Enfoque clásico vs enfoque con machine learning. 

Métodos de suavizado.

Metodología Box-Jenkins.

Series temporales y machine learning.

SERIES TEMPORALES

TEMA 1 ANALISIS DESCRIPTIVO DE UNA SERIE TEMPORAL

2.1 Métodos de Regularización de una Serie Temporal.

2,2 Función de autocorrelación simple y función de autocorrelación parcial. 

2.2 Estudio de la tendencia. Método de ajuste analítico

2.3 Variaciones estacionales.

2.4 Descomposición clásica de una serie Temporal 

TEMA 2  METODOS DE SUAVIZADO. 

3.1- Aproximaciones por polinomios parciales. Regresión Spline y REGRESIÓN LOESS

3.2- Modelo de alisado simple 

3.3. Modelo de alisado doble de Holt

3.4- Modelo de suavizado de Holt-Winters

TEMA 3 MODELOS DE SERIES TEMPORALES ESTACIONARIAS

3.1.- El modelo autorregresivo AR(p).

                3.1.1. El proceso AR(1).

                3.1.2. El proceso AR(2).

                3.1.3. El proceso autoregresivo general AR(p).

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

                3.4.1. El proceso de media móvil de orden 1 MA(1).

                3.4.2.- El proceso MA(q).

3.3.-El modelo mixto ARMA(p,q). 

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

3.5.- El modelo ARIMA estacional.

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.

4.4.-Predicciones automáticas en presencia de intervención.

4.5.- Modelos de funciones de Transferencia

TEMA 5. SERIES TEMPORALES Y MACHINE LEARNING

5.1 Modelos RNN

5.2 Modelos LSTM