Glosario IA
El diccionario completo de la Inteligencia Artificial
Descomposición aditiva
Método analítico que separa una serie temporal en componentes independientes (tendencia, estacionalidad, residuos) según una relación aditiva donde y(t) = g(t) + s(t) + h(t) + ε(t).
Puntos de cambio
Momentos detectados automáticamente donde la tasa de crecimiento de la tendencia cambia significativamente, permitiendo capturar cambios estructurales en los datos sin intervención manual.
Tendencia logística
Modelado de crecimiento saturado con una capacidad máxima, utilizando una función sigmoide para representar fenómenos que se estabilizan naturalmente con el tiempo.
Efectos calendarios
Impacto específico de días particulares (festivos, eventos excepcionales) en las previsiones, modelado mediante regresores adicionales con efectos antes y después de cada fecha calendario.
Incertidumbre de predicción
Intervalo de confianza generado por simulación de Monte Carlo que integra la incertidumbre sobre los parámetros de tendencia, la estacionalidad y las observaciones ruidosas para cuantificar la fiabilidad de las previsiones.
Regresión lineal por tramos
Enfoque que modela la tendencia como una serie de segmentos lineales conectados en los puntos de cambio, permitiendo una flexibilidad local mientras se mantiene la simplicidad interpretativa.
Series de Fourier
Representación matemática de la estacionalidad utilizando combinaciones de senos y cosenos con diferentes frecuencias, permitiendo una aproximación flexible de los patrones cíclicos regulares.
Estacionalidad semanal
Componente cíclico de período de 7 días que captura los patrones recurrentes semana tras semana, modelada por defecto con 3 pares de términos de Fourier para equilibrar flexibilidad/regularidad.
Estacionalidad anual
Patrón cíclico de 365.25 días que captura las variaciones estacionales anuales, configurable en número de términos de Fourier según la complejidad de los datos (10 por defecto).
Validación cruzada temporal
Método de evaluación específico para series temporales donde los conjuntos de entrenamiento y prueba respetan el orden cronológico, utilizando ventanas deslizantes para evaluar el rendimiento predictivo.
Priors bayesianos
Distribuciones a priori sobre los parámetros del modelo (Laplace para la tendencia, Normal para la estacionalidad) que sirven para regularizar la estimación y prevenir el sobreajuste a datos ruidosos.
Capacidad de saturación
Parámetro de la tendencia logística que define el valor máximo asintótico que puede alcanzar la serie temporal, esencial para modelar mercados con saturación natural.
Multiplicador de estacionalidad
Parámetro que ajusta la amplitud relativa del componente estacional con respecto a la tendencia, permitiendo controlar la importancia de los efectos cíclicos en el modelo final.