CARPA INGENIERIA TS
Fernando Cardoso Ordoñez
2022-11-09
Series de tiempo es una herramienta estadística que, pretende estudiar un mismo fenómeno cuantitativo a través del tiempo con la finalidad de poder obtener pronósticos de forma asertiva.
MODELO ARIMA
Es un modelo estadístico que utiliza variaciones y regresiones de datos estadísticos con el fin de encontrar patrones para una predicción hacia el futuro, es decir, las estimaciones futuras vienen explicadas por los datos del pasado y no por variables independientes
ARIMA: Son las siglas de AutoRegressive Integrated Moving Average;Regresión Automática (AR) es el término que hace referencia a los retardos de las series diferenciadas (T-i), Media Móvil (MA) y son los retardos de los errores y la integración (I) es el número de diferencias usadas para hacer que la serie de tiempos sea estacionaria.
Componentes
AutoReressive (AR(p)) componente autorregresivo, se refiere a la utilización de valores pasados en la ecuación de regresión para la serie de Y_{t}. El parámetro autoregresivo especifica el número de retardos utilizados en el modelo.
Integrated (I(d)) representa el grado de diferenciación, es decir, el número de diferencias utilizadas para hacer que las series temporales sean estacionarias.
Moving Average (MA(q)) representa el error del modelo como una combinación de los términos de error anteriores Moving Average (MA(q)) representa el error del modelo como una combinación de los términos de error anteriores _{t}. El orden q determina el número de términos a incluir en el modelo.
\[Y_{t}=c+\varnothing_{1}y_{dt-1}+\varnothing_{p}y_{dt-p}+...+\theta_{1}e_{t-1}++\theta_{q}e_{t-q}+e_{t}\] Donde φ corresponde al coeficiente autorregresivo de la variable, θ coeficiente de media móvil de los unidades de observación de Carpa Ingeniería.
Es necesario determinar un modelo autoregresivo es apropiado para explicar el comportamiento futuro del material de Carpa Ingeniería; es decir, se debe identificar una estructura de correlación entre la variable aleatoria del proceso estocástico que genera la serie historica.
Concepto:
Esta serie historica de Carpa Ingenieria se transformara es una secuencia de observaciones, medidos en determinados momentos del tiempo, ordenados cronológicamente y,espaciados entre sí de manera uniforme,donde los datos usualmente son dependientes entre sí.
Componentes de la serie temporal Carpa Ingenieria.
a.- Componente tendencial
b.- Componente estacional.
c.- Componente aleatoria.
d.- Error:Recoge movimientos transitorios e irregulares de la serie Carpa Ingeniería y se descompone descomponerse en una parte aleatoria e imprevisible.
\[X_{t}=T_{t}+E_{t}+I_{t}+er_{t}\]
Procesos Estocásticos.
Desde un punto de vista intuitivo, este proceso estocástico de Carpa Ingenieria, se describe como una secuencia de datos que evolucionan en el tiempo.
library(car)
library(urca)
library(forecast)
library(tseries)
library(highcharter)
library(ggplot2)library(readxl)
Historico_material_CARPA <- read_excel("PROYECTOS CARPA INGENIERIA/Historico material CARPA.xlsx")summary(Historico_material_CARPA)## CARPA ING
## Min. : 439200
## 1st Qu.:104247148
## Median :201517152
## Mean :223770737
## 3rd Qu.:279077230
## Max. :904132456Time series format
Converting the data into a time series Once you have read the time series data into R, the next step is to store the data in a time series object in R, so that you can use R’s many functions for analysing time series data. To store the data in a time series object, we use the ts() function in R.
Next we load in a dataset of material of Carpa_Ingenieria per month,from January 2020 to September 2022.
Carpa_Ingenieria<- ts(Historico_material_CARPA,frequency = 12 )length(Carpa_Ingenieria)## [1] 31Plotting Time Series Carpa_Ingenieria data.
autoplot(Carpa_Ingenieria,)
##Decomposing Time Series Decomposing a time series means separating
it into it’s constituent components,which are often a trend component
and a random component, and if the data is seasonal, a seasonal
component.
##Análisis Exploratorio de Datos.
plot(decompose(Carpa_Ingenieria))
Observed data.
hchart(Carpa_Ingenieria)Seasonal plot.
Is similar to a time plot except that the data are plotted against the individual “seasons” in which the data were observed.
library(TSstudio)
library(highcharter) ts_seasonal(Carpa_Ingenieria, type = "all") ID time series Carpa_Ingenieria.
Function(Autocorrelation) En esta función para Carpa Ingenieria manifiesta la dependencia que, tienen los datos de un período determinado con los mismos de hace k períodos anteriores.
acf(Carpa_Ingenieria, lag.max=12)
function(Partial autocorrelation)
Mide la correlación entre dos unidades de observación de la variable Material de Carpa Ingenieria, separadas por k periodos cuando no se considera la dependencia creada por los retardos intermedios existentes entre ambas.
pacf(Carpa_Ingenieria, lag.max=12)
Clasificación descriptiva de las serie temporal CARPA INGENERÍA.
a.- Estacionarias.- Esta serie CARPA INGENIERÍA seria estacionaria cuando sea estable a lo largo del tiempo, es decir, cuando la media y varianza son constantes en el tiempo.
b.- No estacionarias.- La serie CARPA INGENIERÍA se visualiza que la tendencia y/o variabilidad cambian en el tiempo.
Differencing to remove a trend or seasonal effects
An alternative to decomposition for removing trends is differencing, it can be used to remove linear and nonlinear trends as well as various seasonal features that might be evident in the data set Carpa_Ingenieria.
SERIE ESTACIONARIA SIMULADA DE CARPA INGENIERÍA
plot(diff(diff(Carpa_Ingenieria,12)),type="o")
adf.test(Carpa_Ingenieria)##
## Augmented Dickey-Fuller Test
##
## data: Carpa_Ingenieria
## Dickey-Fuller = -2.4782, Lag order = 3, p-value = 0.3887
## alternative hypothesis: stationaryPruebas de estacionariedad para la serie diferenciada.
- Dickey-Fuller aumentado.
adf.test(diff(diff(Carpa_Ingenieria)))##
## Augmented Dickey-Fuller Test
##
## data: diff(diff(Carpa_Ingenieria))
## Dickey-Fuller = -3.6127, Lag order = 3, p-value = 0.04821
## alternative hypothesis: stationaryPhillips Perron
pp.test(diff(diff(Carpa_Ingenieria)))## Warning in pp.test(diff(diff(Carpa_Ingenieria))): p-value smaller than printed
## p-value##
## Phillips-Perron Unit Root Test
##
## data: diff(diff(Carpa_Ingenieria))
## Dickey-Fuller Z(alpha) = -45.108, Truncation lag parameter = 2, p-value
## = 0.01
## alternative hypothesis: stationarylibrary(TSstudio)
ts_cor(diff(diff(Carpa_Ingenieria)))plot(diff(diff(Carpa_Ingenieria),type="o"))
abline(h=2*sqrt(var(diff(diff(Carpa_Ingenieria)))),col="red",lty=2)
abline(h=-2*sqrt(var(diff(diff(Carpa_Ingenieria)))),col="red",lty=2)
#### test phillips- perron.
plot(ur.pp(diff(diff(Carpa_Ingenieria,12)),type="Z-tau",
model="constant", lags="long"))
Se hizo una Evaluación de modelos para la prediccion del material de Carpa Ingenieria y su ajuste correspondio a un ARIMA (5,2,5).
Ajuste del Modelo.
model1<-stats::arima(x = Carpa_Ingenieria, order = c(5, 2, 5), fixed = c(NA,NA,NA,NA,NA,NA,NA,NA,NA,NA))summary(model1)##
## Call:
## stats::arima(x = Carpa_Ingenieria, order = c(5, 2, 5), fixed = c(NA, NA, NA,
## NA, NA, NA, NA, NA, NA, NA))
##
## Coefficients:
## ar1 ar2 ar3 ar4 ar5 ma1 ma2 ma3
## -1.2487 -1.5119 -1.2308 -1.0711 -0.3417 -0.4171 0.8148 -0.7160
## s.e. 0.4441 0.4554 0.4559 0.3580 0.2973 0.4486 0.4742 0.4357
## ma4 ma5
## -0.0710 -0.6104
## s.e. 0.4201 0.3630
##
## sigma^2 estimated as 2.454e+16: log likelihood = -593.03, aic = 1208.06
##
## Training set error measures:
## ME RMSE MAE MPE MAPE MASE
## Training set 12189133 151524303 101463808 -813.3272 858.4592 0.5200476
## ACF1
## Training set -0.06981748\[ \hat Y_ {d_t} = -1.2487 Y_ {t-1} -1.5119 Y_ {t-2} - 1.2308 Y_ {t-3}-1.0711 Y_ {t-4}-0.3417 Y_ {t-5} - 0.4171 e_ {t-1}+ 0.8148 e_ {t-2} - 0.7160 e_ {t-3} \]
\[ - 0.0.0710 e_ {t-4}+ -0.6104 e_ {t-5}+E\]
Donde E es un error y la serie original se diferencia con la orden 2.
BIC(model1)## [1] 1223.098Diagnóstico.
Calcula y almacena los residuales
et<-residuals(model1)
et## Jan Feb Mar Apr May
## 1 94490.29 -453309.90 -17690033.28 83353597.11 140031662.90
## 2 220949594.68 -78556285.61 149098182.74 -116672135.75 -43990433.67
## 3 -12172224.07 25786133.44 -31514357.66 69973795.89 165238661.08
## Jun Jul Aug Sep Oct
## 1 129275256.82 -8244662.84 -127078767.31 40307716.38 -14505881.13
## 2 568614538.28 -92342031.40 -8506538.56 -305838995.72 17451656.62
## 3 2423625.08 -87164689.18
## Nov Dec
## 1 -101266081.73 149021685.61
## 2 -184192738.59 -153568292.84
## 3autoplot(et)
fitted(model1)## Jan Feb Mar Apr May Jun Jul
## 1 211192420 135783413 24128435 -6534808 -22629286 92593065 209761815
## 2 -26300282 215870400 308900989 154502741 319115798 212312457 342828141
## 3 284712180 135761690 34491248 266309044 172128893 280605470 413538293
## Aug Sep Oct Nov Dec
## 1 150325962 83956455 33989702 101705282 63300148
## 2 912638995 453128921 309013764 447238162 244660211
## 3plot(scale(et),type="l",main="Residuales")
abline(h=2*sqrt(var(scale(et))),col="red",lty=2)
abline(h=-2*sqrt(var(scale(et))),col="red",lty=2)
par(mfrow=c(1,3))
acf(et)
pacf(et)
qqPlot(scale(et))
## [1] 18 21Se procedió a realizar el análisis de los residuos, con el fin de tomar una decisión acertada del modelo para su predicción, Sin embargo, estos residuales presentaron una simetría media, hacia tendencia normal.
tsdiag(model1)
## Forecast Out of Sample.
La probabilidad alrededor del pronóstico central de la variable CARPA INGENIERIA, mediante la combinación de las densidades de un 80% y 95% es la siguiente:
plot(forecast(model1,h=10, fan=T))
lines(fitted(model1), col="purple") 
pronostico<-forecast(model1,h=10)
pronostico## Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
## Aug 3 167427691 -42583452 377438834 -153756636 488612017
## Sep 3 249711143 25457094 473965193 -93255829 592678116
## Oct 3 353723606 40227679 667219532 -125727040 833174251
## Nov 3 231595525 -110645904 573836955 -291817574 755008624
## Dec 3 296224444 -62556106 655004993 -252483057 844931944
## Jan 4 253561147 -153255970 660378264 -368611943 875734237
## Feb 4 235143799 -199453935 669741534 -429516079 899803677
## Mar 4 353600802 -115096493 822298097 -363209854 1070411458
## Apr 4 273783713 -230844317 778411743 -497978260 1045545686
## May 4 255862397 -265102992 776827786 -540885410 1052610204autoplot(pronostico)
El análisis de las series de histórica de Carpa Ingeniería para predecir la variable respuesta material, se realizó para un horizonte de pronostico, fundamentado en los patrones de datos existentes, extendiendo los valores históricos de la serie al futuro. Se puede observar en contexto un bajo crecimiento en el mes de enero,abril y mayo para el año 2023, pero logra estabilizarse con tendencia normal para los próximos procesos estacionales de Carpa Ingeniería.
Estrategia Organizacional.
-Estandarizar los procedimientos a seguir por los Ingenieros, los miembros del equipo del proyecto junto a la dirección de proyectos.
-Mejorar la planificación, ejecución, seguimiento, control y cierre de los proyectos de Carpa Ingeniería.
-Implementar la metodología, en el que cada líder de proyecto podra enfrentar con disciplina y mediante el uso de las herramientas de planeación, ejecución, seguimiento, control y cierre de sus proyectos.
-Evaluar el rendimiento de los integrantes del proyecto.
-PermitIr de una manera organizada y bajo una metodología estandarizada la ejecución de LOS recursos ,obteniendo objetivos en diferentes niveles de Carpa Ingeniería contribuyendo al cumplimiento de los objetivos estratégicos planteados por la gerencia.
-La gestión de costos debe estar de la mano del alcance y el tiempo del proyecto, si alguno de los dos elementos cambia se va a ver reflejado en los costos, por lo que es muy importante revisar permanentemente estos dos aspectos,por tanto, una buena planeación inicial, en cuanto al alcance y el tiempo, garantiza un mejor proceso de ejecución presupuestal.
-Realizar una planeación en la elaboración de procedimientos, en la ejecución de las actividades críticas, cumpliendo con los estándares de calidad técnica direccionados hacia el mejoramiento continuo de los procesos.
-Identificación de las actividades críticas de la obra eléctrica y elaboración de procedimientos claros para estas actividades que garanticen una ejecución correcta y segura del proyecto.
-Definir las actividades a ejecutar, las cuales deben garantizar la totalidad del alcance de los proyectos, por lo tanto, se deben secuenciar las actividades teniendo en cuenta las dependencias para lograr el objetivo.
-Realizar una planeación en la elaboración de procedimientos, en la ejecución de las actividades críticas, cumpliendo con los estándares de calidad técnica direccionados hacia el mejoramiento continuo de los procesos.
-Monitoriar la ejecución.
-Sinergia entre todos los involucrados en la obra.
-Comprobar que la planificación fue la más adecuada.
-Software Construdata O PMS.
-EJECUCIÓN 20, 40, 60, 80, 100%.
-Realizar reuniones semanales, donde se revise el estado de las obras y actividades que está gestionando la empresa Carpa Ingeniería, tareas pendientes de las mismas y se deleguen labores para la siguiente semana.
-Informe mensual de gastos en obras con la finalidad de revisar los diferentes costos y gastos en que se ha incurrido en las distintas obras y actividades y se podrá comparar con los presupuestados originalmente con el contratista, para así mismo poder conocer si se logrará obtener el porcentaje de utilidad presupuestado.
-Se recomienda contratar a un asistente administrativo extemporáneo, sea una persona con experiencia en legalización de actividades ante Electrohuila, quien estará apoyando a los procesos y control administrativos de Carpa Ingeniería.
-Es necesario que la compañía adopte políticas de “Cero Tolerancia” con el incumplimiento de las legalizaciones para así evitar contratiempos con los contratistas.