Última actualización: 07/06/2024


Curso Académico: 2024/2025

Análisis de Series Temporales
(17767)
Máster Universitario en Estadística para la Ciencia de Datos (Plan: 386 - Estudio: 345)
Escuela de Ingeniería y Ciencias Básicas


Coordinador/a: RUIZ ORTEGA, ESTHER

Departamento asignado a la asignatura: Departamento de Estadística

Tipo: Optativa
Créditos: 3.0 ECTS

Curso:
Cuatrimestre:




Requisitos (Asignaturas o materias cuyo conocimiento se presupone)
Probabilidad Inferencia Estadística Programación en R
Objetivos
El estudiante adquirirá los siguientes conocimientos: 1) Dominio de las técnicas descriptivas de series temporales univariantes 2) Modelización de series temporales univariantes mediante métodos de medias móviles, alisado exponencial y periodogramas 3) Modelización de series temporales univariantes mediante métodos de machine learning. 4) Modelización de series temporales estacionariaa. Modelos AR. modelos MA. modelos ARIMA. 5) Dominio de las técnicas de identificación de modelos. Diagnósticos. 6) Modelización de de series temporales multivariantes. Modelos VAR. Identificación de modelos. Diagnósticos. 7) Dominio de las técnicas de identificación de modelos. Diagnósticos.
Competencias y resultados del aprendizaje
Descripción de contenidos: Programa
1. Introducción. 2. Descomposición de series temporales. 3. Modelos ARIMA. 4. Regresión Dinámica y Machine Learning. 5. Series temporales multivariantes. 6. Modelos de volatilidad.
Actividades formativas, metodología a utilizar y régimen de tutorías
Las clases consisten en una mezcla de exposiciones sobre los conceptos fundamentales de la asignatura y la presentación de casos prácticos mediante el uso de software. Se emplean preferentemente los lenguajes R y Python. Se espera que los estudiantes traigan sus propios portátiles para experimentar con el código durante las clases. * Actividades formativas   - AF1: Clase teórica.   - AF2: Clase práctica.   - AF5: Tutorías.   - AF6: Trabajo en grupo.   - AF7: Trabajo individual.   - AF8: Pruebas de evaluación presenciales. * Metodologías docentes   - MD1: Exposiciones en clase del profesor con soporte de medios informáticos y audiovisuales, en las que se desarrollan los conceptos principales de la materia y se proporciona la bibliografía para complementar el aprendizaje de los alumnos.   - MD2: Lectura crítica de textos recomendados por el profesor de la asignatura: Artículos de prensa, informes, manuales y/o artículos académicos, bien para su posterior discusión en clase, bien para ampliar y consolidar los conocimientos de la asignatura.   - MD3: Resolución de casos prácticos, problemas, etc. planteados por el profesor de manera individual o en grupo.   - MD4: Exposición y discusión en clase, bajo la moderación del profesor de temas relacionados con el contenido de la materia, así como de casos prácticos.   - MD5: Elaboración de trabajos e informes de manera individual o en grupo.
Sistema de evaluación
  • Peso porcentual del Examen Final 0
  • Peso porcentual del resto de la evaluación 100

Calendario de Evaluación Continua


Bibliografía básica
  • Daniel Peña. Análisis de series temporales. Alianza Editorial. 2005
  • Lazzeri, F. Machine Learning for Time Series Forecasting with Python. Wiley. 2020
  • Rob J Hyndman and George Athanasopoulos. Forecasting: Principles and Practice. OTexts: Melbourne, Australia. 2021
Recursos electrónicosRecursos Electrónicos *
(*) El acceso a algunos recursos electrónicos puede estar restringido a los miembros de la comunidad universitaria mediante su validación en campus global. Si esta fuera de la Universidad, establezca una VPN


El programa de la asignatura podría sufrir alguna variación por causa de fuerza mayor debidamente justificada o por eventos académicos comunicados con antelación.


Dirección web para más información: Aula Global