Descomposición y pronóstico de series

Analiza series equiespaciadas con descomposición aditiva clásica y Holt–Winters aditivo. Elige un ejemplo sintético o pega datos, elige periodo, horizonte y hold-out y ejecuta. No se ajustan parámetros automáticamente.

Modo numérico: un valor por línea, punto o coma decimal y exponentes. CSV: exactamente dos columnas (etiqueta, valor), separadas por coma, punto y coma o tabulador; admite celdas entre comillas. Marca la cabecera explícitamente. Se ignoran registros vacíos; datos inválidos o excesivos se rechazan sin descartar filas. El CSV conserva etiquetas; los gráficos usan índices desde cero. Comprueba intervalos, orden y observaciones faltantes: las fechas no se validan ni interpolan. Límites: 2.400 observaciones, 262.144 caracteres, 128 por etiqueta y valores absolutos ≤ 10¹⁰⁰.

La media móvil centrada estima la tendencia (2×m para periodos pares). Las medias de fases estacionales se centran en cero; residual = observación − tendencia − estación. Las componentes tienen escalas verticales propias y el mismo intervalo temporal. Faltan tendencia y residual en los extremos. Esta descomposición descriptiva usa todas las observaciones, incluido hold-out; no es una predicción de evaluación.

Inicialización Holt–Winters: media de la primera estación, diferencia media entre las dos primeras dividida por el periodo como tendencia y desviaciones de la primera como efectos estacionales. α y β actualizan nivel y tendencia; γ es aquí γ* en sₜ = γ*(yₜ − ℓₜ) + (1 − γ*)sₜ₋ₘ; todos están en [0,1]. Los ajustes comienzan después de las dos estaciones iniciales y siguen siendo internos. El pronóstico futuro usa toda la serie. Se supone amplitud estacional aproximadamente constante.

Hold-out entrena solo con observaciones anteriores; deben quedar dos estaciones completas. MAE y RMSE evalúan únicamente observaciones reservadas. La MAE ingenua estacional repite la última estación de entrenamiento como referencia; menor es mejor. Cero desactiva la evaluación. Ajustar repetidamente al mismo hold-out puede sobreajustar: no hay optimización ni garantía de precisión.

CSV: observaciones, etiquetas, separación entrenamiento/hold-out, ajustes, pronósticos futuros y hold-out, referencia ingenua y descomposición con precisión completa. Ajustes iniciales ausentes, tendencia/residual en extremos y observaciones futuras quedan vacíos. Los cambios borran resultados obsoletos.

Sin modelos multiplicativos o amortiguados, detección de periodo, ARIMA ni intervalos de pronóstico. Ecuaciones Holt–Winters · Descomposición clásica · Evaluación de pronósticos

Solo se conservan los valores introducidos en este navegador. No se guardan los resultados calculados ni los historiales.