Silabo del curso : Series de Tiempo con Python

Transcript

1. Silabo del curso Series de Tiempo con Python 2025 ​ ​ ​ ​ Profesor Abraham Zamudio
2. 1.​ Datos generales del curso Asignatura​ : Series de tiempo con Python Horas​ : 57 Horas (Módulos I y II) 2.​ Presentación En la era actual de la inteligencia artificial, donde los modelos de aprendizaje profundo (deep learning), los bosques aleatorios y las redes neuronales se han convertido en herramientas casi mágicas para la predicción, la clasificación y la toma de decisiones, existe una categoría de datos que, a pesar de ser la más prevalente en la industria, sigue siendo sistemáticamente maltratada, ignorada o reducida a un simple input en modelos no diseñados para su naturaleza: las series de tiempo. Como profesional con experiencia en machine learning en Python, se ha entrenado modelos para predecir ventas, clasificar imágenes, recomendar productos, detectar fraudes, optimizar rutas y gestionar inventarios. Usando scikit-learn, XGBoost, TensorFlow, PyTorch y LightGBM. Con un poco de esfuerzo se logro construir pipelines de ETL, se ha implementado MLflow para el seguimiento de experimentos, se ha desplegado APIs con FastAPI y ha monitoreado drift con Prometheus y Grafana. Pero cuando se enfrentó a una serie temporal —ya fuera la demanda horaria de energía, el flujo de transacciones financieras, la producción diaria de una línea industrial, el nivel de contaminación atmosférica o las ventas mensuales de un producto—, ¿qué hizo? ¿Utilizó un Random Forest con lags como features? ¿O un XGBoost con variables de fecha (día del mes, mes, día de la semana)? ¿O simplemente aplicó un modelo de regresión lineal sobre los últimos 30 días?​ Si su respuesta fue alguna de las anteriores, no está solo. Pero sí está cometiendo uno de los errores más costosos y recurrentes en la práctica industrial de ciencia de datos: tratar una serie temporal como si fuera un conjunto de datos i.i.d. (independientes e idénticamente distribuidos). Esto es como intentar predecir el clima usando únicamente la temperatura promedio anual, sin considerar estaciones, ciclos diurnos ni patrones de presión atmosférica. Es como usar un algoritmo de clustering para segmentar clientes basándose en su nombre, y no en su comportamiento de compra. Es un error conceptual, no técnico. Este curso no es un curso más de series de tiempo. No es una repetición de lo que ya ha visto en Coursera o en un blog de Medium. Este es un curso diseñado específicamente para profesionales con experiencia en Python que necesitan elevar su dominio de las series temporales desde el nivel básico al nivel “operativo, robusto, escalable y científicamente riguroso”. Este curso reconoce el conocimiento básico en Python y la base que otorga el conocer el aprendizaje automático, pero también su vacío crítico: la comprensión profunda de la estructura temporal. Usted sabe cómo ajustar un modelo; ahora aprenderá por qué ese modelo funciona —o falla— en datos que evolucionan con el tiempo. Usted sabe cómo interpretar una matriz de confusión; ahora aprenderá a interpretar una función de autocorrelación parcial, un espectro de frecuencia o una volatilidad condicional estimada. Este no es un curso para principiantes. Es un curso para estudiantes de últimos ciclos y profesionales, científicos de datos y arquitectos de soluciones analíticas que ya dominan el stack moderno de Python, pero que buscan transformarse en expertos en el arte y la ciencia de modelar el tiempo.
3. 3.​ Objetivo general del curso Dotar a los participantes de las competencias teóricas, computacionales y prácticas necesarias para analizar, modelar y pronosticar sistemas de predicción basados en series de tiempo, utilizando el lenguaje Python y su ecosistema científico, con un enfoque integrado que combina (los cada vez más importantes) fundamentos matemáticos, técnicas estadísticas modernas, visualización interactiva y aplicación real en contextos empresariales y académicos. 4.​ Objetivos específicos del curso 1.​ Identificar y caracterizar patrones fundamentales en series de tiempo: tendencia, estacionalidad, ciclo, ruido y rupturas estructurales, mediante análisis visual y estadístico exploratorio. 2.​ Construir y personalizar gráficos estáticos y dinámicos de series de tiempo utilizando Matplotlib, Seaborn y Plotly, incluyendo representaciones de autocorrelación, espectros de frecuencia y bandas de confianza interactivas. 3.​ Aplicar y evaluar pruebas estadísticas clave: Prueba de Ruido Blanco (Box-Pierce, Ljung-Box), Prueba de Estacionariedad (ADF, KPSS), Prueba de Homocedasticidad y Tests de Normalidad residual. 4.​ Descomponer series de tiempo en componentes de tendencia, estacionalidad y residuo mediante métodos aditivos y multiplicativos (STL, X-13ARIMA-SEATS). 5.​ Implementar y comparar modelos de suavizado: Media Móvil Simple, Media Móvil Exponencial (Holt-Winters) y Suavizado Exponencial Doble y Triple con optimización automática de parámetros. 6.​ Diseñar, estimar y diagnosticar modelos autorregresivos (AR), de medias móviles (MA) y combinados (ARMA), aplicando el Algoritmo de Durbin-Levinson, verificando estacionariedad y causalidad mediante raíces características. 7.​ Modelar series no estacionarias mediante diferenciación y construir modelos ARIMA(p,d,q) y SARIMA(p,d,q)(P,D,Q)s, seleccionando óptimamente los órdenes mediante criterios AIC/BIC y diagnóstico de residuos. 8.​ Aplicar métodos de estimación paramétrica: Método de Momentos, Método de Mínimos Cuadrados Condicionales y Máxima Verosimilitud, comparando su eficiencia, sesgo y robustez bajo distintas condiciones de ruido. 9.​ Modelar volatilidad clustering en series financieras mediante modelos ARCH(q) y GARCH(p,q), comprendiendo su estructura condicional heterocedástica y su relevancia en la gestión de riesgo financiero. 10.​Extender modelos GARCH a versiones asimétricas (EGARCH, TGARCH) para capturar el efecto “leverage” en mercados bursátiles y evaluar su mejora predictiva mediante pruebas de superioridad de pronóstico (Diebold-Mariano). 11.​Analizar las limitaciones de los modelos antes mencionados y proponer opciones reales.
4. 5.​ Resultados de aprendizaje Al finalizar el curso el alumno: •​ Comprende la naturaleza del tiempo en aplicaciones que requieren un análisis profundo de los elementos/procesos que generan los datos. •​ Utiliza pragmáticamente las técnicas enseñadas en clase para modelos de interés 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 Clases : # DE HORAS CONTENIDO [MÓDULO I] 3hrs. Una introduccion al Analisis de Series de Tiempo 3hrs Análisis Exploratorio de las Series de Tiempo (I) •​ Manipulación y técnicas de remuestreo de Datos Temporales 3hrs. Análisis Exploratorio de las Series de Tiempo (II) •​ Gráficos estáticos •​ Visualización de Múltiples Series y Estacionalidad 3hrs Análisis Exploratorio de las Series de Tiempo (III) •​ Descomposición de Series de tiempo 3hrs. Análisis Exploratorio de las Series de Tiempo (IV) •​ Gráficos De autocorrelación : ACF y PACF 3hrs Fundamentos de Visualización Interactiva con Plotly Express 3hrs. Gráficos Avanzados y Subplots con Plotly Graph Objects 3hrs Introducción a Dash: Tu Primer Dashboard 3hrs
5. Interactividad Básica: Callbacks y Componentes dcc 3hrs Diseño de Layouts y Estilos : Aplicar estilos CSS para personalización CONTENIDO [MÓDULO II] 3hrs Fundamentos para el Modelado de Series Estacionarias 3hrs Modelos para Series de tiempo Estacionarias (I) •​ Modelo de Medias Móviles ◦​ Definición ◦​ Propiedades ◦​ Invertibilidad 3hrs. Modelos para Series de tiempo Estacionarias (II) •​ Modelo Autorregresivo ◦​ Definición ◦​ Algoritmo de Durbin-Levinson ◦​ Propiedades ◦​ Estacionariedad y Causalidad de Modelos Autorregresivos 3hrs Revisión Crítica de la Estacionariedad •​ Estacionariedad Fuerte (Estricta): •​ Estacionariedad Débil (de segundo orden): •​ ¿Por qué es crucial? •​ Caminata Aleatoria: El ejemplo por excelencia de serie no estacionaria. De la Teoría a la Práctica: Preprocesamiento para el Modelado •​ Transformaciones Comunes: i.​ Diferenciación: ii.​ Transformación Logarítmica: . •​ Prueba de Dickey-Fuller Aumentada (ADF) •​ Proceso Iterativo: Graficar -> Transformar -> Verificar con ADF -> Repetir. 3hrs. ARMA y ARIMA : Modelando y Pronosticando Problemas de construcción 3hrs. Métodos de Estimación (I) •​ El algoritmo de Innovaciones •​ Método de Momentos​ Métodos de Estimación (II) •​ Método de mínimos cuadrados condicionales •​ Método de Máxima verosimilitud 3hrs. Series de Tiempo NO Estacionarias •​ El método de Box-Jenkins
6. •​ Modelos SARIMA 3hrs. Series de Tiempo Financieras : •​ Modelos ARCH •​ Modelos GARCH 3hrs. Series de Tiempo Financieras : •​ Modelos EGARCH •​ Modelos TGARCH ​ Prerrequisitos :​ 1.​ Conocimientos básicos-intermedios sobre programación en Python, estadística descriptiva y estadística inferencial. 8.​ Bibliografía 1)​ Box, G.E.P., Jenkins, G.M., Reinsel, G.C. (1994), Time Series Analysis - Forecasting and Control (3rd edition), Prentice Hall. 2)​ Peña, D. (2005), Análisis de Series Temporales, Alianza. 3)​ Reinsel, G.C. (1997), Elements of Multivariate Time Series Analysis (2nd edition), Springer. 4)​ Brockwell, P.J., Davis, R.A. (2002), Introduction to Time Series and Forecasting (2nd edition), Springer. 5)​ Davidson, R., MacKinnon, J.G. (2004), Econometric Theory and Methods, Oxford. 6)​ Kennedy, P. (2003), A Guide to Econometrics (5th edition), Blackwell. 7)​ Verbeek, M. (2004), A Guide to Modern Econometrics (2nd edition), Wiley. 8)​ Pole, A., West, M., & Harrison, J. (2018). Applied Bayesian forecasting and time series analysis. Chapman and Hall/CRC. 9)​ West, M. (2020). Bayesian forecasting of multivariate time series: scalability, structure uncertainty and decisions. Annals of the Institute of Statistical Mathematics, 72(1), 1-31. 10)​Ghosh, B., Basu, B., & O’Mahony, M. (2007). Bayesian time-series model for short-term traffic flow forecasting. Journal of transportation engineering, 133(3), 180-189.