Glosario · approach
Previsión de Series Temporales
Campo de modelado estadístico para predecir valores futuros a partir de observaciones ordenadas en el tiempo; incluye ARIMA, ETS y modelos en espacio de estados.
Time Series ForecastingAnálisis de Series TemporalesMetodología Box-Jenkins
La Previsión de Series Temporales (Time Series Forecasting) es la disciplina estadística que produce estimaciones puntuales e intervalares de valores futuros a partir de datos ordenados cronológicamente (demanda, precio, temperatura, tráfico). Componentes clave: tendencia (dirección de largo plazo), estacionalidad (repetición periódica), ciclo (oscilación de larga onda) y residuo (ruido). La metodología clásica fue formalizada por Box y Jenkins (1970): pruebas de estacionariedad (ADF, KPSS), diferenciación (d), análisis de autocorrelación (ACF) y autocorrelación parcial (PACF), identificación de ARIMA (p,d,q) y SARIMA (P,D,Q,m), estimación de parámetros y diagnóstico de residuos. La familia en espacio de estados (ETS — error/tendencia/estacionalidad) modela tendencia y estacionalidad en un marco flexible; el suavizado exponencial triple de Holt-Winters es el antecedente práctico. Variantes modernas: modelos estructurales de series temporales, regresión dinámica (ARIMAX con entradas exógenas), series temporales bayesianas, aprendizaje automático (gradient boosting, LSTM, Temporal Fusion Transformer). Hyndman y Khandakar (2008) estandarizaron la selección automática de modelo. Para previsiones jerárquicas (referencia-categoría-total) los métodos de reconciliación imponen coherencia entre niveles.
Örnek
Un operador de e-commerce prevé el volumen diario de pedidos con un modelo SARIMA(1,1,1)(0,1,1)7 en el que m=7 captura la estacionalidad semanal; el MAPE se estabiliza alrededor del 8,4% y la salida alimenta la planificación de stock y capacidad de envío.