Académique Documents
Professionnel Documents
Culture Documents
Pronósticos
Se usa el término pronosticar para hacer referencia a un método específico,
en lugar de la simple adivinanza, para predecir eventos futuros.
Datos
Examinar los datos, cuando se tienen, puede proporcionar una gran visión. Los
datos pueden venir de los registros de la empresa o de fuentes comerciales o
gubernamentales. Los registros de la compañía incluyen información sobre
compras y ventas.
Podemos entonces encontrarnos con que los gráficos de los datos se pueden
presentar de la siguiente manera
PROCESO CONSTANTE: Cuando se examina la gráfica parece estar
nivelada, en términos burdos, con una pequeña variación (el proceso fluctúa
alrededor de un valor)
FT + l =d T
Promedios móviles
En lugar de tomar el promedio de todos los datos, se puede elegir promediar
sólo algunos de los datos más recientes. Este método, llamado de promedio
móvil, es un compromiso entre los métodos del último dato y del promedio.
Promedia los datos más recientes para reducir el efecto de las fluctuaciones
aleatorias.
Promedia los n datos anteriores o los más representativos
Pronostica un periodo hacia adelante
Se va aumentando el n hasta que da el menor error posible (apenas en
un n las métricas aumenta, me quedo con el n anterior)
Luego de elegir el n entonces pronosticamos con ese n
Suavizamiento exponencial simple
200
150
100
50
0
0 5 10 15 20 25 30
Chart Title
300
y = 2.7281x + 145.94
250
200
150
100
50
0
0 5 10 15 20 25 30
En clase definimos que Winters no soporta con validez suficiente más alla de L períodos, por lo cual nos quedaremos sólo con los modelos de
regresión lineal múltiple sobre t, sen(f(t)), cos(f(t)) y suavizamiento exponencial doble sobre las ventas acumuladas.
DESARROLLO DE UN MODELO
Una vez identificados los procesos, éstos determinan la forma del modelo
dt : representa la variable dependiente ejemplo la demanda
X: la variable independiente (o factor causal)
La variable dependiente en el tiempo t es idealmente una función de la
variable independiente en el tiempo t - k, k> 1.
Para los enfoques de series de tiempo, los modelos comunes que se estudian
son constantes, de tendencia lineal y estacional, o combinaciones de éstos.
Matemáticamente son
dt = a + e, (constante)
dt = a + bt + st (tendencia lineal)
dt = act + E, (estacional)
Los modelos deben ser tan sencillos como sea posible. Al pronosticar,
intente usar el menor número de componentes en un modelo. Una función
complicada puede "ajustarse" a los datos pero también tiende a ocultar las
relaciones importantes. Si hay muchas componentes, el efecto de cada una
disminuye y puede ser indistinguible del ruido.
Observaciones
Existen dos hechos muy importantes que recordar: los pronósticos casi nunca
dan una respuesta exacta y entre más lejos al futuro se vea, menos preciso será
el pronóstico.
300
250
200
150
100
50
0
0 2 4 6 8 10 12 14
ET: ¿me estoy equivocando más por faltantes o excedentes ? Métrica usada
como referencia, pero individualmente no me dice mucho. Me permite analizar
periodo a periodo. Si el et(+) excedentes y si el et(-) faltantes.
𝑭𝒕 − 𝑫𝒕
MAPE: Porcentaje promedio absoluto de error, mide la exactitud de los valores
estimados de la serie de tiempo. La exactitud se expresa como un porcentaje
con yt igual al valor observado, ŷt es el valor estimado y n el número de
observaciones. (Nos entrega un estimado porcentual de por cuanto nos
equivocamos) (Ideal para problemas de gran escala, es la métrica de error
más usada)
El documento de (Efron, 1994) define los datos faltantes como una clase de
problemas que el ausencia de alguna parte de una estructura de datos
familiar. Los datos faltantes pueden ocurrir en todos los datos
experimentos. Se puede dar por fallas en el sistema
Si los datos faltantes permanecen en el conjunto de datos con valor
cero, las previsiones son menos confiables. Dejar los valores perdidos puede
producir una pérdida significativa de datos y por lo tanto información. Además,
puede influir en la estructura del conjunto de datos
Dato atipico, se estudia si fue por error. Si no se debe a un mal registro , el calculo del valor estimado se
hace interpolando o usando regresion para hacer soporte al analisis de series de tiempo
Una serie con tendencia se usa con suavisamiento exponencial doble
Una serie constante usa suavisamiento exponencial simple
Proceso constante
Chart Title
300
y = 3.316x + 142.15
250
200
150
100
50
0
0 5 10 15 20 25 30
S(0) es el intercepto
B(0) es la pendiente (x)
S(0) para suavización simple tomo el primer dato del (dt)
Cambio de patrones:
d(t)
250
200
150
100
50
0
0 5 10 15 20 25 30
d(t)
160
140
120
100
y = 1.6505x + 82.552
80
60
40
20
0
0 5 10 15 20 25 30
Tomo entonces los datos que mas actuales en este caso los tomo
desde el periodo 10
Metodo winters:
dt
350
300
250
200
dt
150
Linear (dt)
100
50
0
0 5 10 15
Para tomar la semilla de c tengo que hacer una regresión y tomo que ct es
igual a dt/pronostico puedo agrupar según mi L y saco el promedio