Study programme competencies |
Code
|
Study programme competences / results
|
A16 |
CE1 - Coñecer, identificar, modelar, estudar e resolver problemas complexos de estatística e investigación operativa, nun contexto científico, tecnolóxico ou profesional, xurdidos en aplicacións reais. |
A17 |
CE2 – Desenvolver autonomía para a resolución práctica de problemas complexos surdidos en aplicación reais e para a interpretación dos resultados cara á axuda na toma de decisións. |
A18 |
CE3 - Adquirir coñecementos avanzados dos fundamentos teóricos subxacentes ás distintas metodoloxías da estatística e a investigación operativa, que permitan o seu desenvolvemento profesional especializado. |
A19 |
CE4 - Adquirir as destrezas necesarias no manexo teórico-práctico da teoría de probabilidade e as variables aleatorias que permitan o seu desenvolvemento profesional no eido científico/académico, tecnolóxico ou profesional especializado e multidisciplinar. |
A20 |
CE5 - Profundizar no coñecemento dos fundamentos teórico-prácticos especializados de modelado e estudo de distintos tipos de relacións de dependencia entre variables estatísticas. |
A21 |
CE6 - Adquirir coñecementos teórico-prácticos avanzados de distintas técnicas matemáticas, orientadas específicamente á axuda na toma de decisións, e desenvolver a capacidade de reflexión para avaliar e decidir entre distintas perspectivas en contextos complexos. |
A23 |
CE8 - Adquirir coñecementos teórico-prácticos avanzados das técnicas destinadas á realización de inferencias e contrastes relativos a variables e parámetros dun modelo estatístico, e saber aplicalos con autonomía suficiente nun contexto científico, tecnolóxico ou profesional. |
A24 |
CE9 - Coñecer e saber aplicar con autonomía en contextos científicos, tecnolóxicos ou profesionais, técnicas de aprendizaxe automático e técnicas de análise de datos de alta dimensión (big data). |
A25 |
CE10 - Adquirir coñecementos avanzados sobre metodoloxías para a obtención e o tratamento de datos derivados de distintas fuentes, como enquisas, internet, ou entornos “na nube". |
B1 |
CB6 - Posuír e comprender coñecementos que acheguen unha base ou oportunidade de ser orixinais no desenvolvemento e/ou aplicación de ideas, a miúdo nun contexto de investigación |
B2 |
CB7 - Que os estudantes saiban aplicar os coñecementos adquiridos e a súa capacidade de resolución de problemas en ámbitos novos ou pouco coñecidos dentro de contextos máis amplos (ou multidisciplinares) relacionados coa súa área de estudo |
B3 |
CB8 - Que os estudantes sexan capaces de integrar coñecementos e enfrontarse á complexidade de formular xuízos a partir dunha información que, sendo incompleta ou limitada, inclúa reflexións sobre as responsabilidades sociais e éticas vinculadas á aplicación dos seus coñecementos e xuízos |
B4 |
CB9 - Que os estudantes saiban comunicar as súas conclusións e os coñecementos e razóns últimas que as sustentan a públicos especializados e non especializados dun modo claro e sen ambigüidades |
B5 |
CB10 - Que os estudantes posúan as habilidades de aprendizaxe que lles permitan continuar estudando dun modo que haberá de ser en gran medida autodirixido ou autónomo. |
B17 |
CG1 - Coñecer, comprender e saber aplicar os principios, metodoloxías e novas tecnoloxías na estatística e a investigación operativa en contextos científico/académicos, tecnolóxicos ou profesionais especializados e multidisciplinares, así como adquirir as destrezas e competencias descritas nos objectivos generales do título. |
B18 |
CG2 - Desenvolver autonomía para identificar, modelar e resolver problemas complexos da estatística e da investigación operativa en contextos científico/académicos, tecnolóxicos ou profesionais especializados e multidisciplinares. |
B19 |
CG3 - Desenvolver a capacidade para realizar estudos e tarefas de investigación e transmitir os resultados a públicos especializados, académicos e xeneralistas. |
B20 |
CG4 - Integrar coñecementos avanzados e enfrontarse á toma de decisións a partir de información científica e técnica. |
B21 |
CG5 - Desenvolver a capacidade de aplicación de algoritmos e técnicas de resolución de problemas complexos no eido da estatística e a investigación operativa, manexando o software especializado axeitado. |
C11 |
CT1 - Desenvolver firmes capacidades de razoamento, análise crítica e autocrítica, así como de argumentación e de síntese, contextos especializados e multidisciplinais. |
C12 |
CT2 - Desenvolver destrezas avanzadas no manexo de Tecnoloxías da Información e a Comunicación (TIC), tanto para a obtención de información como para a difusión do coñecemento, nun ámbito científico/académico, tecnolóxico ou profesional especializado e multidisciplinar. |
C13 |
CT3 - Ser capaz de resolver problemas complexos en novos escenarios mediante a aplicación integrada dos coñecementos. |
C14 |
CT4 - Desenvolver unha sólida capacidade de organización e planificación do estudo, asumindo a responsabilidade do seu propio desenvovemento profesional, para a realización de traballos en equipo e de xeito autónomo. |
C15 |
CT5 - Desenvolver capacidades para o aprendizaxe e a integración no traballo en equipos multidisciplinais, nos ámbitos científico/académico, tecnolóxico e profesional. |
Learning aims |
Learning outcomes |
Study programme competences / results |
Coñecer os fundamentos da análise estatística de datos reais con dependencia temporal. |
AC16 AC18 AC19 AC20 AC21 AC25
|
BJ1 BJ17
|
|
Desenvolver autonomía para aplicar correctamente os métodos de series de tempo sobre conxuntos de datos reais, en contextos multidisciplinares. |
AC17 AC23 AC24
|
BJ2 BJ3 BJ5 BJ18 BJ20 BJ21
|
CJ12 CJ13 CJ14 CJ15
|
Saber presentar os resultados da análise dunha serie de tempo tanto a público especializado como non. |
|
BJ4 BJ19
|
CJ11
|
Contents |
Topic |
Sub-topic |
1. Time series and stochatic processes. |
1.1 Introducción.
Gráfico secuencial. Características dunha serie de tempo. Exemplos.
1.2 Os conceptos de proceso estocástico e serie de tempo.
Procesos estocásticos. Series de tempo. Exemplos.
1.3 Definicións asociadas a un proceso estocástico.
Función de medias. Función de varianzas. Función de autocovarianzas. Función de autocorrelacións simples. Función de autocorrelacións parciais. Procesos estacionarios. Estimación da media, das autocovarianzas e das autocorrelacións simples e parciais. Proceso lineal. Proceso causal. Proceso invertible.
1.4 A descomposición de Wold.
|
2. Box-Jenkins models. |
2.1 Introducción.
2.2 Procesos ARMA: Definición e identificación.
Procesos autorregresivos. Procesos de medias móviles. Procesos autorregresivos de medias móviles. Distribución asintótica das autocorrelacións simples e parciais muestrales. Identificación das ordes do ARMA a través das autocorrelacións simples e parciais muestrales.
2.3 Procesos ARIMA.
2.3.1 Introducción.
Diferenciación regular para eliminar a tendencia.
2.3.2 Definición e identificación.
Definición. Identificación das ordes do ARIMA a través das autocorrelacións simples e parciais muestrales
do ARMA asociado.
2.3.3 Estimación e diagnose.
Estimación: mínimos cudrados, mínimos cadrados condicionados, máxima verosimilitude. Propiedades. Diagnose: métodos gráficos e contrastes de hipóteses.
2.3.4 Selección do modelo e predicción.
Criterios de información: AIC, AICc, BIC. Predicción puntual e intervalos de predicción.
2.3.5 Aplicación a datos reais.
2.4 Procesos ARIMA estacionais.
2.4.1 Introducción
2.4.2 Procesos ARMA estacionais: Definición e identificación.
2.4.3 Procesos ARMA estacionais multiplicativos: Definición e identificación.
2.4.4 Procesos ARIMA estacionais: Definición e identificación.
2.4.5 Procesos ARIMA estacionais: Estimación e diagnose.
2.4.6 Procesos ARIMA estacionais: Selección do modelo e predicción.
2.4.7 Medidas da adecuación das prediccións.
2.4.8 Transformacións para estabilizar a varianza.
2.4.9 Aplicación a datos reais.
|
3. Additional topics. |
3.1 Análise de intervención.
Efectos permanentes. Efectos transitorios. Función de transferencia. Construcción e estimación do modelo. Aplicación a datos reais.
3.2 Valores atípicos.
Atípico aditivo. Atípico innovativo. Detección de valores atípicos. Aplicación a datos reais.
3.3 Regresión con series de tempo.
Función de covarianzas cruzadas. Función de correlacións cruzadas: estimación e distribución asintótica. Correlación espuria. Construcción e estimación do modelo. Aplicación a datos reais.
|
Planning |
Methodologies / tests |
Competencies / Results |
Teaching hours (in-person & virtual) |
Student’s personal work hours |
Total hours |
Guest lecture / keynote speech |
A16 A18 A19 A20 A21 A23 A25 B1 B5 B17 B19 B20 B21 C14 C15 |
21 |
36 |
57 |
Laboratory practice |
A17 A20 A21 A23 A24 B2 B3 B4 B5 B18 C11 C12 C13 C14 C15 |
14 |
42 |
56 |
Multiple-choice questions |
A16 A17 A18 A19 A20 A21 A23 A24 A25 |
1.5 |
0 |
1.5 |
Practical test: |
A16 A17 A18 A19 A20 A21 A23 A24 A25 B1 B2 B3 B4 B5 B17 B18 B19 B20 B21 C11 C12 C13 C14 C15 |
1.5 |
0 |
1.5 |
|
Personalized attention |
|
9 |
0 |
9 |
|
(*)The information in the planning table is for guidance only and does not take into account the heterogeneity of the students. |
Methodologies |
Methodologies |
Description |
Guest lecture / keynote speech |
Clases de tipo teórico impartidas polo profesor, nas que desenrolarán os contidos do Temario. Para iso, apoiarase na proxección de transparencias (a súa versión en pdf estará dispoñible online).
Ditas transparencias serán facilitadas aos alumnos a través de Teams ou da web do mestrado.
Proporánse exercicios teórico-prácticos para que o alumno os realice de forma voluntaria (sen peso na avaliación). |
Laboratory practice |
Clases de tipo práctico impartidas polo profesor, nas que os alumnos participarán de xeito activo a través da realización de análises prácticas (para isto último, é necesario que os alumnos dispoñan no aula dun ordenador).
O profesor desenrolará na clase distintos tipos de aplicacións a datos reais da teoría previamente exposta. Para iso, introducirá as ferramentas específicas de que dispón o paquete estatístico R. Posteriormente, será o alumno o que desenrole outras aplicacións coa axuda dun ordenador.
Os scripts relativos ás aplicacóns desenroladas polo profesor serán facilitados aos alumnos a través de Teams ou da web do mestrado. Tamén os correspondentes ás aplicacións levadas a cabo polos alumnos, pero unha vez que estes as teñan rematado.
Proporase a análise de series de tempo e tamén cuestións relacionadas coas prácticas realizadas na clase para que o alumno as realice de forma voluntaria (sen peso na avaliación). |
Multiple-choice questions |
Algunhas das probas da avaliación serán probas de resposta múltiple. Máis información sobre ditas probas pode ser vista na Sección 7: Avaliación. |
Practical test: |
Algunhas das probas da avaliación consistirán na resolución de problemas de carácter práctico. Para iso, será necesaria a utilización do paquete estatístico R (utilizado nas clases prácticas). Máis información sobre este punto pode ser vista na Sección 7: Avaliación. |
Personalized attention |
Methodologies
|
Laboratory practice |
Guest lecture / keynote speech |
|
Description |
Cualquera dúbida que se lle presente ao alumno ó longo das horas presenciais tratará de ser resolta instantáneamente por parte do profesor. Sin embargo, é posible que outras dúbidas surxan unha vez que o estudante profundice na materia no transcurso de horas non presenciais. Neste caso, resulta convinte que o alumno faga uso das tutorías individualizadas. |
|
Assessment |
Methodologies
|
Competencies / Results |
Description
|
Qualification
|
Multiple-choice questions |
A16 A17 A18 A19 A20 A21 A23 A24 A25 |
Refírese ás probas B1 e B2 da avaliación. Consisten en probas escritas tipo test de coñecementos teórico-prácticos. No caso da segunda oportunidade, refírese á proba D. Para detalles, véxase OBSERVACIÓNS AVALIACIÓN. |
60 |
Practical test: |
A16 A17 A18 A19 A20 A21 A23 A24 A25 B1 B2 B3 B4 B5 B17 B18 B19 B20 B21 C11 C12 C13 C14 C15 |
Refírese ás probas A1 e A2 de la avaliación. Consisten na análise dunha serie de tempo a través das técnicas estatísticas e do software explicados na clase. No caso da segunda oportunidade, refírese á proba C. Para detalles, véxase OBSERVACIÓNS AVALIACIÓN. |
40 |
|
Assessment comments |
Primeira oportunidade: Realizarase (ao 100%) a través de avaliación continua ao longo do cuatrimestre. Para iso programaranse catro probas: dúas delas orientadas a avaliar a compoñente aplicada da materia e as outras dúas a evaluar os coñecementos teóricos-prácticos. Máis concretamente: 1.Proba A1. Realizarase unha vez impartido o Tema 1 e as seccións 2.1, 2.2 e 2.3 do Tema 2. Consistirá na análise dunha serie de tempo a través das técnicas estatísticas e do software explicados ata ese momento. 2. Proba B1. Realizarase unha vez impartido o Tema 1 e as seccións 2.1, 2.2 e 2.3 do Tema 2. Consistirá na realización dunha proba tipo test de coñecementos teórico-prácticos adquiridos ata ese momento. 3. Proba A2. Realizarase unha vez impartida a sección 2.4 do Tema 2 e o Tema 3. Consistirá na análise dunha serie de tempo a través das técnicas estatísticas e do software explicados ata ese momento. 4. Proba B2. Realizarase unha vez impartida a sección 2.4 do Tema 2 e o Tema 3. Consistirá na realización dunha proba tipo test de coñecementos teórico-prácticos adquiridos en dita sección 2.4 do Tema 2 y no Tema 3. A calificación final será a media ponderada das puntuacións acadadas en ditass probas, sendo os pesos: 20% (proba A1), 30% (proba B1), 20% (proba A2) y 30% (proba B2). Segunda oportunidade: Constará dúas probas: unha delas orientada a avaliar a compoñente aplicada da materia e a outra a avaliar os coñecementos teórico-prácticos. Ambas abarcarán toda a materia impartida, e realizaranse na mesma data (unha a continuación da outra), que será fixada pola Comisión Académica do mestrado. Máis concretamente: 1. Proba C. Consistirá na análise dunha serie de tempo a través das técnicas estatísticas e do software explicados na clase. 2. Proba D. Consistirá na realización dunha proba tipo test de coñecementos teórico-prácticos relativos á materia explicada na clase. A calificación final será a media ponderada das puntuacións acadadas en ditas probas, sendo os pesos: 40% (proba C) y 60% (proba D). Aos alumnos que non superen a materia na primeira oportunidade pero sí a parte aplicada (isto é, a media aritmética das puntuacións obtidas nas probas A1 e A2 non é inferior a 5) ou a parte teórico-práctica (isto é, a media aritmética das puntuacións obtinidas nas probas B1 e B2 non é inferior a 5), consideraráselles dita media como puntuación obtida na parte superada e manteráselles para a segunda oportunidade. Así, na segunda oportunidade só realizarán a proba (aplicada ou teórico-práctica) non superada.
|
Sources of information |
Basic
|
Hyndman R.J. e Athanasopoulos, G. (2018). Forecasting: principles and practice. O Texts (2ª edición) (accesible online en https://otexts.com/fpp2/)
Cowpertwait, P.S.P. e Metcalfe, A.V. (2009). Introductory Time Series with R.. Springer
Cryer, J.D. e Chan, K-S. (2008). Time Series Analysis. With Applications in R.. Springer (2ª edición) |
|
Complementary
|
Peña, D. (2005). Análisis de Series Temporales.. Alianza Editorial
Brockwell, P.J. y Davis, R.A. (2002). Introduction to Time Series and Forecasting.. Springer (2ª edición)
Shumway, R.H. y Stoffer, D.S. (2017). Time Series Analysis and Its Applications. With R Examples.. Springer (4ª edición) |
|
Recommendations |
Subjects that it is recommended to have taken before |
Statistical Inference /614493102 | Probability Models/614493103 |
|
Subjects that are recommended to be taken simultaneously |
|
Subjects that continue the syllabus |
|
Other comments |
Para
superar con éxito a materia é aconsellable a asistencia regular ás clases,
sendo fundamental o seguimiento diario do traballo realizado na aula. Tamén
son recomendables coñecementos básicos de Probabilidade e de Inferencia
Estatística (por exemplo, ter cursado as materias Modelos de Probabilidade e
Inferencia Estatística do presente mestrado). Por último, o dispoñer de nocións xerais sobre o paquete estatístico R facilitará a comprensión do seu uso no contexto específico das series de tempo. O desenrolo dos contidos da materia realizarase tendo en conta que as competencias a adquirir polo alumnado deben cumprir co nivel MECES3. Os contidos que se incluien nesta materia, orientada á análise de procesos con dependencia temporal, estudiaranse de xeito teórico e aplicaranse a distintos exemplos. Incidirase no coñecemento das suas similitudes e diferencias con outras técnicas de modelado de datos dependentes. Para os casos de realización fraudulenta de exercicios ou probas, será de aplicación o recollido nas respectivas normativas das universidades participantes no Mestrado en Técnicas Estatísticas. Esta guía e os criterios e metodoloxías nela descritos están suxeitos ás modificaciones que se deriven de normativas e directrices das universidades participantes no Mestrado en Técnicas Estatísticas. |
|