📊 statistics

focus and focus-cpt: Fast Online Changepoint Detection in R and Python

Este artículo presenta los paquetes de software `focus` y `focus-cpt` para R y Python, los cuales implementan una familia de algoritmos exactos y eficientes para la detección rápida de puntos de cambio en línea a través de flujos de datos univariados y multivariados, aprovechando la relación geométrica entre los candidatos a puntos de cambio y la estructura de los datos para lograr una complejidad computacional logarítmica sin aproximaciones.

Autores originales: Gaetano Romano, Kes Ward, Yuntang Fan, Guillem Rigaill, Vincent Runge, Idris A. Eckley, Paul Fearnhead

Publicado 2026-07-23

📖 8 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Gaetano Romano, Kes Ward, Yuntang Fan, Guillem Rigaill, Vincent Runge, Idris A. Eckley, Paul Fearnhead

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

La ciencia de detectar el cambio repentino

Imagine que está observando un río. La mayor parte del tiempo, el agua fluye a un ritmo constante y predecible. Pero de repente, una roca enorme cae, o un manantial oculto brota, y la corriente cambia instantáneamente. En el mundo de la ciencia de datos, esto se llama detección de puntos de cambio (changepoint detection). Es el arte de detectar el momento exacto en que un proceso pasa de un comportamiento a otro. Ya sea un monitor cardíaco detectando un latido irregular, un coche autónomo notando que un peatón baja de la acera, o un satélite detectando un estallido de energía desde el espacio profundo, encontrar estos "bloques" en tiempo real es crucial.

Sin embargo, hay un inconveniente. A medida que los datos llegan —millones de puntos por segundo—, comprobar cada una de las posibilidades de un cambio se convierte en una pesadilla computacional. Es como intentar encontrar un grano de arena específico en una playa midiendo cada uno de los granos desde el principio de los tiempos cada vez que llega uno nuevo. Aquí es donde entra la detección de puntos de cambio en línea (online changepoint detection): el desafío de encontrar el cambio mientras ocurre, sin quedar estancado por el pasado. El artículo que está a punto de leer aborda este problema con un nuevo conjunto de herramientas ultrarrápido diseñado para capturar estos cambios en flujos de datos, desde simples lecturas de temperatura hasta complejos sistemas multidimensionales, todo ello mientras se ejecuta con la rapidez necesaria para la toma de decisiones en tiempo real.

El artículo: Un demonio de la velocidad para flujos de datos

Los autores, un equipo de estadísticos y científicos de la computación, han construido un nuevo paquete de software llamado focus (y su gemelo en Python, focus-cpt) que actúa como un detective supereficiente para flujos de datos. Su principal hallazgo es que pueden calcular el "Cociente de Verosimilitud Generalizado" (GLR, por sus siglas en inglés)—una sofisticada prueba estadística que pregunta: "¿Acaba de ocurrir algo?"—con una velocidad increíble y sin escatimar en nada.

Normalmente, comprobar si hay un cambio en una larga lista de números es lento. Si tiene $n$ puntos de datos, un método ingenuo requiere comprobar cada posible punto de inicio para un cambio, lo que consume una enorme potencia de cómputo (específicamente, $O(n^2)$ operaciones). Los autores demuestran que su nuevo método, el algoritmo focus, puede realizar exactamente este mismo cálculo pero mucho más rápido. En lugar de comprobar cada grano de arena, utilizan un ingenioso truco geométrico. Imaginan los puntos de datos como una forma (un envolvente convexo o convex hull) y se dan cuenta de que solo las "esquinas" de esta forma importan. Al ignorar los puntos dentro de la forma, pueden reducir la lista de candidatos a un tamaño diminuto y manejable. Esto significa que el tiempo que tarda en comprobarse un cambio crece muy lentamente (logarítmicamente) incluso a medida que el flujo de datos se vuelve enorme, lo que lo hace perfecto para aplicaciones en tiempo real.

Lo que el artículo descarta:
Los autores argumentan explícitamente en contra del uso de "aproximaciones" para acelerar las cosas. Muchos otros métodos intentan adivinar la respuesta o simplificar las matemáticas para ahorrar tiempo, pero los autores insisten en que su método calcula la estadística GLR de forma exacta. Demuestran que no es necesario sacrificar la precisión por la velocidad; se puede tener la respuesta precisa sin el lento tiempo de procesamiento. También descartan la idea de que se deba re-escanear todo el historial de datos cada vez que llega un nuevo punto. Su método actualiza la lista de "sospechosos" (puntos de cambio candidatos) de forma incremental, descartando aquellos que ya no son relevantes.

¿Qué tan seguros están?
El artículo presenta el método como un hecho matemático: el algoritmo calcula la estadística exacta. Sin embargo, las afirmaciones de rendimiento —específicamente que es lo suficientemente rápido para su uso en tiempo real y que funciona bien en escenarios complejos— están respaldadas por simulaciones y demostraciones, más que por una única prueba universal para cada escenario posible del mundo real. Los autores muestran, a través de varios ejemplos (datos simulados y estudios de casos del mundo real), que el método funciona según lo anunciado. Por ejemplo, en sus simulaciones, muestran que para un conjunto de datos de 6 dimensiones, su aproximación de "proyección" es significativamente más rápida (tomando unos 0.166 segundos frente a los 10.409 segundos del método completo) produciendo resultados que son casi idénticos (una diferencia relativa media de solo 0.0037).

El conjunto de herramientas: Cómo funciona en el mundo real

El paquete está disponible tanto para R como para Python, dos lenguajes populares para la ciencia de datos, y comparten el mismo "cerebro" (un backend en C++), lo que significa que producen resultados idénticos. Esto facilita que los científicos cambien entre lenguajes sin cambiar su lógica.

La herramienta es increíblemente flexible. Puede manejar:

Datos simples: Como un único flujo de números (por ejemplo, la temperatura).
Datos complejos: Múltiples flujos a la vez (por ejemplo, un sensor en un satélite que mide calor, presión y radiación simultáneamente).
Diferentes tipos de datos: Funciona con datos que siguen patrones específicos (como la curva de campana de una distribución Gaussiana, o el recuento de eventos de una distribución de Poisson) e incluso con datos donde no se conoce el patrón (no paramétricos).

Los autores demuestran esta flexibilidad con algunos ejemplos interesantes del mundo real:

NBA de Baloncesto: Analizaron las puntuaciones "Plus-Minus" de los Cleveland Cavaliers. Al utilizar un detector personalizado que buscaba cambios tanto en el promedio de la puntuación como en la variabilidad de las mismas, lograron identificar con éxito el momento en que el rendimiento del equipo cambió, lo cual coincidió con el regreso de un jugador famoso.
Brotes de Rayos Gamma: En la vastedad del espacio, los brotes de rayos gamma son destellos intensos de energía que duran solo una fracción de segundo. Los autores utilizaron su herramienta de Python para detectar estos brotes en tiempo real a partir de datos de satélites. Debido a que la herramienta es tan rápida, puede identificar el momento más significativo del brote mientras ocurre, sin necesidad de saber de antemano cuánto durará el brote.
Picos Cerebrales: Aplicaron la herramienta a datos de imagen de calcio, que miden la actividad eléctrica de las neuronas. Al utilizar dos detectores —uno que vigila los picos hacia arriba y otro para las caídas hacia abajo— pudieron inferir cuándo disparaban las neuronas en tiempo real, un paso crucial para experimentos de "bucle cerrado" (closed-loop) donde un ordenador reacciona a la actividad cerebral de forma instantánea.

La "magia" detrás de la velocidad

Para entender por qué esto es importante, imagine que es un guardia de seguridad que observa la transmisión de vídeo de una calle concurrida. Un sistema ingenuo detendría el vídeo, retrocedería hasta el principio y comprobaría cada fotograma para ver si una persona se ha cambiado de ropa. Esto tomaría una eternidad. El algoritmo focus es como un guardia que solo recuerda las "esquinas" del movimiento de la multitud. Si una persona camina en línea recta, el guardia la ignora. Pero en el momento en que alguien realiza un giro brusco (un cambio), el guardia lo señala instantáneamente.

El artículo explica que esta lógica de las "esquinas" proviene de la geometría de los datos. Al convertir los datos en una forma específica, el algoritmo puede demostrar matemáticamente que cualquier punto dentro de la forma es imposible que sea el inicio de un cambio. Esto permite que la computadora "podar" (eliminar) miles de comprobaciones innecesarias de forma instantánea.

Para datos de alta dimensión (donde se tienen muchos sensores), los autores introducen un atajo inteligente. En lugar de intentar encontrar las esquinas de una forma compleja y multidimensional (lo cual es difícil), proyectan los datos sobre porciones más pequeñas y superpuestas de 2D o 3D, encuentran las esquinas allí y combinan los resultados. Demuestran en sus simulaciones que este método de "proyección" es mucho más rápido que intentar calcular la forma completa, y aun así captura los cambios con la misma eficacia.

Por qué es importante

El objetivo final de este artículo es proporcionar una interfaz común, rápida y precisa para científicos e ingenieros que necesitan detectar cambios en flujos de datos ahora mismo. Ya sea monitoreando la salud de una red eléctrica, detectando un ciberataque o decodificando la señal de una neurona, la capacidad de procesar datos de forma exacta y eficiente en tiempo real es un cambio de paradigma. Los autores han logrado cerrar la brecha entre la compleja teoría estadística y el software práctico y utilizable, demostrando que no es necesario elegir entre ser rápido y ser preciso. Se pueden tener ambos.

Resumen Técnico: focus y focus-cpt

Declaración del Problema

El artículo aborda el desafío de la detección de puntos de cambio rápida en línea en flujos de datos univariados y multivariados. Si bien la detección de puntos de cambio fuera de línea (offline) ha experimentado avances metodológicos significativos, las aplicaciones del mundo real en ingeniería, ciberseguridad, neurociencia y astrofísica requieren cada vez más el análisis en tiempo real de datos de alta frecuencia.

El problema estadístico central consiste en probar si la distribución subyacente de un flujo de datos ha cambiado en una ubicación desconocida. El enfoque estándar utiliza la prueba del Cociente de Verosimilitud Generalizado (GLR), que compara la verosimilitud de los datos bajo una hipótesis nula (sin cambio) frente a una hipótesis alternativa (ocurrió un cambio en algún momento $\tau$ desconocido). Sin embargo, una implementación secuencial ingenua de la prueba GLR requiere $O(n)$ operaciones por paso de tiempo para evaluar todos los $n-1$ candidatos a puntos de cambio, lo que resulta en una complejidad global de $O(n^2)$ . Esta carga computacional hace que la prueba GLR exacta sea inviable para aplicaciones reales de tiempo real que involucran flujos de datos largos.

Metodología

El artículo presenta la familia de algoritmos focus, implementada en los paquetes focus (R) y focus-cpt (Python). Estos algoritmos computan el estadístico GLR de manera exacta (sin aproximaciones), pero logran un costo por iteración de aproximadamente $O(\log(n)^d)$ para una secuencia de $d$ dimensiones.

Intuición Algorítmica Central

La eficiencia del algoritmo focus se basa en una intuición geométrica que conecta la ubicación de los candidatos a puntos de cambio con la geometría del paseo aleatorio de los datos.

Poda mediante Envolventes Convexas: El algoritmo identifica que solo un subconjeno de los candidatos a puntos de cambio $\tau$ podrá ser alguna vez el maximizador del estadístico GLR para cualquier par de parámetros pre y post-cambio $(\theta_0, \theta_1)$ .
Representación Geométrica: Al definir un vector dependiente de los datos $P(\tau) = (\tau, \sum_{t=1}^\tau T(y_t))$ y un vector dependiente del modelo $\psi(\theta_0, \theta_1)$ , el logaritmo del cociente de verosimilitud se convierte en un producto escalar $\langle P(\tau), \psi(\theta_0, \theta_1) \rangle$ .
Mantenimiento del Conjunto Activo: Maximizar este producto escalar es equivalente a encontrar el vértice de la envolvente convexa (convex hull) del conjunto $\{P(\tau)\}$ que se encuentre más alejado en la dirección de $\psi$ . En consecuencia, cualquier candidato $\tau$ cuyo $P(\tau)$ se encuentre en el interior de la envolvente convexa puede ser podado permanentemente.
Complejidad Computacional:
- Univariado: El algoritmo mantiene los vértices de la envolvente utilizando un método relacionado con el algoritmo de Melkman, logrando un costo amortizado de $O(1)$ por iteración.
- Multivariado: Para datos de $d$ dimensiones, el tamaño esperado del conjunto de candidatos activos crece como $O(\log(n)^d)$ . La implementación utiliza el algoritmo QuickHull de forma intermitente para mantener la envolvente. Para altas dimensiones, una aproximación proyecta los datos sobre subconjuntos superpuestos de $\tilde{d} \leq 5$ coordenadas para reducir la carga computacional manteniendo la capacidad de rendimiento estadístico.

Modelos Soportados

El paquete soporta una amplia gama de modelos de la familia exponencial natural y otras estructuras específicas:

Modelos Paramétricos: Distribuciones Gaussianas (cambio en media o varianza), Poisson, Binomial, Exponencial y Gamma.
No Paramétricos: Un detector basado en la función de distribución acumulativa empírica (eCDF), que transforma el problema en múltiples problemas de detección Binomial a través de cuantiles.
Autorregresivos (AR): Un detector para procesos AR( $p$ ) que tiene en cuenta las dependencias temporales y el comportamiento transitorio inmediatamente después de un punto de cambio, evitando los problemas de la simple pre-blanqueación (pre-whitening).

Implementación de Software

El paquete proporciona interfaces unificadas en R (focus) y Python (focus-cpt), compartiendo un backend en C++ común. Esto asegura la paridad funcional e identidad de resultados en ambos lenguajes. La interfaz soporta:

Modo Online (Secuencial): Actualiza el estado del detector incrementalmente a medida que llegan los datos.
Modo Offline (Batch/Lote): Procesa conjuntos de datos completos para análisis retrospectivo o calibración de umbrales.
Modularidad: Separación del estado del detector (lógica de poda) de las funciones de costo (evaluación del estadístico), permitiendo a los usuarios implementar funciones de costo personalizadas sin tener que reimplementar el algoritmo de poda central.

Contribuciones Clave

GLR Exacto con Complejidad Logarítmica: La contribución principal es un algoritmo que computa el estadístico GLR exacto con un costo computacional que crece logarítmicamente con la longitud de la secuencia, lo que lo hace adecuado para aplicaciones en tiempo real donde los enfoques ingenuos de $O(n^2)$ fallan.
Marco Unificado: Un único paquete de software que soporta una gran variedad de distribuciones (Gaussianas, Poisson, etc.), dimensiones (desde univariado hasta multivariado) y estructuras de datos (i.i.d., no paramétricos, autorregresivos).
Poda Geométrica: Una demostración rigurosa de cómo se puede explotar la geometría de la envolvente convexa para podar el espacio de búsqueda de los candidatos a puntos de cambio sin sacrificar la optimalidad estadística.
Accesibilidad: Provisión de implementaciones robustas y listas para producción tanto en R como en Python, facilitando la adopción por parte de profesionales en diversos campos.

Resultados y Aplicaciones

El artículo valida la metodología a través de ejemplos simulados y aplicaciones del mundo real:

Simulación: Demuestra la capacidad del algoritmo para detectar cambios en medias, varianzas y cambios en la distribución no paramétrica. Destaca la eficiencia de la aproximación basada en proyecciones para datos de alta dimensión, mostrando aceleraciones significativas con una pérdida insignificante de precisión estadística.
Puntuaciones Plus-Minus de la NBA: Aplicado a los datos de juego de los Cleveland Cavaliers para detectar cambios en el rendimiento del equipo (media y varianza) a lo largo de las temporadas. La función de costo personalizada identificó con éxito el cambio de la temporada 2014-2015 correspondiente al regreso de LeBron James, demostrando robustez contra cambios de varianza.
Detección de Brotes de Rayos Gamma (GRB): Utilizado en los datos de Fermi-GBM para detectar el GRB250814432. El disparador basado en focus identificó el intervalo más significativo del brote en tiempo real sin conocimiento previo de la duración del mismo, superando a los métodos tradicionales de umbralización en cuanto a la identificación de la ventana de detección óptima.
Inferencia de Spikes: Aplicado a datos de imagen de calcio para inferir tiempos de disparo neuronal en tiempo real. Al utilizar dos detectores unidireccionales acoplados (para aumentos y decaimiento), el método logró un procesamiento de baja latencia adecuado para experimentos de bucle cerrado (closed-loop).

Significado

El artículo posiciona al paquete focus como una herramienta crítica para cerrar la brecha entre la teoría estadística rigurosa y las demandas prácticas del análisis de datos en tiempo real. Al resolver el cuello de botella computacional de la prueba GLR exacta, permite el despliegue de la detección de puntos de cambio estadísticamente óptima en escenarios anteriormente limitados por métodos aproximados o más lentos. Los autores enfatizan que el software está diseñado para ser una interfaz común para la familia de algoritmos focus, soportando diversos casos de uso, desde el monitoreo de IoT hasta la astrofísica, y facilitando la transición del análisis retrospectivo offline a sistemas de toma de decisiones online. El trabajo construye sobre y extiende desarrollos metodológicos previos (Romano et al. 2023b; Ward et al. 2024; Pishchagina et al. 2025) hacia un ecosistema de software unificado y accesible.