Cuestionario vinculado a una guía · Medio Nivel

Métricas de precisión de pronóstico: MAPE, sMAPE y MASE Quiz

Compare errores de pronóstico escalados y porcentuales, maneje cero datos reales e interprete valores métricos en relación con un punto de referencia ingenuo.

Rutas de guía relacionadasMétricas de precisión de pronóstico Mape y Smape
Pregunta 1 de 8

La demanda real es 100 y el pronóstico es 90. ¿Cuál es el error porcentual absoluto según MAPE?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. La demanda real es 100 y el pronóstico es 90. ¿Cuál es el error porcentual absoluto según MAPE?
    • 10%
    • 90%
    • 100%
    • 0.1%
  2. ¿Qué problema surge para MAPE cuando un valor real es cero?
    • The forecast must also be zero
    • Its percentage denominator is zero
    • The metric becomes a probability
    • The error is automatically counted as perfect
  3. ¿Qué indica MASE debajo de uno según su definición habitual?
    • The model's error is below one target unit
    • Every test forecast is more accurate than the baseline
    • Test MAE is below the selected in-sample naive MAE scale
    • The model has zero bias
  4. ¿Por qué indicar la fórmula exacta de sMAPE en un informe?
    • It removes forecast bias automatically
    • sMAPE has only one universal zero definition
    • The metric is always expressed in target units
    • Implementations use different scaling and zero conventions
  5. ¿Por qué MAPE puede poner demasiado énfasis en las observaciones de bajo volumen?
    • It divides each absolute error by the training-set naive error scale
    • A fixed absolute miss becomes a larger percentage when the actual is small
    • It gives greater percentage weight to high-volume observations
    • It averages signed percentage errors so positive and negative misses cancel
  6. For seasonal data, which MASE denominator may be more relevant?
    • The test-set standard deviation only
    • The largest observed forecast error
    • A seasonal-naive training error at the matching period
    • The training mean squared error
  7. If the training naive MAE denominator is zero, what happens to MASE?
    • It becomes the number of forecasts
    • siempre es cero
    • It equals MAPE
    • It is undefined without a defined alternative convention
  8. Why evaluate forecasts using the same time windows and origins?
    • To make model comparisons use equivalent information and cases
    • To make all actual values nonzero
    • To guarantee stationarity
    • To eliminate the need for a baseline