Please enable JavaScript.
Coggle requires JavaScript to display documents.
3.3 Series de tiempo. - Coggle Diagram
3.3 Series de tiempo.
El análisis de series de tiempo es una técnica utilizada para analizar datos que se recogen en intervalos de tiempo sucesivos. Es útil para identificar patrones, tendencias y estacionalidades en los datos, así como para hacer pronósticos futuros.
En Python, las bibliotecas pandas y statsmodels son comúnmente utilizadas para el análisis de series de tiempo.
-
-
Implementación en Python
-
-
-
dates = pd.date_range(start='2018-01-01', periods=60, freq='M')
data = np.random.normal(loc=200, scale=20, size=60) + np.arange(60) * 5 # Tendencia positiva
data += 20 np.sin(np.linspace(0, 3 np.pi, 60)) # Añadir estacionalidad
df = pd.DataFrame({'Fecha': dates, 'Ventas': data})
df.set_index('Fecha', inplace=True)
-
-
result = seasonal_decompose(df['Ventas'], model='additive')
-
-
model = ExponentialSmoothing(df['Ventas'], trend='add', seasonal='add', seasonal_periods=12).fit()
-
df[['Ventas', 'Pronóstico_HW']].plot(title='Suavizamiento Exponencial Holt-Winters')
-
model_arima = ARIMA(df['Ventas'], order=(5, 1, 0))
-
-
df[['Ventas', 'Pronóstico_ARIMA']].plot(title='Modelo ARIMA')
-
-
-
error = mean_squared_error(df['Ventas'], df['Pronóstico_ARIMA'])
-