Logo

Sèries Temporals

Codi: 100124
Crèdits: 6
2026/2027
Titulació Tipus Curs
Matemàtiques OP 4

Professor/a de contacte

Nom :
David Moriña Soler
Correu electrònic :
david.morina@uab.cat

Idiomes dels grups

Podeu consultar aquesta informació al final del document.

Prerequisits

És recomanable haver aprovat les assignatures de càlcul de probabilitats, inferència estadística i models lineals.

Objectius

L'objectiu del curs és donar una primera ullada al món de les sèries temporals i les seves aplicacions. Una sèrie temporal és una col·lecció d'observacions fetes al llarg del temps (o qualsevol altra magnitud ordenada). Les sèries temporals apareixen actualment en moltes disciplines. Per tant, la seva anàlisi i la modelització del mecanisme aleatori que les genera és de gran importància teòrica i pràctica. Es pretén que l'alumne modeli el mecanisme aleatori darrere de les dades observades, en faci la diagnosi i l'utilitzi per a fer prediccions.

Resultats d'aprenentatge

  1. Utilitzar eficaçment bibliografia i recursos electrònics per obtenir informació.
  2. Que els estudiants hagin demostrat posseir i comprendre coneixements en un àrea d'estudi que parteix de la base de l'educació secundària general, i se sol trobar a un nivell que, si bé es recolza en llibres de text avançats, inclou també alguns aspectes que impliquen coneixements procedents de l'avantguarda del seu camp d'estudi.
  3. Que els estudiants sàpiguen aplicar els seus coneixements al seu treball o vocació d'una forma professional i posseeixin les competències que solen demostrar-se per mitjà de l'elaboració i defensa d'arguments i la resolució de problemes dins de la seva àrea d'estudi.
  4. Desenvolupar un pensament i un raonament crític i saber comunicar-ho de manera efectiva, tant en les llengües pròpies com en una tercera llengua
  5. Que els estudiants tinguin la capacitat de reunir i interpretar dades rellevants (normalment dins de la seva àrea d'estudi) per emetre judicis que incloguin una reflexió sobre temes rellevants d'índole social, científica o ètica.
  6. Que els estudiants puguin transmetre información idees, problemes i solucions a un públic tan especialitzat com no especialitzat
  7. Que els estudiants hagin desenvolupat les habilitats d'aprenentatge necessàries per a emprendre estudis posteriors amb un alt grau d'autonomia.
  8. Demostrar de forma activa una elevada preocupació per la qualitat en el moment d'argumentar o exposar les conclusions dels seus treballs
  9. Capacitat d'elaboració i construcció de models i la seva validació.
  10. Anàlisi de dades.
  11. Reconèixer els diferents tipus de mostreig.
  12. Determinar la mida de la mostra i establir una estratègia de mostreig per a estudis de comparació de proporcions.
  13. Determinar la mida de la mostra i establir una estratègia de mostreig per a estudis de comparació de mitjanes.
  14. Determinar la mida de la mostra i establir una estratègia de mostreig per a comparacions especials.
  15. Caracteritzar grups homogenis d'individus mitjançant l'anàlisi multivariant.
  16. Projectar un estudi a partir de metodologies multivariants i/o una mineria de dades per resoldre un problema contextualitzat en la realitat experimental.
  17. Reconèixer la necessitat d'emprar mètodes multivariants en lloc de bivariants.
  18. Dissenyar experiments.
  19. Identificar relacions o associacions.
  20. Interpretar resultats a partir de models estadístics.
  21. Pensament i raonament quantitatiu.
  22. Identificar la informació rellevant per resoldre un problema.
  23. Depurar i emmagatzemar la informació en suport informàtic.
  24. Validar i gestionar la informació per a tractar-la estadísticament.
  25. Identificar les etapes en els problemes que requereixen tecnologies avançades.
  26. Emprar índexs de resum de dades multivariants, sèries temporals i totes les altres tècniques avançades.
  27. Emprar gràfics de resum de dades multivariades i d'evolució temporal.
  28. Representació gràfica de dades.
  29. Disseny, programació i implantació de paquets estadístics.
  30. Elaborar previsions i escenaris.
  31. Utilitzar programari estadístic per gestionar bases de dades.
  32. Utilitzar programari estadístic per obtenir índexs de resum de les variables de l'estudi.
  33. Emprar programari estadístic per dur a terme el càlcul de la mida mostral.
  34. Utilitzar programari estadístic per als diversos mètodes d'anàlisi multivariant.
  35. Actuar en l'àmbit de coneixement propi avaluant les desigualtats per raó de sexe/gènere.

Continguts


  1. Introducció. Anàlisi clàssica de sèries temporals.

  2. Processos estacionaris. Conceptes d’estacionarietat, exemples. Simulació.

  3. Processos lineals. Els models MA(q). Els models AR(p). El correlograma. Les equacions de Yule-Walker. L'operador retard i la relació entre els MA i els AR. Les funcions d’autocorrelació i d'autocorrelació parcial.

  4. Models ARIMA: Els models ARMA(p,q). Estimació de paràmetres: mètode dels moments, màxima versemblança, mínims quadrats incondicionals i condicionals. Els models ARIMA(p,d,q) i els SARIMA. Metodologia de Box-Jenkins. Segmentació.

  5. Validació i Predicció. Criteris AIC i BIC. Anàlisi dels residus. Prediccions elementals i basades en la representació AR(∞). IC per a les prediccions.

  6. Models per a sèries temporals no estacionàries: ARCH/GARCH, ARMA amb covariants.

  7. Series de recomptes: Els models INAR.

Activitats formatives i Metodologia

Títol Hores ECTS Resultats d'aprenentatge
Classes pràctiques 26 1,04 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35
Treball personal 60 2,4 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35
Classes teòriques 26 1,04 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35
Anàlisi de dades reals 25 1 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35

En les dues hores teòriques setmanals es presentaran els resultats teòrics fonamentals, i es resoldran exercicis amb ordinador i problemes. En les dues hores de pràctiques amb ordinador setmanals, s'utilitzarà l'R per a aplicar els models estudiats a les classes teòriques.

La perspectiva de gènere en la docència va més enllà dels continguts de les assignatures, ja que també implica una revisió de les metodologies docents i de les interaccions entre l'alumnat i el professorat, tant a l'aula com a fora. En aquest sentit, les metodologies docents participatives, on es genera un entorn igualitari, menys jeràrquic a l'aula, evitant exemples estereotipats en gènere i vocabulari sexista, amb l'objectiu de desenvolupar el raonament crític i el respecte a la diversitat i pluralitat d'idees, persones i situacions, solen ser més favorables a la integració i plena participació de les alumnes a l'aula, i per això es procurarà la seva implementació efectiva en aquesta assignatura.


En aquesta assignatura, es permet l'ús de tecnologies d'Intel·ligència Artificial (IA) com a part integrant del desenvolupament del treball, sempre que el resultat final reflecteixi una contribució significativa de l'estudiant en l'anàlisi i la reflexió personal. L'estudiant haurà d'identificar clarament quines parts han estat generades amb aquesta tecnologia, especificar les eines emprades i incloure una reflexió crítica sobre com aquestes han influït en el procés i el resultat final de l’activitat. La no transparència de l’ús de la IA es considerarà falta d'honestedat acadèmica i pot comportar una penalització en la nota de l'activitat, o sancions majors en casos de gravetat.

Nota: es reservaran 15 minuts d'una classe, dins del calendari establert pel centre/titulació, perquè l'alumnat completi les enquestes d'avaluació de l'actuació del professorat i d'avaluació de l'assignatura.

Avaluació

Activitats d'avaluació continuada

Títol Pes Hores ECTS Resultats d'aprenentatge
Lliurement de problemes i practiques d'ordinador 0,3 8 0,32 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35
Examen Parcial 0,3 2 0,08 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35
Examen Final 0,4 3 0,12 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35

En la modalitat d'avaluació continuada, l’assignatura s’avaluarà amb lliuraments de treballs (entregues d’exercicis, controls de problemes i/o pràctiques) i 2 examens. Per obtenir la nota ponderada d'avaluació continuada cal tenir un mínim de 3/10 en cadascuna de les parts.

L’alumnat que s’hagi acollit a la modalitat d’avaluació única haurà de realitzar una avaluació que consistirà en un examen de teoria, una prova de problemes i el lliurament dels informes de la primera i darrera pràctica del curs. L'avaluació dels lliuraments pot requerir una entrevista d'avaluació amb el professor. La qualificació de l’estudiant serà la mitjana ponderada de les tres activitats anteriors, on l’examen suposarà el 45% de la nota, la prova 45% i els lliuraments el 10%.

Si la nota final no arriba a 5, l’estudiant té una altra oportunitat de superar l’assignatura mitjançant l’examen de recuperació que se celebrarà en la data que fixi la coordinació de la titulació. En aquesta prova es podrà recuperar el 70% de la nota corresponent a la teoria i els problemes. La part de lliuraments de pràctiques no és recuperable.


La realització de qualsevol irregularitat en un acte d’avaluació (frau acadèmic, plagi o ús indegut de la IA, tret que aquest ús estigui autoritzat expressament a la guia docent), que pugui conduir a una variació significativa de la qualificació, suposa que aquest acte es qualificarà amb un 0. En cas que la guia docent prevegi que per superar l’assignatura sigui requisit imprescindible haver obtingut una nota mínima en aquest acte d’avaluació o que es produeixin diverses irregularitats en els actes d’avaluació d’una mateixa assignatura, la qualificació final d’aquesta assignatura és 0. Al marge d’això, es podrà instruir un procés disciplinari a l’estudiant que incorri en alguna d’aquestes irregularitats.

Bibliografia

  1. Bisegard, S. (2011). Time Series Analysis and Forecasting By Example. John Wiley & Sons, Inc., Hoboken, New Jersey. https://onlinelibrary-wiley-com.are.uab.cat/doi/pdf/10.1002/9781118056943
  2. Brockwell, P.J. and Davis, R.A. (2002). Introduction to Time Series and Forecasting. 2nd edit. Springer. https://cataleg.uab.cat/iii/encore/record/C__Rb1671241__Sa%3A%28Brockwell%29%20t%3A%28time%20series%29__P0%2C3__Orightresult__U__X4?lang=spi&suite=def
  3. Cryer, J.D. and Chan, K.S. (2008). Time Series Analysis with Applications to R. 2nd. edit. Springer. https://cataleg.uab.cat/iii/encore/record/C__Rb2027637__Sa%3A%28Cryer%29%20t%3A%28time%20series%29__P0%2C1__Orightresult__U__X4?lang=spi&suite=def
  4. Peña, R.D. A course in time series analysis. https://onlinelibrary-wiley-com.are.uab.cat/doi/book/10.1002/9781118032978
  5. Peña, D., Tiao, G.C., and Tsay, R.S. (2001). A Course in Time Series Analysis. John Wiley & Sons, Inc. https://onlinelibrary-wiley-com.are.uab.cat/doi/book/10.1002/9781118032978
  6. Shumway, R.H. and Stoffer, D.S. (2011) Time Series Analysis and its Applications. 3rd. edit. Springer. https://cataleg.uab.cat/iii/encore/record/C__Rb1784344__Sa%3A%28shumway%29%20t%3A%28time%20series%29__P0%2C2__Orightresult__U__X4?lang=spi&suite=def
  7. Tsay., R.S. (2010). Analysis of Financial Time Series, 3rd Edition, Wiley. 

Programari

R Core Team. R: A language and environment for statistical computing. R
  Foundation for Statistical Computing, Vienna, Austria. URL
  https://www.R-project.org/.

Grups i idiomes de l'assignatura

La informació proporcionada és provisional fins al 30 de novembre. A partir d'aquesta data, podreu consultar l'idioma de cada grup a través d'aquest enllaç. Per accedir a la informació, caldrà introduir el CODI de l'assignatura