Diariamente la mayoría de los gerentes del mundo empresarial tienen que tomar decisiones en base a un conjunto de predicciones. Esa necesidad ha sido la base para constituir la disciplina de análisis predictivo, la cual ha evolucionado desde simples modelos intuitivos totalmente artesanales hasta modelos analíticos muy precisos basados en inteligencia artificial. Actualmente, dichos modelos se nutren de sistemas de información en la Economía y la Empresa que poseen grandes cantidades de datos de fuentes muy variadas. Por tanto, es cada vez más evidente la necesidad de ser capaces de predecir grandes volúmenes de series temporales en tiempos cada vez más cortos sin perder precisión. En este contexto, las asignaturas tradicionales de estadística no son suficiente y deben de ser completadas con conocimientos en informática y administración de empresas para desarrollar técnicas que sean eficientes en cuanto a carga computacional se refiere, que funcionen adecuadamente de modo global en bases de datos amplias y que sean de ayuda en la toma de decisiones por parte de los gerentes. Esta asignatura pretende rellenar ese vacío formativo mediante el estudio de técnicas de predicción de series temporales con distintos grados de complejidad, desde métodos ad-hoc hasta métodos altamente sofisticados, con especial énfasis en su aplicación a bases de datos masivas. En el proceso juega un papel muy importante cuestiones como la identificación automática de modelos de series temporales, la detección automática de atípicos, la computación paralela, etc., y como esas predicciones engranan dentro de las diferentes organizaciones A través de la teoría y los casos prácticos el alumno adquirirá una visión amplia y actualizada de los temas punteros relacionados con la inteligencia predictiva.
Competencias propias de la asignatura | |
---|---|
Código | Descripción |
CB06 | 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 |
CB07 | 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 |
CB08 | Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios |
CB09 | 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. |
CE16 | Ser capaz de generar sistemas de predicción avanzados para bases de datos provenientes del mundo empresarial, preferentemente de cadenas de suministro y estudio de la evolución de los mercados, mediante el empleo de software especializado. |
CE17 | Ser capaz de generar predicciones y series desestacionalizadas eficientes de indicadores de coyuntura de diferente naturaleza, con especial énfasis en el mercado laboral, ciclo económico, índices de precios o producción, u otros indicadores macroeconómicos; mediante el empleo de software especializado. |
CE18 | Ser capaz de generar predicciones con técnicas avanzadas de sistemas complejos, principalmente los mercados de energía y medio ambiente, mediante el empleo de software especializado. |
CG01 | Saber trabajar en equipos multidisciplinares y gestionar el tiempo de trabajo, obteniendo resultados relevantes en el ámbito de la decisión empresarial o de la investigación avanzada de los fenómenos económicos. |
CG02 | Ser capaz de generar y desarrollar de forma independiente propuestas innovadoras y competitivas en la investigación y en la actividad profesional en el ámbito del análisis de datos económicos. |
CG03 | Ser capaz de identificar problemas y evaluar la aplicabilidad de las técnicas de análisis y modelización más adecuadas para su resolución, utilizando para ello software estadístico y econométrico especializado. |
CG04 | Ser capaz de presentar públicamente los resultados de una investigación o un informe técnico, por medio de software y aplicaciones tecnológicas y digitales en cualquier medio económico especializado (publicación científica) o ante cualquier foro profesional (académico o empresarial), a todos los niveles de especialización. |
CT01 | Fomentar el espíritu innovador, creativo y emprendedor. |
CT02 | Desarrollar el razonamiento crítico y la capacidad de crítica y autocrítica. |
CT03 | Ser capaz de realizar un proceso de aprendizaje autónomo y responsable. |
Resultados de aprendizaje propios de la asignatura | |
---|---|
Descripción | |
Conocer un conjunto amplio de métodos de predicción clásicos y avanzados. | |
Ser capaz de aplicar las técnicas a problemas especializados reales y establecer comparaciones entre ellas. | |
Saber utilizar los métodos de predicción con bases de datos económicos masivas y en contextos complejos. | |
Ser capaz de utilizar software especializado de series temporales y desarrollar software propio. | |
Resultados adicionales | |
No se han establecido. |
Actividad formativa | Metodología | Competencias relacionadas (para títulos anteriores a RD 822/2021) | ECTS | Horas | Ev | Ob | Descripción | |
Presentación de trabajos o temas [PRESENCIAL] | Otra metodología | CB06 CB07 CB08 CB09 CB10 CE16 CE17 CE18 CG01 CG02 CG03 CG04 CT01 CT02 CT03 | 0.2 | 5 | S | N | Metodología empleada: Presentación de memorias, informes o trabajos; de modo individual y/o colectivo | |
Prácticas en aulas de ordenadores [PRESENCIAL] | Combinación de métodos | CB06 CB07 CB08 CE16 CE17 CE18 CG02 CG03 CT02 | 0.8 | 20 | N | N | Metodologías empleadas: Estudio de casos; Resolución de problemas y/o casos; Prácticas; talleres y seminarios Talleres y Seminarios | |
Enseñanza presencial (Teoría) [PRESENCIAL] | Combinación de métodos | CB06 CB08 CB10 | 0.4 | 10 | N | N | Metodologías empleadas: Método expositivo/Lección magistral Lectura y análisis de artículos y recensiones. | |
Otra actividad presencial [PRESENCIAL] | Trabajo dirigido o tutorizado | CE16 CE17 CE18 CG03 CT01 CT02 CT03 | 0.5 | 12.5 | N | N | Esta actividad incluye: tutorías, tanto individuales como grupales | |
Prueba final [PRESENCIAL] | Pruebas de evaluación | CB06 CB07 CB08 CB09 CB10 CE16 CE17 CE18 CG01 CG02 CG03 CG04 CT01 CT02 CT03 | 0.1 | 2.5 | S | N | ||
Elaboración de informes o trabajos [AUTÓNOMA] | Trabajo dirigido o tutorizado | CB06 CB07 CB08 CB09 CB10 CE16 CE17 CE18 CG01 CG02 CG03 CG04 CT01 CT02 CT03 | 2.4 | 60 | S | N | Metodologías empleadas: Trabajo dirigido o tutorizado, trabajo autónomo; trabajo en grupo | |
Estudio o preparación de pruebas [AUTÓNOMA] | Trabajo autónomo | CB06 CB07 CB08 CB10 CT02 CT03 | 1.6 | 40 | N | N | ||
Total: | 6 | 150 | ||||||
Créditos totales de trabajo presencial: 2 | Horas totales de trabajo presencial: 50 | |||||||
Créditos totales de trabajo autónomo: 4 | Horas totales de trabajo autónomo: 100 |
Ev: Actividad formativa evaluable Ob: Actividad formativa de superación obligatoria (Será imprescindible su superación tanto en evaluación continua como no continua)
Sistema de evaluación | Evaluacion continua | Evaluación no continua * | Descripción |
Trabajo | 40.00% | 0.00% | Se evaluarán los informes y trabajos que han sido propuestos a lo largo del curso |
Realización de actividades en aulas de ordenadores | 20.00% | 0.00% | Se evaluarán actividades realizadas en el aula tales como la presentación de trabajos y temas. |
Prueba final | 40.00% | 100.00% | |
Total: | 100.00% | 100.00% |
No asignables a temas | |
---|---|
Horas | Suma horas |
Presentación de trabajos o temas [PRESENCIAL][Otra metodología] | 5 |
Prácticas en aulas de ordenadores [PRESENCIAL][Combinación de métodos] | 20 |
Enseñanza presencial (Teoría) [PRESENCIAL][Combinación de métodos] | 10 |
Otra actividad presencial [PRESENCIAL][Trabajo dirigido o tutorizado] | 12.5 |
Prueba final [PRESENCIAL][Pruebas de evaluación] | 2.5 |
Elaboración de informes o trabajos [AUTÓNOMA][Trabajo dirigido o tutorizado] | 60 |
Estudio o preparación de pruebas [AUTÓNOMA][Trabajo autónomo] | 40 |
Actividad global | |
---|---|
Actividades formativas | Suma horas |
Autor/es | Título | Libro/Revista | Población | Editorial | ISBN | Año | Descripción | Enlace Web | Catálogo biblioteca |
---|---|---|---|---|---|---|---|---|---|
Box, G.E.P. and Jenkins, G.M. and Reinsel, G.C. and Ljung, G.M. | Time Series Analysis. Forecasting and Control | Wiley | 2015 | Especializado ARIMA | |||||
Fildes, Ord and Kourentzes | Principles of Business Forecasting. 2nd edition | Wessex | 2017 | https://wessexlearning.com/products/principles-of-business-forecasting-2nd-ed | |||||
Pedregal, D.J. | Manual UComp | WEB | 2020 | Especializado componentes no observables con R | https://github.com/djpedregal/UComp | ||||
Rob J Hyndman and George Athanasopoulos | Forecasting: Principles and Practice | Melbourne | WEB | General para todos los métodos | https://otexts.com/fpp2/ | ||||
Rob J Hyndman, Anne B Koehler, J Keith Ord, Ralph D Snyder | Forecasting with Exponential Smoothing: the State Space Approach | Springer | 2008 | Especializado Alisado Exponencial | |||||
Villegas, M.A., Pedregal, D.J. | SSpace: A toolbox for State Space modelling, Journal of Statistical Software, 87-5,1-26. | WEB | 2018 | Especializado Espacio de los Estados | https://www.jstatsoft.org/article/view/v087i05 |