10 – Detección de «outliers» usando el método de Tukey

Lección 10 del curso Series de Tiempo: Pre-procesamiento.

En la lección anterior vimos cómo detectar “outliers” usando inspección visual. Y a pesar de que se trata de un método simple, tiene la desventaja de que resulta siendo muy subjetivo y no es lo suficientemente preciso al momento de detectar valores extremos en la Serie de Tiempo.

En esta lección veremos el método de Tukey para la detección de valores extremos en Series de Tiempo, un método estadístico que permite realizar una detección más rigurosa en comparación con los métodos de inspección visual.

Así que comenzaremos retomando lo visto en la lección anterior con respecto al método de detección de “outliers” usando boxplots y partiendo de esto veremos todos los detalles del método de Tukey.

Al final, resumiremos las características del método y las situaciones en las que resulta aconsejable usarlo:

Como acabamos de ver, el método de Tukey funciona de manera muy similar a la detección de “outliers” con inspección visual usando boxplots. Sin embargo, la ventaja del método de Tukey es que es más preciso, pues los límites superior e inferior usados en la detección se calculan directamente a partir de los gráficos.

Además, como el método de Tukey se basa en el uso de percentiles y del rango intercuartiles, cabe resaltar que es un método que funciona cuando la distribución de las observaciones no necesariamente sigue una distribución Normal o Gaussiana.

Teniendo esto claro, en la próxima lección veremos un segundo método de detección de “outliers”, también estadístico, pero que podemos usar únicamente cuando las observaciones en la Serie de Tiempo tienen una distribución Gaussiana. Hablaremos entonces de la detección de “outliers” con el método z-score.

Todas las lecciones del curso Series de Tiempo: Preprocesamiento