Pronosticar implica hacer predicciones sobre el futuro. Se requiere en muchas situaciones: decidir si construir otra planta de generación de energÃa en los próximos 10 años requiere pronósticos de demanda futura; programar personal en un centro de llamadas la próxima semana requiere pronósticos de volúmenes de llamadas; almacenar un inventario requiere pronósticos de los requisitos de existencias. Los pronósticos pueden requerirse con varios años de anticipación (para el caso de inversiones de capital) o solo con unos pocos minutos de anticipación (para enrutamiento de telecomunicaciones). Cualesquiera que sean las circunstancias o los horizontes de tiempo involucrados, los pronósticos son una ayuda sumamente importante para una planificación eficaz y eficiente. Este curso proporciona una introducción al pronóstico de series de tiempo usando R.
Explorando y Visualizando Series de Tiempo en R.
Lo primero que debe hacer en cualquier tarea de análisis de datos es gráficar los datos. Los gráficos permiten visualizar muchas caracterÃsticas de los datos, incluidos patrones, observaciones inusuales y cambios a lo largo del tiempo. Las caracterÃsticas que se ven en los gráficos de los datos deben incorporarse, en la medida de lo posible, en los métodos de pronósticos que se utilizarán.
Descargar contenido - Explorando y Visualizando Series de Tiempo en R
Métodos de Referencia y Precisión de Pronóstico
En este capitulo, aprenderá herramientas generales que son útiles para muchas situaciones de pronóstico diferentes. Describirá algunos métodos para pronóstico de referencia, métodos para verificar si un método de pronóstico ha utilizado adecuadamente la información disponible y métodos para medir la precisión del pronóstico. Cada una de las herramientas discutidas en este capÃtulo se usará repetidamente en capÃtulos posteriores a medida que desarrolle y explore una variedad de métodos de pronóstico.
Suavizado Exponencial
Los pronósticos producidos usando métodos de suavizado exponencial son promedios ponderados de observaciones pasadas, y los pesos decaen exponencialmente a medida que las observaciones envejecen. En otras palabras, cuanto mas reciente es la observación mayor es el peso asociado. Este marco genera pronósticos confiables rápidamente y para una amplia gamma de series de tiempo, lo cual es una gran ventaja y de gran importancia para las aplicaciones en los negocios.
Predicción con Modelos ARIMA
Los modelos ARIMA proporcionan otro enfoque para el pronóstico de series de tiempo. El suavizado exponencial y los modelos ARIMA son los dos enfoques más utilizados para el pronóstico de series de tiempo y buscan enfoques complementarios al problema. Mientras que los modelos de suavizado exponencial se basan en una descripción de la tendencia y la estacionalidad de los datos, los modelos ARIMA pretenden describir las autocorrelaciones de los datos.
Métodos Avanzados
Los modelos de series de tiempo de los capÃtulos anteriores funcionan bien para muchas series de tiempo, pero a menudo no son buenos para datos semanales o por horas, y no permiten la inclusión de otra información como los efectos de las vacaciones, la actividad de la competencia, cambios en la ley, etc. En este capÃtulo, verá algunos métodos que manejan la estacionalidad más complicada y considerá cómo extender los modelos ARIMA para permitir que se incluya otra información en ellos.
Publicar un comentario