Documente Academic
Documente Profesional
Documente Cultură
Estadísticas
2 -
-----------
2*S[1](t) - S[2](t) + – 1 (S[1](t) - S[2](t))
p
donde S[1](t) representa el promedio móvil (con periodo p) de los datos históricos,
S[2](t) representa el promedio móvil de la serie S[1](t) (con periodo p), y p
representa el número de periodos sobre los cuales están los promedios móviles.
a alpha
g gamma
m el número de periodos a pronosticar hacia adelante
s el largo de la estacionalidad
Lt el nivel de las series en el tiempo t
St el componente estacional en el tiempo t
a alpha
g gamma
m el número de periodos a pronosticar hacia adelante
s el largo de la estacionalidad
Lt el nivel de las series en el tiempo t
St el componente estacional en el tiempo t
a alpha
b beta
g gamma
m el número de periodos a pronosticar hacia adelante
s el largo de la estacionalidad
Lt el nivel de las series en el tiempo t
bt la tendencia de las series en el tiempo t
St el componente estacional en el tiempo t
a alpha
b beta
g gamma
m el número de periodos a pronosticar hacia adelante
s el largo de la estacionalidad
Lt el nivel de las series en el tiempo t
bt la tendencia de las series en el tiempo t
St el componente estacional en el tiempo t
Medidas de Error del Pronóstico de Series de
Tiempo
CB Predictor calcula tres diferentes medidas de error para adaptarse a cada
pronóstico del pronóstico de las series de tiempo. CB Predictor utilize una de estas
medidas de error para determiner cuál método de pronóstico para series de tiempo
es el major.
ERCM
Error de la raíz cuadrada de la media. Esta es una medida absoluta del error que
eleva al cuadrado las desviaciones para evitar que las desviaciones negativas y
positivas se cancelen mutuamente. Esta medida también tiende a exagerar errors
grandes, lo que puede ayudar al comparar diferentes métodos.
n
2
∑ ( Yt – Ŷt )
RMSE = t--------------------------
=1 ------
n
La fórmula para calcular el ERCM es:
Ŷt
1. Mida la diferencia entre cada punto pronosticado ( ) y su punto
actual correspondiente (Yt).
2. Eleve al cuadrado la diferencia.
3. Repita los pasos 1 a 2 para cada punto y sume los resultados.
4. Divida la suma entre el número de diferencias medidas.
5. Saque la raíz cuadrada.
DAM
Desviación absoluta de la media. Este es un error estadístico que promedia la
distancia entre cada par de datos actuales y adaptados.
n
ˆ
∑ Yt – Yt
t = 1-------------------
MAD = ---------
n
La fórmula para calcular el DAM es:
PAEM
Porcentaje absolute de error de la media. Esta es una medida relativa del error que
utilize valores absolutes para evitar que las desviaciones negativas y positivas se
cancelen mutuamente, y también utiliza errores relativos para permitirle comparar
la exactitud del pronóstico entre los modelos de series de tiempo.
n
( Y t – Ŷ t )
∑
-------------------- ( 100 )
Yt
t-------------------------------
=1 -----------------
MAPE =
n
La fórmula para calcular el PAEM es:
y
Si definimos 1 como el primer dato histórico de una serie con un total de n
observaciones, suponga que en el periodo de tiempo t iniciamos a pronosticar m
periodos de datos hacia el futuro. Entonces, definimos al error del pronóstico del
periodo-m en el periodo t como et(m).
S(m) = t = 1---------
--------
n–m
errores pronosticados al cuadrado, o
ŷ t + m ( t ) ± 1.959996S ( m )
del 95% dicho intervalo es:
Estadística de Theil’s
U
Esta estadística descrita en la página 46, compara los resultados pronosticados con
los resultados de pronosticar con una cantidad minima de datos históricos.
n–1 2
Ŷt + 1 – Y t + 1
∑ ----------------Y-------------
t
-
U = t--------
= 1-----------------------------
-----------
n–1
Y – Y 2
∑ -----------Y----------- -t
t+1
t=1 t
Estadísticas de Autocorrelación
Las medidas de autocorrelación describen la relación entre valores de la misma
serie de datos en diferentes periodos de tiempo.
Durbin-W atson
La estadística Durbin-Watson descrita en la página 51, calcula la autocorrelación en
el retraso 1.
n
2
∑ (et – et – 1 )
DW = t---------------
= 2 -----------------------
n
2
∑ et
t=1
Ŷi
donde et es la diferencia entre el punto estimado ( ) y el punto actual (Yi) y n es el
número de puntos de datos.
Autocorrelación
Medir la autocorrelación puede ayudar a detector estacionalidad en datos históricos,
como se describe en la “Vista de Datos Históricos” en la página 102. CB Predictor
utilize la siguiente fórmula para estimar la autocorrelación:
n
∑ ( yt – y ) ( yt – k – y )
t------------------------
= k+1 -----------------------------------
rk = n 2
∑ ( yt – y )
t = k+1
y
donde y es la serie de datos, t es el valor actual del punto en el tiempo t, n es el
número de puntos de datos, k es el retraso entre los valores correlacionados de las
series, y y es la media muestral de las series.
EstadísticaLjung-Box
Esta estadística mide si un grupo de autocorrelaciones es significativamente
diferente de un grupo de autocorrelaciones cuyos valores son todos cero. La
estadística Ljung-Box se calcula de la siguiente manera:
h–1 2
rk
Q'= n ( n + 2 ) ∑ ---------------
( n – k)
-
k=1
donde: