00:00:30:02 Somos un equipo autogestionado, responsable, proactivo y autónomo, con gran compromiso social, aportando el pensamiento científico y el desarrollo latinoamericano, promoviendo el uso de software para investigación en todas las áreas del conocimiento. Generamos contenido de alta calidad teniendo en cuenta las distintas necesidades del mercado.

00:00:55:16 Realizamos actividades gratuitas constantemente. Abordamos temáticas vigentes, aplicaciones especializadas y elementos metodológicos que te permiten interactuar y generar redes para la difusión de tus proyectos. Contamos con servicio de asesoría, consultoría y acompañamiento personalizado, certificaciones internacionales, entrenamientos especializados y talleres prácticos.

00:01:16:12 Nuestro principal objetivo es promover el uso de tecnología en el campo investigativo, generando un impacto significativo en la región y de esta forma contribuir a la creación de comunidad para compartir conocimiento. Te invitamos a ser parte de este gran equipo Software Shop.

00:01:44:04 Visita nuestra página web y conoce nuestros servicios. Software Shop, la empresa líder en la implementación de herramientas analíticas y software especializado en Latinoamérica, les da la bienvenida a esta presentación. El día de hoy contamos con el acompañamiento de Yair Eduardo Rocha, Ingeniero Industrial y Maestría en Ingeniería Industrial, con mención en Producción e Investigación de Operaciones de la

00:02:07:20 Universidad Distrital Francisco José de Caldas en Colombia. Estudios de Maestría en Ingeniería con Mención en Logística en la Pontificia Universidad Javeriana y Estudios Doctorales en Ingeniería en la Universidad de Carabobo. Actualmente es docente de planta del Departamento de Ingeniería de Sistemas e Industrial de la Universidad Nacional de Colombia, Director del Laboratorio de Logística e investigador del Grupo

00:02:27:01 PRO en esta misma institución. Investigador junior y evaluador de proyectos reconocidos por el Ministerio de Ciencia y Tecnología. Bienvenidos. Buenos días para todos. Lamento la tardanza. Mi problema técnicos que a veces se presentan. Muchas gracias por continuar. Y bueno.

00:02:49:13 Como se arranca el día de hoy? Bueno, entonces en el segundo trabajare un tema que se llama Construcción de modelos de pronósticos con apoyo de esta gráfica. Desde esta construcción de modelos de pronóstico, vamos a intentar mostrar cómo esta clase nos va a permitir establecer o realizar algunas pruebas estadísticas.

00:03:10:08 A través de qué? De la construcción o para validar y para hacer el análisis de datos que se requieren para pronósticos? Entonces iniciamos hablando de que es un pronóstico. Entonces un pronóstico es un método para decidir entre futuros, con el fin de tomar decisiones adecuadas para encarar la incertidumbre que existe en los eventos a futuro.

00:03:30:18 Desde ese punto de vista, pues un pronóstico no es pues básicamente es una. Intenta pues un método que intenta predecir comportamientos futuros y que intenta hacer inferencias sobre lo que pueden pasar en el futuro a partir del conocimiento del pasado, a partir de la proyección hacia adelante, hacia el, hacia el futuro.

00:03:55:01 Dependiendo de eso, pues vamos a tener diferentes métodos, muchos, muchos métodos diferentes que pueden estar en este proceso y como usted lo sabe, en ese proceso incluye estudios de datos históricos. Es también, perdónenme datos históricos, patrones, tendencias. Eso es lo que uno busca hacer con estos análisis estadístico, descubrir cuáles son los patrones, cuáles son las tendencias que

00:04:13:08 tiene la historia. Dado que generalmente. En los eventos o las variables en el tiempo vuelven a tener o van a tener ciclos o van a ser cíclicas en el tiempo. Entonces yo con los culpa voy a terminar esas esas tendencias y puedo determinar las, los los patrones.

00:04:33:19 Entonces a futuro podría realizar estos eventos para predecir el futuro a partir del conocimiento. Además de eso. De qué es lo que uno necesita. Entonces hay unos modelos de pronóstico. Como les decía, en próximos modelos de pronóstico van a tener muchos elementos diferentes.

00:04:52:16 Pero esos modelos diferentes de próximos van a estar en función a una de las clasificaciones que existen. Van a estar de acuerdo al proceso de análisis de los datos de entrada disponibles. Entonces, el primero, lo primero que vamos a hacer es que si no existen datos y no es posible realizar la información cuando se acude a los

00:05:09:23 modelos cualitativos, esos modelos cualitativos no sirven para establecer tendencias futuras. Cuando se presenta de esta forma, resultado nuevos proyectos, nuevos o no existen, o puede ser que ya sean procesos que llevan algún tiempo, algunas características en algún tiempo.

00:05:24:18 Pero no existe información de cada y no es posible en este momento una recolección para obtener una cantidad de datos adecuada para hacer el pronóstico sobre los modelos causales es cuando existen datos y es posible probar una relación causa efecto.

00:05:41:14 Esto en términos simples, que es lo que muestra la estadística, muestra lo que aún si es establecer como tres variables independientes y las variables dependientes y esas variables independientes son unas que van a poder o a través de ellas vamos a poder predecir en la dependencia.

00:05:58:00 Hoy vamos a trabajar algunos modelos cuando se trabaja con modelos de estos tipos causales y vamos a ir con 1/3. Cuando no existe una relación de causa y efecto con otras variables, a excepción del tiempo y el sistema que antes, vamos a hablar de modelos de seno y del tiempo.

00:06:13:09 Estos modelos de series de tiempos, entonces lo que hacen es que cada variable tiene un comportamiento que se rige por comportamientos temporales o que se van dando a través del tiempo. Entonces, a partir de eso vamos a ir trabajando.

00:06:30:06 Cómo entonces? En este. En este pliegue podemos ver un proceso para el análisis de datos para pruebas donde tenemos un qué? Iniciamos con una necesidad, el pronóstico de esa necesidad. El pronóstico tiene que ver o tiene que establecerse a través de qué?

00:06:49:05 De si es necesario el pronóstico? Si el pronóstico no es necesario, sin riesgos. Ya se tomó una decisión el no es necesario hacer un pronóstico. Si el pronóstico es necesario, es lo primero que tendríamos que mirar. Como les decía que si existen datos históricos o es que existe la posibilidad de recolectarlos, si no existen y no existen

00:07:06:19 datos, entonces le creemos aquí con técnicas cualitativas. Ahora bien, si se puede ver si existen los datos y además de eso, se pueden recolectar de manera adecuada. Vamos a irnos a un análisis de datos y ese análisis de datos va a arrancar o inicia para cualquier tipo de variable.

00:07:25:01 Ahora, buscando al que quisiera llamar la independencia interna, esta independencia ínter variable se llama correlación o lo vamos a hacer a través de índice de correlación, teniendo muy en claro que la correlación no muestra una acción de causa efecto, sino el grado de aparición de las variables.

00:07:37:04 Entonces, en un momento les muestro cómo se hace y vamos a hablar un poquito de eso. Es si la independencia entre lo interpretable no se da. Es decir, si ponemos en un dependiente, vamos a hablar de unas técnicas causales.

00:07:50:12 Esas técnicas causales son regresión lineal, regresión lineal múltiple y otros tipos de regresiones. Pues vamos a trabajar en dos primeros elementos de regresión lineal y regresión importante, porque una vez que esa independencia sea, vamos a ir al de autoridad.

00:08:10:18 Pero ese es un caso que vamos a trabajar con Enrique cuatro. Entonces arranquemos en Materno vamos a tener un primer ejemplo el día de hoy, en el cual vamos a decir que una generación, una tienda de productos para construcción de colocar una orden de accesorios de plomería para vender y es crítico saber cuando veo qué cantidad se

00:08:24:06 va a colocar. Por qué? Porque si ya compran más de lo que se venden, estos excedentes son opciones. Representa dinero que la empresa no puede invertir en otro tipo de productos o en ampliar su portafolio de productos o invertirlos en otras en otras partes.

00:08:39:17 Ahora, si ordena muy pocos, pues las ventas se van a perder en favor de los competidores y va a haber un costo de pérdida, un puesto de oportunidad por ventas prácticas. Esta persona o esta gerente sabe que es un 94% de los accesorios son para casos nuevos.

00:08:57:19 Entonces, cuando uno tiene sus empresas, llamémosle así, sabe o conoce o puede terminar esas influencias, pues una muy buena forma de hacerlo es de hacer pronósticos atrás de un nivel de conciencia. De esta manera se piensa que el método de pronóstico puede incluir el número de permisos para casas nuevas de gracia.

00:09:12:17 Usualmente la instalación de ascensores se realizó un mes después de la aprobación del permiso. Entonces, qué pasa acá? Esto es bien importante que tengamos en cuenta por qué? Porque siempre en este gráfico, con esa parte de la experiencia, vamos a partir del análisis de.

00:09:32:10 Entonces, a partir de ese análisis de la actuación, intervención en escena en esta tabla, esperamos que enero en el año 2000 23 de diciembre 2022 tenemos el número de permisos que sea cual sea el número de permisos está asociado a que a la venta de accesorios y accesorios.

00:09:49:23 Entonces tenemos que febrero es un mes después el número de accesorios que se ha vendido. Entonces, desde ese punto de vista, qué pasa? Tenemos entonces que o vamos a examinar los supuestos para hacer un modelo fuera un modelo, hay que elegir un modelo de pronóstico a través de efectos causales.

00:10:06:11 Cómo lo realizamos? Entonces lo primero que vamos a hacer es ponernos al menú de gráficos. Gráficos menú gráfico. En esta gráfica vamos a ir a dos dimensiones y a partir de eso le pedimos entonces una parte de la presentación un momentico y arrancamos acá.

00:10:22:12 Entonces este es stock gratis, ya está abierto. Obviamente tenemos aquí una fuente de datos en esta frontera tenemos la revista que es un archivo de datos de esta gráfica y una. Y tenemos varios archivos en esta carpeta. Hacemos regresión.

00:10:39:00 Siempre le decimos abrir. Entonces, para esta primera o para este primer ejercicio que vamos a tener el día de hoy, tenemos entonces una colección de datos en la cual vamos a tener varios elementos, pero vamos a tener una variable que se llama mes de permiso y es una variable de fecha.

00:10:54:19 Esa variable de fecha que cuando ustedes dan eléctrica acá lo podemos hacer por fecha o por mes, en este caso es mes. Entonces nos va a dejar incluir en la ponderación o en el primer término, nos va a dejar incluido el número o la nomenclatura del mes y el año que vamos a tener.

00:11:12:11 Para el caso que estamos trabajando, entonces, en este caso ya me permití tener los datos ingresados. Vamos a tener los últimos dos años que son 24 meses. Vamos desde el enero de 2021 hasta diciembre de 2006. Ese número de permiso entonces va cambiando.

00:11:28:11 Si este lo mandan, se van dando cuenta, va cambiando a través del tiempo y tenemos un mes de venta de los accesorios, como nos decía que era un mes después. Entonces que pasa después? Si aquí se dan los permisos, sabemos que las compras de accesorios para banners se van a dar un mes después de que se dieran

00:11:54:08 el mes de febrero de los clientes para otro. Entonces licencias y ya sabemos que vamos a hacer. Todo lo primero que uno haría sería establecer un tráfico. De relación. Entonces en este caso que vamos a tener como queremos pronosticar la venta de accesorios, esa sería qué mes de venta accesorio nuestra variable eye y perdón de ventas que

00:12:20:02 sabiendo. Discúlpeme. Número accesorio sería nuestra variable y número de permiso será nuestra variable base. Entonces, en este primer gráfico que es un gráfico de dispersión, podemos notar que existe una relación directamente proporcional entre las dos variables, es decir, existe un crecimiento y nos va a permitir o no, o este este como el gráfico nos da un indicio

00:12:38:13 que podría existir una relación entre las premisas que ubica o que otorga a la ciudad para realizar casas nuevas frente al número de que de acceso depende y es mayor sea el número de de permisos, pues mayor va a ser el número de accesos.

00:12:53:12 Entonces parece que hay una relación. Tenemos un primer indicio a través de un método gráfico, un método no concluyente, pero un método gráfico. Ahora bien. Cuando venimos acá. Entonces podemos hacer esto de una manera diferente. Cómo lo vamos a hacer?

00:13:10:05 Entonces, una segunda forma es a través de qué? Del índice de correlaciones. Sabemos bien que el índice de correlación no muestra causa efecto en el sistema como lo muestra causa efecto en el sistema. Pero no, no vamos a poder probar intrínsecamente que existe una relación entre una variable x y una variable.

00:13:24:05 Pero la correlación sí nos va a medir que tanto se parecen los datos de una variable frente a la otra. Eso, en términos simples, lo que nos va a mostrar es una que una estimación a que si existe o no existe un grado de parecido.

00:13:44:03 Y por ese lado podemos estar relacionando, podríamos estar mirando independencia en tren entre variables. Además de cerciorarnos que la literatura no existe, estudios relacionados o que relacionen las dos variables o que la relación podría ser también depende lo que uno necesita.

00:14:09:14 Entonces vamos a que hay correlaciones con menos relacionar correlaciones y hay correlaciones, vamos a trabajar. Entonces nuevamente volvemos a esta gráfica. Entonces en este gráfico de Madrid vamos a relacionar vimos en relacionar correlaciones en correlaciones, antes concluir que todas las variables que yo tengo al incluir todas las variables que tengo.

00:14:29:01 Podemos hacer una especie de relación bastante adecuada. Le vamos a aceptar. Y en este caso tenemos tres letras completas o todos los datos que siempre vamos a tener casos completos, porque igual este tiempo lo vamos a crear. En este caso, las opciones que nos da para el análisis.

00:14:47:07 Esta gráficas incluye un resumen del análisis, un resumen estadístico, un intervalo de confianza, unas correlaciones, correlaciones de rango con varianzas y varianzas o que relaciones parciales y en las formas gráficas nos da matriz de dispersión. Gráficos de estrellas gráficas de rayas, de rayas.

00:15:09:05 Perdón, glifo y gráfico de correlación. Entonces podemos tener múltiples tipos. De qué? De tanto de análisis genéricos estadísticos, como análisis gráficos. Bueno, 450. En este caso, ustedes ven acá. Entonces. Qué es lo que vamos a tener entonces? Tenemos un análisis multi variado.

00:15:29:10 Entonces tenemos en el piso. Nos va a decir que lo que se está analizando y cómo lo vamos a hacer en este caso tendríamos el análisis, motivaría. Bueno, entonces vamos a venir aquí otra vez a hacerlo. Cinco o 6000 acá.

00:15:47:01 DesconocidoY volvemos ahora a nuestro sistema entero. Volvemos a análisis multi variable y aparece acá como resumen estadístico. En este caso, entonces nos genera una estadística de las variables mes de permiso, número de permisos, media de venta y número de acceso a cada uno de ellos.

00:16:07:12 Nuestro análisis estadístico tiene un recuento de cuántos datos que tuvieron un promedio de cada uno las variables, la desviación estándar, coeficiente de variación, los mínimos y los máximos, el rango, el sesgo estandarizado y la clasificación. Estos indicadores nos van a permitir realizar algunos elementos adicionales.

00:16:29:18 Como qué? Como análisis estadístico muy simples de carácter descriptivo. Bueno, vamos a que las correlaciones en este índice de correlaciones. Perdonen. Ahí está que las correlaciones firmes de permiso. Contra quién? Contra cada uno. Entonces el no ha correlación alta porque la misma variable en este caso está 0.0862.

00:16:42:21 El índice de correlación con el número de permiso. Eso quisiera decir que. Quisiera decir que es o que se tiene una relación o que no existe un grado de parecido entre el mes de permiso y el número de permisos.

00:16:56:00 De esta manera podemos ir mirando cada uno, por ejemplo, con el número de permisos o con el mes de venta de accesorios. Tres. Tenemos que ver que el mes de permiso de MTB esta accesorio nos dice que hay una correlación de uno.

00:17:18:03 Obviamente. Por qué? Porque los meses van creciendo y como están en fecha, pues se está viendo que van creciendo las opciones. Gracias. Parecidos de 100% cuadros contra el número de accesorios en el terreno 0.03 de indicaría en este caso que no existe un número de que no existiría una una grave parece.

00:17:35:22 Pero el número de accesorios contra el número de PER. Si usted no ve la gracia en una correlación muy alta es 0.1. El integral 14. Eso nos va a indicar es que existe o que tenemos que tenemos no presenta como tenemos, que estamos con palomitas de maíz.

00:17:49:18 Tenemos entonces que una alta correlación de accesorios y el número de permisos que son quiere decir es que existe un 99% de pares y entre los datos de accesorios y el número de permiso, es decir, existe un alto, parece que entre ventas variables.

00:18:10:02 Bueno. Así pues, tenemos el todos los índices de correlación. Y en caso de que nosotros tengamos algún problema o alguna forma, debe que o el establecimiento de una cual podemos medir acá pues esta exacta. Y si nos va a decir que lo que existe mírela por ser relación única entre las variables, entonces siempre se muestra entre paréntesis

00:18:23:16 el número de parejas de auto utilizadas para calcular cargas. El tercer número es es un lo que es un valor P, que es la prueba de significancia estadística. Entonces nos explica que haciendo en cada uno de los renglones al hacerlo de esa manera, qué pasa?

00:18:45:00 Que vamos a tener una completa o un triple fenómeno de qué? De variación, un fenómeno en el cual vamos a poder tomar. Pongamos, toma los diferentes variables por alguna razón nosotros o leer los diferentes análisis, resultados analíticos para tomar decisiones respecto a cómo vamos a hacer este tipo nuevo.

00:19:05:18 Entonces, debido a este 99 14, es que vamos a hacer un modelo de tipo causal como sucede en acá. Entonces tenemos un esquema gráfico correlacional y tenemos en este caso los gráficos correlacional. Es donde los rojos indican significancia o alta significancia.

00:19:27:03 Podemos también también tener memoria de otros elementos. Ahora tampoco creo que sea bueno, pues podemos medir variables también, pero bueno, desde ese punto de vista entonces, porque ya sabemos que sí existe y porque no es un grado parecido entre el número de acceso sobre el 20, así que el número de permisos otorgados por la siguiente.

00:19:52:17 Por favor, me encuentro completamente diferente. Simplemente discúlpame si en este momento estoy tratando de solucionar el ruido de fondo de tal vez les den una excusa al respecto. Bueno, sigamos y continuemos volviendo entonces nuevamente acá. Entonces tenemos nuevamente.

00:20:14:05 Discúlpeme. Volvemos acá, que en este caso antes tenemos correlaciones y volvemos acá. A dónde y cómo entonces? Como si no pudimos probar. Cómo podemos probar que existe una relación o que existe un grave parecido entre el número de accesorios de baño que van a comprar y el libro de permisos de la ciudad.

00:20:30:22 Entonces vamos a decidimos hacer un modelo relacional, el modelo de regresión simple que es me van a tener las dos variables. Entonces en este modelo de regresión siempre vamos a ir al menú relacional y vamos a ir al modelo de regresión en cinco minutos.

00:20:48:16 Cuando vamos acá vamos a hacer de la siguiente manera, entonces tenemos nuevamente nuestro sistema, nos vamos a quedar muy bien aquí en regresión simple y regresión simple. Entonces tenemos acá número de permisos. Número de accesorios será nuestra variable eje, que es nuestra variable precio.

00:21:11:00 Este número también sucede a nuestra variable X. Decimos aceptar cuando nos cuenta y nos dice qué tipo de regresiones podemos hacer entonces. Esta gráfica es un sistema que nos va a permitir un software que nos va a permitir realizar muchos tipos diferentes de regresiones para mantener siempre líneas lineales.

00:21:31:01 Raíz cuadrada exponencial de inversa cuadrada raíz cuadrada, árboles para explorar. Si ustedes se dan cuenta, podemos tener muchos tipos de regresiones diferentes. Esto me facilitó. Íbamos a tener algunos tipos de ajustes. Estos tipos de ajustes son solo mínimos cuadrados, o sea, el modelo tradicional de nariz cuadrados.

00:21:59:00 Realmente de una de esas desviaciones absolutas y utilizar meridianos de tres grupos. Ok, entonces cuando tenemos estas opciones de regresión simple y estos ajustes, podemos trabajar. Vamos a trabajar únicamente con una regresión lineal focalizada de este formulario. De esta manera vamos a sacar 76 38 dígitos en las opciones de el análisis numérico.

00:22:22:04 El análisis matemático se presenta. Entonces podemos obtener un resumen de análisis de la prueba apariencia física que hace usted para unos pronósticos para los residuos atípicos que podemos tener. Entonces son análisis matemático. Siguiendo el estándar con el micro gráfico, vamos a tener modelos de estado modelo observados mediante predicho los residuos versus X de los residuos al mínimo

00:22:39:17 . Los residuos entiéndase como errores en la la. La jerga que usa esta gráficos recibidos por su número de fila y el gráfico de probabilidades resultado aceptable positivo frente. En este caso. Entonces nosotros estamos teniendo un cartel de ahí.

00:23:00:11 Señora. Disculpe. Te interrumpo? Sí, sí, sí. Es que era un ruido de fondo. No es todo tipo que después de pronto está en otro lado. Esperamos unos minutos. Sí, un americano. Muy bien. Muy gracias por sus asistentes. Gracias.

00:23:17:15 Vamos a un minuto. Entonces intento. Y Carmen? Otro de la fila. Claro que sí. Nosotros te esperamos aquí con nuestros asistentes. Les pedimos unos minutos. Les recuerdo que esta grabación la podrán encontrar la próxima semana en nuestra página web para que ustedes la puedan revisar de nuevo.

00:23:35:17 Y aquí también van a poder encontrar otras presentaciones realizadas con el apoyo de esta clave para que ustedes también las revisen y estamos muy atentos si requieren información adicional sobre presentación, quizás de pronto para sus entidades o cotización del software.

00:24:02:02 Capacitación acá vía chat estamos dejando el correo electrónico donde nos pueden ubicar para mayores informes de licenciamiento y capacitación en este software. Agradecemos tu asistencia y les pedimos un minuto. Mientras nuestro instructor. Listo. Ahora, si me escuchan. Perfecto ya, hijo.

00:24:23:18 Claro que sí. Bueno, perfecto. Entonces continuemos. Continuando, entonces. Le estaba mostrando entonces aquí que tenemos un modelo de regresión simple. Se modelo regresión simplísimo. Simplemente una comprobación de grado de parecido. De grado de parecido que hicimos. Entonces establecimos que una variable de la variable entra acá.

00:24:42:14 En este caso llamamos número de permiso. Se parecía al número de accesorios, recordando nuevamente a partir del entonces qué pasó? Tenemos entonces un modelo de regresión simple. En este modelo de regresión simple como el de tipo lineal, sabemos que el modelo descriptor del pronóstico va a ser que igual a alfa más beta x, donde tenemos dos estimadores

00:24:59:21 Alfa es un estimador de constancia y Beta es un estimador de la pendiente. En ese caso entonces tenemos que que con un estimador con un método en mínimos cuadrados y trabajamos un intercepto 24.1665 y tenemos una pendiente de 1.28.

00:25:19:10 En términos simples, el intercepto es el estimador alfa, es decir, el estimador de la constante y el estimador de la pendiente que es beta. Para este caso es 1.18. Tenemos entonces el error estándar generado por el metodo de mínimos cuadrados para los intercepto se le esta y grafo T el valor P.

00:25:35:00 Además de eso, pues de nuestra estimación de coeficientes tenemos también la estimación o el análisis a no el análisis de varianza para los 24 datos. Cual nos va a mostrar el grado que tiene nuestro sistema o nuestro modelo de pronóstico?

00:25:54:17 En este caso a donde? A a la cada clase vamos a abrirlo acá para que lo puedan ver y entonces tenemos que con este sistema, con este modelo de pronóstico inspirado, entonces en una regresión lineal tenemos un coeficiente de correlación de 0.991317.

00:26:20:08 Es que no está midiendo que el valor pronosticado frente al valor real tiene un grado de parecido del 99.13% y tenemos una recuperada de 98.28%. Eso quiere decir es que yo podría explicar en un 98.2% los o las o las las las las cantidades pronosticado de venta de accesorios a través de el número de permisos otorgados.

00:26:39:07 Tenemos un error estándar del estudio. Tenemos un error absoluto medido de 9.48 no estadístico Torben Watson de cero de 1.86 o con valor P de 0.1333249 y una auto correlación en retrasos de en retraso de uno de 0.03.

00:26:57:15 Esta es la vamos a trabajar en rato. La otra correlación. Entonces, cuando uno va más abajo, las tareas va y se orienta. Si ustedes lo ven acá, ustedes encuentran inmediatamente que el número accesorio es la ecuación que escribe el número accesorio 24.16 más 1.82 por el número de permisos.

00:27:15:00 Puesto que el valor P en la tabla no es menor que cero cinco. Existe una relación estadísticamente significativa entre el número accesorio, el número de permisos con el nivel de confianza, el 95%. Si ustedes se dan cuenta, entonces él nos está mostrando que la interpretación de cada uno de los datos que van apareciendo acá.

00:27:39:15 Entonces, el error estándar del estimado indica que la desviación estándar de los residuos de 11.0 y así sucesivamente. Tenemos nuevamente. Entonces acá tenemos los valores predichos, tenemos un pronóstico de G. Tenemos son los valores de pronóstico de para pronosticar si los necesitan, un valor inferior o un valor superior, y con eso podemos ir trabajando.

00:27:57:08 Además de eso, vamos a tener unos valores gráficos acá. Y en estos valores gráficos está el gráfico del modelo ajustado. En este caso el modelo ajustado, ese número accesorio 24.16 más 1.82 por el número de permisos. En este caso ustedes lo ven acá y esa es la forma en la cual se está ajustando.

00:28:11:13 Tenemos aquí. Entonces el número de gráficos, entonces. Este es el observador. Este es el predicho. Y al hacerlo de esa manera, si ustedes se dan cuenta, hay muy buen ajuste entre los datos. Y no existen datos con mucho error.

00:28:26:19 Entonces, una forma muy gráfica, deberes. Y tenemos acá el gráfico de de los errores. Entonces aquí está blanco, esto es cero. Y entonces lo que tenemos es que dispersiones sobre cada uno de los elementos. Hasta ahí estamos claros.

00:28:58:14 No sé si habrá alguna pregunta hasta ahí. Hasta el momento no tenemos preguntas ya que. No hay ninguna pregunta en este momento? No, señor. Bueno, realmente. Bueno, entonces vamos a continuar. Entonces, en este caso, vamos a volver acá.

00:29:17:14 Tenemos entonces nuevamente nuestro sistema. Y desde ese punto de vista puede recordarnos los supuestos del modelo. Los supuestos del modelo es que existe una relación causa perfecto en este momento existe una relación causa efecto entre el número de permisos que se dan y el número de accesorios.

00:29:41:00 Esta es es como el supuesto principal del sistema. Probamos que existe un grado de parecido a través de correlación. Vimos a través de la gráfica podemos comprobar de una manera gráfica que existe esa manera de correlación y. Referirnos a la literatura para mostrar o para que exista un estudio correlacional donde nos muestre que estas dos variables tienen

00:29:58:14 parecido. Hasta ahí estamos claros. Ok, Yair, acá no se están preguntando que si puedes recordar los supuestos del modelo. Eso era lo que estaba haciendo. Ok, sí, dale. No, no hay problema. Los supuestos del análisis, por ejemplo, independencia de residuos.

00:30:27:19 Ok. Ok. Ok. Gracias. Bueno, entonces volvemos acá. Esta graphics necesita gráficas. Entonces tenemos entonces present simple. Entonces lo que estamos suponiendo. Estamos acá trabajando. Entonces cuando vamos acá a residuos para medio hacer acá, en este gráfico de residuos, que es lo que estamos viendo, estamos viendo que cada una de las observaciones está comparando contra quién?

00:30:48:09 Contra el valor observado. Entonces cuando hacemos el error, lo que hacemos generalmente es establecer la diferencia que existe entre el valor observado y el valor esperado. Quien es el valor observado? El valor observado es el valor real. El valor esperado es el valor que tiene o que es o que está calculado a través de quién?

00:31:02:08 De nuestra muestra nuestra función de pronóstico, en este caso ese. Ese que es, ese valor que se calcula a partir de esto, es lo que nos va a llevar a esta tabla, a esta tabla de error. Qué es lo que está indicando?

00:31:20:07 Que si el valor está por encima de cero, lo que está indicando es que que hay algo ahí está sobrevalorado. Nuestro gran subvalorado, nuestro pronóstico. Vuelvo y repito entonces es valor observado, menos valor esperado. Entonces, si esto es positivo, entonces el observado va a ser más grande que el esperado.

00:31:33:17 Entonces, en ese caso vamos a tener un pronóstico subvalorado si el valor es negativo, como en estos casos que tenemos acá, el valor va a ser sobrevalorado en nuestro pronóstico. Por qué? Porque va a indicar que el más grande, el observado, el esperado que el observado.

00:31:53:19 Entonces eso indicaría que vamos a tener una tendencia entre cada uno de los errores al hacerlo o a hacer un cálculo individual de los errores y poder hacer esto. Podríamos entonces mirarlo desde un punto de vista diferencial al hacer, por ejemplo, un error acumulado medio, una desviación absoluta, media, o podríamos tener algún tipo de error para hacer

00:32:13:08 tal como les mostraba al inicio de la presentación en nuestra. En nuestro elemento de seguimiento. Bueno, no sé si hasta ahí vamos bien. Perfecto. Ya no tenemos más consultas por ahora. Bueno, un segundo ejemplo que podemos trabajar desde este punto de vista.

00:32:27:10 Entonces es este donde tenemos un granjero o que un granjero posee un cultivo de naranjas en un poblado templado en el país recolectado datos sobre el total de lluvias, la temperatura alta promedio, el nivel de acidez del sol y la cosecha.

00:32:46:23 Cuál será el nivel de cosecha para el próximo año si se espera un promedio de lluvias entre 17 pulgadas y una temperatura de 30, el accidente 6.8. Entonces, si nos damos cuenta aquí, pues lo que uno quisiera determinar o establecer el pronóstico es para el nivel de cosecha, a partir de que de lluvias, de lluvias, la temperatura

00:33:02:05 promedio y el nivel del suelo. Es usual que la ingeniería agronómica grano mica. Tengamos entonces que tengamos este tipo de estudios correlacional es entre varias variables que pueden explicar y que van a explicar de hecho. El comportamiento de una cosecha.

00:33:19:20 Este ejemplo es típico. Es un ejemplo típico de ingeniería agronómica, pero también lo puede uno encontrar en tipos en otro tipo de elementos. Entonces, esa información histórica y condiciones climáticas de suelo la vamos a encontrar. Para quién? Para estas observaciones que ustedes ven acá y son azules.

00:33:41:23 Observación En las últimas 24 observaciones que podemos tener del sistema donde el muy, muy juiciosamente estuvo los milímetros de lluvia, la temperatura en grados centígrados, la grave acidez y el valor. Parece ser que existe entonces una relación o que en la literatura académica está probado que existe una relación de estas tres variables contra la cosa.

00:34:06:03 Por eso la recolectaban de esa manera al recolectarlos. Entonces a partir de eso, entonces lo que tenemos acá es un sistema en el cual establecimos o establecemos una. Un conjunto. Cómo vamos a hacer acá entonces? En este caso vamos a ir acá a menú relacionar.

00:34:22:17 Entonces en relacionar nuevamente vamos a establecer una relación y unas correlaciones. Hoy voy a parar un momento para mirar esta pregunta. Puede recordando las propuestas del modelo, son modelos estadísticos sacarle los supuestos del análisis? Cuál fue el modelo definitivo del ejemplo anterior?

00:34:40:05 Juan Carlos Claro. Para no no dejar tu pregunta para lo último. El modelo de pronóstico es un modelo de regresión simple. El modelo causal. Y cuando uno lo ve acá. Perdóname si, roca. Entonces tú vas a encontrar que aquí encuentras tu modelo.

00:34:55:10 Pronostico tu modelo. El pronóstico es este. Número. Accesorios es igual. A quién? A una constante que es 24.16 más 1.86. Por el número de permisos que se obtenga. Si tu ejemplo. Gracias a que el número de permisos lo puedes hacer como se valida.

00:35:14:00 Se valida cuando tu generas a través de esta ecuación que corres o y reemplazas los 24 valores de entrada 1 a 1 por el numero de permisos. En ese momento vas a tener que los valores observados y los puedes validar calculando una medida error.

00:35:34:17 Esa medida de error puede ser un error, como te decía un mate que es una un error medio porcentual o mas, que es una expresión medio absoluta. 11 Que es el error acumulativo promedio? El sistema entero lo puedes validar de esa manera, si estas muy lejano pues uno, si está muy lejano es cero, es error pues uno

00:35:56:03 diría que no tiene un que un sistema de pronóstico muy adecuado. Bueno, claro. Está ahí. Hay alguna otra? No, señor. Bueno, entonces, volviendo a nuestro caso. Son nuestros empleados todos en este ejemplo, los que teníamos menos relacionar que vamos a ir a correr relaciones.

00:36:23:17 Entonces, en este caso vamos a tener un nuevo archivo. Entonces vamos a cerrar nuestros datos anteriores. De esto. Vamos a cerrar entonces nuestro esquema anterior. Permítanme dos segundos. Nos ha dejado de funcionar. Entonces, cada vez que pase eso, es inusual que pase.

00:36:45:16 Pero entonces vamos a abrir nuevamente esta graphics. Esa es, de hecho, la primera vez que me pasa con conversión 19. No esperar un momentico, que cargue. Mientras tanto, les voy diciendo. Entonces qué vamos a hacer ahorita? Mientras ahora está graffitis y cargamos nuestro sistema.

00:37:02:23 Lo que vamos a hacer es un modelo de regresión múltiple. Lo primero que vamos a hacer es un modelo de correlación o modelo correlacional para establecer qué relación existe entre las variables y si existe una relación, llamémosla así, un grado de parecido entre las variables descriptores.

00:37:20:11 Listo. Ahí tenemos nuevamente. Trae la variable de escritorio por si nuestra variable. Entonces le decimos aquí abrir en abrir. Vamos a abrir la fuente de datos. Le vamos a decir abrir fuente datos en esta gráfica y vamos a ir acá a nuestro esta va a regresar múltiple.

00:37:32:23 Entonces, como les decía, teníamos la lluvia, teníamos la temperatura en grados centígrados, meter el nivel de acidez y la cosecha, en este caso un tres, vamos a relacionar y vamos a hacer correlaciones. Aquí ya no podemos hacer qué?

00:37:54:15 No podemos hacer una un gráfico porque son cuatro variables. Entonces ya estamos hablando de un espacio M y los espacios dimensionales que se pueden graficar para estas tres dimensiones. Entonces vamos a introducir nuestras cuatro variables datos aceptar. Le decimos todos los datos a aceptar entonces que tenemos en nuestras opciones?

00:38:10:13 Vamos a tener tablas y gráficos. Vamos a tener entonces resumen del análisis, un resumen estadístico, los intervalos de confianza, las correlaciones con varianzas, matriz de dispersión y gráfico extra. Y vamos a dejarlo y gráfico de correlación. Vamos a darle acá, en este momento ya está calculando.

00:38:27:06 Y entonces empecemos con el análisis multitarea del análisis multitarea. Entonces va a decir que lo que estamos calculando que es el objetivo que tenemos y nos hace un resumen en este caso, entonces ya tenemos un resumen estadístico para cada una de las variables en estas variables.

00:38:41:15 Entonces ustedes van a ver que hay unos sesgos, está estandarizados que están fuera de rango, están señalados de manera roja, una dosis que también está de manera reja que está por fuera de de los valores habituales, de los valores esperados.

00:39:05:16 Tenemos unos intervalos de confianza, está la media, los valores de límite inferior y el límite superior para esa media con un intervalo con intervalo de confianza, el 95%. Tenemos entonces también que tenemos la desviación estándar que es este Sigma y las los valores inferiores superiores de esa desviación están y tenemos ahora si lo que nos interesaba que

00:39:22:05 era las correlaciones en el caso de las correlaciones. Si ustedes se dan cuenta, existe una correlación de lluvia con temperatura, lluvia con acidez y lluvia con cosecha. Realmente nos interesaría la de cosecha, la cosecha contra lluvia hay un parecido el 75.77%.

00:39:38:23 Eso qué quiere decir? Que en apariencia las cosechas se parecen mucho al comportamiento de la lluvia. Es decir, a mayor lluvia, mayor grado de cosecha. A menor lluvia, menor, grave cosecha. Frente a la temperatura tenemos un grado o una nivel de significancia de punto 15 con punto 15.

00:39:56:04 Realmente no, no podemos estar seguros que no exista o que exista un grave parecido para. Parece ser que la temperatura no se parece mucho a la cosecha y con el grado si es hay un que un valor de menos punto cinco, ese grado o ese indica que que que hay una significancia.

00:40:18:16 En este caso hay nivel de significancia porque está en rojo y quiere decir que existe una relación inversamente proporcional a mayor. Así es del terreno menor cosecha a menor acidez, del lado del terreno mayor cosecha y como se lo ven ahí tenemos producto de Pearson y él nos está diciendo que existe una relación entre lluvia y cosecha

00:40:36:01 y así decir cosecha quiere decir que nuestro modelo descriptor sería o podría estar como nuestro modelo de pronóstico podría incluir que cosechas o el valor de cosecha a partir de los valores de lluvia. Y así es que eso es lo que nos dice y podríamos sacar del sistema la temperatura.

00:40:55:16 Sin embargo, que vamos a hacer? Vamos a irnos a relacionar, vamos a ir a modelos de regresión múltiple, regresión múltiple acá y regresión múltiple en esto le voy a decir que la cosecha, la variable dependiente, y sin embargo como se que el estudio o los estudios de la literatura me muestran que la cosecha depende de estas tres

00:41:13:17 variables, las vamos a dejar igualmente. Entonces tenemos acá que tenemos el procedimiento que podemos hacer. Si ustedes se dan cuenta, esta gráfica viene con una serie de procedimientos, no solamente con el E, el modelo o el o el tipo de sistema actual que es el modelo de mínimos cuadrados.

00:41:31:10 En este modelo de mínimos cuadrados ordinarios, entonces tenemos acá otros que seleccioné paso a paso hacia adelante el modelo optimización de Cochran y Orkut, o en los modelos de optimización The Box y Cox. Entonces es ahí, tenemos eso.

00:41:49:17 Le vamos a aceptar nuestras opciones. En nuestras opciones está el resumen del análisis, la suma de cuadrados condicionales. Si yo quisiera hacer el análisis de la no-A, los intervalos de confianza, la matriz de correlación, los residuos atípicos y los puntos sin fly e influyentes.

00:42:13:22 Y tenemos el gráfico de efectos componente los residuos versus predichos y lo habitual vamos a poner acá se secas en este cubo en este momento, ustedes ven, ya está haciéndose, entonces tenemos nuestro modelo, entonces vamos a estar acá, vamos a cerrar aquí nuestro muy variado, vamos a pensar con el resumen del análisis, en este caso extremo, la

00:42:34:11 estimación, en este caso la estimación de nuestro parámetro es para constante 5039 un coeficiente entonces que en este modelo es el la variable dependiente nos va a dar con un indicador, un modelo pronóstico igual a beta cero más beta 1X1 más de 2X2X3.

00:42:52:17 El supuesto típico del modelo es que tenemos independencia entre las variables, es decir, no existe efecto combinado entre las variables. Entonces por eso no vamos a calcular lluvia por temperatura, lluvia, propiedades y temperatura por así es, sino solamente los efectos principales de lluvia, temperatura y así es.

00:43:13:02 Tenemos nuestra estimación entonces Beta cero, que es 5.039.19. Beta uno que es el asociado. La lluvia será ciento sesenta punto cero cuatro beta dos es dieciocho menos dieciocho punto treinta por el valor de la temperatura y la si es menos quinientos ocho por beta por x3.

00:43:30:13 Desde ese punto de vista, entonces tenemos que nuestro modelo es este la cosecha. Si la o cualquier valor de cosecha. A partir de quién? De beta cero más beta uno x1 el valor de la lluvia más de dos por el valor de la temperatura más beta tres por el valor del.

00:43:46:03 Así es. Desde ese punto de vista. Entonces lo que hacemos es que podemos para responder la mitad del ejemplo, ya que reemplazar la lluvia con la temperatura y por las vías, como validamos el modelo nuevamente, pues se reemplazan con los valores que usted ya conoce y con los valores conocidos.

00:44:03:18 Establecemos el valor de la cosecha, hacemos la diferencia entre los errores, calculamos el error entre la diferencia de los valores observados, los valores esperados y podemos tener ahí un estimado y aquí el estadístico de recuadro obtenemos un estadístico r cuadrado.

00:44:25:20 Aquí dice que yo puedo tener que que o explicar la cosecha en un sesenta y siete punto dos por ciento, lo cual es un. Es un nivel muy bueno de explicación porque es un nivel bueno explicación porque uno a veces explicar en alguna, en algún porcentaje el fenómeno que quiere uno predecir y a no, a no hacer

00:44:46:04 nada. Entonces en este caso estas tres variables que seleccionamos me están ente, me están explicando en un sesenta y siete punto doce por ciento el nivel de la cosecha. Hasta ahí estamos claros. Sí, claro. Claro que sí. Si ustedes tienen aquí person, pero pilas no de los resultados.

00:45:06:12 Tiene un comportamiento normal. Es en los errores. Todo lo que podemos hacer es generar los errores y tendríamos una posibilidad card a dos segundos. Vuelvo a acá. No? Entonces dame dos segundos que ahora se me perdió. Aquí estoy.

00:45:21:22 Entonces tú tienes acá a los observados. Tienen todos los predichos segundos residuos atípicos. Entonces mira que solamente tienes un recibo atípico. Si yo quisiera hacer eso, entonces ya con este podría calcular yo mi residuo. Entonces por dónde nos vamos?

00:45:44:05 Los podríamos ir acá, hacer aquí, comparar. Escribe el análisis de una variable y hacíamos el análisis de una variable. Aquí podemos hacer muchas cosas o nos vamos por útiles y en útiles útiles no es. Disculpáme. Tata, tata. Acá análisis.

00:45:58:12 Hago esta distribución por datos. Si yo tengo aquí mis datos, entonces puedo hacer en la prueba de venta y ajuste para comprobar la normalidad. O puedo entrar por acá y puedo también hacer ajuste, distribución a cámara, ajuste a tono censurados.

00:46:25:17 Metería entonces aquí una una columna que se llamara errores. Aquí la introduciría le haría aceptar y ya. Ese lo podemos hacer en un momento a elementos segundos. Tintín donde está? Bueno, déjame y ahorita lo hacemos. Es expresión. Bueno, tendría que programar la K para que nos calcule el error.

00:46:56:21 Pero es posible hacer. Edgardo Chaperos Capirossi. Si. Bueno, dame dos segundos. No hay que se me perdió nada. Acá. Entonces, cuando tú tienes aquí el resumen del análisis. Cuando tienes residuos atípicos de. Perdóname. Cuando estás acá, a esto le puedes dar click derecho.

00:47:16:18 En opciones tabular es también tienen que. Entonces tienes las. Las posibilidades de hacer. Dame, dame aquí un segundo, por favor. De la web de opciones de análisis. Entonces, en opciones de análisis. Tú podrías mirar dónde está? Dónde está?

00:48:01:13 Perdóname. Diálogo Opción Escalares Análisis actuales. Actualiza y se instala tres segundos. Bueno. Si hay una forma de hacerlo, Edgardo. Si hay una forma. Este momento no la recuerdo para poder hacerla. La normalización. Si no estoy mal, tengo que generar algo más.

00:48:30:08 Dame dos. Según opciones de análisis. Aceptar mínimos cuadrados. Envuelve. Calcula. Opciones tabular es Análisis de actualización tablas y gráficas por voz gráfico, intervalos, gráfico y probabilidad. Aquí está. Entonces a estar. Gráfico de probabilidad opciones de ventana tata lluvia a lista para cada una de las variables.

00:48:47:06 Gráfico de probabilidad. Mira la lista. Ver si era posible calcular. Entonces hoy lo que este está mostrando es percentil y la probabilidad reside ahí, la que tú estás viendo como si fuese una línea diagonal. El A es la poli y A normal.

00:49:05:11 Entonces por eso es que tú lo ves así ajustado por donde lo hice, entonces me fui acá vuelvo otra vez. Acá leei acá. Qué? Tablas y gráficas en tabla de gráficas. Gráfica de problema. Gracias, Edgardo. Conmovedora Smirnoff, sí, pero colmo por Smirnoff.

00:49:21:07 Si tienes que hacerlo necesariamente, Edgardo, tienes que ir a hacerlo. Calcular los que calculan los errores e irte y mostrarlos y hacer el ajuste de distribución. Eso no te va a costar más de. De más de una, una.

00:49:44:14 Una programación sencilla y hacer lista. De acuerdo. Bueno, entonces tenemos el modelo remodelar. Regresión múltiple de cosecha. Volvemos otra vez acá. Entonces tenemos ahí nuestro sistema. Tenemos nuestra ecuación de predicción. Tenemos la suma de cuadrados, los grados de libertad, el cuadrado medio de la razón F y el valor P.

00:50:00:00 Entonces tenemos ahí como se comporta dentro el modelo. Tenemos la matriz de correlación. Entonces la matriz de correlación en este caso, si usted lo están viendo ahí, existen correlaciones de la constante contra K uno, los datos, los residuos atípicos.

00:50:28:22 Entonces solamente hay un residuo atípico que es la fila 13, la que predicha entonces es 5457 la que real fue 4971, el residuo de 486 que está a 3.3 e 3.3, que es desviación estándar. Entonces el modelo con este modelo, el pronóstico solamente se me genera un que un residuo o un error por fuera de 3.3 desviaciones

00:50:43:17 estándar. Tenemos aquí entonces que el predicho y el observado los residuos, lo gráfico de residuos, que ya lo se ha explicado con antelación. Tenemos el gráfico de probabilidad donde se está comparando los residuos contra la probabilidad normal y el gráfico de intervalos.

00:51:16:20 Bueno. Juan Carlos. Sí. Como te decía, ahí están. Hoy las podíamos ver. Han incluido algunos elementos. Nuevamente te los muestro. Regresión múltiple T en esa variable dependiente, entonces cosecha, lluvia, temperatura. Y así es como variables independientes. Aceptar. Termínelo acá.

00:51:33:17 Selección de paso. Paso hacia adelante. Optimización de los Cox y optimización de cóclea. Arcos son los que están manejando en esta. En esta que. En esta versión. El análisis de colonialidad. Élmer. Sí, creo que sí se puede generar.

00:51:52:00 Démosle a aceptar como linealidad. No, no, no está. Si no está acá en las opciones de tráfico, es de las opciones gráficas. No, no lo tienes. Entonces tendrías que hacerlo antes de y hacerlo antes de. Es que poner.

00:52:18:15 No hacerlo como el modelo de regresión múltiple, sino en comparación, en relación, dar perdón, hacer que los modelos de colonialidad están, si no estoy mal, están aquí el correlaciones o están aquí en modelo lineal hay generales. Ok. Edgardo Cid les fue a ayudar haciendo método de Montecarlo.

00:52:43:17 Pero creo que este ese no es esa temática. Creo que la podemos abordar en otra ocasión, que es como hacer, como hacer simulaciones de Montecarlo. Hoy estábamos trabajando solamente con modelos de modelos causales. Bueno. Sí, sí, sí, la tiene Edgardo.

00:53:07:05 Mira que en pronósticos, tú lo ves. Tienes Starlet sea tan, tan, tan. Aquí están los generadores de números aleatorios. Entonces puedas ver y de ahí podemos hacer aquí con las utilidades. Ahí está una simulación de Montecarlo. Sí, la he visto que lo hacen.

00:53:32:09 No es mi tema, la verdad. No es mi. No es el tema lo que yo lo uso frecuentemente. Pero sí he visto que ahí hay unos colegas aquí en la Universidad de Trabajo que lo hacen. Bueno. Sigamos. Bueno, entonces, volviendo aquí, ya tienen a el modelo múltiple de regresión sin múltiple.

00:53:50:21 Bueno. Entonces ahí está nuestro modelo. Regrese múltiple para reencarnarme. No correlacionar, relacionar modelos de regresión. Y tenemos, por último, para terminar o finalizar la sesión del día de los procesos de análisis de datos para pronóstico para datos de demanda.

00:54:11:22 Entonces, que es lo que generalmente se hace? Se hace una prueba de rachas para probar aleatoriedad? Si hay aleatoriedad, entonces que hay si las variables, si las variables en este caso son independientes, como podemos probarlas? Vamos a encontrar después que tenemos que hacer una prueba aleatoria con la prueba la tarea, pues podemos hacer después pruebas de moneda

00:54:29:21 de media de varianzas, que eso está en otro, en otro, en otro webcast que hicimos hace un mes, tal vez hicimos algo que para modelos de simulación, entonces a esta cruz casual y se esta pruebas de level están las funciones de distribución de probabilidad de venta y ajuste, esta ley empírica.

00:54:47:05 Aquí está la simulación de Montecarlo y ahí está todo cuando la variables son electores. Pero no es el caso que vamos a trabajar hoy. Hoy vamos a trabajar el caso de llegar a que, de establecer si los datos son, tienen constante o son constantes o son estables en el tiempo, si son o tienen una tendencia y si

00:55:12:21 tienen estacionalidad o en el sistema. Entonces. Desde ese punto de vista. Qué hacemos ahora? Desde ese punto de vista que hacemos ahora, entonces lo que vamos a hacer si usted lo ven de manera detenida acá, vamos a hacer una prueba de auto correlación y esa prueba de relación lo que nos va a permitir es seleccionar los mejores

00:55:33:19 métodos de pronóstico para cada uno de los comportamientos de la demanda. Es decir, si es constante, podemos usar este tipo de modelos. Si tenemos tendencia, este tipo de modelos. Si tenemos estacionalidad, este tipo de modelos, en vez de utilizar un sin de métodos que a veces no tienen o no forman parte de la tela de la de

00:55:46:14 la situación que vamos a trabajar. Entonces vamos a tener otro ejemplo en el cual tenemos diferentes tipos de juguetes, tres tipos de juguetes, los cuales se encuentran en diferentes etapas del ciclo de vida. Quién está haciendo la producción?

00:55:57:18 Se está en una predicción de demanda para los próximos ciclos de fabricación y ha establecido que las demandas son para los próximos métodos o para el método que o quiere establecer que método les va a servir a futuro.

00:56:30:14 Entonces vamos a tener. Entonces tenemos estas cantidades. Tenemos las últimas 15 semanas. Desde la última semana de. Tenemos entonces? Tenemos entonces que tenemos las últimas semanas desde noviembre 2022 hasta marzo de 2023. Entonces tenemos autos, aviones, trenes. Estos son juguetes que se realizan.

00:56:49:08 Son las cantidades que se han pedido a partir de eso. Entonces que vamos a hacer? Entonces podemos hacer qué? Ya sabemos que podemos intuir independencia siendo una prueba correlacional. Podemos hacer que hacer gráficos de una dimensión para ver el comportamiento de cada una de las variables.

00:57:13:12 Y podemos hacer que metodos descriptivos ya les explicó. Para que se hace esto? Entonces arranquemos por ahí. Vamos a cargar nuestro nuevo sistema. Vamos a dejar acá. Vamos a decir abrir la fuente de datos. Minimizar esto. Y zarpó.

00:57:35:14 Cuatro. Archivo. Habilidad para ir fuente de datos. De que si la tasa que íbamos a tener ahora sería eliax en la serie de tiempo vamos a tener entonces una serie de qué? De valores vamos a tener los últimos días?

00:57:55:08 Sí, seis valores de tiempo. Tenemos auto, trenes y aviones en este caso. Entonces, qué es lo que hacemos primero? Lo primero que vamos a hacer entonces es establecer si existe. Correlaciones. Si existe relación entre cada uno, entonces tenemos tres, cinco tipos de variables.

00:58:08:23 Ya les explico cuáles son. El periodo entonces esta como una variable de fecha donde está el primer día o el lunes de cada uno. Hay una variable numérica que se llama entonces que el número era una semana y están las cantidades de los autos, trenes y aviones.

00:58:31:20 Le vamos a dar acá todos los datos para aceptar. Entonces tenemos acá las covarianza, queremos generarlos? En este caso. Entonces que tenemos? Tenemos nuestro resumen estadístico, tenemos nuestras correlaciones, que para el caso es lo que nos interesa y entonces las que están en rojo son correlaciones que son significantes.

00:58:53:12 Por ejemplo, el periodo se parece a la semana. En este caso tenemos una correlación altísima entre periodo y semana. Tenemos entonces una relación a una perdona, una relación de parecido inversa, realmente proporcional entre periodo y atos parece ser que los hace a medida que el periodo avanzando, el número de datos va viendo.

00:59:09:17 En a medida que los periodos van aumentando, los cantidad de trenes también van aumentando y parece ser que es independiente de los aviones. En este caso los que están en rojo serían los que nos muestran relacione