-
Introducir los conceptos fundamentales del análisis de series de tiempo univariadas.
-
Realizar descomposición estructural usando enfoques aditivos, multiplicativos y de regresión.
-
Aplicar filtros de tendencia y técnicas de suavizamiento para estimar ciclos y componentes estacionales.
-
Estimar modelos ARIMA y SARIMA para pronóstico univariado.
-
Implementar todas las metodologías en Python con statsmodels, pmdarima, pandas, matplotlib, filterpy y otros paquetes relevantes.
Profesionales y empresas
Que buscan dominar herramientas de IA, automatización y analítica avanzada.
​
Estudiantes y egresados
Que desean actualizar sus conocimientos y acceder a oportunidades laborales.
​
Equipos corporativos
Que requieren formación estratégica para impulsar la transformación digital
Curso: Descomposición de Series de Tiempo, Pronóstico y Filtros de Tendencia (Aplicaciones en Python)
Fundamentos de series de tiempo y estacionariedad
-
Tipos de series: estacionarias, no estacionarias, determinísticas y estocásticas.
-
Componentes estructurales: tendencia, estacionalidad, ciclo e irregularidad.
-
Pruebas de raíz unitaria: Dickey-Fuller, ADF, KPSS.
-
Pruebas de raíz unitaria estacional: HEGY, Canova-Hansen, OCSB.
-
Implicaciones de la no estacionariedad para la descomposición y el modelado
Resultados del curso
Al finalizar el curso, los participantes serán capaces de
Pensamiento analítico: capacidad para interpretar datos y encontrar patrones.
Resolución de problemas: aplicar métodos basados en datos para tomar decisiones.
Comunicación efectiva: transformar información compleja en conclusiones claras.
Trabajo en equipo: colaborar en proyectos de análisis y presentar resultados.
Aprendizaje continuo: adaptarse a nuevas herramientas y tendencias en datos.
Instructor del Curso
Antonio Murillo Reyes
Economista/Data Science.
​Máster en Econometría (Univ. Torcuato Di Tella - Argentina), MBA en Administración de Empresas (UCB – Bolivia) y Posgrado en IA y Ciencia de Datos (UNC-Argentina). Especializado en análisis Macroeconómico y Modelación Econométrica. Fue Analista Senior en el Banco Central de Bolivia. Docente de postgrado en Econometría y Machine Learning en posgrados en Bolivia y Ecuador..
Metodología de Enseñanza
Aprendizaje práctico
Basamos nuestra enseñanza en proyectos reales que reflejan los desafíos cotidianos de las empresas
Plataformas interactivas
Utilizamos simuladores y herramientas digitales que facilitan la comprensión de conceptos complejos
Evaluación continua
Medimos constantemente el impacto para ajustar metodologías y optimizar resultados
Cursos relacionados
.webp)
.png)
Certificación
Diploma digital verificable a través del sistema de verificación de autenticidad.
Certificados extendidos por la Secretaría de Cultura y Extensión Instituto Deep Quantics Bolivia.
PREGUNTAS FRECUENTES
Resuelve tus dudas al instante
¿Por que Deep Quantics?