Capturar estadísticas a largo plazo de señales y series temporales es importante para modelar fenómenos recurrentes, especialmente cuando tales recurrencias son aperiódicas y pueden caracterizarse por la repetición aproximada de motivos de longitud variable, como patrones en gestos humanos y tendencias en series temporales financieras o melodías musicales. Los modelos regresivos y auto-regresivos comunes en estos problemas, tanto derivados analíticamente como basados en redes neuronales, a menudo sufren de memoria limitada o tienden a acumular errores, lo que los hace sensibles durante el entrenamiento. Además, dichos modelos a menudo asumen estadísticas de señales estacionarias, lo que dificulta lidiar con regímenes cambiantes o dinámicas de señales condicionales. En este artículo, describimos un método para modelar series temporales que se basa en la simbolización adaptativa que maximiza la información predictiva de la secuencia resultante. Utilizando métodos de coincidencia aproximada de cadenas, la secuencia vectorizada inicial se cuantiza en una representación discreta con un umbral de cuantización variable. Encontrar un embebido de señal óptimo se formula en términos de un problema de cuello de botella predictivo que tiene en cuenta la compensación entre la representación y la precisión de la predicción. Varios aplicaciones posteriores basadas en la representación discreta se describen en este artículo, que incluyen un análisis de la dinámica simbólica de las estadísticas de recurrencia, extracción de motivos, segmentación, coincidencia de consultas y la estimación de la entropía de transferencia entre señales paralelas.