Estudia
- Artes y humanidades
- Ciencias
- Ciencias de la salud
- Ciencias sociales y jurídicas
-
Ingeniería y arquitectura
- Doble Grado en Ingeniería Civil e Ingeniería de los Recursos Mineros y Energéticos
- Doble Grado en Ingeniería en Tecnologías y Servicios de Telecomunicación / Grado en Ciencia e Ingeniería de Datos
- Doble Grado en Ingeniería Informática del Software / Grado en Matemáticas
- Doble Grado en Ingeniería Informática en Tecnologías de la Información / Grado en Ciencia e Ingeniería de Datos
- Grado en Ciencia e Ingeniería de Datos
- Grado en Ingeniería Civil
- Grado en Ingeniería de los Recursos Mineros y Energéticos
- Grado en Ingeniería de Organización Industrial
- Grado en Ingeniería de Tecnologías Industriales
- Grado en Ingeniería de Tecnologías Mineras
- Grado en Ingeniería Eléctrica
- Grado en Ingeniería Electrónica Industrial y Automática
- Grado en Ingeniería en Geomática
- Grado en Ingeniería en Tecnologías y Servicios de Telecomunicación
- Grado en Ingeniería Forestal y del Medio Natural
- Grado en Ingeniería Forestal y del Medio Natural (En extinción)
- Grado en Ingeniería Informática del Software
- Grado en Ingeniería Informática en Tecnologías de la Información
- Grado en Ingeniería Mecánica
- Grado en Ingeniería Química
- Grado en Ingeniería Química Industrial
- Grado en Marina
- Grado en Náutica y Transporte Marítimo
- Información, acceso y becas
Modelos Estadísticos de Predicción
Modelos Estadísticos de Predicción es una asignatura de 6 créditos ECTS que se imparte en el segundo año del grado en Ciencia e Ingeniería de Datos y es parte de la Materia “Análisis y Visualización de Datos”.
Esta asignatura pretende mostrar los fundamentos en los que se basan y la aplicación práctica de las principales técnicas de predicción empleadas en la actualidad. Se estudiarán distintos modelos estadísticos (formulación matemática, hipótesis supuestas, etc.) haciendo hincapié en sus requisitos y limitaciones para identificar cuáles son los más indicados en función del tipo y la cantidad de información disponible.
Los métodos y técnicas se introducen en base a ejemplos y se trabajan a partir de la resolución de los problemas propuestos y de prácticas de ordenador pensadas para ser ejecutadas con el lenguaje R.
La asignatura se apoya en los contenidos impartidos en las asignaturas Probabilidad, Ampliación de Matemáticas e Inferencia Estadística.
COMPETENCIAS BÁSICAS Y GENERALES:
CB2: Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio.
CB3: Que los estudiantes tengan la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su área de estudio) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética.
CB4: Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado.
CB5: Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía.
CG1: Elegir y aplicar los métodos y técnicas más adecuados para analizar y resolver problemas definidos por datos que representen un reto por su volumen, velocidad, variedad o heterogeneidad, incluidos métodos informáticos, matemáticos, estadísticos y de procesado de la señal.
CG2: Tener las habilidades experimentales y analíticas para trabajar con autonomía siendo capaz de plantear experimentos y de describir, analizar, evaluar e interpretar la información resultante para proponer soluciones alternativas y novedosas frente a problemas conocidos y/o emergentes.
CG3: Crear modelos y tomar decisiones basadas en los datos disponibles combinando los conocimientos adquiridos y siendo capaz de aplicar otros nuevos para la resolución de problemas.
CG4: Capacidad de integrarse en un equipo multidisciplinar en el marco de un proyecto de ciencia de datos.
CG9: Capacidad para expresar de los resultados del procesamiento de datos de manera clara y convincente tanto por escrito como oralmente.
COMPETENCIAS ESPECÍFICAS:
CE3: Analizar datos procedentes de fenómenos complejos mediante la aplicación de técnicas estadísticas y cálculo de probabilidades.
CE4: Comprender y aplicar correctamente técnicas de análisis exploratorio de datos y modelización estadística, evaluando la calidad de los modelos, validándolos e interpretándolos.
RESULTADOS DE APRENDIZAJE:
RMODP1: Obtener un modelo de predicción basado en el modelo de regresión lineal simple.
RMODP2: Realizar un análisis crítico de los supuestos en lo que se basa el modelo, y analizar estadísticamente si éstos se verifican mediante técnicas de inferencia estadística.
RMODP3: Aplicar adecuadamente las técnicas de regresión lineal múltiple y realizar un análisis estadístico inferencial de los supuestos del modelo.
RMODP4: Conocer los distintos tipos de series temporales, y las componentes de una serie temporal.
RMODP5: Aplicar los modelos de alisado exponencial para realizar predicciones con una serie temporal.
RMODP6: Utilizar los modelos ARIMA, estimando adecuadamente sus componentes y realizando predicciones.
RMODP7: Analizar críticamente los modelos y aplicar el más adecuado en cada caso.
RMODP8: Aplicar las técnicas de modelización predictiva en casos de datos reales.
1. Modelos predictivos según el tipo de datos. Pasos básicos en la predicción. La estadística en los modelos predictivos.
2. Regresión lineal simple. Modelo de formulación y estimación. Supuestos del modelo. Inferencia para los parámetros del modelo. Bondad del ajuste. Predicción.
3. Regresión lineal múltiple. Modelo de formulación y estimación. Supuestos de los modelos. Inferencia para los parámetros del modelo. ANOVA y ajuste del modelo. Selección de modelo. Uso de predictores cualitativos. Modelo de diagnóstico y multicolinealidad.
4. Predicciones para datos medidos en el tiempo. Descomposición de las series temporales: localización, tendencia y estacionalidad. Métodos de predicción simples. Modelos lineales en series temporales. Bondad del ajuste. Validación del modelo.
5. Modelos de alisado exponencial: básico, doble, triple. Modelos basados en la verosimilitud.
6. Estacionariedad. Operadores de retardo. Modelos autorregresivos. Modelos de medias móviles. Modelos ARIMA no estacionales y estacionales.
La asignatura se imparte en modalidad semipresencial. Consta de 150 horas entre trabajo presencial y no presencial, y organizadas como sigue:
- Presenciales (30 horas)
- Clases expositivas. Dedicadas a desarrollar los principales conceptos de cada uno de los temas de la asignatura y a la resolución de problemas.
- Prácticas de laboratorio. Se realizarán prácticas en un ordenador para complementar la formación de las clases expositivas.
- Sesiones de evaluación.
- Online (30 horas)
- Clases expositivas. En ellas se desarrollarán los principales conceptos de cada uno de los temas de la asignatura.
- Clases prácticas de laboratorio: se complementarán las sesiones de prácticas de laboratorios presenciales.
- No presenciales (90 horas)
- Trabajo autónomo realizado por el estudiantado para la correcta asimilación de los conceptos estudiados en las clases presenciales y online.
Una parte esencial de la metodología es la tutoría académica. El profesorado de la asignatura estará disponible para resolver las dudas individuales de cualquier estudiante, tanto de forma presencial en las horas de tutorías oficiales, como a través del foro de la asignatura en el campus virtual o del correo electrónico.
MODALIDADES | Horas | % | Totales | |
Presencial | Clases expositivas | 14 | 9.3% | 30 horas 20% |
Prácticas de laboratorio | 14 | 9.3% | ||
Sesiones de evaluación | 2 | 1.4% | ||
Online | Clases expositivas | 15 | 10% | 30 horas 20 % |
Prácticas de laboratorio | 15 | 10% | ||
No presencial | Trabajo autónomo | 90 | 60 % | 90 horas 60 % |
Total | 150 |
PRESENCIAL | ONLINE Y NO PRESENCIAL | ||||||||
Temas | Horas totales | Clase Expositiva | Prácticas de laboratorio | Sesiones de Evaluación | Total | Clase expositiva online | Prácticas de laboratorio (online) | Trabajo autónomo | Total |
Tema 1 | 11 | 1 | 2 | 3 | 1 | 2 | 5 | 8 | |
Tema 2 | 26 | 2 | 2 | 4 | 3 | 2 | 17 | 22 | |
Tema 3 | 28 | 3 | 2 | 5 | 3 | 3 | 17 | 23 | |
Tema 4 | 26 | 2 | 2 | 4 | 2 | 3 | 17 | 22 | |
Tema 5 | 29 | 3 | 3 | 6 | 3 | 3 | 17 | 23 | |
Tema 6 | 28 | 3 | 3 | 6 | 3 | 2 | 17 | 22 | |
Evaluación | 2 | 2 | 2 | ||||||
Total | 150 | 14 | 14 | 2 | 30 | 15 | 15 | 90 | 120 |
La evaluación de las competencias se llevará a cabo mediante los siguientes procedimientos:
- Exámenes teóricos: 45%
- Examen final (teórico-práctico): 35%
- Exámenes de carácter teórico de evaluación continua: 10%
- Asistencia y participación: 5%
- La participación tiene que ser activa para que sea considerada como válida.
- Ejercicios, cuestionarios y/o trabajos durante el curso en el Campus Virtual: 10%
- Informes, trabajos, ejercicios y/o controles durante las clases prácticas de laboratorio: 40%
- Informes, trabajos y ejercicios: 20%
- Controles: 20%
Las puntuaciones anteriores suponen un 65% de evaluación continua, del cual un 30% pertenece a pruebas de evaluación, y un 35% el examen teórico-práctico al final del semestre.
La nota final será la suma de las calificaciones ponderadas en estos cuatro apartados, sin que haya requisitos de nota mínima en ninguno de ellos
CONVOCATORIAS EXTRAORDINARIAS
En la convocatoria extraordinaria de julio, se permitirá conservar las notas de cada apartado. En caso contrario, se podrá recuperar el 30% perteneciente a las pruebas de evaluación.
En el caso de la convocatoria extraordinaria de enero, el estudiante puede superar la asignatura con un examen final teórico-práctico con el cual puede obtener el 100% de la calificación.
EVALUACIÓN DIFERENCIADA
Los alumnos con evaluación diferenciada podrán superar la asignatura con un examen final teórico-práctico con el cual puede obtener el 100% de la calificación.
En cualquiera de los casos, para aprobar la asignatura la nota final debe ser como mínimo de 5 puntos sobre 10.
BIBLIOGRAFÍA:
- Peña, Daniel. Estadística. Modelos y métodos. 2. Modelos lineales y series temporales. Alianza Editorial S, A, Madrid, 1987.
- Faraway, Julian J. Linear models with R. Chapman and Hall/CRC, 2004.
- Faraway, Julian J. Extending the linear model with R: generalized linear, mixed effects and nonparametric regression models. Chapman and Hall/CRC, 2016.
- Hamilton, James Douglas. Time series analysis. Princeton university press, 2020.
- Hyndman, R.J. and Athanasopoulos, G.: Forecasting, principles, and practice. OTexts.
- Cryer, Jonathan D., and Kung-Sik Chan. Time series analysis: with applications in R. Vol. 2. New York: Springer, 2008.
Software
Software libre con R en el entorno RStudio.