🎓 Certificado Final

Examen integral de Series de Tiempo y Pronóstico

12 Módulos Certificado
Examen Final
🎯 Llegaste al final del curso. Este examen final evalúa los conceptos clave de todos los módulos. Revisa el resumen de fórmulas abajo antes de comenzar. Necesitas al menos 6/10 correctas para obtener tu certificado. ¡Buena suerte!
Repaso Rápido de Fórmulas Clave

🔍 Estacionariedad

ADF: Δyₜ = α + βt + γyₜ₋₁ + ΣΔyₜ₋ᵢ + εₜ

Hâ‚€: γ=0 (raíz unitaria). Rechazar Hâ‚€ si t-estadístico < valor crítico.

📦 ARIMA(p,d,q)

(1-ΣφᵢLⁱ)(1-L)ᵈyₜ = (1+ΣθⱼLʲ)εₜ

Box-Jenkins: identificar (ACF/PACF) → estimar → diagnosticar → pronosticar.

📆 Estacionalidad

yₜ = Sₜ + Tₜ + Rₜ (aditivo)

Diferenciación estacional ∇ₛ yâ‚œ = yâ‚œ - yₜ₋ₛ. SARIMA(p,d,q)(P,D,Q)â‚›.

📊 GARCH(1,1)

σ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁

α+β < 1 → varianza incondicional finita. Asimetría: GJR-GARCH.

🔄 VAR(p)

yₜ = c + A₁yₜ₋₁ + ... + Aₚyₜ₋ₚ + εₜ

IRF: respuesta a shock unitario en ε. FEVD: descomposición de varianza.

🔗 SVAR

A₀yₜ = A₁yₜ₋₁ + ... + εₜ

Cholesky (recursivo), Blanchard-Quah (largo plazo), Sign Restrictions.

⛓️ Cointegración

Δyₜ = αβ'yₜ₋₁ + ΓΔyₜ₋₁ + εₜ

Engle-Granger (2 pasos), Johansen (rango). VECM: α = velocidad de ajuste.

🧠 Kalman

θₜ = Fθₜ₋₁ + ηₜ, yₜ = Hθₜ + εₜ

Predicción → Ganancia K → Actualización. Suavizado (RTS) usa toda la muestra.

🧪 BVAR

β ~ N(β₀, V₀)

Prior de Minnesota: rezagos propios ~ 1, otros ~ 0. Distribución predictiva completa.

🔀 No Lineal

STAR: y = φ₁'x + (φ₂'x)·G(z; γ, c)

MS: sâ‚œ ~ Markov(pᵢⱼ). NLR: IRF asimétricas según signo y tamaño del shock.

📈 Pronóstico

RMSE = √(Σeₜ²/H)

DM: dÌ„/√(Var(d)) ~ N(0,1). MASE < 1 → mejor que naive. Combinación: promedio simple.

✅ ¡A por el examen!

10 preguntas, necesitas 6/10 para aprobar. Repasa las fórmulas clave arriba. ¡Mucho éxito!

Examen Final

Certificado de Finalización

Series de Tiempo y Pronóstico

Este certificado acredita que has completado exitosamente

el curso completo de 12 módulos sobre Series de Tiempo y Pronóstico,

cubriendo desde estacionariedad y ARIMA hasta modelos Bayesianos y no lineales.

— Israel Romero

Emitido el

Menú