Pronósticos

CONCEPTO	CONCEPTO	APLICACION	IMAGEN	BIBLIOGRAFIA
Modelos de Series de Tiempo	Analizan la evolución de una variable a lo largo del tiempo, identificando patrones como tendencias, estacionalidad y ciclos.	Estimación de duración de tareas: Pronosticar el tiempo necesario para completar una tarea en función de datos históricos de proyectos similares. Predicción de costos: Estimar los costos futuros de un proyecto basándose en el gasto histórico.		Enlace bibliografia
Modelo de Monte Carlo	El modelo de Monte Carlo utiliza simulaciones para predecir el comportamiento de sistemas complejos. Se generan miles o incluso millones de simulaciones utilizando valores aleatorios dentro de distribuciones de probabilidad asignadas a las variables clave. Esto permite evaluar la probabilidad de diversos resultados y tomar decisiones informadas en entornos inciertos	En la gestión de proyectos, el modelo de Monte Carlo se utiliza principalmente para: Evaluar el Riesgo: Ayuda a identificar y cuantificar los riesgos asociados con diferentes aspectos del proyecto, como el cronograma y el presupuesto. Pronosticar Plazos y Costos: Permite prever la probabilidad de cumplir con los plazos y presupuestos establecidos, considerando las incertidumbres y variabilidades. Optimizar Decisiones: Facilita la toma de decisiones estratégicas al proporcionar un análisis detallado de los posibles resultados y sus probabilidades		Enlace Bibliografia
Modelo Arimas	Modelos ARIMA (Autoregressive Integrated Moving Average) son una herramienta poderosa en el análisis de series temporales, utilizada para predecir futuros valores basándose en datos históricos. Concepto del Modelo ARIMA El modelo ARIMA combina tres componentes: Autorregresivo (AR): Utiliza las dependencias entre una observación y un número de observaciones anteriores. Integrado (I): Involucra la diferenciación de las observaciones para hacer la serie temporal estacionaria. Media Móvil (MA): Modela el error de predicción como una combinación lineal de errores de predicción pasados12. El modelo se denota como ARIMA(p, d, q), donde: p es el orden de la parte autorregresiva. d es el grado de diferenciación necesaria para hacer la serie estacionaria. q es el orden de la parte de media móvil	Análisis de Series Temporales: Los modelos ARIMA son especialmente útiles para analizar series temporales, lo que es crucial en la gestión de proyectos para prever tendencias y patrones futuros basados en datos históricos. Planificación y Control: En el PMBOK, la planificación y el control del proyecto son fundamentales. Los modelos ARIMA ayudan a prever la demanda de recursos, los plazos y los costos, permitiendo una mejor planificación y control del proyecto. Gestión de Riesgos: Los pronósticos precisos son esenciales para la gestión de riesgos. ARIMA permite identificar posibles desviaciones y preparar planes de contingencia adecuados.		Enlace Bibliografia