Browsing by Author "POSECK SOTO, JAVIER EDUARDO"
Now showing 1 - 1 of 1
- Results Per Page
- Sort Options
Thesis MÉTODOS DE PRONÓSTICOS A TRAVÉS DE SERIES DE TIEMPO: UN ENFOQUE PARA LA TOMA DE DECISIONES.(2011-06) POSECK SOTO, JAVIER EDUARDO; POSECK SOTO, JAVIER EDUARDO; Universidad Técnica Federico Santa María. Departamento de Industrias; FERNÁNDEZ DE LA REGUERA BASTIDAS, PEDRO ÁNGEL (PROFESOR(A) GUÍA); ORTEGA BLU, RODRIGO (PROFESOR(A) GUÍA)La presente investigación nace de la necesidad implícita de las organizaciones (en todos los niveles) de conocer con la mayor exactitud posible el futuro. En el proceso de planificación, creación de una estrategia, realización de un proyecto, etc. surge lo que se denomina pronóstico. Este concepto es una simple cifra que, dependiendo de la exactitud con que se calcule, puede llegar a hacer la diferencia entre el éxito y el fracaso. Autores reconocidos en el tema como Makridakis, Hibon, Armstrong, entre muchos otros; han dedicado su vida a estudiar y analizar los pronósticos. Los avances desde la década del sesenta han sido sin duda sorprendentes en cuanto a la posibilidad de trabajar con modelos cada vez más complejos, sin embargo aún no es posible generar un modelo que asegure un ciento por ciento un pronóstico y probablemente jamás será posible. El trabajo se compone de dos fases principales: la primera parte recopila información de investigaciones previas afines y la segunda parte corresponde a un trabajo empírico. De la primera fase se obtuvo importante información respecto a cómo se ha trabajado el tema de los pronósticos a través de los años, comprendiendo la importancia que tienen en la generación de valor de cualquier organización. Quizá la investigación más relevante relacionada es la primera competencia de Makridakis (1979), quien utilizó 111 series de tiempo y aplico 22 filtros de distintos tipos, siendo un filtro un método cuantitativo que calcula un pronóstico para un tiempo dado. Sus resultados fueron reveladores y marcaron una nueva etapa en la era de los pronósticos. La segunda fase, corresponde a un trabajo similar al de Makridakis (1979). Se utilizaron 126 series de tiempo, se aplicaron 20 filtros distintos y se analizaron los distintos resultados obtenidos a través de dos indicadores de precisión: el error absoluto porcentual promedio (MAPE) y la raíz del error cuadrático medio relativa (RelRMSE o U-Theil). El primer indicador mide la desviación promedio del error asociado a los pronósticos y el segundo compara los resultados de un filtro en comparación a otro filtro denominado base, en este caso el filtro de paseo aleatorio con ajuste estacional. Los resultados mostraron una realidad curiosa: los filtros sofisticados, es decir los que requieren de especialización por parte del usuario y por lo tanto de un software específico son, en promedio, igual de efectivos que los filtros más simples como un promedio móvil, un suavizamiento exponencial simple o un paseo aleatorio. Sin embargo el filtro ARIMA y Experto de SPPSS 17® mostraron ser filtros un poco más precisos que el resto. Pero el resultado quizá más interesante fue que un simple paseo aleatorio mostró resultados casi tan buenos como los modelos antes mencionados. Parece ser un tanto paradójico, dado que se tiende a pensar que a mayor cantidad de recursos que demande un método, mejores resultados se pueden obtener. Sin embargo, luego de un análisis más profundo, fue posible conocer las causas que afectan de alguna manera a la precisión de cada uno de los filtros, lo que sin duda será un valor agregado a quienes deseen saber qué filtro será el más adecuado a la hora de enfrentarse a una serie de tiempo.
Política de Privacidad 
