Descripción General
Esta asignatura introduce al estudiante en el análisis y modelamiento de datos indexados en el tiempo. Se estudian los fundamentos teóricos de los procesos estocásticos estacionarios y se desarrollan metodologías para la identificación, estimación y diagnóstico de modelos lineales (ARIMA), con el objetivo final de realizar predicciones (forecasting) confiables en ámbitos económicos, financieros e industriales.
Contenidos Específicos
Fundamentos y Estacionaridad
- Conceptos Básicos: Procesos estocásticos, funciones de autocovarianza y autocorrelación (ACF/PACF).
- Estacionaridad: Definición estricta y débil. Ruido blanco y caminata aleatoria.
- Transformaciones: Diferenciación y transformaciones de Box-Cox para estabilizar varianza.
Modelamiento ARIMA
- Modelos Lineales: AR, MA, ARMA y ARIMA. Propiedades y condiciones de invertibilidad.
- Metodología de Box-Jenkins: Identificación, estimación de parámetros, verificación de diagnóstico y predicción.
- Estacionalidad: Modelos SARIMA para series con patrones estacionales.
Consejos de Ex-participantes
ACF y PACF
Aprende a "leer" los gráficos de autocorrelación. Son la clave para identificar si necesitas un AR(p) o un MA(q) antes de usar el software.
R Studio
Familiarízate con librerías como `forecast` o `tseries` en R. El curso suele tener una fuerte componente computacional.
Historial de Impartición
¿Comentarios sobre el ramo?
Este buzón, gestionado por el CEEMAT, busca canalizar tus comentarios, consejos e inquietudes.