Sartenejas, 17 de Abril de 2023.

Universidad Simón Bolívar

Departamento de Cómputo Científico y Estadística
Predicción y Simulación – CO4312
Profesora: Zoraida Martínez.
Estudiante: Stefane Rodríguez.
Carnet: 11-10879.

Proyecto II: Predicción (35%)

o Modelo 1: Descomposición Clásica.

Pregunta 1: Lleve a cabo los pasos y presente la predicción de la serie asignada

mediante un modelo de descomposición clásica. Para detectar la tendencia aplique una
regresión polinomial de un orden adecuado. (10 ptos)

 Caso 1: Se utilizaron los Datos de consumo energético de Alabama, expresados

durante 252 Meses desde Enero de 2001 hasta Diciembre 2021, para la solución del
modelo se utilizó el entorno de desarrollo RStudio, donde se desarrolló el código y se
obtuvieron los resultados correspondientes para el estudio de la serie y su distribución.

Gráfico 1. Consumo Energético Total en Alabama Desde Enero 2001- Diciembre 2021.
 En el gráfico 1 podemos observar el comportamiento de los datos obtenidos de
consumo energético para la región de Alabama desde Enero de 2001 hasta Diciembre de
2022, en el cual se refleja una tendencia creciente y no estacionaria en media, con
amplitudes que varían muy poco a lo largo de los años.

Se estudiará la tendencia de los datos y se aplicará para este modelo los datos
desde enero de 2001 hasta diciembre de 2021 para construir los modelos de las series y
las predicciones serán hechas desde Enero de 2022 hasta Diciembre de 2024.

Por tanto, se procede a la separación de los datos y se utiliza un promedio móvil de

orden 11.

Gráfico 2. Consumo Energético transpuesto por un modelo de promedio móvil de orden

11 para 252 meses (Enero 2001 - Diciembre 2021).

En la gráfica 2 los datos se ajustan a una tendencia de promedio móvil de orden 11,
por lo que se procede a destendizar los datos obteniendo:
 Gráfico 3. Serie Destendizada promedio móvil de orden 11 para 204 meses
(Desde Enero 2001 hasta Diciembre 2021)

Se observa en el Gráfico 3 que ahora la serie quedó destendizada, es decir, es

estacionaria con respecto a la media, esto se observa al ver que los valores oscilan
alrededor del eje horizontal, aunque todavía se pueden observar unos picos diferentes a
otros. Por lo tanto podemos decir que los datos de consumo energético en Alabama se
ajustan mejor a una tendencia de promedio móvil de orden 11.

Teniendo en cuenta la tendencia de los datos se estudia la estacionalidad con el

promedio de orden 11, y se desarrolla en RStudio la correlación con el retardo.
 Gráfico 4. Autocorrelación de la serie utilizando un Promedio Móvil de Orden 11

En el grafico 4 observamos un retardo en 0 pero este no se toma en cuenta para el

análisis ya que la serie es idéntica a sí misma, si no hay desplazamientos en el tiempo, la
autocorrelación siempre será 1. Así mismo se observa que hay una tendencia periódica en
los picos del ACF, dichos picos están retardados en 12,24,36,48... Por lo que debe haber
estacionalidad de periodo 12.

Gráfico 5. Índices Estacionarios para la técnica de un Promedio Móvil de orden 11.

Dónde: los índices significativos serían:
-42.67605 -321.90229 -310.39989 -691.35498
-281.38312 439.37229 943.93074 1046.56494
157.01154 -355.58766 -415.11874 -186.13853

Como se observa en la gráfica para índices de la serie, tenemos datos que

aumentan en un tiempo y luego vuelven a decrecer. Por otro lado, se consigue un periodo
de estacionalidad igual a 12 meses y por lo tanto 12 índices estacionales, esto indica un
constante crecimiento del consumo total energético a medida que pasan los meses. Este
resultado concuerda con el gráfico 1 donde desde un principio, se pudo ver que a medida
que los años pasaban, el consumo energético tiende a ser mayor.

Así mismo se calcularon los errores MSE y MAPE del promedio móvil de orden 11,
podemos notar que la predicción puede estar errada un 14.65% debido al valor obtenido
del MAPE.
Tabla 1. Promedio móvil de orden 11.

MSE MAPE
136404.9 14.65223

Podemos observar cómo se comporta la predicción para los datos del modelo
seleccionado, por lo que calculamos las predicciones desde Enero 2001 hasta Diciembre
2021 que son los datos seleccionados del modelo para observar su parecido en la
predicción, tenemos entonces:

Gráfico 6. Comparación de Datos Predictivos y Reales (Enero 2001 - Diciembre 2021).

 Observamos en la gráfica que los datos de la predicción son los de color verde y se
acercan a los datos reales de color rojo, hay ciertos puntos que no son tan parecidos
debido a que los datos reales tienen picos variables en el tiempo que no siguen una
tendencia por lo tanto la predicción no los toma en cuenta, pero aun así podemos decir
que la predicción de los datos desde Enero del 2001 hasta Diciembre del 2021 es acertada
y los valores son parecidos a los datos que tenemos. Por lo tanto, se tiene un buen modelo
para predecir datos a futuro.

Se emplea el modelo para la predicción a futuro de los próximos años desde Enero
de 2022 hasta Diciembre de 2024, los próximos 36 meses. Observamos que los valores del
MSE y MAPE arrojados para las predicciones a futuro con un modelo del polinomio cúbico,
se obtiene un error de predicción de 8,60% .

Tabla 2. Polinomio cúbico predicción.

MSE MAPE
280517 8.606856

Gráfico 7. Predicción a futuro de los datos de Consuma de Alabama para los 36 meses.
(Enero – 2022- Diciembre 2024)

En el gráfico anterior podemos observar que los datos reales para este periodo son
los de color negro, y los datos obtenidos por la predicción se encuentra en ese rango de
valores de color rojo, en este caso los datos obtenidos se encuentran en su mayoría
dentro del rango de valores de la predicción por lo que se podría decir que la predicción
tiene buenos resultados, así mismo se puede verificar que los datos de la predicción
tienen un valor numérico cercano a los datos originales.

Tabla 3. Predicción de Datos desde Enero 2022 hasta Diciembre 2024.

Meses Consumo Meses Consumo Meses Consumo
1 4.993,596 13 4.998,887 25 5.121,720
2 4.989,547 14 5.004,634 26 5.137,262
3 4.986,315 15 5.011,197 27 5.153,620
4 4.983,899 16 5.018,576 28 5.170,794
5 4.982,300 17 5.026,771 29 5.188,784
6 4.981,516 18 5.035,783 30 5.207,591
7 4.981,549 19 5.045,611 31 5.227,214
8 4.982,398 20 5.056,255 32 5.247,654
9 4.984,063 21 5.067,716 33 5.268,909
10 4.986,545 22 5.079,992 34 5.290,981
11 4.989,843 23 5.093,085 35 5.313,869
12 4.993,957 24 5.106,994 36 5.337,573

En la tabla 3 se observan los valores de predicción para los 36 meses siguientes

desde Enero de 2021 hasta Diciembre de 2024 con un rango de valores que varían muy
poco entre sí, y la tendencia predictiva también es creciente a medida que van pasando
los años, por tanto el consumo Energético en Alabama tiende a Aumentar.

Gráfico 8. Serie de Datos de Consumo Energético en Alabama en todo el Periodo.

 En conclusión la predicción mediante un modelo de descomposición clásica, en
este caso un polinomio de orden 11 fue muy cercana a los valores reales, los datos de la
predicción tienden a los valores reales, ya que al paso de los meses los valores siguen un
patrón similar al real con sus pequeñas diferencias, además su error de predicción es
relativamente bajo con un 8.6% por lo que se podría decir que este modelo es eficiente
para la predicción.

El patrón que se ve reflejado en los datos puede notarse que el consumo

energético en Alabama suele ser un recurso demandado debido a los picos que presenta,
aunque en algunos meses su consumo disminuye, mayormente su tendencia tiende
aumentar.

 Caso 2: Se utilizaron los Datos de consumo energético de Alabama, expresados

durante 84 Meses desde Enero de 2015 hasta Diciembre 2021, se procedió a realizar los
cálculos correspondientes para el estudio de la serie y su distribución con ayuda del
desarrollo RStudio.

Gráfico 9. Consumo Energético Total en Alabama Desde Enero 2015 - Diciembre 2021.

En el gráfico 9 se refleja una tendencia lineal y estacionaria en media, con

amplitudes que varían muy poco a lo largo de los años. Se estudiará la tendencia de los
datos y se aplicará para este modelo los datos desde Enero de 2015 hasta Diciembre de
2021 para construir los modelos de las series y las predicciones serán hechas desde Enero
de 2022 hasta Diciembre de 2024. Y se procede a la separación de los datos y se utiliza un
promedio móvil de orden 7.

Gráfico 10. Consumo Energético transpuesto por un modelo de promedio móvil de orden
11 para 252 meses (Enero 2001 - Diciembre 2021).

En la gráfica 2 los datos se ajustan a una tendencia de promedio móvil de orden 11,
por lo que se procede a destendizar los datos obteniendo:

Gráfico 10. Serie Destendizada promedio móvil de orden 7 para 84 meses

(Desde Enero 2015 hasta Diciembre 2021)

Se observa en el Gráfico 10 que ahora la serie quedó destendizada, es decir, es

estacionaria con respecto a la media, esto se observa al ver que los valores oscilan
alrededor del eje horizontal, aunque todavía se pueden observar unos picos diferentes a
otros, sobre todo en el periodo 2020 a 2021.

A pesar de estos picos, se puede decir que los datos de consumo energético en
Alabama se ajustan bien a la tendencia de promedio móvil de orden 7.

Teniendo en cuenta la tendencia de los datos se estudia la estacionalidad con el

promedio de orden7, y se desarrolla en RStudio la correlación con el retardo.
 Gráfico 11. Autocorrelación de la serie utilizando un Promedio Móvil de Orden 7

Se puede observar en el grafico 11 que existe un retardo en cero, sin embargo,

para el análisis se puede decir que la serie es idéntica a sí misma, si no hay
desplazamientos en el tiempo, la autocorrelación siempre será 1. Así mismo se observa
que hay una tendencia periódica en los picos del ACF, dichos picos están retardados en
12,24,36,48... Por lo que debe haber estacionalidad de periodo 12.

Gráfico 12. Índices Estacionarios para la técnica de un Promedio Móvil de orden 7.

Dónde: los índices significativos serían:
211.452381 -322.085714 8.507937 -728.142857 -229.428571 110.190476
876.238095 649.476190 66.476190 -468.285714 -179.000000 111.238095

Como se observa en la gráfica para índices de la serie, se tienen datos que tienden
a disminuir, pero también se tienen datos que aumentan en un tiempo y luego vuelven a
decrecer, lo que nos indica que los datos se mantienen con media constante en un
periodo de estacionalidad igual a 12 meses y por lo tanto 12 índices estacionales. Este
resultado concuerda con el gráfico 10 donde desde un principio, se pudo ver que a medida
que los años pasaban, el consumo energético en Alabama para estos años tiende a
mantenerse.

Por consiguiente se calcularon los errores MSE y MAPE del promedio móvil de
orden 7, podemos notar que la predicción puede estar errada un 6.65% debido al valor
obtenido del MAPE, este valor es bastante aceptable para el modelo.

Tabla 4. Promedio móvil de orden 7.

MSE MAPE
126133.1 6.653924

Podemos observar cómo se comporta la predicción para los datos del modelo
seleccionado, por lo que calculamos las predicciones desde Enero 2001 hasta Diciembre
2021 que son los datos seleccionados del modelo para observar su parecido en la
predicción, tenemos entonces:

Gráfico 13. Comparación de Datos Predictivos y Reales (Enero 2015 - Diciembre 2021).
 En el gráfico 13 se observan en color verde los datos de la predicción y en color
rojo los datos reales para este periodo, los cuales se asemejan entre sí, a pesar de que en
los datos reales existen unos pequeños picos variables en el tiempo que no siguen una
tendencia por lo tanto la predicción no los toma en cuenta.

Sin embargo, se puede decir que la predicción de los datos desde Enero del 2015
hasta Diciembre del 2021 es acertada y los valores son parecidos a los datos que tenemos.
Por lo tanto, se tiene un buen modelo para predecir datos a futuro.

Partiendo de este modelo con tendencia lineal para los próximos 36 meses, se
calcula los valores del MSE y MAPE a través de RStudio y se obtiene que para las
predicciones a futuro con un modelo del polinomio cúbico, se obtenga un error bastante
bajo para la predicción el cual es 8,66% aproximadamente según lo calculado para el
MAPE.

Tabla 5. Polinomio lineal de Predicción.

MSE MAPE
284782.6 8.654712

Gráfico 14. Predicción a futuro de los datos de Consuma de Alabama para los 36 meses.
(Enero – 2022- Diciembre 2024)

El grafico 14 ese asemeja mucho al grafico 7 puesto que las predicciones se

realizaron en el mismo periodo de tiempo, sin embargo podemos observar que los datos
reales para el periodo se encuentran dentro del rango de la predicción, lo que indica que
la predicción tiene valores muy cercano a los datos originales para el consumo energético
en Alabama en este periodo.

Tabla 6. Predicción de Datos desde Enero 2022 hasta Diciembre 2024.

Meses Consumo Meses Consumo Meses Consumo
1 4817.398 13 4935.333 25 5053.268
2 4443.732 14 4561.667 26 4679.602
3 4267.732 15 4385.667 27 4503.602
4 3888.065 16 4006.000 28 4123.935
5 4412.398 17 4530.333 29 4648.268
6 5139.065 18 5257.000 30 5374.935
7 5987.065 19 6105.000 31 6222.935
8 6292.065 20 6410.000 32 6527.935
9 5946.398 21 6064.333 33 6182.268
10 5283.398 22 5401.333 34 5519.268
11 4645.732 23 4763.667 35 4881.602
12 4477.398 24 4595.333 36 4713.268

Los valores de predicción para los 36 meses siguientes desde Enero de 2021 hasta
Diciembre de 2024 En este modelo de serie también varían un poco más que los arrojados
en el caso anterior.

Gráfico 15. Serie de Datos de Consumo Energético en Alabama en todo el Periodo.

 Se Observa en el Grafico 15 que la tendencia predictiva también es lineal, es decir
los valores oscilan (suben y bajan) manteniéndose en promedio constante a medida que
transcurren los años en este periodo, por tanto el consumo Energético en Alabama tiende
a mantener un promedio a pesar de alguno picos crecientes y decrecientes del periodo.

En conclusión la predicción mediante un modelo de descomposición clásica, en

este caso un polinomio de orden 7 fue muy cercana a los valores reales, los datos de la
predicción tienden a los valores reales, ya que al paso de los meses los valores siguen un
patrón similar al real con sus pequeñas diferencias, además su error de predicción es bajo
con un 8.66% por lo que se podría decir que este modelo es eficiente para la predicción.

El patrón que se ve reflejado en los datos puede notarse que el consumo

energético en Alabama suele ser un recurso demandado debido a los picos que presenta,
aunque en algunos meses su consumo disminuye y en otros aumenta, mayormente su
tendencia tiende ser lineal.
 o Modelo 2: Holt-Winters.

Pregunta 2: Lleve a cabo y presente la predicción de la serie asignada mediante el

método de Holt-Winters suponiendo una estacionalidad de 12 meses y parámetros alfa =
0.2, beta = 0.6 y gamma = 0. Elija entre un modelo aditivo y uno multiplicativo. Justifique
su elección. (10 ptos)

 Caso 1: Se utilizaron los Datos desde enero de 2001 hasta diciembre de 2021 para
construir los modelos de las series. Las predicciones deben ser hechas desde enero de
2022 hasta diciembre de 2024. Y para la solución del modelo se utilizó el entorno de
desarrollo RStudio, donde se desarrolló el código y se obtuvieron los resultados
correspondientes para el estudio de la serie y su distribución.

Lo primero que se realizó fue la separación de los datos para la realización del
modelo de predicción que se desarrolló con la serie de datos desde Enero de 2001 hasta
Diciembre de 2021, con los datos seleccionados se realizó un análisis.

 Caso 2: Para la solución del modelo se utilizó el entorno de desarrollo RStudio,

donde se desarrolló el código y se obtuvieron los resultados correspondientes para el
estudio de la serie y su distribución. Se utilizaron los Datos desde enero de 2015 hasta
diciembre de 2021 para construir los modelos de las series. Las predicciones deben ser
hechas desde enero de 2022 hasta diciembre de 2024. Y

Gráfico 16. Consumo total Energético en Alabama (Enero 2001 - Diciembre 2021).

Se aprecia en el grafico 16 que la distribución de los datos sigue una tendencia

creciente, con amplitudes a lo largo de los datos. A su vez debido al enunciado sabemos
que los datos tienen una estacionalidad de 12 meses, es decir, el patrón se repite cada 12
meses. La tendencia creciente de los datos puede estar debido a un aumento constante
de la demanda de consumo energético.
 Se llevará acabo la predicción mediante el método aditivo debido a que el valor
medio de la desviación aumenta, la magnitud del patrón de estacional no cambia cuando
la serie sube o baja. Por lo que se aplicará el modelo de Holt-Winters con parámetros: alfa
= 0.2, beta = 0.6 y gamma = 0.

Mediante la predicción del método de Holt Winters se obtuvieron los siguientes

datos de predicción desde Enero 2022 hasta Diciembre 2024, los valores rondan
aproximadamente desde 5100 hasta casi 10700 cantidades de consumo energético, se ve
reflejado que los datos aumentan cada mes teniendo una tendencia creciente que se
puede ver mejor reflejada en la gráfica de los datos.

Tabla 7. Predicción a Futuro desde Enero 2022 hasta Diciembre 2024.

Meses Consumo Meses Consumo Meses Consumo

1 5115.827 13 7017.076 25 8918.325

2 5273.868 14 7175.117 26 9076.366

3 5432.449 15 7333.698 27 9234.947

4 5591.034 16 7492.283 28 9393.532

5 5749.709 17 7650.958 29 9552.207

6 5908.517 18 7809.766 30 9711.015

7 6067.278 19 7968.526 31 9869.775

8 6225.813 20 8127.062 32 10028.311

9 6383.933 21 8285.182 33 10186.431

10 6542.399 22 8443.648 34 10344.897

11 6700.871 23 8602.120 35 10503.369

8760.352
12 6859.104 24 36 10661.601

El Error Porcentual Medio Absoluto es: 𝑀𝐴𝑃𝐸 = 69,14% el cual es bastante alto
para el error de predicción, lo que indica que el modelo no es del todo acertado para la
predicción.

Tabla 8. MAPE y el MSE para la Predicción.

MSE MAPE
27923534 69.14008

Graficando en RStudio los valores reales junto con los valores de predicción
correspondientes y los valores de predicción para el período de Enero 2021 hasta
diciembre 2024, se tiene entonces:
 Gráfico 17. Comparación de serie de datos con la predicción
(Enero 2015 - Diciembre 2021).

En el gráfico se puede observar cierta similitud entre los datos reales y los datos de
la predicción sólo para el periodo de años del 2001 hasta 2021, después al realizar la
predicción a futuro los datos no siguen un patrón adecuado, debido que no es el mismo
que venía trayendo la serie, en este caso los datos aumentan constantemente desde el
año 2021 hasta 2024.

Por los resultados obtenidos podemos decir que el método de predicción usado en
esta segunda ecuación no es eficiente, debido a que los datos no siguen el patrón
destinado para los datos, a su vez esto también se comprueba en el error MAPE debido
que nos arrojó un porcentaje de 69,14% un error muy elevado en el pronóstico de los
datos.

La tendencia de los datos totalmente creciente puede ser debida que la demanda a
través de los años aumenta constantemente mientras pasa los meses.

 Caso 2: Para la solución del modelo se utilizó el entorno de desarrollo RStudio,

donde se desarrolló el código y se obtuvieron los resultados correspondientes para el
estudio de la serie y su distribución. Se utilizaron los Datos desde Enero de 2015 hasta
Diciembre de 2021 para construir los modelos de las series. Las predicciones deben ser
hechas desde enero de 2022 hasta diciembre de 2024.
 Se realizó fue la separación de los datos para la realización del modelo de
predicción que se desarrolló con la serie de datos desde Enero de 2015 hasta Diciembre
de 2021, con los datos seleccionados se realizó un análisis.

Gráfico 18. Consumo total Energético en Alabama (Enero 2015 - Diciembre 2021).

En el grafico 16 que los datos tienen una estacionalidad de 12 meses, es decir, el

patrón se repite cada 12 meses. La tendencia lineal creciente de los datos puede estar
debido a un aumento progresivo de la demanda de consumo energético. A su vez, la
distribución de los datos sigue una tendencia lineal, con amplitudes a lo largo de los datos.

Posteriormente se llevará acabo la predicción mediante el método aditivo debido a

que el valor medio de la desviación aumenta, la magnitud del patrón de estacional no
cambia cuando la serie sube o baja. Por lo que se aplicará el modelo de Holt-Winters con
parámetros: alfa = 0.2, beta = 0.6 y gamma = 0.

Se realizaron los cálculos correspondientes en RStudio para obtener las

predicciones futuras de los datos, mediante el método de Holt Winters y se obtuvieron los
siguientes datos de predicción desde Enero 2022 hasta Diciembre 2024.

Los valores se encuentran en el rango aproximado de 5100 hasta casi 10700

cantidades de consumo energético, lo que refleja que los datos aumentan
progresivamente a lo largo del periodo predictivo.
 Tabla 9. Predicción a Futuro desde Enero 2022 hasta Diciembre 2024.
Meses Consumo Meses Consumo Meses Consumo
1 5116.848 13 7019.794 25 8922.740
2 5275.289 14 7178.235 26 9081.181
3 5433.838 15 7336.783 27 9239.729
4 5592.247 16 7495.193 28 9398.139
5 5751.040 17 7653.986 29 9556.931
6 5909.747 18 7812.692 30 9715.638
7 6068.406 19 7971.352 31 9874.297
8 6226.935 20 8129.881 32 10032.827
9 6385.381 21 8288.327 33 10191.273
10 6543.919 22 8446.864 34 10349.810
11 6702.488 23 8605.434 35 10508.379
12 6861.129 24 8764.074 36 10667.020

El Error Porcentual Medio Absoluto es: 𝑀𝐴𝑃𝐸 = 20.87% el cual más bajo que el
previsto en el periodo anterior, pero aun así es alto para el error de predicción, lo que
indica que el modelo no es del todo acertado para la predicción.

Tabla 10. MAPE y el MSE para la Predicción.

MSE MAPE
14336325 20.86894

Se Grafica en RStudio los valores reales junto con los valores de predicción
correspondientes y se obtiene el siguiente gráfico:

Gráfico 19. Comparación de serie de datos con la predicción (Enero 2015 - Diciembre 2021).
 En el gráfico se puede observar que no existe mucha similitud entre los datos
reales y los datos de la predicción a lo largo del periodo de Enero 2015 hasta Diciembre
2021, después al realizar la predicción a futuro los datos no siguen un patrón adecuado,
debido que no es el mismo que venía trayendo la serie, en este caso los datos reales son
mayores que los predictivos.

La tendencia de los datos aumenta linealmente y puede ser debida que la

demanda a través de los años. Por consiguiente se puede decir que el método de
predicción no es tan eficiente, debido a que los datos predictivos no siguen el patrón
destinado para los datos reales, a su vez esto también se comprueba en el error MAPE
debido que nos arrojó un porcentaje de 20.87% un error alto en el pronóstico de los
datos.

Finalmente, comparando la efectividad de los 2 Métodos predictivos se puede

concluir el Método de Descomposición Clásica es más acertado puesto que las
predicciones para ambos casos se acercan más a los valores reales para cada periodo,
además los errores medio son mucho más bajo para el método 1 (Descomposición Clásica)
que para el método 2 (Holt-Winters). Sin embargo, el método 2 es más directo y práctico a
la hora de realizar los cálculos correspondientes para las predicciones.

Para este modelo de Datos de consumo energético en Alabama, se puede concluir

que es más efectivo realizar las predicciones correspondientes para los meses del periodo
analizado con el método de Descomposición Clásica.