32127042
Beschreibung
Mindmap von Maria Lucero Martinez Hernandez, aktualisiert more than 1 year ago
|
Erstellt von Maria Lucero Martinez Hernandez
vor mehr als 3 Jahre
|
|
ERROR EN LOS
PRONÓSTICOS
- Metodos para encontrar el error del pronostico
- 1. Desviación absoluta
media (MAD, por sus
siglas en inglés)
- Es el error promedio en los
pronósticos, mediante el uso de
valores absolutos. Es valiosa porque,
al igual que la desviación estándar,
mide la dispersión de un valor
observado en relación con un valor
esperado.
- La MAD se calcula utilizando las diferencias entre la
demanda real y la demanda pronosticada sin importar el
signo. Es igual a la suma de las desviaciones absolutas
dividida entre el número de puntos de datos o, en forma
de ecuación: ??? = ∑|??????? ???? − ????ó?????|
?ú???? ?? ???????? ?????????�
- Para determinar el modelo de
pronóstico más adecuado es
necesario contar con datos muy
precisos de la demanda.
- Se deben utilizar varios modelos de pronósticos
considerando varias condiciones, para obtener el modelo
más adecuado para predecir la demanda. No nos
podemos basar en unos dos o tres escenarios se deben
considerar todas las posibilidades que se pueden
presentar
- Para determinar el modelo de
pronóstico más adecuado es
necesario contar con datos muy
precisos de la demanda.
- La MAD se calcula utilizando las diferencias entre la
demanda real y la demanda pronosticada sin importar el
signo. Es igual a la suma de las desviaciones absolutas
dividida entre el número de puntos de datos o, en forma
de ecuación: ??? = ∑|??????? ???? − ????ó?????|
?ú???? ?? ???????? ?????????�
- Es el error promedio en los
pronósticos, mediante el uso de
valores absolutos. Es valiosa porque,
al igual que la desviación estándar,
mide la dispersión de un valor
observado en relación con un valor
esperado.
- 2. Error
cuadrático
medio (MSC,
por sus siglas
en inglés)
- Mide la cantidad de error que hay entre dos conjuntos de
datos. En otras palabras, compara un valor predicho y un
valor observado o conocido.
- Mide la cantidad de error que hay entre dos conjuntos de
datos. En otras palabras, compara un valor predicho y un
valor observado o conocido.
- 3. Error porcentual absoluto
medio (MAPE, por sus siglas en
inglés)
- es una medida de precisión de predicción de un método
de predicción en estadística . Por lo general, expresa la
precisión como una relación.
- es una medida de precisión de predicción de un método
de predicción en estadística . Por lo general, expresa la
precisión como una relación.
- 1. Desviación absoluta
media (MAD, por sus
siglas en inglés)
- Proyección de tendencia
- Si decidimos desarrollar una recta de tendencia
lineal mediante un método estadístico preciso,
podemos aplicar el método de mínimos
cuadrados. Este enfoque resulta en una línea
recta que minimiza la suma de los cuadrados de
las diferencias verticales o desviaciones de la
recta hacia cada una de las observaciones
reales.
- Notas sobre el uso del método de mínimos cuadrados El
empleo del método de mínimos cuadrados implica que
se han cumplido tres requisitos:
- Siempre deben graficarse los datos porque los datos de mínimos
cuadrados suponen una relación lineal. Si parece que exista una
curva presente, probablemente sea necesario el análisis
curvilíneo.
- No se predicen periodos lejanos a la base de datos dada. Por
ejemplo, si tenemos los precios promedio de las existencias de
Microsoft durante 20 meses, sólo podemos pronosticar 3 o 4 meses
hacia el futuro. Los pronósticos de más tiempo tienen poca validez
estadística. Por lo tanto, no pueden tomarse datos de 5 años de
ventas y proyectar 10 años hacia el futuro. El mundo es demasiado
incierto.
- Se supone que las desviaciones calculadas alrededor de la recta de
mínimos cuadrados son aleatorias Por lo general, están distribuidas
normalmente, con la mayoría de las observaciones cerca de la recta y
sólo unas cuantas más lejos.
- Se supone que las desviaciones calculadas alrededor de la recta de
mínimos cuadrados son aleatorias Por lo general, están distribuidas
normalmente, con la mayoría de las observaciones cerca de la recta y
sólo unas cuantas más lejos.
- No se predicen periodos lejanos a la base de datos dada. Por
ejemplo, si tenemos los precios promedio de las existencias de
Microsoft durante 20 meses, sólo podemos pronosticar 3 o 4 meses
hacia el futuro. Los pronósticos de más tiempo tienen poca validez
estadística. Por lo tanto, no pueden tomarse datos de 5 años de
ventas y proyectar 10 años hacia el futuro. El mundo es demasiado
incierto.
- Siempre deben graficarse los datos porque los datos de mínimos
cuadrados suponen una relación lineal. Si parece que exista una
curva presente, probablemente sea necesario el análisis
curvilíneo.
- Notas sobre el uso del método de mínimos cuadrados El
empleo del método de mínimos cuadrados implica que
se han cumplido tres requisitos:
- Si decidimos desarrollar una recta de tendencia
lineal mediante un método estadístico preciso,
podemos aplicar el método de mínimos
cuadrados. Este enfoque resulta en una línea
recta que minimiza la suma de los cuadrados de
las diferencias verticales o desviaciones de la
recta hacia cada una de las observaciones
reales.
- variaciones estacionales en los datos son
movimientos regulares ascendentes o
descendentes localizados en una serie de
tiempo y que se relacionan con
acontecimientos recurrentes como el clima o
las vacaciones. La demanda de carbón o
petróleo aumenta durante los meses de
invierno
- modelo estacional multiplicativo, los factores
estacionales se multiplican por una estimación de la
demanda promedio para producir un pronóstico
estacional. Nuestro supuesto en esta sección es que la
tendencia se ha eliminado de los datos
- modelo estacional multiplicativo, los factores
estacionales se multiplican por una estimación de la
demanda promedio para producir un pronóstico
estacional. Nuestro supuesto en esta sección es que la
tendencia se ha eliminado de los datos
- Pronóstico asociativo casi siempre consideran varias
variables relacionadas con la cantidad que se desea
predecir
- Uso del análisis de regresión para pronosticar Con el fin de realizar un análisis de regresión
lineal, Podemos usar el mismo modelo matemático que empleamos con el método de
mínimos cuadrados para efectuar la proyección de tendencias. Las variables dependientes
que deseamos pronosticar seguirán siendo. Pero la variable independiente, x, ya no necesita
ser el tiempo
- Ecuació: ?̂ = ? + ?? Donde: ŷ = valor calculado de la variable que debe
predecirse (llamada variable dependiente)a =a intersección con el eje y
b = pendiente de la recta de regresión (o la tasa de cambio en y para los
cambios dados en x) x = variable independiente (que en este caso es el
tiempo)
- Ecuació: ?̂ = ? + ?? Donde: ŷ = valor calculado de la variable que debe
predecirse (llamada variable dependiente)a =a intersección con el eje y
b = pendiente de la recta de regresión (o la tasa de cambio en y para los
cambios dados en x) x = variable independiente (que en este caso es el
tiempo)
- Uso del análisis de regresión para pronosticar Con el fin de realizar un análisis de regresión
lineal, Podemos usar el mismo modelo matemático que empleamos con el método de
mínimos cuadrados para efectuar la proyección de tendencias. Las variables dependientes
que deseamos pronosticar seguirán siendo. Pero la variable independiente, x, ya no necesita
ser el tiempo
Medienanhänge
Möchten Sie kostenlos Ihre eigenen Mindmaps mit GoConqr erstellen? Mehr erfahren.