• English
  • Youtube
  • Facebook
  • Twitter
  • Linkedin
  • Instagram
  • tiktok

Ingeniería Matemática

Máster. Curso 2023/2024.

TÉCNICAS DE PREDICCIÓN - 604342

Curso Académico 2023-24

Datos Generales

SINOPSIS

COMPETENCIAS

Generales
CG1 - Aprender a aplicar los conocimientos adquiridos y a explotar su potencial para la resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) en el tratamiento estadístico-computacional de la información.
CG2 - Elaborar adecuadamente y con originalidad argumentos motivados y proyectos de trabajo, redactar planes, así como formular hipótesis y conjeturas razonables en su área de especialización.
CG3 - Integrar los conocimientos adecuados y enfrentarse a la complejidad de emitir juicios en función de criterios, de normas externas o de reflexiones personales justificadas
CG4 - Comunicar y presentar públicamente ideas, procedimientos o informes de investigación, así como asesorar a personas u organizaciones en el tratamiento estadístico-computacional de la información. La presentación de estas ideas debe transmitir de forma clara y precisa las conclusiones de forma que sean entendidas tanto por el especialista como por el profano en temas estadístico-computacionales.
CG7 - Saber abstraer en un modelo matemático las propiedades y características esenciales de un problema real reconociendo su rango de aplicabilidad y limitaciones.
Transversales
CT1 - Saber aplicar sus conocimientos a su trabajo o vocación de una forma profesional y poseer las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y en la resolución de problemas y estudio de casos. Esto implica, más concretamente: Integrar creativamente conocimientos y aplicarlos a la resolución de problemas complejos, perseguir objetivos de calidad en el desarrollo de su actividad profesional, adquirir capacidad para la toma de decisiones y de dirección de recursos humanos, ser capaz de mostrar creatividad, iniciativa y espíritu emprendedor para afrontar los retos de su actividad, valorar la importancia de los métodos estadístico-computacionales en el contexto industrial, económico, administrativo, medio ambiental y social.
CT2 - Tener la capacidad de reunir e interpretar datos relevantes para emitir juicios que incluyan una reflexión sobre temas relevantes de índole científica, tecnológica y empresarial. Demostrar razonamiento crítico y gestionar información científica y técnica de calidad, bibliografía, bases de datos especializadas y recursos accesibles a través de Internet.
Específicas
CE1 - Adquisición de una formación sólida y rigurosa en temas avanzados de Estadística, Matemática computacional, Modelos estocásticos y Metodología de la toma de Decisiones aplicadas al tratamiento de la Información.
CE2 - Capacidad para planificar la resolución de un problema en función de las herramientas de que se disponga y, en su caso, de las restricciones de tiempo y recursos.
CE3 - Capacidad para utilizar aplicaciones informáticas estadísticas, de cálculo numérico y simbólico, visualización gráfica, optimización u otras para resolver problemas con un elevado grado de complejidad.
CE4 - Desarrollar habilidades de aprendizaje en Estadística Computacional y Matemáticas, así como en sus respectivas aplicaciones, que permitan al alumno continuar estudiando y profundizando en la materia de modo autónomo, así como el desarrollo profesional con un alto grado de independencia.
CE5 - Resolver problemas y casos reales planteados en el tratamiento estadístico-computacional de la información generada en los ámbitos de la ciencia, la tecnología y la sociedad mediante habilidades de modelización matemática, estimación y computación.
CE7 - Capacidad de utilización de herramientas de búsqueda de recursos bibliográficos, así como manejo, gestión y análisis de grandes bases de datos.
Otras
CB6 - Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación
CB7 - Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio
CB9 - Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades
CB10 - Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.

ACTIVIDADES DOCENTES

Clases teóricas
Las clases teóricas supondrán aproximadamente el 50% del tiempo dedicado a la asignatura.
Clases prácticas
Las clases prácticas supondrán aproximadamente el 50% del tiempo dedicado a la asignatura.
Durante las mismas, el alumno aprenderá a utilizar los métodos y librerías de SAS, R y Python para el análisis de series temporales y tratamiento de datos.
TOTAL
- Método expositivo.
- Resolución de ejercicios y problemas.
- Prácticas de ordenador.
- Realización de trabajos y presentación de forma autónoma por parte de los alumnos.

Presenciales

3

Semestre

2

Breve descriptor:

Ampliación de los conocimientos de los modelos de Series Temporales.
Capacidad de utilización de técnicas de identificación, ajuste, diagnóstico y predicción en Series Temporales.
Capacidad de aplicar metodologías de Series Temporales a datos reales.

Requisitos

De manera general, conocimientos de probabilidad, inferencia estadística, regresión lineal y procesos estocásticos.
En particular, será preciso conocer bien la metodología de Box y Jenkins basada en el ajuste de modelos ARIMA.

Objetivos

Conocer y dominar los fundamentos y las principales tecnicas para el analisis univariante y multivariante de series temporales con vistas a realizar predicciones del comportamiento futuro de las mismas

Contenido

1. Ajuste masivo de series temporales
2. Modelos de heterocedasticidad condicional: ARCH y GARCH.
3. Modelos multivariante: modelos VARMA
4. Modelos de corrección del error.
5. Cointegración.







Evaluación

Se mandarán dos prácticas (una por profesor), cada una de las cuales supondrá el 50% de la calificación total de la asignatura.

En caso de que alguna de las partes no resultase aprobada, dicha parte debería ser aprobada en la convocatoria extraordinaria, por lo que el alumno podría tener que realizar uno o dos nuevas prácticas.

Bibliografía

1. Aznar, A., Trívez, F.J. (1993), “Métodos de predicción en economía II, Análisis de Series Temporales”, Ariel Economía.
2. Hans Franses, P., Van Dijk, D. (2000), “Non-linear time series models in empirical finance”, Cambridge University Press (para GARCH).
3. Makridakis, S.; Wheelwright, S.C.; Hyndman, R.J. (1998). Forecasting. Methods and Applications. Wiley.
4. Peña, D. (2010), “Análisis de series temporales”, Alianza.

Otra información relevante

Nombre – Despacho – Teléfono - Email
- Daniel Vélez Serrano, Despacho 303-I, Facultad de Matemáticas, danvelez@ucm.es
- Jorge Blanco, Facultad de Matemáticas, jorgmarc@ucm.es

Estructura

MódulosMaterias
No existen datos de módulos o materias para esta asignatura.

Grupos

Clases teóricas y/o prácticas
GrupoPeriodosHorariosAulaProfesor
Grupo Único12/03/2024 - 30/04/2024MARTES 16:30 - 18:30-DANIEL VELEZ SERRANO
JORGE MARCO BLANCO
JUAN ANTONIO TEJADA CAZORLA
JUEVES 16:30 - 18:30-DANIEL VELEZ SERRANO
JORGE MARCO BLANCO
JUAN ANTONIO TEJADA CAZORLA