcil ver por qu el efecto del Suavizamiento aumenta a medida que N se hace ms grande: se est haciendo un ajuste ms pequeo entre cada pronstico.

4.2.3

MODELOS DE SUAVIZAMIENTO EXPONENCIAL NICOS.

Al menos dos limitaciones importantes de los promedios mviles han motivado a la mayora de los pronosticadores a aplicar en su lugar el mtodo de Suavizamiento exponencial. Primero, para calcular un pronstico de promedio mvil es necesario almacenar al menos N valores observados, lo que requiere espacio considerable si se necesita pronosticar un nmero grande de elementos. Segundo, el mtodo de promedios mviles asigna una ponderacin igual a cada una de las ltimas N observaciones y ninguna ponderacin en absoluto a las observaciones anteriores al perodo (t-N). Se puede plantear un fuerte argumento en el siguiente sentido: puesto que las observaciones ms recientes contienen la informacin ms actualizada acerca de lo que acontecer en el futuro, se le debe asignar relativamente una mayor ponderacin que a las observaciones ms antiguas. Lo deseable sera un esquema que asignara la ponderacin que asignara la ponderacin mayor a los valores observados ms recientes, y ponderaciones decrecientes a los valores ms antiguos. El Suavizamiento exponencial satisface este requerimiento y elimina la necesidad de almacenar los valores histricos de la variable. En principio, el Suavizamiento exponencial funciona de manera anloga a los promedios mviles al suavizar las observaciones histricas para eliminar lo estocstico. Sin embargo, el procedimiento matemtico para desempear dicho Suavizamiento es algo diferente del utilizado en los promedios mviles. La tcnica del Suavizamiento exponencial se puede desarrollar empleando la ecuacin (3) para calcular el promedio mvil. Supngase que slo se tiene disponible el valor observado ms reciente y el pronstico hecho para el mismo periodo. En tal situacin, la ecuacin (3) podra modificarse de forma tal que en lugar del valor observado en el periodo (tN) se pudiese empelar un valor aproximado. Una estimacin razonable sera el valor del pronstico del periodo anterior. As la ecuacin (3) se modificara para dar (4) Esta ecuacin se puede escribir como ( ) (5)

Lo que ahora se tiene es un pronstico que pondera las observaciones ms recientes con una ponderacin con valor de 1/N y al pronstico ms reciente con una ponderacin con valor de (1-1/N). Si sustituimos 1/N por el smbolo alfa se tiene (6) Esta ecuacin es la forma general usada para calcular un pronstico con el mtodo del Suavizamiento exponencial. De esta ecuacin se puede observar que el Suavizamiento exponencial tambin se sobrepone a otra limitacin de los promedios mviles en el sentido de que las ponderaciones decrecientes se asignan a los valores observados ms antiguos; es decir, puesto que es un nmero entre 0 y 1 (por lo que (1-) es tambin un nmero entre 0 y 1), las ponderaciones , (1-), (1-)2, etc., tienen valores decrecientes exponencialmente. De aqu el nombre de Suavizamiento exponencial. Una manera alternativa de escribir la ecuacin (6) puede facilitar la comprensin del Suavizamiento exponencial. Al reordenar los trminos de la ecuacin (6) se puede obtener.

o lo que es lo mismo que (8)

(7)

Por lo tanto, el efecto de una grande o pequea es anlogo al efecto de incluir un nmero pequeo o grande de observaciones al calcular un promedio mvil. Utilizando los datos de la demanda de pasajeros, la ilustracin 28 muestra como mediante el uso del paquete SPSS se pueden obtener los resultados. El nico aspecto que debe recordarse es que para el primer periodo no est disponible ningn pronstico previo. Analizar>Series temporales>Suavizamiento exponencial Variables: Pasajeros_1 Modelo: Simple Parmetros: General (Alfa)>Bsqueda de rejilla. Aceptar>Aceptar

Ilustracin 28 Clculo del modelo de prediccin con el mtodo simple con SPSS

Un valor grande de (0.9) proporciona un Suavizamiento pequeo al pronstico, mientras que un valor pequeo de (0.1) proporciona un Suavizamiento considerable. Un valor pequeo de tiende a producir pronsticos que estn ms suavizados (o sea, tienen menos fluctuacin) que valores ms grandes de . Sin, embargo, para encontrar el valor de que genere los mejores pronsticos para los datos del pasado, se requiere calcular el error cuadrado medio o la desviacin absoluta media.

En nuestro anlisis SPSS muestra los 10 valores del alfa calculados indicando la suma de los errores cuadrticos, sobre el que podemos concluir que para , el error es menor, como muestra la tabla 6.
Tabla 6 Suma de los errores cuadrticos de la aplicacin del Mtodo simple

Serie Pasajeros_1

Rango del modelo 1 2 3 4 5 6 7 8 9 10

Alpha (Nivel) .00000 .10000 .20000 .30000 .40000 .50000 .60000 .70000 .80000 .90000

Sumas de los errores cuadrticos 4856,087,254,199.12000 5044909144667.69000 5363721301989.94000 5660141235867.19000 5914763276965.56000 6122248837379.30000 6292367209369.67000 6444663320070.61000 6600432002495.73000 6777085518538.42000

Parmetros del suavizado

.00000 4856087254199.12000 1857 A continuacin, se muestran los parmetros con las sumas menores de errores cuadrticos. Estos parmetros se utilizan para pronosticar.

Serie Pasajeros_1

Alpha (Nivel)

Sumas de los errores cuadrticos

gl error

Para usar el Suavizamiento exponencial, solamente se necesita tener el valor observado ms reciente, el pronstico ms reciente y el valor de . El empleo del Suavizamiento exponencial nico es fcil y econmico, por que los programas de computadora pueden encontrar automticamente el mejor valor de . En este caso vemos que el mejor calculado fue 0 por lo que analizando la ecuacin para el clculo del pronstico: (9) Vemos que el trmino del error se anula, esto nos indica que siempre el valor del pronstico se convertir en una constante lo que se ratifica en la Ilustracin 29. La lnea proyectada verde inmediata al perodo de validacin es el pronstico realizado con este mtodo.

300,000

Perodo histrico

Perodo de Validacin

250,000

Prediccin
200,000

150,000

100,000

Pasajeros Corregido Pasajeros con Mtodo simple

50,000

1 THU

15 SAT

30 44 MON WED

58 FRI

73 SUN

87 TUE

101 THU

115 SAT

130 144 MON WED

158 FRI

173 SUN

187 TUE

201 THU

215 230 244 SAT MON WED

258 FRI

273 SUN

287 TUE

Fecha

Ilustracin 29 Valores Observados Vs. Pronstico mediante mtodo simple

Tanto la tcnica de Suavizamiento simple como los promedios mviles o el Suavizamiento exponencial pueden utilizarse efectiva y econmicamente cuando el patrn histrico de los datos se puede considerar como horizontal. Sin embargo estas tcnicas pueden no ser efectivas al manejar tendencias o patrones estacionales, como es el caso de la demanda bajo estudio, necesitndose desarrollar otras formas de Suavizamiento para trabajar en tales situaciones, con el propsito de reducir considerablemente el error.
100000.00000

50000.00000

Error mtodo simple

0.00000

-50000.00000

-100000.00000

-150000.00000

1 THU 15 30 44 58 FRI 73 87 101 115 130 144 158 SAT MON WED SUN TUE THU SAT MON WED FRI

173 SUN

187 201 215 230 244 258 TUE THU SAT MON WED FRI

273 287 SUN TUE

Fecha

Ilustracin 30 Diagrama de secuencia de la variable del error con el mtodo simple.

Los residuales de un ajuste deben siempre distribuirse aleatoriamente, sin ninguna apreciable direccin. Si los residuales de algn modelo mostrasen algn patrn, el modelo sera inadecuado. Los residuales de la ilustracin 30 no muestran aparentemente ningn patrn ms s una gran variabilidad lo que revalida la necesidad de ajustar el modelo. 4.2.4 MODELOS DE SUAVIZAMIENTO EXPONENCIAL DOBLE DE HOLT) EXPONENCIAL LINEAL (SUAVIZAMIENTO

El Suavizamiento exponencial nico es tericamente apropiado para cuando la serie presenta un patrn horizontal, es decir no tiene tendencia. Si el Suavizamiento exponencial nico se usa con una serie de datos que contenga una tendencia consistente, los pronsticos irn a la zaga (se retrasarn) de la tendencia. El mtodo de Suavizamiento lineal evita tal problema al reconocer explcitamente y tomar en consideracin la presencia de una tendencia.

Cuando una serie de tiempo presenta alguna tendencia, ya sea creciente o decreciente, se puede utilizar el suavizamiento de Holt que permite estimar por separado el valor suavizado de la serie y el cambio en la tendencia a travs del tiempo. La ilustracin 31 muestra cul es procedimiento en SPSS para el clculo de este mtodo. Analizar>Series temporales>Suavizamiento exponencial Variables: Pasajeros_1 Modelo: Holt Parmetros: General (Alfa)>Bsqueda de rejilla. Tendencia (Gamma)>Bsqueda de rejilla Aceptar>Aceptar

Ilustracin 31 Clculo del modelo de prediccin con el Mtodo de suavizamiento de Holt con SPSS

Para utilizar el mtodo de Holt se requieren dos constantes de suavizamiento, que es la constante de suavizamiento para el nivel de la serie y la constante de suavizamiento para la tendencia de la serie. Estas dos constantes deben estar entre cero y uno. Para obtener el mejor ajuste se obtienen estimaciones con diferentes valores de alpha y beta y la combinacin adecuada es la que produzca una menor media absoluta de los errores (MAE) o una menor media absoluta del porcentaje de error (MAPE) .31 Los valores de las estimaciones iniciales son: S1= X1 T1 = X2 - X 1 Las proyecciones o pronsticos se obtienen con las siguientes ecuaciones:

31

http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030006/lecciones/capitulocinco/5_2_4.html consultada el 20 de febrero de 2009.

(10) (11) (12) Donde: equivalente del valor suavizado exponencial nico coeficiente de suavizamiento, anlogo a tendencia suavizada en la serie de datos. m nmero de perodos a pronosticar 1,2,3 Con la ecuacin (10) podemos ver que la tendencia ms reciente, ( ) est ponderada por y la ltima tendencia suavizada, , est ponderada por (1-). La suma de estos valores ponderados es el nuevo valor de la tendencia suavizada. Para nuestro caso es Gamma como lo nombra SPSS y vemos que el mejor valor encontrado es 0 lo que implica que slo la ltima tendencia ser la que utilicemos. SPSS realiza los clculos utilizando estas ecuaciones, la tabla 7 muestra la corrida de este mtodo en el que se obtuvo los siguientes resultados:
Tabla 7 Descripcin de resultados del Modelo de suavizamiento de Holt en SPSS Descripcin del modelo Nombre del modelo Serie Modelo de Holt 1 Tendencia Estacionalidad MOD_4 Pasajeros Corregido Lineal Ninguno

Estado de suavizado inicial Pasajeros_1 67657.91096 44.17808

Nivel Tendencia

Sumas menores de los errores cuadrticos

Serie Pasajeros_1

Rango del modelo 1 2 3 4 5 6 7 8 9 10

Alpha (Nivel) .10000 .20000 .10000 .30000 .10000 .40000 .20000 .50000 .60000 .10000

Gamma (Tendencia) .00000 .00000 .20000 .00000 .40000 .00000 .20000 .00000 .00000 .60000

Sumas de los errores cuadrticos 3746909207855.35100 3956162450628.50300 4011466788585.11100 4167556892296.53200 4319389211935.85000 4350890080592.53700 4369386411192.39700 4499296398596.58600 4619126559500.59000 4621629497052.09000

Parmetros del suavizado

.10000 .00000 3746909207855.35100 1459 A continuacin, se muestran los parmetros con las sumas menores de errores cuadrticos. Estos parmetros se utilizan para pronosticar.

Serie Pasajeros_1

Alpha (Nivel)

Gamma (Tendencia)

Sumas de los errores cuadrticos

gl error

La primera tabla resume los datos del modelo ejecutado en donde explica que la tendencia aplicada es la lineal y que no hay presencia de estacionalidad. La tabla de sumas menores de los errores cuadrticos son resultado de las 10 iteraciones que realiza el paquete en bsqueda de la menor suma de cuadrados de los errores. Vemos de la tabla de parmetros del suavizado que an el error sigue siendo alto para los parmetros ptimos encontrados por el SPSS, en donde debemos tomar en cuenta que el paquete renombra como parmetro de nivel a alpha y en el caso de la tendencia que utilizamos para el desarrollo terico beta a gamma. Con respecto a la ecuacin (11) la nica diferencia entre sta y la forma anterior con respecto al suavizamiento exponencial nico ecuacin (6), es el trmino adicional que se suma a para ajustar los valores suavizados del patrn tendencial en la serie de datos. Se observa que el valor S se actualiza primero, y luego se actualiza la tendencia T y para obtener un pronstico se deben sumar el componente tendencial al valor suavizado bsico para el nmero de periodos adelantados que se va a pronosticar, como se indica en la ecuacin (12). La ilustracin 32 muestra el clculo para la prediccin en la serie de pasajeros transportados. Observe que la prediccin presenta un crecimiento lineal con tendencia, sin embargo el comportamiento de los datos histricos nos hace concluir que el futuro no se esperara tenga presente este patrn. Observe la lnea verde de la prediccin.

100,000

150,000

200,000

250,000

300,000

50,000

1 THU 8 FRI 15 SAT 23 SUN 30 MON 37 TUE 44 WED 51 THU 58 FRI 65 SAT 73 SUN 80 MON 87 TUE 94 WED 101 THU 108 FRI 115 SAT 123 SUN 130 MON 137 TUE 144 WED 151 THU 158 FRI 165 SAT 173 SUN 180 MON 187 TUE 194 WED 201 THU 208 FRI 215 SAT 223 SUN 230 MON 237 TUE 244 WED 251 THU 258 FRI 265 SAT 273 SUN 280 MON 287 TUE 294 WED

Perodo histrico

Fecha
Pasajeros Corregido Pasajeros con Mtodo Holt

Perodo de Validacin

Ilustracin 32 Valores Observados Vs. Pronstico mediante Mtodo de Holt

Prediccin

La diferencia con el mtodo anterior es que se tom en cuenta la tendencia multiplicada por el perodo lo que nos result una ecuacin lineal con tendencia como pronstico, sin embargo la periodicidad an no es analizada y es por tal razn necesitamos buscar un mtodo que nos permita mejorar el modelo de prediccin por ello a continuacin analizamos un mtodo en el que toma ya en cuenta este hecho. Los residuales de un ajuste deben siempre distribuirse aleatoriamente, sin ninguna apreciable direccin. Si los residuales de algn modelo mostrasen algn patrn, el modelo sera inadecuado. Los residuales de la ilustracin 33 no muestran una gran variabilidad lo que revalidan la necesidad de ajustar el modelo.
150000.00000

100000.00000

Error Mtodo de Holt

50000.00000

0.00000

-50000.00000

-100000.00000

-150000.00000
1 15 30 44 58 THU SAT MON WED FRI 73 87 101 115 130 144 158 173 187 201 215 230 244 258 SUN TUE THU SAT MON WED FRI SUN TUE THU SAT MON WED FRI

Fecha Ilustracin 33 Diagrama de secuencia de la variable de error obtenida con el mtodo de Holt

4.2.5

MODELOS DE SUAVIZAMIENTO EXPONENCIAL DE WINTER

Otra forma til de suavizamiento la desarroll Winters a principios de la dcada de 1960. Este mtodo genera resultados semejantes a los del suavizamiento exponencial lineal segn se ha analizado, pero tiene la ventaja extra de ser capaz de manejar datos estacionales junto con datos que tengan una tendencia. El suavizamiento exponencial lineal y estacional de Winters se basa en tres ecuaciones, cada una de las cuales suaviza un factor asociado con uno de los tres componentes del patrn, tal como aleatoriedad, tendencia y estacionalidad. En este aspecto es semejante al suavizamiento exponencial lineal, el cual suaviza lo aleatorio y ajusta lo tendencial. Sin embargo, el mtodo de Winters incluye un parmetro adicional para manejar la estacionalidad. Hay tres ecuaciones de suavizamiento bsicas implicadas en el mtodo de Winters: (13) (14)

(15) En donde: S= valor suavizado de la serie desestacionalizada. T= Valor suavizado de la tendencia. I=Valor suavizado del facto estacional. L= Duracin de la estacionalidad (v. gr. nmero de meses o trimestres en un ao.) La prediccin basada en el mtodo de Winters se calcula como (16) Las instrucciones en SPSS son las siguientes: Analizar>Series temporales>Suavizamiento exponencial Variables: Pasajeros_1 Modelo: Winters Parmetros: General (Alfa)>Bsqueda de rejilla. Tendencia (Gamma)>Bsqueda de rejilla Estacional (Delta)>Bsqueda de rejilla Aceptar>Aceptar

Ilustracin 34 Clculo del modelo de prediccin con el Mtodo de suavizamiento de Winter con SPSS

La ilustracin 34 muestra como SPSS realiza los clculos para obtener un modelo de prediccin mediante el mtodo de Winter.

Las constantes de suavizamiento inicialmente son seleccionadas arbitrariamente, con la condicin de que estn entre cero y uno. Se deben probar varias combinaciones de , hasta encontrar la que genere predicciones suficientemente precisas. Este es uno de los problemas que acompaan el mtodo de Winters ya que consiste en determinar estos valores basado en el enfoque de ensayo y error siempre buscado minimizar el error cuadrado medio (MSE) o la desviacin media absoluta (MAD). Este proceso fcilmente lo realiza SPSS, se observa en el cuadro de dilogos de los parmetros, la activacin de la casilla mostrar los 10 mejores modelos de la bsqueda de rejilla, significa que SPSS muestra los modelos con las combinaciones que menores suma de cuadrado de los errores generan. Estos resultados se pueden ver en la tabla 8. Para iniciar el proceso de suavizamiento del nivel se puede asumir que: S1 = Y o tambin se puede emplear un promedio mvil centrado de igual longitud al perodo estacional. Para el valor inicial de la tendencia se pueden utilizar los 2L primeros datos para hacer una regresin lineal; la pendiente ( ) es el valor inicial de la tendencia en el perodo inicial, es decir, b1 = y adems el coeficiente de interseccin puede ser el valor inicial del nivel, S1 = . Se deben calcular L valores iniciales para el factor estacional, es decir uno para cada uno de los perodos que conforman el ciclo estacional; cada uno de estos factores se obtiene dividiendo el valor observado de la variable en cada perodo por el valor de la tendencia para el correspondiente perodo. Usando los valores iniciales para el nivel, la tendencia y cada uno de los factores estacionales, se inicia el uso de las ecuaciones para obtener las proyecciones o pronsticos. A pesar de que este clculo es un poco extenso SPSS lo realiza de manera rpida y precisa as la tabla 8 muestra los resultados obtenidos.
Tabla 8 Descripcin de resultados del Modelo de suavizamiento de Winter en SPSS

Descripcin del modelo Nombre del modelo Serie Modelo multiplicativo de Winters 1 Tendencia Estacionalidad MOD_8 Pasajeros Corregido Lineal Multiplicativo 7

Longitud del periodo estacional

Estado de suavizado inicial Pasajeros_1 ndices estacionales 1 2 3 4 5 6 7 Nivel Tendencia 112.35042 114.06417 77.49747 58.61673 113.39978 111.67424 112.39719 139940.15424 38.11920

Sumas menores de los errores cuadrticos

Serie Pasajeros_1

Rango del modelo 1 2 3 4 5 6 7 8 9 10

Alpha (Nivel) .20000 .10000 .30000 .40000 .50000 .60000 .70000 .10000 .20000 .30000

Gamma (Tendencia) .00000 .00000 .00000 .00000 .00000 .00000 .00000 .00000 .00000 .00000

Delta (Estacin) .00000 .00000 .00000 .00000 .00000 .00000 .00000 .20000 .20000 .20000

Sumas de los errores cuadrticos 895306251962.63400 896910799840.41600 902246594634.86400 915381180572.09400 934050977934.68200 958771236312.90200 990903134087.82000 993497993259.23800 999016245426.67000 1009551908171.35400

Parmetros del suavizado

.20000 .00000 .00000 895306251962.63400 1453 A continuacin, se muestran los parmetros con las sumas menores de errores cuadrticos. Estos parmetros se utilizan para pronosticar.

Serie Pasajeros_1

Alpha (Nivel)

Gamma (Tendencia)

Delta (Estacin)

Sumas de los errores cuadrticos

gl error

La tabla 8 muestra los resultados del Mtodo de Winters con SPSS, en donde se destaca un resumen del modelo indicando la existencia de tendencia y tambin de estacionalidad 7. La tabla estado de suavizado inicial muestra los ndices de estacionalidad para los 7 das, en donde 1 es para jueves pues recordamos que la serie inicia el 01/01/04 que es jueves. El ndice estacional ms bajo es el 4 que corresponde al da domingo. Con estos valores se puede calcular una serie sin estacionalidad con el simple hecho de dividir el valor de la serie original para su ndice de estacionalidad. La tabla anterior muestra, sumas menores de los errores cuadrticos, muestra los 10 mejores modelos obtenidos por iteracin del SPSS en el que ubicamos el que menor suma cuadrada de los errores genere. Este resultado plasma la ltima tabla, parmetros del suavizado. La ilustracin 35 muestra a la serie de pasajeros y la serie obtenida de la aplicacin del modelo de suavizamiento exponencial de Winters, observamos que en el perodo de validacin existe altas diferencias con los datos reales , parece ser que an el modelo puede ser mejorado de tal manera que permita asegurar que la prediccin obtenida vaya a reflejar menor incertidumbre del futuro, sin embargo de ello, ya al menos el modelo toma en cuenta la periodicidad que se ha venido hablando hasta ahora. Esto nos obliga a seguir en la bsqueda de un modelo que mejore las predicciones, por lo que a continuacin estudiaremos un modelo que toma en cuenta por separados los patrones que se encuentran en la serie de pasajeros y nos brinda una estimacin del futuro, se deber por tanto de igual manera encontrar mediante la suma de los errores cuadrticos si el modelo que obtengamos va mejorando.

100,000

150,000

200,000

250,000

300,000

50,000

Perodo histrico

Fecha Ilustracin 35 Valores Observados vs. Pronstico con el Mtodo de Winters.

Pasajeros Corregido Pasajeros con Mtodo Winter

Perodo de Validacin

01-JAN-2004 20-FEB-2004 10-APR-2004 30-MAY-2004 19-JUL-2004 07-SEP-2004 27-OCT-2004 16-DEC-2004 04-FEB-2005 26-MAR-2005 15-MAY-2005 04-JUL-2005 23-AUG-2005 12-OCT-2005 01-DEC-2005 20-JAN-2006 11-MAR-2006 30-APR-2006 19-JUN-2006 08-AUG-2006 27-SEP-2006 16-NOV-2006 05-JAN-2007 24-FEB-2007 15-APR-2007 04-JUN-2007 24-JUL-2007 12-SEP-2007 01-NOV-2007 21-DEC-2007 09-FEB-2008 30-MAR-2008 19-MAY-2008 08-JUL-2008 27-AUG-2008 16-OCT-2008 05-DEC-2008 24-JAN-2009 . . . .

Prediccin

La suma de los errores cuadrticos an es alto sin embargo mejor considerablemente con esta tcnica de prediccin el modelo y disminuy el error. La ilustracin 36 muestra con claridad este hecho, el mtodo de Winter hasta ahora da mejores resultados.

Sumas de los errores cuadrticos de cada Mtodo de prediccin

18% 4% 34% 23% 21% Ingenuo Promedio Exponencial nico Holt Winter
Ilustracin 36 Suma de los errores cuadrticos obtenidos con los modelos de suavizamiento exponencial.

4.3 MTODOS DE DESCOMPOSICIN PARA PRONSTICOS DE SERIES DE TIEMPO.

Los mtodos de suavizamiento no permiten identificar los componentes individuales del patrn bsico subyacente. Sin embargo, el patrn global puede dividirse, o descomponerse, en subpatrones que identifiquen separadamente cada componente de la serie de tiempo. Frecuentemente dicha descomposicin puede facilitar el proceso de prediccin y ayudar al pronosticador a entender el comportamiento de la serie. Los mtodos de descomposicin identifican tres componentes distintos del patrn bsico subyacente que caracterizan a las series econmicas y empresariales. stos son los factores tendenciales, cclico y estacional. El factor tendencial, que representa el comportamiento de largo plazo de los datos, puede aumentar, disminuir o permanecer sin cambio. La tendencia puede ser aproximada por una lnea recta, pero en ciertas situaciones puede existir una curva exponencial o en forma de S, u otro patrn de largo plazo. El factor cclico representa las altas y bajas causadas por las condiciones econmicas o especficas de la industria. El factor estacional se refiere a fluctuaciones peridicas de longitud constante y profundidad proporcional, que son provocadas por circunstancias tales como la lluvia, el mes del ao, el espaciamiento de feriados y polticas corporativas. La diferencia entre estacionalidad y ciclicidad consiste en que la estacionalidad se repite a s misma a intervalos fijos como un ao, un mes o una semana, en tanto que los factores cclicos tienen una duracin mayor que vara de un ciclo a otro. La descomposicin supone que los datos estn conformados as; Datos = patrn + error Y que el patrn se compone de tendencia, ciclo y estacionalidad Patrn = tendencia, ciclo y estacionalidad32

32

Makridakis Wheelwrigth, Mtodos de pronstico, Limusa, 1998, p 107

El concepto bsico en dicha separacin es emprico y consiste en remover primero la estacionalidad, luego la tendencia secular y finalmente el ciclo. Se supone que cualquier residuo es aleatorio, el cual, aunque no puede predecirse, puede ser identificado. La representacin matemtica general del enfoque de la descomposicin es:

En donde: = el valor de la serie de tiempo (datos reales) en el perodo t. = componente estacional (o ndice) en el perodo t = componente tendencial en el perodo t = componente cclico en el perodo t = componente aleatorio (o error) en el perodo t La relacin funcional especfica usada para relacionar estos cuatro subpatrones puede adoptar una gran variedad de formas. La forma ms directa es la aditiva (simplemente sumando los cuatro elementos) y la multiplicativa (multiplicando los cuatro elementos). El modelo de componentes aditivo trabaja mejor cuando la serie de tiempo analizada tiene aproximadamente la misma variabilidad a lo largo de la serie. Es decir, todos los valores de la serie caen dentro de un ancho de banda constante centrado en la tendencia. El modelo de componentes multiplicativo trabaja mejor cuando la variabilidad de la serie de tiempo incrementa con el nivel. Es decir, los valores de la serie se extienden como la tenencia aumenta.33 Con la secuencia del SPSS Analizar >Informes > Resumir por casos se abre el cuadro de dilogo donde se seleccionan: en Variables: Pasajeros y en Variable de seleccin: week. Con el botn Estadsticos se activan las opciones Media, Mximo y Mnimo y Desviacin tpica. Para obtener solamente los resultados finales se desactiva Mostrar los casos. El resultado que se obtiene se muestra en el ANEXO B.. Como puede observarse, las desviaciones tpicas de cada semana crecen a medida que crece el valor medio, lo cual es indicio de que el patrn de agregacin de las componentes de esta serie es multiplicativo. Prcticamente, todas las series en los campos econmicos y empresarial estn compuestas de estacionalidad y ciclicidad, las cuales son proporcionales a la tendencia secular; de aqu que el modelo multiplicativo sea el apropiado. En este trabajo por la naturaleza de los datos de la serie de pasajeros transportados en donde la variabilidad va incrementando segn aumenta la tendencia se estudiar el modelo multiplicativo. La representacin matemtica especfica es:

El propsito de la descomposicin es identificar T, C y S (slo lo que sobra ser R) al analizar los datos originales de X.

33

Bussines Forecasting, John E. Hanke, Dean W. Wichern, Arthur G. Reitsch, pag 145,146

La serie de pasajeros transportados recoge conjuntamente la evolucin coyuntural, a medio y largo plazo, y las variaciones estacionales. Para poder analizar correctamente la serie es necesario separar estas variaciones. El procedimiento que permite aislar el componente estacional utilizado por el SPSS, se basa en la descomposicin mediante medias mviles. Se parte del supuesto de que el patrn de las variaciones estacionales se mantiene constante ao tras ao, y pueden cuantificarse con nmeros ndices si el esquema de agregacin es multiplicativo o con coeficientes si el esquema es aditivo. Los ndices de variacin estacional (IVE) recogen el incremento o la disminucin porcentual que el componente estacional produce en cada estacin anual (mes, trimestre,...). Estos ndices no deben incidir sobre la serie anual, por lo tanto, su promedio anual siempre debe ser igual a 1 (o 100 si est expresado en tanto por ciento). Los coeficientes de variacin estacional indican el valor en que aumenta o disminuye la tendencia a causa del componente estacional. Para que estos coeficientes no modifiquen la serie anual siempre debern sumar 0. Para obtener los ndices o coeficientes por el mtodo de descomposicin, el SPSS realiza las siguientes operaciones: Estimacin del componente extraestacional (Tendencia-Ciclo) con una media mvil de orden k, siendo k el nmero de perodos estacionales que presenta la serie (k=12 si las observaciones son mensuales, k=4 si son trimestrales, etc); Estimacin de las variaciones estacionales especficas de cada perodo dividiendo (o restando) la serie por la media mvil; Estimacin de las variaciones estacionales netas u obtencin del IVE eliminando las fluctuaciones irregulares observadas en cada perodo; para ello se toma el valor mediano de las variaciones especificas de cada perodo estacional por separado y se corrigen de forma que su promedio no afecte a la serie anual.34 Este proceso es fcilmente calculado por el SPSS. La ilustracin 37 muestra la descomposicin. Las instrucciones para el proceso son: Analizar>Series Temporales>Descomposicin estacional Variables: Pasajeros Corregidos Modelos: Multiplicativo Mostrar el listado por caso: OK Guardar>Aadir al archivo:OK Aceptar>Aceptar>Aceptar

34

http://www.ub.es/aplica_infor/spss/cap8-4.htm consultada el 20703/2009

Ilustracin 37 Clculo del modelo de prediccin con el Mtodo de Descomposicin estacional con SPSS

SPSS crea cuatro nuevas series, como muestra la ilustracin 38:

Ilustracin 38 Creacin de variables mediante el mtodo de Descomposicin estacional con SPSS

Saf Factor de ajuste estacional y muestra la componente estacional. Sas Serie ajustada estacionalmente y es el valor original menos la estacionalidad, es decir la serie original de los datos dividido entre su factor estacional. Stc Tendencia y ciclo desestacionalizados, es decir se muestra la tendencia menos el ciclo Err el error. Estas variables son el resumen de las iteraciones necesarias para descomponer a la serie en sus componentes.. El cuadro de resultados presenta: Moving averages: Medias mviles centradas de orden 7; Seasonal factors: ndices de variacin estacional corregidos (IVE), obtenidos como media correspondientes a cada perodo estacional por separado y corregido; Serie desestacionalizada;

Smoothed trend-cycle: Estimacin del componente Tendencia-Ciclo;

Estimacin del componente irregular.

La tabla 9, muestra algunos de los resultados que se obtienen del anlisis con SPSS:
Tabla 9 Resultados obtenidos con SPSS de mtodo de descomposicin estacional Descripcin del modelo Nombre del modelo Tipo de modelo Nombre de la serie 1 Longitud del perodo estacional Mtodo de computacin de medias mviles Amplitud igual a la periodicidad y todos los puntos ponderados igualmente MOD_2 Multiplicativo Pasajeros Corregido 7

Aplicando las especificaciones del modelo de MOD_2 Descomposicin estacional Nombre de la serie: Pasajeros Corregido Razn de la serie original sobre la serie de media mvil (%) . . . 68.8 130.7 117.1 110.6 111.3 115.9 77.5 56.0 115.7

Nmero de caso 1 2 3 4 5 6 7 8 9 10 11 12

Serie original 67680.000 99290.000 103596.000 96411.000 208193.000 205370.000 199975.000 202423.000 211822.000 141672.000 103297.000 214681.000

Serie de media mvil . . . 140073.5714 159322.5714 175398.5714 180838.0000 181821.7143 182748.5714 182694.7143 184314.1429 185547.7143

Factor estacional (%) 112.4 114.1 77.5 58.6 113.4 111.7 112.4 112.4 114.1 77.5 58.6 113.4

Serie corregida estacionalmente 60240.097 87047.491 133676.620 164476.923 183592.070 183900.965 177918.146 180171.117 185704.237 182808.545 176224.422 189313.422

Serie de tendenciaciclo suavizada 76709.279 93654.736 127545.651 155435.179 173236.306 179930.152 181243.879 181607.514 181912.734 182418.610 182464.979 184258.691

Componente irregular (error) .785 .929 1.048 1.058 1.060 1.022 .982 .992 1.021 1.002 .966 1.027

Para poder realizar la Descomposicin estacional se necesit previamente saber la periodicidad (cuntas observaciones hay en una estacin) de la serie de tiempo que en este caso fue 7. Como en el caso del modelo de Winters aqu se calculan los ndices estacionales, que en nmero son idnticos a los obtenidos. De igual manera el ndice estacional 1 se le asignar a los das jueves, inicio de la serie de pasajeros transportados. La ilustracin 39 muestra la serie de pasajeros descompuesta en la serie desestacionalizada, el componente tendencial-ciclo y la parte aleatoria o error.

Series ajustadas estacionalmente para Pasajeros_1 de SEASON, MOD_11, MUL EQU 7

350000.00000

250000.00000

300000.00000

Ciclo de tendencias para Pasajeros_1 de SEASON, MOD_11, MUL EQU 7

200000.00000

250000.00000

200000.00000

150000.00000

150000.00000

100000.00000

100000.00000

50000.00000

50000.00000 1 15 30 44 THU SAT MON WED 58 FRI 73 87 101 115 130 144 158 SUN TUE THU SAT MON WED FRI 173 187 201 SUN TUE THU
1 15 30 44 THU SAT MON WED 58 FRI 73 SUN 87 101 115 130 144 158 TUE THU SAT MON WED FRI 173 SUN 187 201 TUE THU

Fecha

Fecha

Error para Pasajeros_1 de SEASON, MOD_11, MUL EQU 7

1.40000

1.20000

1.20000

Factores estacionales para Pasajeros_1 de SEASON, MOD_11, MUL EQU 7

1.00000

1.00000

0.80000

0.80000

0.60000

0.60000

0.40000 1 THU 15 SAT 30 44 58 FRI 73 MON WED SUN 87 TUE 101 THU 115 SAT 130 144 MON WED 158 FRI 173 SUN 187 TUE 201 THU
1 THU 1 SAT 2 MON 2 WED 2 FRI 3 SUN 3 TUE 3 THU 3 SAT 4 MON 4 WED 4 FRI

Nmero secuencial

Fecha

Ilustracin 39 Componentes de la serie pasajeros

Este mtodo nos permiti obtener series que contienen individualmente los patrones detectados (estacionalidad, tendencia y aleatoriedad), sin embargo si bien es cierto se obtuvo esta ventaja con el mtodo de descomposicin, an no se ha logrado tener el pronstico para la demanda. Recordemos que:

Despejando los pasajeros podramos tener la prediccin de la variable, es decir, si se logra realizar un pronstico de la serie tendencia-ciclo utilizando el mtodo de Holt (incluye tendencia), as como el de la componente irregular, sera factible entonces poder predecir la variable pasajeros, inters de este trabajo. Este procedimiento se puede obtener fcilmente apoyados en el Minitab 15 , como muestra la ilustracin 40, as aplicando las instrucciones pertinentes obtenemos: Stat>Time series>Descomposicion> Variable: Pasajeros Seasona length: 7 Model Type: Multiplicativo Generate Forecast. OK

Ilustracin 40 Instrucciones para el mtodo de descomposicin en Minitab

Residual Plots for Pasajeros

Normal Probability Plot
99. 99 99 90 50 10 1 0. 01

Versus Fits 300000

Time Series Decomposition Plot for Pasajeros

Multiplicative Model
Variable Actual Fits Trend Forecasts Accuracy Measures MAPE 10 MAD 15385 MSD 750181680

Residual

Percent

0 -100000 -200000

-100000 0 Residual Histogram

100000

150000 200000 Fitted Value Versus Order

250000

Pasajeros

200000

Frequency

Residual

400 200 0

0 -100000 -200000 100000

0 0 00 00 00 00 00 00 60 20 -8 -4 -1 -1
Residual

0 00 40

1 00 00 00 00 00 0 0 00 00 00 2 4 6 8 10 12 14 16 18
Observation Order

419

838 Index

1257

1676

2095

Component Analysis for Pasajeros

Multiplicative Model Original Data 300000 200000 100000 1 743 Index Seasonally Adjusted Data 300000 200000 100000 1 743 Index 1486 -200000 1 743 Index 1486 0 0 -100000 10 1486 1.5 1.0 0.5 1 743 Index Seas. Adj. and Detr. Data 20 1486 0.6 1 2 3 4 Detrended Data 1.2

Seasonal Analysis for Pasajeros

Multiplicative Model Seasonal Indices 1.5 1.0 0.5 5 6 7 1 2 3 4 5 6 7 Detrended Data by Season

0.9

Percent Variation by Season

Residuals by Season

0 -100000 -200000

Ilustracin 41 Datos observados vs. Prediccin con mtodo de descomposicin estacional.

Observe en la ilustracin 41, que los residuales no tienen un comportamiento normal, esto se haba concluido anteriormente, sin embargo si notamos la grfica de la serie de tiempo descompuesta, vemos con claridad que la lnea verde muestra la tendencia de la serie y que el ajuste parece ser un tanto adecuado y similar al realizado con el mtodo de Winters, la diferencia lo marca la suma de cuadrados residuales. En relacin a las grficas obtenidas del anlisis de cada componente la serie sin tendencia (detrended data) muestra a la serie horizontal, para ello lo que se realiz es retirarle a los datos originales la tendencia encontrada, de igual manera se realiz la grfica de la serie sin estacionalidad, aqu la serie fue divida para su ndice estacional, que son mostrados en las cuatro grficas inferiores derechas. A ms de estos resultados Minitab, presenta algunas otras salidas que se presentan en forma resumida a continuacin:
Fitted Trend Equation Yt = 193409 + 11.0*t Seasonal Indices Period 1 2 3 4 5 6 7 Accuracy Measures MAPE MAD MSD Time 1 2 3 4 5 6 10 15385 750181680 Pasajeros 67680 99290 103596 96411 208193 205370 Trend 193420 193431 193442 193453 193464 193475 Seasonal 1.11118 1.15181 0.76573 0.57270 1.14695 1.13111 Detrend 0.34991 0.51331 0.53554 0.49837 1.07613 1.06148 Deseason 60908 86203 135290 168345 181519 181565 Predict 214923 222796 148125 110790 221893 218841 Error -147243 -123506 -44529 -14379 -13700 -13471 Index 1.11118 1.15181 0.76573 0.57270 1.14695 1.13111 1.12053

Este mtodo present un valor menor en la suma cuadrada de los errores que algunos otros mtodos aplicados hasta ahora, sin embargo a pesar de tener un buen comportamiento el mtodo de descomposicin, como muestra la ilustracin 42, an se ven varias diferencias significativas con la serie original.

100,000

150,000

200,000

250,000

300,000

50,000

1 THU 8 FRI 15 SAT 23 SUN 30 MON 37 TUE 44 WED 51 THU 58 FRI 65 SAT 73 SUN 80 MON 87 TUE 94 WED 101 THU 108 FRI 115 SAT 123 SUN 130 MON 137 TUE 144 WED 151 THU 158 FRI 165 SAT 173 SUN 180 MON 187 TUE 194 WED 201 THU 208 FRI 215 SAT 223 SUN 230 MON 237 TUE 244 WED 251 THU 258 FRI 265 SAT 273 SUN 280 MON 287 TUE 294 WED -0

Perodo histrico

Fecha
Pasajeros Corregido Mtodo de descomposicin estacional

Perodo de Validacin

Ilustracin 42 Datos Observados vs. Aplicacin del mtodo de Descomposicin estacional.

Prediccin

Resumen: Los mtodos de suavizamiento as como el de descomposicin mostraron la fcil aplicacin para encontrar un ajuste ms adecuado a la serie original de pasajeros transportados. El anlisis exploratorio de la serie, es punto de partida de la aplicacin de cualquier mtodo de pronstico mediante series de tiempo. Identificar cada uno de los patrones es esencial para concluir que mtodo es el que mejor ajustara a los datos. Los datos atpicos debes ser tratados en la fase exploratoria, debido a que estos anlisis estudian patrones pasados basndose en promedios y un dato perdido puede afectar a la proyeccin al futuro. El mtodo del promedio simple se aplica cuando existe un patrn horizontal, el mtodo de Holt cuando est presente el patrn tendencial y el mtodo de Winters cuando tanto la tendencia como la estacionalidad estn presentes. El mtodo de descomposicin permite detectar cada patrn presente en la serie de tiempo y se pueden obtener proyecciones analizando cada descomposicin por separado. El anlisis de la bondad del modelo que utiliza SPSS est basado en el estudio de la suma de los errores cuadrticos, que es una parte del MSD o error medio cuadrado (EMC), estudiado en el captulo III, sin embargo, SPSS no utiliza la divisin para el nmero de datos.

La comparacin de la suma de los errores cuadrticos de los mtodos aplicados en este captulo, se muestra en la ilustracin 43, en donde se aprecia que el mtodo de Winters dio mejores ajustes para la prediccin.

Sumas de los errores cuadrticos de cada Mtodo de prediccin

4% 6% Ingenuo 17% 31% Promedio Exponencial nico Holt 22% 20% Winter Descomposicin estacional

Ilustracin 43 Comparacin de suma de los errores cuadrticos de los mtodos de suavizacin y descomposicin.

Estos mtodos fueron el inicio del anlisis de las series de tiempo, sin embargo, las tcnicas han ido mejorando, crendose as metodologas ms avanzadas, el captulo siguiente se encarga de este estudio, donde se expondr la metodologa llamada de Box Jenkins mediante los modelos ARIMA estacionales.

CAPITULO V MODELOS DE PREDICCIN CUANTITATIVOS: MODELOS ARIMA ESTACIONALES

A lo largo de este trabajo, se ha venido explicando los diferentes modelos que se pueden aplicar a una serie y se ha concluido, que dependiendo de la estructura de la serie temporal se pueden aplicar mtodos de prediccin, ya sea de suavizamiento, de descomposicin y en el mejor de los casos de contar con datos, realizar una prediccin con variables explicativas, mediante el anlisis de regresin lineal. Este captulo inicialmente presenta una breve descripcin sobre este mtodo, en el cual se exponen criterios y definiciones tiles que se comparten en el estudio de la metodologa de Box-Jenkins mediante los modelos ARIMA. Sin embargo, sobre el mtodo de regresin lineal, no se profundiza el estudio debido a que como se mencion en el captulo III, una desventaja de este mtodo es contar con suficientes variables que guarden cierta relacin con la demanda de pasajeros. Cabe indicar, que a pesar de este hecho se realiz el estudio, sin tener una medida exitosa de ajuste en la bsqueda de plantear una relacin causal. Los resultados mostraron que ninguna de las variables elegidas inicialmente poda describir a la variable de inters, la demanda de pasajeros, por lo que se planteara como objeto de estudio para un nuevo trabajo. El ANEXO C, muestra un glosario de trminos tiles as como una explicacin sobre cada trmino utilizado en esta explicacin, para quien est interesado sobre este tema. En este sentido, la bsqueda de un mejor modelo que ajuste a la serie temporal, an es motivo de estudio, por lo que, gran parte de este capitulo se encarga de estudiar los modelos de Box-Jenkins, que son similares a los modelos de suavizacin exponencial (estudiados en el captulo IV) en que ambos son adaptativos, pueden capturar tendencia y patrones estacinales y son automatizables, pero que se diferencia en que los modelos Box-Jenkins son basados en autocorrelaciones en lugar de una vista estructural de nivel, tendencia y estacionalidad y que adems tienden a obtener mejores resultados que los modelos de suavizacin exponencial para series de tiempo ms largas y estables, sin embargo, veremos que estos modelos no son buenos para datos con ruido y alta volatilidad. 35 En este captulo se identificar algunos modelos, se estimar los coeficientes, se obtendr series de tiempo de los residuales, y se inspeccionar las grficas de Autocorrelaciones (ACF) y la grfica de las Autocorrelaciones Parciales (PACF) de los residuales para tener las claves sobre los componentes que se necesitan aadir al modelo tentativo. El ciclo ARIMA de identificacin, estimacin, y diagnstico nos llevar ms tiempo pues como se ver los procesos estacionales estarn presentes, en la serie de demanda de pasajeros transportados.

35

http://www.dandoenelblanco.com/2008/07/modelos-de-series-de-tiempo-para-pron%C3%B3sticos-dedemanda.html consultada el 30 de enero de 2009.

6.1. BREVE ESTUDIO DEL ANLISIS DE REGRESIN LINEAL

El objeto de un anlisis de regresin es investigar la relacin estadstica que existe entre una variable dependiente (Y) y una o ms variables independientes ( X 1 , X 2 , X 3 , ... ). Debido a su simplicidad analtica, la forma funcional que ms se utiliza en la prctica es la relacin lineal, resulta de inters entonces los valores que multiplicados por los valores de cada variable X se aproximen a los valores de Y, es decir:

Encontrar los parmetros , es nuestro inters El parmetro , conocido como la ordenada en el origen, nos indica cunto es Y cuando X = 0. El parmetro , conocido como la pendiente, nos indica cunto aumenta Y por cada aumento de una unidad en X. Interesa entonces obtener estimaciones de estos coeficientes a partir de una muestra de observaciones sobre las variables Y y X. En el anlisis de regresin, estas estimaciones se obtienen por medio del mtodo de mnimos cuadrados. La ilustracin 44 muestra cada componente del anlisis de regresin.

Ilustracin 44 Componentes de la Regresin lineal.

El Coeficiente de correlacin lineal de Pearson es un instrumento Objetivo no Subjetivo, que se encuentra entre -1 y 1 y permite saber la correlacin entre variables, es decir, es un ndice estadstico que mide la relacin lineal entre dos variables cuantitativas. Por otro lado, para medir la bondad de ajuste de la recta de regresin, se utiliza el Coeficiente de Determinacin R2, que se encuentra entre 0 y 1 y mide la relacin entre la variacin explicada por el modelo y la variacin total del modelo.

La figura 45, muestra cada una de las variaciones presentes en un anlisis de regresin lineal.

Ilustracin 45 Variaciones presentes en el anlisis de regresin

36

Es claro que hasta ahora con un solo predictor X, el anlisis ha sido sencillo sin embargo existen ms consideraciones que hacer cuando los predictores aumentan es decir la ecuacin de regresin lineal se transforma en:

Encontrar los parmetros , es nuestro inters Puede pasar que los predictores estn correlacionados entre s. Este problema se conoce con el nombre de MULTICOLINEALIDAD, en cuyo caso se procede a determinar cul de las variables no aporta mucha informacin en el efecto que sufre Y, y si es necesario se debe eliminarla. Este clculo lo realiza Minitab mediante el clculo del indicador, VIF que mide la multicolinealidad entre la variable respuesta y los predictores. Valores mayores 10 indican una fuerte multicolinealidad.(Vase ANEXO C). Una vez encontrados las mejores variables que pueden dar una explicacin sobre el comportamiento del fenmeno Y, se deben cumplir con supuestos para que el modelo sea confiable, estos son: 1. 2. 3. 4. 5. 6. El trmino tiene promedio igual 0. El trmino de error tiene una distribucin NORMAL. Los parmetros que acompaan a los predictores son significativos. Los trminos de errores no estn correlacionados entre s. El trmino de error no guarda relacin alguna con cada uno de los predictores. La varianza del trmino es constante. (Homocedstico).

Por lo tanto, para encontrar un modelo lineal adecuado para explicar a la variable respuesta Y, los pasos que se deben seguir son los siguientes:

36

http://www.monografias.com/trabajos16/metodos-lineales/metodos-lineales.shtml, consultada el 11/08/08.

Pasos

Detalle

Pregunta de inters De qu manera est presente la relacin?

Criterio

Decisin Observacin Visual: Positiva. Negativa. No hay relacin.

Anlisis Exploratorio. Que intensidad tiene Si r = 0, no existe ninguna correlacin. Coeficiente de correlacin lineal de Pearson. la relacin? Si 0 < r 1, existe una correlacin positiva. Si -1 < r 0, existe una correlacin negativa.

Determinar los parmetros del modelo e investigar las variable regresora.

Los VIF son demasiados altos?

Valores de VIF>10 son variables a eliminar. (Minitab)

Eliminar la Multicolinealidad.

Anlisis de la Normalidad de los errores.

Qu valor tiene el estimador Jarque Bera? Estimadores: Skewnes 0 Kurtosis3 (Eviews) Ho: Ha: . . Si P_valor entonces los errores siguen una distribucin Normal Si P_valor < entonces los errores no siguen una distribucin Normal. En el caso de que los datos no sean normales corregir datos atpicos. Eliminar los datos atpicos

Estudiar los valores de los errores del modelo.

Hay datos atpicos?

Corregir puntos que no permitan que los errores se encuentren dentro de los lmites de confianza.

Estimacin de Parmetros adecuados

Qu valores de los parmetros del modelo son significativos?

PESO= 1+2X2 +3X3++K XK + Ho: k=0 Ha: k0

Si P_valor entonces se apoya Ha. Si P_valor > entonces se apoya Ho. Si P_value< entonces se acepta la Hiptesis alternativa. Si P_value entonces se accepta la Hiptesis nula. Si se cumple realizar transformacin con AR Si P_value< entonces se rechaza la hiptesis nula, es decir existe correlacin entre los

Investigar la estructura del trmino de error

Los errores son correlacionados?

Ho: Ha:

Investigar si los errores tienen relacin con los regresores.

Existe un modelo que relacione a los errores con los predictores?

errores y los predictores. Ho: Ha: Si P_value entonces se acepta la Hiptesis nula, es decir no existe correlacin entre los errores y los predictores.

Analizar si los trminos del error son homocedsticos.

Las varianzas de los trminos del error son iguales?

Ho: Los trminos homocedsticos. Ha: Los trminos heterocedsticos.

de de

error error

son son

El valor de NR2 es mayor o menor a .

6.2. PANORAMA GENERAL DEL ARIMA

Para iniciar responderemos la pregunta que es un modelo ARIMA???, ARIMA significa Media Mvil Integrada Autorregresiva (Auto-Regressive Integrated Moving Average), en honor a los 3 componentes de ARIMA. Los modelos ARIMA se utilizan mucho en anlisis de series temporales (AST) por su flexibilidad. En adelante llamaremos a la serie temporal (ST). Los mtodos que se usan para encontrar el valor de los parmetros de los modelos ARIMA requieren mucho clculo por lo que se sugiere el apoyo de paquetes computacionales como el SPSS. Los modelos ARIMA combinan tres tipos de procesos: Autorregresin (AR) Diferenciacin, para lograr la desintegracin de la ST (I) Medias Mviles (MA) Las tres estn basadas en el concepto simple de perturbaciones aleatorias o shocks. Entre dos observaciones de una ST, ocurre una perturbacin que de algn modo afecta al nivel de la ST. Estas perturbaciones se pueden describir matemticamente mediante los modelos ARIMA. Cada uno de los tres tipos de procesos tiene su propia forma caractersticas de responder a una perturbacin aleatoria. El ARIMA ms general implica a los tres procesos. Cada uno de ellos est descrito por un nmero entero pequeo. El modelo ARIMA general, despreciando la estacionalidad se describe tradicionalmente como ARIMA (p,d,q), donde: p es el orden de la autorregresin d es el grado de diferenciacin q es el orden de la media mvil implicado.37 Aunque los tres parmetros estn relacionados, se puede examinar cada aspecto por separado. El ANEXO D, muestran algunos patrones que sern de utilidad a lo largo de este trabajo. 6.2.1. AUTOREGRESIN El primero de los tres procesos incluidos en los modelos ARIMA es la autorregresin. En un proceso autorregresivo cada valor de la ST es funcin lineal del valor(es) precedentes. En un proceso autorregresivo de primer orden solo se usa el valor precedente; en un proceso autorregresivo de segundo orden se usa los dos valores precedentes; y as sucesivamente. Estos procesos se llaman normalmente AR(n), en donde el nmero entre parntesis indica el orden. Por tanto, un proceso autorregresivo AR(1) es un proceso autorregresivo de primer orden, donde: Valort = disturbiot + (* Valor t-1) El coeficiente se estima a partir de la ST observada e indica cuan fuerte es la dependencia entre cada valor y el valor precedente. Como el orden de autorregresin es el primer parmetro de ARIMA , un modelo AR(n) es el mismo que un modelo ARIMA (n,0,0). Conceptualmente, un proceso autorregresivo es aquel que tiene memoria, en el sentido de que cada valor est correlacionado con todos los precedentes. En un proceso autorregresivo AR(1) el valor actual es funcin del valor precedente, el cual es, a su vez, funcin del

37

Jos Emilio Gondar Nores, Tcnicas Estadsticas con SPSS I, editorial Data Mining Institute, 1998, p K4.8

precedente a l, y as sucesivamente. Por tanto, cada shock o disturbio al sistema tiene un efecto que disminuye sobre todos los perodos de tiempo subsiguientes. Cuando el coeficiente es mayor que -1 y menor que +1, como es el caso usual, la influencia de las observaciones anteriores muere exponencialmente. 6.2.2. DIFERENCIACIN Las ST a menudo reflejan el efecto acumulativo de algunos procesos. El proceso es responsable de cambios en el nivel observado de la ST, pero no es responsable del nivel mismo. Los niveles del inventario, por ejemplo, no vienen determinados por las recepciones y las ventas de un perodo simple. Estas actividades causan cambios en los niveles de inventario. Los niveles mismos son la suma acumulativa de los cambios en cada perodo. Una ST que mide el efecto acumulativo se llama integrada. A largo plazo, el nivel medio de una ST integrada podra no cambiar, pero a corto plazo los valores puedes desviarse mucho del nivel medio de la ST por puro azar. Se puede estudiar una ST integrada mirando los cambios, o diferencias, desde una observacin a la siguiente. Si un ST no se desva, la diferencia de una observacin a la siguiente es muy pequea. Por tanto, las diferencias se mantienen constantes. Esta constancia, o estacionariedad, de las diferencias, es deseable desde un punto de vista estadstico. La abreviatura estndar de los modelos integrados, o modelos que necesitan ser diferenciados, es: I(1) o ARIMA (0,1,0) Si se necesita ver las diferencias de las diferencias; tales modelos reciben el nombre de I(2) o ARIMA (0,2,0). Un modo de mirar un proceso autorregresivo I(1) es que tiene una memoria perfecta del valor previo pero slo del previo. Excepto para las fluctuaciones aleatorias, cada valor es igual al valor previo. Este tipo de proceso autorregresivo I(1) se llama a menudo un paseo aleatorio, porque cada valor es un paseo (aleatorio) alejado del valor previo. Se puede pensar tambin en un I(1) o modelo ARIMA (0,1,0) como un modelo autorregresivo AR(1) o ARIMA (1,0,0) con un coeficiente de la regresin de 1.0. Es siempre ms fcil mirar a las diferencias que trabajar con los coeficientes de la regresin cerca de 1.0. Ms adelante se estudia ms detalla este componente del ARIMA.38 6.2.3. MEDIAS MVILES El ltimo tipo de procesos usado en ARIMA, y el ms difcil de ver, es la media mvil. En un proceso de media mvil, cada valor est determinado por el promedio de disturbio actual y uno o ms perturbaciones previos. El orden del proceso de medias mviles especifica cuntas perturbaciones estn promediadas en el nuevo valor. La ecuacin de un proceso de medias mviles de primer orden es: Valort = disturbiot- * Valor t-1 En la notacin estndar, un MA(n) o ARIMA (0,0,n) usa n perturbaciones previas, adems de la actual. La diferencia entre un proceso autorregresivo y un proceso de medias mviles es sutil pero importante. Cada valor en una ST de medias mviles es una media ponderada de las perturbaciones aleatorias ms recientes, mientras que cada valor en un proceso autorregresivo es una media ponderada de los valores recientes de la ST. Ya que estos valores, a su vez, son medias ponderadas de las previas, el efecto de una perturbacin dada

38

Jos Emilio Gondar Nores, Tcnicas Estadsticas con SPSS I, editorial Data Mining Institute, 1998, p K4.8

en un proceso autorregresivo disminuye a medida que pasa el tiempo. En un proceso de medias mviles, una perturbacin afecta al sistema durante un nmero finito de perodos ( el orden de las medias mviles) y, luego, cesa bruscamente.

6.3. ETAPAS DE APLICACIN DEL ARIMA

Los tres procesos aleatorios en los modelos ARIMA estn muy relacionados, no hay un algoritmo del ordenador que pueda determinar el modelo correcto. En su lugar, hay un procedimiento de construccin del modelo, descrito por Box y Jenkins, que permite construir el mejor modelo posible para una ST. Este mtodo consiste en tres pasos: 1. Identificacin 2. Estimacin 3. Diagnstico (O Validacin) Que se repiten hasta que el modelo empieza a dar unos resultados satisfactorios. La ilustracin 46 muestra el proceso iterativo utilizado por el proceso de pronsticos ARIMA.

6.3.1. IDENTIFICACIN
El primer paso en la construccin de un modelo ARIMA es la identificacin de los procesos subyacentes en la ST. Para identificar el proceso subyacente, se determina, en primer lugar, a partir de un grfico si la ST es o no estacionaria, ya que el proceso de identificacin para los componentes de AR y MA requiere que la serie temporal sea estacionaria. Una serie temporal estacionaria es aquella que tiene la misma media y varianza a lo largo de todo el tiempo. Los procesos autorregresivos y de medias mviles son inherentemente estacionarios, dados ciertos contrastes sensibles de sus parmetros; las Series temporales integradas son tpicamente no estacionarias. Una vez obtenida una serie estacionaria, se conoce el segundo parmetro ARIMA, d. El parmetro d es simplemente el nmero de veces que se tuvo que diferenciar para hacer la Serie estacionaria. Usualmente d es igual a 0 o a 1. Despus, se pueden identificar los parmetros p y q, los rdenes de autorregresin y de medias mviles. En los procesos no estacionales tanto p como q son usualmente pequeos: 0 , 1 o 2 cuando mucho. La funcin de autocorrelacin simple (ACF) y la funcin de autocorrelacin parcial (PACF) de una serie temporal revela usualmente los valores correctos de p y q. La ACF proporciona autocorrelaciones calculadas en retaros 1, 2 y as sucesivamente. La funcin de autocorrelacin parcial (PACF) proporciona las autocorrelaciones parciales correspondientes, controlando por la autocorrelaciones en los retardos intervinientes. Los modelos AR(p) tienen valores de ACF exponencialmente declinantes (posiblemente con los valores alternos positivos y negativos), y tienen precisamente picos en los primeros p valores de la PACF. Los modelos MA (q) tienen precisamente q picos en los primeros q valores de la ACF, y valores de la PACF exponencialmente declinantes. Si la ACF declina muy lentamente, se deben tomar diferencias antes de identificar el modelo. Los modelos mixtos AR y MA tienen comportamientos de ACF y PACF ms complejos. La identificacin de estos modelos lleva varios ciclos de identificacin, estimacin, diagnstico, y ser motivo de un anlisis posterior. En la ilustracin 47, se puede apreciar que la serie muestra procesos subyacentes inherentes, como la estacionalidad, que se presenta cada siete das, la tendencia as como la estacionariedad de los datos.

Datos de la ST

Identificacin Clculo de estadstico de la ST Transformacin de la ST

Es la serie estacionaria? S Seleccin de p, q y decisin sobre la inclusin de mu

No

Seleccin de d

Estimacin

Clculo de estimadores Clculo de estadsticos de estimadores y residuos

Validacin

No Es el modelo adecuado? S

Prediccin

Seleccin de los perodos de prediccin

Clculo de predicciones Clculo de estadsticos para evaluacin de la capacidad predictiva

Predice correctamente?

No

Tarea realizada por el analista

Tarea realizada por el software.

Ilustracin 46 Proceso Iterativo utilizado en los modelos ARIMA

300000,00

250000,00

Pasajeros Corregido

200000,00

200882.221266256

Media de la serie

150000,00

100000,00

50000,00

1 8 FRI 15 23 30 37 44 51 THU SAT SUN MON TUE WED THU

58 FRI

65 73 80 87 94 101 SAT SUN MON TUE WED THU

108 FRI

115 123 130 137 144 151 SAT SUN MON TUE WED THU

158 FRI

165 173 180 187 194 201 SAT SUN MON TUE WED THU

208 FRI

Fecha
Ilustracin 47 Serie Temporal de la demanda de pasajeros con la media general de la serie.

Por lo tanto, en cuanto al anlisis de que si la serie es o no estacionaria, hemos inicialmente trazado la lnea de la media general en la grfica de secuencias, analizando los puntos cerca a la media, se observa el crecimiento de los datos evidenciando una vez ms la tendencia presente en la serie. Con respecto a la variabilidad, es claro que conforme pasan los das los datos se vuelven ms distantes de su media. En conclusin vemos que nos enfrentamos al anlisis de una serie de tiempo NO estacionaria, basados en que no muestra una media constante en el tiempo y la variabilidad se muestra cambiante a largo plazo, en donde es evidente un procedimiento de diferenciacin y no solo en la serie como tal sino tomando en cuenta la presencia de estacionalidad, proceso que se vuelve un poco ms complejo de analizar. Las tcnicas del modelado ARIMA asumen que la estacionariedad- es decir, a lo largo del curso de la serie de tiempo, tanto la media a corto plazo como la varianza a corto plazo son constantes. Cuando la media no es constante, normalmente se puede estabilizarla tomando diferencias en la serie de tiempo, pero la diferenciacin no estabilizar la varianza. Para series temporales, en las que la varianza es mayor que cuando es mayor la media, una transformacin logartmica hace a menudo constante a la varianza. La mayora de los procedimientos de tendencias de SPSS pueden ejecutar transformaciones logartmicas al vuelo dejando inalterada a la serie de tiempo original, por lo que no se deben transformar permanentemente los datos.39 Los modelos ARIMA estacionales, son ms complejos que los Modelos ARIMA no estacionales, pero tienen los mismos componentes: Un modelo autoregresivo estacional expresa la observacin actual como una funcin lineal de la alteracin actual y una o ms observaciones previas. La diferenciacin actual transforma los datos sustrayendo las observaciones retardadas por el perodo estacional. Para datos mensuales, se sustraen las observaciones del mismo mes del ao previo. Exactamente a cmo una diferenciacin reduce la longitud de una serie de tiempo en 1, la diferenciacin estacional reduce la serie temporal en un perodo. Un modelo de Medias Mviles estacional expresa la observacin actual como una funcin lineal de la alteracin actual y una o ms alteraciones previas. Para un modelo ARIMA estacional, se debe especificar el perodo. La ST en estudio tiene un perodo estacional de siete das, definido en el captulo IV. Aunque los modelos ARIMA estacionales son conceptualmente similares a los modelos no estacionales, pueden ser ms difciles. Existen dos problemas bsicos para la identificacin de un modelo estacional: Longitud de la Serie de tiempo Original. Para estimar los coeficientes de un modelo ARIMA estacional, se deberan tener, al menos, suficientes datos para siete u ocho perodos. Los modelos basados en Series de tiempo ms cortas son probablemente poco fiables. Confusin de los efectos estacionales y no estacionales. Es fcil determinar que un proceso estacional est presente si la ACF, la PACF o ambos muestran valores

39

Jos Emilio Gondar Nores, Tcnicas Estadsticas con SPSS II, editorial Data Mining Institute, 1998, p L1.7

significativos en los retardos que son mltiplos del perodo estacional, se sabe que hay un proceso estacional. Es menos fcil identificar el proceso implicado.

6.3.2. ESTIMACIN
En esta fase se realiza el anlisis de la serie temporal pasajeros corregidos, que fue el resultado de haber corregido los outliers en la serie original generando inicialmente un grfico ACF y PACF. Las instrucciones utilizadas en SPSS se muestran en la ilustracin 48 y fueron: Analizar>Series Temporales>Autocorrelaciones Variables: Pasajeros Corregidos Mostrar: Autocorrelaciones:OK Autocorrelaciones parciales.OK Opciones: OK Nmero mximo de retardos:21 (para tomar 3 perodos) Mtodo del error tpico>Modelo de independencia. Continuar>Aceptar

Ilustracin 48 Instrucciones para calcular las autocorrelaciones y autocorrelaciones parciales en SPSS

Autocorrelacin (ACF)
Pasajeros Corregido
1.0

Autocorrelacin Parcial (PACF)

Pasajeros Corregido

1.0

0.5
0.75 0.73 0.74

0.5
0.64

0.27

0.18

0.19

0.16

0.18

0.18

ACF parcial

ACF

0.27

0.25

0.31

0.0
-0.22 -0.24 -0.23 -0.23 -0.25 -0.26 -0.25 -0.24 -0.26 -0.27 -0.28 -0.26

-0.08

-0.0 6

-0. 04

-0.0 7

-0. 06

-0. 04

-0.26

-0.26

-0.5

Coeficiente Lmite de confianza superior Lmite de confianza inferior

-0.5

-0.34

-0.28

-0.19

-0. 04

0.0

0.0 5

0.08

0.1

0.21

Coeficiente Lmite de confianza superior Lmite de confianza inferior

-1.0

-1.0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

10 11 12 13 14 15 16 17 18 19 20 21

Nm. de retardos

Nm. de retardos

Ilustracin 49 Grfica de las autocorrelaciones y autocorrelaciones parciales de la serie original

La ilustracin 49 muestra las grficas de las autocorrelaciones en las que se puede ver grandes valores en los retardos 7, 14, 21. La lentitud con la que declinan estos valores en los retardos estacionales confirma la sospecha de que se requiere la diferenciacin estacional para conseguir una media estacionaria. Confirmado el carcter estacional, se van a calcular las autocorrelaciones con diferenciacin estacional con el paquete SPSS, para ello se procede como muestra la ilustracin 50 aplicando los siguientes comandos: Analizar>Series Temporales>Autocorrelaciones Variables: Pasajeros Corregidos Mostrar: Autocorrelaciones:OK Autocorrelaciones parciales.OK Diferencia ciclo:1 Opciones: OK Nmero mximo de retardos:21 (para tomar 3 perodos) Mtodo del error tpico>Modelo de independencia. Continuar>Aceptar

Ilustracin 50 Instrucciones en SPSS para el clculo de las autocorrelaciones y autocorrelaciones parciales con una diferenciacin estacional

Autocorrelacin (1 diferenciacin estacional)

Autocorrelacin Parcial ( 1diferenciacin estacional)

Pasajeros Corregido
1.0

Pasajeros Corregido
1.0

0.5

0.5

ACF parcial

0.34

0.34

ACF

0.19

0.1

-0.13

-0.14

-0.14

-0.1

-0.45

-0.41

-0.26

-0.16

0.0

0.0

0.13

-0.5

Coeficiente Lmite de confianza superior Lmite de confianza inferior

-0.5

Coeficiente Lmite de confianza superior Lmite de confianza inferior

-1.0

-1.0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

Nm. de retardos

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

Nm. de retardos

Ilustracin 51 Grficas de las autocorrelaciones y autocorrelaciones parciales con una diferenciacin estacional

La ilustracin 51 es el resultado del procedimiento anterior, en la que se puede observar que la diferenciacin estacional ha suavizado las rpidas fluctuaciones estacionales. El ACF an muestra accin no estacional, con un solo pico estacional emergente en el retardo 7. La PACF muestra un gran saliente en el 7, uno menor en el 14, y quizs otro supuesto en el 21. Comprobando los patrones establecidos en el ANEXO D, se descubrir que el patrn caracterizado por Dos picos de la ACF y un pico en PACF, indica un proceso autorregresivo, en este caso un proceso AR(1) con media mvil MA(2). Estos grficos eran Series Temporales diferenciadas estacionalmente, por lo que el modelo tentativo estacional es (1,1,2). El paso siguiente en este anlisis de la serie temporal es estimar el coeficiente AR(1) y MA(2) en el modelo estacional, por lo que se puede presentar la ACF de los residuales y conseguir una panormica mejor del modelo implicado. Estimando el modelo estacional, se espera obtener una serie temporal de residuales libres de los efectos estacionales. Esta es slo una estimacin preliminar del modelo estacional, por tanto, no se est interesado en los detalles de este modelo, sino slo en los residuales. Por lo que activamos la funcin slo parmetros finales. Las instrucciones en SPPS son las siguientes: Analizar>Series Temporales>ARIMA Dependiente: Pasajeros Corregidos Autorregresivo en ciclo: 2 Diferenciacin en ciclo: 1 Media Mvil en ciclo: 1 Guardar:OK Slo parmetros finales Continuar>Aceptar

Q=2 Un pico

P=1 Un pico

Ilustracin 52 Instrucciones en SPSS para el clculo de los errores de un modelo estacional ARIMA (1,1,2)

SPSS ha creado 5 series estas son:

Ilustracin 53 Series creadas por SPSS con la corrida del ARIMA estacional (1,1,2)

La serie ERR-1 contiene los residuales del modelo estacional aplicado. Si la identificacin del modelo estacional de este ejemplo fuese correcta, estos residuales mostraran la porcin no estacional del modelo. (Si fuese incorrecta, todava mostrara autocorrelaciones a retardos estacionales). Para poder concluir sobre este aspecto SPSS aplica las instrucciones de la ilustracin 54 que son las siguientes: Analizar>Series Temporales>Autocorrelaciones Variables: ERR-1 Mostrar: Autocorrelaciones:OK Autocorrelaciones parciales.OK Opciones: OK Nmero mximo de retardos:21 (para tomar 3 perodos) Mtodo del error tpico>Modelo de independencia. Continuar>Aceptar

Ilustracin 54 Instrucciones en SPSS para el clculo de las autocorrelaciones y autocorrelaciones parciales sobre los residuos del ARIMA estacional (0,0,0)(0,1,0)

Autocorrelacin de los errores del ARIMA ESTACIONAL (1,1,2)

Error para Pasajeros_1 de ARIMA (0,0,0)(1,1,2)
1.0

Autocorrelacin Parcial de los errores del ARIMA ESTACIONAL (1,1,2)

Error para Pasajeros_1 de ARIMA (0,0,0) (1,1,2)
1.0

0.5

0.5

0.0

ACF parcial
Coeficiente Lmite de confianza superior Lmite de confianza inferior

ACF

0.0

-0.5

-0.5

-1.0

-1.0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

Coeficiente Lmite de confianza superior Lmite de confianza inferior

Nm. de retardos

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

Nm. de retardos

Ilustracin 55 Graficas de las autocorrelaciones y autocorrelaciones parciales del ARIMA (0,0,0)(1,1,2)

La ilustracin 55 muestra que la ACF empieza con dos retardos grandes y que muere lentamente a partir del tercer retardo y que la APCF en cambio muere rpidamente con un pico alto al inicio. Adems se puede ya estar seguros que la serie se ha logrado transformar en una serie no estacionaria por el comportamiento de los residuales en su gran mayora igual a cero y oscilantes a una media constante. Comparando este patrn con los del ANEXO D, se decide que el modelo no estacional puede ser un ARIMA (1,0,0). (Recurdese que un ACF que decae lentamente pude significar una serie integrada, lo que es equivalente a un modelo AR(1) con un coeficiente de 1.0). EL modelo tentativo entonces, con efectos estacionales y no estacionales es ARIMA (1,0,0) (2,1,1)7. El procedimiento necesario en SPSS se muestra en la ilustracin 56 cuyo procedimiento es: Analizar>Series Temporales>ARIMA Dependiente: Pasajeros Corregidos Autorregresivo en ciclo: 1 Diferenciacin en ciclo: 1 Media Mvil en ciclo: 2 Autorregresivo: 1 Diferenciacin: 0 Media Mvil: 0 Incluir constante en el modelo:OK Opciones:OK Slo parmetros finales Continuar>Aceptar

Ilustracin 56 Clculo de los coeficientes autoregresivos y media mvil del ARIMA no estacional.

SPSS da como resultados los datos de la tabla 10:

Tabla 10 Resultados obtenidos aplicando el ARIMA (1,0,0)(1,1,2) a la serie pasajeros corregidos.

* ARIMA. TSET PRINT=DEFAULT CIN=95 NEWVAR=ALL . PREDICT THRU END. ARIMA Pasajeros_1
Descripcin del modelo Nombre del modelo Serie dependiente Transformacin Constante AR Diferenciacin no estacional MA AR estacional Diferenciacin estacional MA estacional Longitud del perodo estacional Aplicando las especificaciones del modelo de MOD_14 Resumen del procesamiento de los casos Longitud de la serie Nmero de casos omitidos debido a los valores perdidos Al comienzo de la serie Al final de la serie 0 1462 0 1, 2 7 Ninguno 1 1 MOD_14 Pasajeros Corregido Ninguno Incluida 1 0

/MODEL=( 1 0 0 )( 1 1 2 ) CONSTANT /MXITER= 10 /PAREPS= .001 /SSQPCT= .001 /FORECAST= EXACT .

Criterios de finalizacin de las iteraciones Cambio mximo en los parmetros menor que Mxima constante de Marquardt mayor que Cambio en el porcentaje de la suma de cuadrados menor que Nmero de iteraciones igual a

.001 1000000000

.001%

10

Configuracin inicial solicitada Retardos no estacionales Retardos estacionales AR1 Estacional AR1 Estacional MM1 Estacional MM2 AUTO AUTO AUTO AUTO

Nmero de casos con valores perdidos dentro de la serie Nmero de casos pronosticados Nmero de casos nuevos aadidos al archivo de trabajo actual a Se utilizar el algoritmo de Melard para la estimacin.

0(a)

AUTO(a) a El valor del parmetro anterior no es vlido y se ha restablecido en 0,1.

Constante

659

Historial de iteraciones

Retardos no estacionales

Retardos estacionales Estacional AR1 Estacional MM1 -.071 .538 .626 .770 .852 .893 Estacional MM2 -.071 .538 .626 .770 .852 .893 Suma de cuadrados corregida 965885047464.471 826336355414.609 815697662687.067 815444676638.425 815395894023.970 815385049817.560(a) Constante de Marquardt .001 .001 .000 .000 .000 .000

AR1 0 1 2 3 4 5 .342 .364 .378 .382 .382 .382

Constante 117.690 86.905 85.436 85.296 85.248 85.231

-.647 -.289 -.300 -.161 -.080 -.041

Se ha utilizado el algoritmo de Melard para la estimacin. a La estimacin finaliz en esta iteracin, ya que la suma de los cuadrados disminuy en menos de .001%.

Diagnstico residual Nmero de residuos Nmero de parmetros GL residuales Suma de cuadrados residual corregida Suma de cuadrados residual Varianza residual Error tpico del modelo Log-verosimilitud Criterio de informacin de Akaike (AIC) Criterio bayesiano de Schwarz (BIC) 1455 4 1450 815385031824.222 965885047464.471 548360869.472 23417.106 -16719.608 33449.217 33475.631

Estimaciones de los parmetros Estimaciones .382 -.041 .893 .107 85.231 Error tpico .024 .410 .678 .403 17.453 t 15.776 -.100 1.317 .265 4.884 Sig. aprox. .000 .920 .188 .791 .000

Retardos no estacionales Retardos estacionales

AR1 Seasonal AR1 Seasonal MA1 Seasonal MA2

Constante Se ha utilizado el algoritmo de Melard para la estimacin.

Matriz de correlaciones Retardos no estacionales AR1 Retardos no estacionales Retardos estacionales AR1 Seasonal AR1 Seasonal MA1 Seasonal MA2 1.000 .033 .037 -.031 0(a)

Retardos estacionales Seasonal AR1 .033 1.000 .707 -.988 0(a) Seasonal MA1 .037 .707 1.000 -.605 0(a) Seasonal MA2 -.031 -.988 -.605 1.000 0(a) Constante 0(a) 0(a) 0(a) 0(a) 1.000

Constante

Se ha utilizado el algoritmo de Melard para la estimacin. a La estimacin del parmetro ARMA y la estimacin de los parmetros de la regresin no estn correlacionados asintticamente.

En la estimacin de los parmetros del modelo ARIMA (p,d,q) (P,D,Q), se tendr especial cuidado con el problema de la sobre parametrizacin, es decir, con no hacer excesivas diferenciaciones, ya que derrochan (al despreciar datos) informacin, sin aportar ms informacin al modelo. Cada vez que se intenta diferenciar, aumentan los rdenes para los polinomios, manteniendo fijos todos los parmetros de ARIMA menos uno.

En el ajuste del modelo estacional ARIMA a los datos se utiliza siempre el mtodo de parsimonia, que aconseja un nmero mnimo de coeficientes para conseguir el mximo ajuste. Para la estimacin de los parmetros del modelo propuesto, se utiliza el algoritmo de Melard que es un mtodo de optimizacin basado en el algoritmo de mnimos cuadrados no lineal e iterativo que es utilizado por ARIMA para hallar estimaciones ptimas de los parmetros.40 La dificultad de la estimacin no lineal con restricciones, es que puede haber ms de un mnimo y se puede llegar a situaciones en que encontremos el mnimo local en vez del global. Ello exige, probar combinaciones de parmetros que permitan partir de una buena posicin en la superficie de coste y comprobar que tenemos la varianza residual mnima41 El modelo ARIMA se basa, para su ajuste, en la funcin de verosimilitud. Los estadsticos AIC (Criterio de Informacin de Akaike), SBC (Criterio bayesiano de Schwarz); ofrecen informacin sobre la adecuacin del modelo. Cuanto menores son dichos estadsticos mejor es la adecuacin del modelo ARIMA. Aadiendo ms trminos, ms variables, a un modelo la funcin de verosimilitud mejorar y si la muestra es grande ser difcil distinguir mediante el contraste del cociente de verosimilitud entre una mejora "real" y una aportacin trivial. El modelo perfecto no existe, puesto que todos constituyen simplificaciones de la realidad y siempre son preferibles modelos con menos variables, puesto que adems de ser ms sencillos, son ms estables y menos sometidos a sesgo. Por ello se han propuesto otras medidas de contraste entre modelos que penalizan en alguna medida que stos tengan muchos parmetros. Las ms conocidas y que suelen figurar en las salidas de ordenador son el criterio de informacin de Akaike, AIC, y criterio de informacin bayesiano, BIC. AIC=-2(ln verosimilitud - n parmetros) En principio el criterio de seleccin ser escoger modelos con valores ms bajos de AIC. La frmula para el BIC es similar, as como su interpretacin: BIC=G - gl . ln N donde G es el cociente de verosimilitud, gl son los grados de libertad y N el tamao de la muestra. Tambin escogeremos modelos con menor valor de BIC.42

Por otra parte, otro indicativo del grado de ajuste del modelo ARIMA a los datos es la varianza de la suma de cuadrados residuales. Cuanto menor es dicho valor, mejor es el ajuste de los datos de la serie de tiempo al modelo. Por ltimo, existe otro modo de detectar un adecuado ajuste de los datos a un modelo estacional ARIMA; consiste en observar la columna etiquetada Sig. Aprox. Este valor representa el nivel de significacin de la prueba que contrata la Hiptesis siguiente:
40

http://www.estadistico.com/dic.html?p=18, consultada el 13 de abril de 2009.

41

Anlisis comparativo de los mtodos de previsin univariante, Box-Jenkins, redes neuronales artificiales y espacios de Estado, Garca, Pino Diez, Surez , Rodrguez, Universidad de Oviedo, 1996.
42

http://www.seh-lelha.org/maxverosim.htm, consultada el 13 de abril de 2009.

Ho: Un componente dado del ARIMA tiene un parmetro Bi=0 Ha: Dicho componente del ARIMA tiene algn parmetro Bi0 Si algn componente del modelo ARIMA no alcanzara significacin, se debera pensar que el modelo no es adecuado si se incluye dicha componente y habr que eliminarla. En nuestro caso aceptamos Ho para seasonal MA(1),seasonal MA(2) y seasonal AR(1), en las que los niveles de significancia son mayores a un =0,05. El estadstico Error tpico del modelo es la estimacin de la desviacin tpica del ruido blanco. Por lo tanto con los estadsticos de los parmetros comenzamos a ajustar el modelo encontrado y realizamos las corridas pertinentes. A continuacin mostramos una tabla en la que se muestran los indicativos para determinar el mejor modelo. Comenzaremos modificando uno por uno los trminos del ARIMA (1,0,0) (1,1,2), en primer lugar modificaremos el valor ms alto de la significancia en la tabla de la estimacin de los parmetros seasonal MA(2) en la que alcanz un valor de 0,791 como vemos que quizs el parmetro seasonal AR(1) hace significativo al parmetro modificamos del ARIMA actual a un ARIMA (1,0,0) (1,1,1). De este modo, iremos analizando los resultados analizando los parmetros de decisin mostrando inters en disminuir el AIC y el SBC as como la suma de cuadrado de los errores y obtenemos la siguiente tabla:

Tabla 11 Clculos de algunos modelos ARIMAS estacionales.

ARIMA (1,0,0) (1,1,1).

Diagnstico residual Nmero de residuos Nmero de parmetros GL residuales Suma de cuadrados residual corregida Suma de cuadrados residual Varianza residual Error tpico del modelo Log-verosimilitud Criterio de informacin de Akaike (AIC) Criterio bayesiano de Schwarz (BIC) 1455 3 1451 815397591025.321 947421050455.975 548022468.982 23409.880 -16719.630 33447.260 33468.391

ARIMA (1,0,1) (1,1,1).

Diagnstico residual Nmero de residuos 1454 Nmero de 4 parmetros GL residuales 1449 Suma de cuadrados 803678263148.044 residual corregida Suma de cuadrados 953292562367.041 residual Varianza residual 542244297.113 Error tpico del modelo 23286.140 Log-verosimilitud -16698.065 Criterio de informacin 33406.131 de Akaike (AIC) Criterio bayesiano de 33432.541 Schwarz (BIC) Estimaciones de los parmetros
Sig. aprox. .000 .014 .048 .000

Estimaciones de los parmetros Error tpico .024 .027 .506

Estimaciones Retardos no estacionales Retardos estacionales AR1 Seasonal AR1 Seasonal MA1 .383 .066 1.000

t 15.799 2.449 1.976 4.851

Retardos no estacionales Retardos estacionales

85.231 17.571 Se ha utilizado el algoritmo de Melard para la estimacin.

Constante

AR1 MA1 Seasonal AR1 Seasonal MA1

Estimaciones .327 -.051 .053 .997

Error tpico .067 .070 .027

t 4.908 -.719 1.969

Sig. aprox. .000 .472 .049 .000 .000

.020 49.863

88.676 16.936 5.236 Se ha utilizado el algoritmo de Melard para la estimacin.

Constante

Tabla 12 Clculo de algunos modelos ARIMAS estacionales.

ARIMA (2,0,1) (1,1,1).

Diagnstico residual Nmero de residuos 1454 Nmero de 5 parmetros GL residuales 1448 Suma de cuadrados 799845963036.322 residual corregida Suma de cuadrados 965127815660.976 residual Varianza residual 539233402.164 Error tpico del modelo 23221.400 Log-verosimilitud -16694.602 Criterio de informacin 33401.203 de Akaike (AIC) Criterio bayesiano de 33432.896 Schwarz (BIC) Estimaciones de los parmetros Error tpico .027 Sig. aprox. .000 .000 .000 .124 .000 .000 Retardos estacionales Constante Retardos no estacionales

ARIMA (2,0,1) (0,1,1).

Diagnstico residual Nmero de residuos 1454 Nmero de 4 parmetros GL residuales 1449 Suma de cuadrados 801113258194.452 residual corregida Suma de cuadrados 1007403676731.201 residual Varianza residual 541355063.801 Error tpico del modelo 23267.038 Log-verosimilitud -16695.720 Criterio de informacin 33401.441 de Akaike (AIC) Criterio bayesiano de 33427.851 Schwarz (BIC) Estimaciones de los parmetros Error tpico .027 .026 .011 .011 Sig. aprox. .000 .000 .000 .000 .000

Estimaciones Retardos no AR1 estacionales AR2 MA1 Retardos Seasonal estacionales AR1 Seasonal MA1 Constante -.607 .352 -.988 .043 .999

Estimaciones AR1 AR2 MA1 Seasonal MA1 -.602 .350 -.985 .994

t 21.953 13.511 90.432 92.191

22.479 .026 13.708 .010 97.908 .028 1.540

.039 25.624

88.698 16.721 5.305 Se ha utilizado el algoritmo de Melard para la estimacin.

88.762 17.152 5.175 Se ha utilizado el algoritmo de Melard para la estimacin.

Estando an en el paso de estimacin de parmetros, observamos que hasta este momento el modelo se encuentra en ajustes. Ahora bien vemos que en los ltimos dos modelos tenemos mejores resultados, sin embargo con el ltimo modelo ARIMA (2,0,1) (1,1,1) logramos tener que todos los parmetros sean significativos y a pesar de ello los parmetros AIC y BIC no sufren un decrecimiento significativo y al contrario la suma de cuadrados de los residuales aumenta por lo que la decisin ser quedarnos con el ARIMA (2,0,1) (1,1,1), a pesar de que la componente del autorregresivo del ARIMA estacional no salga tan significativo como el de los otros trminos. El siguiente paso es verificar los resultados que obtendremos sobre los residuos del modelo seleccionado, para ratificar el supuesto de que los errores obtenidos son estadsticamente nulos. Si esto ocurre el modelo estimado ser el correcto.

6.3.3. VALIDACIN
El anlisis con el ARIMA (2,0,1) (1,1,1), generaron las 5 variables explicadas en casos anteriores y entre ellas los errores obtenidos, por lo que esta serie del error permanece como objeto de estudio aplicando el anlisis de las autocorrelaciones. As, aplicando las instrucciones en SPSS como se muestra en la ilustracin 57, se obtiene los siguientes resultados: Analizar>Series Temporales>Autocorrelaciones Variables: ERR-1 Mostrar: Autocorrelaciones:OK Autocorrelaciones parciales.OK Opciones: OK Nmero mximo de retardos:21 (para tomar 3 perodos) Mtodo del error tpico>Modelo de independencia. Continuar>Aceptar

Ilustracin 57. Instrucciones en SPSS para calcular las autocorrelaciones y autcorrelaciones parciales sobre los errores del modelo estacional ARIMA (2,0,1)(1,1,1)

Autocorrelacin de los errores del ARIMA (2,0,1) (1,1,1)

Autocorrelacin Parcial de los errores del ARIMA (2,0,1) (1,1,1)

Error para Pasajeros_1 de ARIMA(2,0,1) (1,1,1)

1.0

Error para Pasajeros_1 de ARIMA (2,0,1) (1,1,1)

1.0

0.5

0.5

ACF parcial
Coeficiente Lmite de confianza superior Lmite de confianza inferior

ACF

0.0

0.0

-0.5

-0.5 Coeficiente Lmite de confianza superior Lmite de confianza inferior -1.0

-1.0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28

Nm. de retardos

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28

Nm. de retardos
Ilustracin 58 Grfica de las autocorrelaciones y autocorrelaciones parciales del modelo estacional ARIMA (2,0,1)(1,1,1).

Se presentan una gran cantidad de valores para que las autocorrelaciones y autocorrelaciones parciales de los errores del modelo ARIMA (2,0,1)(1,1,1) sean considerados estadsticamente no significativos (ver ilustracin 58). Por lo tanto, se puede concluir que el modelo elegido es el correcto. Se necesita en esta fase, diagnosticar el modelo, para ello se deben activar los casos estimados para el perodo de validacin esto fue planteado en el Captulo IV y son desde la semana 210 da 3 hasta la semana 266 da 7. Esto con el objetivo principal de poder analizar como se comporta el modelo estacional ARIMA frente a los datos reales. En SPSS las instrucciones a seguir son las siguientes y se muestran en la ilustracin 59: Datos>Seleccionar datos Seleccionar: Basndonos en el rango de tiempo o de los casos: OK Semana primer caso: 210 Da primer caso: 3 Semana ltimo caso: 266 Da ltimo caso: 7 Aceptar

Ilustracin 59 Habilitacin de toda la serie de datos para calcular el pronstico.

Se presentan entonces las observaciones junto con la nueva serie de tiempo fit-1 obtenido del modelo ARIMA (2,0,1) (1,1,1). El cuadro de dilogo que nos permite activar estos casos se muestra en la ilustracin 60. Y las instrucciones en SPSS son las siguientes: Analizar>Series Temporales>Grfico de secuencias Variables: Pasajeros corregidos Fit-1(ajuste para pasajeros corregidos) Aceptar.

Ilustracin 60 Instrucciones en SPSS para graficar la secuencia de la serie de tiempo original y la prediccin.

300,000

Pasajeros Corregido Ajuste para Pasajeros_1 de ARIMA, MOD_16, CON

250,000

200,000

150,000

100,000

50,000
210 TUE 217 WED 224 THU 231 FRI 238 SAT 246 SUN 253 MON 260 TUE

Fecha
Ilustracin 61 Datos reales Vs. Prediccin con modelo estacional ARIMA (2,0,1)(1,1,1) en el perodo de validacin

En la ilustracin 60, se aprecia que en el perodo de validacin el ajuste es un poco distante a la realidad sin embargo el modelo toma en cuenta la periodicidad as como la tendencia intentando en lo posible mantenerse cerca de la demanda real, el modelo aparentemente parece tener un mejor ajuste que los modelos estudiados anteriormente, sin embargo, la comparacin de la suma de cuadrados de los residuales ser el criterio para ratificar esta suposicin.

6.3.4. PREDICCIN Por ltimo, realizaremos la prediccin para un ao, los pronsticos calculados para cada da se encuentran en el ANEXO E.

Perodo histrico

Perodo de Validacin

Prediccin

Ilustracin 62 Serie de pasajeros transportados Vs. Prediccin con el Modelo ARIMA (2,0,1)(1,1,1)

La comparacin de este mtodo de prediccin con los anteriores es inminente, y se la realiza sobre la base del anlisis de la suma de cuadrados de los modelos del captulo anterior y los obtenidos con el modelo de Box Jenkings, as se tiene:

Sumas de los errores cuadrticos

Promedio 19.1%

Exponencial nico 21.1% Holt 16.2%

Ingenuo 30.2%

Modelos ARIMA 3.5%

Descomposicin estacional 6.0%

Winters 3.9%

Ilustracin 63 Comparacin de las sumas de cuadrados de los mtodos de series de tiempo.

En base a esta comparacin y recordando que la suma de los cuadrados de este anlisis es del ARIMA estacional (2,0,1)(1,1,1) cuyos estadsticos fueron los ms ptimos, se prefiere la prediccin del modelo ARIMA frente a los otros modelos propuestos. Por ello, el objetivo de encontrar el mejor modelo nos acerca a realizar las proyecciones de un ao meta de este trabajo mediante la utilizacin del mtodo de prediccin con el Modelo ARIMA estacional (2,0,1)(1,1,1). Sin embargo, la ilustracin 63, muestra tambin resultados interesantes si comparamos la suma de cuadrados obtenidos del modelo de Winters y los obtenidos con el modelo estacional ARIMA la diferencia no es tan marcada, por lo que bien se podra elegir el modelo de Winters para realizar la prediccin del ao 2009. Esto basado en varios motivos que se pueden pensar, entre ellos es que el modelo de Winters no requiere de un anlisis muy largo como lo exige el modelo ARIMA estacional, y no se cuenta con ms criterios para probar la bondad del ajuste ms que la suma de cuadrados de los errores. En este sentido, y pensando que uno de los objetivos planteados era proveer de una herramienta confiable, fcil y rpida para los administradores del transporte para que pudiesen realizar pronsticos sugeriramos se aplicase el mtodo de Winters para el pronstico, sin embargo a ello, y tomando el criterio de dar unos pronsticos ms confiables por motivos didcticos realizaremos las predicciones con el modelo ARIMA estacional. Estos resultados se presentan en el ANEXO E.

SI bien hasta ahora se encontr el modelo que mejor se ajusta a los datos reales, los errores que se generan hasta ahora siguen siendo altos, lo que genera la expectativa de seguir en la bsqueda de modelos y tcnicas ms actuales para mejorar los resultados y aunque este trabajo aplica hasta aqu los modelos estudiados, presenta sin embargo unas posibles tcnicas ms actuales que quizs puedan mejorar el ajuste hasta ahora encontrado. Lo que resta de este captulo se encarga de dar una panormica general de los modelos que contina a lo que hasta ahora se ha estudiado, planteando como posibles aplicaciones futuras para los interesados.

6.4. ALGUNOS OTROS MODELOS TILES

Hasta ahora se ha probado algunos modelos de series de tiempo con el objetivo de encontrar un modelo que permita ajustar los datos histricos de la serie, sin embargo, hasta la actualidad se a avanzado an ms sobre este tema. Especialistas, interesados y cientficos van desarrollando mejoras a los mtodos anteriores y van creando innovaciones en los mtodos nuevos de prediccin. A continuacin, se mencionan un par de avances en este tema, esto con la finalidad de marcar posibles lneas de investigacin para los interesados. Las dos tcnicas de prediccin incluyen una breve panormica sobre el mtodo, mencionado algunas partes relevantes de cada mtodo. 6.4.1. ANLISIS ESPECTRAL: UNA PANORMICA GENERAL: El anlisis espectral trata de los ritmos. Se usa para descubrir varios tipos de comportamiento peridico en series de tiempo, aunque se puede usar para datos no peridicos. Un anlisis espectral de una serie temporal proporciona una descripcin de esa serie temporal en trminos de los ciclos de diferente (longitud de) perodo o frecuencia que genera la serie temporal. Esta serie de tiempo se representa en un grfico llamado periodograma, que muestra una estimacin de la cantidad de varianza de la serie de tiempo contabilizada por los ciclos de cada frecuencia. El anlisis espectral se puede aplicar tambin a pares de series para examinar su covariacin en cada frecuencia. Aunque las descripciones espectrales se dan en trminos de frecuencias o periodos de los ciclos de los componentes, hay una relacin exacta (pero complicada) entre la representacin de las frecuencias y las autocorrelaciones de la serie. La misma informacin se ofrece de diferentes formas en el periodograma y el grfico ACF. A menudo se espera que las periodicidades estn presentes en los datos; en otras ocasiones, el anlisis ser puramente exploratorio. Tambin resulta, a menudo, de inters determinar la magnitud relativa y la fase (cun lejos se sitan un ciclo o un retardo determinado de otro) de varias variaciones peridicas. A veces las periodicidades de los datos son inmediatamente obvias y una descripcin espectral slo confirmar lo que es visualmente aparente. Cuando varias frecuencias diferentes ocurren conjuntamente, o cuando hay una cantidad considerable de ruido aleatorio o estadstico en los datos, el anlisis espectral es ms fructfero. El anlisis espectral es casi por entero un modelo libre. Analiza una serie dentro de las olas de seno y coseno, pero este anlisis es puramente matemtico y no est basado en ninguna teora sobre un proceso subyacente a la serie. En contraste con otras tcnicas del anlisis de serie de tiempo, no se necesita un modelo paramtrico de los datos y luego estimarlo, ni incluso implcitamente. En su lugar, se estima

el espectro sin ningn contraste a priori aunque se pueden aplicar los estimadores de acuerdo con las propiedades de la serie y de lo que se quiere aprender sobre los datos. Por consiguiente, no vale la pena hacer los mtodos espectrales si se tiene slo una pequea cantidad de datos. Una serie corta tiene tan poca informacin en s misma que no se la puede analizar sin un modelo (El anlisis espectral se hace usualmente con cientos de observaciones).43 6.4.2. REDES NEURONALES ARTIFICIALES: UNA PANORMICA GENERAL: Las redes neuronales (o redes de neuronas artificiales), son modelos matemticos simplificados de las redes de neuronas que constituyen el cerebro humano. Estos modelos estn compuestos por un conjunto de neuronas artificiales o conjunto de unidades que procesan e intercambian informacin. Las neuronas de una red, estn estructuradas en distintas capas, de forma que una neurona de una capa est conectada con las de la capa siguiente, a las que puede enviar informacin. Tal como se refleja en la ilustracin 64, la arquitectura ms habitual consiste en una capa de neuronas de entrada que recibe la informacin del exterior, una serie de capas (ocultas) y una capa de salidas, que proporciona al exterior el resultado del trabajo de la red.

Ilustracin 64 Arquitectura habitual de una red neuronal

Ilustracin 65 Caractersticas de las redes neuronales

43

Tcnicas estadsticas con SPSS: Series Temporales II, Jos Emilio Gondar Nores, pag. L2-9.

Cada neurona, tal como se muestra en la ilustracin 65 a, constituye una unidad de procesamiento de informacin, convierte un conjunto de seales de entrada en una salida que es difundida a las neuronas de la capa siguiente. Esta conversin se realiza en dos etapas: primero, cada una de las seales de entrada es multiplicada por un coeficiente de ponderacin (peso sinptico) atribuido a la conexin; todos los productos son sumados para obtener una cantidad denominada entrada ponderada total. En una segunda fase, cada unidad utiliza una funcin de transferencia entrada-salida, o funcin de activacin, que transforma la entrada ponderada total en una seal de salida que es la que se difunde a las neuronas de la capa siguiente. La funcin de transferencia (ilustracin 65b) puede ser de tres tipos, (Lippmann, 1987): 1. Lineal. La actividad de salida es proporcional a la entrada ponderada total. 2. De umbral La salida queda fija a uno de dos niveles, dependiendo si la entrada ponderada total es mayor o menor que cierto valor crtico denominado umbral. 3. Sigmoide. La salida vara de forma continua dependiendo de la entrada ponderada total, pero esta dependencia no es lineal. Habitualmente, se suele utilizar la sigmoide como funcin de transferencia cuando se trata de aplicar la tecnologa de redes neuronales al procesado de seales no-lineales (Lapedes y Farber, 1987), aunque es necesario tener presente que las tres son aproximaciones bastante burdas de la actividad de las neuronas reales. El proceso de aplicacin de la tecnologa de redes neuronales artificiales a un problema concreto, consta de tres etapas fundamentales: 1.- Diseo de la Red. Es necesario decidir la arquitectura que va a tener la red, lo cual implica determinar el nmero de neuronas de la capa de entradas, el nmero de capas ocultas y las neuronas que contendr cada una de ellas, y, por ltimo, el nmero de neuronas de la capa de salidas. La arquitectura de la red depender, como es lgico, del problema concreto que se quiera resolver. En el caso que nos ocupa, queremos aplicar la tecnologa de redes neuronales artificiales a la previsin de series temporales, basndonos en los datos histricos de la serie, por lo tanto, el nmero de neuronas de la capa de entrada coincidir con el nmero de datos anteriores de la serie que son necesarios para calcular un valor concreto. La capa de salida estar compuesta por una sola neurona cuya salida ser el valor de la previsin que queremos calcular. En cuanto al nmero de capas ocultas y las neuronas de estas capas, no existen reglas fijas que determinen los valores ptimos. Un nmero muy pequeo de capas ocultas puede hacer que el proceso de entrenamiento se alargue excesivamente, mientras que demasiadas capas ocultas llevan a que se produzca una memorizacin de los datos, en lugar de la deduccin de los patrones que se derivan de los datos, con lo que se falsea la prediccin (Richeson y Zimmermann, 1994). Por otra parte, el nmero de neuronas en cada capa oculta, depender de la complejidad del problema a estudiar, aunque algunos autores dan ciertas recomendaciones que van desde; la utilizacin de complicadsimas frmulas para su clculo (Zurada, 1991), o indicar que el nmero de neuronas de la capa oculta debe ser como mnimo el 75% del nmero de neuronas de entrada (Salchenberger, 1992), hasta aplicar la teora matemtica clsica de Kolmogorov para calcular el nmero de neuronas como 2k+1, siendo k el nmero de neuronas de la capa de entrada (Zaremba, 1990). Se ha comprobado que el nmero de neuronas de la capa oculta, siempre que est entre unos valores mnimo (por ejemplo el 75% de las neuronas de entrada) y mximo (5 veces ese mismo nmero), slo influye en la velocidad de entrenamiento de la red, por lo que en

nuestro caso hemos partido de un valor inicial (2k+1), que posteriormente se ha ajustado, si durante el proceso de entrenamiento de la red se comprueba que mejora los resultados. 2.- Entrenamiento de la Red Neuronal Artificial.- El entrenamiento de una Red Neuronal consiste en la utilizacin de un algoritmo (generalmente se usa el algoritmo Back Propagation) para ajustar los pesos sinpticos de las conexiones entre las neuronas.

Ilustracin 66 Proceso para representar la red inicial

El proceso, que aparece esquematizado en la ilustracin 66, consiste en presentar a la red inicial una batera de casos de entrenamiento, que se construyen utilizando los datos reales disponibles (el pasado de la serie temporal). Cada uno de estos casos est compuesto por una serie de valores de entrada y el valor de salida correspondiente. Se obtiene al final un valor de salida de la red neuronal. Esta respuesta se compara con la deseada u objetivo, mediante una funcin de error que da una medida de la eficacia de la configuracin actual de pesos sinpticos de la red. El objetivo del aprendizaje es minimizar esta funcin de error. Una vez calculado este, se procede a realizar la fase hacia atrs (backward) variando los pesos sinpticos de los enlaces en funcin de la magnitud del error cometido y de una constante e llamada coeficiente, tasa o ritmo de aprendizaje que vara entre 0 y 1. La eleccin de e es importante, ya que un valor bajo, da como resultado una lenta convergencia pues implicar variar los pesos muy poco, mientras que un valor excesivamente alto, puede conducir a oscilaciones en los pesos de la red, con lo que quizs nunca se alcancen los pesos ptimos. Un valor usual de partida para e es 0,3 aunque puede ser ajustado ligeramente duran el proceso de aprendizaje de la red. Una vez ajustados los pesos sinpticos, se vuelve a presentar los casos a la red y se vuelve a calcular el error, de acuerdo con l, se reajustan los pesos. Este proceso continuar hasta que el error obtenido est dentro de unos lmites previamente fijados como aceptables, en este momento, el entrenamiento de la red habra finalizado. Una forma sencilla de acelerar el entrenamiento de la red, es aadir un trmino de momento m a la hora de ajustar los pesos, que recoja informacin sobre el ltimo ajuste realizado (Chapman, 1994). Un valor habitual de partida suele ser m=0,7, aunque tambin puede ser ajustado a cualquier valor entre 0 y 1 durante el proceso de entrenamiento de la red. 3.- Utilizacin de la Red Neuronal en Modo Recuerdo. Una vez entrenada, la red neuronal est en condiciones de ser utilizada. Para ello, no hay ms que presentar a la red un caso determinado (por ejemplo los ltimos datos disponibles de una serie temporal) para que, utilizando los pesos sinpticos encontrados durante el proceso de entrenamiento, calcule la salida (la previsin del dato siguiente de la serie temporal). La mayor parte de las aplicaciones de redes neuronales, se realizaron en lenguajes de programacin convencionales como FORTRAN C, Sin embargo, de forma anloga a lo sucedido con los sistemas expertos, ante la expansin de la tecnologa y las dificultades que

presentan algunas de las etapas de diseo y entrenamiento de las redes, diversas instituciones y compaas, han empezado a comercializar entornos de desarrollo o shells que facilitan diversos tipos de arquitecturas y algoritmos de entrenamiento. Entre los paquetes que se conocen estn NEUROSHELL en aplicaciones sobre previsin, aunque existen otros como ANSIM, BACK PROPAGATION, etc, para ordenadores personales.44 RESUMEN: En La bsqueda de un modelo que mejor ajuste a la serie de demanda de pasajeros terrestres de un corredor de transporte de Quito, se analiz los modelos ARIMA (Autoregresivos medias mviles integrados) estacionales y no estacionales, mediante una metodologa que fue propuesta por Box-Jenkins y que consta de una secuencia de cuatro pasos estos son: 1. Identificar 2. Estimar 3. Validar 4. Predecir. El primer paso es realizar un anlisis exploratorio de la serie temporal con el fin de estimar los patrones y sub patrones presentes en los datos. Se identifica si la serie en estudio es estacionaria, es decir estudiar si la media y la varianza durante el tiempo permanezcan estables y de no serlo comenzar a realizar las diferenciaciones necesarias. Con la ayuda del estudio de las autocorrelaciones y autocorrelaciones parciales se puede ir analizando el efecto que tienen las diferenciaciones as como son herramientas tiles para poder dar una estimacin de coeficientes del autorregresivo y del media mvil del llamados (p,q). El resultado iterativo del primer paso del anlisis concluye en un modelo estacional ARIMA, que en la segunda fase es analizada la bondad del modelo en base a criterios establecidos como la suma de los cuadrados de los residuales o los criterios bayesianos de Schwartz o de Akaike, en esta fase los parmetros (p,d,q)(P,D,Q) son modificados buscando el mejor resultado, esto en base a patrones de comportamientos ya establecidos previamente por la metodologa. El tercer paso es la fase de validacin en donde se estudia que tan bien el modelo se ajusta a los datos de la serie temporal real y de estar de acuerdo pasar a la cuarta fase de lo contrario continuar en la bsqueda del mejor modelo. Por ltimo la fase de prediccin calcula los perodos adelantados que se hayan fijado como objetivos, hay que recordar que mientras ms alejado sea el horizonte de prediccin menos confiabilidad muestran los resultados obtenidos. El modelo ARIMA estacional mostr mejores resultados que todos los modelos estudiados en este trabajo a pesar de que no exista mucha diferencia con el mtodo de suavizamiento de Winters sin embargo la suma de cuadrados de los residuales registr un valor menor en el anlisis. Esto puede ser resultado ya que el modelo de Winters analiza el efecto del patrn de la estacionalidad y la tendencia los ms grandes patrones registrados en la serie de pasajeros transportados. Si bien se logr una mejora notable con el estudio de los mtodos de series temporales en este trabajo se proponen dos alternativas actuales que pudiesen mejorar los resultados y que se plantean como lneas de investigaciones futuras.

44

Anlisis comparativo de los mtodos de previsin univariante, Estudios de Economa aplicada (1996), No. Pag 10-14.

CAPITULO VII CONCLUSIONES RECOMENDACIONES

Al iniciar el trabajo se plante dos hiptesis de trabajo la primera fue si existe un modelo de prediccin con base en los datos histricos de la demanda de pasajeros transportados, que mejore el proceso de toma de decisiones reduciendo la incertidumbre e incremente la calidad del servicio. Para responder esta hiptesis se desarroll todo este trabajo teniendo como conclusin la afirmacin de la misma, para ello, un modelo ARIMA estacional fue encontrado y se compar con diferentes modelos de series de tiempo los cuales brindaron resultados menos efectivos que los encontrados con el Modelo ARIMA, por lo tanto las predicciones presentadas ANEXO E, fueron basadas en un ARIMA estacional (2,0,1)(1,1,1). La segunda hiptesis de trabajo fue si se poda aplicar un software de fcil manejo,

amigable que permita realizar el procedimiento de prediccin con el modelo adecuado con el menor error estadstico. La conclusin sobre esta hiptesis tambin result ser afirmativa, he incluso durante la bsqueda de respuestas se encontr que en la actualidad existen varios software que ayudan al administrador o gerente con esta tarea de predecir el futuro. En este trabajo se utiliz uno de ellos, el SPSS VERSIN 15, el mismo que fue seleccionado con el fin de utilizar recursos inhabilitados en la empresa de transporte de Quito en el cual se haca el anlisis. Por otro lado, en el captulo dos se plantearon algunas preguntas de investigacin las que fueron desarrolladas a lo largo del trabajo, sin embargo, sobre ellas se pudieron tener conclusiones, las mismas que son presentadas a continuacin: La demanda es un aspecto fundamental para cualquier empresa ya que de aqu se desprenden decisiones y estrategias para cualquier negocio. Por ello, la necesidad de tener pronsticos confiables, es indispensable. Existe una gran variedad de mtodos estadsticos que pueden ayudar a los gerentes a conocer dichos valores y la mayor ventaja es que tienen cierto grado de confiabilidad anulando as las conjeturas e incertidumbres del profesional a cargo. En este sentido la demanda de pasajeros de transporte terrestre de un corredor de Quito se analiz debida a la alta importancia en este sector y mediante el anlisis de series de tiempo se logr tener buenos resultados al aplicar un modelo estacional ARIMA para pronosticar la demanda. La herramienta obligatoria para un anlisis de series de tiempo es contar con una gran cantidad de datos histricos que permitan realizar el anlisis. En este trabajo se present una serie diaria de pasajeros transportados desde enero de 2004 a enero de 2009 facilitando as el estudio de los distintos mtodos de prediccin. Se recomienda en primer lugar realizar un anlisis exploratorio de los datos y detectar valores atpicos o outliers, para garantizar una mejor modelacin.

El perodo de prediccin se plante en un ao diario debido a las necesidades de planificacin, sin embargo se podran obtener mejores resultados si realiza el anlisis mensual ya que al contar con una sola cifra al mes se promediaran los valores y la estacionalidad se atenuara, es decir, se producira el efecto analizado en el mtodo de los promedios, el cual al promediar en mayor cantidad los datos el pronstico presenta una mejora considerable. Existen dos hechos muy importantes que se puede concluir de la aplicacin de los modelos de series de tiempo, los pronsticos casi nunca dan una respuesta exacta y entre mas lejos al futuro se vea, menos preciso ser el pronstico. En general se puede concluir que existen cuatro pasos establecidos, para la determinacin del proceso de pronstico: 1. Recopilacin de datos, 2. Reduccin o condensacin de datos, 3. Construccin del modelo, 4. Extrapolacin del modelo (modelo en s). Existen una gran variedad de mtodos estadsticos que permiten realizar las proyecciones de los valores futuros, entre los que se han estudiado estn los mtodos ingenuo, suavizado simple, suavizado doble de Holt, suavizado de Winters, los mtodos de descomposicin estacional y los modelos ARIMA estacionales. Cada uno de estos modelos tiene su particularidad y forma de identificar cuando se puede aplicar uno u otro mtodo, el administrador debe tener claro cuales son los patrones presentes en la serie de datos para la correcta aplicacin de cada modelo de series de tiempo. Los pronosticadores cuentan con cinco modelos estadsticos (residual o error del pronstico, DAM, EMC, PEMA, PME), que les ayudan a eliminar o a descartar todo posible error que se pueda presentar en el proceso de pronstico, para contar con informacin verdica. La metodologa de Box Jenkins con los modelos ARIMA estacionales, consiste en estudiar los patrones de datos pasados para poder prever valores futuros llamados predicciones bajo el supuesto de que las condiciones se mantendrn similares en un futuro. Para la serie temporal demanda de pasajeros transportados, la metodologa de BoxJenkins con los modelos ARIMA estacionales es quien brinda mejores resultados que los mtodos de suavizamiento y descomposicin, a pesar de que no fue muy marcada la diferencia sobre los resultados obtenidos con el mtodo de Winters se puede decir que el modelo ARIMA se ajusta mejor y presenta valores mejores en cuanto a las predicciones se refiere.

Menor error cuadrtico

Mayor error cuadrtico

Este particular es explicable dado que los datos presentaban una fuerte estacionalidad, aspecto que es muy comn en el sector del transporte pues los das sbados y domingos son sin duda los que van a presentar menor demanda no as los das ordinarios. Se recomienda por lo tanto estudiar en primer lugar la estacionalidad de la serie para poder aplicar cualquier mtodo de series de tiempo, con el objeto de que este fenmeno afecte lo menos posible a la estimacin del modelo. Es necesario seguir en la bsqueda de mejores modelos y mejores metodologas que permitan an ms disminuir la incertidumbre, an con los modelos propuestos en este trabajo se considera que el error presente sigue siendo alto, por lo que se recomienda profundizar el estudio de modelos economtricos y tcnicas de avanzada que permitan al sector del transporte contar con mejores herramientas de anlisis y que incrementen la confiabilidad de los valores futuros. En los resultados el mtodo de descomposicin estacional tambin present varias ventajas, entre ellas est el poder identificar la tendencia, la estacionalidad, ciclo y aleatoriedad, se recomendara fijar una lnea de estudio sobre cada una de estas componentes, quizs el refinamiento de la tcnica, podra ofrecer mejores resultados en los pronsticos. Adems, es conocido que hasta la actualidad se han ido generando tanto metodologas como tecnologas para facilitar y brindar ms confiabilidad con respecto a los pronsticos, por lo que resultara interesante presentar mayores aplicaciones de las presentadas en este trabajo, de modo de poder continuar en la bsqueda de tcnicas estadsticas que permitan proveer a los gerentes de una herramientas confiable y segura para disminuir la incertidumbre en las proyecciones. En este sentido se ha mencionado en la parte final de este trabajo ciertas metodologas

nuevas que pueden ser estudiadas como las series espectrales, las redes neuronales y otras metodologas que pueden resultar quizs de inters. Por ltimo, en el sector del transporte se puede concluir por tanto que los modelos que pueden ajustarse mejor a los datos diarios de demanda son los modelos de suavizamiento de Winters el mismo que toma en cuenta los patrones de estacionalidad y tendencia o por otro lado estn los modelos estacionarios ARIMA, cuya metodologa implica un poco ms de conocimiento matemtico para su aplicacin. En todo caso el comportamiento de la demanda de pasajeros es comn en los dems sistemas de transporte de Quito, la estacionalidad en la serie se muestra cada 7 das presentando menores valores de la demanda en los das sbados respecto a los das de lunes a viernes y con una disminucin considerable para los das domingos. A pesar de que estos dos mtodos propuestos son los que se podran ajustar mejor a los datos, se necesita realizar los pasos propuestos en la bsqueda del mejor modelo de prediccin para contar con una herramienta para la planificacin de los corredores de transporte de pasajeros. Este trabajo es el planteamiento de una solucin ante la necesidad de mejora de la planificacin, es el principio de la exploracin de herramientas estadsticas que permitan disminuir la incertidumbre en la toma de decisiones, y un intento por dotar a los gerentes y administradores del sector del transporte de metodologas que si bien es cierto implican un estudio matemtico de fondo en cada uno de los mtodos se presenta de manera sencilla y aplicable. Se espera que la contribucin de este trabajo sea de ayuda y sea el inicio del estudio de nuevas metodologas y modelos actuales en la bsqueda de la mejora continua.

ANEXO A
Transporte.- Medio de traslado de personas o bienes desde un lugar hasta otro. El transporte comercial moderno est al servicio del inters pblico e incluye todos los medios e infraestructuras implicados en el movimiento de las personas o bienes, as como los servicios de recepcin, entrega y manipulacin de tales bienes. El transporte comercial de personas se clasifica como servicio de pasajeros y el de bienes como servicio de mercancas.45 Corredor vial.- Un corredor es un concepto que integra cuatro componentes (similar al Metrobus de Mxico): normas y prcticas comerciales y financieras; exigencias gubernamentales; infraestructura, vehculos (autobuses de trnsito rpido denominados BRT por sus siglas en ingls Bus Rapid Transit) , equipos e instalaciones; y actores46 Troncal.- Medio de transmisin por el que se pueden manejar varias comunicaciones o canales, simultnea o pseudosimultneas, donde esta ltima expresin se debe a que el mecanismo aparece como simultneo para el usuario, aunque estrictamente no lo sea.47 Lneas alimentadoras (Alimentador): Son lneas de autobs locales. Unen las terminales de pasajeros con los barrios de la ciudad, permiten que los pasajeros transborden al resto de las lneas. SITM.- Sistema Integral de Transporte Masivo.

45 46

http://www.monografias.com/trabajos/transporte/transporte.shtml, consultada el 18 de enero de 2008. http://www.oas.org/dsd/publications/Unit/oea33s/ch39.htm#TopOfPage, consultada el 16 de enero de 2008. 47 http://www.diccionarios-online.com.ar/tecno/Troncal.html, consultada el 18 de enero de 2008.

ANEXO B
Resmenes de casos Pasajeros Corregido
WEEK 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 N 3 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 Media 90188.6667 180838.0000 187411.4286 183985.5714 186192.2857 191999.2857 194454.2857 189432.1429 151759.5714 197703.7143 196854.7143 199240.7143 193538.0000 195508.2857 175126.5714 195279.7143 200997.1429 196084.0000 206389.4286 203373.4286 197815.5714 179800.5714 199215.2857 199943.5714 203228.2857 189427.4286 197623.4286 198229.8571 195400.1429 189252.5714 186784.8571 189868.1429 173237.5714 181573.2857 176075.7143 187455.1429 189329.7143 192256.7143 199012.2857 198487.7143 202152.1429 201741.2857 207511.1429 201106.2857 Mnimo 67680.00 96411.00 103297.00 105016.00 107155.00 108366.00 107767.00 108900.00 85146.00 112249.00 113247.00 115551.00 118397.00 112431.00 116628.00 108432.00 115779.00 119033.00 116318.00 121604.00 119676.00 99782.00 118980.00 117869.00 112238.00 63253.00 111917.00 109797.00 114147.00 112514.00 115093.00 116662.00 114151.00 106027.00 111592.00 112275.00 110600.00 114509.00 119324.00 113285.00 112502.00 110139.00 155511.00 114548.00 Mximo 103596.00 211822.00 219071.00 220256.00 218144.00 222209.00 224353.00 226887.00 221498.00 231066.00 227746.00 229280.00 226605.00 228359.00 227001.00 229556.00 231198.00 230950.00 244086.00 237954.00 225825.00 228331.00 232368.00 231069.00 233485.00 227628.00 233138.00 231874.00 226038.00 223319.00 212889.00 219940.00 216651.00 213901.00 209260.00 217458.00 222970.00 220080.00 243010.00 231630.00 237198.00 237981.00 231022.00 236614.00 Desv. tp. 19611.61557 44354.92116 44452.32313 43860.89921 42281.43742 45325.89123 44945.11661 45098.84599 63197.32197 46061.31330 43925.40374 45277.95307 40461.24722 43120.66058 50395.53271 44811.36163 45313.64230 48122.14406 47347.38538 44796.40081 43482.16096 55748.99765 44532.09284 45148.73489 45456.06723 62551.59097 46593.17118 48664.15829 45316.84115 43025.19209 39001.16202 41818.92084 48361.48099 41544.50931 38499.28131 42206.34836 43555.86565 41623.18426 46635.50143 44842.40300 49371.98709 50040.38820 31369.55232 45502.41595 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 197356.1429 212611.0000 208926.7143 164642.6686 199443.8743 206943.9543 204220.5143 206929.1657 210292.5829 162679.7543 190071.0629 206902.0286 210513.7829 186916.1543 209942.9314 178779.1086 205205.4057 195642.5543 205451.5471 166562.5486 204340.7771 213419.6400 209250.1886 209877.0286 191816.7029 212596.3771 204355.1371 212552.5143 204255.1771 202001.8571 205541.1429 201370.2857 199878.7143 194834.5714 195650.1429 181682.5714 198916.5714 192597.5714 196835.2857 210044.8571 207930.4286 207746.8571 206912.1429 211003.4286 118199.00 125075.00 123389.00 77731.68 106584.72 113275.68 116064.00 114376.72 112326.80 92241.32 120484.64 121102.28 132112.16 121578.92 118954.92 118215.88 109029.44 122887.84 126228.92 93822.04 117229.68 111298.12 122731.68 120035.68 116489.68 114338.60 82295.68 120096.96 118436.24 116012.00 117336.00 113300.00 118363.00 118519.00 117511.00 117556.00 108076.00 114000.00 116239.00 125795.00 123438.00 123573.00 121101.00 120158.00 245505.00 247071.00 250047.00 201886.00 235459.08 242637.48 237513.44 240266.88 249766.28 236098.96 251122.20 244920.36 241043.60 244992.20 244654.44 231716.28 244485.20 247077.04 236721.88 212315.96 236366.04 251365.00 243483.40 246122.36 242613.08 251218.52 244971.00 248565.68 239064.00 242454.00 242427.00 239866.00 230427.00 227798.00 225702.00 228636.00 233552.00 226367.00 233231.00 259538.00 246281.00 244310.00 242928.00 247791.00 55747.77230 43948.94584 54504.42687 48227.76797 48518.86702 51428.65403 48209.20806 50559.67696 54907.12171 69133.63569 54752.54094 50386.93735 44978.12717 49191.77459 49162.33834 53135.48983 49413.91874 42059.76386 44139.16106 50093.33380 46392.70830 52241.61994 47808.79183 48297.85697 56133.37710 53708.09409 62434.68031 50312.61008 48061.05177 47381.18419 49494.54675 48789.56560 45208.12278 42868.71043 43823.12105 52120.61857 50663.58587 44518.10204 43973.74141 48958.08149 47494.14504 48061.89370 46496.79036 51511.74612

101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151

7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7

215150.8571 195484.2857 220518.4286 225462.4286 175116.4286 196886.2857 199744.4286 183240.5714 193662.4286 208497.2857 208880.8571 215123.1429 209953.5714 169920.7143 196239.7143 211294.1429 199782.2857 214624.7143 215720.4286 185532.1429 219461.5714 217561.7143 203157.0000 221343.7143 218767.1429 202041.8571 217629.5714 211366.5714 213255.4286 209339.4286 202601.5714 210779.8571 206229.8571 202230.8571 194688.4286 197766.5714 183099.1429 197414.7143 194858.1429 199320.2857 214822.7143 212870.5714 211019.8571 206413.8571 214909.2857 197212.4286 219819.4286 211272.0000 174930.7143 210589.0000 212395.2857

126006.00 115885.00 124327.00 139169.00 117017.00 90866.00 117995.00 115203.00 113785.00 115407.00 114361.00 118123.00 116974.00 92793.00 95699.00 121219.00 116085.00 118588.00 121260.00 119424.00 113554.00 122194.00 104232.00 122900.00 122512.00 119553.00 111910.00 105180.00 116819.00 115068.00 105348.00 117682.00 112020.00 118170.00 112160.00 115924.00 118223.00 110840.00 114600.00 112118.00 124795.00 123034.00 115996.00 113511.00 117313.00 114287.00 163261.00 116541.00 111969.00 108136.00 108830.00

267763.00 248995.00 254015.00 260181.00 200763.00 236311.00 239445.00 234353.00 228977.00 243792.00 244953.00 249528.00 252300.00 253130.00 254787.00 252147.00 245811.00 251311.00 250015.00 241911.00 255473.00 255329.00 260681.00 259748.00 251432.00 254281.00 260449.00 252124.00 252469.00 245524.00 238111.00 245605.00 241404.00 235137.00 225750.00 226327.00 226727.00 231376.00 228786.00 230545.00 262265.00 249226.00 245580.00 241010.00 251146.00 252169.00 247812.00 244553.00 253204.00 250142.00 250299.00

47809.41627 55780.84511 48259.43184 49432.42687 34434.13135 54430.16109 46214.35848 38360.75665 43071.90430 49367.62253 50031.12962 52345.88175 53847.03713 72993.85425 66785.50670 48466.40860 45799.30351 51308.81092 51435.85405 57200.54742 56116.44614 50789.91486 69980.09208 52168.40642 50823.25319 61977.19764 55161.00648 58385.56203 52682.51079 52287.13041 52353.19234 51737.18998 51475.02026 47424.51133 45567.06552 46334.81821 50726.88481 48360.07521 45474.46963 44089.72978 53416.59158 49879.76720 51633.89191 50210.95402 52020.94374 63339.72485 33648.96090 51241.54628 66374.76028 53937.13794 53415.66271 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 200 201 202 203 204 205 206 207 208 209 210 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 7 2 210494.8571 228830.4286 201582.4286 221787.1429 230983.8571 175545.4286 183144.5714 209337.5714 208939.8571 209673.5714 204469.4286 217978.2857 211606.8571 169382.2857 216762.4286 204946.1429 212551.1429 207524.0000 209749.2857 183360.4286 211149.8571 224060.2857 212788.7143 201281.4286 222058.2857 214624.2857 196693.5714 213001.4286 211012.5714 197467.1429 207299.4286 205289.8571 206935.1429 203001.1429 197951.1429 195273.0000 197147.5714 189452.8571 198222.2857 211138.1429 191309.0000 213815.0000 216697.2857 214661.0000 219088.4286 204987.5714 221322.5714 230729.7143 175715.7143 124261.0000 120161.00 182719.00 129030.00 126560.00 143560.00 113351.00 75560.00 113627.00 114099.00 116796.00 114499.00 118892.00 117514.00 93150.00 115936.00 123435.00 120831.00 117750.00 119043.00 119266.00 107637.00 163697.00 120466.00 113698.00 122873.00 117135.00 116832.00 110387.00 98674.00 118099.00 113105.00 114274.00 113153.00 112050.00 110409.00 114005.00 113805.00 115732.00 105933.00 115304.00 115276.00 109874.00 114809.00 119088.00 116542.00 132900.00 118189.00 132383.00 112901.00 116342.00 248455.00 261199.00 250445.00 264269.00 260850.00 213150.00 240242.00 244555.00 247529.00 244179.00 252485.00 251384.00 251632.00 250227.00 258927.00 253405.00 250480.00 243362.00 245040.00 236689.00 246847.00 257746.00 248535.00 259930.00 262465.00 249440.00 248891.00 253253.00 251544.00 244760.00 242835.00 241466.00 238872.00 234835.00 228935.00 225198.00 226310.00 280117.00 230277.00 240723.00 248106.00 251568.00 250657.00 247302.00 260539.00 263099.00 253502.00 261945.00 213789.00 132180.00 49036.79443 32081.35313 53097.92583 50602.33486 45122.16855 41560.57658 66361.00852 51201.48377 50968.54078 50217.25051 48722.66028 53847.45414 53671.79700 74405.37372 54297.36463 58127.66553 49548.43913 48393.42096 48802.35175 55807.54086 55766.96966 35464.67205 50274.22033 65182.73623 54095.05160 53049.44741 62331.08954 53488.71495 58503.68705 45281.09911 52660.26946 50833.31863 51011.81782 49573.62956 47710.90051 45543.99835 45930.83138 63823.78048 49930.45170 51064.91733 65611.52574 54832.67790 53322.06435 50422.99349 51052.85728 59009.25716 51870.59566 48155.48065 37301.27831 11199.15720

ANEXO C
Antes de iniciar el estudio del anlisis de regresin lineal presentaremos un pequeo glosario de trminos tiles: Variable dependiente: Variable que est asociada a los valores de una variable independiente llamada Y. Variable dependiente que se desea explicar o predecir, tambin llamada respuesta. Variable independiente: Variable que puede tomar cualquier valor en los reales. Variable independiente, tambin se llama variable explicativa, regresor o predictor Variable Numrica: Como: estatura, promedio, peso. Variable Categrica: Ejemplos de estas variables son: Hombre, mujer. Variable Ordinal: Son aquellas como: buena, mala, psima. Regresin lineal.- La relacin entre X y Y se representa por medio de una lnea recta Anlisis exploratorio: Es realizar un inspeccin visual en primera instancia que tipo de relacin presentan las variables ya sean categricas, ordinales o numricas y en segunda identificar que tan intensa es la relacin presente. VIF.- Variance inflation factor, Factor de inflacin de varianza (VIF), Indica la medida en que la multicolinealidad (correlacin entre los predictores) est presente en un anlisis de regresin. La multicolinealidad es problemtica, porque puede aumentar la varianza de los coeficientes de regresin, lo que las hace inestables y difciles de interpretar. El VIF mide la cantidad de la varianza de la estimacin de los coeficientes de regresin son inflados en comparacin con las variables de prediccin, cuando no estn relacionados linealmente. Utilice las siguientes pautas para interpretar la VIF: VIF: Predictores son: VIF = 1 entonces no correlacionadas 1 <VIF <5 entonces hay correlacin moderada VIF> 5 a 10 son altamente correlacionado VIF valores superior a 10 puede indicar multicolinealidad es decir, el predictor X, influye indebidamente sus resultados en la regresin. En este caso, puede que desee reducir multicolinealidad quitando predictores de su modelo. Regresin curvilnea.- La relacin entre X y Y se representa por medio de una curva. Modelo Matemtico: Ecuacin que cuantifica la relacin entre variables que nos permite entender ampliamente el fenmeno y tal vez predecir su comportamiento en el futuro. Es

importante mencionar que un modelo matemtico no es completamente exacto con problemas de la vida real, de hecho, se trata de una idealizacin. Funcin Lineal: Se dice que una funcin es lineal cuando su grfica es una lnea recta; y por consecuencia tiene la forma: y = f(x) = mx + b Donde m representa la pendiente de la recta y b la ordenada al origen (el punto en el que la recta interfecta al eje de las "y"). Es importante mencionar que este tipo de funciones crecen a tasa constante; y su dominio e imagen son todos los nmeros reales. Coeficiente de correlacin lineal de Pearson.- Es aquel instrumento Objetivo no Subjetivo, que permite saber la correlacin entre variables, El coeficiente de correlacin de Pearson es un ndice estadstico que mide la relacin lineal entre dos variables cuantitativas.

Hay correlacin positiva (+), si estn en los cuadrantes I Y III y hay correlacin negativa (-), si estn en los cuadrantes II y IV. El clculo del coeficiente de correlacin lineal de Pearson, se obtiene dividiendo la covarianza por el producto de las desviaciones estndar de ambas variables. El valor del ndice de correlacin vara en el intervalo [-1, +1].

Siendo: XY la covarianza de (X,Y) X y Y las desviaciones tpicas de las distribuciones marginales.

 Si r = 0, no existe ninguna correlacin. El ndice indica, por tanto, una independencia total entre las dos variables, es decir, que la variacin de una de ellas no influye en absoluto en el valor que pueda tomar la otra. Si r = 1, existe una correlacin positiva perfecta. El ndice indica una dependencia total entre las dos variables denominada relacin directa: cuando una de ellas aumenta, la otra tambin lo hace en idntica proporcin. Si 0 < r < 1, existe una correlacin positiva. Si r = -1, existe una correlacin negativa perfecta. El ndice indica una dependencia total entre las dos variables llamada relacin inversa: cuando una de ellas aumenta, la otra disminuye en idntica proporcin. Si -1 < r < 0, existe una correlacin negativa.

Coeficiente de Determinacin R2.- Es la proporcin de la variacin explicada por el modelo a la variacin total del modelo. Est entre 0 y 1 e interpreta la cantidad relativa de la variacin que ha sido explicada por la recta de regresin, es decir, la proporcin de cambio en Y explicado por un cambio en la variable X ( X es el factor que se utiliza para calcular la recta de ajuste o ecuacin de regresin). Homocedasticidad.- Las varianzas son iguales.

ANEXO D

ANEXO E
mes dia 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 TOTAL 5931122.291 Prediccin 119779.5741 241804.6077 239755.7818 241736.114 230729.6594 238846.5688 163185.4996 123282.1176 244850.9152 239416.6341 243621.2355 229934.8968 239980.266 162797.8546 124593.9303 244045.3983 240503.8953 242777.8353 230975.1303 239120.9721 163836.2577 123765.9489 245040.4341 239686.1985 243749.4188 230176.303 240070.7107 163058.1325 FEBRERO LI 54820.26183 171813.5276 169110.105 170951.6081 159935.5781 168043.5613 92382.48275 52297.39658 173850.6182 168406.4307 172611.1103 158922.3611 168967.4319 91783.39252 53570.82129 173015.1289 169473.6674 171745.5307 159942.52 168086.8532 92801.80365 52711.94766 173986.1611 168629.2287 172692.3726 159117.8084 169012.0097 91998.21327 LS 184738.8864 311795.6878 310401.4585 312520.6198 301523.7408 309649.5762 233988.5165 194266.8385 315851.2122 310426.8375 314631.3607 300947.4325 310993.1001 233812.3168 195617.0393 315075.6677 311534.1232 313810.14 302007.7406 310155.091 234870.7117 194819.95 316094.7071 310743.1684 314806.465 301234.7976 311129.4117 234118.0517 Prediccin 124696.7253 244280.4236 240597.3996 243008.0847 231068.8176 239347.6897 163932.4945 123991.7292 245136.9315 239909.9715 243847.1878 230398.5869 240169.7809 163279.0816 124797.1961 244499.954 240699.1838 243226.28 231171.91 239564.5829 164036.8719 124207.356 245242.5593 240124.3574 243954.0407 230611.7609 240277.8315 163491.0713 124906.4179 244710.7855 240809.5504 6559996.614 MARZO LI 53629.84427 173207.9789 169525.0174 171934.0702 159994.6464 168272.3311 92856.97086 52897.9615 174042.705 168813.4547 172750.6898 159300.9226 169072.044 92180.38306 53690.82674 173388.5592 169587.855 172113.6013 160059.1792 168450.9017 92923.14089 53076.28321 174110.8249 168990.643 172820.3977 159477.167 169143.2516 92355.72556 53762.7569 173562.531 169661.3384 LS 195763.6063 315352.8683 311669.7818 314082.0992 302142.9888 310423.0483 235008.0182 195085.4969 316231.1579 311006.4883 314943.6859 301496.2511 311267.5179 234377.7802 195903.5654 315611.3487 311810.5125 314338.9587 302284.6408 310678.264 235150.603 195338.4287 316374.2936 311258.0718 315087.6837 301746.3548 311412.4115 234626.417 196050.0789 315859.04 311957.7625 6434775.866 Prediccin 243435.9795 231283.3959 239773.1757 164149.452 124414.8669 245356.209 240330.8107 244068.7361 230817.1803 240393.5493 163695.48 125023.135 244914.2061 240927.2445 243638.4342 231402.045 239974.686 164269.0348 124615.4541 245476.7046 240530.4954 244190.124 231015.9828 240515.8094 163893.42 125146.2478 245111.303 241051.191 243834.7068 231526.8065 ABRIL LI 172286.6368 160134.0658 168623.0776 92999.37911 53248.19413 174188.676 169161.543 172899.5629 159647.2223 169223.6588 92524.97436 53843.73679 173730.5638 169743.6046 172453.8352 160217.4956 168789.5098 93083.93081 53414.36118 174274.5623 169326.8136 172986.54 159811.7432 169311.6678 92688.78011 53932.20048 173893.2949 169833.1361 172615.828 160307.9953 LS 314585.3222 302432.726 310923.2738 235299.525 195581.5397 316523.742 311500.0784 315237.9094 301987.1383 311563.4398 234865.9856 196202.5331 316097.8485 312110.8844 314823.0331 302586.5944 311159.8622 235454.1388 195816.547 316678.8468 311734.1773 315393.7079 302220.2224 311719.951 235098.0599 196360.2952 316329.3111 312269.2458 315053.5856 302745.6176 Prediccin 240170.1529 164394.593 124810.1332 245603.0415 240724.4045 244317.2223 231209.1391 240643.6521 164085.8403 125274.8182 245303.0039 241180.4727 244025.7043 231656.7836 240360.4628 164525.2499 124999.7711 245734.3631 240913.3852 244449.1936 231397.4774 240776.2584 164273.5507 125408.0454 245490.1003 241314.3069 244212.2006 231791.2112 240546.3724 164660.2576 125185.1071 6499436.275 MAYO LI 168950.8252 93175.36487 53575.41946 174367.1017 169487.0809 173079.9873 159971.3495 169405.9753 92847.75666 54026.86913 174051.3245 169928.6931 172773.2078 160404.3601 169107.6095 93272.51022 53731.9599 174465.1628 169642.9263 173178.8061 160126.6151 169505.5132 93002.47057 54126.69333 174205.2054 170029.2573 172926.5195 160505.6 169260.4003 93374.40408 53884.52242 LS 311389.4805 235613.8211 196044.847 316838.9814 311961.7281 315554.4574 302446.9286 311881.3288 235323.924 196522.7672 316554.6833 312432.2523 315278.2008 302909.2071 311613.3161 235777.9896 196267.5822 317003.5634 312183.8442 315719.5811 302668.3397 312047.0037 235544.6308 196689.3976 316774.9953 312599.3566 315497.8817 303076.8224 311832.3446 235946.1112 196485.6918 6466640.576 Prediccin 245869.9379 241098.1606 244585.3228 231581.7046 240912.9296 164457.242 125545.2464 245673.2678 241452.0259 244394.856 231929.4365 240728.5272 164798.9779 125366.7725 246009.142 241279.3475 244725 231762.4238 241053.0692 164637.504 125685.8382 245853.0828 241593.0596 244574.234 232070.9022 240907.478 164940.866 125545.3056 246151.4431 241457.4724 JUNIO LI 174567.8149 169794.8798 173282.0917 160278.0621 169609.4016 93153.43643 54230.80801 174355.4392 170133.9891 173076.2563 160610.8983 169409.6831 93480.25145 54033.5937 174674.2894 169943.4185 173389.0969 160426.1599 169716.9129 93301.116 54338.49718 174502.4757 170242.1932 173222.8598 160719.5781 169555.8923 93589.39328 54179.6079 174783.9487 170088.9677 LS 317172.0609 312401.4414 315888.5538 302885.3472 312216.4576 235761.0477 196859.6848 316991.0964 312770.0626 315713.4558 303247.9746 312047.3713 236117.7043 196699.9513 317343.9947 312615.2765 316060.903 303098.6878 312389.2256 235973.892 197033.1791 317203.6899 312943.9259 315925.6082 303422.2264 312259.0637 236292.3387 196911.0034 317518.9375 312825.9772

JULIO Prediccin 244867.7047 231940.1496 241196.1686 164814.8396 125829.3232 246030.037 241736.9218 244750.8154 232215.1331 241083.6948 165085.4573 125721.1661 246296.3867 241632.9845 245012.9927 232115.3212 241341.7934 164989.6782 125975.2772 246204.5501 241883.1975 244925.0103 232361.7235 241257.5787 165232.3552 125894.746 246443.5852 241806.2671 245160.4852 232288.3132 241489.5731 6707583.23 LI 173499.2013 160571.3261 169827.4431 93445.91982 54449.16596 174646.7141 170353.2916 173366.722 160831.0766 169699.4127 93701.28127 54322.9493 174896.2624 170231.9032 173611.8886 160713.9298 169940.4894 93588.21021 54562.31853 174788.507 170466.8023 173508.1882 160944.9243 169840.5834 93815.45783 54463.95579 175010.7875 170372.5556 173726.7275 160854.2951 170055.6312 LS 316236.208 303308.9731 312564.894 236183.7594 197209.4805 317413.3599 313120.552 316134.9087 303599.1896 312467.9769 236469.6333 197119.3829 317696.511 313034.0658 316414.0969 303516.7125 312743.0974 236391.1463 197388.2359 317620.5933 313299.5928 316341.8325 303778.5227 312674.5741 236649.2526 197325.5361 317876.383 313239.9786 316594.2429 303722.3312 312923.5151 Prediccin 165162.3862 126123.3379 246376.9803 242031.5328 245097.169 232510.3272 241429.472 165381.2213 126066.3798 246592.7079 241977.6473 245309.8586 232459.4453 241639.1918 165333.2759 126273.1962 246547.6331 242181.6254 245267.5901 232660.6488 241599.6667 165531.7669 126236.353 246743.4724 242147.4041 245460.8371 232628.9906 241790.3795 165502.6143 126424.5884 246716.7693 6537204.469

AGOSTO LI 93728.3051 54677.54032 174928.1632 170582.3224 173647.5611 161060.7283 169979.7013 93931.53993 54602.92303 175127.1533 170511.2138 173843.3569 160992.7051 170172.5164 93866.48217 54794.48384 175065.9527 170699.5138 173785.105 161178.1592 170117.0252 94049.20621 54740.10865 175245.0486 170648.1293 173961.4735 161129.4064 170290.8494 94002.98303 54912.85711 175202.11 LS 236596.4672 197569.1354 317825.7975 313480.7432 316546.7769 303959.926 312879.2427 236830.9027 197529.8365 318058.2625 313444.0807 316776.3604 303926.1856 313105.8671 236800.0697 197751.9085 318029.3136 313663.7371 316750.0752 304143.1384 313082.3081 237014.3276 197732.5974 318241.8962 313646.6788 316960.2007 304128.5748 313289.9096 237002.2456 197936.3197 318231.4286 6496927.633 Prediccin 242333.2176 245436.5286 232812.4365 241768.4119 165683.7456 126404.9093 246895.6379 242315.7757 245613.1852 232797.1816 241942.9061 165670.6289 126577.2896 246884.6113 242486.0893 245604.2019 232965.475 241935.9203 165836.9472 126572.2565 247048.9989 242482.9653 245766.702 232964.2172 242096.5752 165837.5138 126731.1076 247051.349 242640.0529 245770.7957

SEPTIEMBRE LI 170818.0925 173921.0495 161296.94 170252.7803 94168.18641 54875.73634 175364.2116 170783.5207 174080.8223 161264.6128 170410.3812 94138.01725 55032.41429 175336.8387 170937.8193 174055.5937 161416.8373 170387.1614 94288.25282 55009.99986 175484.4218 170917.5771 174201.1883 161398.5096 170530.902 94271.76612 55152.94807 175470.3149 171058.4924 174188.9098 LS 313848.3427 316952.0077 304327.9329 313284.0435 237199.3048 197934.0823 318427.0642 313848.0306 317145.5482 304329.7504 313475.431 237203.2405 198122.1648 318432.3838 314034.3594 317152.8101 304514.1126 313484.6792 237385.6415 198134.5132 318613.5759 314048.3535 317332.2158 304529.9248 313662.2484 237403.2615 198309.2671 318632.3831 314221.6134 317352.6816 Prediccin 233119.5809 242102.3734 165991.1922 126738.572 247203.3799 242649.1463 245921.216 233130.2667 242251.2192 166003.4348 126885.8786 247217.1444 242794.9482 245936.4683 233274.5976 242267.9259 166146.3276 126904.0072 247358.6314 242814.4667 246076.581 233295.475 242406.695 166168.5334 127041.4629 247382.1358 242950.6385 246101.3549 233430.3915 242432.71 166302.2228 6660298.978

OCTUBRE LI 161537.6543 170520.3371 94409.21326 55143.06659 175605.493 171050.4618 174322.3898 161531.2565 170652.2347 94404.38619 55274.28328 175602.6905 171179.9413 174321.1463 161659.2245 170652.453 94530.9053 55275.0809 175727.2677 171182.3157 174444.2734 161662.9915 170774.2294 94536.01235 55396.2718 175734.0963 171302.0218 174452.4312 161781.4072 170783.6341 94653.19147 LS 304701.5075 313684.4096 237573.1712 198334.0775 318801.2668 314247.8309 317520.0423 304729.277 313850.2037 237602.4835 198497.474 318831.5984 314409.9551 317551.7903 304889.9707 313883.3988 237761.75 198532.9335 318989.995 314446.6177 317708.8885 304927.9584 314039.1607 237801.0545 198686.654 319030.1752 314599.2551 317750.2785 305079.3758 314081.7859 237951.2542 6403289.391 Prediccin 127068.6911 247514.6256 242979.0527 246232.672 233459.9653 242562.8807 166332.9301 127197.7411 247546.441 243107.0071 246265.5707 233586.8486 242596.8384 166458.7663 127232.734 247671.2536 243143.0121 246389.3826 233623.843 242719.6721 166496.728 127354.6114 247710.1608 243263.9546 246429.2142 233743.8715 242760.4073 166615.8631 127396.23 247828.4224

NOVIEMBRE LI 55406.16711 175849.6129 171313.2601 174566.7092 161793.8332 170896.7592 94666.7607 55518.78815 175864.6452 171424.6118 174582.8746 161904.0831 170913.9883 94775.95532 55536.4321 175972.4155 171443.3992 174689.5871 161923.8834 171019.7166 94796.73104 55641.72601 175994.4339 171547.6076 174712.5713 162027.1512 171043.6081 94899.0981 55665.96772 176095.58 LS 198731.2151 319179.6384 314644.8454 317898.6348 305126.0974 314229.0023 237999.0996 198876.694 319228.2368 314789.4024 317948.2667 305269.614 314279.6885 238141.5774 198929.036 319370.0917 314842.6251 318089.1781 305323.8025 314419.6276 238196.7249 199067.4968 319425.8878 314980.3016 318145.8571 305460.5918 314477.2065 238332.628 199126.4923 319561.2648 Prediccin 243306.4368 246546.6219 233787.1979 242876.9803 166660.0148 127511.987 247873.381 243421.396 246592.3693 233901.3773 242923.4987 166773.4318 127559.2592 247986.0527 243469.4052 246704.3123 233950.1069 243034.7295 166822.8656 127669.7937 248036.175 243579.2589 246755.1077 234059.2952 243086.1828 166931.4034 127721.8902 248144.0768 243631.9843 246862.3877

DICIEMBRE LI 171572.8226 174812.8137 162053.23 171143.0105 94926.00906 55764.99515 176123.5455 171670.9215 174841.6023 162150.5256 171172.573 95022.53602 55794.85277 176219.0252 171701.6072 174936.3098 162181.9479 171266.5634 95054.66829 55888.51899 176252.0515 171794.4787 174970.0375 162274.1335 171300.9513 95146.19791 55923.15485 176342.6819 171829.8189 175060.0081 LS 315040.051 318280.4301 305521.1659 314610.9501 238394.0206 199258.9788 319623.2166 315171.8706 318343.1362 305652.229 314674.4244 238524.3276 199323.6657 319753.0803 315237.2032 318472.3149 305718.2659 314802.8956 238591.0629 199451.0684 319820.2985 315364.0391 318540.1778 305844.4568 314871.4143 238716.6088 199520.6256 319945.4716 315434.1496 318664.7674

6528178.98

BIBLIOGRAFA
Libros: Mtodos de pronsticos / Spyros Makridakis, Steven C. Wheelwrigth., 1998, Editorial Limusa Time series analysis : forecasting and control / George E. P. Box and Gwilym M. Jenkis. Pronsticos en los negocios, Planeacin para incrementar sus ventas, Mauro Rodrguez Marn, Editorial Gasca Sicco, 2004. Raymond Loewy, Industrial Design, pag 74.

Jos Emilio Gondar Nores, Tcnicas Estadsticas con SPSS I, editorial Data Mining Institute, 1998, p L1.7

Jos Emilio Gondar Nores, Tcnicas Estadsticas con SPSS II, editorial Data Mining Institute, 1998, p L1.7

BOX, G.E.P. and G.M. JENKINS (1970) Time series analysis: Forecasting and control, San Francisco: Holden-Day.

Box, G.E.P., G.M. Jenkins, and D.W. Bacon, "Models for Forecasting Seasonal and Nonseasonal Time Series," in Spectral Analysis of Time Series, B. Harris, ed., John Wiley & Sons, Inc., New York, 1967.

Jenkins, G.M. and D.G. Watts, Spectral Analysis and its Applications, Holden-Day, San Francisco, 1968. Stekler, H.O., "Forecasting with Econometric Models: An Evaluation," Econometrica, Vol. 36, No. 3-4, July-October 1968, pp. 437-463.

Artculos: Forecasting aggregates using panels of nonlinear time series Fok, D. / van Dijk, D. / Franses, P.H. , International Journal of Forecasting, 21 (4), p.785-794, Oct 2005. Measuring Business Cycles in Economic Time Series (Lecture Notes in Statistics, Vol. 154), R. Kaiser and A. Maravall... Xu, Q. , International Journal of Forecasting, 19 (4), p.758-759, Oct 2003.

Coherent forecasting in integer time series models Jung, R.C. / Tremayne, A.R. , International Journal of Forecasting, 22 (2), p.223-238, Apr 2006. Forecasting performance of multivariate time series models with full and reduced rank: an empirical examination Wang, Z. / Bessler, D.A. , International Journal of Forecasting, 20 (4), p.683-695, Oct 2004. Time Series Modelling using TSMod Bos, C.S. , International Journal of Forecasting, 20 (3), p.515-522, Jul 2004. 3.24

Kulendran, N, and King,M.L. (1997): Forecasting international quarterly tourist flows using error-correction and time series models. International Journal of forecasting,13,pp.319-327. Makridakis, S, (1993): Accuracy Measures: Theoretical and Practical Concerns, International Journal of Forecasting, 9,pp. 527-529.

Combining time series models for forecasting Zou, H. / Yang, Y. , International Journal of Forecasting, 20 (1), p.69-84, Jan 2004. Time Series Analysis and its Applications - Robert H. Shumway and David S. Stoffer; Springer Texts in Statistics; 2000,... Lawton, R. , International Journal of Forecasting, 17 (2), p.299-301, Apr 2001. Anlisis comparativo de los mtodos de previsin univariante, Estudios de Economa aplicada (1996), No. Pag 10-14. Makridakis S, Arte y Ciencia de Pronosticar, International Journal of Forecasting, 2, no.1, pp 15-39. Hanke, J.E. y A.G. Reitsch, usiness Forecasting, Allyn and Bacon, Boston Bussines Forecasting, John E. Hanke, Dean W. Wichern, Arthur G. Reitsch, pag 145,146. Mahmoud, E., The Evaluation of forecasts, en S. Makridakis y S. Wheelwright, The Handbook of Forecasting, 2a. ed.,Wiley, Nueva York.