Study programme competencies |
Code
|
Study programme competences
|
A1 |
A adquisición dos coñecementos de estatística e investigación operativa necesarios para a incorporación en equipos multidisciplinares pertencentes a diferentes sectores profesionais. |
A2 |
Capacidade para comprender, formular, formular e resolver aqueles problemas susceptibles de ser abordados a través de modelos da estatística e da investigación operativa. |
A3 |
Coñecer as aplicacións dos modelos da estatística e a investigación operativa. |
A7 |
Tratamento de datos e análise estatística dos resultados obtidos. |
A9 |
Obter os coñecementos precisos para unha análise crítica e rigorosa dos resultados. |
A11 |
Adquirir destrezas na formulación e resolución de problemas cuantitativos. |
A13 |
Ser capaz de manexar diverso software (en particular R) e interpretar os resultados que proporcionan estes nos correspondentes estudos prácticos. |
A15 |
Fomentar a sensibilidade cara aos principios do pensamento científico, favorecendo as actitudes asociadas ao desenvolvemento dos métodos matemáticos, como: o cuestionamento das ideas intuitivas, a análise crítica das afirmacións, a capacidade de análise e síntese ou a toma de decisións racionais. |
B6 |
Capacidade para iniciar a investigación e para participar en proxectos de investigación que poden culminar na elaboración dunha tese doutoral. |
B7 |
Capacidade de aplicación de algoritmos de resolución dos problemas e manexo do software axeitado |
B8 |
Capacidade de traballo en equipo e de forma autónoma |
B9 |
Capacidade de formular problemas en termos estatísticos, e de resolvelos utilizando as técnicas axeitadas |
B10 |
Capacidade de identificar e resolver problemas |
B12 |
Adquirir destreza para o desenvolvemento de software |
B14 |
Redacción de informes estatísticos con precisión, orde e claridade |
C1 |
Ser capaz de identificar un problema da vida real. |
C2 |
Dominar a terminoloxía científica-metodolóxica para comprender e interactuar con outros profesionais. |
C3 |
Habilidade para traballar os aspectos metodolóxicos da investigación en colaboración con outros colegas a través do Campus Virtual co foro. |
C4 |
Habilidade para realizar a análise estatística con ordenador. |
C5 |
Escoller o deseño máis axeitado para responder á pregunta de investigación. |
C6 |
Utilizar as técnicas estatísticas máis axeitadas para analizar os datos dunha investigación. |
C7 |
Planificar, analizar e interpretar os resultados dunha investigación considerando tanto os aspectos teóricos coma os metodolóxicos. |
C8 |
Habilidade de xestión administrativa do proceso dunha investigación. |
C9 |
Comunicación e difusión dos resultados das investigacións. |
C10 |
Lectura con xuízo crítico de artigos científicos dende unha perspectiva metodolóxica. |
Learning aims |
Learning outcomes |
Study programme competences |
Comprensión das técnicas básicas de simulación. |
AC1 AC2 AC3 AC7 AC11
|
BJ10 BJ14
|
|
Capacidade crítica sobre as posibilidades e limitacións das técnicas de simulación. |
AC1 AC2 AC3 AC9 AC15
|
BJ6 BJ9 BJ14
|
CJ1 CJ2 CJ3 CJ5 CJ6 CJ7 CJ8 CJ9 CJ10
|
Capacidade de manexar algún tipo de software (paquetes estatísticos ou follas de cálculo, como R ou excel) para levar a cabo estudos de simulación. |
AC2 AC7 AC11 AC13
|
BJ7 BJ8 BJ12 BJ14
|
CJ4 CJ6 CJ7
|
Capacidade de identificar problemas que requiran o deseño de experimentos de simulación e resolvelos mediante a súa implementación en linguaxes de programación de alto nivel (como el lenguaje GNU R).
|
AC3 AC11
|
|
|
Contents |
Topic |
Sub-topic |
1. Introducción. |
Conceptos de sistema real, modelo y definición de simulación. Experimentación real y simulación. Simulación necesaria e innecesaria. Ventajas e inconvenientes de la simulación. Contenidos de la asignatura. |
2. Generación de números pseudoaleatorios uniformes en (0,1). |
Introducción. Propiedades deseables de un generador de números pseudoaleatorios uniformes. Métodos de los cuadrados medios y de Lehmer. Métodos congruenciales. Medidas estadísticas de calidad de un generador de números pseudoaleatorios.
|
3. Métodos universales para la generación de variables continuas. |
Método de inversión. Método de aceptación/ rechazo y sus variantes. |
4. Métodos universales para la generación de variables discretas. |
Método de la transformación cuantil. Algoritmos basados en búsqueda secuencial. Algoritmos basados en árboles binarios. Árboles de Huffman. Método de la tabla guía. Métodos de truncamiento. |
5. Métodos específicos para generación de distribuciones notables. |
Distribuciones continuas: normal, chi-cuadrado de Pearson, t de Student, F de Snedecor, exponencial, Weibull, gamma, beta, logística, Pareto. Distribuciones discretas: equiprobable, binomial, geométrica, binomial negativa, Poisson.
|
6. Simulación de distribuciones multidimensionales. |
Método de las distribuciones condicionadas. Método de aceptación/rechazo. Métodos de codificación o etiquetado. Métodos específicos para simular la normal multivariante. |
7. Análisis de los resultados de simulación. |
Diagnosis de la convergencia. Estimación de la precisión. Problemas de estabilización y dependencia. |
8. Aplicaciones de la simulación. |
Aplicaciones en inferencia estadística. Introducción al remuestreo Bootstrap. Integración Monte Carlo. Muestreo de importancia. Optimización Monte Carlo. Temple simulado. Algoritmos genéticos de optimización. |
9. Técnicas de reducción de la varianza. |
Variables antitéticas. Números aleatorios comunes. Muestreo estratificado. Variables de control. Condicionamiento. |
10. Introducción a los métodos de cadenas de Markov Monte Carlo. |
Muestreo de Gibbs. Algoritmo Metropolis Hastings. Diagnosis de un algoritmo MCMC. |
Planning |
Methodologies / tests |
Competencies |
Ordinary class hours |
Student’s personal work hours |
Total hours |
Guest lecture / keynote speech |
A1 A2 A3 A7 A9 C2 C6 C7 C8 C10 |
16 |
32 |
48 |
Laboratory practice |
A1 A2 A3 A11 A13 B7 B8 B9 B10 B12 C3 C4 C5 C9 |
18 |
18 |
36 |
Supervised projects |
A1 A2 A3 A15 B6 B7 B12 B14 C1 C4 C6 C7 |
0 |
30 |
30 |
Objective test |
A1 A2 A3 |
2 |
0 |
2 |
|
Personalized attention |
|
9 |
0 |
9 |
|
(*)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 |
Presentación dos aspectos relevantes de cada tema incluído no programa da materia, de modo que os alumnos poidan abordar as tarefas propostas nas prácticas de laboratorio. |
Laboratory practice |
Empregaránse diferentes ferramentas de software libre (principalmente o paquete R, pero tamén recursos web, applets, ...) para ilustrar a aplicación na práctica das metodoloxías explicadas nas clases teóricas e tamén co fín de facilitar a resolucion dos traballos prácticos propostos. Ademais facilitaráse un guión das prácticas onde se describirán os distintos exercicios a realizar. |
Supervised projects |
Traballos prácticos propostos para que o alumno poida resolvelos con axuda de programas informáticos. Unha vez resoltos, o alumno deberá presentar e discutir a solución que aplicou. |
Objective test |
Proba escrita para a avaliación da aprendizaxe que constará dunha parte teórica e doutra práctica. |
Personalized attention |
Methodologies
|
Guest lecture / keynote speech |
Laboratory practice |
Supervised projects |
|
Description |
Atención ao alumno tanto durante o desenvolvemento das clases coma nos horarios de titorías. |
|
Assessment |
Methodologies
|
Competencies |
Description
|
Qualification
|
Guest lecture / keynote speech |
A1 A2 A3 A7 A9 C2 C6 C7 C8 C10 |
Avaliaranse os coñecementos adquiridos mediante a realización dunha proba escrita. |
30 |
Laboratory practice |
A1 A2 A3 A11 A13 B7 B8 B9 B10 B12 C3 C4 C5 C9 |
Avaliaranse os coñecementos adquiridos mediante a realización dunha proba escrita. |
30 |
Supervised projects |
A1 A2 A3 A15 B6 B7 B12 B14 C1 C4 C6 C7 |
Presentación dos traballos resoltos. |
40 |
|
Assessment comments |
|
Sources of information |
Basic
|
Cao, R. (2002). Introducción a la simulación y a la teoría de colas. Netbiblo
Robert, C.P. y Casella G. (2010). Introducing Monte Carlo Methods with R. Springer
Jones, O., Maillardet, R. y Robinson A. (2009). Introduction to Scientific Programming and Simulation Using R. CRC
Gentle, J.E. (2003). Random number generation and Monte Carlo methods. Springer-Verlag |
|
Complementary
|
Bratley, P. (1990). A guide to simulation. Springer-Verlag
Evans, M. y Swartz, T. (2000). Approximating integrals via Monte Carlo and . Oxford University Press
Robert, C.P. y Casella, G. (2004). Monte Carlo statistical methods. Springer-Verlag
Devroye, L. (1986). Non-uniform random variate generation. Springer-Verlag
Ross, S.M. (1999). Simulación. Prentice Hall
Ripley, B.D. (1987). Stochastic Simulation. Wiley |
|
Recommendations |
Subjects that it is recommended to have taken before |
|
Subjects that are recommended to be taken simultaneously |
|
Subjects that continue the syllabus |
|
|