anteproyecto de titulacion en la .web viewuna ventaja adicional del sitm, es el acceso de sillas

Download ANTEPROYECTO DE TITULACION EN LA .Web viewUna ventaja adicional del SITM, es el acceso de sillas

If you can't read please download the document

Post on 20-Sep-2018

214 views

Category:

Documents

0 download

Embed Size (px)

TRANSCRIPT

ANTEPROYECTO DE TITULACION EN LA MAESTRIA DE INGENIERIA DE CALIDAD PROPUESTO POR VERONICA VARELA

UNIVERSIDAD IBEROAMERICANA

PROYECTO DE TITULACIN:

ANLISIS Y PREDICCIN DE LA DEMANDA FUTURA DE TRANSPORTE DE PASAJEROS: APLICACIN AL ESTUDIO DE UNO DE LOS CORREDORES DE TRANSPORTE TERRESTRE DE PASAJEROS EN QUITO, ECUADOR, PARA MEJORAR SU CALIDAD DEL SERVICIO.

QUE PARA OBTENER EL GRADO DE

MAESTRO EN INGENIERA DE CALIDAD

PROPONE:

VERNICA MARIANELA VARELA CHAMORRO

BAJO LA DIRECCIN DEL:

DR. PRIMITIVO REYES AGUILAR

ContenidoRESUMEN6CAPITULO I INTRODUCCIN81.1.EL SISTEMA DE TRANSPORTE MASIVO EN EL MUNDO Y LATINOAMRICA91.2.EL SISTEMA INTEGRADO DE TRANSPORTE MASIVO (SITM) EN LA CIUDAD DE MXICO111.3.EL PRIMER SISTEMA DE TRANSPORTE MASIVO EN QUITO, EL TROLEBS Y DEMS CORREDORES VIALES.121.4.JUSTIFICACIN151.5.ALCANCE DEL PROYECTO15CAPITULO II PLANTEAMIENTO DEL PROBLEMA172.1.OBJETIVOS182.1.1.OBJETIVO PRINCIPAL182.1.2.OBJETIVOS SECUNDARIOS182.2.DESCRIPCIN Y FORMULACIN DEL PROBLEMA182.3.PREGUNTAS DE INVESTIGACIN202.4.HIPTESIS DE TRABAJO212.5.METODOLOGA A UTILIZAR21CAPITULO III METODOLOGA DE LOS PRONSTICOS243.1.BREVE RESEA HISTRICA253.2.CLASIFICACIN DE LOS ENFOQUES PARA PRONSTICOS263.2.1.MTODOS DISCRECIONALES O CUALITATIVOS273.2.2.MTODOS CUANTITATIVOS273.2.3.MTODOS TECNOLGICOS293.3.TIPOS DE MODELOS303.4.TIPO DE PATRONES EN LOS DATOS323.5.MEDICIN DEL ERROR EN EL PRONSTICO343.5.1.DESVIACIN ABSOLUTA DE LA MEDIDA (MAD)353.5.2.ERROR MEDIO CUADRADO (EMC)363.5.3.PORCENTAJE DE ERROR MEDIO ABSOLUTO (PEMA)363.5.4.PORCENTAJE DE ERROR MEDIO363.6.ETAPAS DE LA SOLUCIN DE PROBLEMAS RELACIONADOS CON LOS PRONSTICOS38CAPITULO IV MODELOS DE PREDICCIN CUANTITATIVOS: MTODOS DE SUAVIZAMIENTO Y DESCOMPOSICIN414.1ANLISIS EXPLORATORIO DE LAS SERIES DE TIEMPO.424.1.1CREACIN DE VARIABLES TEMPORALES:424.1.2REPRESENTACIN DE LA SERIE ORIGINAL434.1.3ANLISIS DEL DIAGRAMA DE SECUENCIAS454.1.4ANLISIS DE LOS DATOS DE LA SERIE DE TIEMPO SIN VALORES PERDIDOS464.1.5PERODO HISTRICO Y PERODO DE VALIDACIN.484.2MODELO DE PREDICCIN CUANTITATIVO: MTODOS DE SUAVIZAMIENTO494.2.1MODELOS NO FORMALES:514.2.2MTODOS DE PROMEDIO514.2.3MODELOS DE SUAVIZAMIENTO EXPONENCIAL NICOS.544.2.4MODELOS DE SUAVIZAMIENTO EXPONENCIAL LINEAL (SUAVIZAMIENTO EXPONENCIAL DOBLE DE HOLT)584.2.5MODELOS DE SUAVIZAMIENTO EXPONENCIAL DE WINTER634.3MTODOS DE DESCOMPOSICIN PARA PRONSTICOS DE SERIES DE TIEMPO.68CAPITULO V MODELOS DE PREDICCIN CUANTITATIVOS: MODELOS ARIMA ESTACIONALES796.1.BREVE ESTUDIO DEL ANLISIS DE REGRESIN LINEAL806.2.PANORAMA GENERAL DEL ARIMA846.2.1.AUTOREGRESIN846.2.2.DIFERENCIACIN856.2.3.MEDIAS MVILES856.3.ETAPAS DE APLICACIN DEL ARIMA866.3.1.IDENTIFICACIN866.3.2.ESTIMACIN906.3.3.VALIDACIN1026.3.4.PREDICCIN1066.4.ALGUNOS OTROS MODELOS TILES1086.4.1.ANLISIS ESPECTRAL: UNA PANORMICA GENERAL:1086.4.2.REDES NEURONALES ARTIFICIALES: UNA PANORMICA GENERAL:109CAPITULO VII CONCLUSIONES Y RECOMENDACIONES113ANEXO A117ANEXO B118ANEXO C120ANEXO D123ANEXO E124BIBLIOGRAFA126

Ilustracin 1: Red de transporte en Curitiba Brasil10

Ilustracin 2: Metrobs de la Ciudad de Mxico11

Ilustracin 3 Trolebs de la Ciudad de Quito12

Ilustracin 4 Red de Transporte de Quito - Ecuador13

Ilustracin 5 Plan Maestro de Transporte para la ciudad de Quito Ecuador.14

Ilustracin 6 Corredor Nororiental de Quito - Ecuador15

Ilustracin 7 Demanda de pasajeros de un corredor de transporte de Quito - Ecuador19

Ilustracin 8 Proyeccin de demanda de pasajeros transportados vs. Demanda real20

Ilustracin 9 Pronstico25

Ilustracin 10 Tcnica cualitativa27

Ilustracin 11 Mtodo cuantitativo27

Ilustracin 12 Mtodo tecnolgico.29

Ilustracin 13 Relacin de Series de Tiempo30

Ilustracin 14 Relacin explicativa o causal30

Ilustracin 15 Patrn Horizontal32

Ilustracin 16 Patrn Estacional33

Ilustracin 17 Patrn Cclico33

Ilustracin 18 Patrn de tendencia de los datos34

Ilustracin 19 Metodologa para encontrar un modelo que permita predecir.40

Ilustracin 20 Determinacin de periodicidad de los datos SPSS43

Ilustracin 21 Grfica de secuencia de la serie temporal Demanda de pasajeros transportados44

Ilustracin 22 Diagrama de secuencias de tres semanas de la serie temporal Demanda de pasajeros transportados45

Ilustracin 23 Procedimiento para eliminar Outlier en SPSS46

Ilustracin 24 Los resultados estadsticos del anlisis exploratorio realizado a la serie de datos Pasajeros corregidos47

Ilustracin 25 Determinacin de los perodos de anlisis en SPSS48

Ilustracin 26 Modelos de prediccin mediante suavizamiento exponencial50

Ilustracin 27 Grfica de los pronsticos obtenidos mediante promedios mviles52

Ilustracin 28 Clculo del modelo de prediccin con el mtodo simple con SPSS55

Ilustracin 29 Valores Observados Vs. Pronstico mediante mtodo simple57

Ilustracin 30 Diagrama de secuencia de la variable del error con el mtodo simple.58

Ilustracin 31 Clculo del modelo de prediccin con el Mtodo de suavizamiento de Holt con SPSS59

Ilustracin 32 Valores Observados Vs. Pronstico mediante Mtodo de Holt62

Ilustracin 33 Diagrama de secuencia de la variable de error obtenida con el mtodo de Holt63

Ilustracin 34 Clculo del modelo de prediccin con el Mtodo de suavizamiento de Winter con SPSS64

Ilustracin 35 Valores Observados vs. Pronstico con el Mtodo de Winters.67

Ilustracin 36 Suma de los errores cuadrticos obtenidos con los modelos de suavizamiento exponencial.68

Ilustracin 37 Clculo del modelo de prediccin con el Mtodo de Descomposicin estacional con SPSS71

Ilustracin 38 Creacin de variables mediante el mtodo de Descomposicin estacional con SPSS71

Ilustracin 39 Componentes de la serie pasajeros73

Ilustracin 40 Instrucciones para el mtodo de descomposicin en Minitab74

Ilustracin 41 Datos observados vs. Prediccin con mtodo de descomposicin estacional.75

Ilustracin 42 Datos Observados vs. Aplicacin del mtodo de Descomposicin estacional.77

Ilustracin 43 Comparacin de suma de los errores cuadrticos de los mtodos de suavizacin y descomposicin.78

Ilustracin 44 Componentes de la Regresin lineal.80

Ilustracin 45 Variaciones presentes en el anlisis de regresin81

Ilustracin 46 Proceso Iterativo utilizado en los modelos ARIMA87

Ilustracin 47 Serie Temporal de la demanda de pasajeros con la media general de la serie.88

Ilustracin 48 Instrucciones para calcular las autocorrelaciones y autocorrelaciones parciales en SPSS90

Ilustracin 49 Grfica de las autocorrelaciones y autocorrelaciones parciales de la serie original91

Ilustracin 50 Instrucciones en SPSS para el clculo de las autocorrelaciones y autocorrelaciones parciales con una diferenciacin estacional91

Ilustracin 51 Grficas de las autocorrelaciones y autocorrelaciones parciales con una diferenciacin estacional92

Ilustracin 52 Instrucciones en SPSS para el clculo de los errores de un modelo estacional ARIMA (1,1,2)93

Ilustracin 53 Series creadas por SPSS con la corrida del ARIMA estacional (1,1,2)93

Ilustracin 54 Instrucciones en SPSS para el clculo de las autocorrelaciones y autocorrelaciones parciales sobre los residuos del ARIMA estacional (0,0,0)(0,1,0)94

Ilustracin 55 Graficas de las autocorrelaciones y autocorrelaciones parciales del ARIMA (0,0,0)(1,1,2)94

Ilustracin 56 Clculo de los coeficientes autoregresivos y media mvil del ARIMA no estacional.95

Ilustracin 57. Instrucciones en SPSS para calcular las autocorrelaciones y autcorrelaciones parciales sobre los errores del modelo estacional ARIMA (2,0,1)(1,1,1)102

Ilustracin 58 Grfica de las autocorrelaciones y autocorrelaciones parciales del modelo estacional ARIMA (2,0,1)(1,1,1).103

Ilustracin 59 Habilitacin de toda la serie de datos para calcular el pronstico.104

Ilustracin 60 Instrucciones en SPSS para graficar la secuencia de la serie de tiempo original y la prediccin.104

Ilustracin 61 Datos reales Vs. Prediccin con modelo estacional ARIMA (2,0,1)(1,1,1) en el perodo de validacin105

Ilustracin 62 Serie de pasajeros transportados Vs. Prediccin con el Modelo ARIMA (2,0,1)(1,1,1)106

Ilustracin 63 Comparacin de las sumas de cuadrados de los mtodos de series de tiempo.107

Ilustracin 64 Arquitectura habitual de una red neuronal109

Ilustracin 65 Caractersticas de las redes neuronales109

Ilustracin 66 Proceso para representar la red inicial111

RESUMEN

Las empresas a nivel mundial operan en una atmsfera de incertidumbre y a pesar de este hecho, deben tomar decisiones que afecten el futuro de la organizacin, por ello, los pronsticos son parte integral de la planeacin y de su precisin dependen: la supervivencia, el crecimiento y la rentabilidad a largo plazo, as como la eficiencia y efectividad a corto plazo.

Es importante por lo tanto que las empresas tengan pronsticos eficaces, este trabajo se enfoca en establecer un mecanismo de apoyo terico prctico para los administradores, especficamente con respecto a la prediccin de demanda de pasajeros de una empresa de transporte terrestre masivo de pasajeros en Quito-Ecuador.

El objetivo es plantear una metodologa para que la toma de decisiones est basada en estadsticas slidas que permitan disminuir cualquier posible error, en vez de que se vean forzados a planear el futuro nicamente con base en mtodos tradicionales como el juicio del administrador o mtodos cualitativos simples sin el beneficio de esta valiosa informacin complementaria.

Sin embargo, este trabajo no ratifica que el modo tradicional de planificacin haya sido deficiente, sino ms bien lo que se busca es una comprensin de las tcnicas modernas