Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Modelo Arima y Redes
Modelo Arima y Redes
DE TRUJILL0
SEMINARIO DE TESIS: INVESTIGACION DE
FACULTAD DE CIENCIAS
ORGANIZACIONES FISICAS Y MATEMATICAS
ING. ESTADÍSTICA
PROYECTO DE TESIS
“CALIDAD DE SERVICIO A LOS CLIENTES
QUE ACUDEN AL RESTAURANTE DE AUTOR:
COMIDA RAPIDA POPEYES DEL CENTRO Cerna Reyna, Harold Renzo
COMERCIAL REAL PLAZA, DICIEMBRE - ASESOR:
TRUJILLO 2017” Dr. Gómez Arce, Ricardo
Martin
2017
RESULTADOS
PROBLEMA HIPOTESIS OBJETIVOS JUSTIFICACIÓN POBLACIÓN MUESTRA
Y ANÁLISIS
Objetivo general:
Objetivos Específicos:
Comparar los pronósticos de la producción minera de oro en el Perú mediante Modelo Arima y Redes
Neuronales.
RESULTADOS
PROBLEMA HIPOTESIS OBJETIVOS JUSTIFICACIÓN POBLACIÓN MUESTRA
Y ANÁLISIS
Los países del mundo en la actualidad se hacen más competitivos de su producción de oro y
cada vez adoptan más estrategias a fin de garantizar el éxito. Estos países están adoptando
herramientas de optimización que permitan planificar, prever y tomar decisiones en base a
modelo y teorías a fin de alcanzar el éxito a corto, mediano y largo plazo, con el propósito de
establecer metas que permitan el alcance del aprovisionamiento y distribución de la
producción, enfocados al cumplimiento de su visión y misión.
La necesidad de plantear la evaluación de las series mensuales de la producción del oro en el
Perú, incide en la optimización de los mismos a través de un modelo de pronóstico, que
escasamente se visualiza, ya que mediante su análisis se podrán establecer el modelo de
pronóstico a seguir para el beneficio de alguna empresas productoras del país y su plan
estratégico para la producción, esto con el fin de que las empresas involucradas en la
producción puedan continuar siendo pioneras en su ramo de producción.
En cuanto a su alcance científico este trabajo realizará un abordaje aplicativo de la técnica
de inteligencia artificial denominada redes neuronales, y a la vez se realizará una
comparación para evaluar la eficiencia entre esta ya mencionada técnica de modelamiento
estadístico y la habitual metodología de Box – Jenkins para generar conocimiento valido y
confiable dentro del área de la serie de tiempo y de la ciencia de la estadística aplicada en
general., en este caso el modelamiento de la producción minera de oro en el Perú.
RESULTADOS
PROBLEMA HIPOTESIS OBJETIVOS JUSTIFICACIÓN POBLACIÓN MUESTRA
Y ANÁLISIS
El 90% de los datos (Enero 2002 – Junio 2015) para modelar la serie de tiempo.
Tabla N°1: Determinación del nivel de calidad de servicio a los clientes que acuden al
restaurante de comida rápida Popeyes del centro comercial Real Plaza Trujillo.
Baja 0 0,0%
Media 1 0,3%
1. MODELO ARIMA
Etapa 1: Identificación del modelo
En esta fase se incio con el:
Se aprecia una evolución creciente, con la serie con el paso del
Gráfico lineal tiempo, especialmente a partir del año 2002, luego con un
aumento abrupto del año 2004 a 2007, luego tiene caídas y
alzas dentro de un rango hasta el año 2010, y luego una
abrupta caída del año 2010 a 2011, y a partir de este año tuvo
un aumento abrupto hasta el año 2015. Esto significa que la
serie no presenta un valor medio constante en todo el periodo.
Por lo tanto podemos suponer a priori que, probamente, no será
estacionara, y luego presentará al menos una raíza unitaria.
𝐻𝑜 : 𝐿𝑎 𝑠𝑒𝑟𝑖𝑒 𝑒𝑠 𝑛𝑜 𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑟𝑖𝑎
𝐻1 : 𝐿𝑎 𝑠𝑒𝑟𝑖𝑒 𝑒𝑠 𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑟𝑖𝑎
Figura 3: Primera diferencia de la serie mensual de
la producción minera de oro en el Perú, Enero 2002
– Junio 2015.
RESULTADOS
PROBLEMA HIPOTESIS JUSTIFICACIÓN OBJETIVOS POBLACIÓN MUESTRA
Y ANÁLISIS
Arima(3, 1, 3) 3.521538
Arima(3, 1, 6) 3.524921
De acuerdo a la Tabla N° 1 el modelo que presenta el menor AIC es Arima (3, 1, 24).
= 0.321704𝑂𝑅𝑂𝑡−3 + 𝜀𝑡 − 0.392265𝜀𝑡−24
𝑂𝑅𝑂
Tabla N° 3: Red Neuronal elegida para modelar y pronosticar la producción minera de oro en el
Perú en el periodo Enero del 2002 a Diciembre del 2016.
Información de red
Capa de entrada Covariables 1 Oro 1
Número de unidadesa 1
Método de cambio de escala para las covariables Estandarizados
Capas ocultas Número de capas ocultas 1
Número de unidades en la capa oculta 1a 3
Función de activación Tangente hiperbólica
Capa de salida Variables dependientes 1 Oro
Número de unidades 1
Método de cambio de escala para las dependientes
Estandarizados
de escala
Función de activación Identidad
Función de error Suma de cuadrados
a. Se excluye la unidad de sesgo
Esta tabla presenta la información de la red neuronal que mejor modela y pronostica la producción minera de oro
en el Perú; la capa de entrada presenta una unidad y tiene como covariables a Oro 1 que es el primer rezago de la
variable Oro; las capas ocultas presentan una unidad, dos unidades en la capa oculta n°3 y tiene función de
activación tangente hiperbólica; la capa de salida presenta una unidad, tiene como variable dependiente a Oro, su
método de cambio de escala para las dependientes de escala es estandarizados, tiene función de activación
identidad y su función de error es suma de cuadrados. Todo esto se puede visualizar en la Figura 9. El cuadro de
resumen del modelo despliega información sobre los resultados de entrenamiento, de reserva y de pronóstico
plasmado en la Tabla N°4.
Figura 15: Red Neuronal elegida para modelar y pronostica
la producción minera de oro en el Perú en el periodo Enero
de 2002 a Diciembre de 2016.
Tabla N°4: Resumen del modelo de la producción minera de
oro en el Perú por medio de redes neuronales.
Periodo Observados
Modelo Arima Redes Neuronales DAM CME PEMA PME DAM CME PEMA PME
2015-07 140,7 98,65 140,46 42,05 1768,58 0,299 0,299 0,240 0,06 0,002 0,002
2015-08 140,8 98,65 140,56 42,15 1777,00 0,299 0,299 0,240 0,06 0,002 0,002
2015-09 143 98,65 142,58 44,35 1967,32 0,310 0,310 0,420 0,18 0,003 0,003
2015-10 143,1 98,65 142,67 44,45 1976,20 0,311 0,311 0,430 0,18 0,003 0,003
2015-11 144,3 98,65 143,74 45,65 2084,34 0,316 0,316 0,560 0,31 0,004 0,004
2015-12 144,9 98,65 144,28 46,25 2139,48 0,319 0,319 0,620 0,38 0,004 0,004
2016-01 144,8 98,65 144,19 46,15 2130,24 0,319 0,319 0,610 0,37 0,004 0,004
2016-02 146,2 98,65 145,41 47,55 2261,43 0,325 0,325 0,790 0,62 0,005 0,005
2016-03 148 98,65 146,95 49,35 2435,87 0,333 0,333 1,050 1,10 0,007 0,007
2016-04 146,9 98,65 146,01 48,25 2328,50 0,328 0,328 0,890 0,79 0,006 0,006
2016-05 149,2 98,65 147,95 50,55 2555,76 0,339 0,339 1,250 1,56 0,008 0,008
2016-06 152,7 98,65 150,74 54,05 2921,89 0,354 0,354 1,960 3,84 0,013 0,013
2016-07 153 98,65 150,97 54,35 2954,41 0,355 0,355 2,030 4,12 0,013 0,013
2016-08 154,4 98,65 152,03 55,75 3108,57 0,361 0,361 2,370 5,62 0,015 0,015
2016-09 155,4 98,65 152,77 56,75 3221,08 0,365 0,365 2,630 6,92 0,017 0,017
2016-10 157,4 98,65 154,21 58,75 3452,09 0,373 0,373 3,190 10,18 0,020 0,020
2016-11 157,1 98,65 154 58,45 3416,93 0,372 0,372 3,100 9,61 0,020 0,020
2016-12 157,3 98,65 154,14 58,65 3440,35 0,373 0,373 3,160 9,99 0,020 0,020
indicar que podría ser estimada mediante un modelo ARIMA (3, 1, 24); siendo la ecuación
estimada:
𝑂 𝑅𝑂 = 0.321704𝑂𝑅𝑂𝑡−3 + 𝜀𝑡 − 0.392265𝜀𝑡−24
Para estimar la producción minera de oro en el Perú mediante redes neuronales se utilizó el primer rezago de la variable;
y se eligió la siguiente arquitectura: las capas ocultas presentan una unidad, tres unidades en la capa oculta n°1 y tiene
función de activación tangente hiperbólica; la capa de salida presenta una unidad, tiene como variable dependiente a
Oro, su método de cambio de escala para las dependientes de escala es estandarizada, tiene función de activación
Se determinó que los modelos de redes neuronales son más eficientes que los modelo arima al obtener los menores
errores de pronóstico