Identifying Data 2019/20
Subject (*) Time Series Code 614493123
Study programme
Mestrado Universitario en Técnicas Estadísticas (Plan 2019)
Descriptors Cycle Period Year Type Credits
Official Master's Degree 2nd four-month period
 First Optional 5
Language
Teaching method Face-to-face
Prerequisites
Department Matemáticas
Coordinador
Aneiros Perez, German
 E-mail
german.aneiros@udc.es
Lecturers
Aneiros Perez, German
 E-mail
german.aneiros@udc.es
Web http://eio.usc.es/pub/mte/
General description Preténdese modelizar o comportamento dunha serie de observacións dunha variable tomadas secuencialmente ó longo do tempo. Para iso, utilizaranse modelos estatísticos paramétricos. Estes modelos permitirannos comprender a dinámica da serie, así como predecir os seus futuros valores. A metodoloxóa utilizada será ilustrada a través da súa aplicación a datos reais, para o que se fará uso do paquete estatístico R. O manexo de dito paquete no contexto específico das series de tempo será aprendido ó longo do curso.

Study programme competencies
Code Study programme competences
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
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. Función de autocorrelacións simples extendida (poblacional e muestral). Identificación das ordes do ARMA a través das autocorrelacións simples e parciais muestrales, e das autocorrelacións simples extendidas 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, e das autocorrelacións simples extendidas 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 Transformacións para estabilizar a varianza.
2.4.6 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 Ordinary class hours Student’s personal work hours Total hours
Guest lecture / keynote speech A16 A18 A19 A20 A21 A23 A25 B1 B5 B17 B19 B20 B21 C15 C14 17.5 38.5 56
Laboratory practice A17 A20 A21 A23 A24 B2 B3 B4 B5 B18 C11 C12 C13 C14 C15 16.5 36.3 52.8
Multiple-choice questions A16 A18 A19 B2 B17 C11 1.5 0 1.5
Practical test: A16 A17 A20 A25 B2 B17 B18 B21 C11 2.5 0 2.5
 
Personalized attention 12 0 12
 
(*)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).

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.
Multiple-choice questions Un dos requisitos para aprobar a asignatura será a superación dunha proba de resposta múltiple. Máis información sobre dita proba pode ser vista na la Sección 7: Evaluación.
Practical test: Un dos requisitos para aprobar a asignatura será resolver un problema 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 Description Qualification
Multiple-choice questions A16 A18 A19 B2 B17 C11 Refírese á parte A do exame final e consiste nunha proba escrita tipo test de coñecementos teórico-prácticos. Para aprobar a materia será necesario superar esta parte A. 60
Practical test: A16 A17 A20 A25 B2 B17 B18 B21 C11 Refírese tanto á avaliación continua como á parte B do exame final. Ambas consisten na análise dunha serie de tempo a través das técnicas estatísticas e do software explicados na clase. Para aprobar a materia será necesario superar esa parte B, que terá un peso do 20%. O peso da avaliación continua tamén será do 20%. 40
 
Assessment comments

A avaliación da materia realizarase a través de:

1. Avaliación continua. Programarase unha proba de avaliación, que se realizará durante as clases. Consistirá na análise dunha serie de tempo a través das técnicas estatísticas e do software explicados ata a semán anterior á realización da proba.

2. Exame final. Constará de dúas partes e realizarase na data establecida pola Comisión Académica do mestrado:

          a. Exame escrito A: proba tipo test de coñecementos teórico-prácticos.

          b. Exame escrito B: análise dunha serie de tempo coa axuda do software empleado no desenrolo do curso.

Para aprobar a materia será necesario superar, polo menos, os exames escritos A e B. En tal caso, a calificación final será o máximo de:

          1. Media ponderada das calificacións acadadas nos exames A e B, e na avaliación continua, sendo os pesos: 60% (exame A), 20% (exame B) e 20% (avaliación continua).

         2. Media ponderada das calificacións acadadas nos exames A e B, sendo os pesos: 60% (exame A) e 40% (exame B).

 

A calificación obtida na avaliación continua (primeira oportunidade, ordinaria) conservarase para a segunda oportunidade (extraordinaria) dentro da convocatoria de cada curso, si fose o caso.

Considérase que un/a alumno/a preséntase a unha convocatoria cando se presente, polo menos, ao Exame escrito A.

Sources of information
Basic Peña, D. (2005). Análisis de Series Temporales.. Alianza Editorial
Hyndman R.J. e Athanasopoulos, G. (2018). Forecasting: principles and practice. O Texts
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 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.


(*)The teaching guide is the document in which the URV publishes the information about all its courses. It is a public document and cannot be modified. Only in exceptional cases can it be revised by the competent agent or duly revised so that it is in line with current legislation.