Competencias do título |
Código
|
Competencias / Resultados do título
|
A17 |
CE17 - Capacidade para a construción, validación e aplicación dun modelo estocástico dun sistema real a partir dos datos observados e a análise crítica dos resultados obtidos. |
A19 |
CE19 - Capacidade para comprender, expor, formular e resolver problemas susceptibles de ser abordados a través de modelos estatísticos para datos que presentan dependencia. |
A20 |
CE20 - Coñecemento das ferramentas informáticas no campo da análise dos datos e modelización estatística, e capacidade para seleccionar as máis adecuadas para a resolución de problemas. |
B2 |
CB2 - Que os estudantes saiban aplicar os seus coñecementos ao seu traballo ou vocación dunha forma profesional e posúan as competencias que adoitan demostrarse por medio da elaboración e defensa de argumentos e a resolución de problemas dentro da súa área de estudo |
B3 |
CB3 - Que os estudantes teñan a capacidade de reunir e interpretar datos relevantes (normalmente dentro da súa área de estudo) para emitir xuízos que inclúan unha reflexión sobre temas relevantes de índole social, científica ou ética |
B4 |
CB4 - Que os estudantes poidan transmitir información, ideas, problemas e solucións a un público tanto especializado como non especializado |
B7 |
CG2 - Elaborar adecuadamente e con certa orixinalidade composicións escritas ou argumentos motivados, redactar plans, proxectos de traballo, artigos científicos e formular hipóteses razoables. |
B8 |
CG3 - Ser capaz de manter e estender formulacións teóricas fundadas para permitir a introdución e explotación de tecnoloxías novas e avanzadas no campo. |
B9 |
CG4 - Capacidade para abordar con éxito todas as etapas dun proxecto de datos: exploración previa dos datos, preprocesado, análise, visualización e comunicación de resultados. |
B10 |
CG5 - Ser capaz de traballar en equipo, especialmente de carácter multidisciplinar, e ser hábiles na xestión do tempo, persoas e toma de decisións. |
C1 |
CT1 - Utilizar as ferramentas básicas das tecnoloxías da información e as comunicacións (TIC) necesarias para o exercicio da súa profesión e para a aprendizaxe ao longo da súa vida. |
C4 |
CT4 - Valorar a importancia que ten a investigación, a innovación e o desenvolvemento tecnolóxico no avance socioeconómico e cultural da sociedade. |
Resultados de aprendizaxe |
Resultados de aprendizaxe |
Competencias / Resultados do título |
Coñecer e comprender conceptos xerais relativos a procesos estocásticos. |
A17 A19
|
B4 B8
|
|
Identificar e analizar modelos estatísticos susceptibles de xerar a un conxunto de datos dependentes. |
A17 A19
|
B2 B4 B9 B10
|
C4
|
Coñecer e aplicar técnicas de estimación dos parámetros presentes nos modelos estatísticos con datos dependentes. |
A17 A19
|
B2 B4 B9 B10
|
C4
|
Entender a importancia de levar a cabo unha diagnose dun modelo construído con datos que presenten dependencia temporal e/ou espacial. |
A17 A19
|
B4
|
C4
|
Coñecer e aplicar os fundamentos da predición en series de tempo. |
A17 A19
|
B2 B4 B7 B9 B10
|
C4
|
Ser capaz de interpretar os modelos propostos e os resultados obtidos ao utilizar técnicas estatísticas para datos dependentes. |
|
B3 B4 B7 B9 B10
|
C4
|
Saber manexar con soltura programas informáticos avanzados de análise estatística. |
A20
|
|
C1
|
Contidos |
Temas |
Subtemas |
1. Análise descritiva dunha serie de tempo |
1.1 Introdución
1.2 Descomposición dunha serie de tempo |
2. Series de tempo e procesos estocásticos |
2.1 Introdución
2.2 Procesos estocásticos: concepto e definicións asociadas |
3. Metodoloxía Box- Jenkins
|
3.1 Introdución
3.2 Modelización ARIMA e predición |
4. Tópicos adicionais
|
4.1 Análise de intervención
4.2 Valores atípicos
4.3 Regresión con series de tempo
4.4 Cluster e clasificación con series de tempo |
5. Estatística Espacial |
5.1 Tipos de procesos espaciais
5.2 Análise exploratorio de datos espaciais
5.3 Modelado de procesos xeoestatísticos
5.4 Predición Kriging
5.5 Introdución á Estatística espazo-temporal |
Planificación |
Metodoloxías / probas |
Competencias / Resultados |
Horas lectivas (presenciais e virtuais) |
Horas traballo autónomo |
Horas totais |
Sesión maxistral |
A17 A19 B3 B4 B8 B9 C4 |
21 |
42 |
63 |
Prácticas a través de TIC |
A20 B2 B4 B7 B9 B10 C1 C4 |
14 |
42 |
56 |
Seminario |
B7 B8 C4 |
7 |
14 |
21 |
Proba mixta |
A17 A19 B2 B3 B8 B9 C4 |
2 |
0 |
2 |
|
Atención personalizada |
|
8 |
0 |
8 |
|
*Os datos que aparecen na táboa de planificación son de carácter orientativo, considerando a heteroxeneidade do alumnado |
Metodoloxías |
Metodoloxías |
Descrición |
Sesión maxistral |
O profesor, coa axuda dos medios audiovisuais pertinentes, expoñerá os contidos teórico-prácticos da materia. O material empregado estará ao dispor dos estudantes. |
Prácticas a través de TIC |
Trátase de poñer en práctica a metodoloxía estatística aprendida nas sesións maxistrais. Farase uso do software R (gratuíto).
Faránselle chegar ao estudante distintos conxuntos de datos reais para ser analizados ao longo das sesións de prácticas. Á súa vez, recomendaráselle que obteña outros datos pola súa conta para que reforce a súa destreza na análise de datos con dependencia, esta vez nas horas dedicadas ao traballo autónomo. |
Seminario |
O seu obxectivo é apontoar, a través da realización de exercicios teórico-prácticos, a comprensión dos contidos expostos nas sesións maxistrais. Nalgunhas ocasións, poderían dedicarse a completar as prácticas a través de TIC.
Faránselle chegar ao estudante distintos exercicios para que trate de resolvelos (algúns deles ao longo do propio seminario e outros nas horas dedicadas ao traballo autónomo). |
Proba mixta |
Proba tipo test a través da cal se avaliará o grao de aprendizaxe alcanzada polo estudante. |
Atención personalizada |
Metodoloxías
|
Sesión maxistral |
Prácticas a través de TIC |
Seminario |
|
Descrición |
Ao longo de calquera das actividades nas que o profesor estea presente (sesión maxistral, prácticas a través de TIC, seminario), o estudante ten a oportunidade de expoñerlle as dúbidas que lle xurdan acerca dos contidos que se están impartindo ou levando á práctica. Se a resolución das devanditas dúbidas implica unha clara perda de continuidade da actividade que se está levando a cabo, ou ben se as dúbidas xórdenlle ao estudante en horas non presenciais, pode facer uso das titorías individualizadas para que lle sexan resoltas por parte do profesor. |
|
Avaliación |
Metodoloxías
|
Competencias / Resultados |
Descrición
|
Cualificación
|
Proba mixta |
A17 A19 B2 B3 B8 B9 C4 |
Consistirá nunha proba tipo test de coñecementos teórico-prácticos, que será realizada na data oficial aprobada pola Xunta de Facultade. |
60 |
Prácticas a través de TIC |
A20 B2 B4 B7 B9 B10 C1 C4 |
Parte do grao de aprendizaxe alcanzada nas prácticas a través de TIC avaliarase de maneira continua. Para iso, realizaranse unha ou dúas probas ao longo do curso (no horario establecido para ditas prácticas) e/ou un ou dous traballos (individuais ou en grupo). A súa resolución requirirá do uso do software R e tamén do coñecemento da metodoloxía estatística explicada nas sesións maxistrais. |
40 |
|
Observacións avaliación |
Primeira oportunidade:Se se denotan a través de P e F as notas (sobre 10) obtidas nas "Prácticas a través de TIC" e na "Proba mixta", respectivamente, a nota final será: 0.4* P+0.6* F.
Avisarase da data en que se realizará cada proba práctica cunha antelación mínima de 7 días. Os traballos prácticos terán un prazo de entrega de polo menos 7 días.
Segunda oportunidade:
Unicamente realizarase a "Proba mixta". A puntuación obtida en "Prácticas a través de TIC" na primeira oportunidade manterase para esta segunda oportunidade. A nota final obterase da mesma forma que na primeira oportunidade.
|
Fontes de información |
Bibliografía básica
|
Bivand R.S., Pebesma E.J., Gómez-Rubio V. (2008). Applied Spatial Data Analysis with R. Springer
Hyndman R.J., Athanasopoulos G. (2018). Forecasting: Principles and Practice. O Texts (2ª edición) (accesible online en https://otexts.com/fpp2/)
Cowpertwait P.S.P., Metcalfe A.V. (2009). Introductory Time Series with R. Springer
Diggle P., Ribeiro P.J. (2007). Model-based Geostatistics. Springer
Cryer J.D., Chan K-S. (2008). Time Series Analysis. With Applications in R. Springer (2ª edición)
Montero P., Vilar J.A. (2014). TSclust: An R package for time series clustering. Journal of Statistical Software 62(1) |
|
Bibliografía complementaria
|
Peña D. (2005). Análisis de Series Temporales. Alianza Editorial
Liao T.W. (2005). Clustering of time series-a survey. Pattern Recognittion 38, 1857-1874
Chilès J.P., Delfiner P. (1999). Geostatistics: modeling spatial uncertainty. Wiley
Brockwell P.J., Davis R.A. (2002). Introduction to Time Series and Forecasting. Springer (2ª edición)
Wikle C.K., Zammit-Mangion A., Cressie N. (2019). Spatio-temporal Statistics with R. Chapman and Hall/CRC (accesible online en https://spacetimewithr.org)
Shumway R.H., Stoffer D.S. (2017). Time Series Analysis and Its Applications. With R Examples. Springer (4ª edición) |
|
Recomendacións |
Materias que se recomenda ter cursado previamente |
Modelos de Regresión/614G02012 | Modelización Estatística de Datos de Alta Dimensión/614G02013 | Inferencia Estatística/614G02007 | Probabilidade e Estatística Básica/614G02003 |
|
Materias que se recomenda cursar simultaneamente |
|
Materias que continúan o temario |
Técnicas de Simulación e Remostraxe/614G02036 | Análise Estatística de Datos Complexos/614G02031 |
|
|