Análisis de Series de Tiempo en R
Aprende el uso de diferentes paquetes estadísticos en R que te permitirán desarrollar procesos generadores de datos para modelar una serie de tiempo.
Una serie de tiempo es un modo estructurado de representar datos. Por lo que visualmente, es una curva que evoluciona a lo largo del tiempo. En general, se pueden representar cualquier tipo de datos cronológicamente almacenados.
El objetivo central de trabajar con series de tiempo en cualquier sector económico es desarrollar modelos estadísticos que expliquen el comportamiento de una variable aleatoria que varía con el tiempo y que permiten estimar pronósticos futuros de dicha variable aleatoria. De manera que, se pueda aportar criterios que disminuyen el riesgo en la toma de decisiones o en la implementación de políticas futuras sobre la variable de estudio.
En este curso podrás conocer el uso de diferentes paquetes estadísticos en R que te permitirán desarrollar procesos generadores de datos para modelar una serie de tiempo en cualquier sector financiero o coyuntura económica con el objetivo de establecer una predicción hacia el futuro. De este modo, se podrán tomar decisiones importantes con respecto a la variable de estudio.
Aquí, podrás ir construyendo paso a paso los modelos de mayor importancia para generar una predicción correcta sobre la variable de estudio. Además, aprenderás a realizar visualizaciones dinámicas para presentar en reportes formales.Tu Instructor
Hola, mi nombre es David Soler
Científico de datos apasionado por descubrir tendencias e insights en datos. Tengo experiencia en el desarrollo de modelos de aprendizaje automático y profundo, orientados a la resolución de problemas en visión por computadora, inteligencia artificial y predicción de valores.
Mi objetivo es transformar datos complejos en soluciones efectivas y accionables.
¡Te espero en el curso!
Plan de Estudios
-
InicioMateriales del curso
-
Inicio1.1 Descomposición de Series de Tiempo (8:58)
-
Inicio1.2 Primera Práctica en R (12:37)
-
Inicio1.3 Procesos Estacionarios (16:28)
-
Inicio1.4 Segunda Práctica en R (12:25)
-
Inicio1.5 Funciones de Autocorrelación (9:59)
-
Inicio1.6 Correlogramas en R - Parte 1 (14:31)
-
Inicio1.7 Correlogramas en R - Parte 2 (10:57)
-
Inicio2.1 Modelo Autoregresivo (13:01)
-
Inicio2.2 Modelo Media Móvil (12:09)
-
Inicio2.3 Modelos ARMA y ARIMA (14:27)
-
InicioQuiz
-
Inicio2.4 Pruebas de Estacionariedad 1 (14:31)
-
Inicio2.5 Pruebas de Estacionariedad 2 (13:46)
-
Inicio2.6 Modelo de Predicción 1 (11:51)
-
Inicio2.7 Evaluar el Contraste de Autocorrelación (13:24)
-
Inicio2.8 Graficar la Proyección de un Modelo (6:51)
-
Inicio2.9 Ejercicio en R - Probar la Estacionariedad (6:56)
-
Inicio2.10 Ejercicio en R - Evaluar y Proyectar el Modelo (12:03)
-
Inicio2.11 Modelo ARIMA Automático en R (7:38)
-
Inicio2.12 Teoría Modelo Estacional ARIMA (SARIMA) (6:10)
-
Inicio2.13 Evaluar Gráficamente la Estacionalidad (SARIMA) (9:11)
-
Inicio2.14 Evaluar el Modelo con Estacionalidad - SARIMA (7:15)
-
Inicio2.15 Predecir tomando en cuenta la Estacionalidad - SARIMA (7:08)
-
Inicio2.16 Modelos de Aislamiento Exponencial Enfoque Clásico - Teoría (6:01)
-
Inicio2.17 Modelos de Aislamiento Exponencial Enfoque Clásico - Práctica (Parte 1) (9:18)
-
Inicio2.18 Modelos de Aislamiento Exponencial Enfoque Clásico - Práctica (Parte 2) (7:22)
-
Inicio2.19 Volatilidad (4:15)
-
Inicio2.20 Modelo ARCH (5:36)
-
Inicio2.21 Ejercicio ARCH en R - Parte 1 (13:30)
-
Inicio2.22 Ejercicio ARCH en R - Parte 2 (11:45)
-
Inicio2.23 Ejercicio ARCH en R - Parte 3 (11:53)
-
Inicio2.24 Modelo GARCH (11:18)
-
Inicio2.25 Ejercicio GARCH en R - Parte 1 (14:37)
-
Inicio2.26 Ejercicio GARCH en R - Parte 2 (15:00)
-
Inicio2.27 Ejercicio GARCH en R - Parte 3 (13:35)