Curso de Análisis práctico de series temporales con R

Duración

6 semanas

Precio

390€

Inicio

15 de Mayo de 2021

Matrícula

Solicita información

Descripción del curso

Predice tendencias con el modelado de datos.

Un curso práctico con el que aprenderás qué es una serie de tiempo, cuáles son sus principales características y patrones, cómo utilizar modelos de pronóstico avanzados para predecir el futuro, desde los autorregresivos (AR) y de medias móviles (MA), hasta su generalización (ARMA), los modelos de cointegración (ARIMA) y su versión estacional (SARIMA).

A través de ejemplos prácticos, serás capaz de seleccionar, diagnosticar y validar tu modelo para realizar predicciones precisas.

• Inicio: consulta el calendario de convocatorias
• Duración: 6 semanas
• Metodología: 100% on-line
• Enfoque práctico: Learn by doing
• Plazas: limitadas

Destinatarios

Este curso práctico está orientado a investigadores y profesionales del análisis de datos interesados en construir y aplicar modelos de predicción de series de tiempo en diferentes contextos de investigación y comercio.

Competencias

Competencias avanzadas y aplicables a tu día a día profesional.

Al finalizar el curso serás capaz de:

• • Identificar problemas de series temporales y cómo abordarlos.
  • Detectar componentes claves de las series de tiempo.
  • Utilizar modelos ARIMA (AutoRegresive Integrated Moving Average)para realizar predicciones.
  • Diagnosticar y validar tu modelo para la toma de decisiones.
  • Utilizar el potente software R para realizar todo el proyecto.
  • Crear gráficos elegantes, modelos robustos e informes reproducibles.
    
    

Metodología e-learning

Con enfoque Learn by doing «aprende haciendo»

El Curso de Análisis práctico de series temporales con R es una formación práctica, intensiva y especializada impartida con metodología 100% on-line:

• Tutorización personalizada
  Con el apoyo individualizado de un docente experto comprometido con tu aprendizaje.
• Enfoque Learn by doing
  Pon en práctica los nuevos conocimientos analizando casos reales desarrollados completamente en torno a R Software.
• A tu ritmo
  Aprende cuándo y dónde quieras, marca tu propio ritmo de aprendizaje, sin fechas ni plazos de entrega.
• Contenidos de calidad
  Evoluciona paso a paso con materiales didácticos, actualizados y prácticos aplicables a tus proyectos profesionales.
• Evaluación continua
  Basada en la comprensión de los conceptos y en la capacidad técnica para resolver los ejercicios propuestos. Con certificado de finalización.
  

Requisitos de acceso

• Curso especializado

Para un mejor aprovechamiento es interesante contar con conocimientos básicos sobre Estadística, R Software y RStudio.

Si necesitas iniciarte en el manejo de esta herramienta, te recomendamos el Curso de Introducción al Data Science con R

• Reserva tu plaza on-line

Consulta el inicio de las próximas convocatorias en el calendario 2021.

Programa de contenidos

El Curso de Análisis práctico de series temporales con R se divide en cuatro bloques temáticos:

TEMA 1 | Introducción a las series temporales y a la detección de patrones

• Identificar problemas de análisis de series temporales y cómo abordarlos.
• Crear, manipular y visualizar objetos de series temporales en R.
• Identificar los componentes de una series de tiempo.
• Realizar un análisis exploratorio de series temporales.
• Detección de anomalías (outliers) y valores ausentes (missing).
• Preprocesar/Limpiar las series temporales.
• EXTRA. Detectar picos y valles de una serie, descomponer una serie, detección de cambios en media y/o varianza, análisis cluster de series, pruebas de hipótesis para la tendencia y estacionalidad.
  

TEMA 2 | Herramientas y modelos básicos del análisis de series temporales

• Calcular la función de autocorrelación (ACF) y la parcial (PACF)
• Comprender el concepto clave de estacionariedad.
• Evaluar la estacionariedad: Pruebas formales e informales
• Estacionarizar la serie en media y varianza. Transformaciones.
• Comprender los modelos básicos de ruido blanco (WN) y caminata aleatoria (RW)
• EXTRA. Pruebas de hipótesis para la estacionariedad, función de autocorrelación cruzada CCF.
  

TEMA 3 | Modelos ARIMA y SARIMA de series temporales

• Comprender el comportamiento de los modelos clásicos ARIMA.
• Cómo identificar modelos AR, MA, ARMA y ARIMA.
• Seleccionar el mejor modelo según distintos criterios.
• Estimar y evaluar el modelo seleccionado.
• Interpretar los resultados del modelo.
• Cómo incluir la estacionalidad en modelos SARIMA.
• EXTRA. Relación entre modelos ARIMA.
  

TEMA 4 | Diagnóstico y validación del modelo

• Diagnosticar los modelos evaluando sus residuos.
• Residuos vs Errores de predicción.
• Comparar modelos mediante índices de información AIC, AICc, BIC.
• Predecir nuevos valores a partir del modelo seleccionado.
• Intervalos de confianza vs intervalos de predicción.
• Cómo medir la precisión de nuestras predicciones.
• Conjunto de entrenamiento y prueba.
• Validación cruzada.
• Desarrollar un protocolo de actuación.
• EXTRA. Limitaciones de los modelos ARIMA y alternativas.