Pronóstico de series temporales
Traducido con IA. Verificado por personas en inglés. Cómo hacemos los libros
Traducido del libro en inglés, edición 2026.11.11. Lee el original
Cómo pronosticar la demanda con un día de antelación y comprobar que el pronóstico se sostiene: líneas base, backtests que nunca ven el futuro, modelos estadísticos, un único modelo LightGBM para todos los clientes, totales que suman correctamente e intervalos de predicción calibrados, sobre la demanda horaria de electricidad de treinta clientes.
Para quién es Para científicos de datos y analistas que conocen pandas y la regresión básica, y a quienes se les pide pronosticar la demanda, como ventas, energía, entradas o tráfico, y necesitan pronósticos que se sostengan cuando se verifican.
Lee en Kindle o en cualquier lector electrónico
El EPUB también funciona en Apple Books, Kobo y en la mayoría de los lectores electrónicos.
Enviar a Kindle
Envía el EPUB de esta edición en Español.
-
Aprueba nuestra dirección
Amazon entrega a un Kindle solo los archivos enviados desde direcciones que hayas aprobado, una vez por cada servicio que le envíe un correo. Añade la nuestra a tu lista de direcciones aprobadas para documentos personales por correo electrónico.
books@rollingedition.comAbre la configuración de documentos personales de Amazon. En Amazon, se encuentra en Gestionar tu contenido y dispositivos, Preferencias, Configuración de documentos personales.
Enviado. Aparecerá en tu biblioteca de Kindle en unos minutos.
Si no llega, casi siempre se debe a la aprobación del paso 1: comprueba que books@rollingedition.com esté en tu lista de direcciones aprobadas para documentos personales por correo electrónico.
Cada nueva edición de tus libros guardados también se enviará a tu Kindle.
Esa no es una dirección de Kindle. Debe terminar en @kindle.com: encuéntrala en la configuración de documentos personales de Amazon.
Hoy has enviado {count} libros, que es el máximo que enviamos para una cuenta en un día. Inténtalo de nuevo mañana.
Hoy hemos enviado todos los libros que podemos. Inténtalo de nuevo mañana.
El libro no se envió. Inténtalo de nuevo en unos minutos.
Esta edición es demasiado grande para enviarla por correo electrónico.
Enviar a Kindle viene incluido con Labs.
Esa no es una dirección de Kindle. Debe terminar en @kindle.com: encuéntrala en la configuración de documentos personales de Amazon.
El libro no se envió. Inténtalo de nuevo en unos minutos.
O descarga el EPUB y suéltalo en la página de Enviar a Kindle de Amazon.
Kindle is a trademark of Amazon.com, Inc.
Contenido
10 capítulos, unos 4 horas 2 minutos de lectura, con 41 ejemplos.
-
1Pronostica la demanda de mañana
Este capítulo construye el primer pronóstico de la demanda de mañana, y la base simple que todo pronóstico posterior tiene que superar.
-
2Establece las líneas base que un modelo debe superar
En este capítulo calculas tres líneas base para la previsión con un día de antelación de un cliente: ingenua, ingenua estacional y promedio de semanas, y escalas el error de un cliente con MASE, usando una escala que solo lee las lecturas anteriores a la semana prevista.
-
3Backtesting sin mirar hacia adelante
Este capítulo te enseña a puntuar un pronóstico del día siguiente a lo largo de un año de fechas de corte, sin dejar que el futuro entre en su historia; a manejar las dos horas de cambio de horario que aparecen en los datos; y a ejecutar una prueba de desplazamiento que detecta una variable que lee más allá de su fecha de corte.
-
4Ajuste de un modelo estadístico para cada cliente
Aquí ajustarás AutoETS y un ARIMA estacional fijo para cada cliente sobre el mismo backtest, compararás ambos con el naive estacional y aprenderás a iniciar un cliente que empieza tarde en su primera lectura.
-
5Añade características de calendario y de retardo
Al terminar este capítulo, podrás convertir el historial horario de un cliente en una tabla de características, añadir retardos y características de calendario y de días festivos que un pronóstico de un día de antelación puede usar, medir qué aporta cada característica sobre las mismas ventanas y detectar un retardo que lee el día que se pronostica.
-
6Pronosticar muchos clientes con un solo modelo
Terminas este capítulo con un modelo global para los treinta clientes, una regla de inicio que mantiene fuera de él los ceros iniciales de los clientes que empiezan tarde, y una puntuación que lo compara con el naive estacional para cada cliente en los mismos cortes temporales.
-
7Haz que el total cuadre
Vas a pronosticar la demanda total de treinta clientes de dos maneras, elegir entre las dos en ventanas de decisión y repartir ese total en partes por cliente usando solo el histórico anterior a cada fecha de corte.
-
8Cuantifica la incertidumbre de la previsión
Este capítulo asigna un rango a cada previsión del día siguiente, para que puedas decir si una compra puede apoyarse en ella.
-
9Comparación de Prophet y un modelo fundacional
Al terminar este capítulo, podrás ajustar Prophet con los tres cortes estándar del libro, cargar un modelo fundacional registrado (Chronos-2) y un modelo neuronal registrado (NHITS), y evaluar todos ellos en una misma escala MASE frente a las mismas lecturas.
-
10Keep the forecast running
Once a forecast runs every day, the question changes from whether it scored well to whether it still holds on the day it's used.