
Análisis de Datos Temporales
Código: 104413Créditos: 6
| Titulación | Tipo | Curso |
|---|---|---|
| Matemática Computacional y Analítica de Datos | 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
- CM31 (Planificar estudios basados en series temporales con responsabilidad ética para casos reales.) Planificar estudios basados en series temporales con responsabilidad ética para casos reales.
- CM32 (Evaluar el grado de cumplimiento de los requisitos necesarios para aplicar cada procedimiento estadístico avanzado.) Evaluar el grado de cumplimiento de los requisitos necesarios para aplicar cada procedimiento estadístico avanzado.
- CM33 (Extraer conclusiones relevantes de problemas aplicados mediante la aplicación de métodos estadísticos avanzados.) Extraer conclusiones relevantes de problemas aplicados mediante la aplicación de métodos estadísticos avanzados.
- KM27 (Reconocer las ventajas e inconvenientes de las distintas metodologías estadísticas cuando se aplican a las diversas disciplinas.) Reconocer las ventajas e inconvenientes de las distintas metodologías estadísticas cuando se aplican a las diversas disciplinas.
- KM28 (Identificar la modelización más apropiada para una serie cronológica.) Identificar la modelización más apropiada para una serie cronológica.
- SM33 (Emplear gráficos de resumen de datos de evolución temporal.) Emplear gráficos de resumen de datos de evolución temporal.
- SM34 (Analizar datos mediante el modelo de series temporales.) Analizar datos mediante el modelo de series temporales.
- SM35 (Utilizar software estadístico para el estudio de series temporales.) Utilizar software estadístico para el estudio de series temporales.
Contenidos
- Introducción. Análisis clásico de series temporals.
- Procesos estacionarios. Conceptos de estacionaridad, ejemplos. Simulación de series temporales.
- 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.
- 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.
- Diagnósticosy predicción Criterios AIC y BIC. Análisis de residuos. Predicciones elementals y basadas en la representación AR(∞). IC para las predicciones.
- Modelos para series no estacionarias: ARCH/GARCH, ARMA con covariantes.
- Series de recuentos: Los modelos INAR.
Actividades formativas y Metodología
| Título | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|
| Trabajo personal | 62 | 2,48 | |
| Clases teóricas | 26 | 1,04 | |
| Análisis de datos reales | 25 | 1 | |
| Clases prácticas | 24 | 0,96 |
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.
Evaluación
Actividades de evaluación continuada
| Título | Peso | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|---|
| Examen Final | 0,4 | 3 | 0,12 | CM32, CM33, KM27, KM28 |
| Examen Parcial | 0,3 | 2 | 0,08 | CM32, CM33, KM27, KM28 |
| Entregas de problemas y practicas de ordenador | 0,3 | 8 | 0,32 | CM31, CM32, CM33, KM27, KM28, SM33, SM34, SM35 |
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
- Bisegard, S. (2011). Time Series Analysis and Forecasting By Example. John Wiley & Sons, Inc., Hoboken, New Jersey. https://bibcercador.uab.cat/permalink/34CSUC_UAB/1eqfv2p/alma991010344849906709
- Brockwell, P.J. and Davis, R.A. (2002). Introduction to Time Series and Forecasting. 2nd edit. Springer. https://bibcercador.uab.cat/permalink/34CSUC_UAB/cugbhl/alma991002663039706709
- Cryer, J.D. and Chan, K.S. (2008). Time Series Analysis with Applications to R. 2nd. edit. Springer. https://bibcercador.uab.cat/permalink/34CSUC_UAB/1gfv7p7/alma991008499229706709
- Peña, R.D. (2000). A course in time series analysis. https://onlinelibrary-wiley-com.are.uab.cat/doi/book/10.1002/9781118032978
- Peña, D., Tiao, G.C., and Tsay, R.S. (2001). A Course in Time Series Analysis. John Wiley & Sons, Inc. https://bibcercador.uab.cat/permalink/34CSUC_UAB/1eqfv2p/alma991010577691606709
- Shumway, R.H. and Stoffer, D.S. (2011). Time Series Analysis andits Applications. 3rd. edit. Springer. https://bibcercador.uab.cat/permalink/34CSUC_UAB/avjcib/alma991011050079506709
- Tsay., R.S. (2010). Analysis of Financial Time Series, 3rd Edition, Wiley. https://bibcercador.uab.cat/permalink/34CSUC_UAB/avjcib/alma991011050079506709
Software
R Core Team (2021). 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