Couvre les propriétés stochastiques des séries temporelles, de la stationnarité, de l'autocovariance, des processus stochastiques spéciaux, de la densité spectrale, des filtres numériques, des techniques d'estimation, du contrôle des modèles, de la prévision et des modèles avancés.
Couvre l'estimation paramétrique, la modélisation saisonnière, les méthodes Box-Jenkins, les calculs de variance et les mesures de dépendance dans l'analyse des séries chronologiques.
Explore Vector Autoregression pour la modélisation de séries temporelles à valeur vectorielle, couvrant la stabilité, les équations de Yule-Walker et la représentation spectrale.
Explore la mémoire longue dans les séries temporelles et les processus d'hétéroskédasticité conditionnelle autorégressive dans les données financières.
Explore Vector Autoregression pour la modélisation de séries temporelles à valeur vectorielle, couvrant la stabilité, les polynômes caractéristiques inverses, les équations Yule-Walker et les autocorrelations.
Explore la prévision de la demande par le biais de l'initiation du modèle, y compris l'identification des tendances, les composantes saisonnières et la détermination du niveau de base, afin de valider et de surveiller les erreurs de prévision.
Explore des modèles pour la prévision, la planification collaborative des ventes et des opérations, la gestion de la chaîne d'approvisionnement et l'optimisation des stocks.
Explore les modèles de séries chronologiques, en mettant l'accent sur les processus autorégressifs, y compris le bruit blanc, AR(1) et MA(1), entre autres.
Couvre la méthodologie Box-Jenkins pour construire des modèles de séries chronologiques, y compris l'identification des modèles, les calculs de variance et le diagnostic des modèles.
Explore l'estimation, la prévision et la comparaison de modèles dans l'analyse de séries chronologiques à l'aide d'exemples de données réelles pour motiver l'étude.
