REPUBLICA BOLIVARIANA DE VENEZUELA

MINISTERIO DEL PODER POPULAR PARA LA DEFENSA

UNIVERSIDAD NACIONAL EXPERIMENTAL
POLITCNICA DE LA FUERZA ARMADA NACIONAL BOLIVARIANA
UNEFA-NUCLO BARINAS

Series de Tiempo

Integrantes:
Bernal Paola
Ing.: La Cruz Ayatholla Bolvar Roosbely
VI Semestre Ing. Sistemas Morales Carlos
Seccin: S61 Silva Yovany
Ramrez Mara
Daz Ander

Barinas/Noviembre /2016
 ndice
Contenido Pg.
1. Introduccin . 3
2. Series de Tiempo. 4
3. Bsqueda Multidimensional... 12
4. Mtodo de Variaciones Cclicas 19
5. Fibonacci.. 24
6. Algoritmo de Cuasi Newton 28
7. Graficas. 31
8. Conclusin. 35
9. Bibliografa. 37
10. Anexos.. 39

2
 Introduccin

Las matemticas prestan su servicio a la sociedad mediante la elaboracin

de modelos o mtodos matemticos de la realidad. Estos consisten en crear un
objeto conceptual que refleje las caractersticas relevantes de un fenmeno para,
a partir de la simplificacin, llegar a extraer conclusiones que enriquezcan, en
algn sentido, el conocimiento que hasta el momento se tiene del fenmeno. Uno
de los propsitos fundamentales por los cuales se construyen modelos o mtodos
matemticos es para obtener respuestas a problemas de optimizacin no lineal.

Algunos de dichos mtodos o modelos son el anlisis de series de tiempo,

bsqueda multidimensional, mtodos de variacin cclica, Fibonacci y algoritmo de
Quasi-Newton. Los cuales son aplicados en la carrera de Ingeniera de Sistemas
en el rea de la programacin para la realizacin de arreglos, diseo de pginas
web, gestores de bsqueda en la web, el trfico de una red, entre otros.
Obviamente son aplicados tambin en todas las reas de la ingeniera, debido a
que nos permiten determinar mximos y mnimos y en consecuencia hallar
resultados ptimos aplicables, resultando el estudio de la optimizacin no lineal
indispensable para el desarrollo investigativo y de produccin en las empresas.

3
 SERIES DE TIEMPO

Por serie de tiempo nos referimos a datos estadsticos que se recopilan,

observan o registran en intervalos de tiempo regulares (diario, semanal, semestral,
anual, entre otros). El trmino serie de tiempo se aplica por ejemplo a datos
registrados en forma peridica que muestran, por ejemplo, las ventas anuales
totales de almacenes, el valor trimestral total de contratos de construccin
otorgados, el valor trimestral del PIB.

El anlisis de series de tiempo o cuantitativos se basa en la idea de que

se pueden usar los datos relacionados con la demanda del pasado para realizar
pronsticos.

Modelos comunes para pronsticos cuantitativos

Promedio Mvil Simple Se promedia un periodo que contiene varios
puntos de datos, dividiendo la suma de los valores de los puntos entre el
nmero de puntos. As, cada punto tiene la misma influencia.

Promedio Mvil Ponderado Ciertos puntos se ponderan ms o menos que

otros, segn se considere conveniente de acuerdo con la experiencia.

Suavizacin Exponencial Los puntos de datos ms recientes tienen mayor

peso; este peso se reduce exponencialmente cuanto ms antiguos son los
datos.

Anlisis de Regresiones Ajusta una lnea recta a datos pasados, por lo

general relacionando el valor del dato con el tiempo. El mtodo de ajuste
ms comn es el de mnimos cuadrados, permite identificar la tendencia de
la serie de tiempo analizada.

4
a. Componentes de la serie de tiempo
Supondremos que en una serie existen cuatro tipos bsicos de variacin,
los cuales sobrepuestos o actuando en concierto, contribuyen a los cambios
observados en un perodo de tiempo y dan a la serie su aspecto errtico. Estas
cuatro componentes son: Tendencia secular, variacin estacional, variacin cclica
y variacin irregular.
Supondremos, adems, que existe una relacin multiplicativa entre estas
cuatro componentes; es decir, cualquier valor de una serie es el producto de
factores que se pueden atribuir a las cuatro componentes.
1. Tendencia secular: La tendencia secular o tendencia a largo plazo de una
serie es por lo comn el resultado de factores a largo plazo. En trminos
intuitivos, la tendencia de una serie de tiempo caracteriza el patrn gradual
y consistente de las variaciones de la propia serie, que se consideran
consecuencias de fuerzas persistentes que afectan el crecimiento o la
reduccin de la misma, tales como: cambios en la poblacin, en las
caractersticas demogrficas de la misma, cambios en los ingresos, en la
salud, en el nivel de educacin y tecnologa. Las tendencias a largo plazo
se ajustan a diversos esquemas. Algunas se mueven continuamente haca
arriba, otras declinan, y otras ms permanecen igual en un cierto perodo o
intervalo de tiempo.

2. Variacin estacional: El componente de la serie de tiempo que representa

la variabilidad en los datos debida a influencias de las estaciones, se llama
componente estacional. Esta variacin corresponde a los movimientos de la
serie que recurren ao tras ao en los mismos meses (o en los mismos
trimestres) del ao poco ms o menos con la misma intensidad. Por
ejemplo: Un fabricante de albercas inflables espera poca actividad de
ventas durante los meses de otoo e invierno y tiene ventas mximas en
los de primavera y verano, mientras que los fabricantes de equipo para la

5
 nieve y ropa de abrigo esperan un comportamiento anual opuesto al del
fabricante de albercas.

3. Variacin cclica: Con frecuencia las series de tiempo presentan

secuencias alternas de puntos abajo y arriba de la lnea de tendencia que
duran ms de un ao, esta variacin se mantiene despus de que se han
eliminado las variaciones o tendencias estacional e irregular. Un ejemplo de
este tipo de variacin son los ciclos comerciales cuyos perodos recurrentes
dependen de la prosperidad, recesin, depresin y recuperacin, las cuales
no dependen de factores como el clima o las costumbres sociales.

4. Variacin Irregular: Esta se debe a factores a corto plazo, imprevisibles y

no recurrentes que afectan a la serie de tiempo. Como este componente
explica la variabilidad aleatoria de la serie, es impredecible, es decir, no se
puede esperar predecir su impacto sobre la serie de tiempo. Existen dos
tipos de variacin irregular:

a) Las variaciones que son provocadas por acontecimientos

especiales, fcilmente identificables, como las elecciones, inundaciones,
huelgas, terremotos.
b) Variaciones aleatorias o por casualidad, cuyas causas no se
pueden sealar en forma exacta, pero que tienden a equilibrarse a la larga.

b. Tendencia de una serie

1. Tendencia lineal: Como se dijo antes, la tendencia de una serie viene

dada por el movimiento general a largo plazo de la serie. La tendencia a
largo plazo de muchas series de negocios (industriales y comerciales),
como ventas, exportaciones y produccin, con frecuencia se aproxima a
una lnea recta. Esta lnea de tendencia muestra que algo aumenta o

6
 disminuye a un ritmo constante. El mtodo que se utiliza para obtener la
lnea recta de mejor ajuste es el Mtodo de Mnimos Cuadrados.
2. Tendencia no lineal: Cuando la serie de tiempo presenta un
comportamiento curvilneo se dice que este comportamiento es no lineal.
Dentro de las tendencias no lineales que pueden presentarse en una
serie se encuentran, la polinomial, logartmica, exponencial y potencial,
entre otras.

c. Mtodos de Suavizamiento de la Serie

1. Promedio mvil: Un promedio mvil se construye sustituyendo cada

valor de una serie por la media obtenida con esa observacin y algunos
de los valores inmediatamente anteriores y posteriores. Se mostrar
este mtodo con los siguientes ejemplos:

Ejemplo 1. Aplicar el mtodo de promedios mviles para el pronstico de ventas

de gasolina a partir de la siguiente informacin:
Se considerar el promedio mvil a partir de las tres observaciones ms
recientes. En este caso se utilizar la siguiente ecuacin:
Promedio mvil =(n valores ms recientes de datos)

7
Resumen de clculos para promedios mviles de tres semanas
Tabla N1
Semana Valor de la serie de Pronstico de la i-sima
tiempo (miles de semana con
galones) Promedios mviles
1 17
2 21
3 19
4 23 (17+21+19)/3 = 19
5 18 (21+19+23)/3 = 21
6 16 ((19+23+18)/3 = 20
7 20 19
8 18 18
9 22 18
10 20 20
11 15 20
12 22 19

Los promedios mviles tambin se pueden construir tomando en cuenta

valores adyacentes de las observaciones, por ejemplo: En el caso de determinar el
promedio mvil para tres observaciones adyacentes de la tabla anterior, se tiene:

8
Tabla N2
Semana Valor de la serie de Pronstico de la i-sima semana con
tiempo (miles de Promedios mviles para 3 aos
galones)
1 17
2 21 (17+21+19)/3 = 19
3 19 (21+19+23)/3 = 21
4 23 (19+23+18)/3 = 20
5 18 (23+18+16)/3 = 19
6 16 18
7 20 18
8 18 20
9 22 20
10 20 19
11 15 19
12 22

2. Promedios mviles ponderados: Para mostrar el uso de ste mtodo,

se utilizar la primera parte del ejemplo anterior de la venta de gasolina.
El mtodo consiste en asignar un factor de ponderacin distinto para
cada dato. Generalmente, a la observacin o dato ms reciente a partir
del que se quiere hacer el pronstico, se le asigna el mayor peso, y este
peso disminuye en los valores de datos ms antiguos. En este caso,
para pronosticar las ventas de la cuarta semana, el clculo se realizara
de la siguiente manera:

pronstico para la cuarta semana galones

9
 Puede observarse que el dato ms alejado (correspondiente a la
primera semana) tiene el factor de ponderacin ms pequeo, el siguiente
tiene un factor de ponderacin del doble que el primero y el dato ms reciente
(que corresponde a la tercera semana) tiene un factor de ponderacin del
triple del primero. Los pronsticos para las diversas semanas se presentan en
la siguiente tabla. En todos los casos, la suma de los factores de ponderacin
debe ser igual a uno.
Tabla N3
Semana Valor de la serie Pronstico de la i-sima semana con
de tiempo (miles Promedios mviles para 3 aos
de galones)
1 17
2 21
3 19
4 23 19.33
5 18 21.33
6 16 19.83
7 20 17.83
8 18 18.33
9 22 18.33
10 20 20.33
11 15 20.33
12 22

3. Suavizamiento exponencial
El suavizamiento exponencial emplea un promedio ponderado de la serie
de tiempo pasada como pronstico; es un caso especial del mtodo de promedios
mviles ponderados en el cual slo se selecciona un peso o factor de

10
ponderacin: el de la observacin ms reciente. En la prctica comenzamos
haciendo que F1, el primer valor de la serie de valores uniformados, sea igual a Y 1,
que es el primer valor real de la serie. El modelo bsico de suavizamiento
exponencial es el siguiente:
Ft+1 =Yt +(1-) Ft

Donde:
Ft+1 = pronstico de la serie de tiempo para el perodo t+1
Yt = valor real de la serie de tiempo en el perodo t
Ft = pronstico de la serie de tiempo para el perodo t
= constante de suavizamiento, 0 1

En base a lo anterior, el pronstico para el perodo dos se calcula de la

siguiente manera:

F2 =Y1 +(1-) F1
F2 =Y1 +(1-) Y1

F2 =Y1

Como se observa, el pronstico para el perodo 2 con suavizamiento

exponencial es igual al valor real de la serie de tiempo en el perodo uno. Para el
perodo 3, se tiene que:

F3 =Y2 +(1-) F2

F3 =Y2 +(1-) Y1

Para el perodo 4 se tiene:

F4 =Y3 +(1-)F3 =Y3 +(1-) Y2 +(1-)Y1]

F4 =Y3 +(1-)Y2 +(1-)2Y1

11
 Para mostrar el mtodo de suavizamiento exponencial, retomamos el
ejemplo de la gasolina, utilizando como constante de suavizamiento = 0.2:
Tabla N3
galones/semana Pronstico
Semana ( t ) Valor (Yi) Ft
1 17 F1 = Y1 = 17.00
2 21 F2 = F1 =17.00
3 19 F3 = Y2+(1-)F2 = 17.80
4 23 F4 = Y3 + (1-)F3 = 18.04
5 18 F5 = Y4 + (1-)F4 = 19.03
6 16 F6 = Y5 + (1-)F5 = 18.83
7 20 F7 = Y6 + (1-)F6 = 18.26
8 18 F8 = Y7 + (1-)F7 = 18.61
9 22 F9 = Y8 + (1-)F8 = 18.49
10 20 F10 = Y9 + (1-)F9 = 19.19
11 15 F11 = Y10 + (1-)F10 = 19.35
12 22 F12 = Y11 + (1-)F11 = 18.48

12
 BSQUEDA MULTIDIMENSIONAL
Algoritmo base
Dado un punto inicial xk.
Hallar o fijar una direccin de bsqueda dk.
Encontrar un salto k
Generar un nuevo punto: xk+1 = xk + k * dk.

El problema se transforma en el siguiente problema de minimizacin:

13
Tcnicas de Bsqueda Multidimensionales
1. Eliminacin multivariable

a) Downhill simplex : En el mtodo downhill simplex, cada punto de un simplex

representa una posible solucin del problema. El simplex correspondiente a una
funcin de N variables se representa por una matriz de (N+1)xN. Cada columna de
la matriz contiene las N coordenadas de un vrtice
El algoritmo consiste en la bsqueda de un mnimo siguiendo una sucesin
de operaciones sobre el simplex: expansin, contraccin, y reflexin. Primero se
localiza el vrtice nmax donde la funcin objetivo f toma el valor mximo, y se lo
refleja respecto de la cara opuesta del simplex determinando un nuevo punto n
prueba. Se evala la funcin en una serie de puntos que pertenezcan a la recta
perpendicular a dicha cara y que contiene a n prueba.
Si en alguno de esos puntos, la funcin toma un valor menor que f(nmax),
entonces ese punto reemplaza a nmax en el simplex. En caso contrario, se
conserva el simplex original y se lo contrae en todas las direcciones alrededor del
mnimo y se vuelve a ejecutar el algoritmo. El mtodo invariablemente converge a
un mnimo luego de una serie de contracciones.

b) Algoritmos genticos: El mtodo de optimizacin por algoritmos genticos

simula un proceso de evolucin y seleccin natural en una poblacin de
individuos. Cada individuo de la poblacin representa una posible solucin. Por
otra parte, un cromosoma caracteriza a un individuo y est formado por un
conjunto de genes, cada uno de los cuales es un parmetro de optimizacin.

2. Mtodos geomtricos: El mtodo geomtrico consiste en suponer que el

crecimiento de una comunidad es en todo instante proporcional a su poblacin,
es decir que responde a la ecuacin:

14
 Este mtodo da resultados superiores, por lo que se califica de optimista y
debe emplearse con mucha precaucin. Tan slo debe aplicarse a comunidades
en plena dinmica de crecimiento, con grandes posibilidades de desarrollo y
horizontes libres.

3. Mtodos lgicos: La optimizacin lgica mediante eliminacin de

redundancias tiene una aplicacin muy limitada. Esto es debido a que no es
una tcnica completa, en el sentido de que una vez que se han eliminado todas
las redundancias de un circuito no es posible continuar optimizndolo mediante
esta tcnica. Para obtener un algoritmo general de optimizacin, la eliminacin
de redundancias se puede completar con su operacin inversa: la adicin de
redundancias. Esta operacin inversa tiene por objetivo la creacin de nuevas
redundancias, de forma que, tras la eliminacin de estas ltimas, el circuito
presenta menor rea o menor retraso o ambas cosas a la vez.

4. Bsqueda Aleatoria: Este mtodo se basa en la generacin de una secuencia

de aproximaciones mejoradas al mnimo, cada una de las cuales se deriva de
la aproximacin previa.

5. Procedimientos de aproximacin estocsticos: Consiste en la elaboracin

de modelos de optimizacin con escenarios, Muestreo de escenarios: Si el
nmero de casos que hay que evaluar es muy elevado es necesario reducirlo.
Por ello se procede a un muestreo de los mismos. Se determina la funcin de

15
 probabilidad acumulada y se procede al muestreo ( el muestreo se realiza por
el mtodo de Montecarlo).

La funcin objetivo final se determina empleando el mtodo de la

aproximacin media de muestra. Finalmente se analizan los resultados:
determinndose el tamao de muestra mnimo para obtener una solucin fiable.
Para luego analizar la solucin y disear el proceso.
6. Bsqueda en forma de malla: El mtodo de la malla fija ha sido utilizado en
problemas en donde la geometra del objeto, o las propiedades fsicas del
cuerpo cambian con el tiempo. En este trabajo se muestra la posibilidad de
utilizar el mtodo de la malla fija como alternativa al mtodo de los elementos
finitos convencional, para resolver problemas de elasticidad.

7. Mtodo de interpolacin cuadrtica de Powell : No usa derivadas

_ Se parte de un punto P0 y N direcciones (por ejemplo, base del espacio) (ui)
arbitrarios
_ Se calculan los Pi, mnimos a lo largo de ui
_ Se elimina u1 y se aade nuevo uN = PN - P0
_ Nuevo P0 es mnimo a lo largo de nuevo uN
_ Direcciones se van haciendo conjugadas, y se llega a mnimo de forma
cuadrtica tras N iteraciones del ciclo
_ Problema de tendencia a dependencia lineal de (ui) (convergencia a mnimo
de un subespacio):
_ Re inicializacin de (ui) tras N iteraciones
_ Powell: Eliminacin (salvo excepciones) de direccin en que f disminuy ms
en lugar de u1; prdida de direcciones conjugadas (y de convergencia
cuadrtica)
8. Mtodo del ascenso acelerado: Proceso interactivo de modelo de primer
orden ajustado para acceder a las cercanas del ptimo. Esto se logra
realizando un conjunto de experimentos que requieren llamar al modelo de

16
 simulacin con puntos de operacin definidos en la direccin dada por el signo
de los coeficientes del modelo ajustado, con incremento en las variables
proporcionales a la magnitud de los coeficientes. Lo anterior se realiza
mientras exista mejoramiento de la respuesta o hasta encontrarse con una
restriccin, debido a que, si se encuentra una restriccin, los experimentos
deben realizarse a travs de la direccin impuesta por el vector director de la
misma. El mejor punto encontrado en la trayectoria de bsqueda se toma como
el punto central para un nuevo diseo experimental.
Este mtodo se experimenta en una funcin que emula el funcionamiento
del mismo; para ello recie como parmetros los coeficientes del modelo ajustado,
el margen de operacin y el punto actual de operacin, retornando un nuevo punto
de operacin.
9. Mtodo de Newton Raphson: Es un algoritmo eficiente para encontrar
aproximaciones de los ceros o races de una funcin real. Tambin puede ser
usado para encontrar el mximo o mnimo de una funcin, encontrando los
ceros de su primera derivada.

La idea de este mtodo es la siguiente: se comienza con un valor

razonablemente cercano al cero (denominado punto de arranque), entonces se
reemplaza la funcin por la recta tangente en ese valor, se iguala a cero y se
despeja (fcilmente, por ser una ecuacin lineal). Este cero ser, generalmente,
una aproximacin mejor a la raz de la funcin. Luego, se aplican tantas
iteraciones como se deseen. Supngase f : [a, b] R funcin derivable definida
en el intervalo real [a, b]. Empezamos con un valor inicial x0 y definimos para cada
nmero natural n.
Xn+1 = f(Xn) / f (Xn). Donde f denota la derivada de f.

10. Mtodo de Broyden Fletcher: Es un mtodo para solucionar una libre

optimizacin no lineal problema. El mtodo de BFGS se deriva de Mtodo del
neutonio en la optimizacin, usa tcnicas que busca punto inmvil de una

17
 funcin, donde gradiente es 0. El mtodo del neutonio asume que la funcin se
puede localmente aproximar como ecuacin cuadrtica en la regin alrededor
del grado ptimo, y utiliza los primeros y segundos derivados para encontrar el
punto inmvil.

11. Mtodo de Smith: Permite resolver el problema de varianza no constante en

regresin en un solo paso, ya que simultneamente se hallan las distribuciones
posteriores de todos los parmetros involucrados, un problema que para la
aproximacin tradicional es complejo y requiere primero modelar la
heteroscedasticidad y luego estimar los parmetros del modelo realizando los
ajustes necesarios.

Dado que este proceso de generacin de muestras es un proceso

markoviano donde la distribucin estacionaria es la distribucin posterior de la cual
se pretende extraer las muestras, se deben descartar los valores generados al
comienzo del proceso. Este es un problema complejo pero se acostumbra eliminar
los primeros 1000 valores y generar 5000 valores o ms.

18
 MTODOS DE VARIACIONES CCLICAS

Variacin estacional o cclica se refiere a las oscilaciones de larga duracin

alrededor de la recta o curva de tendencia; estos ciclos, como se llaman a veces,
pueden ser o no peridicos, es decir, puede seguir o no exactamente caminos
analgicos despus de intervalos de tiempo iguales.

Se caracterizan por tener lapsos de expansin y contraccin. En general,

los movimientos se consideran cclicos solo si se produce en un intervalo de
tiempo superior al ao (3).

El modelo de variacin estacional, estacionaria o cclica permite hallar el

valor esperado o pronstico cundo existen fluctuaciones (movimientos
ascendentes y descendentes de la variable) peridicas de la serie de tiempo, esto
generalmente como resultante de la influencia de fenmenos de naturaleza
econmica
Estos ciclos corresponden a los movimientos en una serie de tiempo, que
ocurren ao tras ao en los mismos meses o perodos del ao y relativamente con
la misma intensidad.

Cundo utilizar un pronstico de variacin estacional o cclica?

El modelo de variacin estacional es un modelo ptimo para patrones de
demanda sin tendencia y que presenten un comportamiento cclico, por ejemplo la
demanda de artculos escolares, la cual tiene un comportamiento cclico de
conformidad con el calendario escolar. Anexo1

Mtodos para determinar la tendencia de las variaciones cclicas

19
 1) Mtodo Grafico
a) Se efecta la representacin grfica de la serie ordenada Yt
b) Se unen mediante segmentos rectilneos todos los puntos altos de la
serie, obtenindose una poligonal de cimas
c) Se realiza lo mismo con los puntos bajos, obtenindose la lnea poligonal
de fondos
d) Se trazan perpendiculares al eje de abscisas por los puntos cimas y
fondos.
e) La tendencia viene dada por la lnea amortiguada que une los puntos
medios de los segmentos

2. Mtodo De Las Medias Mviles

a) Partimos de la serie temporal observada Yt.

b) Se obtienen sucesivas medias aritmticas para cada Yt, con un nmero

de observaciones anteriores y posteriores fijado de antemano, Si el nmero de
observaciones es impar la media Yt, est centrada y coincide con el perodo t

c) La serie formada por las medias de Yt, nos indica la lnea amortiguada de
la tendencia 6

3.Mtodo Analtico De Los Mnimos Cuadrados

a) Obtendremos la tendencia a partir de la recta Yt= a+ bt, siendo Yt, la

media anual de las observaciones trimestrales de los casos anteriores.
b) Calculamos los coeficientes a y b de la recta de regresin.
Deshaciendo el cambio de variable, tendremos la siguiente prediccin de la
tendencia

20
Modelo de variacin estacional o cclica
Frmulas

Pronstico del perodo t

ndice o Factor de estacionalidad

Media o promedio general de las ventas

Donde ...

Media o promedio de las ventas del perodo i

Ejemplo de aplicacin de un pronstico de Variacin Estacional o Cclica

La distribuidora de papelera CAROLA desea vender para el ao 2015 una
cantidad de 12000 kits escolares. Determine el pronstico por trimestre a partir del
modelo de variacin estacional, teniendo en cuenta la siguiente informacin
acerca del comportamiento de las ventas:
Trimestre Ventas
I 2500
II 1500
III 3800
IV 2200

21
 Solucin
El primer paso consiste en determinar el promedio general de las ventas,
para ello hemos de sumar las ventas totales y dividirlas entre el nmero de
trimestres.

Luego se procede a calcular el promedio de las ventas de cada perodo, en

este caso de cada perodo tan slo tenemos un dato, existirn en la prctica
ejercicios en los que de cada perodo (por ejemplo trimestre I) tengamos gran
cantidad de informacin histrica, por ejemplo la informacin histrica del trimestre
I de 5 aos. Como lo mencionamos, para ste caso no es necesario promediar, ya
que contamos tan slo con un dato de cada trimestre, por tal razn procedemos a
calcular el ndice de estacionalidad de cada perodo.

22
 Teniendo en cuenta que se desean vender un total de 12000 kits para el
ao 2015, calcularemos el promedio general de las ventas para dicho ao, para
ello dividiremos sta cantidad en la cantidad de trimestres.

Ya que tenemos el promedio general de las ventas del ao que deseamos

pronosticar y contamos con el ndice de estacionalidad de cada trimestre, es
momento de determinar el pronstico por trimestre para el ao 2015.

23
 FIBONACCI

Quin fue Fibonacci?

Bien, Fibonacci fue un matemtico italiano del siglo XIII, el primero en

describir esta sucesin matemtica. Tambin se lo conoca como Leonardo de
Pisa, Leonardo Pisano o Leonardo Bigollo y ya hablaba de la sucesin en el ao
1202, cuando public su Liber abaci. Fibonacci era hijo de un comerciante y se
cri viajando, en un medio en donde las matemticas eran de gran importancia,
despertando su inters en el clculo de inmediato.

Sucesin de Fibonacci

En matemticas, la sucesin de Fibonacci (a veces llamada

errneamente serie de Fibonacci) es la siguiente sucesin infinita de nmeros
naturales: 0, 1, 1, 2, 3, 5, 8, 13, 21 y 34. Anexo2

La sucesin comienza con los nmeros 0 y 1,2 y a partir de estos, cada

trmino es la suma de los dos anteriores, es larelacin de recurrencia que
la define.

A los elementos de esta sucesin se les llama nmeros de Fibonacci. Esta

sucesin fue descrita en Europa por Leonardo de Pisa, matemtico italiano del
siglo XIII tambin conocido como Fibonacci. Tiene numerosas aplicaciones
en ciencias de la computacin, matemticas y teora de juegos. Tambin aparece
en configuraciones biolgicas, como por ejemplo en las ramas de los rboles,
en la disposicin de las hojas en el tallo, en las flores de alcachofas y girasoles, en
las inflorescencias del brcolromanesco y en la configuracin de las pias de las

24
conferas. De igual manera, se encuentra en la estructura espiral del caparazn de
algunos moluscos, como el nautilus.

Historia

Mucho antes de ser conocida en occidente, la sucesin de Fibonacci ya

estaba descrita en las matemticas de la India, en conexin con la prosodia
snscrita.

La sucesin fue descrita y dada a conocer en occidente por Fibonacci como

la solucin a un problema de la cra de conejos: Cierto hombre tena una pareja
de conejos en un lugar cerrado y deseaba saber cuntos se podran reproducir en
un ao a partir de la pareja inicial, teniendo en cuenta que de forma natural tienen
una pareja en un mes, y que a partir del segundo se empiezan a reproducir.

Nmero de Parejas de
Explicacin de la genealoga
Mes conejos

Comienzo 1 pareja en
Nace una pareja de conejos (pareja A).
del mes 1 total.

La pareja A tiene un mes de edad. Se 1+0=1 pareja

Fin del mes 1
cruza la pareja A. en total.

1+1=2
La pareja A da a luz a la pareja B. Se
Fin del mes 2 parejas en
vuelve a cruzar la pareja A.
total.

25
 La pareja A da a luz a la pareja C. La 2+1=3
Fin del mes 3 pareja B cumple 1 mes. Se cruzan las parejas en
parejas A y B. total.

Las parejas A y B dan a luz a D y E. La 3+2=5

Fin del mes 4 pareja C cumple 1 mes. Se cruzan las parejas en
parejas A, B y C. total.

A, B y C dan a luz a F, G y H. D y E 5+3=8

Fin del mes 5 cumplen un mes. Se cruzan A, B, C, D y parejas en
E. total.

A, B, C, D y E dan a luz a I, J, K, L y M. F, 8+5=13

Fin del mes 6 G y H cumplen un mes. Se cruzan A, B, parejas en
C, D, E, F, G y H. total.

... ... ...

Nota: al contar la cantidad de letras distintas en cada mes, se puede saber

la cantidad de parejas totales que hay hasta ese mes.

De esta manera Fibonacci present la sucesin en su libro Liber Abaci,

publicado en 1202. Muchas propiedades de la sucesin de Fibonacci fueron
descubiertas por douard Lucas, responsable de haberla denominado como se la
conoce en la actualidad.

Tambin Kepler describi los nmeros de Fibonacci, y el matemtico

escocs Robert Simson descubri en 1753 que la relacin entre dos nmeros de
Fibonacci sucesivos se acerca a la relacin urea fi () cuando n,, tiende

26
a infinito; es ms: el cociente de dos trminos sucesivos de toda sucesin
recurrente de orden dos tiende al mismo lmite. Esta sucesin tuvo popularidad en
el siglo XX especialmente en el mbito musical, en el que compositores con tanto
renombre como Bla Bartk, Olivier Messiaen, la banda Tool yDelia Derbyshire la
utilizaron para la creacin de acordes y de nuevas estructuras de frases
musicales.

La regla

La sucesin de Fibonacci se puede escribir como una "regla"

(lee sucesiones y series): la regla es xn = xn-1 + xn-2

donde:

xn es el trmino en posicin "n"

xn-1 es el trmino anterior (n-1)
xn-2 es el anterior a ese (n-2)

Por ejemplo el sexto trmino se calculara as:

x6 = x6-1 + x6-2 = x5 + x4 = 5 + 3 = 8

-Al construir bloques cuya longitud de lado sean nmeros de Fibonacci se obtiene
un dibujo que asemeja al rectngulo ureo.Anexo4
-Los nmeros de Fibonacci son la suma de las diagonales (marcadas en rojo)
del tringulo de Pascal. Anexo5
-Botn de Camomila amarilla mostrando la ordenacin en espirales de mdulos 21
(color azul) y 13 (color cian). Este tipo de arrollamientos utilizando nmeros
consecutivos de Fibonacci aparecen en una gran variedad de plantas. Anexo6

27
 MTODO DE CUASI NEWTON

Mtodos cuasi-Newton son mtodos utilizados para encontrar ya sea ceros

o mximos y mnimos locales de funciones, como una alternativa al mtodo de
Newton. Se pueden utilizar si el Jacobiano o Hessian no est disponible o es
demasiado caro para calcular en cada iteracin. El "completo" el mtodo de
Newton requiere el jacobiano con el fin de buscar ceros, o el grupo de accin para
encontrar extremos.

Los mtodos Quasi-Newton, se utilizan si la derivada de la funcin objetivo

es difcil de calcular, o sta viene dada de forma numrica. Se basan en sustituir
las derivadas por aproximaciones en diferencias finitas.

Implementaciones

-Debido a su xito, existen implementaciones de mtodos cuasi-Newton en

casi todos los lenguajes de programacin. La biblioteca de Nag contiene varias
rutinas para minimizar o maximizar una funcin que utilizan algoritmos cuasi-
Newton.

-En MATLAB Optimization Toolbox , la fminunc funcin utiliza (entre otros

mtodos) el BFGS mtodo cuasi-Newton. Muchos de los mtodos limitados de la

caja de herramientas de optimizacin de uso BFGS y la variante L-BFGS . Muchas
rutinas cuasi-Newton aportados por los usuarios estn disponibles en MATLAB
de intercambio de archivos .

-Mathematica incluye solucionadores de cuasi-Newton .

28
 La idea fundamental de los mtodos Quasi-Newton es intentar construir una
aproximacin de la inversa del Hessiano, usando informacin obtenida durante el
proceso de descenso Estos mtodos son similares a los mtodos de gradiente
conjugado en el sentido de que se basan principalmente en propiedades de las
funciones cuadrticas. Sin embargo, en el mtodo del gradiente conjugado, la
principal fortaleza de la bsqueda se deriva del uso de las direcciones conjugadas
de bsqueda, mientras que los mtodos de Quasi-Newton estn diseados para
imitar ms directamente las caractersticas positivas del mtodo de Newton pero
usando solo informacin de primer orden.

Algoritmo de Quasi Newton

Sea F : IRn IRn, x0 IRn un punto inicial,

For k = 0,, hasta convergencia do

1. Para j = 1,,n calcular las columnas de la aproximacin del Jacobiano,

2. Resolver el sistema lineal Aks = F(xk).

3. Definir xk+1 = xk + sk.

End

Ejemplo
Consideremos

29
 Una solucin es x = (1,1)T. Aplicamos el algoritmo 3.1 comenzando desde
x0 = (2,3) y hj = 107|xj|, j = 1,2.

J0 = 4.0000003309615 6.0000002122252
2.7182824169358 27.000002470838

||x1 x|| 10|

||x2 x|| 7 101

||x3 x|| 5 101

||x4 x|| 6 102

||x5 x||2 103

||x6 x|| 2 106

||x7 x|| 9
1012.

30
 GRAFICAS

Grafica Numero 1 anlisis de serie de tiempo

//Variables
float MGalones value [17 21 19 23 18 16 20 18 22 20 15 22];
float tiempo value [1 2 3 4 5 6 7 8 9 10 11 12];
>> cftool(tiempo,MGalones);
[xData, yData] = prepareCurveData( tiempo, MGalones );
% Set up fittype and options.
ft = fittype( 'poly1' );
% Fit model to data.
[fitresult, gof] = fit( xData, yData, ft );
% Plot fit with data.
figure( 'Name', 'serie_polinomial' );
h = plot( fitresult, xData, yData );
legend( h, 'MGalones vs. tiempo', 'serie_polinomial', 'Location', 'NorthEast' );
% Label axes
xlabel tiempo
ylabel MGalones
grid on

NOTA: EL TIEMPO ES EN SEMANAS

Funcin de tendencia hallada con fit curve de mathlab lineal polynomial
f(x)= 0.02448x+19.09

31
Grafica Numero 2 anlisis de serie de tiempo
//Variables
float trimestre value [6 6,25 6,5 6,75 7 7,25 7,5 7,75 8 8,25 8,5 8,75 9 9,25 9,5 9,75 10
10,25 10,5 10,75];
float datos value [2 2 3 3 3 4 5 4 2 4 5 4 4 5 7 3 5 6 8 5];
>> cftool(trimestre,datos);
[xData, yData] = prepareCurveData( x, y );
% Set up fittype and options.
ft = fittype( 'poly1' );
% Fit model to data.
[fitresult, gof] = fit( xData, yData, ft );
% Plot fit with data.
figure( 'Name', 'serie' );
h = plot( fitresult, xData, yData );
legend( h, 'y vs. x', 'serie', 'Location', 'NorthEast' );
% Label axes
xlabel x
ylabel y
grid on

Lnea de tendencia con fittcurve de matlab

f(x)=0.794x-2.45

32
Grafica Numero 3 bsqueda multidimensional: interpolacin cuadrtica
//Variables
Int x value [-1 0 2 3];
Int y value [6 1 3 10];
>> cftool(y,x);
%% Fit: 'interpolacion'.
[xData, yData] = prepareCurveData( x, y );
% Set up fittype and options.
ft = fittype( '(a*x.^2)+(-b*x)+c', 'independent', 'x', 'dependent', 'y' );
opts = fitoptions( 'Method', 'NonlinearLeastSquares' );
opts.Display = 'Off';
opts.StartPoint = [0.695133834255146 0.217595711331137 0.112078733868331];
% Fit model to data.
[fitresult, gof] = fit( xData, yData, ft, opts );
% Plot fit with data.
figure( 'Name', 'interpolacion' );
h = plot( fitresult, xData, yData );
legend( h, 'y vs. x', 'interpolacion', 'Location', 'NorthEast' );
% Label axes
xlabel x
ylabel y
grid on

Resultados de fitt curve de Matlab:

F(x)=2x^2-3x+1

33
Algoritmo de Fibonacci

n=input('cuantos terminos tiene la sucesion');

f=zeros(1,n);
q=zeros(1,n);
num=(1:1:n);
f(1)=1; f(2)=1;
q(1)=1; q(2)=1;
for i=3:1:n
f(i)=f(i-1)+f(i-2);
q(i)=f(i)/(i-1);
end
disp('la sucesion de fibonachi es');
disp(f);

//ejecucin;
>> fibonachi
cuantos terminos tiene la sucesion9
la sucesion de fibonachi es
1 1 2 3 5 8 13 21 34

34
 CONCLUSIN

El anlisis de series de tiempo desempea un papel importante en el

anlisis requerido para el pronstico de eventos futuros. Existen varias formas
o mtodos de calcular cual va a ser la tendencia del comportamiento del
proceso en estudio. El anlisis estadstico hoy en da se ve facilitado en gran
medida por herramientas de software que permiten una rapidez en el
procesamiento para posterior anlisis as como su amplia capacidad grfica,
en este documento se muestran reportes y clculos obtenidos con una de
ellas, trabajada dentro de su perodo de evaluacin libre, segn la tendencia es
valido si es que no se dan otros factores que puedan influenciar de manera
significativa la tendencia de ocurrencia de los datos, en nuestro caso un
avance tecnolgico inesperado podra alterar considerablemente el
comportamiento de la tendencia.
Hemos visto la cantidad de mtodos y operaciones matemticas para la
resolucin de problemas y los mtodos de optimizacin no lineal son de
importancia en diversas reas de la ciencia y la ingeniera, debido al gran
nmero de problemas que pueden resolver. Bsicamente el objetivo de todo
problema de optimizacin es encontrar el valor mximo o mnimo que alcanza
una funcin en un determinado espacio de bsqueda.
Existe una variedad de mtodos para resolver problemas no convexos. Uno
de ellos consiste en utilizar formulaciones especiales de problemas de
programacin lineal. Otro mtodo implica el uso de tcnicas de Ramificacin y
poda, cuando el problema se divide en subdivisiones a resolver mediante
aproximaciones que forman un lmite inferior del coste total en cada
subdivisin. Mediante subdivisiones sucesivas, se obtendr una solucin cuyo
coste es igual o inferior que el mejor lmite inferior obtenido por alguna de las
soluciones aproximadas. Esta solucin es ptima, aunque posiblemente no sea
nica. El algoritmo puede ser parado antes, con la garanta de que la mejor
solucin ser mejor que la solucin encontrada en un porcentaje acotado. Ello

35
se utiliza en concreto en problemas importantes y especialmente difciles y
cuando el problema cuenta con costes inciertos o valores donde la
incertidumbre puede ser estimada en un grado de fiabilidad apropiado.

36
 BIBLIOGRAFA
Anderson, Sweeney, Williams Grace Acosta Villalobos Series de Tiempo
(26 de agosto de 2011). Disponible
en:http://www.estadistica.mat.uson.mx/Material/seriesdetiempo.pdf
[Consulta; 2016 noviembre 8]

Cesar Humberto Antnez Irgoi ANLISIS DE SERIES DE TIEMPO (febrero

2011). Disponible en:http://www.eumed.net/ce/2011a/chai.htm
[Consulta; 2016 noviembre 8]

VARIACIN ESTACIONAL O CCLICA, Ing. Bryan Salazar Lpez(Mayo

2012). Disponible en:http://www.ingenieriaindustrialonline.com/herramientas-
para-el-ingeniero-industrial/pron%C3%B3stico-de-ventas/variaci%C3%B3n-
estacional-o-c%C3%ADclica/
[Consulta; 2016 noviembre 8]

Annimo, Mtodos de Variaciones Cclicas (martes, 29 de junio de 2010)

Disponible
en:http://optimizacionnolineals71d.blogspot.com/2010/06/metodos-de-
variaciones-ciclicas.html
[Consulta; 2016 noviembre 8]

Annimo, Mtodo de Bsquedas Multidimensionales (martes, 29 de junio de

2010)
Disponible
en:http://optimizacionnolineals71d.blogspot.com/2010/06/metodo-de-
busquedas-multidimencionales.html
[Consulta; 2016 noviembre 8]

https://es.wikipedia.org/wiki/Sucesi%C3%B3n_de_Fibonacci

-Kolman, Bernard; Hill, David R. (2006). lgebra Lineal. Mxico: PEARSON

EDUCACIN. ISBN 970-26-0696-9.
-Johnsonbaugh, Richard (2005). Matemticas Discretas. Mxico: PEARSON
EDUCACIN. ISBN 970-26-0637-3.
-Brassard, G; Bratley, P. (1997). Fundamentos de Algoritmia. Madrid:
PRETINCE HALL. ISBN 84-89660-00-X.

37
 -Kenneth, H. Rosen (2003). Discrete mathematics and its applications. McGraw
Hill. ISBN 0-07-123374-1.
-Kenneth H. Rosen; John G. Michaels (1999). Handbook of discrete and
combinatorial mathematics. CRC. ISBN 0-8493-0149-1.
-N. N. Vorobiov (1974). Nmeros de Fibonacci. Editorial Mir, Mosc, Coleccin
Lecciones Populares de Matemticas. Traduccin al espaol de Carlos Vega,
catedrtico de Matemticas Superiores y candidato a doctor en ciencias fsico-
matemticas.
-A. I. Markushevich (1974; 1981). Sucesiones recurrentes. Editorial Mir, Mosc,
Coleccin Lecciones Populares de Matemticas. Traduccin al espaol de
Carlos Vega.
Luca Pacioli (1946). La Divina Proporcin. Editorial Losada, Buenos Aires.

Hrant Arakelian (2014). Mathematics and History of the Golden Section. Logos,
404 p. ISBN 978-5-98704-663-0, (rus.)

https://en.wikipedia.org/wiki/Quasi-Newton_method

-^ Saltar a:un b c . Haelterman, Rob (2009) "Estudio analtico de los mnimos

cuadrados mtodo cuasi-Newton por problemas de interaccin" . Tesis
doctoral, Universidad de Gante . Consultado el 14/08/2014 .
-Salta hacia arriba^ Rob Haelterman, Dirk Van Eester, Daan Verleyen
(2015). "Acelerar la solucin de un modelo de la fsica dentro de un
tokamak mediante el (Inverso) Columna mtodo de actualizacin".Journal
of Computacional y Matemtica Aplicada . 279 :. 133-144 doi : 10.1016 /
j.cam.2014.11.005 .
-Salta hacia arriba^ Robert Mansel Gower, Peter Richtarik
(2015). "Actualizaciones aleatorizados Cuasi-Newton son linealmente
convergente Matriz de Inversin Algoritmos" . ArXiv:
1602.01768 .Consultado el 20/08/2016 .
-Salta hacia arriba^ La Numerical Algorithms Group. "ndice de palabras
clave: Quasi-Newton" . Manual biblioteca de Nag, Mark 23 Obtenido. 2012-
02-09 .

38
 ANEXOS
Anexo1

En el Grfico los movimientos cclicos alrededor de la curva de tendencia

estn trazados en negrita.

Anexo2

39
 Grfica de la sucesin de Fibonacci
Anexo3

La espiral de Fibonacci: una aproximacin de la espiral urea generada

dibujando arcos circulares conectando las esquinas opuestas de los cuadrados
ajustados a los valores de la sucesin;1 adosando sucesivamente cuadrados
de lado 0, 1, 1, 2, 3, 5, 8, 13, 21 y 34.

Anexo4

40
 Rectngulo ureo

Anexo5

41
Anexo6

42