Análisis y Predicción de Series de Tiempo

Profesor: Dr. Lihki Rubio

Introducción

• La predicción de series temporales es el proceso de análisis de datos de series temporales mediante estadísticas y modelos para hacer predicciones y fundamentar la toma de decisiones estratégicas. No siempre se trata de una predicción exacta, y la probabilidad de las previsiones puede variar enormemente, especialmente cuando se trata de las variables que suelen fluctuar en los datos de las series temporales, así como de factores que se escapan de nuestro control. Sin embargo, la predicción permite saber qué resultados son más —o menos— probables que otros posibles.

• A menudo, cuanto más amplios sean los datos con los que disponemos, más precisas pueden ser las predicciones. La predicción de series temporales se utiliza a menudo junto con el análisis de series temporales. El análisis de series temporales implica el desarrollo de modelos para comprender los datos y entender las causas subyacentes. El análisis puede proporcionar el “por qué” de los resultados que se observan. La predicción da el siguiente paso de qué hacer con ese conocimiento y las extrapolaciones predecibles de lo que podría ocurrir en el futuro.

• Las predicciones con series de tiempo tienen una serie de aplicaciones en diversos sectores. Tiene un gran número de aplicaciones prácticas, entre las que se incluyen: las predicciones meteorológicas, climáticas, económicas, sanitarias, de ingeniería, financieras, comerciales, de estudios medioambientales, de estudios sociales, etc.

• Básicamente, cualquiera que disponga de datos históricos consistentes puede analizar esos datos con métodos de análisis de series temporales y, a continuación, modelar, pronosticar y predecir. En algunos sectores, el objetivo del análisis de series temporales es facilitar la predicción. Algunas tecnologías, como la analítica aumentada, pueden incluso seleccionar automáticamente la predicción entre otros algoritmos estadísticos si ofrece la mayor certeza.

Evaluación

1. Parcial Teórico: 30% “Individual”

2. Parcial Práctico (Python): 30% “Individual”

3. Proyecto Final: 40% “Grupal”

   • Aplicaciones: Energías Renovables, Contaminación, Finanzas, etc,….

   • Componente teórico: Modelos: GARCH, Modelo Original

   • Resultados numéricos: Modelos: ES, ARIMA, GARCH, ANN, Modelo Original

   • *Contenido:

     • Title

     • Abstract

     • Data

     • Numerical Results

   • Formato: Jupyter Book

   • Tutorial: JBook Tutorial