setwd("E:/Personal/especializacion/series_de_tiempo/conceptos/")
library(ade4)## Warning: package 'ade4' was built under R version 3.6.3El pronóstico es el arte de establecer lo que hubiera sucedido, si lo que sucedio no hubiera sucedido
David Myddleton
Una serie de tiempo es un conjunto de datos que están ordenados en el tiempo y que han sido tomados a intervalos equidistantes en el tiempo
Como ejemplos tenemos IPC, precios de venta de ciertos articulos
Se debe tomar decisiones sobre lo que se debe pronosticar, por ejemplo, si se requieren pronósticos para artículos en un entorno de fabricación, es necesario preguntar si se necesitan pronósticos para:
Se requiere definir el horizonte de pronóstico. Se requerirán pronósticos con un mes de anticipación? un semestre, diez años?, esto implica que se requieren diferentes tipos de modelos, según horizonte de pronóstico mas importante.
Con que frecuencia son requeridos los pronosticos? los pronosticos que necesitan ser producidos frecuentemente se realizan mejor usando sistemas automatizados más que con métodos que requieren trabajo manual.
Vale la pena tomarse un tiempo en hablar con la gente quien usará los pronósticos y asegurarnos entender sus necesidades y como se usaran los pronósticos antes de embarcarse en un extenso trabajo en producir pronósticos
Una vez definido los requerimientos de pronosticos, es necesario recolectar los datos sobre los cuales realizaremos los pronosticos, ej. registros de ventas de una compañia, demanda de un producto, porcentaje de desempleo en una región.
Pronostico cualitativo Si no hay datos disponibles , se pueden usar estos metodos, son enfoques bien muy bien estructurados para obtener buenos pronosticos, sin eluso de datos historicos
pronosticos cuantitativos Se usan si se cumplen las siguientes condiciones :
Existe un rango amplio de métodos de pronostico cuantitativo, cada metodo tiene sus propias precisiones, propiedades y costos.
Todo lo que se observa secuencialmente sobre el tiempo es una serie de tiempo, las series de tiempo que son observdas en intervalos regulares de tiempo, ej. horas, diariamente, semanalmente, mensualmente, trimestralmetne, anualmente.
Los modelos de pronostico pueden incluir modelos de descomposicion, suavizado exponencial,modelos ARIMA
Las variables predictoras son utiles en pronóstico en series de tiempo, ej. si deseamos pronosticar la demanda de electricidad en cada hora (ED) en una region durante el periodo de verano.
Ejemplo Modelo 1:
ED=f(current temperature, strength of economy, population,time of day, day of week, error).
(modelo explicatorio), de pronto no es exacto , pueden existir cambios en ED no consideradas por las variables predictoras, el termino error permite la variación aleatoria y los efectos de variables relevantes que no están incluidas en el modelo.
Ejemplo Modelo 2:
\(ED_{t+1}= f(ED_{t},ED_{t-1},ED_{t-2},ED_{t-3},...,error)\)
Donde t es la hroa actual, t+1 es la proxima hora, t-1 es lahora anterior, t-2 es dos horas atras y asi sucesivamente, aquí la prediccion del futuro es basado sobre valores del pasado de una variable,
Aqui la prediccion del futuro es basada en valores del pasado de una variable, pero no sobre variables externas las cuales pueden afectar el sistema. El termino error permite la variación aleatoria y los efectos de variables relevantes que no están incluidas en el modelo.
Ejemplo Modelo 3: \(ED_{t+1}= f(ED_{t},Temperatura actual, hora del dia,dia de la semana,error)\)
Este modelo combina las caracteristicas de los dos anteriores, conocido como modelo de regresion dinamica , modelos de datos de panel, modelos longitudinales, modelos de función de transferencia y modelos de sistema lineal (suponiendo que f es lineal).
Es complicada la prediccion cuando se trata de variables explicatorias o modelos mixtos.
library (shiny)
Galindo, Edwin. Estadística, metodos y aplicaciones Hyndman, Rob j, Athanasopoulos, George. Forecasting: Principles and Practice