Previsión

Hacer predicciones basadas en los datos disponibles.

La previsión es el proceso de hacer predicciones basadas en datos pasados ​​y presentes. Posteriormente estos pueden compararse (resolverse) con lo que sucede. Por ejemplo, una empresa podría estimar sus ingresos para el próximo año y luego compararlos con los resultados reales creando un análisis de variación real. La predicción es un término similar pero más general. Los pronósticos pueden referirse a métodos estadísticos formales específicos que emplean series de tiempo , datos transversales o longitudinales , o alternativamente a métodos de juicio menos formales o al proceso de predicción y resolución en sí. El uso puede variar según las áreas de aplicación: por ejemplo, en hidrología los términos "predicción" y "pronóstico" a veces se reservan para estimaciones de valores en determinados momentos futuros específicos , mientras que el término "predicción" se utiliza para estimaciones más generales, como el número de veces que se producirán inundaciones durante un período prolongado.

El riesgo y la incertidumbre son fundamentales para la previsión y la predicción; En general, se considera una buena práctica indicar el grado de incertidumbre asociado a los pronósticos. En cualquier caso, los datos deben estar actualizados para que la previsión sea lo más precisa posible. En algunos casos, los datos utilizados para predecir la variable de interés son ellos mismos pronosticados. ^[1] No debe confundirse una previsión con un presupuesto; Los presupuestos son planes financieros más específicos a plazo fijo que se utilizan para la asignación y el control de recursos, mientras que los pronósticos proporcionan estimaciones del desempeño financiero futuro, lo que permite flexibilidad y adaptabilidad a circunstancias cambiantes. Ambas herramientas son valiosas en la planificación financiera y la toma de decisiones, pero cumplen funciones diferentes.

Aplicaciones

La previsión tiene aplicaciones en una amplia gama de campos donde las estimaciones de las condiciones futuras son útiles. Dependiendo del campo, la precisión varía significativamente. Si los factores que se relacionan con lo que se pronostica se conocen y se comprenden bien y hay una cantidad significativa de datos que se pueden utilizar, es probable que el valor final se acerque al pronóstico. Si este no es el caso o si el resultado real se ve afectado por los pronósticos, la confiabilidad de los pronósticos puede ser significativamente menor. ^[2]

El cambio climático y el aumento de los precios de la energía han llevado al uso de Egain Forecasting para los edificios. Con ello se intenta reducir la energía necesaria para calentar el edificio, reduciendo así la emisión de gases de efecto invernadero . La previsión se utiliza en la planificación de la demanda de los clientes en los negocios cotidianos de las empresas de fabricación y distribución.

Si bien la veracidad de las predicciones sobre los rendimientos reales de las acciones se cuestiona mediante referencia a la hipótesis del mercado eficiente , el pronóstico de tendencias económicas amplias es común. Este tipo de análisis lo realizan tanto grupos sin fines de lucro como instituciones privadas con fines de lucro. ^{[ cita necesaria ]}

La previsión de los movimientos cambiarios normalmente se logra mediante una combinación de gráficos y análisis fundamental . Una diferencia esencial entre el análisis gráfico y el análisis económico fundamental es que los cartistas estudian sólo la acción del precio de un mercado, mientras que los fundamentalistas intentan buscar las razones detrás de la acción. ^[3] Las instituciones financieras asimilan la evidencia proporcionada por sus investigadores fundamentales y chartistas en una sola nota para proporcionar una proyección final sobre la moneda en cuestión. ^[4]

La previsión también se ha utilizado para predecir el desarrollo de situaciones de conflicto. ^[5] Los pronosticadores realizan investigaciones que utilizan resultados empíricos para medir la efectividad de ciertos modelos de pronóstico. ^[6] Sin embargo, las investigaciones han demostrado que hay poca diferencia entre la precisión de los pronósticos de expertos conocedores de la situación de conflicto y los de personas que sabían mucho menos. ^[7] De manera similar, los expertos en algunos estudios sostienen que el pensamiento de rol (ponerse en el lugar de otras personas para pronosticar sus decisiones) no contribuye a la precisión del pronóstico. ^[8]

Un aspecto importante, aunque a menudo ignorado, de la previsión es la relación que mantiene con la planificación . La previsión puede describirse como una predicción de cómo será el futuro , mientras que la planificación predice cómo debería ser el futuro. ^[6] No existe un único método de previsión correcto que se pueda utilizar. La selección de un método debe basarse en sus objetivos y sus condiciones (datos, etc.). ^[9] Un buen lugar para encontrar un método es visitando un árbol de selección. Puede encontrar un ejemplo de árbol de selección aquí. ^[10]

La previsión tiene aplicación en muchas situaciones:

• Gestión de la cadena de suministro y planificación de la demanda de los clientes : la previsión se puede utilizar en la gestión de la cadena de suministro para garantizar que el producto correcto esté en el lugar correcto en el momento correcto. Una previsión precisa ayudará a los minoristas a reducir el exceso de inventario y, por tanto, a aumentar el margen de beneficio . Una previsión precisa también les ayudará a satisfacer la demanda de los consumidores. La disciplina de planificación de la demanda, también denominada a veces previsión de la cadena de suministro, abarca tanto la previsión estadística como un proceso de consenso. Los estudios han demostrado que las extrapolaciones son las menos precisas, mientras que las previsiones de beneficios de las empresas son las más fiables. ^{[ se necesita aclaración ] [11]}
• Previsión económica
• Predicción de terremotos
• Nuevamente pronosticando
• Previsión energética para la integración de energías renovables
• Financiación contra el riesgo de impago mediante calificaciones crediticias y puntuaciones crediticias
• Previsión del uso del suelo
• Rendimiento de jugadores y equipos en los deportes.
• Previsión política
• Previsión de productos
• Pronóstico de ventas
• Previsión tecnológica
• Previsión de telecomunicaciones
• Planificación y previsión del transporte.
• Previsión meteorológica , previsión de inundaciones y meteorología.

La previsión como entrenamiento, apuestas y futarquía.

En varios casos, el pronóstico es más o menos que una predicción del futuro.

En Superforecasting: The Art and Science of Prediction , de Philip E. Tetlock , analiza la previsión como un método para mejorar la capacidad de tomar decisiones. Una persona puede calibrarse mejor ^{[ cita necesaria ]} , es decir , tener cosas a las que le dan un 10% de credibilidad que sucedan el 10% del tiempo. O pueden pronosticar las cosas con más confianza ^{[ cita necesaria ]} y llegar a la misma conclusión pero antes. Algunos han afirmado que la previsión es una habilidad transferible con beneficios a otras áreas de discusión y toma de decisiones. ^{[ cita necesaria ]}

Apostar en deportes o política es otra forma de previsión. En lugar de utilizarse como consejo, a los apostadores se les paga en función de si predijeron correctamente. Si bien se pueden tomar decisiones basadas en estas apuestas (previsiones), la motivación principal es generalmente financiera.

Finalmente, la futarquía es una forma de gobierno en la que se utilizan pronósticos del impacto de la acción gubernamental para decidir qué acciones se toman. En lugar de dar consejos, en la forma más fuerte de la futarquía, se toma automáticamente la acción con el mejor resultado previsto. ^{[ cita necesaria ]}

Mejoras en las previsiones

Se han llevado a cabo proyectos de mejora de la previsión en varios sectores: el Proyecto de mejora de la previsión de huracanes (HFIP) del Centro Nacional de Huracanes y el Proyecto de mejora de la previsión de vientos patrocinado por el Departamento de Energía de Estados Unidos son ejemplos de ello. ^[12] En relación con la gestión de la cadena de suministro, el modelo de Du Pont se ha utilizado para mostrar que un aumento en la precisión del pronóstico puede generar aumentos en las ventas y reducciones en el inventario, los gastos operativos y el compromiso de capital de trabajo. ^[13]

Categorías de métodos de previsión.

Métodos cualitativos versus cuantitativos

Las técnicas de pronóstico cualitativo son subjetivas y se basan en la opinión y el juicio de consumidores y expertos; son apropiados cuando no se dispone de datos anteriores. Generalmente se aplican a decisiones de mediano o largo plazo. Ejemplos de métodos de pronóstico cualitativo son ^{[ cita necesaria ]} opinión y juicio informados, el método Delphi , investigación de mercado y analogía histórica del ciclo de vida.

Los modelos de pronóstico cuantitativo se utilizan para pronosticar datos futuros en función de datos pasados. Son apropiados para su uso cuando se dispone de datos numéricos pasados ​​y cuando es razonable suponer que se espera que algunos de los patrones en los datos continúen en el futuro. Estos métodos suelen aplicarse a decisiones de corto o mediano plazo. Ejemplos de métodos de pronóstico cuantitativo son ^{[ cita necesaria ] demanda del último período,} promedios móviles de período N simples y ponderados , suavizado exponencial simple , pronóstico basado en el modelo de proceso de Poisson ^[14] e índices estacionales multiplicativos. Investigaciones anteriores muestran que diferentes métodos pueden conducir a diferentes niveles de precisión en los pronósticos. Por ejemplo, se descubrió que la red neuronal GMDH tiene un mejor rendimiento de pronóstico que los algoritmos de pronóstico clásicos, como Single Exponential Smooth, Double Exponential Smooth, ARIMA y la red neuronal de retropropagación. ^[15]

Enfoque promedio

En este enfoque, las predicciones de todos los valores futuros son iguales a la media de los datos pasados. Este enfoque se puede utilizar con cualquier tipo de datos donde haya datos anteriores disponibles. En notación de series de tiempo:

${\displaystyle {\hat {y}}_{T+h|T}={\bar {y}}=(y_{1}+...+y_{T})/T}$ ^[dieciséis]

¿Dónde están los datos pasados? ${\displaystyle y_{1},...,y_{T}}$

Aunque aquí se ha utilizado la notación de series de tiempo, el enfoque promedio también se puede utilizar para datos transversales (cuando predecimos valores no observados; valores que no están incluidos en el conjunto de datos). Entonces, la predicción para valores no observados es el promedio de los valores observados.

Enfoque ingenuo

Los pronósticos ingenuos son el modelo de pronóstico más rentable y proporcionan un punto de referencia con el que se pueden comparar modelos más sofisticados. Este método de pronóstico sólo es adecuado para datos de series de tiempo . ^[16] Utilizando el enfoque ingenuo, se producen pronósticos que son iguales al último valor observado. Este método funciona bastante bien para series temporales económicas y financieras, que a menudo tienen patrones que son difíciles de predecir de manera confiable y precisa. ^[16] Si se cree que la serie temporal tiene estacionalidad, el enfoque ingenuo estacional puede ser más apropiado cuando los pronósticos son iguales al valor de la temporada pasada. En notación de series de tiempo:

${\displaystyle {\hat {y}}_{T+h|T}=y_{T}}$

Método de deriva

Una variación del método ingenuo es permitir que los pronósticos aumenten o disminuyan con el tiempo, donde la cantidad de cambio a lo largo del tiempo (llamada deriva ) se establece como el cambio promedio observado en los datos históricos. Entonces el pronóstico para el tiempo está dado por ${\displaystyle T+h}$

${\displaystyle {\hat {y}}_{T+h|T}=y_{T}+{\frac {h}{T-1}}\sum _{t=2}^{T}(y_{t}-y_{t-1})=y_{T}+h\left({\frac {y_{T}-y_{1}}{T-1}}\right).}$ ^[dieciséis]

Esto equivale a trazar una línea entre la primera y la última observación y extrapolarla al futuro.

Enfoque ingenuo estacional

El método ingenuo estacional tiene en cuenta la estacionalidad estableciendo que cada predicción sea igual al último valor observado de la misma temporada. Por ejemplo, el valor de predicción para todos los meses posteriores de abril será igual al valor anterior observado para abril. El pronóstico para el tiempo es ^[16] ${\displaystyle T+h}$

${\displaystyle {\hat {y}}_{T+h|T}=y_{T+h-m(k+1)}}$

donde = período estacional y es el número entero más pequeño mayor que . ${\displaystyle m}$ ${\displaystyle k}$ ${\displaystyle (h-1)/m}$

El método ingenuo estacional es particularmente útil para datos que tienen un nivel muy alto de estacionalidad.

Enfoque determinista

Un enfoque determinista es cuando no hay ninguna variable estocástica involucrada y los pronósticos dependen de las funciones y parámetros seleccionados. ^{[17] [18]} Por ejemplo, dada la función

${\displaystyle {\begin{aligned}f_{n}(x_{t})={\dfrac {1}{(1+x_{t}^{n})}}\,,\qquad n\in {\mathbb {N} },\;x\in {\mathbb {R} }.\end{aligned}}}$

El comportamiento de corto plazo y la tendencia de mediano-largo plazo son ${\displaystyle x_{t}}$ ${\displaystyle y_{t}}$

${\displaystyle {\begin{aligned}{\left\{{\begin{array}{ll}x_{t+1}=\alpha f_{n}(x_{t})+\gamma \,y_{t}+\delta \\y_{t+1}=\beta \,y_{t}-\mu \,x_{t}+\eta \end{array}}\right.}\end{aligned}}}$

¿Dónde están algunos parámetros? ${\displaystyle \alpha ,\gamma ,\beta ,\mu ,\eta }$

Este enfoque se ha propuesto para simular ráfagas de actividad aparentemente estocástica, interrumpidas por períodos más tranquilos. Se supone que la presencia de un fuerte ingrediente determinista queda oculta por el ruido. El enfoque determinista es digno de mención ya que puede revelar la estructura subyacente de los sistemas dinámicos, que puede explotarse para dirigir la dinámica hacia un régimen deseado. ^[17]

Métodos de series de tiempo

Los métodos de series de tiempo utilizan datos históricos como base para estimar resultados futuros. Se basan en el supuesto de que la historia de la demanda pasada es un buen indicador de la demanda futura.

• Media móvil
• Media móvil ponderada
• Suavizado exponencial
• Media móvil autorregresiva (ARMA) (los pronósticos dependen de los valores pasados ​​de la variable que se pronostica y de los errores de predicción pasados)
• Promedio móvil integrado autorregresivo (ARIMA) (ARMA sobre el cambio de período a período en la variable de pronóstico)

por ejemplo, Box-Jenkins

ARIMA estacional o SARIMA o ARIMARCH,

• Extrapolación
• Predicción lineal
• Estimación de tendencia (predicción de la variable como una función lineal o polinómica del tiempo)
• Curva de crecimiento (estadísticas)
• Red neuronal recurrente

Métodos relacionales

Algunos métodos de pronóstico intentan identificar los factores subyacentes que podrían influir en la variable que se pronostica. Por ejemplo, incluir información sobre patrones climáticos podría mejorar la capacidad de un modelo para predecir las ventas globales. Los modelos de pronóstico a menudo tienen en cuenta variaciones estacionales regulares. Además del clima, estas variaciones también pueden deberse a días festivos y costumbres: por ejemplo, se podría predecir que las ventas de indumentaria de fútbol universitario serán mayores durante la temporada de fútbol que fuera de temporada. ^[19]

Varios métodos informales utilizados en el pronóstico causal no se basan únicamente en el resultado de algoritmos matemáticos , sino que utilizan el juicio del pronosticador. Algunos pronósticos tienen en cuenta relaciones pasadas entre variables: si, por ejemplo, una variable ha estado relacionada aproximadamente linealmente con otra durante un largo período de tiempo, puede ser apropiado extrapolar dicha relación al futuro, sin necesariamente comprender las razones de su existencia. la relación.

Los métodos causales incluyen:

• El análisis de regresión incluye un gran grupo de métodos para predecir valores futuros de una variable utilizando información sobre otras variables. Estos métodos incluyen técnicas tanto paramétricas (lineales o no lineales) como no paramétricas .
• Media móvil autorregresiva con entradas exógenas (ARMAX) ^[20]

Los modelos de pronóstico cuantitativo a menudo se comparan entre sí comparando su error cuadrático medio dentro o fuera de la muestra , aunque algunos investigadores han desaconsejado esto. ^[21] Los diferentes enfoques de previsión tienen diferentes niveles de precisión. Por ejemplo, en un contexto se descubrió que GMDH tiene una mayor precisión de pronóstico que el ARIMA tradicional. ^[22]

Métodos de juicio

Los métodos de pronóstico basados ​​en criterios incorporan juicios intuitivos, opiniones y estimaciones de probabilidad subjetiva. El pronóstico crítico se utiliza en los casos en que faltan datos históricos o durante condiciones de mercado completamente nuevas y únicas. ^[23]

Los métodos de juicio incluyen:

• Pronósticos compuestos ^{[ cita necesaria ]}
• Método de Cooke ^{[ cita necesaria ]}
• método Delphi
• Pronóstico por analogía
• Construcción de escenarios
• Encuestas estadísticas
• Previsión tecnológica

Métodos de inteligencia artificial

• Redes neuronales artificiales
• Método grupal de manejo de datos.
• Máquinas de vectores de soporte

A menudo esto se hace hoy en día mediante programas especializados vagamente etiquetados

• Procesamiento de datos
• Aprendizaje automático
• Reconocimiento de patrones

Extrapolación geométrica con predicción de errores.

Se puede crear con 3 puntos de una secuencia y el "momento" o "índice". Este tipo de extrapolación tiene un 100% de precisión en las predicciones en un gran porcentaje de bases de datos de series conocidas (OEIS). ^[24]

Otros metodos

• Causalidad de Granger
• Simulación
• Mercado de predicción
• Previsión probabilística y previsión por conjuntos.

Precisión de pronóstico

El error de pronóstico (también conocido como residual ) es la diferencia entre el valor real y el valor pronosticado para el período correspondiente:

${\displaystyle \ E_{t}=Y_{t}-F_{t}}$

donde E es el error de pronóstico en el período t, Y es el valor real en el período t y F es el pronóstico para el período t.

Un buen método de pronóstico producirá residuos que no están correlacionados . Si existen correlaciones entre los valores residuales, entonces queda información en los residuos que debería utilizarse para calcular los pronósticos. Esto se puede lograr calculando el valor esperado de un residuo como función de los residuos pasados ​​conocidos y ajustando el pronóstico por la cantidad en la que este valor esperado difiere de cero.

Un buen método de pronóstico también tendrá media cero . Si los residuos tienen una media distinta de cero, entonces los pronósticos están sesgados y pueden mejorarse ajustando la técnica de pronóstico mediante una constante aditiva que sea igual a la media de los residuos no ajustados.

Medidas de error agregado:

Errores dependientes de escala

El error de pronóstico, E, está en la misma escala que los datos, por lo que estas medidas de precisión dependen de la escala y no se pueden utilizar para hacer comparaciones entre series en diferentes escalas.

Error absoluto medio (MAE) o desviación absoluta media (MAD): ${\displaystyle \ MAE=MAD={\frac {\sum _{t=1}^{N}|E_{t}|}{N}}}$

Error cuadrático medio (MSE) o error de predicción cuadrático medio (MSPE): ${\displaystyle \ MSE=MSPE={\frac {\sum _{t=1}^{N}{E_{t}^{2}}}{N}}}$

Error cuadrático medio (RMSE): ${\displaystyle \ RMSE={\sqrt {\frac {\sum _{t=1}^{N}{E_{t}^{2}}}{N}}}}$

Promedio de Errores (E): ${\displaystyle \ {\bar {E}}={\frac {\sum _{i=1}^{N}{E_{i}}}{N}}}$

Errores porcentuales

Se utilizan con más frecuencia para comparar el rendimiento de las previsiones entre diferentes conjuntos de datos porque son independientes de la escala. Sin embargo, tienen la desventaja de ser extremadamente grandes o indefinidos si Y es cercano o igual a cero.

Error porcentual absoluto medio (MAPE): ${\displaystyle \ MAPE=100*{\frac {\sum _{t=1}^{N}|{\frac {E_{t}}{Y_{t}}}|}{N}}}$

Desviación porcentual absoluta media (MAPD): ${\displaystyle \ MAPD={\frac {\sum _{t=1}^{N}|E_{t}|}{\sum _{t=1}^{N}|Y_{t}|}}}$

Errores escalados

Hyndman y Koehler (2006) propusieron utilizar errores escalados como alternativa a los errores porcentuales.

Error escalado absoluto medio (MASE): ${\displaystyle MASE={\frac {\sum _{t=1}^{N}|{\frac {E_{t}}{{\frac {1}{N-m}}\sum _{t=m+1}^{N}|Y_{t}-Y_{t-m}|}}|}{N}}}$

donde m = período estacional o 1 si no estacional

Otras medidas

Habilidad de pronóstico (SS): ${\displaystyle \ SS=1-{\frac {MSE_{forecast}}{MSE_{ref}}}}$

Los pronosticadores y profesionales de negocios a veces utilizan terminología diferente. Se refieren al PMAD como MAPE, aunque lo calculan como un MAPE ponderado por volumen. Para obtener más información, consulte Cálculo de la precisión del pronóstico de la demanda .

Al comparar la precisión de diferentes métodos de pronóstico en un conjunto de datos específico, las medidas de error agregado se comparan entre sí y se prefiere el método que produzca el menor error.

Conjuntos de entrenamiento y prueba.

Al evaluar la calidad de los pronósticos, no es válido observar qué tan bien se ajusta un modelo a los datos históricos; La precisión de los pronósticos sólo puede determinarse considerando qué tan bien se desempeña un modelo con datos nuevos que no se utilizaron al ajustar el modelo. Al elegir modelos, es común utilizar una parte de los datos disponibles para el ajuste y utilizar el resto de los datos para probar el modelo, como se hizo en los ejemplos anteriores. ^[25]

Validación cruzada

La validación cruzada es una versión más sofisticada del entrenamiento de un conjunto de pruebas.

Para datos transversales , un enfoque de validación cruzada funciona de la siguiente manera:

1. Seleccione la observación i para el conjunto de prueba y utilice las observaciones restantes en el conjunto de entrenamiento. Calcule el error en la observación de la prueba.
2. Repita el paso anterior para i = 1,2,..., N donde N es el número total de observaciones.
3. Calcule las medidas de precisión del pronóstico en función de los errores obtenidos.

Esto hace un uso eficiente de los datos disponibles, ya que solo se omite una observación en cada paso.

Para datos de series de tiempo, el conjunto de entrenamiento solo puede incluir observaciones anteriores al conjunto de prueba. Por lo tanto, no se pueden utilizar observaciones futuras para construir el pronóstico. Supongamos que se necesitan k observaciones para producir un pronóstico confiable; entonces el proceso funciona de la siguiente manera:

1. Comenzando con i =1, seleccione la observación k + i para el conjunto de prueba y use las observaciones en los momentos 1, 2, ..., k+i –1 para estimar el modelo de pronóstico. Calcule el error en el pronóstico para k+i .
2. Repita el paso anterior para i = 2,..., T–k donde T es el número total de observaciones.
3. Calcule la precisión del pronóstico sobre todos los errores.

Este procedimiento a veces se conoce como "origen de pronóstico móvil" porque el "origen" ( k+i -1) en el que se basa el pronóstico avanza en el tiempo. ^[25] Además, se pueden calcular pronósticos de dos pasos adelante o, en general, p -paso adelante pronosticando primero el valor inmediatamente después del conjunto de entrenamiento, luego usando este valor con los valores del conjunto de entrenamiento para pronosticar dos períodos adelante, etc.

Ver también

• Calcular la precisión del pronóstico de la demanda
• Previsiones de consenso
• Error de pronóstico
• Previsibilidad
• Intervalos de predicción , similares a los intervalos de confianza.
• Previsión de clases de referencia

Estacionalidad y comportamiento cíclico.

Estacionalidad

La estacionalidad es una característica de una serie temporal en la que los datos experimentan cambios regulares y predecibles que se repiten cada año calendario. Se puede decir que cualquier cambio o patrón predecible en una serie temporal que se repite o se repite durante un período de un año es estacional. Es común en muchas situaciones –como en la tienda de comestibles ^[26] o incluso en el consultorio de un médico forense ^[27] —que la demanda dependa del día de la semana. En tales situaciones, el procedimiento de pronóstico calcula el índice estacional de la "temporada" (siete temporadas, una para cada día) que es la relación de la demanda promedio de esa temporada (que se calcula mediante media móvil o suavizado exponencial utilizando datos históricos correspondientes). solo para esa temporada) a la demanda promedio en todas las temporadas. Un índice superior a 1 indica que la demanda es superior a la media; un índice menor que 1 indica que la demanda es menor que el promedio.

Comportamiento cíclico

El comportamiento cíclico de los datos se produce cuando se producen fluctuaciones regulares en los datos, que normalmente duran un intervalo de al menos dos años, y cuando la duración del ciclo actual no puede predeterminarse. El comportamiento cíclico no debe confundirse con el comportamiento estacional. Las fluctuaciones estacionales siguen un patrón constante cada año, por lo que siempre se conoce el período. Por ejemplo, durante el período navideño, los inventarios de las tiendas tienden a aumentar para prepararse para los compradores navideños. Como ejemplo de comportamiento cíclico, la población de un ecosistema natural particular exhibirá un comportamiento cíclico cuando la población disminuye a medida que disminuye su fuente natural de alimento, y una vez que la población es baja, la fuente de alimento se recuperará y la población comenzará a aumentar nuevamente. Los datos cíclicos no pueden contabilizarse utilizando el ajuste estacional ordinario ya que no son de período fijo.

Limitaciones

Las limitaciones plantean barreras más allá de las cuales los métodos de pronóstico no pueden predecir de manera confiable. Hay muchos eventos y valores que no se pueden pronosticar de manera confiable. Eventos como la tirada de un dado o los resultados de la lotería no se pueden pronosticar porque son eventos aleatorios y no existe una relación significativa en los datos. Cuando los factores que conducen a lo que se pronostica no se conocen o no se comprenden bien, como en los mercados bursátiles y de divisas, los pronósticos a menudo son inexactos o incorrectos porque no hay suficientes datos sobre todo lo que afecta a estos mercados para que los pronósticos sean confiables, en Además, los resultados de los pronósticos de estos mercados cambian el comportamiento de quienes participan en el mercado, lo que reduce aún más la precisión de los pronósticos. ^[2]

El concepto de "predicciones autodestructivas" se refiere a la forma en que algunas predicciones pueden socavarse a sí mismas al influir en el comportamiento social. ^[28] Esto se debe a que "los predictores son parte del contexto social sobre el cual están tratando de hacer una predicción y pueden influir en ese contexto en el proceso". ^[28] Por ejemplo, un pronóstico de que un gran porcentaje de una población se infectará con el VIH basándose en las tendencias existentes puede hacer que más personas eviten conductas de riesgo y, por lo tanto, reduzcan la tasa de infección por el VIH, invalidando el pronóstico (que podría haber seguido siendo correcto si no había sido conocido públicamente). O bien, una predicción de que la ciberseguridad se convertirá en un problema importante puede hacer que las organizaciones implementen más medidas de seguridad cibernética, limitando así el problema.

Límites de rendimiento de las ecuaciones de dinámica de fluidos.

Como propuso Edward Lorenz en 1963, los pronósticos meteorológicos a largo plazo, aquellos realizados en un rango de dos semanas o más, son imposibles de predecir definitivamente el estado de la atmósfera, debido a la naturaleza caótica de las ecuaciones de dinámica de fluidos involucradas. Los errores extremadamente pequeños en los datos iniciales, como temperaturas y vientos, dentro de los modelos numéricos se duplican cada cinco días. ^[29]

Ver también

• Acelerando el cambio
• Previsión de flujo de caja
• Cliodinámica
• Planificación Colaborativa, Previsión y Reposición
• Lluvia de ideas apoyada por computadora
• Predicción de terremotos
• Previsión económica
• Previsión energética
• Sesgo de pronóstico
• Previsión (estudios futuros)
• Espectro de frecuencia
• Estudios de futuros
• Futurología
• Ola de Kondratiev
• mínimos cuadrados
• Análisis espectral de mínimos cuadrados
• Sesgo de optimismo
• Planificación
• Predicción
• Análisis predictivo
• Gestión de riesgos
• Planificación de escenarios
• Ola de gasto
• Previsión estratégica
• Previsión tecnológica
• Trampa de Tucídides
• Series de tiempo
• Predicción del tiempo
• Previsión de energía eólica

Referencias

1. Francés, Jordania (2017). "El CAPM del viajero en el tiempo". Revista de analistas de inversiones . 46 (2): 81–96. doi :10.1080/10293523.2016.1255469. S2CID  157962452.
2. Previsión: principios y práctica.
3. Helena Allen; Mark P. Taylor (1990). "Gráficos, ruido y fundamentos en el mercado de divisas de Londres". La Revista Económica . 100 (400): 49–59. doi :10.2307/2234183. JSTOR  2234183.
4. Libra esterlina en vivo. "Previsión del euro de investigadores institucionales", una lista de previsiones de tipos de cambio recopiladas que abarcan análisis técnicos y fundamentales del mercado de divisas.
5. T. Chadefaux (2014). "Señales de alerta temprana de guerra en las noticias". Revista de Investigación para la Paz, 51(1), 5-18
6. J. Scott Armstrong; Kesten C. Verde; Andreas Gräfe (2010). "Respuestas a preguntas frecuentes" (PDF) . Archivado desde el original (PDF) el 11 de julio de 2012 . Consultado el 23 de enero de 2012 .
7. Kesten C. Greene; J. Scott Armstrong (2007). "El Defensor del Pueblo: valor de la experiencia para pronosticar decisiones en conflictos" (PDF) . Interfaces : 1–12. Archivado desde el original (PDF) el 20 de junio de 2010 . Consultado el 29 de diciembre de 2011 .
8. Kesten C. Verde; J. Scott Armstrong (1975). "Pensamiento de roles: ponerse en el lugar de otras personas para pronosticar decisiones en conflictos". Revista internacional de previsión . 39 : 111-116. SSRN  1596623.
9. "Preguntas frecuentes". Forecastingprinciples.com. 14 de febrero de 1998 . Consultado el 28 de agosto de 2012 .
10. "Árbol de selección". Forecastingprinciples.com. 14 de febrero de 1998 . Consultado el 28 de agosto de 2012 .
11. J. Scott Armstrong (1983). "Precisión relativa de los métodos de juicio y extrapolación en la previsión de ganancias anuales" (PDF) . Revista de previsión . 2 (4): 437–447. doi : 10.1002/for.3980020411. S2CID  16462529.
12. Departamento de Energía, Proyecto de mejora de la previsión eólica (WFIP): una asociación público-privada que aborda las necesidades de previsión de la energía eólica, publicado el 30 de octubre de 2015, consultado el 9 de diciembre de 2022.
13. Logility, Inc. (2016), Beyond Basic Forecasting, consultado el 9 de diciembre de 2022.
14. Mahmud, Tahmida; Hasan, Mahmudul; Chakraborty, Anirban; Roy-Chowdhury, Amit (19 de agosto de 2016). Un modelo de proceso de Poisson para la previsión de actividades . Conferencia internacional IEEE 2016 sobre procesamiento de imágenes (ICIP). IEEE. doi :10.1109/ICIP.2016.7532978.
15. Li, Rita Yi Man; Fong, Simón; Chong, Kyle Weng Sang (2017). "Previsión de los REIT y los índices bursátiles: método grupal de manejo de datos, enfoque de red neuronal". Revista de investigación de propiedades de Pacific Rim . 23 (2): 123–160. doi :10.1080/14445921.2016.1225149. S2CID  157150897.
16. Hyndman, Rob J; Atanasopoulos, George. "2.3 Algunos métodos de previsión sencillos". Previsión: principios y práctica . OTextos. Archivado desde el original el 13 de agosto de 2017 . Consultado el 16 de marzo de 2018 .
17. Agacharse, Ruedi; Orlando, Giuseppe; Búfalo, Michele; Della Rossa, Fabio (2022-11-18). "Explotación de características deterministas en datos aparentemente estocásticos". Informes científicos . 12 (1): 19843. Código bibliográfico : 2022NatSR..1219843S. doi : 10.1038/s41598-022-23212-x . hdl : 11311/1233353 . ISSN  2045-2322. PMC 9674651 . PMID  36400910. 
18. Orlando, Giuseppe; Búfalo, Michele; Agacharse, Ruedi (1 de febrero de 2022). "Aspectos deterministas de los mercados financieros modelados mediante una ecuación de baja dimensión". Informes científicos . 12 (1): 1693. Bibcode : 2022NatSR..12.1693O. doi : 10.1038/s41598-022-05765-z . hdl : 20.500.11850/531723 . ISSN  2045-2322. PMID  35105929.
19. Steven Nahmias; Tava Lennon Olsen (15 de enero de 2015). Análisis de producción y operaciones: séptima edición. Prensa Waveland. ISBN 978-1-4786-2824-8.
20. Ellis, Kimberly (2008). Planificación de la producción y control de inventarios Virginia Tech . McGraw-Hill. ISBN 978-0-390-87106-0.
21. J. Scott Armstrong y Fred Collopy (1992). "Medidas de error para generalizar sobre métodos de pronóstico: comparaciones empíricas" (PDF) . Revista internacional de previsión . 8 : 69–80. CiteSeerX 10.1.1.423.508 . doi :10.1016/0169-2070(92)90008-w. Archivado desde el original (PDF) el 6 de febrero de 2012. 
22. 16. Li, Rita Yi Man, Fong, S., Chong, WS (2017) Previsión de los REIT y los índices bursátiles: método grupal de manejo de datos, enfoque de red neuronal, Pacific Rim Property Research Journal, 23 (2), 1-38
23. Hyndman, Rob J; Atanasopoulos, George. "3.1 Introducción". Previsión: principios y práctica . OTextos . Consultado el 16 de marzo de 2018 .
24. V. Nos (2 de junio de 2021). "Probnet: extrapolación geométrica de secuencias enteras con predicción de errores". Hackeo . Haskell.org. Archivado desde el original el 14 de agosto de 2022 . Consultado el 6 de diciembre de 2022 .
25. 2.5 Evaluación de la precisión del pronóstico | OTextos . Consultado el 14 de mayo de 2016 . {{cite book}}: |website=ignorado ( ayuda )
26. Erhun, F.; Tayur, S. (2003). "Optimización del costo total de descarga en toda la empresa en un minorista de comestibles". La investigación de operaciones . 51 (3): 343. doi : 10.1287/opre.51.3.343.14953 .
27. Omalu, BI; Shakir, AM; Lindner, JL; Tayur, SR (2007). "La previsión como herramienta de gestión de operaciones en un consultorio médico forense". Revista de Gestión Sanitaria . 9 : 75–84. doi :10.1177/097206340700900105. S2CID  73325253.
28. Overland, Indra (1 de marzo de 2019). "La geopolítica de las energías renovables: desacreditando cuatro mitos emergentes". Investigación energética y ciencias sociales . 49 : 36–40. doi : 10.1016/j.erss.2018.10.018 . ISSN  2214-6296.
29. Cox, John D. (2002). Vigilantes de tormentas . John Wiley & Sons, Inc. págs. 222–224. ISBN 978-0-471-38108-2.

Fuentes

• Armstrong, J. Scott , ed. (2001). Principios de previsión: un manual para investigadores y profesionales . Norwell, Massachusetts: Kluwer Academic Publishers. ISBN 978-0-7923-7930-0.
• Ellis, Kimberly (2010). Planificación de la Producción y Control de Inventarios . McGraw-Hill. ISBN 978-0-412-03471-8.
• Geisser, Seymour (junio de 1993). Inferencia predictiva: una introducción . Chapman y Hall, CRC Press. ISBN 978-0-390-87106-0.
• Gilchrist, Warren (1976). Previsión estadística . Londres: John Wiley & Sons. ISBN 978-0-471-99403-9.
• Hyndman, Rob J .; Koehler, Anne B. (octubre-diciembre de 2006). "Otra mirada a las medidas de precisión de los pronósticos" (PDF) . Revista internacional de previsión . 22 (4): 679–688. CiteSeerX  10.1.1.154.9771 . doi : 10.1016/j.ijforecast.2006.03.001.
• Makridakis, Spyros; Wheelwrigt, Steven; Hyndman, Rob J. (1998). Previsión: métodos y aplicaciones . John Wiley e hijos. ISBN 978-0-471-53233-0.
• Malakooti, ​​Behnam (febrero de 2014). Operaciones y Sistemas de Producción con Múltiples Objetivos . John Wiley e hijos. ISBN 978-0-470-03732-4.
• Kaligasidis, Ángela Sasic; Taesler, Roger; Andersson, Cari; Nord, Margitta (agosto de 2006). "Control mejorado del pronóstico del tiempo de los sistemas de calefacción de edificios". En Fazio, Paul (ed.). Investigación en Física de la Edificación e Ingeniería de la Edificación . Taylor y Francis, Prensa CRC. págs. 951–958. ISBN 978-0-415-41675-7.
• Kress, George J.; Snyder, John (mayo de 1994). Técnicas de previsión y análisis de mercado: un enfoque práctico . Libros de quórum. ISBN 978-0-89930-835-7.
• Rescher, Nicolás (1998). Predecir el futuro: una introducción a la teoría de la previsión . Prensa de la Universidad Estatal de Nueva York. ISBN 978-0-7914-3553-3.
• Taesler, Roger (1991). "Gestión del clima y la energía de los edificios". Energía y Edificación . 15 (1–2): 599–608. Código Bib :1991EneBu..16..599T. doi :10.1016/0378-7788(91)90028-2.
• Turchin, Peter (2007). "Predicción científica en sociología histórica: Ibn Khaldun se encuentra con Al Saud". Historia y Matemáticas: Dinámica histórica y desarrollo de sociedades complejas . Moscú: KomKniga. págs. 9–38. ISBN 978-5-484-01002-8.
• Patente estadounidense 6098893, Berglund, Ulf Stefan & Lundberg, Bjorn Henry, "Sistema de control de confort que incorpora datos de previsión meteorológica y un método para operar dicho sistema", expedida el 8 de agosto de 2000  .

enlaces externos

• Medios relacionados con la predicción en Wikimedia Commons
• Principios de previsión: "Previsión basada en evidencia"
• Instituto Internacional de Pronosticadores
• Introducción al análisis de series de tiempo (Manual de estadísticas de ingeniería): una guía práctica para el análisis y la previsión de series de tiempo
• Análisis de series temporales
• Pronóstico global con FI
• Investigación de precursores electromagnéticos de terremotos
• Ciencia de la previsión y teoría de la previsión.