Subido por alex_lizareque18

sesion 03 exploración de patrones de datos2

Anuncio
Métodos de Predicción
Exploración
de patrones
de series de
tiempo
Sesión 03
Saltar a la primera
página
Saltar a la primera
página
Exploración de patrones de
datos


Se requieren suficientes datos
históricos
Se apoyan en la suposición de que
el pasado puede extenderse hacia el
futuro
Saltar a la primera
página
Las técnicas cuantitativas
pueden ser:
Estadísticas
Se enfocan en patrones y en
cambios en los patrones y
sus perturbaciones
Determinísticas Son de tipo causal,
establecen relación entre
la variable a pronosticar y
otras variables
Saltar a la primera
página
Con relación a las técnicas
cuantitativas estadísticas se
presentan dos enfoques:


Los datos se pueden descomponer
en componentes de tendencia,
cíclicos, estacionales y aleatorios.
Modelos econométricos de series de
tiempo y Box-Jenkins.
Saltar a la primera
página
Componentes de series de tiempo:


Una serie de tiempo consta de datos
que se reúnen, registran u observan
sobre incrementos sucesivos de
tiempo.
Se requiere un enfoque sistemático
para analizarlas.
Saltar a la primera
página
Descomposición clásica de series de
tiempo:
Componente Descripción
Tendencia
Cíclico
Es el componente de largo plazo que
representa el crecimiento o disminución
en la serie sobre un periodo amplio.
Es la fluctuación en forma de onda
alrededor de la tendencia.
Estacional
Es un patrón de cambio que se repite a
sí mismo año tras año.
Aleatorio
Mide la variabilidad de las series de
tiempo después de retirar los otros
componentes.
Saltar a la primera
página
Exploración de patrones de datos
series de tiempo: Datos estacionarios




Las fuerzas que generan la serie
se han estabilizado y el medio
permanece relativamente sin
cambios.
Se puede lograr la estabilidad
haciendo correcciones sencillas a
factores como crecimiento de la
población o la inflación.
La serie se puede transformar en
una serie estable.
La serie es un conjunto de errores
de pronóstico, de una técnica de
pronóstico que se considera
adecuada.
Saltar a la primera
página
Exploración de patrones de datos series
de tiempo : Datos con tendencia




Productividad creciente y
nueva tecnología producen
cambios.
El incremento de la
población elevan la
demanda por productos.
El poder de compra se
afecta por la inflación.
Aumenta la aceptación en
el mercado de un producto.
Saltar a la primera
página
Exploración de patrones de datos series
de tiempo : Datos con estacionalidad


El clima
influye en la
variable de
interés.
El año
calendario
influye en la
variable.
Saltar a la primera
página
Exploración de patrones de datos
series de tiempo : Series cíclicas




El ciclo del negocio influye sobre la variable.
Cambios en el gusto popular.
Cambios en la población.
Cambios en el ciclo de vida del producto.
Saltar a la primera
página
Análisis de autocorrelación
Saltar a la primera
página
Saltar a la primera
página
Datos Tab. 2 - 1
Saltar a la primera
página
Diagrama de dispersión Yt vs Yt-1
Saltar a la primera
página
Diagrama de dispersión Yt vs Yt-2
Saltar a la primera
página
Autocorrelación
Saltar a la primera
página
Autocorrelación
Función de autocorrelación: VCR
Desfase
1
2
3
ACF
0.571913
0.462687
0.110583
T
1.98
1.25
0.27
LBQ
5.00
8.59
8.82
Saltar a la primera
página
Probar si el ρ es diferente de 0
Saltar a la primera
página
Saltar a la primera
página
Saltar a la primera
página
Saltar a la primera
página
¿Datos aleatorios?
Desfase
1
2
3
4
5
6
7
8
9
10
ACF
-0.191171
-0.006293
-0.145224
0.104475
-0.253756
0.028640
0.169071
-0.027390
-0.032551
0.021546
T
-1.21
-0.04
-0.89
0.63
-1.50
0.16
0.95
-0.15
-0.18
0.12
LBQ
1.57
1.58
2.53
3.04
6.13
6.17
7.63
7.67
7.73
7.75
Saltar a la primera
página
Datos con tendencia
Saltar a la primera
página
Saltar a la primera
página
Primera diferencia
Saltar a la primera
página
Saltar a la primera
página
Datos con estacionalidad
Saltar a la primera
página
Datos con estacionalidad
Saltar a la primera
página
Saltar a la primera
página
Medición del error en el pronóstico



Se compara la precisión de dos o más
técnicas de pronóstico.
Se mide la confiabilidad de una
técnica de pronóstico.
Se busca la técnica óptima.
Saltar a la primera
página
Medición del error en el pronóstico
Periodo, t
1
2
3
4
5
6
7
8
9
Yt
58
54
60
55
62
62
65
63
70
Pronóstico, Yt
58
54
60
55
62
62
65
63
Saltar a la primera
página
Fórmulas de medición del error en
el pronóstico
Yt  valor de una serie de tiempo en el periodo t
Yˆ  valor del pronóstico para Y
t
t
Error del pronóstico o residual :
e  Y  Yˆ
t
t
t
Saltar a la primera
página
Fórmulas de medición del error en
el pronóstico
Desviación absoluta media :
n
DAM 
 Y  Yˆ
t
t 1
t
n
Error medio cuadrado :
 Y  Yˆ 
n
EMC 
t 1
2
t
t
n
Saltar a la primera
página
Fórmulas de medición del error en
el pronóstico
Porcentaje de error medio absoluto :
n

Yt  Yˆt
Yt
PEMA 
n
Porcentaje medio de error :
t 1

Y  Yˆ 

n
t
PME 
t 1
Yt
n
Saltar a la primera
página
Determinación de la idoneidad
de una técnica de pronóstico




¿Los residuales son aleatorios?
¿Los residuales se distribuyen normalmente?
¿Son significativas las estadísticas t para todos
los valores de los parámetros estimados?
¿Los que toman las decisiones entienden la
técnica para poder emplearla?
Saltar a la primera
página
Saltar a la primera
página
Saltar a la primera
página
Saltar a la primera
página
Saltar a la primera
página
Saltar a la primera
página
Saltar a la primera
página
Saltar a la primera
página
Descargar