Professional Documents
Culture Documents
Análes Científicos
ISSN 2519-7398 (Versión electrónica)
Website: http://revistas.lamolina.edu.pe/index.php/acu/index
ARTÍCULO ORIGINAL –RESEARCH ARTICLE
http://dx.doi.org/10.21704/ac.v84i1.1528
1
Facultad de Pesquería, Universidad Nacional Agraria La Molina, Lima, Perú. cramos@lamolina.edu.pe
2
Facultad de Ingeniería Industrial y de Sistemas, Universidad Nacional de Ingeniería, Lima, Perú. gvaldivia@
uni.edu.pe
*Email: cramos@lamolina.edu.pe
ABSTRACT
In the canned fish production program, it is very important to calculate its forecast through
statistical models that minimize the error of the projections and that allow estimating the
quantities to be produced. The objective of this research work is to select a forecast model
for the consumption of canned fish in Peru for an industrial fishing project using time series
models. Prediction models such as linear regression, time series decomposition and Winters’
method were used. The input data was the monthly domestic sales of canned fish from the
years 2011 to 2014. The prediction error measures such as the mean absolute deviation
(MAD) and the mean absolute percentage error (MAPE) of the prediction of a company were
compared for a year (2014), two years (2013-2014), three years (2012-2014) and four years
(2011-2014) to validate with the prediction for the years 2015-2019. The prediction model
selected is the seasonal additive time series decomposition with data from two years (2013-
2014) because it obtained the lowest MAD = 588.0 and the lowest MAPE = 15.00%.
Keywords: Time series models | linear regression | time series decomposition | Winters
method | forecast error measures.
Forma de citar el artículo(Formato APA):
Ramos, C., & Valdivia, G. (2023). Pronóstico del consumo de conservas de pescado en el Perú para un proyecto
industrial pesquero utilizando modelos de series de tiempo. Anales Científicos. 84(1),20-34. http://dx.doi.
org/10.21704/ac.v84i1.1528
RESUMEN
INICIO
Modelos de pronósticos:
1) Regresión lineal
2) Descomposición de series de
tiempo
3) Método de Winters
Comparación de los
resultados del MAD y MAPE
de los pronósticos de los años
2011-2014 y 2015-2019
FIN
series de tiempo. Se observa una pendiente mensuales tal como se muestra en la Figura
positiva en la Figura 4(a) la cual se mantiene 5(c), Figura 6(c) y Figura 7(c).
en los pronósticos con el método de Winters En la Figura 5(d), Figura 6(d) y Figura 7(d)
multiplicativo de la Figura 4(b) y aditivo se muestran los efectos de la tendencia en
Figura 4(c). el modelo de descomposición estacional y
tienen la misma pendiente que su respectivo
En el método de Winters multiplicativo modelo de regresión lineal, en cambio
de la Figura 4(b) y el aditivo de la Figura
14000
al 2019, con los datos mensuales de dos
Variable
Actual
Ajustes
años, del 2013 al 2014 (Figura 5), tres años, 12000 Pronósticos
IP de 95.0%
Medidas de exactitud
0.2
12000 Variable
4000 6000
3000 4000
2000 2000
(a) (b)
1 8 16 24 32 40 48 56 64 72 80 1 8 16 24 32 40 48 56 64 72 80
Periodo (mes) Periodo (mes)
4000 4000
3000
3000
2000
2000
(c) 1000 (d)
1 8 16 24 32 40 48 56 64 72 80 1 8 16 24 32 40 48 56 64 72 80
Periodo (mes) Index
VENTAS INTERNAS DE CONSERVAS DE PESCADO (TON)
VENTAS INTERNAS DE CONSERVAS DE PESCADO (TON)
7000 Variable
16000 Variable
Actual Actual
Ajustes 14000 Ajustes
Tendencia Pronósticos
6000
Pronósticos IP de 95.0%
12000
Medidas de exactitud Constantes de suavización
Alfa (nivel) 0.2
5000 MAPE 15
MAD 588 10000 Gamma (tendencia) 0.2
MSD 1005377 Delta (estacional) 0.2
2000 2000
1000 (e)
0
(f)
1 8 16 24 32 40 48 56 64 72 80 1 8 16 24 32 40 48 56 64 72 80
Periodo (mes) Periodo (mes)
VENTAS INTERNAS DE CONSERVAS DE PESCADO (TON)
14000 Variable
Actual
Ajustes
12000 Pronósticos
IP de 95.0%
Medidas de exactitud
6000 MAPE 20
MAD 665
MSD 758387
4000
2000
0
(g)
1 8 16 24 32 40 48 56 64 72 80
Periodo (mes)
4000 2500
3000
0
2000
1000 -2500
0
5000 2000
4000
0
3000
-2000
2000
(c) -4000 (d)
1 10 20 30 40 50 60 70 80 90 1 10 20 30 40 50 60 70 80 90
Periodo (mes) Periodo (mes)
VENTAS INTERNAS DE CONSERVAS DE PESCADO (TON)
Variable Variable
8000 Actual Actual
20000
Ajustes Ajustes
Tendencia Pronósticos
7000 Pronósticos IP de 95.0%
5000
3000
2000
(e) 0 (f)
1 10 20 30 40 50 60 70 80 90 1 10 20 30 40 50 60 70 80 90
Periodo (mes) Periodo (mes)
VENTAS INTERNAS DE CONSERVAS DE PESCADO (TON)
16000 Variable
Actual
14000 Ajustes
Pronósticos
IP de 95.0%
12000
Constantes de suavización
Alfa (nivel) 0.2
10000
Gamma (tendencia) 0.2
Delta (estacional) 0.2
8000
Medidas de exactitud
MAPE 22
6000 MAD 884
MSD 1238247
4000
2000
1 10 20 30 40 50 60 70 80 90
(g)
Periodo (mes)
2500 2500
0
0
-2500
-2500
-5000
-5000 (a) (b)
1 11 22 33 44 55 66 77 88 99 1 11 22 33 44 55 66 77 88 99
Periodo (mes) Periodo (mes)
2500
6000
5000 0
4000
-2500
3000
2000
(c) -5000
(d)
1 11 22 33 44 55 66 77 88 99 1 11 22 33 44 55 66 77 88 99
Periodo (mes) Periodo (mes)
VENTAS INTERNAS DE CONSERVAS DE PESCADO (TON)
VENTAS INTERNAS DE CONSERVAS DE PESCADO (TON)
Medidas de exactitud
6000 10000 MAPE 19
MAD 885
5000 MSD 1447430
4000 5000
3000
2000
(e) 0 (f)
1 11 22 33 44 55 66 77 88 99 1 11 22 33 44 55 66 77 88 99
Periodo (mes) Periodo (mes)
VENTAS INTERNAS DE CONSERVAS DE PESCADO (TON)
16000 Variable
Actual
14000 Ajustes
Pronósticos
IP de 95.0%
12000
Constantes de suavización
Alfa (nivel) 0.2
10000 Gamma (tendencia) 0.2
Delta (estacional) 0.2
8000
Medidas de exactitud
MAPE 19
6000 MAD 897
MSD 1373883
4000
2000
0
(g)
1 11 22 33 44 55 66 77 88 99
Periodo (mes)
Tabla 1. Desviación media absoluta (MAD) de los pronósticos entre los años 2011‒2014.
Descomposición de series de tiempo
Regresión Método de Winters
Multiplicativo Aditivo
Periodo Lineal
(RL) Tendencia y Estacional Tendencia y Estacional Multiplicativo Aditivo
estacional estacional
01 año (2014) 945.0 262.9 0.0
02 años (2013-2014) 981.0 730.0 656.0 627.0 588.0 598.0 665.0
03 años (2012-2014) 1,252.0 993.0 1,137.0 898.0 1,037.0 885.0 884.0
04 años (2011-2014) 1,289.0 1,144.0 1,683.0 923.0 1,629.0 885.0 897.0
Tabla 2. Error porcentual absoluto medio (MAPE) de los pronósticos entre los años 2011‒2014.
Descomposición de series de tiempo
Regresión Método de Winters
Multiplicativo Aditivo
Periodo Lineal
(RL) Tendencia y Estacional Tendencia y Estacional Multiplicativo Aditivo
estacional estacional
01 año (2014) 26.00 7.10 0.00
02 años (2013-2014) 28.00 18.00 16.00 17.00 15.00 17.00 20.00
03 años (2012-2014) 32.00 23.00 26.00 21.00 24.00 21.00 22.00
04 años (2011-2014) 30.00 24.00 36.00 20.00 35.00 19.00 19.00
Tabla 3. Desviación media absoluta (MAD) de los pronósticos de los años 2015‒2019.
Descomposición de series de tiempo
Regresión Método de Winters
Periodo Lineal Multiplicativo Aditivo
(RL) Tendencia y Estacional Tendencia y Estacional Multiplicativo Aditivo
estacional estacional
01 año (2014) 3,898.6 2,176.3 4,022.8
02 años (2013-2014) 1,341.6 2,446.8 1,633.6 1,592.5 1,619.4 1,946.8 1,425.8
03 años (2012-2014) 2,830.1 4,227.7 1,446.3 3,540.0 1,306.9 3,674.3 1,722.7
04 años (2011-2014) 4,578.9 5,566.6 1,589.0 4,823.7 1,465.6 4,056.2 2,044.7
Tabla 4. Error porcentual absoluto medio (MAPE) de los pronósticos de los años 2015‒2019.
Descomposición de series de tiempo
Regresión Método de Winters
Multiplicativo Aditivo
Periodo Lineal
(RL) Tendencia y Estacional Tendencia y Estacional Multiplicativo Aditivo
estacional estacional
01 año (2014) 101.94 54.79 103.20
02 años (2013-2014) 36.23 61.27 38.98 38.50 38.28 44.71 36.42
03 años (2012-2014) 63.90 98.82 35.55 82.64 31.66 94.24 44.64
04 años (2011-2014) 107.20 131.86 41.55 114.01 38.30 103.59 52.86