Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Introducción
El conjunto de datos en la crisis sanitaria que se presentó desde marzo del
2019, ha permitido obtener una respuesta apropiada y eficaz en cuanto a
los factores que enlentecen o aceleran la transmisión, el registro de estos
datos permite el conocimiento y determinación del patrón de crecimiento
de contagios en los países. Este conjunto de datos se constituye por series
temporales, las cuales recolectan los números de contagios identificados;
el procesamiento de estos permite la adopción de medidas orientadas a la
reducción de contagios, o a la ralentización de los mismos.
Resultados
Resultados
En la gráfica se puede observar en color azul los resultados obtenidos con la
formula del promedio móvil ponderado, este método permite reaccionar más
rápido ante los cambios de la demanda, con relación al promedio simple, para
analizar la fiabilidad del pronóstico se realizó el cálculo de los errores del
pronóstico el cual se mostrara en comparativa más adelante.
Resultados
Resultados
Intervalos de confianza
Un intervalo de confianza es un rango de valores, derivado de los estadísticos
de la muestra, que posiblemente incluya el valor de un parámetro de
población desconocido. Debido a su naturaleza aleatoria, es poco probable
que dos muestras de una población en particular produzcan intervalos de
confianza idénticos.
Resultados
De acuerdo con los resultados obtenidos, permite tener una estimación del
valor real del parámetro poblacional, en este caso para tener el 95% de
confianza, los datos se encuentran entre -11815.28 y 26801.36.
Holt-Winters
Suaviza los datos mediante la suavización exponencial de Holt-Winters. Este
método se utiliza cuando hay tendencia y estacionalidad, siendo estos dos
componentes o aditivos o multiplicativos. El Método de Winters calcula
estimaciones dinámicas para tres componentes: nivel, tendencia y estacional.
Fórmula Código Rstudio
Resultados
Casos de COVID-19
Holt-Winter Fitted
Holt-Winter Fitted
Codigo Rstudio
Promedio móvil integrado autorregresivo (ARIMA)
El modelo ARIMA utiliza las funciones de diferenciación, autocorrelación y
autocorrelación parcial para ayudar a identificar un modelo aceptable, puede
utilizarse para modelar muchas series de tiempo diferentes, con o sin
componentes de tendencia o estacionales y para generar pronósticos.
Código Rstudio
Resultado
Prueba Dickey-Fuller
Código Rstudio
Debido a que el valor de p arrojado por el modelo es menor a .05, se rechaza la
hipótesis nula, por lo cual los datos son estacionarios.
Código Rstudio
Concluyendo con los coeficientes del modelo, el resultado de la prueba
confirma que los datos son estacionarios, así mismo, es posible aplicar
diferentes pruebas de normalidad con los residuales del modelo ARIMA
presentados a continuación.
Código Rstudio
Shapiro-Wilks test
El test de normalidad de Shapiro Wilks tiene por función descartar o confirmar
la hipótesis nula en donde los datos siguen una distribución normal, en esta
prueba se toma una significancia del 5% o 0.05, si el valor de p es mayor a la
significancia la hipótesis se acepta.
Código Rstudio
Histograma
Gráfico Cuantil-Cuantil
Un gráfico Cuantil-Cuantil permite observar cuan cerca está la distribución de
un conjunto de datos a alguna distribución ideal ó comparar la distribución de
dos conjuntos de datos.
Código Rstudio
Se puede observar en el gráfico que la distribución de los datos siguen una
cola larga, y pesada, en donde la mayoría de los datos se concentran al centro
de la gráfica. De esta forma, aplicamos el siguiente código para verificar los
residuales del modelo, y realizar la predicción de los datos.
Código Rstudio
Código Rstudio
Resultados
Método MSE MAPE MAD
Promedio móvil
31718975 78 2867
simple
Promedio móvil
25483376 104 2629
ponderado