Competencies / Study results |
Code
|
Study programme competences / results
|
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. |
Learning aims |
Learning outcomes |
Study programme competences / results |
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
|
Contents |
Topic |
Sub-topic |
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
|
Introducción a análise de intervención, valores atípicos, regresión con series de tempo, e 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 |
Planning |
Methodologies / tests |
Competencies / Results |
Teaching hours (in-person & virtual) |
Student’s personal work hours |
Total hours |
Guest lecture / keynote speech |
A17 A19 B3 B4 B8 B9 C4 |
21 |
42 |
63 |
ICT practicals |
A20 B2 B4 B7 B9 B10 C1 C4 |
14 |
42 |
56 |
Seminar |
B7 B8 C4 |
7 |
14 |
21 |
Mixed objective/subjective test |
A17 A19 B2 B3 B8 B9 C4 |
2 |
0 |
2 |
|
Personalized attention |
|
8 |
0 |
8 |
|
(*)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 |
O profesor, coa axuda dos medios audiovisuais pertinentes, expoñerá os contidos teórico-prácticos da materia. O material empregado estará ao dispor dos estudantes. |
ICT practicals |
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. |
Seminar |
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). |
Mixed objective/subjective test |
Proba tipo test a través da cal se avaliará o grao de aprendizaxe alcanzada polo estudante. |
Personalized attention |
Methodologies
|
Guest lecture / keynote speech |
ICT practicals |
Seminar |
|
Description |
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. |
|
Assessment |
Methodologies
|
Competencies / Results |
Description
|
Qualification
|
Mixed objective/subjective test |
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 |
ICT practicals |
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). A súa resolución requirirá do uso do software R e tamén do coñecemento da metodoloxía estatística explicada nas sesións maxistrais. |
40 |
|
Assessment comments |
Primeira oportunidade: Si 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: (a) 0.4*P+0.6*F, sempre e cando tanto P como F sexan maiores ou iguais que 3.
(b) O menor dos valores 0.4*P+0.6*F e 4.9, sempre e cuando P e/ou F sexan menores que 3.
Como consecuencia do anterior, tense que para superar a materia será necesario (aínda que non suficiente) obter un mínimo de 3 puntos tanto nas "Prácticas a través de TIC" como na "Proba mixta".
Avisarase da data en que se realizará cada proba práctica cunha antelación mínima de 7 días.
Segunda oportunidade: Por defecto, aos alumnos que non superen a asignatura na primera oportunidade pero que en dita oportunidade obteñan unha puntuación maior ou igual que 5 puntos (sobre 10) nas “Prácticas a través de TIC” ou na “Proba mixta”, manteráselles dita puntuación para a segunda oportunidade. Así, na segunda oportunidade só realizarán a proba (práctica ou mixta) non superada na primeira oportunidade. Pero si o alumno así o desexa, terá a opción de realizar ambas probas, e as novas calificacións obtidas sustituirán ás anteriores.
Todos os aspectos relacionados con “dispensa académica”,
“dedicación ao estudo”, “permanencia” e “fraude académica” rexeranse de acordo coa
normativa académica vixente da UDC.
|
Sources of information |
Basic
|
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
Clark, I. (1979). Practical geostatistics. London: Applied Science Publishers
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) |
|
Complementary
|
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) |
|
Recommendations |
Subjects that it is recommended to have taken before |
Regression Models/614G02012 | Statistical Modeling of High Dimensional Data/614G02013 | Statistical Inference/614G02007 | Probability and Basic Statistics/614G02003 |
|
Subjects that are recommended to be taken simultaneously |
|
Subjects that continue the syllabus |
Simulation and Resampling Techniques/614G02036 | Statistical Analysis of Complex Data/614G02031 |
|
Other comments |
- O tema que se impartirá con maior profundidade será o Tema 3. Os temas restantes serán de carácter introdutorio. - Usarase linguaxe non sexista, utilizarase
bibliografía de autores/as de ambos sexos, propiciarase a
intervención en clase de alumnos e alumnas...
- Traballarase para identificar e modificar
prexuízos e actitudes sexistas, e influirase na contorna para
modificalos e fomentar valores de respecto e igualdade. - Tratarase
de detectar situacións de discriminación por razón de xénero e
proporanse accións e medidas para corrixilas. |
|