• English
  • Youtube
  • Facebook
  • Twitter
  • Linkedin
  • Instagram
  • tiktok

Ciencia de los Datos Aplicada

Grado y Doble Grado. Curso 2023/2024.

SERIES TEMPORALES - 806311

Curso Académico 2023-24

Datos Generales

SINOPSIS

COMPETENCIAS

Generales
CG1 - Comunicar y transmitir la información a un público tanto especializado como no especializado.
CG2 - Adquirir la habilidad para expresarse claramente y de presentar los resultados de sus análisis, oralmente o por escrito, mediante un informe de carácter profesional.
CG3 - Coordinar trabajo en equipo con grupos multidisciplinares y organizar y gestionar proyectos.
CG4 - Cultivar interés en el conocimiento, descripción e interpretación de fenómenos susceptibles de cuantificación.
CG5 - Desarrollar la capacidad de trabajar de forma autónoma.
CG6 - Realizar lecturas críticas de informes y publicaciones científicas.
CG7 - Plantear políticas de actuación encaminadas a tomar las mejores decisiones posibles.
CG8 - Demostrar un pensamiento lógico y un razonamiento estructurado.
CG9 - Sintetizar las ideas principales de un texto o discurso.
CG10 - Desarrollar la capacidad de expresar y aplicar rigurosamente los conocimientos adquiridos en la resolución de problemas.
CG11 - Poner en práctica las técnicas, herramientas y metodologías propias de la Ciencia de los Datos en distintos ámbitos de aplicación.
Específicas
CE5 - Aplicar la estimación, diagnosis, comparación y validación de modelos en diferentes problemas de inferencia y predicción sobre poblaciones de estudio.
CE6 - Aplicar técnicas estadísticas y de aprendizaje automático en el análisis de datos cualitativos y cuantitativos de cualquier volumen y tipo, tales como espaciales, de texto, imágenes, etc.
CE9 - Aplicar técnicas de análisis de datos para elaborar previsiones y escenarios y establecer relaciones entre variables de diferente tipo, como datos espaciales, textuales, imágenes, sonido, etc.

ACTIVIDADES DOCENTES

Clases teóricas
50%
Clases prácticas
50%

Presenciales

2,4

No presenciales

3,6

Semestre

4

Breve descriptor:

Enfoque clásico vs enfoque con machine learning. 

Métodos de suavizado.

Metodología Box-Jenkins.

Series temporales y machine learning.

Contenido

SERIES TEMPORALES

TEMA 1 ANALISIS DESCRIPTIVO DE UNA SERIE TEMPORAL

2.1 Métodos de Regularización de una Serie Temporal.

2,2 Función de autocorrelación simple y función de autocorrelación parcial. 

2.2 Estudio de la tendencia. Método de ajuste analítico

2.3 Variaciones estacionales.

2.4 Descomposición clásica de una serie Temporal 

TEMA 2  METODOS DE SUAVIZADO. 

3.1- Aproximaciones por polinomios parciales. Regresión Spline y REGRESIÓN LOESS

3.2- Modelo de alisado simple 

3.3. Modelo de alisado doble de Holt

3.4- Modelo de suavizado de Holt-Winters

 

TEMA 3 MODELOS DE SERIES TEMPORALES ESTACIONARIAS

3.1.- El modelo autorregresivo AR(p).

                3.1.1. El proceso AR(1).

                3.1.2. El proceso AR(2).

                3.1.3. El proceso autoregresivo general AR(p).

3.2.- El modelo de medias móviles MA(q).

                3.4.1. El proceso de media móvil de orden 1 MA(1).

                3.4.2.- El proceso MA(q).

3.3.-El modelo mixto ARMA(p,q). 

3.4.- Procesos integrados: El modelo ARIMA(p,d,q).

3.5.- El modelo ARIMA estacional.

  

TEMA 4 ANALISIS DE INTERVENCION, DATOS ATIPICOS, MISSING Y FUNCIONES DE TRANSFERENCIA

4.1.- Modelos de series temporales con intervención. Variables Impulso y Variables Escalón.

4.2.- Datos atípicos e intervención.

4.3.-Estimación de datos missing en series temporales.

4.4.-Predicciones automáticas en presencia de intervención.

4.5.- Modelos de funciones de Transferencia


TEMA 5. SERIES TEMPORALES Y MACHINE LEARNING

5.1 Modelos RNN

5.2 Modelos LSTM


 

Evaluación

Existen dos formas de aprobar la asignatura:
1.- Por evaluación continua: Se realizarán dos pruebas parciales escritas y una práctica que consistirá en la descripción, evaluación, modelización y predicción futura a corto plazo de dos series temporales relacionadas entre si. La primera prueba parcial contará un 30% de la nota, la segunda prueba parcial un 40% y la práctica otro 30%. Para aprobar será necesario obtener una nota mínima de 3 sobre 10 en el segundo parcial.
2.- Por examen final, lo que contará un 100%. Este examen costará de dos partes, una escrita y otra en el ordenador (practica), para la que se deberá utilizar el aula de informática. En este examen final, hay que obtener una nota superior a 4 en cada una de las dos partes y una media global superior a 5.

Bibliografía

Cesar Perez Lopez (2021). Análisis de series temporales: ejercicios resueltos con R. Editorial Garceta. Madrid.

Cesar Perez Lopez (2011). Series temporales: Técnicas y herramientas. Garceta Grupo Editorial,

Daniel Peña (2018). Análisis de Series Temporales. Alianza Editorial. Madrid.

Muñoz A., Parra F. (2007): Econometría Aplicada. Ediciones Académicas

Kirchgässner, Gebhard. (2007) Introduction to Modern Time Series Analysis. Springer-Verlag

Shumway, R. y Stoffer, D. (2006). Time Series Analysis and its Applications. Springer Verlag.

Uriel E. y Peiró A. (2000) Introducción al análisis de series temporales”. Editorial AC.

Wayne A.Fuller (1976) Introduction to statistical time series. John Wiley &Sons, cop. New York

Estructura

MódulosMaterias
No existen datos de módulos o materias para esta asignatura.

Grupos

Clases Teóricas y/o Prácticas
GrupoPeriodosHorariosAulaProfesor
Grupo Único22/01/2024 - 10/05/2024MIÉRCOLES 11:00 - 13:00-JOSE LUIS VALENCIA DELFA


Actividades Prácticas
GrupoPeriodosHorariosAulaProfesor
Grupo Único22/01/2024 - 10/05/2024VIERNES 09:00 - 11:00-JOSE LUIS VALENCIA DELFA