Objetivos de aprendizaje

• Importancia del análisis de datos de series temporales
• Análisis práctico de datos de series temporales
• Computadora portátil

Importancia del análisis de datos de series temporales

• El análisis de datos es una parte muy importante de los datos de series temporales. Hay múltiples factores para ello.
• Algunos problemas de series de tiempo a menudo se resuelven mediante un análisis de datos adecuado.
• Cuando hablamos de análisis de datos para datos de series temporales, se trata tanto de técnicas estadísticas como de análisis exploratorio.
• Ayuda a encontrar los patrones de los datos, así como la estructura de los datos. Cuando decimos patrón, queremos verificar si los datos tienen estacionalidad, o tendencia creciente o decreciente en los datos, si los datos son cíclicos, o si los datos son estacionarios o no estacionarios.
• También lo ayuda a lidiar con los datos que faltan en los datos de series temporales. Para problemas normales de aprendizaje automático, completamos los valores faltantes con la media, la mediana, la moda o descartamos los datos. Pero en el caso de datos de series de tiempo, para completar los valores que faltan, necesitamos entender la estructura de los datos. En los datos de series temporales, ni siquiera podemos descartar los datos, ya que el orden de los eventos que suceden en el mundo de las series temporales es muy importante.

En el video a continuación, el tutor discutirá las siguientes cosas:

• La importancia del análisis de datos para datos de series de tiempo en detalle
• Mostrar diferentes técnicas de análisis de datos, como, diagrama de autocorrelación, diagrama de líneas, diagrama de retardo, selector de rango, diagrama deslizante, etc., con la ejecución de códigos de Python en Google Cuaderno colaborativo. ​ ​

​ ​

Computadora portátil

https://github.com/srivatsan88/End-to-End-Time-Series/blob/master/Timeseries_Data_analysis.ipynb

​ ​

Autocorrelación y Autocorrelación parcial

• Los diagramas de autocorrelación y autocorrelación parcial se utilizan mucho en el análisis y pronóstico de series de tiempo.
• Estos son diagramas que resumen gráficamente la fuerza de una relación entre dos observaciones:
  • La observación actual en series de tiempo, y
  • Las observaciones en pasos de tiempo anteriores

Nota: No se preocupe si tiene dificultades para comprender estos términos. Lo harás a medida que avances en el curso.

Autocorrelación

• Podemos calcular la correlación de las observaciones de series de tiempo con pasos de tiempo anteriores, llamados retrasos.
• Debido a que la correlación de las observaciones de la serie temporal se calcula con valores de la misma serie en momentos anteriores, esto se denomina correlación serial o autocorrelación.

​

Autocorrelación parcial

Una autocorrelación parcial es un resumen de la relación. entre una observación en una serie de tiempo con observaciones en pasos de tiempo previo con las relaciones de intervención (que ocurre entre) observaciones eliminadas.

Artículo intuitivo sobre autocorrelación y autocorrelación parcial​

https://machinelearningmastery.com/introducción-suave-autocorrelación-autocorrelación-parcial/

El siguiente video es opcional para ver. Explica Autocorrelación y Autocorrelación parcial.

​ ​ ​