Con una exposición centrada en uno de los desafíos actuales de la ciencia de datos y la estadística aplicada, el Dr. César Ojeda, académico de la Escuela de Estadística de la Universidad del Valle (Colombia), fue el invitado de una nueva sesión del Ciclo de Seminarios en Data Science 2026, organizado por el Instituto de Matemática, Física y Estadística (IMFE), el Magíster en Data Science y la Facultad de Ingeniería y Negocios de Universidad de Las Américas.
Durante su presentación, el especialista abordó el análisis de series de tiempo con observaciones registradas en intervalos irregulares, un problema frecuente en disciplinas como las finanzas, la astronomía, la climatología, las ciencias médicas y la economía.
“En muchas áreas del conocimiento los datos no se observan de manera regular. Este es un desafío que enfrentan investigadores en astronomía, climatología, economía y finanzas, quienes constantemente requieren nuevas herramientas para modelar estos fenómenos”, explicó el Dr. Ojeda.
El académico detalló que, a diferencia de las series de tiempo tradicionales, donde las observaciones se registran a intervalos constantes, numerosos fenómenos del mundo real generan datos con espacios temporales variables, situación que obliga a desarrollar metodologías específicas para su correcto análisis.
Como ejemplo, presentó el caso de los retornos financieros diarios, donde fines de semana y días festivos generan interrupciones naturales en la disponibilidad de información. “Cuando observamos los mercados financieros encontramos patrones irregulares intrínsecos a los datos. Es algo que debemos considerar al momento de proponer modelos y realizar estudios estadísticos”, señaló.
Durante la actividad, el expositor revisó avances metodológicos desarrollados junto a su equipo de investigación para modelar este tipo de información, entre ellos modelos autorregresivos, de medias móviles y modelos ARMA adaptados a series de tiempo irregularmente espaciadas.
Según explicó, una de las principales innovaciones de estas propuestas es que incorporan explícitamente la distancia temporal entre observaciones. “La clave de estos modelos es pensar que la dependencia entre los datos no solo está determinada por su posición en la serie, sino también por la distancia temporal que existe entre ellos”, indicó.
El investigador también expuso las propiedades estadísticas que sustentan estas metodologías y los desafíos actuales para ampliar sus capacidades predictivas. “Uno de los objetivos que seguimos desarrollando es construir modelos cada vez más versátiles, capaces de representar de mejor manera las distintas estructuras de dependencia que aparecen en datos observados de forma irregular”, afirmó.
La jornada permitió a estudiantes, académicos e investigadores conocer herramientas de frontera para el tratamiento de datos complejos y explorar nuevas aplicaciones de la estadística avanzada en entornos reales.
“Estos problemas aparecen de forma natural en distintas áreas del conocimiento, por lo que existe una necesidad real de desarrollar soluciones estadísticas que respondan a esos desafíos”, concluyó el Dr. Ojeda.