Ciencia de los Datos Aplicada
Grado y Doble Grado. Curso 2023/2024.
SERIES TEMPORALES - 806311
Curso Académico 2023-24
Datos Generales
- Plan de estudios: 081C - GRADO EN CIENCIA DE LOS DATOS APLICADA (2022-23)
- Carácter: Obligatoria
- ECTS: 6.0
SINOPSIS
COMPETENCIAS
Generales
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
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
Clases prácticas
Presenciales
No presenciales
Semestre
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
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 (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
Módulos | Materias |
---|---|
No existen datos de módulos o materias para esta asignatura. |
Grupos
Clases Teóricas y/o Prácticas | ||||
---|---|---|---|---|
Grupo | Periodos | Horarios | Aula | Profesor |
Grupo Único | 22/01/2024 - 10/05/2024 | MIÉRCOLES 11:00 - 13:00 | - | JOSE LUIS VALENCIA DELFA |
Actividades Prácticas | ||||
---|---|---|---|---|
Grupo | Periodos | Horarios | Aula | Profesor |
Grupo Único | 22/01/2024 - 10/05/2024 | VIERNES 09:00 - 11:00 | - | JOSE LUIS VALENCIA DELFA |