Logo

Series Temporales

Código: 100124
Créditos: 6
2026/2027
Titulación Tipo Curso
Matemáticas OP 4

Profesor/a de contacto

Nombre :
David Moriña Soler
Correo electrónico :
david.morina@uab.cat

Idiomas de los grupos

Puede consultar esta información al final del documento.

Prerrequisitos

Es recomendable tener conocimientos de probabilidades, inferencia estadística y modelos lineales.

Objetivos

El objetivo de este curso es el de dar una primera mirada al mundo de las series temporales y sus aplicaciones. Una serie temporal es una colección de observaciones hechas a lo largo del tiempo (o alguna otra magnitud ordenada). Las series temporales aparecen hoy en muchas disciplinas. Por lo tanto, su análisis y la modelización del mecanismo aleatorio que las genera es de gran importancia desde el punto de viste teórico y práctico. Se pretende que el alumno modele el mecanismo aleatorio que genera las observaciones, haga diagnósticos y predicciones.

 

Resultados de aprendizaje

  1. Utilizar eficazmente bibliografía y recursos electrónicos para obtener información.
  2. Que los estudiantes hayan demostrado poseer y comprender conocimientos en un área de estudio que parte de la base de la educación secundaria general, y se suele encontrar a un nivel que, si bien se apoya en libros de texto avanzados, incluye también algunos aspectos que implican conocimientos procedentes de la vanguardia de su campo de estudio.
  3. Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio.
  4. Desarrollar un pensamiento y un razonamiento crítico y saber comunicarlo de manera efectiva, tanto en las lenguas propias como en una tercera lengua.
  5. Que los estudiantes tengan la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su área de estudio) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética.
  6. Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado.
  7. Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía.
  8. Demostrar de forma activa una elevada preocupación por la calidad en el momento de argumentar o hacer públicas las conclusiones de sus trabajos.
  9. Capacidad de elaboración y construcción de modelos y su validación.
  10. Análisis de datos.
  11. Reconocer los distintos tipos de muestreo
  12. Determinar el tamaño de la muestra y establecer una estrategia de muestreo para estudios de comparación de proporciones
  13. Determinar el tamaño de la muestra y establecer una estrategia de muestreo para estudios de comparación de medias
  14. Determinar el tamaño de la muestra y establecer una estrategia de muestreo para comparaciones especiales
  15. Caracterizar grupos homogéneos de individuos mediante análisis multivariante.
  16. Proyectar un estudio en base a metodologías multivariantes y/o minería de datos para resolver un problema contextualizado en la realidad experimental.
  17. Reconocer la necesidad de emplear métodos multivariantes en lugar de bivariantes.
  18. Diseño de experimentos.
  19. Identificación de relaciones o asociaciones.
  20. Interpretación de resultados a partir de modelos estadísticos.
  21. Pensamiento y razonamiento cuantitativo.
  22. Identificar la información relevante para resolver un problema.
  23. Depurar y almacenar la información en soporte informático.
  24. Validar y gestionar la información para su tratamiento estadístico.
  25. Identificar las etapas en los problemas que requieren tecnologías avanzadas.
  26. Emplear índices de resumen de datos multivariantes, series temporales y todas las demás técnicas avanzadas.
  27. Emplear gráficos de resumen de datos multivariados y de evolución temporal
  28. Representación gráfica de datos.
  29. Diseño, programación e implantación de paquetes estadísticos.
  30. Elaboración de previsiones y escenarios.
  31. Utilizar software estadístico para gestionar bases de datos
  32. Utilizar software estadístico para obtener índices de resumen de las variables del estudio.
  33. Emplear software estadístico para llevar a cabo el cálculo del tamaño muestral.
  34. Utilizar software estadístico para los diversos métodos de análisis multivariante.
  35. Actuar en el ámbito de conocimiento propio evaluando las desigualdades por razón de sexo/género.

Contenidos


  1. Introducción. Análisis clásico de series temporals.

  2. Procesos estacionarios. Conceptos de estacionaridad, ejemplos. Simulación de series temporales.

  3. Procesos Lineales. Los modelos MA(q). Modelos AR(p). El correlograma. Las equaciones de Yule-Walker. El operador de retardos y la relación entre los modelos MA y AR. Las funciones de autocorrelación y autocorrelación parcial.

  4. Modelos ARIMA: Los modelos ARMA(p,q). Estimación de parámetros: método de los  momentos, máxima verosimilitud, mínimos cuadrados condicinales e incondicionales. Modelos ARIMA(p,d,q) y SARIMA. La metodología de Box-Jenkins. Segmentación.

  5. Diagnósticosy predicción Criterios AIC y BIC. Análisis de residuos. Predicciones elementals y basadas en la representación AR(∞). IC para las predicciones.

  6. Modelos para series no estacionarias: ARCH/GARCH, ARMA con covariantes.

  7. Series de recuentos: Los modelos INAR.

Actividades formativas y Metodología

Título Horas ECTS Resultados de aprendizaje
Clases prácticas 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
Trabajo 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
Clases teóricas 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
Análisis de datos reales 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 las dos horas semanales de teorías presentarán los resultados fundamentales y se realizarán ejercicios (con ordenador) y problemas. En las dos horas de prácticas (que se realizarán con ordenador portátil) se utilizará R para aplicar los modelos estudiados en teoría.

La perspectiva de género en la docencia va más allá de los contenidos de las asignaturas, ya que también implica una revisión de las metodologías docentes y las interacciones entre el alumnado y el profesorado, tanto dentro como fuera del aula. En este sentido, se emplearán metodologías docentes participativas, donde se genere un entorno igualitario, evitando ejemplos estereotipados en género y vocabulario sexista, con el objetivo de desarrollar el razonamiento crítico y el respecto a la diversidad y pluralidad de ideas, personas y situaciones, pues suelen ser más favorables a la integración y plena participación del estudiantado, y por eso se procurará su implementación efectiva en esta asignatura.


En las dos horas teóricas semanales se presentarán los resultados teóricos fundamentales, y se resolverán ejercicios con ordenador y problemas. En las dos horas semanales de prácticas con ordenador, se utilizará R para aplicar los modelos estudiados en las clases teóricas.


La perspectiva de género en la docencia va más allá de los contenidos de las asignaturas, ya que también implica una revisión de las metodologías docentes y de las interacciones entre el alumnado y el profesorado, tanto dentro como fuera del aula. En este sentido, las metodologías docentes participativas, en las que se genera un entorno igualitario y menos jerárquico en el aula, evitando ejemplos estereotipados en cuanto al género y vocabulario sexista, con el objetivo de desarrollar el razonamiento crítico y el respeto a la diversidad y pluralidad de ideas, personas y situaciones, suelen ser más favorables a la integración y plena participación de las alumnas en el aula. Por ello, se procurará su implementación efectiva en esta asignatura.


En esta asignatura, se permite el uso de tecnologías de Inteligencia Artificial (IA) como parte integrante del desarrollo del trabajo, siempre que el resultado final refleje una contribución significativa del estudiante en el análisis y la reflexión personal. El estudiante deberá identificar claramente qué partes han sido generadas con esta tecnología, especificar las herramientas empleadas e incluir una reflexión crítica sobre cómo estas han influido en el proceso y en el resultado final de la actividad. La falta de transparencia en el uso de la IA se considerará una falta de honestidad académica y puede comportar una penalización en la nota de la actividad, o sanciones mayores en casos de gravedad.

Nota: se reservarán 15 minutos de una clase dentro del calendario establecido por el centro o por la titulación para que el alumnado rellene las encuestas de evaluación de la actuación del profesorado y de evaluación de la asignatura o módulo.

Evaluación

Actividades de evaluación continuada

Título Peso Horas ECTS Resultados de aprendizaje
Entregas de problemas y practicas de ordenador 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 modalidad de evaluación continua, la asignatura se evaluará mediante entregas de trabajos —entregas de ejercicios, controles de problemas y/o prácticas— y dos exámenes. Para obtener la nota ponderada de evaluación continua, será necesario obtener una calificación mínima de 3/10 en cada una de las partes.


El alumnado que se haya acogido a la modalidad de evaluación única deberá realizar una evaluación que consistirá en un examen de teoría, una prueba de problemas y la entrega de los informes de la primera y la última práctica del curso. La evaluación de las entregas puede requerir una entrevista de evaluación con el profesor. La calificación del estudiante será la media ponderada de las tres actividades anteriores, donde el examen supondrá el 45% de la nota, la prueba el 45% y las entregas el 10%.


Si la nota final no alcanza el 5, el estudiante tendrá otra oportunidad de superar la asignatura mediante el examen de recuperación, que se celebrará en la fecha que fije la coordinación de la titulación. En esta prueba se podrá recuperar el 70% de la nota correspondiente a la teoría y los problemas. La parte de entregas de prácticas no es recuperable.


La realización de cualquier irregularidad en un acto de evaluación —fraude académico, plagio o uso indebido de la IA, salvo que dicho uso esté autorizado expresamente en la guía docente— que pueda conducir a una variación significativa de la calificación supondrá que dicho acto se calificará con un 0. En caso de que la guía docente prevea que, para superar la asignatura, sea requisito imprescindible haber obtenido una nota mínima en dicho acto de evaluación, o que se produzcan varias irregularidades en los actos de evaluación de una misma asignatura, la calificación final de esta asignatura será 0. Al margen de ello, se podrá instruir un proceso disciplinario al estudiante que incurra en alguna de estas irregularidades.


Bibliografía

  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. 

Software

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

Grupos e idiomas de la asignatura

La información proporcionada es provisional hasta el 30 de noviembre. A partir de esta fecha, podrá consultar el idioma de cada grupo a través de este enlace. Para acceder a la información, será necesario introducir el CÓDIGO de la asignatura