INTRODUCCION

El presente informe pretende dar a conocer los resultados obtenidos tras la realizacin de
diferentes procedimientos estadsticos aplicados al flujo vehicular total en las unidades de
peaje para dar una acertada conclusin respecto al comportamiento de dichas variables
con respecto al tiempo, para poder obtener pronsticos con respecto al comportamiento
futuro de dichas variables.
Este trabajo tiene como principal objetivo estudiar los diferentes modelos para realizar
pronsticos, utilizando los diferentes modelos sean multiplicativos, aditivos, o alternativos.
Tambin se podr obtener pronsticos acerca del comportamiento del flujo vehicular total y
sacar conclusiones acerca del comportamiento futuro y tomar acciones dentro de la
empresa estudiada previamente, COVISUR S.A., para el mercado de accin dentro de sus
variables.
Para ello en primer lugar se realizar el estudio de modelos multiplicativos, pasando los
datos a travs de modelos de corto y largo plazo; considerando los factores de ciclo,
tendencia, estacionalidad e irregularidad. Posteriormente; se proceder a trabajar con los
modelos alternativos, recurriendo a los de tipo intuitivo, promedios mviles y suavizamiento
exponencial. Despus, se evaluar la utilizacin de Modelos Aditivos, previamente
evaluando la existencia de auto correlacin, practicando la Prueba de Durbin Watson y
finalmente evaluar un modelo apropiado que nos d el mejor pronstico posible.
Finalmente; se evaluar los modelos obtenidos para analizar qu sistema de trabajo nos
genera mejores resultados considerando las variables del estudio.
Para lograr dicho estudio, se ha recurrido a la base de datos del INEI correspondiente al
periodo 2006-2011 del flujo vehicular total en las unidades de peaje y as poder aplicar el
estudio de series de tiempo.
El objetivo de este estudio es obtener pronsticos acerca del comportamiento del flujo
vehicular total y sacar conclusiones acerca del comportamiento futuro y tomar acciones
dentro de la empresa estudiada previamente, COVISUR S.A., para el mercado de accin
dentro de sus variables.



DATOS GENERALES DE LA EMPRESA

EMPRESA: Concesionaria Vial del Sur S.A.- COVISUR S.A.
RUC: 20517252558
Razn Social: Concesionaria Vial del Sur S.A.- Covisur S.A.
Pgina Web: http://www.covisur.com.pe
Razn Social Anterior: Concesionaria Vial del Sur S.A.- Concesur S.A.
Tipo Empresa: Sociedad Annima
Condicin: Activo
Fecha Inicio Actividades: 15 / Octubre / 2007
Actividad Comercial: Otras Actividades Empresariales Ncp.
CIIU: 74996
Ubicacin
Direccin Legal: Cal. Arequipa Nro. 111
Distrito / Ciudad: Cayma
Departamento: Arequipa
Perfil de Concesionaria Vial del Sur S.A.- Covisur S.A
Empadronada en el Registro Nacional de Proveedores
Representantes Legales de Concesionaria Vial del Sur S.A. - Covisur S.A.
Gerente General: Escalante Canorio Ricardo
COVISUR S.A. es una empresa privada peruana, que ha
recibido del Estado la concesin para Construir, Conservar y
Explotar el Tramo N 5 del Proyecto Corredor Vial
Interocenico Sur Per - Brasil, que integra las regiones de
Arequipa, Puno y Moquegua.
COVISUR S.A. tiene el respaldo estructural y financiero de
las prestigiosas empresas Hidalgo e Hidalgo (HeH),
Construccin y Administracin S.A. (CASA) y
Concesionaria del Norte (CONORTE).
Su misin es mover el dinamismo en la Regin Sur del Per, con una infraestructura vial
ptima para el trnsito, con servicios de alta calidad que aseguren la comodidad y seguridad
del viaje, y con el permanente cuidado del medio ambiente.
As mismo, su visin es ser reconocida como la empresa lder en el Per en la construccin,
conservacin y operacin de redes viales.


ao trimestre flujo vehicular F.vehicular anual

2000
I 8262250


II 7715454 31845822

III 7809240


IV 8058878


2001
I 8169903


II 7179685 30933650

III 7809240


IV 7774822


2002
I 7934957


II 6792333 29707493

III 7256556


IV 7723647


2003
I 7763996


II 7002687 29802618

III 7455041


IV 7580894


2004
I 7975232


II 7261677 30597338

III 7667374


IV 7693055


2005
I 8083641


II 7193272 31485186

III 7773832


IV 8434441


2006
I 8312991


II 7847709 34583305

III 9088726


DATOS DEL FLUJO VEHICULAR TOTAL
EN LAS UNIDADES DE PEAJE
IV 9333879


2007
I 9695087


II 9087135 37589785

III 9173717


IV 9633846


2008
I 10317384


II 9275819 39931601

III 10089482


IV 10248916


2009
I 10278972


II 9211615 39403014

III 9961561


IV 9950866


2010
I 10523716


II 9894922 42227055

III 10799026


IV 11009391


2011
I 11264117


II 10643988 45093885

III 11461846


IV 11723934


2012
I 12458999


II 12383349 52358727

III 13584298


IV 13932081










LARGO PLAZO:
AO codificacin
F.
VEHICULAR
Ciclo
2000 1 31845822 26663397.8 119.436473
2001 2 30481211 28310614 107.667078
2002 3 29707493 29957830.3 99.1643677
2003 4 29802618 31605046.6 94.2970229
2004 5 30597338 33252262.8 92.015807
2005 6 31485186 34899479.1 90.2167792
2006 7 34583305 36546695.4 94.6277212
2007 8 37589785 38193911.7 98.4182645
2008 9 39931601 39841127.9 100.227085
2009 10 39403014 41488344.2 94.9736963
2010 11 42227055 43135560.5 97.8938364
2011 12 45093885 44782776.7 100.694705
2012 13 52358727 46429993 112.76919












Ecuacin de la Recta:
=25016181.5 + 1647216.27*X

0
10000000
20000000
30000000
40000000
50000000
60000000
0 5 10 15
F
L
U
J
O

V
E
H
I
C
U
L
A
R

CODIFICACIN
Series1
Lineal (Series1)




PRONSTICO PARA EL 2013:



TENDENCIA:


AO: 2013

COD: 14

T2013 = 48077209.3



ENTONCES:


C= 0.95





= 45673348.8



Comentario:
Para el 2013, la tendencia del flujo vehicular ser de 45 673 349 vehculos ligeros y
pesados, reportado en las unidades de peaje.

CORTO PLAZO:
Descripcin del modelo
Nombre del modelo MOD_1
Tipo de modelo Multiplicativo
Nombre de la serie 1 FLUJO_VEHICULAR
Longitud del perodo estacional 4
Mtodo de computacin de medias mviles
Amplitud igual a la periodicidad
y todos los puntos ponderados
igualmente
Aplicando las especificaciones del modelo de MOD_1

Factores estacionales
Nombre de la serie:
FLUJO_VEHICULAR
Perodo Factor
estacional (%)
1 104.1
2 94.2
3 99.9
4 101.8
Regresin:

Coeficientes
a

Modelo Coeficientes no estandarizados Coeficientes
tipificados
t Sig.
B Error tp. Beta
1
(Constante) 6403184.975 211195.778

30.319 .000
Codificacin 103179.759 6934.710 .903 14.879 .000
a. Variable dependiente: Series ajustadas estacionalmente para FLUJO_VEHICULAR de SEASON,
MOD_1, MUL EQU 4

Pronostico:


AO TRIMESTRE CODIF. Pron. Desestac.
Tnd
Estacional
Pron.
Estacional
2013
I 53 11871712.18 1.041214518 12360999.08
II 54 11974891.94 0.942286562 11283779.76
III 55 12078071.7 0.998587741 12061014.33
IV 56 12181251.46 1.017911178 12399432.03

Comentario:
Para el 2013, el flujo vehicular disminuir en el segundo trimestre a 11 283 779 vehculos,
para luego incrementarse en los posteriores trimestres; alcanzando su auge en el cuarto
trimestre con 12 399 432 vehculos reportado en las unidades de peaje.












1.- Modelo Intuitivo

Se procedi a utilizar un mtodo sencillo para realizar estimaciones para el siguiente periodo, as
utilizndose el valor anterior como estimacin para el siguiente periodo en la evaluacin de flujo de
unidades vehiculares y a su vez se realizara la medicin de errores en el pronstico.

Ao Yt Ft e |e| e
2
|e|/Yt e/Yt
2000 31845822 -- -- -- -- -- --
2001 30481211 31845822 -1364611 1364611 1.86216E+12 0.04476892 -
0.04476892
2002 29707493 30481211 -773718 773718 5.9864E+11 0.02604454 -
0.02604454
2003 29802618 29707493 95125 95125 9048765625 0.00319183 0.00319183
2004 30597338 29802618 794720 794720 6.3158E+11 0.0259735 0.0259735
2005 31485186 30597338 887848 887848 7.88274E+11 0.02819891 0.02819891
2006 34583305 31485186 3098119 3098119 9.59834E+12 0.08958424 0.08958424
2007 37589785 34583305 3006480 3006480 9.03892E+12 0.0799813 0.0799813
2008 39931601 37589785 2341816 2341816 5.4841E+12 0.05864568 0.05864568
2009 39403014 39931601 -528587 528587 2.79404E+11 0.01341489 -
0.01341489
2010 42227055 39403014 2824041 2824041 7.97521E+12 0.06687753 0.06687753
2011 45093885 42227055 2866830 2866830 8.21871E+12 0.0635747 0.0635747
2012 52358727 45093885 7264842 7264842 5.27779E+13 0.13875131 0.13875131
2013 -- 52358727 Sumatorias 25846737 9.72623E+13 0.63900735 0.47055065

F
2013
= 52358727

Medicin del Error del Pronstico:

2153894.75

8.10519E+12

5.32506129

3.92125544
2.- Modelo Promedios Mviles

Observando de la grfica que los valores tienen un crecimiento constante pero no del todo ya que al
inicio baja, luego se estabiliza y toma una forma ascendente, y dado que la bibliografa sugiere que
si el comportamiento es estable en el tiempo m deber ser grande, y si presenta fluctuaciones ser
pequeo, utilizando comnmente valores entre 2 y 10. Se opta por utilizar un m=3





















Pronsticos por Promedios Mviles utilizando m=3

Ao Yt Ft e |e| e
2
|e|/Yt e/Yt
2000 31845822 -- -- -- -- -- --
2001 30481211 -- -- -- -- -- --
2002 29707493 -- -- -- -- -- --
2003 29802618 30678175.3 -
875557.333
875557.3333 7.66601E+11 0.02937854 -
0.02937854
2004 30597338 29997107.3 600230.667 600230.6667 3.60277E+11 0.01961709 0.01961709
2005 31485186 30035816.3 1449369.67 1449369.667 2.10067E+12 0.04603338 0.04603338
2006 34583305 30628380.7 3954924.33 3954924.333 1.56414E+13 0.11435935 0.11435935
2007 37589785 32221943 5367842 5367842 2.88137E+13 0.14280055 0.14280055
2008 39931601 34552758.7 5378842.33 5378842.333 2.89319E+13 0.13470139 0.13470139
2009 39403014 37368230.3 2034783.67 2034783.667 4.14034E+12 0.05164031 0.05164031
2010 42227055 38974800 3252255 3252255 1.05772E+13 0.07701828 0.07701828
2011 45093885 40520556.7 4573328.33 4573328.333 2.09153E+13 0.10141793 0.10141793
2012 52358727 42241318 10117409 10117409 1.02362E+14 0.19323252 0.19323252
2013 -- 46559889 Sumatorias 37604542.33 2.14609E+14 0.91019934 0.85144226

0
10000000
20000000
30000000
40000000
50000000
60000000
1998 2000 2002 2004 2006 2008 2010 2012 2014
Flujo Veh.
Flujo Veh.
F
2013
= 46559889

Medicin del Error del Pronstico:

3760454.23

2.14609E+13

9.10199339

8.51442264


3.- Modelo de Suavizamiento Exponencial

Observando la grfica del comportamiento de los datos de flujo vehicular con respecto al tiempo se
observa que presenta cierta tendencia ascendente, al final de cuentas, a pesar de ciertos retrasos,
quedando atrs los valores de los datos anteriores. Dado este comportamiento se optara por tomar un
, es decir se trabajara el pronstico considerando ms los valores recientes que los valores
pasados.

























0
10000000
20000000
30000000
40000000
50000000
60000000
1998 2000 2002 2004 2006 2008 2010 2012 2014
Flujo Veh.
Flujo Veh.


Pronsticos por Suavizamiento Exponencial con un =0.9

Ao Yt Ft e |e| e
2
|e|/Yt e/Yt
2000 31845822 -- -- -- -- -- --
2001 30481211 31845822 -1364611 1364611 1.86216E+12 0.04476892 -
0.04476892
2002 29707493 30617672.1 -910179.1 910179.1 8.28426E+11 0.03063803 -
0.03063803
2003 29802618 29798510.9 4107.09 4107.09 16868188.27 0.00013781 0.00013781
2004 30597338 29802207.3 795130.709 795130.709 6.32233E+11 0.02598692 0.02598692
2005 31485186 30517824.9 967361.071 967361.0709 9.35787E+11 0.03072432 0.03072432
2006 34583305 31388449.9 3194855.11 3194855.107 1.02071E+13 0.09238143 0.09238143
2007 37589785 34263819.5 3325965.51 3325965.511 1.1062E+13 0.08848057 0.08848057
2008 39931601 37257188.4 2674412.55 2674412.551 7.15248E+12 0.06697484 0.06697484
2009 39403014 39664159.7 -
261145.745
261145.7449 68197100076 0.00662756 -
0.00662756
2010 42227055 39429128.6 2797926.43 2797926.426 7.82839E+12 0.06625909 0.06625909
2011 45093885 41947262.4 3146622.64 3146622.643 9.90123E+12 0.06977936 0.06977936
2012 52358727 44779222.7 7579504.26 7579504.264 5.74489E+13 0.14476105 0.14476105
2013 51600776.6 Sumatorias 27021821.22 1.07927E+14 0.66751991 0.50345089

F
2013
= 51600776.6

Medicin del Error del Pronstico:

2251818.43

8.99391E+12

5.56266595

4.19542408













4.- Resumen y Conclusiones

Se realiza una tabla comparativa de la medicin del error respectiva de cada uno de los mtodos
alternativos estudiados

DAM ECM PEAM EPM
M. Intuitivo 2153894.75 8.10519E+12 5.33% 3.92%
M. Promedios
Mviles; m=3
3760454.23

2.14609E+13

9.10%

8.51%

M. Suavizamiento
Exponencial;
=0.9
2251818.43 8.99391E+12 5.56%

4.20%


Al analizar los errores obtenidos de cada mtodo, se observa que el menor es introducido por el
mtodo intuitivo, indicando as que este mismo es el mtodo mas apropiado para los pronsticos ya
que introduce menor error en los pronsticos del flujo vehicular para aos futuros.















1. MODELO ECONOMETRICO

D1 D2 D2
Trimestre I 1 0 0
Trimestre II 0 1 0
Trimestre III 0 0 1
Trimestre IV 0 0 0


Ao Trimestre Flujo
vehicular
D1 D2 D3
2000 I 8262250 1 0 0
II 7715454 0 1 0
III 7809240 0 0 1
IV 8058878 0 0 0
2001 I 8169903 1 0 0
II 7179685 0 1 0
III 7809240 0 0 1
IV 7774822 0 0 0
2002 I 7934957 1 0 0
II 6792333 0 1 0
III 7256556 0 0 1
IV 7723647 0 0 0
2003 I 7763996 1 0 0
II 7002687 0 1 0
III 7455041 0 0 1
IV 7580894 0 0 0
2004 I 7975232 1 0 0
II 7261677 0 1 0
III 7667374 0 0 1
IV 7693055 0 0 0
2005 I 8083641 1 0 0
II 7193272 0 1 0
III 7773832 0 0 1
IV 8434441 0 0 0
2006 I 8312991 1 0 0
II 7847709 0 1 0
III 9088726 0 0 1
IV 9333879 0 0 0
2007 I 9695087 1 0 0
II 9087135 0 1 0
III 9173717 0 0 1
IV 9633846 0 0 0
2008 I 10317384 1 0 0
II 9275819 0 1 0
III 10089482 0 0 1
IV 10248916 0 0 0
2009 I 10278972 1 0 0
II 9211615 0 1 0
III 9961561 0 0 1
IV 9950866 0 0 0
2010 I 10523716 1 0 0
II 9894922 0 1 0
III 10799026 0 0 1
IV 11009391 0 0 0
2011 I 11264117 1 0 0
II 10643988 0 1 0
III 11461846 0 0 1
IV 11723934 0 0 0
2012 I 12458999 1 0 0
II 12383349 0 1 0
III 13584298 0 0 1
IV 13932081 0 0 0













Coeficientes
Intercepcin 9469126.923
D1 -158261.9231
D2 -893000.3846
D3 -243747
Ecuacin de la Recta:
=9469126.923-158261.9231*D1-893000.3846*D2-243747*D3
ANALISIS:
2013


Trimestre I 9469126.923-158261.9231*(1)-893000.3846*(0)-243747*(0)= 9310865
Trimestre II 9469126.923-158261.9231*(0)-893000.3846*(1)-243747*(0)= 8576126.54
Trimestre III 9469126.923-158261.9231*(0)-893000.3846*(0)-243747*(1)= 9225379.92
Trimestre IV 9469126.923-158261.9231*(0)-893000.3846*(0)-243747*(0)= 9469126.92

INTERPRETACION: Al realizar el modelo economtrico y ver los resultados nos damos
cuenta que para el ao 2013 hay mayor flujo de vehculos en el ltimo trimestre, mientras
que el segundo trimestre hay muy bajo flujo de clientes.

2. AUTOCORRELACION
















2.1 REGRESION SIMPLE

PRUEBA DE HIPOTESIS DE AUTOCORRELACION
Aos Flujo
Vehicular
2000 31845822
2001 30481211
2002 29707493
2003 29802618
2004 30597338
2005 31485186
2006 34583305
2007 37589785
2008 39931601
2009 39403014
2010 42227055
2011 45093885
2012 52358727
H
0
:
k
=0
H
1:

k
=0
0 Z(1/n^1/2)
Para un Z
0.95
=1.96
0 Z(1/n^1/2)
0 1.96(1/12^1/2)
0 0.57




















Autocorrelaciones
Serie: FLUJO
Retardo Autocorrelacin Tp. Error
a
Estadstico de Box-Ljung
Valor gl Sig.
b

1 .688 .248 7.693 1 .006
2 .480 .238 11.774 2 .003
3 .282 .226 13.320 3 .004
4 .138 .215 13.733 4 .008
5 -.068 .203 13.846 5 .017
6 -.249 .189 15.578 6 .016
7 -.362 .175 19.830 7 .006
8 -.378 .160 25.403 8 .001
9 -.360 .143 31.711 9 .000
10 -.315 .124 38.174 10 .000
11 -.230 .101 43.325 11 .000
a. El proceso subyacente asumido es la independencia (ruido blanco).
b. Basado en la aproximacin chi cuadrado asinttica.


INTERPRETACION:

Aparentemente nuestros valores estn cercanas a cero, por ende parecen aleatorias. Sin embargo
existe un valor, el primero, quien est muy alejado del cero con un valor de 0.688 y sobrepasa los
intervalos dados. Por ello, nuestros valores no son aleatorios, por consiguiente existe correlacin
entre si. La solucin para este caso, seria que al primer valor se tendra que ajustarle otro modelo.



ANALIZANDO CON DURBIN WATSON :


Resumen del modelo
b

Modelo R R cuadrado R cuadrado
corregida
Error tp. de la
estimacin
Durbin-Watson
1 .893
a
.797 .778 3306150.25598 .695
a. Variables predictoras: (Constante), CODIFICACION
b. Variable dependiente: FLUJO










INTERPRETACION: Como se observa nuestro valor de Durbin Watson es 0.695 y est por debajo
del lmite inferior, por ende hay auto correlacin serial; esto no es bueno. As mismo, nuestros
valores Por consiguiente se necesitan probar otro modelo.


2.2 MODELO AUTORREGRESIVO DE PRIMER ORDEN


















Flujo
Vehicular
YT-1
31845822 -
30481211 31845822
29707493 30481211
29802618 29707493
30597338 29802618
31485186 30597338
34583305 31485186
37589785 34583305
39931601 37589785
39403014 39931601
42227055 39403014
45093885 42227055
52358727 45093885

Dwcalculado= 0.695
K=1
D
L
=0.97
D
U
=1.33
= 0.05
n=12

PRUEBA DE HIPOTESIS DE AUTOCORRELACION
H
0
:
k
=0
H
1:

k
=0
0 Z(1/n^1/2)
Para un Z
0.95
=1.96
0 Z(1/n^1/2)
0 1.96(1/12^1/2)
0 0.57




Autocorrelaciones
Serie: flujo
Retardo Autocorrelacin Tp. Error
a
Estadstico de Box-Ljung
Valor gl Sig.
b

1 .761 .256 8.855 1 .003
2 .515 .244 13.309 2 .001
3 .299 .231 14.984 3 .002
4 .017 .218 14.990 4 .005
5 -.233 .204 16.289 5 .006
6 -.395 .189 20.665 6 .002
7 -.427 .173 26.780 7 .000
8 -.398 .154 33.439 8 .000
9 -.317 .134 39.066 9 .000
10 -.220 .109 43.114 10 .000
a. El proceso subyacente asumido es la independencia (ruido blanco).
b. Basado en la aproximacin chi cuadrado asinttica.





INTERPRETACION:

Como en el anterior ejemplo aparentemente los valores son aleatorios, pero se observa que un
valor, el primero, no est dentro del rango de tolerancia pues es 0.761 este es un valor muy alejado
de cero, por ende no hay aleatoriedad.




ANALIZANDO CON DURBIN WATSON:

Resumen del modelo
b

Modelo R R cuadrado R cuadrado
corregida
Error tp. de la
estimacin
Durbin-Watson
1 .968
a
.937 .931 1887867.32065 1.346
a. Variables predictoras: (Constante), CODIFICACION
b. Variable dependiente: FLUJO









INTERPRETACION: Se observa que el valor que el durbin Watson calculado es mayor que el lmite
superior, por ende el modelo no presenta auto correlacin. Es decir, este es un buen modelo para
realizar pronsticos.


2.3 MODELO AUTORRGRESIVO DE PRIMER ORDEN Y DE SEGUNDO ORDEN

PRUEBA DE HIPOTESIS DE AUTOCORRELACION
H
0
:
k
=0
H
1:

k
=0
0 Z(1/n^1/2)
Para un Z
0.95
=1.96
0 Z(1/n^1/2)
0 1.96(1/11^1/2)
0 0.59




Autocorrelaciones
Dwcalculado= 1.346
K=1
D
L
=0.97
D
U
=1.33
= 0.05
n=12

Serie: flujo
Retardo Autocorrelacin Tp. Error
a
Estadstico de Box-Ljung
Valor gl Sig.
b

1 .742 .264 7.865 1 .005
2 .478 .251 11.493 2 .003
3 .253 .237 12.639 3 .005
4 -.032 .221 12.659 4 .013
5 -.284 .205 14.581 5 .012
6 -.421 .187 19.647 6 .003
7 -.422 .167 26.018 7 .000
8 -.367 .145 32.444 8 .000
9 -.290 .118 38.458 9 .000
a. El proceso subyacente asumido es la independencia (ruido blanco).
b. Basado en la aproximacin chi cuadrado asinttica.




INTERPRETACION:

Aparentemente nuestros valores estn cercanas a cero, por ende parecen aleatorias. Sin embargo
existe un valor, el primero, quien est muy alejado del cero con un valor de 0.742 y sobrepasa los
intervalos dados. Por ello, nuestros valores no son aleatorios.



ANALIZANDO CON DURBIN WATSON:

Resumen del modelo
b

Modelo R R cuadrado R cuadrado
corregida
Error tp. de la
estimacin
Durbin-Watson
1 .972
a
.944 .930 1913678.29280 1.822
a. Variables predictoras: (Constante), Yt2, Yt1
b. Variable dependiente: FLUJO









INTERPRETACION:
Se observa que el Durbin Watson calculado es 1.822 este es superior al lmite superior por ende no
hay auto correlacin. En consecuencia este es un buen modelo para hacer pronsticos.






Dwcalculado= 1.822
K=2
D
L
=0.66
D
U
=1.60
= 0.05
n=11





MEJOR MODELO SEGN SPSS USANDO MODELIZADOR EXPERTO


Modelizador para series temporales






Resumen del modelo









Descripcin del modelo

Tipo de modelo
ID del modelo ventas Modelo_1 Brown
INTERPRETACION:
Para una mejor visibilidad de cul de los modelos es ms eficaz se realiz en el programa SPSS
mediante el modernizador experto para una evaluacin de cul de los modelos era mejor, dndonos
como resultado que el mejor modelo es el Brown. El modelo Brown es un tipo mtodo que consiste
en realizar dos suavizaciones exponenciales, a partir de las cuales se obtendr el valor estimado, o
pronstico que buscamos realizar, mediante un clculo realizado con una expresin sencilla. La
primera se aplica a los valores observados en la serie de tiempo y la segunda a la serie atenuada
obtenida mediante la primera atenuacin.



1. Realizando una comparacin entre el modelo multiplicativo y el economtrico
AO TRIMESTRE
Modelo
multiplicativo Modelo economtrico.
2013
I 11871712.18
9310865.00
II 11974891.94 8576126.54
III 12078071.7 9225379.92
IV 12181251.46 9469126.92
Como se observa los datos en ambos modelos son distintos, pero ambos nos indican que el
mayor flujo vehicular para el ao 2013 se dar el cuarto semestre.

2. En el anlisis del modelo alternativo se concluye que al analizar los errores obtenidos de
cada mtodo, se observa que el menor es introducido por el mtodo intuitivo, indicando as
que este mismo es el mtodo ms apropiado para los pronsticos ya que introduce menor
error en los pronsticos del flujo vehicular para aos futuros.

3. Para el modelo aditivo en regresin simple presenta auto correlacin, mientras que el modelo
de primer orden y el modelo de primer y segundo orden no hay auto correlacin. Por
consiguiente, se recomienda trabajar con el modelo de primer orden pues es sencillo de
trabajar y no es muy dificultoso como el segundo. As mismo, mediante el modelizador
experto se analiz que el mejor modelo a utilizar es el modelo de suavizamiento exponencial
Brown, pero el grupo no recomienda pues es tedioso para trabajar.