Series Temporales y Pronóstico
Análisis temporal, estacionariedad, ARIMA, Prophet, seasonal decomposition, métricas de pronóstico, backtesting
1¿Qué es una serie temporal?
¿Qué es una serie temporal?
Respuesta
Una serie temporal es una secuencia de puntos de datos indexados en orden cronológico. Las observaciones se recopilan a intervalos regulares (horario, diario, mensual) y a menudo presentan dependencias temporales. Ejemplos clásicos incluyen precios de acciones, temperaturas y ventas mensuales.
2¿Cuáles son los tres componentes principales de una serie temporal en la descomposición clásica?
¿Cuáles son los tres componentes principales de una serie temporal en la descomposición clásica?
Respuesta
La descomposición clásica de series temporales identifica tres componentes: tendencia (evolución a largo plazo), estacionalidad (patrones repetitivos a intervalos fijos) y residuo (ruido aleatorio no explicado). Esta descomposición puede ser aditiva o multiplicativa según la naturaleza de los datos.
3¿Qué es la estacionariedad en una serie temporal?
¿Qué es la estacionariedad en una serie temporal?
Respuesta
Una serie temporal es estacionaria cuando sus propiedades estadísticas (media, varianza, autocorrelación) permanecen constantes en el tiempo. La estacionariedad es una suposición fundamental para muchos modelos de pronóstico como ARIMA. Una serie no estacionaria a menudo necesita ser transformada (diferenciación) antes del modelado.
¿Qué prueba estadística se usa comúnmente para verificar la estacionariedad de una serie temporal?
¿Cómo hacer estacionaria una serie temporal no estacionaria?
+19 preguntas de entrevista
Otros temas de entrevista Data Science & ML
Fundamentos de Python
Programación Orientada a Objetos en Python
Estructuras de datos en Python
Fundamentos de Git
Fundamentos de SQL
Fundamentos de NumPy
Fundamentos de Pandas
Jupyter & Google Colab
SQL Joins y consultas avanzadas
Pandas avanzado
Visualización con Matplotlib & Seaborn
Visualizaciones interactivas con Plotly
Estadística descriptiva
Estadística inferencial
Web Scraping
BigQuery & Cloud Data
Feature Engineering
ML Supervisado: Regresión
ML Supervisado: Clasificación
Árboles de Decisión y Ensembles
ML No Supervisado
Pipelines ML y Validación
Fundamentos de Deep Learning
TensorFlow & Keras
CNN y clasificación de imágenes
RNN y Secuencias
Transformers y Attention
NLP y Hugging Face
GenAI y LangChain
MLOps y Despliegue
Domina Data Science & ML para tu próxima entrevista
Accede a todas las preguntas, flashcards, tests técnicos, ejercicios de code review y simuladores de entrevista.
Empieza gratis