4457335
Description
Mind Map by Adrian Villa, updated more than 1 year ago
|
Created by Adrian Villa
almost 9 years ago
|
|
Series de
Tiempo
- Una serie temporal es un con junto de
mediciones ordenadas en el tiempo
sobre una cantidad de interés. En una
serie temporal, la secuencia de
obsrvaciones es importante, a
diferencia de lo que ocurre en los datos
de corte transversal, en el que la
secuencia de observaciones no es
importante
- Componente de tendencia
- En el análisis de las series de tiempo,
las mediciones pueden hacerse cada
hora, diario, a la semana, cada mes,
anualmente o en cualquier otro
intervalo regular de tiempo.
- Métodos
- Promedios Móviles Lineales
- Brown
- Holt
- Suavización
Exponencial
Cuadrática (SEC)
- Promedios Móviles Lineales
- En el análisis de las series de tiempo,
las mediciones pueden hacerse cada
hora, diario, a la semana, cada mes,
anualmente o en cualquier otro
intervalo regular de tiempo.
- Componente estacionario
- Métodos
- Promedios
Móviles Simples
(PMS)
- Utiliza como pronóstico para el siguiente
período, el promedio de los “n” valores de los
datos más recientes de la serie de tiempo,
matemáticamente puede expresarse como:
- Promedio Móvil = ∑ (n valores de datos más recientes) /n
- Promedio Móvil = ∑ (n valores de datos más recientes) /n
- Utiliza como pronóstico para el siguiente
período, el promedio de los “n” valores de los
datos más recientes de la serie de tiempo,
matemáticamente puede expresarse como:
- Suavización
Exponencial Simple
(SES)
- Esta técnica se basa en la atenuación de los
valores de la serie de tiempo, obteniendo el
promedio de estos de manera exponencial; es
decir, los datos se ponderan dando un mayor
peso a las observaciones más recientes y uno
menor a las más antiguas.
- P t+1 =α(Y1)+(α−1)(Pt)
- P t+1 =α(Y1)+(α−1)(Pt)
- Esta técnica se basa en la atenuación de los
valores de la serie de tiempo, obteniendo el
promedio de estos de manera exponencial; es
decir, los datos se ponderan dando un mayor
peso a las observaciones más recientes y uno
menor a las más antiguas.
- Suavización Exponencial Simple
con Respuesta Adaptativa
(SESRA)
- Promedios
Móviles Simples
(PMS)
- Métodos
- Componente cíclico
- Aunque una serie de tiempo puede tener una
tendencia a través de lapsos largos, no todos los
valores futuros de la serie de tiempo caerán
exactamente sobre la línea de tendencia. Las series
de tiempo suelen mostrar secuencias de puntos que
caen de manera alternante arriba y abajo de la línea
de tendencia. Toda sucesión recurrente de puntos
que caiga abajo y arriba de la línea de tendencia y
que dure más de un año puede atribuirse al
componente cíclico de la serie de tiempo.
- Aunque una serie de tiempo puede tener una
tendencia a través de lapsos largos, no todos los
valores futuros de la serie de tiempo caerán
exactamente sobre la línea de tendencia. Las series
de tiempo suelen mostrar secuencias de puntos que
caen de manera alternante arriba y abajo de la línea
de tendencia. Toda sucesión recurrente de puntos
que caiga abajo y arriba de la línea de tendencia y
que dure más de un año puede atribuirse al
componente cíclico de la serie de tiempo.
- Medición del Error
- Componente estacional
- Mientras los componentes
cíclico y de tendencia de las
series de tiempo se identifican
tras el análisis de las
variaciones multianuales en los
datos históricos, en muchas
series de tiempo se observa
un patrón permanente en
lapsos de un año.
- Por ejemplo, un fabricante de albercas
espera tener pocas ventas durante los
meses de otoño e invierno y sus
mayores ventas en los meses de
primavera y verano. Los fabricantes de
equipo para remover la nieve y los
fabricantes de ropa de invierno
esperan exactamente lo contrario.
- Mientras los componentes
cíclico y de tendencia de las
series de tiempo se identifican
tras el análisis de las
variaciones multianuales en los
datos históricos, en muchas
series de tiempo se observa
un patrón permanente en
lapsos de un año.
Media attachments
Want to create your own Mind Maps for free with GoConqr? Learn more.