Estructura temporal
Frecuencia, nivel, tendencia, ciclo, estacionalidad, irregularidad y cambios de régimen.
Data Science for Business Decisions · Módulo 07
Series de tiempo, forecasting y Machine Learning temporal
Un recorrido que conecta la lectura clásica de tendencia y estacionalidad con diagnóstico moderno, backtesting de origen rodante y modelos de Machine Learning. La regla transversal es simple: el futuro nunca participa de la construcción del pasado.
DescomposiciónSTL · estacionariedadACF/PACFARIMA/ETSLags y ventanasWalk-forwardForecasting ML
Seguimiento del núcleo curricular: 0 de 5 recursos completados.
Pregunta de decisión
¿Qué parte del futuro es predecible, con qué incertidumbre y para qué decisión?
Una métrica aislada no alcanza: horizonte, disponibilidad real de información, costo del error y baseline determinan si el forecast agrega valor.
Una métrica aislada no alcanza: horizonte, disponibilidad real de información, costo del error y baseline determinan si el forecast agrega valor.
Del clásico al moderno
Suavizado, transformaciones, estacionariedad, dependencia temporal y pronósticos reconstruidos.
Pasado → futuro
Baselines, lags, ventanas, walk-forward, múltiples horizontes e incertidumbre sin leakage.
Tres presentaciones integradas
Los visores usan las presentaciones vigentes de Google Drive. Cada uno permite autoplay configurable, pantalla completa y exportación directa a PDF/PPTX sin congelar una copia antigua.
Descomposición clásica
Tendencia, ciclo, estacionalidad e irregularidad; aditivo/multiplicativo, promedios móviles, índices, desestacionalización y reconstrucción.
Tratamiento moderno
Diagnóstico temporal, transformaciones, estacionariedad, autocorrelación y herramientas para separar señal, dependencia y ruido.
Machine Learning temporal
Reformulación supervisada, features rezagadas, validación temporal, horizontes y comparación honesta entre modelos y baselines.
Los permisos de los archivos de Google Drive no son modificados por este sitio. Si Google solicita acceso, usá la cuenta que ya tiene permiso.
Laboratorio interactivo
Cinco simulaciones conceptuales, autocontenidas y sin datos externos. Cambiá un control por vez, formulá una hipótesis y observá qué cambia en el gráfico, en la fuga de información o en el error.
Componentes de una serie
Construí tendencia, estacionalidad y ruido y observá cómo se superponen.
Promedios móviles
Compará ventanas causales y centradas y detectá cuándo aparece información futura.
Aditivo vs. multiplicativo
Explorá amplitud estacional y reconstrucción del pronóstico.
Lags, ventanas y leakage
Auditá si cada feature estaría disponible en el momento de decisión.
Backtesting y horizonte
Mové el origen y compará baseline estacional con un modelo de tendencia + estacionalidad.
Reglas metodológicas que no se negocian
Disponibilidad temporal
Una feature para predecir t+h debe poder calcularse en el origen t. Lags y ventanas son válidos solo si terminan antes o en ese origen.
Future leakage
Una media centrada, un escalador ajustado con toda la serie o un tuning que mira el test hacen que el score sea optimista aunque el código funcione.
Baseline antes que sofisticación
Último valor y último ciclo estacional deben estar en la comparación. Si el modelo complejo no los supera de forma estable, no hay valor predictivo demostrado.
Error por horizonte
El desempeño a 1 paso y a 12 pasos responde a problemas distintos. Reportá métricas por horizonte, período y régimen, no solo un promedio global.
Estudio y evaluación
Cuestionario avanzado
20 preguntas con devolución inmediata sobre descomposición, estacionariedad, autocorrelación, validación temporal, métricas y ML.
Glosario de estudio
Más de 50 conceptos organizados por fundamentos, modelos, validación, métricas y Machine Learning temporal, con búsqueda instantánea.