Maestría en Ingeniería · 2012
Desarrollo de una metodología que permita determinar en forma previa la condición AR.I.MA. de una o múltiples series de tiempo, en un programa de base excel, para predicciones e inventarios en mantenimiento
La metodología de series de tiempo, analiza las características de los datos del presente y del pasado, para proyectarlas hacia el futuro, donde se infiere que las causas que originan el comportamiento en el pasado y en el presente, son los mismos que condicionan el comportamiento futuro (Makridakis, y otros, 1978). La metodología de series temporales ofrece unos niveles de precisión entre lo predicho y la realidad cercanos e inferiores al 11%. Su metodología se basa en los principios de desarrollo del método científico: observación y análisis, hipótesis y verificación (Carrión, 1999). La hipótesis normal de los modelos proyectivos con múltiples variables, es que las variables no se relacionan entre sí, lo que se puede asumir como una limitación a este método futurístico, pero de todas maneras a pesar de esta condición, son útiles. La gran utilidad de los modelos proyectivos de series temporales es cuando se usan para estudios de una sola variable y cuando de alguna manera se desconoce las causas que los imputan, pues en ese caso donde se tenga claridad de cuáles son las variables que los afectan, más bien se estudia el futuro de estas causas, que el de la variable efecto primaria (Mora, 2006). El concepto de serie temporal se define como un conjunto de datos obtenidos del análisis y de las observaciones de una variable discreta durante un lapso secuencial de tiempo, es importante recordar que existen datos no temporales, son observaciones que se realizan de una forma no hilada en el tiempo. La serie de tiempo es un conjunto de datos de una variable, que se asocia a otro grupo de instantes definidos de tiempo; lo que implica el estudio de dos variables, donde una de ellas es el tiempo y la otra representa el fenómeno que se desea pronosticar (Bas, 1999). Los repuestos de mantenimiento presentan una demanda histórica baja, lo que traduce esto en series de tiempo con presencia de valores de cero, lo que dificulta el análisis de estos datos por los métodos determinísticos clásicos de la metodología de series temporales, requiriendo el uso de modelos genéricos no determinísticos como lo son los modelos AR.I.MA. (Díaz, 1991). La necesidad de disponer de predicciones lo más precisas posibles además del interés en conocer la dinámica de las distintas variables, origina que los métodos de análisis de series de temporales ocupen un lugar central en el estudio de disciplinas y fenómenos muy diversos (Peiró, y otros, 2000).
Full text 61 pages with text out of 63
Read the full thesis Record in the repository
Contents
- CONTENIDOp. 5
- ECUACIONESp. 7
- ILUSTRACIONESp. 8
- 0 ESTADO DEL ARTEp. 11
- 0.1 INTRODUCCIÓNp. 11
- 0.2 PALABRAS CLAVESp. 12
- 0.3 JUSTIFICACIÓNp. 13
- 0.4 OBJETIVOSp. 14
- 0.4.1 GENERALp. 14
- 0.5 ESPECÍFICOSp. 14
- 0.5.1 OBJETIVO 1p. 14
- 0.5.2 OBJETIVO 2p. 14
- 0.5.3 OBJETIVO 3p. 14
- 0.5.4 OBJETIVO 4p. 14
- 0.5.5 OBJETIVO 5p. 15
- 0.5.6 OBJETIVO 6p. 15
- 1 CRITERIOS ESTADÍSTICOSp. 16
- 1.1 OBJETIVO 1p. 14
- 1.2 SERIES DE TIEMPOp. 12
- 1.2.1 CARACTERÍSTICAS DE LA SERIE DE TIEMPOp. 16
- 1.2.2 CRITERIO PARA DEFINIR CARACTERÍSTICASp. 17
- 1.3 CRITERIOS ESTADÍSTICOS EN SERIES DE TIEMPOp. 17
- 1.3.1 VARIABILIDADp. 18
- 1.3.2 FUNCIÓN DE AUTOCORRELACIÓNp. 18
- 1.3.3 FUNCIÓN DE AUTOCORRELACIÓN PARCIALp. 19
- 1.3.4 ALEATORIEDADp. 19
- 1.3.5 GENERACIÓN DE ALEATORIEDADp. 19
- 1.3.6 VERIFICACIÓN DE LA ALEATORIEDADp. 20
- 1.3.7 HOMOCEDASTICIDADp. 22
- 1.4 MODELOS AR.I.MAp. 16
- 1.4.1 CRITERIO DE DECISIÓN PARA SELECCIÓN DE MODELO AR.I.MAp. 23
- 1.5 CONCLUSIONES DE CAPÍTULOp. 24
- 2 CUMPLIMIENTO DE CRITERIOS ESTADÍSTICOSp. 25
- 2.1 OBJETIVO 2p. 14
- 2.2 CUMPLIMIENTO DE CRITERIOS ESTADÍSTCOSp. 25
- 2.3 CONCLUSIONES DE CAPÍTULOp. 24
- 3 USO DE APLICACIÓN EN BASE EXCELp. 29
- 3.1 OBJETIVO 3p. 14
- 3.2 INTRODUCCIÓNp. 11
- 3.3 MANUAL DE USUARIO SOFTWARE PRONÓSTICOp. 29
- 3.3.1 INSTALACIÓN SERVIDOR VIRTUALp. 29
- 3.3.2 MANEJO DE WAMPSERVERp. 34
- 3.4 USO DE LA APLICACIÓN PARA ANÁLISIS PREVIOp. 37
- 3.4.1 CÁLCULO DESVIACIÓN, PROMEDIO Y VARIABILIDADp. 38
- 3.4.2 FUNCIÓN DE AUTOCORRELACIÓNp. 18
- 3.4.3 FUNCIÓN DE AUTOCORRELACIÓN PARCIALp. 19
- 3.4.4 DIFERENCIACIÓNp. 23
- 3.5 CONCLUSIONES DE CAPÍTULOp. 24
- 4 MEDIDA DEL GRADO DE ACIERTO EN LAS PREDICCIONESp. 44
- 4.1 OBJETIVO 4p. 14
- 4.2 INTRODUCCIÓNp. 11
- 4.3 CONCLUSIONES DE CAPÍTULOp. 24
- 5 PLANTEAMIENTO DE METODOLOGÍAp. 56
- 5.1 OBJETIVO 5p. 15
- 5.2 INTRODUCCIÓNp. 11
- 5.3 DESCRIPCIÓN DE LA METODOLOGÍAp. 57
- 5.4 CONCLUSIONES DE CÁPITULOp. 58
- 6 CONCLUSIONESp. 59
- 6.1 OBJETIVO 6p. 15
- 6.2 CONCLUSIONES TECNICASp. 59
- 6.3 CONCLUSIONES TEORICASp. 59
- BIBLIOGRAFÍAp. 62
- ECUACIÓN 1 - VARIABILIDADp. 18
- ECUACIÓN 2 - FUNCIÓN DE AUTOCORRELACIÓNp. 18
- ECUACIÓN 3 - CRITERIO DE RECHAZO, TEST DE RACHASp. 21
- ECUACIÓN 4 - PARÁMETROS DISTRIBUCIÓN DE RACHASp. 22
- ECUACIÓN 5 - DEFINICIÓN DE MODELO AR.I.MAp. 23
- ILUSTRACIÓN 1 - SECUENCIA LÓGICA DE OBJETIVOSp. 15
- ILUSTRACIÓN 2 - SERIE TEMPORAL DE ÍTEMS CONSUMIBLESp. 20
- ILUSTRACIÓN 3 - CÁLCULO DE MEDIANA Y DIFERENCIA CON VALORES REALESp. 20
- ILUSTRACIÓN 4 - ESTIMACIÓN DE VARIABLES N1 Y N2. Y CÁLCULO DE RACHASp. 21
- ILUSTRACIÓN 5 - PARÁMETROS Y CÁLCULO DE ALEATORIEDADp. 21
- ILUSTRACIÓN 6 - CÁLCULO DE VARIABILIDAD EN EXCELp. 25
- ILUSTRACIÓN 7 - CALCULO DE VARIABILIDAD CON SOFTWAREp. 26
- ILUSTRACIÓN 8 - GRÁFICA ACF SOFTWARE DE PRONÓSTICOp. 27
- ILUSTRACIÓN 9 - ACF POSTERIOR A APLICAR DIFERENCIAp. 28
- ILUSTRACIÓN 10 - LOGO WAMP SERVERp. 29
- ILUSTRACIÓN 11 - PASO 2 INSTALACIÓN SERVIDOR VIRTUALp. 30
- ILUSTRACIÓN 12 - PASO 3 INSTALACIÓN SERVIDOR VIRTUALp. 30
- ILUSTRACIÓN 13 - PASO 4 INSTALACIÓN SERVIDOR VIRTUALp. 31
- ILUSTRACIÓN 14 - PASO 5 INSTALACIÓN SERVIDOR VIRTUALp. 31
- ILUSTRACIÓN 15 - PASO 6 INSTALACIÓN SERVIDOR VIRTUALp. 32
- ILUSTRACIÓN 16 - PASO 7 INSTALACIÓN SERVIDOR VIRTUALp. 33
- ILUSTRACIÓN 17 - PASO 8 INSTALACIÓN SERVIDOR VIRTUALp. 33
- ILUSTRACIÓN 18 - PASO 9 INSTALACIÓN SERVIDOR VIRTUALp. 34
- ILUSTRACIÓN 19 - ICONO DE SERVIDOR DE COLOR VERDEp. 35
- ILUSTRACIÓN 20 - CAMBIO EN TIEMPO DE EJECUCIÓNp. 35
- ILUSTRACIÓN 21 - ALERTA DE ERRORESp. 36
- ILUSTRACIÓN 22 - CAPACIDAD DE CARGAR ARCHIVOSp. 37
- ILUSTRACIÓN 23 - REINICIAR SERVIDORp. 37
- ILUSTRACIÓN 24 - CARGAR ARCHIVO DE TRABAJOp. 38
- ILUSTRACIÓN 25 - CÁLCULO VARIABILIDADp. 39
- ILUSTRACIÓN 26 - FUNCIÓN DE AUTOCORRELACIÓN SIMPLEp. 40
- ILUSTRACIÓN 27 - PRESENTACIÓN GRAFICA ACFp. 40
- ILUSTRACIÓN 28 - FUNCIÓN DE AUTOCORRELACIÓN PARCIALp. 41
- ILUSTRACIÓN 29 - PRESENTACIÓN GRAFICA PACFp. 41
- ILUSTRACIÓN 30 - ACF PARA SERIE 2 DESPUÉS DE DIFERENCIAp. 42
- ILUSTRACIÓN 31 - PACF PARA SERIE 2 DESPUÉS DE DIFERENCIAp. 43
- ILUSTRACIÓN 32 - PREDICCIONES CONTRA VALORES REALES R2 Y R2 AJUSTADOp. 46
- ILUSTRACIÓN 33 - PREDICCIONES CONTRA VALORES REALES R2 Y R2 AJUSTADO PARTE 2p. 47
- ILUSTRACIÓN 34 - SERIE CON VARIABILIDAD SUPERIOR A 0.5p. 48
- ILUSTRACIÓN 35 - ACF Y PACF SERIE CON PROBLEMAS DE VARIABILIDADp. 49
- ILUSTRACIÓN 36 - SERIE SIN TENDENCIAp. 50
- ILUSTRACIÓN 37 - ACF Y PACF DESPUÉS DE DIFERENCIARp. 50
- ILUSTRACIÓN 38 - ACF Y PACF PARA (0,1,1)(0,0,0)p. 52
- ILUSTRACIÓN 39 - PERIODRGRAMA DE RESIDUALESp. 53
- ILUSTRACIÓN 40 - HISTOGRAMA DE RESIDUALES (0,1,1)(0,0,0)p. 54
- ILUSTRACIÓN 41 - METODOLOGÍA BOX - JENKINSp. 56
- ILUSTRACIÓN 42 - CUADRO RESUMEN DE ANÁLISISp. 59