1. Introducción
2. Series temporales
2.1. Definición
2.2. Casos de uso
2.2.1. Análisis exploratorio
2.2.2. Pronóstico futuro
2.3. Series temporales como procesos estocásticos
2.3.1. Distribución de probabilidad conjunta
2.3.2. Distribución de probabilidad marginal
2.3.3. Distribución de probabilidad condicional
2.3.4. Momentos de una variable aleatoria
2.3.5. Covarianza y autocovarianza
2.3.6. Correlación y autocorrelación (ACF)
2.3.7. Correlación parcial y Autocorrelación parcial (PACF)
2.3.8. Estacionariedad
2.4. Series temporales financieras
2.4.1. Rendimientos
2.4.2. Volatilidad
3. Modelos para pronóstico futuro de series temporales
3.1. Modelos AR(p)
3.2. Modelos MA(q)
3.3. Modelos ARMA(p, q)
3.4. Modelos de volatilidad
3.4.1. Estructura general
3.4.2. Modelos ARCH(m)
3.4.3. Modelos GARCH(m, s)
3.5. Determinación del orden de un modelo
3.5.1. Determinación basada en ACF y PACF
3.5.2. Determinación basada en criterios de información
4. Bases de datos para series temporales
4.1. Descripción general
4.2. Casos de uso
4.2.1. Monitoreo de operaciones para DevOps
4.2.2. Analítica en tiempo real
4.2.3. Monitoreo de sensores de IoT
5. Herramientas requeridas para la implementación
5.1. InuxDB: Captura, almacenamiento, consulta y visualización
5.1.1. Descripción general
5.1.2. Modelo de datos
5.1.3. Escritura
5.1.4. Consulta
5.1.5. Visualización
5.2. Python: Análisis y pronostico futuro
5.2.1. Descripción general
5.2.2. Módulos principales
6. Proceso de implementación y resultados
6.1. Arquitectura del pipeline
6.2. Captura, almacenamiento y consulta
6.3. Preprocesamiento
6.4. Análisis exploratorio
6.5. Modelado
6.6. Predicción
7. Conclusiones
A. Script para escritura a InuxDB
B. Script para consulta a InuxDB
Bibliografía