Professional Documents
Culture Documents
Informe Word Aguilar Baldera Cossio Ojeda Tello
Informe Word Aguilar Baldera Cossio Ojeda Tello
INGENIERÍA DE SISTEMAS
Docente:
GUZMÁN VALLE, MARÍA
Curso:
MÉTODOS DE PREDICCIÓN
Tema:
ELECCIÓN DE UN MÉTODO PARA EL PRONÓSTICO DE
LA CANTIDAD DE LINEAS PORTADAS DE LA EMPRESA
U OPERADORA ‘TELEFÓNICA DEL PERÚ’ (Movistar).
Integrantes:
- 020152045H - Aguilar Cubas, Edgar Alberto
- 020165531C - Baldera Cardozo, Jhordy Benjamín
- 020150496B - Cossio Díaz, Ricardo Manuel
- 020152070B - Ojeda Neyra, Edwin Ramón
- 020160478G - Tello Rodriguez, Ericka Fiorella
ÍNDICE DE CONTENIDOS
1. INTRODUCCIÓN ...................................................................................................... 4
2. SITUACIÓN PROBLEMÁTICA............................................................................... 4
3. OBJETIVOS ............................................................................................................... 5
3.1. Objetivo General ................................................................................................. 5
3.2. Objetivos Específicos .......................................................................................... 5
4. MARCO TEÓRICO ................................................................................................... 5
5. DESCRIPCIÓN DEL PROCESO DE RECOLECCIÓN DE DATOS E
IDENTIFICACIÓN DEL TIPO DE FUENTE DE LA CUAL SE OBTUVO .................. 7
6. ANÁLISIS DE SERIE DE TIEMPO ......................................................................... 8
6.1. Gráfico de Serie de Tiempo del número de Líneas Portadas .............................. 9
6.2. Gráfica de Autocorrelación ............................................................................... 10
6.3. Gráfica de Serie de Tiempo de las Diferencias ................................................ 11
6.4. Gráfica de autocorrelación para las diferencias ................................................ 11
6.5. Comprobación de Datos Aleatorios .................................................................. 12
7. SELECCIÓN DE UNA TÉCNICA DE PRONÓSTICO ......................................... 14
7.1. Método de Suavizamiento Exponencial Doble ................................................. 14
7.2. Promedio móvil doble ....................................................................................... 15
7.3. Método de suavizamiento exponencial triple (Método de Winters) ................. 19
8. OBTENCIÓN Y EVALUACIÓN DEL PRONÓSTICO ......................................... 20
9. CONCLUSIONES Y RECOMENDACIONES ....................................................... 20
9.1. Conclusiones ..................................................................................................... 20
9.2. Recomendaciones .............................................................................................. 21
10. REFERENCIAS.................................................................................................... 21
3
ÍNDICE DE TABLAS
Tabla 1 .................................................................................................................................. 7
Tabla 2. ............................................................................................................................... 12
Tabla 3 ................................................................................................................................ 15
Tabla 4 ................................................................................................................................ 20
ÍNDICE DE GRÁFICAS
1. INTRODUCCIÓN
2. SITUACIÓN PROBLEMÁTICA
La competencia por atraer usuarios y fidelizar a los actuales clientes generó un gran
movimiento de líneas entre empresas operadoras móviles. De esta forma, las
compañías que consiguieron más portaciones netas (es decir, la diferencia entre
líneas ganadas y perdidas) positivas mensuales fueron Claro y Entel. En paralelo, las
operadoras Bitel, Movistar y Flash obtuvieron un saldo negativo como resultado del
5
3. OBJETIVOS
3.1.Objetivo General
Determinar el método más adecuado para realizar el pronóstico para los siguientes
meses del año 2021, analizando la cantidad de líneas portadas mensuales que ha
tenido Movistar durante los últimos años.
3.2.Objetivos Específicos
4. MARCO TEÓRICO
El valor que toman los datos de la serie de tiempo es impredecible de una a otra
observación, en el sentido de asumir un comportamiento estocástico; por tal motivo
el conjunto de resultados posibles del “experimento” corresponden al espacio de
eventos de una variable aleatoria (Rascón Chávez, Fundamentos de la teoría de
probabilidades. 7ª Reimpresión, 1986).
6
Las características que suelen estar presentes en una serie de tiempo son cuatro:
tendencia, ciclos, estacionalidad y variación aleatoria (Spiegel, 1970).
Autocorrelación es la correlación que existe entre una variable retrasada uno o más
periodos consigo misma. Los patrones de datos que incluyen componentes como
tendencia y estacionalidad pueden estudiarse usando autocorrelaciones. Los patrones
se identifican examinando los coeficientes de autocorrelación de una variable en
diferentes retrasos de tiempo. (Hanke & Wichern, 2010)
Promedio móvil simple: Se usa para eliminar las alteraciones de las fluctuaciones
que se producen arbitrariamente y valorar el promedio de una serie de tiempo.
Calcula la demanda promedio para los n periodos recientes con la finalidad de
manejarla como pronóstico del periodo siguiente. Al conocer la demanda, el dato
más antiguo incluido en el promedio anterior se reemplaza por la demanda
actualizada y finalmente se calcula el promedio nuevamente (Sierra, 2013).
Promedio móvil doble: Se usa para pronosticar datos de series de tiempo que poseen
tendencia lineal. Este método calcula promedios móviles en conjunto y se deduce un
segundo conjunto como un promedio móvil del primer conjunto. (Hanke & Wichern,
2010).
Tabla 1
Con el fin de analizar las observaciones de las variables de nuestra investigación (el
número de líneas telefónicas portátiles por mes en todo el Perú), realizamos un
gráfico de series de tiempo para visualizar el comportamiento de los datos y
determinar qué patrones de datos existen en la serie.
9
250000
NEAS PORTADAS
200000
150000
100000
LÍ
50000
0
Ene-15 Jul-15 Feb-16 Sep-16 Abr-17 Nov-17 Jun-18 Ene-19 Ago-19 Mar-20 Oct-20
PERIODO
6.2.Gráfica de Autocorrelación
1.0
0.8
0.6
0.4
Autocorrelac n
ió
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
2 4 6 8 10 12 14 16 18
Desfase
50000
25000
DIFERENCIAS
-25000
-50000
Ene-15 Jul-15 Feb-16 Sep-16 Abr-17 Nov-17 Jun-18 Ene-19 Ago-19 Mar-20 Oct-20
PERIODO
1.0
0.8
0.6
0.4
Autocorrelac n
ió
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
2 4 6 8 10 12 14 16 18
Desfase
Gráfica 4. Autocorrelación para las Diferencias
12
Tabla 2.
Autocorrelaciones
Gráfica de distribución
Chi-cuadrada; df=18
0.07
0.06
0.05
Densidad
0.04
0.03
0.02
0.01
0.05
0.00
0 28.87
X
1.0
0.8
0.6
0.4
Autocorrelac n
ió
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
2 4 6 8 10 12 14 16 18
Desfase
Tabla 3
Error
Líneas Ajuste Desviació
Periodos Mt M't at bt Error porcentu
portadas pronóstico n
al
Ene-15 8925
Feb-15 7653
Mar-15 9136
Abr-15 10486
May-15 11688
Jun-15 11227 9853
Jul-15 15981 11029
Ago-15 18641 12860
Sep-15 17476 14250
Oct-15 13547 14760
Nov-15 14736 15268 13003 17533 -6896
0.6516
Dic-15 16323 16117 14047 18187 -7600 10637 5686 10637
57171
16
0.7060
Ene-16 14994 15953 14868 17038 -8487 10587 4407 10587
82433
0.5463
Feb-16 15652 15455 15301 15609 -9119 8551 7101 8551
19959
0.5287
Mar-16 12274 14588 15357 13819 -9522 6490 5784 6490
5998
0.3063
Abr-16 14025 14667 15341 13993 -9474 4297 9728 4297
81462
0.2248
May-16 20099 15561 15390 15732 -9166 4519 15580 4519
37057
0.2892
Jun-16 22698 16624 15475 17773 -8825 6566 16132 6566
76588
0.3675
Jul-16 24342 18182 15846 20518 -8573 8948 15394 8948
95103
0.3265
Ago-16 36579 21670 16882 26458 -8214 11945 24634 11945
53487
0.4584
Sep-16 39793 26256 18827 33685 -8325 18244 21549 18244
72596
0.5968
Oct-16 42489 31000 21549 40451 -9149 25360 17129 25360
60364
0.6661
Nov-16 46989 35482 24869 46095 -10676 31302 15687 31302
55909
0.8429
Dic-16 42020 38702 28549 48855 -13068 35419 6601 35419
08139
0.7487
Ene-17 47795 42611 32620 52602 -15576 35787 12008 35787
60331
0.8151
Feb-17 45422 44085 36356 51814 -18722 37026 8396 37026
55651
0.7070
Mar-17 46801 45253 39522 50984 -21421 33092 13709 33092
78909
0.7293
Abr-17 40534 44927 41843 48011 -23872 29563 10971 29563
38333
0.5715
May-17 42232 44134 43285 44983 -25631 24139 18093 24139
80792
0.4572
Jun-17 42320 44184 44199 44169 -26525 19352 22968 19352
77883
0.3941
Jul-17 44761 43678 44377 42979 -26906 17644 27117 17644
82436
0.2794
Ago-17 57521 45695 44645 46745 -26367 16073 41448 16073
28383
0.2772
Sep-17 73498 50144 45460 54828 -25402 20378 53120 20378
59245
0.3768
Oct-17 78093 56404 47373 65435 -24811 29426 48667 29426
0714
0.4832
Nov-17 84072 63378 50581 76175 -25230 40624 43448 40624
04872
0.4478
Dic-17 113750 75283 55764 94802 -25651 50945 62805 50945
68132
0.5313
Ene-18 130152 89514 63403 115625 -27597 69151 61001 69151
09546
0.5927
Feb-18 148502 104678 73234 136122 -31363 88028 60474 88028
73161
0.5659
Mar-18 185106 123279 85423 161135 -36111 104759 80347 104759
40596
0.6218
Abr-18 201050 143772 99984 187560 -42475 125024 76026 125024
5526
0.7157
May-18 202709 163545 116679 210411 -51261 145085 57624 145085
30431
17
0.8224
Jun-18 193509 176838 133604 220072 -62869 159150 34359 159150
42367
0.8013
Jul-18 196162 187840 149992 225688 -74856 157203 38959 157203
93746
0.9706
Ago-18 155386 188987 164044 213930 -88449 150832 4554 150832
9234
0.6036
Sep-18 207887 192784 175628 209940 -98514 125481 82406 125481
01957
- 0.4936
Oct-18 225730 196897 184482 209312 111426 114304 111426
105723 25127
- 0.3891
Nov-18 266214 207481 191805 223157 103589 162625 103589
108813 1928
- 0.4721
Dic-18 242164 215591 198263 232919 114344 127820 114344
112027 75881
- 0.4710
Ene-19 256665 225674 204569 246779 120892 135773 120892
114299 10851
- 0.5402
Feb-19 245198 240643 213178 268108 132480 112718 132480
116921 98045
- 0.6200
Mar-19 243811 246630 222153 271107 151187 92624 151187
123501 99175
- 0.5312
Abr-19 277840 255315 231889 278741 147606 130234 147606
129763 62597
- 0.5129
May-19 290409 259348 240534 278162 148978 141431 148978
136795 93743
- 0.5745
Jun-19 246049 259995 247934 272056 141367 104682 141367
143936 48159
- 0.5619
Jul-19 228010 255220 252859 257581 128120 99890 128120
150771 0518
- 0.4994
Ago-19 213859 249996 254417 245575 106810 107049 106810
154419 41221
- 0.4882
Sep-19 186698 240478 253392 227564 91156 95542 91156
157201 53757
- 0.5184
Oct-19 135712 216790 246971 186609 70363 65349 70363
160255 72943
- 0.2076
Nov-19 126887 189536 235336 143736 26354 100533 26354
159522 96612
- 0.1531
Dic-19 103047 165702 219620 111784 -15786 118833 15786
153339 92233
- 0.4465
Ene-20 93060 143211 200952 85470 -41555 134615 41555
143668 39867
- 0.6440
Feb-20 90362 122628 179724 65532 -58198 148560 58198
130673 53916
- 0.8893
Mar-20 73242 103718 156931 50505 -65141 138383 65141
115444 94064
1.2196
Abr-20 53242 89973 135795 44151 -99806 -64939 118181 64939
94978
1.3150
May-20 42322 75879 116852 34906 -86500 -55655 97977 55655
37097
1.0878
Jun-20 47429 66610 100337 32883 -73693 -51594 99023 51594
15472
0.6977
Jul-20 58484 60847 86609 35085 -62270 -40810 99294 40810
97688
0.3512
Ago-20 77401 58687 75952 41422 -52477 -27185 104586 27185
22852
0.1425
Sep-20 77527 59401 68566 50236 -44806 -11055 88582 11055
95483
0.0549
Oct-20 98741 66984 64735 69233 -37941 5430 93311 5430
92354
18
0.3018
Nov-20 103671 77209 64956 89462 -34072 31292 72379 31292
39473
0.5641
Dic-20 98179 85667 68133 103201 -33866 55390 42789 55390
73601
0.6661
Ene-21 104080 93267 73536 112998 -36229 69335 34745 69335
70254
0.9088
Feb-21 84465 94444 79495 109393 -41717 76769 7696 76769
85337
Este método es usado para casos en que la serie tiene un patrón de tendencia.
Como podemos observar en la tabla o gráfica, nos damos cuenta que el error
porcentual absoluto medio (MAPE) es de 0.56110871, lo cual es un valor alto,
por lo que necesitaríamos buscar otro método más adecuado
Tabla 4
Pronósticos
9. CONCLUSIONES Y RECOMENDACIONES
9.1.Conclusiones
❖ Observamos también que, según los pronósticos, las líneas portadas hacia
Movistar van en decaimiento, lo que quiere decir que los clientes
prefieren otras operadoras.
21
9.2.Recomendaciones
10. REFERENCIAS
Hanke, J., & Wichern, D. (2010). Pronósticos en los negocios. México D.F.:
PEARSON Prentice Hall. .