Español | English
rss facebook linkedin Twitter

Series Temporales

Las series temporales son muy interesantes en muchos campos de la vida cotidiana. Como no podía ser menos, también lo son desde el punto de vista de la seguridad informática. Tal y como nos adelantó un compañero recientemente, este tipo de series pueden ser utilizadas, por ejemplo, para salvaguardar la imagen corporativa, para obtener patrones de comportamiento, etc.
Las series de tiempo quedan definidas como un conjunto de observaciones uniformemente ordenadas en el tiempo. Una de las múltiples formas de categorizar este tipo de series es en el número de variables aleatorias utilizadas para la construcción del modelo, quedando las series en:
  • Univariantes: Son aquellos modelos cuyo comportamiento queda descrito por una única variable aleatoria (p.ej. La evolución de la gasolina a lo largo del tiempo).
  • Multivariantes: Son aquellos modelos cuyo comportamiento queda descrito por más de una variable aleatoria (p.ej. Creación de dióxido de carbono (CO2) centrada en la concentración de carbono y oxigeno a lo largo del tiempo).

Por otro lado, toda serie temporal consta de los siguiente elementos:
  • Tendencia: Es una componente de la serie temporal que refleja la dirección hacia la que tiende la serie a largo plazo.
  • Variables estacionales o Ciclicas: Es una componente de la serie que recoge las oscilaciones que se producen alrededor de la tendencia, de forma repetitiva y en periodos a corto plazo.
  • Otras Fluctuaciones: Componente de la serie que toma los valores residuales de esta, que no son explicados ni por la tendencia ni por las variaciones estacionales. Esta componente puede o no tener un comportamiento aleatorio.
Pero lo realmente interesante del análisis y predicción de las series de tiempo radica en predecir acciones futuras o anomalías basándonos en el comportamiento pasado del caso de estudio. Dentro de las series temporales nos podemos encontrar con algoritmos muy variados, desde las regresiones pasando por el algoritmo de Holt-Winters (predicción de la serie de tiempo centrada en la descomposición de la serie) o la metodología de Box-Jenkins.


En la actualidad los estudios de las series de tiempo pueden ser solucionados mediante otras técnicas como el uso de wavelets, la segmentación basada en patrones para predecir series de tiempo caóticas, o la identificación de anomalías en series de tiempo basadas en las diferencias de la dimensión fractal de la serie, es decir, identificación de anomalías calculando la distrubución de la serie sobre el espacio (junto con sus microfluctuaciones), dimensión Minkowski–Bouligand, comparandola con los nuevos datos de la serie, algoritmo Grassberger-Procaccia. Esta última técnica basada, fundamentalmente en la Teoría del Caos, deriva de la física, que se encuentra en continua evolución.

Aitor Corchero Rodríguez
S21sec labs

1 comentario:

Isra dijo...

Una buena introducción a la series temporales.

Las series temporales han tenido mucho éxito en diferentes campos y sin duda en el económico y bursátil, con gran cantidad de aficionados a "predecir" valores en bolsa.

Más allá de este ámbito, las predicciones nos ayudan a anticiparnos a la realidad y estar preparados ante cualquier evento.

Si a alguien le ha gustado el tema, puede leer una introducción detallada en este libro Introduction to Time Series and Forecasting

Saludos


(+34 902 222 521)


24 horas / 7 días a la semana



© Copyright S21sec 2013 - Todos los derechos reservados


login