Introducción a la modelización estadística Tratamiento estadístico de señales Modelización predictiva

1. Poseer y comprender conocimientos que aporten fundamentos para el desarrollo y/o aplicación de estos conocimientos, a menudo, en un contexto de investigación. 2. Aplicar los conocimientos adquiridos a la resolución de problemas en entornos nuevos o poco conocidos dentro de contextos multidisciplinares relacionados con su área de estudio. 3. Integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios. 4. Poseer habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida auto-dirigido o autónomo. 1. Aplicar los fundamentos teóricos de las técnicas de recogida, almacenamiento, tratamiento y presentación de información como base para el desarrollo y adaptación de dichas técnicas a problemas concretos. 2. Identificar las técnicas de análisis de datos más adecuadas para cada problema y saber aplicarlas para el análisis, diseño y resolución de los mismos. 3. Obtener soluciones prácticas y eficientes para problemas de tratamiento de conjuntos de datos, tanto individualmente como en equipo. 4. Sintetizar las conclusiones obtenidas de estos análisis y presentarlas de manera clara y convincente tanto por escrito como oralmente. 5. Ser capaz de generar nuevas ideas (creatividad) y de anticipar nuevas situaciones, en los contextos del análisis de datos y de la toma de decisiones. 6. Utilizar habilidades para el trabajo en equipo y para relacionarse con otros de forma autónoma. Competencias Específicas: 1. Emplear los resultados básicos de inferencia estadística y regresión como fundamento para métodos de predicción. 2. Identificar y seleccionar las herramientas software adecuadas para el tratamiento de series temporales. 3. Utilizar procedimientos estadísticos avanzados para el tratamiento de series temporales en áreas como la modelización, la inferencia y la predicción. 4. Diseñar sistemas para el procesamiento de las series temporales, desde la obtención y filtrado inicial de los mismos, su análisis estadístico, hasta la presentación de los resultados finales.

K3: Conocer contenidos fundamentales en su área de estudio partiendo de la base de la educación secundaria general y alcanzando un nivel propio de libros de texto avanzados, incluyendo también algunos aspectos de la vanguardia de su campo de estudio. K5: Comprender y relacionar conceptos fundamentales de probabilidad y estadística y ser capaz de representar y manipular datos para extraer información significativa de los mismos. K10: Conocer y manejar los fundamentos de señales analógicas y digitales en los dominios temporal y frecuencial, incluyendo técnicas de muestreo, filtrado y transformadas, con aplicación al procesamiento de señales en el ámbito de la Ciencia e Ingeniería de Datos. S1: Planificar y organizar trabajos en equipo tomando las decisiones correctas basadas en la información disponible y reuniendo datos en entornos digitales. S3: Ser capaz de resolver problemas tecnológicos, informáticos, matemáticos y estadísticos que puedan plantearse en la ingeniería y ciencia de datos, aplicando conocmientos de matemáticas, probablidad y estadística, programación, bases de datos y lengjuajes, gramáticas y autómatas. S4: Ser capaz de resolver problemas formulados matemáticamente aplicados a diversas materias, empleando algoritmos numéricos y técnicas computacionales, y aplicando conocimientos sobre: álgebra; geometría; cálculo diferencial e integral; métodos numéricos; algorítmica numérica; estadística y optimización. S5: Identificar correctamente problemas de tipo predictivo correspondientes a unos objetivos y unos datos determinados, apoyándose en los conocimientos sobre algoritmia, modelización, predicción y filtrado, y emplear los resultados básicos del análisis de regresión como fundamento básico de los métodos de predicción. C2: Desarrollar aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía

1. Introducción a las series temporales. 1.1 Ejemplos de series temporales univariantes. 1.2 Ejemplos de series temporales multivariantes. 1.3 Software para el análisis de series temporales. 2. Descomposición de series temporales. 2.1 Componentes de una serie temporal. 2.2 Descomposición clásica. 2.3 Descomposición ARIMA. 2.4 Descomposición STL. 2.5 Predicción con decomposiciones. 2.6 Técnicas de suavizado exponencial. 3. Modelos ARIMA. 3.1 Estacionariedad y diferenciación. 3.2 Notación retardo. 3.3 Modelos autorregresivos. 3.4 Modelos de media móvil. 3.5 Modelos ARIMA no estacionales. 3.6 Estimación y selección del orden. 3.7 Modelos ARIMA estacionales. 3.8 Predicción con modelos ARIMA. 4. Métodos de predicción avanzados. 4.1 Modelos de regression dinámica. 4.2 Vectores autorregresivos. 4.3 Modelos factoriales dinámicos. 4.4 Predicción jerárquica o en grupo. 5. Modelos de heterocedasticidad condicional. 5.1 Modelos univariantes y multivariantes GARCH. 5.2 Propiedades estadísticas. 5.3 Estimación de parámetros y volatilidades.

Clases teóricas con material de apoyo en la web. Clases prácticas de resolución de problemas, con problemas adicionales en la web y sus soluciones. Clases prácticas computacionales en las aulas informáticas. Realización de un proyecto de predicción bajo la supervisión de los profesores. Para la realización del proyecto se requerirá que el alumno utilice software estadístico/econométrico para la construcción de modelos y su aplicación para predecir. Se realizarán exposiciones orales de los avances en los proyectos con debates entre los alumnos y una defensa final del proyecto.