Dublin Core
Title
Tratamiento de observaciones perdidas y efecto precio en series de tiempo para pronosticar demanda.
Subject
340
Derecho
Demanda (Teoría económica)
Precios
Description
Tesis (Magíster en Ciencias de la Ingeniería)--Pontificia Universidad Católica de Chile, 2014
La competitividad que ha alcanzado la economía en todas sus áreas (compañías manufactureras, de transportes, retailers, etc.), ha derivado en que se requiera minimizar las diversas incertidumbres presentes en los procesos de cada negocio y en que se ejecute una minuciosa planificación estratégica. Con el fin de cumplir con lo anterior, es que estimar la demanda futura con la máxima precisión posible, se ha convertido en un procedimiento fundamental para todo tipo de planificadores. Sin embargo, los elevados costos para obtener información regular y de confianza, han generado que muchas veces la precisión de éstos no sea la deseable. Se enfrentan en este trabajo dos problemas típicos que surgen al querer pronosticar demanda de forma precisa: i) la información poco confiable, faltante o atípica, que deriva en observaciones perdidas, y ii) la no inclusión del efecto del precio en la demanda en los modelos de pronósticos.
Se propone en un primer capítulo un algoritmo para completar series con observaciones perdidas, basados en la metodología de Aprendizaje Bayesiano, comparando su desempeño contra otros métodos tradicionales de relleno de series incompletas para distintos niveles de frecuencia de información. Ésto utilizando series de tiempo aleatorias generadas a partir de modelos ARIMA. En un capítulo más extenso y desarrollado que el primero, se proponen diversas alternativas para incluir la variable precio en el modelo de atenuación exponencial, debido a que ésta condiciona directamente la cantidad demandada en series elásticas y representa una variable de control para los planificadores. Se prueban las alternativas propuestas utilizando series aleatorias. Se demuestra finalmente que la inclusión del precio en los modelos de atenuación exponencial permite obtener menores errores al pronosticar series con comportamiento elástico con respecto al precio.
Se propone en un primer capítulo un algoritmo para completar series con observaciones perdidas, basados en la metodología de Aprendizaje Bayesiano, comparando su desempeño contra otros métodos tradicionales de relleno de series incompletas para distintos niveles de frecuencia de información. Ésto utilizando series de tiempo aleatorias generadas a partir de modelos ARIMA. En un capítulo más extenso y desarrollado que el primero, se proponen diversas alternativas para incluir la variable precio en el modelo de atenuación exponencial, debido a que ésta condiciona directamente la cantidad demandada en series elásticas y representa una variable de control para los planificadores. Se prueban las alternativas propuestas utilizando series aleatorias. Se demuestra finalmente que la inclusión del precio en los modelos de atenuación exponencial permite obtener menores errores al pronosticar series con comportamiento elástico con respecto al precio.
Creator
Jadue Fagres, Fabián Antonio
Date
2016-08-17T14:21:06Z
2016-08-17T14:21:06Z
2014
Contributor
Ferrer Ortiz, Juan Carlos
Pontificia Universidad Católica de Chile. Escuela de Ingeniería
Rights
acceso abierto
Format
x, 56 hojas
application/pdf
Language
es
Type
tesis de maestría
Identifier
10.7764/tesisUC/ING/16529
https://doi.org/10.7764/tesisUC/ING/16529
https://repositorio.uc.cl/handle/11534/16529