La técnica de holt-winters Primero nos debemos dar cuenta en la longitud que tiene nuestra serie de tiempo

Primero nos debemos dar cuenta en la longitud que tiene nuestra serie de tiempo

        LENGTH

Otra cosa muy importante es la estadística descriptiva

SUMMARY

Para ver un grafico de las estadísticas DESCRIPTIVAS Y DE PASO VEMOS SI EXISTEN DATOS ANOMALOS, SI ES SIMETRICA.

Cuando existe un alargamiento en el boxplot nos indica la simetría. El bigote derecho por lo tanto hay Asimetría positiva.

lines(density(cemento_ts))

La línea de endencia

qqnorm(cemento_ts)

shapiro.test(cemento_ts)

Vamos a ver si nuestro conjunto de datos proviene de una distribución normal. Deacuerdo de p-value se acepta H1. Nuestros datos no provienen de una distribución normal.

PREDICCIONES

Lo primero debemos saber que técnicas aplicar y para saber q técnica aplicar debemos conocer las componentes. Hacemos una descomposición grafica de la serie de tiempo.

TENDENCIA

Alta debería ser mayor que 45 grados. Moderada entre 45 y 25. Débil debajo de 25.No tiene incidencia la tendencia.

ESTACIONALIDAD.

Se repite el grafico cada año.

ALEATORIEDAD.

No es fuerte. Es débil.

# La serie presenta tendencia debil y estacionalidad fuerte

# por lo tanto se utilizara el metodo holt-winters

La técnica de holt-winters

Si tiene igual dispersión es aditivo si tiene dispersión diferente es multiplicativo.

# Metodo de HoltWinters porque presenrta tendencia y estacionalidad

plot(cemento_ts)

plot(modelo1)

[pic 1]

La curva roja es la estimación de la curva original.

Quiero determinar que objetos tiene modelo 1.

Alpha 0.8429775

Betha

Gamma

Describo los estimadores. Estos representan los valores de la línea roja.

modelo1$fitted

xhat     level       trend     season

2005 Q1  77.37375  84.46250  0.06750000  -7.156250

2005 Q2  89.07618  84.63643  0.07100515   4.368750

2005 Q3  92.36793  84.72751  0.07166645   7.568750

2005 Q4  80.11752  84.82621  0.07255693  -4.781250

2006 Q1  77.81965  84.88400  0.07207049  -7.136426

2006 Q2  86.42301  82.07339 -0.02287105   4.372490

2006 Q3 175.61061 165.31730  2.71953017   7.573786

2006 Q4 154.46933 156.90058  2.35275649  -4.784001

2007 Q1 174.50889 179.17345  3.00882799  -7.673387

2007 Q2 165.53443 143.90361  1.74811532  19.882704

2007 Q3 146.68702 139.63756  1.55003824   5.499422

2007 Q4 153.77878 152.91593  1.93631205  -1.073454

2008 Q1 128.85523 142.14116  1.51767127 -14.803607

2008 Q2 162.49767 142.26351  1.47171627  18.762438

2008 Q3 141.83464 133.03138  1.11918374   7.684073

2008 Q4 140.41876 142.46684  1.39308130  -3.441163

2009 Q1 123.64260 137.52178  1.18433370 -15.063515

2009 Q2 138.68471 121.30487  0.61122168  16.768618

2009 Q3 130.11938 120.32732  0.55889550   9.233157

2009 Q4 126.55876 130.31123  0.86930944  -4.621778

2010 Q1 111.08159 128.60207  0.78438724 -18.304868

2010 Q2 143.35074 126.19866  0.67939676  16.472676

2010 Q3 132.23271 120.76585  0.47809050  10.988767

2010 Q4 122.16422 126.61142  0.65486915  -5.102073

2011 Q1 110.35977 128.56092  0.69750784 -18.898663

2011 Q2 141.58093 125.66754  0.57924156  15.334147

2011 Q3 141.26928 128.62320  0.65750896  11.988575

2011 Q4 137.99101 141.78267  1.06926260  -4.860921

2012 Q1 124.53563 143.02810  1.07506493 -19.567542

2012 Q2 149.86561 133.36732  0.72147854  15.776805

2012 Q3 149.07049 134.03350  0.71965708  14.317332

2012 Q4 138.85537 142.70202  0.98145398  -4.828105

2013 Q1 125.66162 146.16573  1.06320737 -21.567323

2013 Q2 158.34518 141.69764  0.88103353  15.766503

...