Estudio de las Series Temporales, enfoque clasico y enfoque de Machine Learning.
Métodos de Suavizado. Moledos ARIMA. Metodologia Box-Jenkins. Métodos de Machine Learning para series temporales.

TEMA 1 ANALISIS DESCRIPTIVO DE UNA SERIE TEMPORAL

1.1 Introducción a las Series Temporales. Representaciones gráficas.

1.2. Descomposición clásica de una serie Temporal  

1.3 Estimación de la Tendencia.

1.4 Variaciones estacionales.

TEMA 2  METODOS DE SUAVIZADO. 

2.1- Modelos de suavizado para series sin estacionalidad.

      2.1.1. Suavizado simple

      2.1.2. Modelo de alisado doble de Holt

      2.1.3 Tendencia amortiguada

2.2- Modelos de suavizado para series con estacionalidad 

     2.2.1. Modelo de suavizado de Holt-Winters

     2.2.2. Modelo Estacional

TEMA 3 MODELOS DE SERIES TEMPORALES ESTACIONARIAS

3.1.-Procesos estacionarios.

3.2.Función de autocorrelación simple y función de autocorrelación parcial.

3.3.- El modelo autorregresivo AR(p).             

3.3.- El modelo de medias móviles MA(q).

3.4.-El modelo mixto ARMA(p,q). 

3.5.- Procesos integrados: El modelo ARIMA(p,d,q).

3.5.- El modelo ARIMA estacional.

3.6. La metodologia Box-Jenkins

TEMA 4 ANALISIS DE INTERVENCION, DATOS ATIPICOS, MISSING Y FUNCIONES DE TRANSFERENCIA

4.1.- Modelos de series temporales con intervención. Variables Impulso y Variables Escalón.

4.2.- Datos atípicos e intervención.

4.3.-Estimación de datos missing en series temporales.

TEMA 5. MODELOS DE REGRESIÓN DINÁMICA

5.1.- Regresión con errores autocorrelados.

5.2.- Método Stepwise de selección del número de retardo

5.3.- Modelos de funciones de Transferencia

5.4.- Preparación de los datos series para utilizar Técnicas de ML.