PIT - Series de Tiempo con Python

Transcript

1. Silabo del curso PIT - Series de Tiempo con Python 2025 ​ ​ Profesor Abraham Zamudio
2. 1.​ Datos generales del curso Asignatura​ : Series de Tiempo con Python Horas​ : 16 2.​ Presentación En la actualidad, el análisis de series de tiempo se ha convertido en una herramienta esencial y altamente demandada en el ámbito del análisis de datos y la ciencia de datos. Estas series, que consisten en conjuntos de observaciones tomadas secuencialmente a lo largo del tiempo, son una fuente invaluable de información en una amplia gama de campos y sectores. Pensemos, por ejemplo, en el ámbito financiero. En esta área, el análisis de series de tiempo es fundamental para la predicción de precios de acciones, bonos, derivados financieros, fondos de inversión, activos de renta fija, activos de renta variable, activos líquidos, activos ilíquidos, activos a corto plazo, activos a largo plazo, etc , lo que permite a los inversores tomar decisiones más informadas y gestionar sus carteras de manera más eficiente. En el comercio electrónico, las series de tiempo son esenciales para pronosticar ventas y optimizar inventarios, lo que puede hacer la diferencia entre el éxito y el fracaso en un mercado altamente competitivo. Además, en el ámbito de la ciencia ambiental, las series de tiempo permiten modelar datos meteorológicos y ayudar a predecir eventos climáticos extremos, lo que es crucial para la planificación de la respuesta ante desastres y la gestión de recursos naturales. En la medicina, el análisis de series de tiempo se ha utilizado para analizar registros temporales de pacientes, detectar patrones y anomalías, y mejorar la calidad de los cuidados médicos. En este curso, no solo aprenderemos los conceptos teóricos subyacentes a las series de tiempo, sino que también adquiriremos las habilidades prácticas necesarias para aplicar estos conocimientos en situaciones reales. Utilizaremos Python, uno de los lenguajes de programación más versátiles y ampliamente utilizados en el análisis de datos, y haremos uso de poderosas bibliotecas como pandas para la manipulación de datos, NumPy para operaciones numéricas y matemáticas, y matplotlib y seaborn para la visualización de datos. A lo largo de este curso, exploraremos y explicaremos cómo las series de tiempo pueden ser manipuladas, visualizadas y modeladas para extraer información valiosa. Veremos cómo los modelos estadísticos clásicos, como los modelos autorregresivos (AR), de medias móviles (MA) y ARIMA, pueden ayudarnos a comprender y predecir comportamientos a lo largo del tiempo. También abordaremos modelos más avanzados como SARIMA, que incluyen componentes estacionales, y aprenderemos a aplicarlos en diversos contextos. Este curso lo he diseñado para ser una plataforma de aprendizaje integral, donde no solo teorizaremos sino que también pondremos en práctica nuestros conocimientos a través de proyectos prácticos con datos reales. Analizaremos series de tiempo financieras, haremos predicciones de ventas y estudiaremos datos meteorológicos. Estas aplicaciones reales no solo harán que el aprendizaje sea más entretenido y significativo, sino que también te prepararán para enfrentar desafíos similares en tu carrera profesional. Abraham Zamudio
3. En resumen, este curso no solo proporcionará una comprensión profunda de las series de tiempo, sino que también te dotará con las habilidades teórico/prácticas necesarias para aplicar estos conocimientos en una amplia variedad de situaciones y campos de trabajo. ​ 3.​ Objetivo general del curso El objetivo general de este curso es proporcionar a los alumnos una comprensión sólida de los conceptos teóricos y prácticos del análisis de series de tiempo, utilizando Python como herramienta principal, para que puedan manipular, visualizar y modelar datos temporales, aplicando modelos estadísticos clásicos y avanzados en proyectos prácticos con datos reales, preparándonos para resolver problemas en diversos campos como finanzas, comercio, ciencias ambientales y salud. 4.​ Objetivos específicos del curso •​ Comprender la definición y ejemplos prácticos de series de tiempo, así como identificar sus características y componentes principales, como tendencia, estacionalidad y ciclicidad.​ •​ Realizar la exploración y resumen de datos temporales mediante técnicas estadísticas y herramientas de Python.​ •​ Visualizar series de tiempo de manera efectiva utilizando las bibliotecas matplotlib y seaborn para identificar patrones y anomalías en los datos.​ •​ Aplicar modelos estadísticos clásicos como modelos autorregresivos (AR), de medias móviles (MA) y ARIMA para el análisis y predicción de series de tiempo.​ •​ Utilizar modelos SARIMA para analizar series de tiempo con componentes estacionales.​ •​ Desarrollar proyectos prácticos con datos reales, como el análisis de series de tiempo financieras, la predicción de ventas y el estudio de datos meteorológicos, para aplicar los conocimientos adquiridos en el curso. 5.​ Resultados de aprendizaje Al finalizar el curso el alumno: •​ Aplica de manera útil las características que tiene el lenguaje de programación python a problemas reales que se formulan en base a datos temporales •​ Saber cómo explotar las características inherentes a datos temporales •​ Conoce y es capaz de implementar algoritmos para resolver problemas prácticos. Abraham Zamudio
4. •​ Identifica, selecciona y combina los algoritmos enseñados en el curso, y los aplica en casos de interés para su carrera. 6.​ Metodología El desarrollo de las sesiones se efectuará mediante exposiciones del profesor, las mismas que se manejan en forma dinámica e interactiva con los alumnos, relacionando cada uno de los conceptos teóricos con casos prácticos. Asimismo, se aplicarán casos de estudio durante el desarrollo del curso con la finalidad de que los participantes resuelvan y presenten soluciones de acuerdo al esquema metodológico asignado por el profesor del curso. 7.​ Contenido por Sesiones: # DE HORAS CONTENIDO 4hrs •​ Definición y ejemplos. •​ Características y componentes de una serie de tiempo. 4hrs •​ Exploración y resumen de datos. •​ Visualización de series de tiempo con matplotlib y seaborn. 4hrs •​ Modelos autorregresivos (AR). •​ Modelos de medias móviles (MA). •​ Modelos ARIMA 4hrs •​ Modelos SARIMA •​ Proyectos Prácticos: ◦​ Análisis de series de tiempo financieras. ◦​ Predicción de ventas. ◦​ Estudio de datos meteorológicos. ​ •​ Prerrequisitos:​ Curso Basico e Intermedio de Python (PIT) Estadística Descriptiva Abraham Zamudio
5. 8.​ Bibliografía •​ Mills, T. C. (2015). Time series econometrics: a concise introduction. Springer. •​ Yrene-Cubas, R. A., Perez-Castilla, J., Reynaga-Cottle, D. E., Bringas, M. J., Soriano-Moreno, D. R., Fernandez-Guzman, D., & Gonzales-Zamora, J. A. (2025). The impact of the COVID-19 pandemic on HIV testing in Peru: an interrupted time series analysis from 2014 to 2022. BMC Infectious Diseases, 25(1), 39. •​ Ryu, S. Y., Choi, S. W., Jeong, S. J., & Gu, H. M. (2024). Time Series Changes in Indices of Diabetes Management from the 2008-2022 Korea Community Health Survey. Journal of agricultural medicine and community health, 49(3), 179-193. •​ Kieu Khanh Ho, T., Karami, A., & Armanfard, N. (2023). Graph-based Time-Series Anomaly Detection: A Survey and Outlook. arXiv e-prints, arXiv-2302. •​ Heiler, S. (1999). A survey on nonparametric time series analysis (No. 99/05). CoFE Discussion Paper. •​ Mahalakshmi, G., Sridevi, S., & Rajaram, S. (2016, January). A survey on forecasting of time series data. In 2016 international conference on computing technologies and intelligent data engineering (ICCTIDE'16) (pp. 1-8). IEEE. •​ Anderson, T. W. (2011). The statistical analysis of time series. John Wiley & Sons. •​ Schelter, B. (2002). Handbook of time series analysis. British Library. Abraham Zamudio