UNIVERSIDAD DE COSTA RICA

SEDE DE GUANACASTE

Informática Empresarial

IF-7200 Métodos Cuantitativos para la Toma de Decisiones

Investigación Pronóstico del Clima

Base de datos NOAA (EE.UU)

Autores:

Barquero Pérez, Elieth Johanna C08811

Bustos Rodríguez, Derian Alberto C08837

Sanches Rivas, Jose Pablo B97289

Prof. Luis Delgado Lobo.

Liberia – Guanacaste

07 de junio, 2023

I Ciclo

1
 1. Resumen

En este documento, se abordan los temas de inteligencia artificial, machine learning,

métodos de pronóstico y el desarrollo de una herramienta de machine learning.

En cuanto a la inteligencia artificial, se explica que es un campo de estudio y

desarrollo tecnológico que busca crear sistemas y máquinas capaces de realizar tareas que

normalmente requerirían inteligencia humana. Se utilizan algoritmos y modelos matemáticos

complejos para el procesamiento de datos y la toma de decisiones basada en patrones. Se

mencionan aplicaciones de la inteligencia artificial en áreas como el reconocimiento de voz,

la visión por computadora, la traducción automática, la robótica y los vehículos autónomos.

Luego se introduce el concepto de machine learning, que es una forma de inteligencia

artificial que permite a los sistemas aprender a partir de los datos en lugar de depender de la

programación explícita. Se describen diferentes enfoques de machine learning, como el

aprendizaje supervisado, el no supervisado, el de refuerzo y el aprendizaje profundo.

Se mencionan los métodos de pronóstico, que son técnicas utilizadas para predecir

eventos futuros o estimar valores desconocidos. Se diferencian entre métodos cualitativos,

basados en opiniones expertas, y métodos cuantitativos, que utilizan técnicas matemáticas y

estadísticas. Se destaca la importancia de los métodos de pronóstico en la toma de decisiones

informadas y la planificación estratégica.

Finalmente, se menciona el desarrollo de una herramienta de machine learning que

involucra la lectura de datos y la visualización de los mismos. No se proporcionan detalles

específicos sobre la herramienta en cuestión ni sobre el análisis de los datos.

En resumen, el documento proporciona una visión general de la inteligencia artificial,

el machine learning, los métodos de pronóstico y el desarrollo de una herramienta de machine

learning.

2
 2. Índice
1. Resumen.............................................................................................................................................. 2
2. Índice................................................................................................................................................... 3
3. Introducción........................................................................................................................................4
Marco Teórico.........................................................................................................................................4
4. Inteligencia artificial.......................................................................................................................... 4
4.1. ¿Qué es?......................................................................................................................................4
4.2. Aplicaciones de IA..................................................................................................................... 5
4.2.1. Mejoras del servicio al cliente.......................................................................................... 5
4.2.2. Mejoras de rutas................................................................................................................ 5
4.2.3. Agrícolas........................................................................................................................... 5
5. Machine Learning.............................................................................................................................. 5
5.1. ¿Qué es?......................................................................................................................................5
5.2. Enfoques hacia el machine learning........................................................................................... 6
6. Métodos de pronóstico....................................................................................................................... 7
6.1. ¿Qué son los métodos de pronóstico?.........................................................................................7
6.2. ¿Para qué sirven los métodos de pronóstico?............................................................................. 7
6.3. Métodos de pronósticos importantes.......................................................................................... 8
6.3.1. Suavización exponencial...................................................................................................8
6.3.1.1. ¿Qué es la suavización exponencial ?..................................................................... 8
6.3.2. Winter................................................................................................................................9
6.3.2.1. ¿Qué es el método de Winter?................................................................................. 9
6.3.3.1. ¿Qué es el método de Holt?.....................................................................................9
7. Desarrollo herramienta Machine Learning...................................................................................10
7.1. Lectura de Datos.......................................................................................................................10
7.2. Visualizar datos.........................................................................................................................10
7.3. Gráfico de datos de Temperatura media................................................................................... 11
7.4. Visualizar datos.........................................................................................................................12
7.5. Gráfico de datos de Temperatura media................................................................................... 12
7.6. Gráfica de temperatura media mensual de los 12 años............................................................ 13
7.7. Importación de paquetes...........................................................................................................13
7.8. Preparación para Machine Learning.........................................................................................14
7.9. Suavizamiento Exponencial Simple......................................................................................... 15
7.10. Error medio absoluto y error medio cuadrado de suavizamiento exponencial.......................16
7.11. Método Holt............................................................................................................................16
7.12. Error medio absoluto y medio cuadrado de Holt....................................................................17
7.13. Método Winter........................................................................................................................17
7.14. Error medio absoluto y medio cuadrado de Winter................................................................18
7.15. Método elegido para Machine Learning.................................................................................19
7.16. Machine Learning...................................................................................................................19
7.29. Test y predicción.....................................................................................................................21
8.7. Error medio absoluto y cuadrado de Machine Learning.......................................................... 23
9. Conclusiones..................................................................................................................................... 24
10. Bibliografía..................................................................................................................................... 25

3
 3. Introducción
La Inteligencia Artificial (IA) ha transformado radicalmente la sociedad y
revolucionado la forma en que interactuamos con la tecnología. La IA ha abierto un mundo
de posibilidades en diversos campos, desde la medicina hasta la industria automotriz. Una
rama esencial de la IA es el Machine Learning (Aprendizaje Automático), que permite a las
máquinas aprender de los datos sin una programación explícita y utilizar esa información
para tomar decisiones y realizar tareas complejas.

En la actualidad, el Machine Learning ofrece técnicas de pronóstico y análisis de

datos históricos que se han convertido en una poderosa herramienta para predecir eventos
futuros y estimar valores desconocidos. Estas tecnologías han demostrado su eficacia en la
optimización de procesos, la toma de decisiones empresariales y la planificación estratégica.
Desde la predicción del comportamiento del consumidor hasta el pronóstico del clima, el
Machine Learning nos permite extraer conocimientos valiosos de grandes cantidades de
datos, lo que resulta en una mayor eficiencia y una toma de decisiones más informada.

En este contexto, es importante explorar en profundidad la importancia y las

aplicaciones de la Inteligencia Artificial y el Machine Learning, así como las implicaciones
éticas y el panorama futuro que aguarda. Se puede comprender cómo estas tecnologías están
transformando industrias enteras y explorar las oportunidades y desafíos que enfrentamos a
medida que avanzamos hacia un futuro cada vez más impulsado por la IA.

4
Marco Teórico

4. Inteligencia artificial
4.1. ¿Qué es?

La Inteligencia Artificial es un campo de estudio y desarrollo de tecnología en el cual

se enfoca en la creación de sistemas y máquinas capaces de realizar tareas que normalmente
requerirían la inteligencia humana. Se busca emular las capacidades cognitivas y de
razonamiento humano, como el aprendizaje, la percepción, el reconocimiento de voz, la toma
de decisiones, la resolución de problemas y la comprensión del lenguaje natural.
Se basa en algoritmos y modelos matemáticos complejos que permiten el
procesamiento de grandes cantidades de datos, identificación de patrones y la toma de
decisiones o acciones basadas en esos patrones. Se utilizan diferentes enfoques y técnicas,
como el aprendizaje automático y el aprendizaje profundo, que permiten a las máquinas
aprender y mejorar su rendimiento.

4.2. Aplicaciones de IA

La Inteligencia Artificial ha evolucionado de una manera que sorprende a gran

medida, muchas de ellas siempre estuvieron en ideas fantasiosas que no se podrían cumplir, y
es que llegó ayudar en muchas área, y es por ello que tiene aplicaciones en diversos campos,
como el reconocimiento de voz, la visión por computadora, la traducción automática, la
robótica y los vehículos autónomos, entre otros en industrias, tales como:

4.2.1. Mejoras del servicio al cliente

Actualmente, se visita muchas páginas web, ya sea para comprar algún producto en
algún ecommerce, leer en algún blog y así, pero algo que se puede notar son los chatbots que
ayudan a las empresas en lo que respecta a optimización del servicio al cliente y dándoles un
plus a estas empresas que han optado en hacer uso de IA para dar un mejor servicio.

4.2.2. Mejoras de rutas

En este caso, se le ha dado un salto enorme en la optimización de rutas, esto es hecho

por algoritmos de Inteligencia Artificial que buscan rutas que sean más cortas con análisis
gráficos, con la finalidad de que sea una ruta eficiente, se suele utilizar en transporte de
logísticas para reducir costos de combustible y reducir tiempo.

5
 4.2.3. Agrícolas

Para los agricultores es de suma importancia, les ha venido a solucionar todos esos
problemas de pérdida de dinero que puede ocurrir por mal tiempo donde haya una mala
cosecha, y es aquí donde entra en juego la IA, ya que mejoran rendimientos agrícolas,
advirtiendo en impactos ambientales y dándoles mejores fechas de cosechas y terrenos
fértiles donde tendrán mejores productos.

5. Machine Learning
5.1. ¿Qué es?

El aprendizaje automático es una forma de inteligencia artificial que permite a los

sistemas aprender a partir de los datos en lugar de depender de la programación explícita. Sin
embargo, el proceso de aprendizaje automático no es sencillo. A medida que el algoritmo
asimila datos de entrenamiento, se generan modelos más precisos basados en dichos datos.
Estos modelos representan la información resultante del entrenamiento del algoritmo. Una
vez que se ha completado el entrenamiento, al proporcionarle una entrada al modelo, se
obtendrá una salida correspondiente, tal como un ejemplo que dice ¿Qué es Machine
Learning? (s/f) que “ al entrenar un algoritmo predictivo, se creará un modelo de predicción.
Al utilizar este modelo con nuevos datos, se obtendrá un pronóstico basado en los datos que
se utilizaron para entrenar el modelo”. Con Machine Learning se pretende entrenar un
algoritmo para crear un modelo de predicción de manera rápida.

5.2. Enfoques hacia el machine learning

En resumen, hay diferentes técnicas para machine learning, cada una dependiendo del
problema que la empresa se necesite enfrentar, machine learning puede aprender en diferentes
enfoques y cantidad de datos
El aprendizaje supervisado se inicia con un conjunto de datos establecido y una
comprensión de su clasificación. Se busca encontrar patrones en los datos para aplicar en
análisis. Los datos tienen características etiquetadas que definen su significado. Por ejemplo,
se puede desarrollar una aplicación de machine learning que distinga entre millones de
animales basándose en imágenes y descripciones escritas.

El aprendizaje no supervisado se utiliza cuando se cuenta con una gran cantidad de datos
sin etiquetar. Las redes sociales como Twitter, Instagram y Snapchat tienen una enorme

6
cantidad de datos sin etiquetas. Para comprender el significado detrás de estos datos, se
emplean algoritmos que clasifican los patrones o clusters encontrados. El aprendizaje no
supervisado realiza un análisis iterativo de los datos sin intervención humana. Se utiliza en la
detección de spam en correos electrónicos, donde hay demasiadas variables para que un
analista etiquete un gran volumen de correos no deseados. En cambio, se aplican
clasificadores de machine learning basados en clustering y asociación para identificarlos.

El aprendizaje de refuerzo es un modelo de aprendizaje conductual en el que el algoritmo

recibe retroalimentación de los datos analizados, lo que guía al usuario hacia el mejor
resultado. A diferencia de otros tipos de aprendizaje supervisado, el sistema no se entrena con
un conjunto de datos de ejemplo, sino que aprende a través de prueba y error. El éxito en una
secuencia de decisiones fortalece el proceso, ya que resuelve el problema de manera más
efectiva.

El deep learning el cual es un método específico de machine learning que es utilizado en

redes neuronales en capas sucesivas para aprender de los datos de forma iterativa. Es
especialmente útil para aprender patrones en datos no estructurados. Las complejas redes
neuronales del deep learning están diseñadas para emular el funcionamiento del cerebro
humano, lo que permite que las computadoras manejan abstracciones y problemas mal
definidos. Se utilizan con frecuencia en el reconocimiento de imágenes, voz y aplicaciones de
visión por computadora. (¿Qué es Machine Learning?, s/f)

6. Métodos de pronóstico
6.1. ¿Qué son los métodos de pronóstico?

Los métodos de pronóstico son técnicas utilizadas para predecir eventos futuros o
estimar valores desconocidos. Se basan en el análisis de datos históricos para identificar
patrones y tendencias que puedan ser extrapolados hacia el futuro. Estos métodos pueden ser
cualitativos, basados en opiniones expertas, encuestas o juicio subjetivo, o cuantitativos, que
utilizan técnicas matemáticas y estadísticas para analizar los datos. Los métodos de
pronóstico son ampliamente utilizados en diferentes campos y permiten a las organizaciones
y personas tomar decisiones informadas y planificar estratégicamente. Por lo tanto Gomez. J,
(s.f) nos afirma que

7
 Los modelos de pronósticos son modelos estadísticos para pronosticar el futuro, estos
sirven para detectar situaciones futuras y hacer proyecciones con base en la
información analizada. Los modelos de pronósticos se pueden usar con diferentes
propósitos, en diferentes ciencias y con distintas técnicas. El trabajo de los consultores
estadísticos es ayudar a implementar los modelos adecuados al tipo de información
disponible. (parr. 1)

6.2. ¿Para qué sirven los métodos de pronóstico?

Los métodos de pronóstico cumplen una función esencial al permitir la predicción de

eventos futuros y la estimación de valores desconocidos, fundamentándose en el análisis de
datos históricos y la identificación de patrones. Su aplicación se extiende a diversos ámbitos,
tanto en el ámbito empresarial como en la toma de decisiones estratégicas a nivel
macroeconómico.
En cuanto a su eficiencia, los métodos de pronóstico pueden demostrar un desempeño
destacable cuando se aplican de manera adecuada. Sin embargo, su efectividad está sujeta a
una serie de consideraciones que influyen en su precisión y confiabilidad. Entre estos factores
se encuentran la calidad y disponibilidad de los datos históricos utilizados como base, la
elección adecuada de la técnica de pronóstico pertinente y la estabilidad de las condiciones
subyacentes en el horizonte de tiempo considerado.
No obstante, es relevante destacar que los métodos de pronóstico no son infalibles y
están sujetos a la incertidumbre inherente a cualquier proceso de predicción. Además, su
grado de exactitud puede verse afectado por eventos imprevistos, cambios abruptos en las
condiciones económicas, tecnológicas o ambientales, así como por factores no contemplados
en los datos históricos utilizados. Por lo tanto Gomez. J, (s.f) nos afirma que
Los modelos de pronósticos sirven para comprobar la hipótesis del comportamiento
de una variable. Un pronóstico puede suceder suponiendo, que una secuencia de
acontecimientos pasados se repetirá en el futuro o basados en nuevas tendencias. Los
modelos de pronóstico deben centrar el estudio, en las variables de mayor peso en
cada situación. La Efectividad de los modelos de pronósticos radica en la facilidad de
entenderlo así se necesiten técnicas complejas. (párr. 9)

8
 6.3. Métodos de pronósticos importantes
6.3.1. Suavización exponencial
6.3.1.1. ¿Qué es la suavización exponencial ?

El método de suavización exponencial es una técnica utilizada en el análisis de series

de tiempo para predecir o estimar valores futuros. Se basa en la idea de que los datos
históricos más recientes tienen mayor relevancia que los datos más antiguos. En esencia, este
método asigna pesos exponenciales decrecientes a los valores históricos, lo que implica que
los datos más recientes tienen un impacto más significativo en la estimación del pronóstico.
Según Rus Arias, E. (2020) “ El método de suavización exponencial utiliza los promedios
históricos de una variable en un período para intentar predecir su comportamiento futuro.”
La suavización exponencial se inicia con una estimación inicial del nivel y de la
tendencia, que son componentes clave en la predicción. A medida que se obtienen nuevos
datos, se actualizan las estimaciones de estos componentes utilizando fórmulas que
incorporan los datos históricos y los pesos exponenciales. Estos pesos exponenciales son
controlados por un parámetro de suavización, el cual determina la rapidez con la que los
datos antiguos se deprecian y cómo se ajusta el pronóstico a las fluctuaciones en los datos
históricos.

6.3.2. Winter
6.3.2.1. ¿Qué es el método de Winter?

El método de Winter, también conocido como método de suavizado exponencial de

Winter, es una técnica de pronóstico que se utiliza para predecir valores futuros en series de
tiempo. Este método es una extensión del método de suavizado exponencial simple, y se basa
en la idea de que los datos pasados tienen diferentes niveles, tendencias y estacionalidades
que deben ser considerados en el pronóstico.
El método de Winter utiliza tres componentes principales para realizar el pronóstico:
el nivel, la tendencia y la estacionalidad. El nivel representa el nivel base de la serie de
tiempo, la tendencia indica la dirección y la velocidad del cambio en la serie y la
estacionalidad refleja los patrones repetitivos que ocurren en la serie a intervalos regulares.
Para realizar el pronóstico utilizando el método de Winter, se asigna un peso exponencial a
cada uno de estos componentes. Los pesos determinan la importancia relativa de cada
componente en el pronóstico final. A medida que se avanza en el tiempo, los pesos se van

9
ajustando para adaptarse a los cambios en los datos y para proporcionar una mejor
predicción.
El método de Winter es especialmente útil para series de tiempo que presentan
patrones de tendencia y estacionalidad. Su capacidad para adaptarse a cambios en los datos y
su flexibilidad para modelar diferentes componentes hacen que sea ampliamente utilizado en
pronósticos de ventas, demanda de productos, inventarios y otros fenómenos que exhiben
variaciones estacionales.
6.3.3. Holt
6.3.3.1. ¿Qué es el método de Holt?

El método de Holt es un enfoque de pronóstico utilizado para predecir valores futuros

en series de tiempo. Fue propuesto por Charles C. Holt en 1957 como una extensión del
método de promedio móvil y el alisado exponencial. Se utiliza especialmente cuando los
datos históricos muestran una tendencia y un patrón de alisamiento exponencial no es
suficiente para capturar dicha tendencia.
Además, utiliza dos componentes principales: nivel y tendencia. El componente de
nivel representa el nivel base de la serie de tiempo, mientras que el componente de tendencia
representa la dirección y la tasa de cambio de la serie de tiempo. Estos componentes se
estiman y se utilizan para generar proyecciones futuras.
El método de Holt emplea dos ecuaciones de suavización exponencial, una para el
componente de nivel y otra para el componente de tendencia. Estas ecuaciones consideran los
datos históricos y actualizan las estimaciones de nivel y tendencia a medida que se avanza en
el tiempo. Además, se utilizan factores de suavización exponencial para controlar la
ponderación relativa de los datos históricos y las nuevas observaciones en las proyecciones.
La ventaja del método de Holt radica en su capacidad para capturar y predecir
tendencias en los datos, lo que lo hace especialmente útil cuando se anticipan cambios
sistemáticos en la serie de tiempo. Sin embargo, es importante destacar que este método
asume que la tendencia se mantiene constante a lo largo del horizonte de pronóstico y no
puede abordar patrones más complejos o eventos irregulares.

7. Desarrollo herramienta Machine Learning

7.1. Lectura de Datos

Inicialmente, se deben obtener los datos con los que trabajaremos posteriormente,
para realizar el análisis respectivo por lo que se utilizaran los siguientes métodos los cuales se
encargará de cargar los datos.

10
 7.2. Visualizar datos

Una vez cargados los datos que fueron obtenidos de NOAA sobre el clima de Saugus
California, USA se pueden visualizar en la siguiente tabla, la fecha y la temperatura promedio

7.3. Gráfico de datos de Temperatura media.

En la siguiente imagen se muestra el comportamiento de la temperatura media

mensual de los años 2021, 2022 y 2023 según los datos extraídos del NOAA.

11
 7.4. Visualizar datos

En la siguiente imagen se pueden visualizar en la siguiente tabla, la fecha y la

temperatura promedio desde el 2015 hasta el 2017.

12
 7.5. Gráfico de datos de Temperatura media.

En la siguiente imagen se muestra el comportamiento de la temperatura media

mensual de los años 2015 y 2016, además, del 1 de enero del 2017 según los datos extraídos
del NOAA.

7.6. Gráfica de temperatura media mensual de los 12 años

Ahora bien, una vez visto por partes el comportamiento que tiene la temperatura
media mensual, se mostrará en la siguiente imagen la gráfica de los años del 2010 y parte del
2023, como se puede observar tiene por lo general un comportamiento similar, a excepción
de los años 2016, 2017 y 2021.

13
 7.7. Importación de paquetes

En la siguiente imagen se muestra la importación de paquetes o librerías importantes

para poder usar la suavización exponencial y Holt-Winter

7.8. Preparación para Machine Learning

En la siguiente imagen se muestra el código el cual se usa para realizar la preparación

del Machine Learning, como primer punto se cargaron los datos, seguidamente se elimina
cualquier duplicidad de datos y además se ordenan los mismos, también se establece la
frecuencia mensual y se elimina las filas que tengan algún valor faltante, se establece el
índice de tiempo como PeriodIndex.
seguidamente se inicia con la descomposición estacional, donde se especifica que sea
un periodo de 12 meses, además se convierte el índice de tiempo de regreso a DatetimeIndex
para evitar errores y por último se realiza el código del gráfico.

14
15
 El gráfico anterior muestra el comportamiento de la descomposición estacional de los
años 2010 hasta el 2023, a continuación se explica lo que se observa en el gráfico:
● La tendencia representa el cambio a largo plazo en la serie de tiempo, es decir, la
dirección general o el patrón subyacente.
● La componente estacional captura los patrones repetitivos y predecibles que ocurren
en la serie de tiempo en intervalos regulares, como las estaciones del año, los días de
la semana, etc.
● El residuo es la parte no explicada por la tendencia y la estacionalidad. Representa el
ruido aleatorio, las variaciones irregulares o cualquier otro factor no sistemático
presente en la serie de tiempo
7.9. Suavizamiento Exponencial Simple

Seguidamente se muestra el código utilizado para el suavizamiento

exponencial simple

En el gráfico anterior se puede observar el pronóstico que se ha realizado usando

suavizamiento exponencial y los datos reales extraídos del NOAA.

7.10. Error medio absoluto y error medio cuadrado de suavizamiento

exponencial

En estas líneas de código se realiza el DMA y el EMC con el cual nos apoyaremos
más adelante para descubrir el mejor método.

16
 7.11. Método Holt

Seguidamente, este código ajusta el modelo de Holt a la serie de tiempo "TAVG"

utilizando una tendencia aditiva y muestra la serie de tiempo original y los valores ajustados
del modelo de Holt en una gráfica. Luego, calcula y muestra el error medio absoluto y el
error medio cuadrado entre la serie de tiempo original y los valores ajustados del modelo de
Holt. Estos errores proporcionan una medida de la precisión del modelo de Holt en la
predicción de la serie de tiempo.

17
 7.12. Error medio absoluto y medio cuadrado de Holt

Para finalizar este método, se buscó su error absoluto y cuadrado para evaluar su
rendimiento, el cual dio como resultado para Error medio absoluto 2.70 y Error medio
cuadrado 10.99.

7.13. Método Winter

Lo que se realiza en esta sección es ajustar el modelo de Winter, en el código se

ajusta un modelo de suavizado exponencial de Winter a los datos de la serie temporal, genera
predicciones y evalúa el rendimiento del modelo utilizando el MAE y el MSE. Luego,
visualiza los resultados en un gráfico.

18
 7.14. Error medio absoluto y medio cuadrado de Winter

Para finalizar este método, se buscó su error absoluto y cuadrado para evaluar su
rendimiento, el cual dio como resultado para Error medio absoluto 1.84 y Error medio
cuadrado 5.60.

7.15. Método elegido para Machine Learning

A la hora de elegir uno de los pronósticos, se eligió el probar cada uno de los 3
métodos para visualizar cúal se ajustaba al caso y daba un mejor pronóstico, en este caso nos
guiamos por el error medio absoluto y el error medio cuadrado, y el que dio más bajo fue el
método de Winter con un DMA: 1.84; EMC: 5.60. por lo tanto se deja en una tabla cada uno.

Método EMC DMA

Suavizamiento Exponencial 13.05 2.96

Holt 10.99 2.70

Winter 5.60 1.84

19
 7.16. Machine Learning

En esta sección, se realizan una serie de operaciones relacionadas con el pronóstico de datos
utilizando el modelo de suavizado exponencial de Holt-Winters. explicando cada línea de
código:

7.17. forecast_data = pd.read_csv("Saugus_GSOM_Red.csv",

index_col="DATE", parse_dates=True): Lee los datos del archivo CSV
"Saugus_GSOM_Red.csv" y los almacena en un DataFrame llamado
forecast_data. El índice del DataFrame se establece en la columna "DATE" y
se parsean las fechas.
7.18. forecast_data =
forecast_data[~forecast_data.index.duplicated(keep='first')]: Elimina
cualquier fila duplicada en el DataFrame, manteniendo solo la primera
aparición de cada fecha.
7.19. forecast_data = forecast_data.sort_index(): Ordena el DataFrame en orden
ascendente según el índice de fechas.
7.20. forecast_data = forecast_data.asfreq('MS').dropna(subset=["TAVG"]):
Establece la frecuencia de los datos a frecuencia mensual utilizando
asfreq('MS'). Luego, elimina las filas que contienen valores faltantes en la
columna "TAVG" utilizando dropna(subset=["TAVG"]).
7.21. forecast_data.index = pd.PeriodIndex(forecast_data.index, freq='M'):
Convierte el índice del DataFrame a un índice de períodos utilizando
pd.PeriodIndex con una frecuencia de 'M' (mensual).
7.22. train_saugus = forecast_data[:112]: Crea un DataFrame llamado
train_saugus que contiene las primeras 112 filas de forecast_data, que se
utilizarán como datos de entrenamiento.
7.23. fitted_model = ExponentialSmoothing(train_saugus["TAVG"],
trend="add", seasonal="mul", seasonal_periods=12).fit(): Ajusta un
modelo de suavizado exponencial de Holt-Winters a los datos de
entrenamiento utilizando la clase ExponentialSmoothing de la biblioteca
statsmodels. El modelo se configura con una tendencia aditiva ("add"), una
estacionalidad multiplicativa ("mul") y un período estacional de 12 meses.

20
7.24. test_saugus = forecast_data[112:]: Crea un DataFrame llamado test_saugus
que contiene los datos restantes de forecast_data después de las primeras 112
filas, que se utilizarán como datos de prueba.
7.25. test_predictions = fitted_model.forecast(36): Genera pronósticos para 36
pasos hacia el futuro utilizando el modelo ajustado. Los pronósticos se
almacenan en la variable test_predictions.
7.26. forecast_data.index = forecast_data.index.to_timestamp(): Convierte el
índice de períodos del DataFrame forecast_data a marcas de tiempo utilizando
to_timestamp().
7.27. train_saugus["TAVG"].plot(legend=True, label="TRAIN"): Traza un
gráfico de la columna "TAVG" de train_saugus con la etiqueta "TRAIN".
7.28. test_saugus["TAVG"].plot(legend=True, label="TEST", figsize=(15,5)):
Traza un gráfico de la columna "TAVG" de test_saugus con la etiqueta
"TEST". El parámetro figsize establece el tamaño del gráfico en pulgadas.

21
 7.29. Test y predicción

En esta sección, se realizan algunas operaciones relacionadas con la visualización y

evaluación de predicciones en Python. A continuación se explicará el paso a paso qué hace
cada línea:
8.
8.1. test_saugus["TAVG"].plot(title="Test y predicción", legend=True,
label="TEST", figsize=(15, 5)): Esta línea traza un gráfico de la columna
"TAVG" del DataFrame test_saugus. El gráfico tendrá un título de "Test y
predicción", mostrará una leyenda, y la etiqueta "TEST" se mostrará en la
leyenda. El parámetro figsize establece el tamaño de la figura en pulgadas.
8.2. test_predictions.plot(legend=True, label="PREDICTION"): Esta línea
traza un gráfico de la serie test_predictions. La leyenda se mostrará y la
etiqueta "PREDICTION" se mostrará en la leyenda.
8.3. test_predictions = test_predictions[:len(test_saugus)]: Esta línea ajusta la
longitud de las predicciones (test_predictions) para que coincida con la
longitud del DataFrame test_saugus. Esto asegura que ambos tengan la misma
longitud para la evaluación posterior.
8.4. print(f"Mean Absolute Error = {mean_absolute_error(test_saugus,
test_predictions)}"): Calcula el error absoluto medio (MAE) entre
test_saugus y test_predictions utilizando la función mean_absolute_error y lo
imprime en la consola.
8.5. print(f"Mean Squared Error = {mean_squared_error(test_saugus,
test_predictions)}"): Calcula el error cuadrático medio (MSE) entre

22
 test_saugus y test_predictions utilizando la función mean_squared_error y lo
imprime en la consola.
8.6. En resumen, el código muestra gráficamente las predicciones y los valores
reales, y luego calcula y muestra el MAE y MSE entre ellos.

23
 8.7. Error medio absoluto y cuadrado de Machine Learning

Para finalizar, se buscó su error absoluto y cuadrado para evaluar la predicción de

Machine Learning, el cual dio como resultado para Error medio absoluto 3.857 y Error medio
cuadrado 25.09.

24
 9. Conclusiones
En conclusión, se busca replicar las capacidades cognitivas humanas en sistemas y
máquinas a través del campo de la Inteligencia Artificial. Se cuenta con numerosas
aplicaciones en diversos sectores, como mejoras en el servicio al cliente, optimización de
rutas y agricultura, entre otros.

El Machine Learning, una subdisciplina de la Inteligencia Artificial, permite que los

sistemas aprendan a partir de los datos en lugar de depender de la programación explícita. Se
pueden utilizar diferentes enfoques de Machine Learning, como el aprendizaje supervisado,
no supervisado, de refuerzo y el aprendizaje profundo. Estos enfoques tienen aplicaciones
variadas y se utilizan para resolver problemas específicos.

Los métodos de pronóstico, como la suavización exponencial, el método de Winter y

el método de Holt, son técnicas que permiten que los eventos futuros sean predichos o que los
valores desconocidos sean estimados basándose en el análisis de datos históricos. Estos
métodos son útiles en la toma de decisiones estratégicas y la planificación, pero su
efectividad está sujeta a consideraciones como la calidad de los datos y la incertidumbre
inherente a cualquier proceso de predicción.

En resumen, se tienen a disposición herramientas poderosas como la Inteligencia

Artificial, el Machine Learning y los métodos de pronóstico, que pueden ayudar a mejorar la
eficiencia, la toma de decisiones y la planificación en diversos campos y sectores. Estas
tecnologías poseen el potencial de automatizar tareas, identificar patrones y tendencias, y
generar insights valiosos a partir de grandes volúmenes de datos. Sin embargo, también es
importante tener en cuenta los desafíos éticos y sociales asociados con su implementación,
como la privacidad, la discriminación algorítmica y el impacto en el empleo. En última
instancia, se considera crucial el uso responsable y ético de estas herramientas para
aprovechar al máximo sus beneficios y minimizar los posibles riesgos.

25
10. Bibliografía

Corporativa, I. (s/f). ¿Somos conscientes de los retos y principales aplicaciones de la

Inteligencia Artificial? Iberdrola. Recuperado el 7 de junio de 2023, de

https://www.iberdrola.com/innovacion/que-es-inteligencia-artificial

Gómez Sánchez, J. D. (s/f). Modelos de pronósticos. Todo estadística. Recuperado de

https://todoestadistica.com/modelos-de-pronosticos/

Mira Segura, L. L., Trejo Martínez, A., & López Cruz, D. (2018). Aplicación de Holt-Winters

para pronósticos de inventarios. Ciencia UANL, 21(90). Recuperado de

https://cienciauanl.uanl.mx/?p=7948#:~:text=El%20m%C3%A9todo%20Holt%2DWinters%

20es,de%20pron%C3%B3sticos%20a%20corto%20plazo.

Mujica, A. (2022, octubre 21). Qué es la inteligencia artificial y 5 ejemplos de aplicaciones.

Driv.in.

https://driv.in/blog/que-es-la-inteligencia-artificial-5-ejemplos?utm_term=&hsa_acc=875995

5348&hsa_cam=15800357032&hsa_grp=136297261193&hsa_ad=609767959863&hsa_src=

g&hsa_tgt=dsa-2031047569864&hsa_kw=&hsa_mt=&hsa_net=adwords&hsa_ver=3&gad=1

¿Qué es Machine Learning? (s/f). Ibm.com. Recuperado el 7 de junio de 2023, de

https://www.ibm.com/mx-es/analytics/machine-learning

26