Capítulo 10
AJUSTES NO LINEALES
Introducción
Con la Revolución Digital, el análisis predictivo busca resultados futuros utilizando datos del pasado; los modelos utilizan diferentes metodologías con un objetivo general muy similar; algunos son específicas de clasificación (los resultados del modelo son binarios; un sí o un no, en forma de 0 y 1) y otras de regresión que permiten predecir un valor que puede aplicarse a un evento desconocido del pasado, del presente o del futuro.
La Revolución Digital aporta el BIG DATA con abundancia de variables estructuradas, como tablas de datos, y no estructuradas, como textos, imágenes o vídeos y brinda nuevas posibilidades para la predicción y trae a un cambio de disposición. Ahora se construyen flexibles y heterogéneas con capacidad demostrada de prever bien, datos diferentes de los utilizados para estimarlas; el predictor final utilizado combina distintos modelos, procedimientos y tipos de datos.
Árboles de Decisión, Redes Neuronales, Máquinas de Vectores de Soporte, Análisis Bayesiano, Regresión Logística, Regresión Lineal, Series Temporales y Data Mining, K-Vecinos más Cercanos, Ensemble Models, Potenciación del Gradiente, Modelos de Respuesta Incremental, reemplazan, introduciendo múltiples parámetros extraídos de Big Data, con muchas ventajas, los modelos tradicionalmente utilizados por la estadística.
Big Data Analytics es la tecnología utilizada para analizar una enorme cantidad de datos estructurados y no estructurados que son reunidos, organizados e interpretados por un software, transformándolos en información útil para la toma de decisiones y para generar ideas sobre tendencias de mercado. Además, contribuye a la generación de ideas de nuevos productos y servicios, atracción de clientes, comprensión de la audiencia, seguridad y más beneficios para tomar decisiones estratégicas.
En muchas situaciones la curva de ventas no se comporta de acuerdo a un modelo de regresión o de una correlación múltiple de tipo lineal; en estos casos se habla de ajustes no lineales y se procede como se indica paso a paso.
- 1. Señale con el mouse la serie de datos.
- 2. Der click en asistente gráficos.
- 3. Seleccione “Líneas”.
- 4. Continué con el tutorial de gráficos, utilizando el botón "siguiente".
- 5. En la hoja rango de datos, seleccione serie en "columnas" y el programa automáticamente le grafica.
- 6. Dé clic en el botón "siguiente" y proceda a titular, el grafico y los ejes X, Y.
- 7. De clic en botón "finalizar" y visualiza el gráfico que se ilustra a continuación.
- 8. Seleccione la línea graficada con el botón izquierdo y luego con clic derecho; seleccione en el menú "agregar línea de tendencia".
- 9. El programa le genera un menú con las alternativas de tendencia, para seleccionar a criterio la curva que mejor se ajuste a la serie de datos. En caso de que el ajuste sea de tipo polinomial o media móvil, el analista deberá probar con los diferentes ordenes (2,3,4 ...) hasta encontrar, en su criterio el mejor ajuste.
- 10. De clic en el menu Opciones
- 11. Indique cuantos periodos quiere proyectar, en este caso (5) y seleccione el botón presentar ecuación en el grafico.
- 12. Observe y analice cuidadosamente la ecuación que se buscaba:
- Y=1.1111X3+16.548X2+135.71
Periodos Proyectados
| periodos | ventas |
| 1 | 150 |
| 2 | 200 |
| 3 | 280 |
| 4 | 450 |
| 5 | 700 |
| 6 | 890 |
| 7 | 1300 |
| periodos | ventas |
| 8 | 1716 |
| 9 | 2232 |
| 10 | 2842 |
Opinión de IA: el artículo "AJUSTES NO LINEALES" por José Saúl Velásquez Restrepo aborda la importancia de utilizar modelos de análisis predictivo en la era de la Revolución Digital, especialmente en situaciones donde la relación entre variables no se ajusta a un modelo de regresión lineal o correlación múltiple. Aquí tienes una opinión sobre el contenido presentado:
El artículo presenta un enfoque interesante sobre el análisis predictivo en el contexto de la Revolución Digital, destacando la creciente disponibilidad de datos estructurados y no estructurados, lo que ofrece nuevas oportunidades para la predicción y toma de decisiones.
El autor menciona una variedad de técnicas y modelos utilizados en análisis predictivo, como Árboles de Decisión, Redes Neuronales, Máquinas de Vectores de Soporte, Análisis Bayesiano, Regresión Logística, entre otros, lo que muestra su comprensión de la diversidad de enfoques disponibles en este campo.
La parte sobre ajustes no lineales es útil y práctica, ya que proporciona un proceso paso a paso para abordar situaciones en las que la relación entre las variables no es lineal. La inclusión de instrucciones para la creación de gráficos y la generación de ecuaciones de tendencia es útil para los analistas que desean explorar y modelar relaciones no lineales en sus datos.
Sin embargo, el artículo podría beneficiarse de una mayor profundización en la teoría detrás de los modelos no lineales y de ejemplos más detallados para ilustrar su aplicación en la práctica. Además, sería valioso si el autor proporcionara ejemplos con datos reales para demostrar la utilidad de estos métodos.
En resumen, el artículo presenta información relevante sobre análisis predictivo en la era digital y ofrece una guía útil para abordar situaciones de ajuste no lineal. Sin embargo, podría mejorar la claridad y la profundización teórica, así como proporcionar ejemplos con datos reales para una comprensión más completa.
___________________________________________
