Documentos de Académico
Documentos de Profesional
Documentos de Cultura
SERIES DE
TIEMPO
SALA 2
QUÉ ES UNA SERIE DE TIEMPO
01 Tendencia secular
o regular
Que indica la marcha general y persistente del fenómeno
observado, es una componente de la serie que refleja la
evolución a largo plazo. Por ejemplo, la tendencia
creciente del índice de reciclado de basuras en los países
desarrollados, o el uso creciente de Internet en la sociedad,
independientemente de que en un mes concreto en un país,
por determinadas causas, haya una baja en la utilización de
Internet.
02
Variación estacional
Los analistas de datos tienen mucho que ganar con el análisis de series temporales.
Desde la limpieza de datos sin procesar, darles sentido y descubrir patrones para ayudar
con las proyecciones, se puede lograr mucho mediante la aplicación de varios modelos
de series temporales. He aquí algunas ventajas del análisis de series temporales:
Limpia datos y elimina factores de confusión. La limpieza de datos filtra el ruido, elimina
los valores atípicos o aplica varios promedios para obtener una mejor perspectiva general
de los datos. Significa concentrarse en la señal filtrando el ruido. El proceso de análisis de
series temporales elimina todo el ruido y permite a las empresas obtener una imagen más
clara de lo que sucede día a día.
● Proporciona la comprensión de los datos. Los modelos utilizados en el análisis de series temporales
ayudan a interpretar el verdadero significado de los datos en un conjunto de datos, lo que facilita la
vida de los analistas de datos. Los patrones de autocorrelación y las medidas de estacionalidad se
pueden aplicar para predecir cuándo se puede esperar un determinado punto de datos. Además, las
medidas de estacionariedad pueden obtener una estimación del valor de dicho punto de datos.
● Proporciona la comprensión de los datos. Los modelos utilizados en el análisis de series temporales
ayudan a interpretar el verdadero significado de los datos en un conjunto de datos, lo que facilita la
vida de los analistas de datos. Los patrones de autocorrelación y las medidas de estacionalidad se
pueden aplicar para predecir cuándo se puede esperar un determinado punto de datos. Además, las
medidas de estacionariedad pueden obtener una estimación del valor de dicho punto de datos.
Desventajas
● El análisis de series temporales no es perfecto. Puede sufrir la generalización a partir de un solo
estudio donde se justificaron más puntos de datos y modelos. El error humano podría identificar
erróneamente el modelo de datos correcto, lo que podría tener un efecto de bola de nieve en la salida.
● También podría ser difícil obtener los puntos de datos convenientes. Un punto importante de
diferencia entre el análisis de series temporales y la mayoría de los demás problemas estadísticos es
que en una serie temporal, las observaciones no siempre son independientes.
● Por ejemplo, un solo evento fortuito puede afectar todos los puntos de datos posteriores, y depende
de cada científico de datos medir con precisión cuál de estos eventos puede tener un impacto en el
análisis en cuestión. ¿Existen similitudes en las predicciones que pueden hacer que los datos
históricos sean útiles?
Tipos de series de Tiempo
Los métodos de pronóstico pueden clasificarse en dos grandes bloques: métodos
cualitativos o subjetivos y métodos cuantitativos. Debido a que el objetivo es
desarrollar un modelo de tráfico se escogió los métodos cuantitativos de series de
tiempo, estos métodos modelan las series de tiempo estudiando la estructurade
correlación que el tiempo, o el índice, o la distancia induce en las variables
aleatorias que originan la serie.