Un desarrollador tiene datos históricos de demanda por hora en Amazon S3, pero faltan algunas horas. El desarrollador quiere verificar si un modelo ARIMA es adecuado. ¿Cuál es la mejor manera de verificar la idoneidad de ARIMA?

La opción correcta es usar Amazon SageMaker Data Wrangler para cargar datos de S3, remuestrear los datos calculando los totales agregados diarios y realizar una descomposición de tendencia estacional. ARIMA (AutoRegressive Integrated Moving Average) es un modelo de series temporales que requiere datos con un intervalo de tiempo fijo. Los datos por hora con valores faltantes no son adecuados directamente. Remuestrear los datos a una granularidad diaria (sumando los totales) resuelve el problema de los datos faltantes y crea una serie de tiempo regular. La descomposición de tendencia estacional es crucial para entender los componentes de la serie temporal y determinar si ARIMA, que modela la estacionalidad y la tendencia, es apropiado. Las otras opciones son incorrectas porque: Imputar valores horarios faltantes podría introducir ruido o sesgos si no se hace correctamente y no resuelve la necesidad de una serie de tiempo regular para ARIMA. Amazon SageMaker Autopilot no soporta ARIMA directamente como un "tipo de problema" para series temporales; se enfoca más en problemas de clasificación y regresión con datos tabulares.