Logo UAB

Anàlisi de Dades Temporals

Codi: 104413 Crèdits: 6
2025/2026
Titulació Tipus Curs
Matemàtica Computacional i Analítica de Dades OP 4

Professor/a de contacte

Nom:
David Moriña Soler
Correu electrònic:
david.morina@uab.cat

Equip docent

Anna Lopez Ratera

Idiomes dels grups

Podeu consultar aquesta informació al final del document.


Prerequisits

És recomanable haver aprovat les assignatures de càlcul de probabilitats, inferència estadística i models lineals.


Objectius

L'objectiu del curs és donar una primera ullada al món de les sèries temporals i les seves aplicacions. Una sèrie temporal és una col·lecció d'observacions fetes al llarg del temps (o qualsevol altra magnitud ordenada). Les sèries temporals apareixen actualment en moltes disciplines. Per tant, la seva anàlisi i la modelització del mecanisme aleatori que les genera és de gran importància teòrica i pràctica. Es pretén que l'alumne modeli el mecanisme aleatori darrere de les dades observades, en faci la diagnosi i l'utilitzi per a fer prediccions.


Resultats d'aprenentatge

  1. CM31 (Competència) Planificar estudis basats en sèries temporals amb responsabilitat ètica per a casos reals.
  2. CM32 (Competència) Avaluar el grau de compliment dels requisits necessaris per a aplicar cada procediment estadístic avançat.
  3. CM33 (Competència) Extreure conclusions rellevants de problemes aplicats mitjançant l'aplicació de mètodes estadístics avançats.
  4. KM27 (Coneixement) Reconèixer els avantatges i inconvenients de les diferents metodologies estadístiques aplicades a les diverses disciplines.
  5. KM28 (Coneixement) Identificar la modelització més adequada per a una sèrie cronològica.
  6. SM33 (Habilitat) Utilitzar gràfics de resum de dades d'evolució temporal.
  7. SM34 (Habilitat) Analitzar dades mitjançant el model de sèries temporals.
  8. SM35 (Habilitat) Utilitzar programari estadístic per a l'estudi de sèries temporals.

Continguts

  1. Introducció. Anàlisi clàssica de sèries temporals.
  2. Processos estacionaris. Conceptes d’estacionarietat, exemples. Simulació.
  3. Processos lineals. Els models MA(q). Els models AR(p). El correlograma. Les equacions de Yule-Walker. L'operador retard i la relació entre els MA i els AR. Les funcions d’autocorrelació i d'autocorrelació parcial.
  4. Models ARIMA: Els models ARMA(p,q). Estimació de paràmetres: mètode dels moments, màxima versemblança, mínims quadrats incondicionals i condicionals. Els models ARIMA(p,d,q) i els SARIMA. Metodologia de Box-Jenkins. Segmentació
  5. Validació i Predicció. Criteris AIC i BIC. Anàlisi dels residus. Prediccions elementals i basades en la representació AR(∞). IC per a les prediccions.
  6. Models per a sèries temporals no estacionàries: ARCH/GARCH, ARMA amb covariants.
  7. Series de recomptes: Els models INAR.

Llevat que les restriccions imposades per les autoritats sanitàries obliguin a una priorització o reducció d’aquests continguts.


Activitats formatives i Metodologia

Títol Hores ECTS Resultats d'aprenentatge
Tipus: Dirigides      
Classes pràctiques 24 0,96
Classes teòriques 26 1,04
Tipus: Autònomes      
Anàlisi de dades reals 25 1
Treball personal 62 2,48

En les dues hores teòriques setmanals es presentaran els resultats teòrics fonamentals, i es resoldran exercicis amb ordinador i problemes. En les dues hores de pràctiques amb ordinador setmanals, s'utilitzarà l'R per a aplicar els models estudiats a les classes teòriques.

La perspectiva de gènere en la docència va més enllà dels continguts  de  les assignatures, ja que també implica una revisió de les metodologies docents i de les interaccions entre l’alumnat i el professorat, tant a l’aula com a fora. En aquest sentit, les  metodologies  docents participatives, on es genera un entorn  igualitari, menys jeràrquic a l’aula, evitant  exemples  estereotipats  en  gènere  i vocabulari  sexista, amb l’objectiu de desenvolupar el raonament crític i el respecte a la diversitat i pluralitat d’idees, persones i situacions, solen ser més favorables a la integració i plena participació de les alumnes a l’aula, i per això es procurarà la seva implementació efectiva en aquesta assignatura

 

Nota: es reservaran 15 minuts d'una classe, dins del calendari establert pel centre/titulació, perquè els alumnes completin les enquestes d'avaluació de l'actuació del professorat i d'avaluació de l'assignatura.


Avaluació

Activitats d'avaluació continuada

Títol Pes Hores ECTS Resultats d'aprenentatge
Examen Final 0,4 3 0,12 CM32, CM33, KM27, KM28
Examen Parcial 0,3 2 0,08 CM32, CM33, KM27, KM28
Lliurement de problemes i practiques d'ordinador 0,3 8 0,32 CM31, CM32, CM33, KM27, KM28, SM33, SM34, SM35

 

En la modalitat d'avaluació continuada, l’assignatura s’avaluarà amb lliuraments de treballs (entregues d’exercicis, controls de problemes i/o pràctiques) i 2 examens. Per obtenir la nota ponderada d'avaluació continuada (NP) cal tenir un mínim de 3/10 en cadascuna de les parts. Si aquest mínim no s'assoleix, la nota final serà NF=min(NP, 4). Si la nota final no arriba a 5 sobre 10, l’estudiant té una altra oportunitat per aprovar l’assignatura mitjançant l’examen de recuperació que es farà en la data fixada per la coordinació del grau. En aquesta prova es pot recuperar el 70% de la qualificació corresponent a la teoria i als problemes. La part de pràctiques no és recuperable.

 

L’alumnat que s’hagi acollit a la modalitat d’avaluació única haurà de realitzar una avaluació que consistirà en un examen de teoria, una prova de problemes i el lliurament dels informes de la primera i darrera pràctica del curs. L'avaluació dels lliuraments pot requerir una entrevista d'avaluació amb el professor. La qualificació de l’estudiant serà la mitjana ponderada de les tres activitats anteriors, on l’examen suposarà el 45% de la nota, la prova 45% i els lliuraments el 10%. Respecte a la recuperació, en aquesta modalitat s’aplicarà el mateix sistema de recuperació que per l’avaluació continuada.


Bibliografia

  1. Bisegard, S. (2011). Time Series Analysis and Forecasting By Example. John Wiley & Sons, Inc., Hoboken, New Jersey. https://bibcercador.uab.cat/permalink/34CSUC_UAB/1eqfv2p/alma991010344849906709
  2. Brockwell, P.J. and Davis, R.A. (2002). Introduction to Time Series and Forecasting. 2nd edit. Springer. https://bibcercador.uab.cat/permalink/34CSUC_UAB/cugbhl/alma991002663039706709
  3. Cryer, J.D. and Chan, K.S. (2008). Time Series Analysis with Applications to R. 2nd. edit. Springer. https://bibcercador.uab.cat/permalink/34CSUC_UAB/1gfv7p7/alma991008499229706709
  4. Peña, R.D. (2000). A course in time series analysis. https://onlinelibrary-wiley-com.are.uab.cat/doi/book/10.1002/9781118032978
  5. Peña, D., Tiao, G.C., and Tsay, R.S. (2001). A Course in Time Series Analysis. John Wiley & Sons, Inc. https://bibcercador.uab.cat/permalink/34CSUC_UAB/1eqfv2p/alma991010577691606709
  6. Shumway, R.H. and Stoffer, D.S. (2011). Time Series Analysis andits Applications. 3rd. edit. Springer. https://bibcercador.uab.cat/permalink/34CSUC_UAB/avjcib/alma991011050079506709
  7. Tsay., R.S. (2010). Analysis of Financial Time Series, 3rd Edition, Wiley. https://bibcercador.uab.cat/permalink/34CSUC_UAB/avjcib/alma991011050079506709

Programari

R Core Team (2021). R: A language and environment for statistical computing. R
  Foundation for Statistical Computing, Vienna, Austria. URL
  https://www.R-project.org/.


Grups i idiomes de l'assignatura

La informació proporcionada és provisional fins al 30 de novembre de 2025. A partir d'aquesta data, podreu consultar l'idioma de cada grup a través d’aquest enllaç. Per accedir a la informació, caldrà introduir el CODI de l'assignatura

Nom Grup Idioma Semestre Torn
(PLAB) Pràctiques de laboratori 1 Català primer quadrimestre tarda
(PLAB) Pràctiques de laboratori 2 Català primer quadrimestre tarda
(TE) Teoria 1 Català primer quadrimestre tarda