Libro de Series Temporales con Python

Aprende a leer el pasado para predecir el futuro.

Un recorrido práctico desde los fundamentos del análisis temporal hasta los algoritmos de machine learning más usados en forecasting. Cada capítulo incluye código Python ejecutable y visualizaciones claras.

EMPEZAR A LEER →

Tabla de contenidos

4 básicos 3 intermedios 0 avanzados 7 capítulos

Fundamentos

1

Tu primer encuentro con el tiempo como dato

Qué es una serie temporal, por qué necesita un tratamiento especial y cómo descomponerla en tendencia, estacionalidad y ruido con pandas y matplotlib.

básico 7 min
Ir al cap. →

Modelos clásicos

2

ARIMA: el primer modelo que de verdad predice el futuro

Cómo detectar la estacionariedad, diferenciar una serie temporal e interpretar ACF y PACF para ajustar un modelo ARIMA con statsmodels.

intermedio 9 min
Ir al cap. →
1. 2.1
  
  Interpretando ACF y PACF paso a paso
  
  Aprende a leer las funciones de autocorrelación para identificar los parámetros p, d y q de un modelo ARIMA.
  
  intermedio 3 min
  Ir al cap. →
2. 2.2
  
  Ajustando el orden ARIMA con auto_arima
  
  Automatiza la búsqueda de los mejores parámetros p, d y q usando pmdarima y compara modelos con AIC y BIC.
  
  intermedio 2 min
  Ir al cap. →