En la vida real muchas veces las series temporales que queremos estudiar no son estacionarias en su naturaleza, por lo tanto se deben emplear técnicas matemáticas las cuales no permitirán transformar nuestra serie temporal no estacional, en una serie temporal estacional. Los Modelos Arima nos permiten describir autocorrelaciones de datos en una serie temporal. las series estacionarias son aquellas que estadísticamente no dependen del tiempo en las observaciones bajo estudio, en nuestro caso las series temporales que estamos estudiando “Ethereum”,“Cardano” y “Polkadot” se puede observar tendencia en su comportamiento histórico.

Las series de tiempo pueden manifestar diversos patrones, por lo cual es importante dividir la serie en varios componentes. En este tema se va a emplear dos tipos de descomposición con diversos métodos, el primero será la descomposición Aditiva y posteriormente la Multiplicativa. El siguiente documento es una alternativa de realizar pronósticos a través de los componentes de la serie, es bastante recomendado por mi parte

Para el uso de los modelos estadísticos, estos deben cumplir una serie de supuestos para emplearlos de buena manera, y así, tener una mejor predicción basado en el mejor ajuste

A continuación veremos métodos básicos a la hora de pronosticar variables que dependen del tiempo. Las variables que se trabajaron son de tipo financieras, llevadas a cabo como practica continua en mi carrera universitaria en la materia de Series de Tiempo de la Universidad Central de Venezuela