República Bolivariana De Venezuela

Universidad Católica Andrés Bello

Facultad de Ingeniería

Escuela de Ingeniería Industrial

Gestión de Sistemas Productivos

INVESTIGACIÓN

Realizado Por:

Pino, Estefanía

Profesor:

Joubran Díaz

Caracas, octubre de 2019

 1- Métodos de pronóstico avanzado:
- Serie de Fourier:

Una serie de Fourier es una serie infinita que converge puntualmente a una función
periódica y continua a trozos (o por partes). Las series de Fourier constituyen la
herramienta matemática básica del análisis de Fourier empleado para analizar
funciones periódicas a través de la descomposición de dicha función en una suma
infinita de funciones sinusoidales mucho más simples (como combinación de senos
y cosenos con frecuencias enteras).

Es una aplicación usada en muchas ramas de la ingeniería, además de ser una

herramienta sumamente útil en la teoría matemática abstracta. Sus áreas de
aplicación incluyen análisis vibratorio, acústica, óptica, procesamiento de imágenes
y señales, y compresión de datos. En ingeniería, para el caso de los sistemas de
telecomunicaciones, y a través del uso de los componentes espectrales de
frecuencia de una señal dada, se puede optimizar el diseño de un sistema para la
señal portadora del mismo. Refiérase al uso de un analizador de espectros.

Las series de Fourier tienen la forma:

Donde, 𝑎𝑛 y 𝑏𝑛 se denominan coeficientes de Fourier de la serie de Fourier de la

función f(t).

- Box – Jenkins:

Se aplica a los modelos autorregresivos de media móvil ARMA o a los modelos

autorregresivos integrados de media móvil (ARIMA) para encontrar el mejor ajuste
de una serie temporal de valores, a fin de que los pronósticos sean más
acertados.

El método original utiliza un enfoque de modelado iterativo en tres etapas, usando

datos de un horno de gas. Estos datos son conocidos como datos de Box-Jenkins
del horno de gas para la evaluación comparativa de modelos de predicción.
Las tres etapas del modelado iterativo son las siguientes:

1- Identificación y selección del modelo: asegurarse de que las variables son

estacionarias, la identificación de la estacionalidad de la serie dependiente
(diferenciación estacional, para cierto período, si es necesario), y el uso de
los gráficos de las funciones de autocorrelación y de autocorrelación parcial
de la serie de tiempo se utilizan para decidir cuál componente (si es el
caso) se debe utilizar en el modelo, el promedio autorregresivo (AR) o un
promedio móvil (MA).
2- Estimación de parámetros usando algoritmos de cálculo para tener
coeficientes que mejor ajusten el modelo ARIMA seleccionado. Los
métodos más comunes usan estimación de máxima verosimilitud o mínimos
cuadrados no lineales.
3- Comprobar el modelo mediante el ensayo, si el modelo estimado se ajusta
a las especificaciones de un proceso univariado estacionario. En particular,
los residuos deben ser independientes el uno del otro, además, la media y
la varianza deben ser constantes en el tiempo. (Para identificar los errores
de especificación son útiles la graficación de la media y la varianza de los
residuos a través del tiempo y la realización de una prueba de Ljung-Box o
bien por medio del trazado de autocorrelación y autocorrelación parcial de
los residuos.) Si la estimación es inadecuada, tenemos que volver al paso
uno e intentar buscar un modelo mejor.

- ARIMA:

Es un modelo estadístico que utiliza variaciones y regresiones de datos estadísticos

con el fin de encontrar patrones para una predicción hacia el futuro. Se trata de un
modelo dinámico de series temporales, es decir, las estimaciones futuras vienen
explicadas por los datos del pasado y no por variables independientes.

El modelo ARIMA necesita identificar los coeficientes y número de regresiones que

se utilizarán. Este modelo es muy sensible a la precisión con que se determinen sus
coeficientes.
Se suele expresar como ARIMA (p,d,q) donde los parámetros p, d y q son números
enteros no negativos que indican el orden de las distintas componentes del modelo
respectivamente, las componentes autorregresiva, integrada y de media móvil.
Cuando alguno de los tres parámetros es cero, es común omitir las letras
correspondientes del acrónimo AR para la componente autorregresiva, I para la
integrada y MA para la media móvil.

El modelo ARIMA puede generalizarse aún más para considerar el efecto de la

estacionalidad. En ese caso, se habla de un modelo SARIMA.

El modelo ARIMA (p,d,q) se puede representar como:

En donde d corresponde a las d diferencias que son necesarias para convertir la

serie original en estacionaria 𝜙1 … 𝜙𝑝 , son los parámetros pertenecientes a la
parte "autorregresiva" del modelo 𝛳1 … 𝛳𝑞 , los parámetros pertenecientes a la
parte "medias móviles" del modelo 𝜙0 , es una constante, y 𝜀𝑡 es el término de
error (llamado también innovación o perturbación estocástica esta última asociada
más para modelos econométricos uniecuacionales o multiecuacionales).

- Descomposición de Series de Tiempo:

Corresponde a una metodología para la Proyección de la Demanda que como el

nombre lo sugiere “descompone” el comportamiento de una Serie de Tiempo en
tendencia, estacionalidad y ciclo, relacionando dichos componentes a través de la
siguiente fórmula:

S(t) = T(t) × Y × C + ꭒ
Donde:

S= Valor pronosticado

T= Factor de tendencia

C= Componente cíclico

Y= Componente estacional

μ= Variación no sistemática

- Simulación:

Es la representación de un proceso o fenómeno mediante otro más simple, que

permite analizar sus características; Pero la simulación no es solo eso también es
algo muy cotidiano, hoy en día, puede ser desde la simulación de un examen, que
le hace la maestra a su alumno para un examen del ministerio, la producción de
textiles, alimentos, juguetes, construcción de infraestructuras por medio de
maquetas, hasta el entrenamiento virtual de los pilotos de combate.

2- FORECAST-PRO (Software de pronóstico):

Es una herramienta de análisis independiente para pronósticos de negocios que

combina métodos estadísticos probados con una interfaz intuitiva. Es un sistema
integral de pronóstico y gestión. Esta solución asequible y fácil de usar le brinda a
su equipo la capacidad de crear pronósticos precisos y creíbles, junto con las
herramientas para administrar, monitorear y mejorar de manera eficiente cualquier
proceso.

Forecast Pro tiene una interfaz intuitiva que muestra datos jerárquicos en una
estructura similar a un árbol, lo que le permite trabajar en cualquier nivel de detalle
con un simple clic del mouse. A medida que navega de un elemento a otro, las
ventanas sincronizadas que muestran los informes gráficos y tabulares se
actualizan al instante. Compartir su trabajo es fácil con los formatos de salida
flexibles de Forecast Pro, que incluyen informes con un clic y directamente a Excel
La función automática de “mejor elección” le permite generar pronósticos precisos,
incluso para miles de elementos, en cuestión de segundos. Si prefiere especificar el
enfoque de pronóstico, Forecast Pro proporciona opciones de modelado
personalizado basadas en menús y un conjunto completo de herramientas de
diagnóstico. Los métodos integrales, satisfacen la demanda estacional, las
jerarquías de productos, las promociones de productos, los productos nuevos, los
artículos que se mueven lentamente, las variables causales, los valores atípicos y
mucho más.