FACULTAD DE CIENCIAS CONTABLES, ECONÓMICAS Y FINANCIERAS
CARRERA DE ECONOMÍA
CURSO: DATA SCIENCE Y BIG DATA
Módulo I
ANÁLISIS DE PREDICCIONES
ALUMNO: EDISON VALERIO HUAMAN SULCA
Marzo, 2025
ANÁLISIS DE PREDICCIONES
1. INTRODUCCIÓN
El presente ensayo realiza un estudio sucinto sobre los tipos de análisis
de predicciones brindando ejemplos concretos.
Este estudio invita a reflexionar sobre la importancia de implementar los
diferentes tipos o modelos de predicciones sea en empresas o en el
ejercicio profesional.
2. CLARIFICACIÓN
Los modelos de análisis predictivos son técnicas estadísticas que se utilizan
para predecir resultados futuros basados en datos históricos. A continuación,
se describen los modelos mencionados y se brindan ejemplos concretos de
cada uno:
1. Modelo de Clasificación: Este modelo se utiliza para predecir la categoría
o clase a la que pertenece una observación. Es decir, asigna una etiqueta
categórica a los datos basándose en sus características.
Ejemplos:
Spam Detection: Clasificar correos electrónicos como "spam" o "no
spam".
Diagnóstico Médico: Predecir si un paciente tiene una enfermedad
(por ejemplo, "enfermo" o "sano") basándose en síntomas y pruebas
médicas.
Crédito Bancario: Determinar si un solicitante de crédito es de "alto
riesgo" o "bajo riesgo".
2. Modelo de Regresión: Este modelo se utiliza para predecir un valor
numérico continuo basado en las variables de entrada. A diferencia de la
clasificación, la regresión predice cantidades en lugar de categorías.
Ejemplos:
Precio de Viviendas: Predecir el precio de una casa basándose en
su tamaño, ubicación, número de habitaciones, etc.
Ventas Futuras: Estimar las ventas de un producto en función de
factores como el gasto en publicidad, la temporada, etc.
Consumo de Energía: Predecir el consumo de energía de un hogar
en función de la temperatura, el número de habitantes, etc.
3. Modelo de Agrupación (Clustering): Este modelo se utiliza para agrupar
datos en clusters o grupos basados en similitudes entre las observaciones.
A diferencia de la clasificación, no se conocen las etiquetas de antemano.
Ejemplos:
Segmentación de Clientes: Agrupar clientes en segmentos basados
en su comportamiento de compra, demografía, etc.
Análisis de Mercado: Identificar grupos de productos que se venden
juntos frecuentemente.
Reconocimiento de Imágenes: Agrupar imágenes similares en
categorías no etiquetadas previamente.
4. Modelo de Pronóstico (Forecasting): Este modelo se utiliza para predecir
valores futuros basados en datos históricos, especialmente en series
temporales. Es similar a la regresión, pero se enfoca en datos que cambian
con el tiempo.
Ejemplos:
Pronóstico del Tiempo: Predecir la temperatura o las condiciones
climáticas para los próximos días.
Demanda de Productos: Predecir la demanda de un producto en los
próximos meses.
Tráfico en Redes: Predecir el volumen de tráfico en una red de
telecomunicaciones.
5. Modelo de Valores Atípicos (Outlier Detection): Este modelo se utiliza
para identificar observaciones que son significativamente diferentes del
resto de los datos. Los valores atípicos pueden ser errores o indicar
eventos inusuales.
Ejemplos:
Detección de Fraude: Identificar transacciones financieras inusuales
que podrían indicar fraude.
Control de Calidad: Detectar productos defectuosos en una línea de
producción.
Monitoreo de Salud: Identificar lecturas anormales en dispositivos
médicos que podrían indicar problemas de salud.
6. Modelo de Serie Temporal (Time Series): Este modelo se utiliza para
analizar datos que se recopilan a lo largo del tiempo, con el objetivo de
identificar patrones, tendencias y estacionalidad. Es similar al pronóstico,
pero se enfoca en el análisis de la estructura temporal de los datos.
Ejemplos:
Análisis de Bolsa: Predecir el precio de las acciones basándose en
datos históricos.
Ventas Estacionales: Analizar las tendencias de ventas a lo largo del
año para identificar picos estacionales.
Consumo de Electricidad: Predecir el consumo de electricidad en una
ciudad basándose en datos históricos de consumo.
3. CONCLUSIÓN
- Las predicciones económicas son una herramienta valiosa para la toma
de decisiones, pero deben utilizarse con precaución y si es necesario
complementarse con otra información relevante
- Los modelos de predicción son herramientas poderosas en el análisis de
datos y la toma de decisiones, y su elección depende del tipo de
problema que se esté abordando y la naturaleza de los datos
disponibles.
4. BIBLIOGRAFÍA
- Universidad San Martín de Porres, 2025, Video de clases con fines
académicos del Módulo I de DATA SCIENCE Y BIG DATA.
- Daniella Terreros (2021), Blog HubSpot: Qué es el análisis predictivo,
tipos, ejemplos y herramientas.
LinK: [Link]
