Análisis de series temporales

Comisión/Clase/Versión/Autor
¿Qué es una serie temporal?
Secuencia de valores
ordenados en el tiempo.

Mediciones de una misma

variable, igualmente
espaciadas en el tiempo.
Tipos de series

(a) Muestra una serie

estacionaria en la
media.
(b) Proceso no
estacionario en la
media.
Tipos de series

(c) Patrón estacional.

(d) Outlier.
Función de autocorrelación (ACF)
Correlación entre las mediciones que se separan en k tiempos.
Función de autocorrelación parcial (PACF)
Correlación condicional entre las mediciones que se separan en k tiempos.
Proceso ruido blanco.
Secuencia de variables aleatorias no correlacionadas, que siguen una
misma distribución, con igual media (generalmente se asume media 0),
varianza constante y covarianza cero para todo k≠0.

También conocido como “el camino del borracho”.

Procesos autorregresivos AR(p)
Son procesos en los que el valor de Y observado en el tiempo t depende de
sus p valores anteriores (t-1, t-2, …, t-p).

Es decir que podría expresarse:

AR (1)
● ACF decae lentamente.
● PACF lag 1 significativo,
los demás tienden a 0.
AR (2)
● ACF decae lentamente.
● PACF lag 1 y 2
significativos, los demás
tienden a 0.
AR (2)
● ACF decae lentamente.
● PACF lag 1 y 2
significativos, los demás
tienden a 0.
Procesos de media móvil MA(q)
Y depende de una combinación de variables aleatorias no correlacionadas
(ruido blanco), que son ni más ni menos que los términos de error:
Procesos de media móvil MA(q)
donde:
MA (1)
● ACF lag 1 significativo, los
demás tienden a 0.
● PACF decae lentamente.
MA (2)
● ACF lag 1 y 2 significativos,
los demás tienden a 0.
● PACF decae lentamente.
MA (2)
● ACF lag 1 y 2 significativos,
los demás tienden a 0.
● PACF decae lentamente.
Modelos ARIMA
Modelos ARMA: combinan AR y MA. Se expresan ARMA(p, q).

Cuando el proceso no es estacionario, diferenciamos la serie. Es decir,

creamos una nueva variable:

Zt = Yt - Yt-1

Esto da lugar a ARIMA(p, d, q). La letra d indica cuántas veces

diferenciamos la serie.
Diferenciación de las series temporales

✅ Sirve para ir de un proceso no estacionario a uno

estacionario.

✅ Ojo! No sobre-diferenciar
En caso de usar una fotola serie.
particular,

✅ Diferenciar lo mínimo y necesario hasta tener un

proceso aproximadamente estacionario.
Evaluar un modelo ARIMA
● ME - Error medio
● MAE - Error medio absoluto
● MAPE - Error Porcentual Absoluto Medio
● Error mínimo
● Error máximo
● Rango del error
● Correlación (entre serie observada y predicha por el modelo)
Evaluar un modelo ARIMA
BIC: criterio de la información de Bayes

AIC: criterio de la información de Akaike

Ambos tienen por objetivo informar sobre la capacidad de predicción del

modelo, teniendo en cuenta que cuando aumenta la cantidad de parámetros,
aumenta la posibilidad de overfitting.

Valor más bajo indica mejor modelo.

Próxima clase
● Continuamos series temporales.