ción inicial fija
Para este método de validación se toma la mejor solución dejando fija su condición inicial, se genera un conjunto con los parámetros de las cuarenta mejores soluciones, a la mejor se le deja fija su condición inicial y se varian sus parámetros con dicho conjunto y se corren las simulaciones, para el diagrama de cajas de este método se encuentran 30 datos dentro del rango intercuartil, lo cual representa un 9.09 % de los datos, esto se observa en la figuraA-4
(b).
A partir de estas dos validaciones se observa que al variar la condición inicial se presentan mejores resultados, ya que se encuentra un mayor porcentaje de datos dentro del rango intercuartil al realizar esta variación, su horizonte de predicción comprendería 96 de los 363 días que se proyectaron.
(a) (b)
FiguraA-4: Diagrama de cajas para las 40 mejores soluciones (Año 2018) (a)Confición inicial variable y parámetros fijos (b) Condición inicial fija y parámetros variables
Bibliografía
[1] Michael Barnsley. Fractals Everywhere: The first course in deterministic fractal geo- metry, 1988.
[2] Met Office MOGREPS data. http://data.informaticslab.co.uk/mogreps_data_basics.html. [3] Catálogo de Visualización de Datos.,
url = https://datavizcatalogue.com/ES/metodos/diagrama_cajas_y_bigotes.html. [4] Juan David Velásquez and Mario Alberto Aldana. Modelado del precio del cafe colom-
biano en la bolsa de nueva york usando redes neuronales artificiales. Rev. Fac. Nal. Agr.
Medell\in. Vol, 60(2):4129–4144, 2007.
[5] El Café de Colombia | Federación Nacional de cafeteros.Tomado de
https://www.federaciondecafeteros.org/particulares/es/nuestro_cafe/el_cafe_de_colombia/. [6] Ismael García Martín. Análisis Y Predicción De La Serie De Tiempo Del Precio Externo
Del Café Colombiano Utilizando Redes Neuronales Artificiales.Universitas Scientiarum, 8:45–50, 2003.
[7] F.A Hamman. ¿Puede explicarse el precio externo del café con un modelo econométrico no lineal?.Borradores de economía, Banco de la República, 1996.
[8] OSCAR SALAZAR DUQUE. Mirada de la Gestión moderna desde la teoría a del caos y la transdisciplina. Universidad & Empresa, 19(33):137, 2017.
[9] Rodríguez Angie Martínez Karen, Torres Dayana. Predicción del pre- cio del café Colombiano por medio de sistemas de inferencia difu- sos.https://archive.org/details/Prediccioncafe. Universidad Distrital Francisco
José de Caldas, 2017.
[10] Andrea Cortis, Carlos E. Puente, Huai Hsien Huang, Mahesh L. Maskey, Bellie Siva- kumar, and Nelson Obregón. A physical interpretation of the deterministic fractal- multifractal method as a realization of a generalized multiplicative cascade. Stochastic
[11] Sandra Grèbol Montoro and Anna Batlle Joher. Fractales en los mercados financieros.
Universidad Pompeu Fabra, pages 1–56, 2009.
[12] George E. P. Box, Gwilym M. Jenkins, Gregory C. Reinsel, and Greta M. Ljung. Time
series analysis: forecasting and control. Prentice Hall, Hoboken, New Jersey, 5fth ed
edition, 2016.
[13] John E. Hanke and Dean W. Wichern. Pronósticos en los negocios. Pearson 8th edition, 2006.
[14] Sebastian Wallot and Dan Mønster. Calculation of Average Mutual Information (AMI) and false-nearest neighbors (FNN) for the estimation of embedding parameters of mul- tidimensional time series in matlab. Frontiers in Psychology, 9(SEP):1–10, 2018. [15] Henry D. I. Abarbanel. Analysis of Observed Chaotic Data. Springer-Verlag New York,
1996.
[16] J. Cedron. Diagramas de fase. Universidad de la Salle, pages 1–4, 2005.
[17] Michael T. Rosenstein, James J. Collins, and Carlo J. De Luca. A practical method for calculating largest Lyapunov exponents from small data sets. Physica D, 65:117–134, 1993.
[18] Bo Qian and K. Rasheed. Hurst exponent and financial market predictability. Pro- ceedings of The 2nd IASTED international conference on financial engineering and
applications, pages 203–209, 2004.
[19] Stephanie Rendón de la Torre. DETECCIÓN DE CAIDAS EN MERCADOS FINAN- CIEROS MEDIANTE ANÁLISIS MULTIFRACTAL (EXPONENTES LOCALES Y PUNTUALES DE HÖLDER): INDICE ACCIONARIO IPC Y TIPO DE CAMBIO USD/MXN. XVIII congreso internacional de contaduría administración e informática, 1:3–13, 2013.
[20] I A Agaev and Yu A Kuperin. Multifractal Analysis and Local Hoelder Exponents Approach to Detecting Stock Markets Crashes. Methodology, 429(January):8, 2004. [21] Pancho Rivadeneira, Juan Gabriel, Velasco Borja, and Jaime Rolando. Análisis de com-
presión de imágenes utilizando geometrías fractales. Universidad Politécnica Nacional,
2005.
[22] Estadísticas Históricas | Federación Nacional de cafeteros.
https://www.federaciondecafeteros.org/clientes/es/quienes_somos/119_estadisticas_historicas/. [23] Betancourt Alvaro Uscátegui. El ruido 1/f. Revista Ingeniería, 5:28–36, 2000.
BIBLIOGRAFÍA 69 [24] Henry D. I. Abarbanel. Analysis of Observed Chaotic Data. 1996.
[25] Román Rodríguez. El coeficiente de Hurst y el parámetro α-estable para el análisis de series financieras Aplicación al mercado cambiario mexicano. Contaduría y Administra- ción, 59(1):149–173, 2014.
[26] Federación Nacional de cafeteros Colombia. El comportamiento de la industria cafetera
colombiana durante 2003, volume 1. 2004.
[27] Federación Nacional de cafeteros Colombia. El comportamiento de la industria cafetera
colombiana durante 2007, volume 1. 2007.
[28] Federación Nacional de cafeteros Colombia. El comportamiento de la industria cafetera
colombiana durante 2009. 2009.
[29] Ya-Liang Li, Fei Ding, and Yu-Xuan Wang. Iterated Function System Based Adaptive Differential Evolution Algorithm. 2008 Ieee Congress on Evolutionary Computation,
Vols 1-8, (2):1290–1294, 2008.
[30] Carlos García, Edwin García, and Fernando Villada. Algoritmo Evolutivo Eficiente Aplicado a la Planeación de la Expansión de Sistemas de Distribución. Informacion
Tecnologica, 23(4):3–10, 2012.
[31] Kenneth V. Price, Rainer M. Storn, and Jouni A. Lampinen. Differential evolution : a
practical approach to global optimization. Springer, 2005.
[32] E.Cesar Trejo Zuñiga, I.Lorenzo Cruz Lopez, and Agustín García, Ruiz. Estimación de parámetros para un modelo de crecimiento de cultivos usando algoritmos evolutivos y bio-inspirados. AGROCIENCIA, 47(7):671–682, 2013.
[33] Tarik Eltaeib and Julius Dichter. Data Optimization with Differential Evolution Strate- gies : A S urvey of the State-of-the-Art. 2017 IEEE International Conference on Power,
Control, Signals and Instrumentation Engineering (ICPCSI), pages 17–23, 2017.
[34] J. Brest, V. Zumer, and M.S. Maucec. Self-Adaptive Differential Evolution Algorithm in Constrained Real-Parameter Optimization. 2006 IEEE International Conference on
Evolutionary Computation, pages 215–222, 2006.
[35] Cristian D.Rodriguez Rodriguez, Diego Mayorga Gomez, and Miguel A.Melgarejo Rey. Forecasting time series from clustering by a memetic differential fuzzy approach: An application to crime prediction. 2017 IEEE Symposium Series on Computational Inte-
[36] Ing Manuel, Angel Silva, Ku Maloob Zaap, and Maloob Zaap. Modelo de pronóstico para la estimación de la utilización y confiabilidad de equipos dinámicos . Caso : Equipo de compresión de la RPMNE confiabilidad de los módulos y booster desde 2008 a agosto de 2011 por el Centro de Proceso de los Activos Cantarell. 53(5):287–297, 2013.