Logo Tribuna Complutense

    Portada » Estudios » Grado y Doble Grado » Ciencia de los Datos Aplicada

Ciencia de los Datos Aplicada

Grado y Doble Grado. Curso 2024/2025.

SERIES TEMPORALES - 806311

Curso Académico 2024-25

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:

Estudio de las Series Temporales, enfoque clasico y enfoque de Machine Learning.
Métodos de Suavizado. Moledos ARIMA. Metodologia Box-Jenkins. Métodos de Machine Learning para series temporales.

Contenido

TEMA 1 ANALISIS DESCRIPTIVO DE UNA SERIE TEMPORAL

1.1 Introducción a las Series Temporales. Representaciones gráficas.

1.2. Descomposición clásica de una serie Temporal  

1.3 Estimación de la Tendencia.

1.4 Variaciones estacionales.

TEMA 2  METODOS DE SUAVIZADO. 

2.1- Modelos de suavizado para series sin estacionalidad.

      2.1.1. Suavizado simple

      2.1.2. Modelo de alisado doble de Holt

      2.1.3 Tendencia amortiguada

2.2- Modelos de suavizado para series con estacionalidad 

     2.2.1. Modelo de suavizado de Holt-Winters

     2.2.2. Modelo Estacional

TEMA 3 MODELOS DE SERIES TEMPORALES ESTACIONARIAS

3.1.-Procesos estacionarios.

3.2.Función de autocorrelación simple y función de autocorrelación parcial.

3.3.- El modelo autorregresivo AR(p).             

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

3.4.-El modelo mixto ARMA(p,q). 

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

3.5.- El modelo ARIMA estacional.

3.6. La metodologia Box-Jenkins

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.- Modelos de funciones de Transferencia

TEMA 5. SERIES TEMPORALES Y MACHINE LEARNING

5.1. Preparación de los datos para utilizar Técnicas de ML.

5.3. Modelos RNN

5.4 Modelos LSTM


 

Evaluación

" La nota final tendrá en cuenta tanto la evaluación continua como la prueba final. Se calculará como el máximo entre:
a) La calificación de la prueba final.
b) La media ponderada de la evaluación continua y la prueba final, siendo el peso de la evaluación continua de al menos el 35%.
El alumno/a tiene la opción de superar la asignatura por evaluación continua.

Cualquier alumno/a tendrá derecho a una prueba final pudiendo resultar su calificación la nota final del curso."

Bibliografía

Brocklebank, John C., and David A. Dickey. 2003. SAS® for Forecasting Time Series, Second Edition. Cary, NC: SAS Institute Inc.

Makridakis, S. G., Wheelwright, S. C., and Hyndman, R. J. (1997), Forecasting: Methods and Applications, New York: John Wiley & Sons, Inc

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

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

Peña, D (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 Único22/01/2025 - 13/05/2025JUEVES 11:00 - 13:00-JUANA MARIA ALONSO REVENGA


Actividades Prácticas
GrupoPeriodosHorariosAulaProfesor
Grupo Único22/01/2025 - 13/05/2025LUNES 13:00 - 15:00-JUANA MARIA ALONSO REVENGA