Title 4. Componentes de una serie temporal.pdf ✅

COMPONENTES DE LAS SERIES TEMPORALES En el contexto del aprendizaje automático (ML), una serie temporal se refiere a un tipo específico de conjunto de datos que consiste en observaciones recopiladas secuencialmente en intervalos de tiempo regulares. Estos datos pueden provenir de diversas fuentes, como sensores, sistemas de monitoreo, registros financieros, datos climáticos, registros médicos, entre otros. Las series temporales en ML son diferentes de los conjuntos de datos estáticos tradicionales, ya que tienen una dimensión temporal que debe tenerse en cuenta al realizar el análisis y la modelización. La estructura de una serie temporal típica consta de dos componentes principales: 1. Valores observados: Estos son los valores de la variable de interés (por ejemplo, temperatura, precio de una acción, número de ventas) que se han recopilado en momentos específicos del tiempo. 2. Marcas de tiempo: Cada observación en la serie temporal está asociada con una marca de tiempo que indica cuándo se realizó la medición. Estas marcas de tiempo pueden ser simples (como fechas o intervalos de tiempo regulares) o más complejas, dependiendo de la frecuencia y la granularidad de las observaciones. Las series temporales se utilizan en una gran variedad de problemas de ML, como la predicción de series temporales (por ejemplo, predecir el precio de las acciones, la demanda de productos), el análisis de tendencias y patrones temporales, la detección de anomalías, la clasificación de series temporales y muchos más más. El análisis de series temporales implica estudiar datos que se han recopilado a lo largo del tiempo para identificar patrones, tendencias y comportamientos. Es como examinar un registro cronológico de eventos para entender cómo han cambiado con el tiempo y cómo podrían cambiar en el futuro. Primero, se exploran los datos para detectar patrones visuales, como fluctuaciones regulares, tendencias ascendentes o descendentes, o anomalías inesperadas. Luego, se utilizan técnicas estadísticas y modelos matemáticos para analizar estos patrones y hacer predicciones sobre el comportamiento futuro de los datos. Los componentes principales de una serie temporal son: 1. Tendencia: • La tendencia es la dirección general en la que los datos de la serie temporal están aumentando, disminuyendo o permaneciendo estables a lo largo del tiempo. • En el análisis de series temporales, identificar la tendencia es crucial para comprender la evolución a largo plazo de los datos. • En términos de machine learning, modelar la tendencia puede implicar ajustar un modelo de regresión lineal o polinómica a los datos para capturar la dirección general de la serie temporal.
2. Estacionalidad: • La estacionalidad se refiere a patrones repetitivos o ciclos que ocurren con una periodicidad fija en la serie temporal. • Estos ciclos pueden ser diarios, semanales, mensuales o anuales, y representan fluctuaciones predecibles en los datos. • En el contexto del machine learning, identificar y modelar la estacionalidad es importante para capturar las variaciones periódicas en los datos y mejorar la precisión de las predicciones. 3. Variación cíclica: • La variación cíclica representa fluctuaciones que no siguen un patrón fijo y que pueden ser el resultado de factores económicos, sociales o políticos. • A diferencia de la estacionalidad, los ciclos no tienen una periodicidad fija y pueden ser de mayor duración. • En machine learning, modelar la variación cíclica implica identificar y capturar las fluctuaciones a largo plazo en los datos que no están relacionadas con la estacionalidad ni con la tendencia. 4. Variación irregular o residual: • La variación irregular, también conocida como residuo, es la parte de la serie temporal que no puede explicarse mediante la tendencia, la estacionalidad o la variación cíclica. • Representa la aleatoriedad o el ruido en los datos, que puede ser el resultado de factores imprevistos o eventos únicos. • En machine learning, modelar la variación irregular implica identificar y eliminar el ruido de los datos para obtener predicciones más precisas y confiables. PRINCIPALES MODELOS PREDICTIVOS USADOS EN EL ANÁLISIS DE SERIES TEMPORALES ARIMA (Modelo Autorregresivo Integrado de Media Móvil): ARIMA es un modelo estadístico que combina componentes de autoregresión, media móvil e integración para modelar la tendencia, la estacionalidad y la variación irregular en los datos de una serie temporal. SARIMA (Modelo Autorregresivo Integrado de Media Móvil Estacional): SARIMA es una extensión de ARIMA que incluye términos estacionales para modelar patrones estacionales en los datos de la serie temporal. Prophet: Prophet es un modelo desarrollado por Facebook diseñado para hacer predicciones precisas en series temporales con tendencias, estacionalidad y días festivos irregulares. Utiliza un enfoque aditivo para modelar la serie temporal como la suma de tendencia, estacionalidad y efectos de días festivos.
Naive: El modelo Naive hace predicciones utilizando el último valor observado en la serie temporal como la predicción para el siguiente período. Es simple pero puede ser útil como punto de referencia para comparar con otros modelos más sofisticados. Media Móvil (Moving Average): El modelo de Media Móvil calcula la media de un conjunto de puntos de datos adyacentes en una ventana móvil y utiliza esta media como la predicción para el siguiente período. Hay variantes como Media Móvil Simple (SMA), Media Móvil Exponencial (EMA), entre otras. Modelo de Suavizado Exponencial (Exponential Smoothing): Los modelos de Suavizado Exponencial son métodos de predicción que asignan pesos exponenciales decrecientes a los valores observados en la serie temporal. Hay variantes como Suavizado Exponencial Simple (SES), Suavizado Exponencial Doble (DES) y Suavizado Exponencial Triple (TES). Redes Neuronales Recurrentes (RNN) y LSTM (Long Short-Term Memory): Las RNN y sus variantes LSTM son modelos de redes neuronales diseñados para manejar datos secuenciales, como series temporales. Son capaces de capturar dependencias temporales a largo plazo en los datos.