Descripción: Una serie temporal no estacionaria es un conjunto de datos que se recopilan a lo largo del tiempo y cuyas propiedades estadísticas, como la media y la varianza, cambian de manera dinámica. Esto significa que, a diferencia de las series temporales estacionarias, donde estas propiedades permanecen constantes, las series no estacionarias pueden mostrar tendencias, ciclos o variaciones estacionales que afectan su comportamiento. Estas características hacen que el análisis y la modelización de series temporales no estacionarias sean más complejos, ya que requieren técnicas específicas para identificar y ajustar las fluctuaciones en los datos. La identificación de la no estacionariedad es crucial en el análisis predictivo, ya que influye en la precisión de los modelos utilizados para hacer pronósticos. En general, las series temporales no estacionarias son comunes en muchos campos, incluyendo la economía, la meteorología y la ingeniería, donde los fenómenos observados pueden verse afectados por múltiples factores a lo largo del tiempo.
Historia: El concepto de series temporales no estacionarias ha evolucionado a lo largo del tiempo, con sus raíces en el desarrollo de la estadística y la econometría en el siglo XX. En la década de 1970, el trabajo de investigadores como George E.P. Box y Gwilym M. Jenkins fue fundamental para establecer métodos de análisis de series temporales, incluyendo la identificación de la no estacionariedad. Su libro ‘Time Series Analysis: Forecasting and Control’, publicado en 1970, introdujo el enfoque ARIMA (AutoRegressive Integrated Moving Average), que se utiliza ampliamente para modelar series temporales no estacionarias.
Usos: Las series temporales no estacionarias se utilizan en diversas aplicaciones, como la predicción de precios en mercados financieros, el análisis de datos meteorológicos y la planificación de la producción en industrias. En finanzas, por ejemplo, los analistas utilizan modelos no estacionarios para prever cambios en los precios de las acciones, teniendo en cuenta tendencias y ciclos económicos. En meteorología, se aplican para modelar patrones climáticos que pueden cambiar con el tiempo debido a factores como el cambio climático.
Ejemplos: Un ejemplo de serie temporal no estacionaria es el índice de precios al consumidor (IPC), que puede mostrar tendencias a largo plazo debido a la inflación. Otro ejemplo es el análisis de las temperaturas globales, que puede presentar variaciones estacionales y tendencias a largo plazo relacionadas con el cambio climático. En el ámbito financiero, los precios de las acciones de una empresa a lo largo del tiempo también son un claro ejemplo de una serie temporal no estacionaria, ya que pueden verse afectados por múltiples factores económicos y eventos externos.
