Competencias do título |
Código
|
Competencias / Resultados do título
|
Resultados de aprendizaxe |
Resultados de aprendizaxe |
Competencias / Resultados do título |
Familiarizarse coas técnicas non paramétricas básicas de estimación da función de distribución de probabilidade, a función de densidade de probabilidade e a regresión. |
AM18 AM19 AM20 AM21 AM23
|
BP1 BP3 BP5 BP20 BP21
|
CP13
|
Coñecer e saber aplicar os principais tests non paramétricos de bondade de axuste e de asociación. |
AM18 AM19 AM20 AM21 AM23
|
BP1 BP3 BP5 BP20 BP21
|
CP13
|
Coñecer con rigor as vantaxes e limitacións do enfoque non paramétrico na análise de datos. |
AM16 AM17 AM19 AM21 AM23
|
BP2 BP17 BP20 BP21
|
CP11 CP13
|
Desenvolver autonomía para aplicar ferramientas non paramétricas na análise de datos, en situacións complexas e/ou multidisciplinais. |
AM17
|
BP18
|
CP14 CP15
|
Saber presentar a análise de datos mediante técnicas non paramétricas a un público tanto especializado como non. |
|
BP4 BP19
|
|
Contidos |
Temas |
Subtemas |
Estimación non paramétrica da función de distribución.
|
A distribución empírica. Propiedades. Estimación de momentos e cuantís. |
Contrastes non paramétricos clásicos para unha mostra. |
Contrastes de bondade de axuste a un modelo paramétrico: Proba de Kolmogorov-Smirnov.
Análise de normalidade: Gráfico Q-Q, test de Lilliefors, test de Shapiro-Wilk, transformacións para conseguir normalidade.
Contrastes de localización: test dos signos, test de Wilcoxon dos rangos signados. |
Tests para dúas e máis mostras.
|
Comparación de dúas muestras: Test de Kolmogorv-Smirnov, test de Mann-Whitney-Wilcoxon. Xeralizacións a máis de dúas muestras: Test de Kruskal-Wallis, test de Friedman. |
Tests baseados en táboas de continxencia.
|
Análise de táboas de continxencia. Tests chi cadrado de bondade de axuste, de homoxeneidade e de independencia en táboas de continxencia. |
Métodos de suavización: estimación non paramétrica da función de densidade.
|
O histograma. Estimación tipo núcleo da densidade. Medidas do erro na estimación da función de densidade. Selección do parámetro de suavizado na estimación tipo núcleo da densidade: validación cruzada e plug-in. Estimación da densidade multivariante. |
Estimación non paramétrica da función de regresión.
|
Regresión tipo núcleo. Regresión polinómica local. Suavización por veciños máis próximos. Selección do parámetro de suavizado na estimación tipo núcleo da regresión: validación cruzada e plug-in. Algoritmo loess. Breve introducción á regresión por splines. |
Planificación |
Metodoloxías / probas |
Competencias / Resultados |
Horas lectivas (presenciais e virtuais) |
Horas traballo autónomo |
Horas totais |
Sesión maxistral |
A16 A18 A21 A23 B1 B3 B17 B20 C11 C13 |
20 |
15 |
35 |
Seminario |
A16 A17 A19 A20 A21 A23 B2 B3 B5 B17 B18 B19 B20 B21 C11 C13 |
7 |
5.25 |
12.25 |
Prácticas a través de TIC |
A17 A19 A20 A21 A23 B2 B5 B18 B19 |
7 |
5.25 |
12.25 |
Solución de problemas |
A16 A17 A19 A23 B2 B3 B5 B18 B19 B20 B21 C11 C13 C14 C15 |
0 |
28.5 |
28.5 |
Estudo de casos |
A16 A17 A19 A21 A23 B2 B3 B4 B5 B18 B19 B20 B21 C13 C14 C15 |
0 |
21 |
21 |
Traballos tutelados |
A17 A19 A21 A23 B2 B4 B5 B18 B19 B20 B21 C11 C13 C14 C15 |
0 |
9.5 |
9.5 |
Obradoiro |
A16 A17 B2 B3 B4 B17 B18 B19 C11 C13 C14 C15 |
1 |
2.5 |
3.5 |
Proba obxectiva |
A16 A17 A18 A19 A20 A21 A23 B20 B21 C11 C13 |
0 |
3 |
3 |
|
Atención personalizada |
|
0 |
0 |
0 |
|
*Os datos que aparecen na táboa de planificación son de carácter orientativo, considerando a heteroxeneidade do alumnado |
Metodoloxías |
Metodoloxías |
Descrición |
Sesión maxistral |
Introduciranse os fundamentos teóricos das técnicas e os procedementos para a súa aplicación na práctica. A súa utilidade ilustrarase con exemplos específicos de diferentes áreas de coñecemento, enfatizando vantaxes e limitacións. Promoverase a participación dos estudantes. |
Seminario |
Se presentarán problemas específicos e os procedementos de resolución, poñendo en práctica conceptos e algoritmos expostos nas sesións maxistrais. |
Prácticas a través de TIC |
Sesións interactivas donde se propondrán e resolverán exemplos con axuda de scripts con código libre do software R. O docente apoiará e supervisará a posta en práctica dos coñecementos adquiridos polos estudantes. |
Solución de problemas |
Propoñeranse cuestións, exercicios e exemplos relacionados con técnicas de inferencia e modelización non paramétrica para ser resoltos polos estudantes de xeito individual. |
Estudo de casos |
Propoñeranse casos concretos de estudo para resolución individual ou en grupos. |
Traballos tutelados |
A resolución de problemas e do caso de estudio será supervisado polo docente. |
Obradoiro |
Presentación e discusión dun caso de estudio analizado en detalle polos estudantes. |
Proba obxectiva |
Examen escrito para avaliar a adquisición de coñecementos. |
Atención personalizada |
Metodoloxías
|
Traballos tutelados |
Prácticas a través de TIC |
|
Descrición |
<br>
As prácticas a través de TIC están pensadas para resolver exercicios usando textos con código libre do software R. Deste xeito, os estudantes deben comprender en profundidade este código e os paquetes de R que se usen, incluindo as principais funcións e tipos de saídas que se xeneren. Para acadar este obxectivo o máis axiña posible, é desexable proporcinar atención persoalizada, o que se realizará no discurrir das sesións.
<br>
Cada estudante debe completar un proxecto específico con datos reais baixo supervisión do docente e usando técnicas desenvoltas durante o curso. A atención persoalizada consistirá en monitorizar as diferentes etapas do proxecto en titorías sucesivas. |
|
Avaliación |
Metodoloxías
|
Competencias / Resultados |
Descrición
|
Cualificación
|
Traballos tutelados |
A17 A19 A21 A23 B2 B4 B5 B18 B19 B20 B21 C11 C13 C14 C15 |
O desenvolvemento en detalle dun caso de estudo proposto para resolución, ben individualmente ben en grupo, computará ata o 10% da cualificación. |
10 |
Estudo de casos |
A16 A17 A19 A21 A23 B2 B3 B4 B5 B18 B19 B20 B21 C13 C14 C15 |
A resolución e entrega de casos de estudo propostos ao longo do curso formará parte da avaliación continua. Computará ata o 7.5% da cualificación. |
7.5 |
Solución de problemas |
A16 A17 A19 A23 B2 B3 B5 B18 B19 B20 B21 C11 C13 C14 C15 |
A resolución e entrega de exercicios propostos ao longo do curso formará parte da avaliación continua. Computará ata o 7.5% da cualificación. |
7.5 |
Proba obxectiva |
A16 A17 A18 A19 A20 A21 A23 B20 B21 C11 C13 |
A proba de coñecementos final será un exame escrito que constará de varias cuestións teórico-prácticas sobre os contidos da materia, dentro das que se poderá incluir a interpretación de resultados obtidos co software usado na docencia interactiva (R). Será obligatorio e supondrá o 70% da cualificación. |
70 |
Obradoiro |
A16 A17 B2 B3 B4 B17 B18 B19 C11 C13 C14 C15 |
A presentación en clase do traballo tutelado poderá puntuar ata o 5% da cualificación. |
5 |
|
Observacións avaliación |
<p><strong>Presentación á avaliación</strong>: Considérase que un estudante concurre a unha convocatoria cando participa en actividades que lle permiten obter cando menos un 50% da avaliación final. A cualificación obtida conservarase entre as oportunidades (ordinaria e extraordinaria) dentro da convocatoria de cada curso.</p><p><strong>Oportunidade extraordinaria de recuperación (proba de xullo)</strong>: O peso da avaliación continua na oportunidade extraordinaria de recuperación (proba de xullo) será o mesmo que na avaliación ordinaria. Na segunda oportunidade de avaliación (recuperación), realizarase un exame e a nota final será o máximo de tres cantidades: a nota da avaliación ordinaria, a nota do novo exame e a media ponderada do novo exame e a avaliación continua.</p>
|
Fontes de información |
Bibliografía básica
|
|
- Fan J., Gijbels I. (1996) Local polynomial modelling and its applications. Monographs on Statistics and Applied Probability 66. Chapman & Hall/CRC.
- Gibbons J.D, Chakraborti S. (2010) Nonparametric Statistical Inference (5th edition). Statistics: Textbooks and Monographs. Chapman & Hall/CRC.
- Hollander M., Wolfe D.A., Chicken E. (2014) Nonparametric Statistical Methods (3rd edition). Wiley Series in Probability and Statistics, Wiley.
- Silverman, B. W. (1986) Density Estimation for Statistics and Data Analysis. Monographs on Statisticsand Applied Probability 26. Chapman & Hall/CRC.
- Wand M.P., Jones M.C. (1995) Kernel smoothing. Monographs on Statistics and Applied Probability 60. Chapman & Hall/CRC.
|
Bibliografía complementaria
|
|
- Bowman A.W., Azzalini A. (1997) Applied Smoothing
Techniques for Data Analysis. Oxford: Oxford University Press.
- McKean J.W., Kloke J. (2014) Nonparametric
Statistical Methods using R. The R Series. Chapman and Hall/CRC.
- Simonoff
J.S. (1996) Smoothing methods in statistics. Springer Series in
Statistics. New York: Springer.
- Smeeton N.C, Sprent P. (2007) Applied
Nonparametric Statistical Methods (4th edition) Chapman & Hall/CRC
Texts in Statistical Science. Chapman & Hall/CRC.
- Wasserman L. (2006) All of Nonparametric Statistics. Springer Texts
in Statistics. New York: Springer.
|
Recomendacións |
Materias que se recomenda ter cursado previamente |
|
Materias que se recomenda cursar simultaneamente |
|
Materias que continúan o temario |
|
Observacións |
<p>É conveniente que o alumnado teña coñecementos básicos de cálculo de probabilidades e estatística. Tamén é recomendable dispoñer de unhas habilidades medias no manexo de ordenadores, e en concreto de software estatístico. Para un mellor aprendizaxe da materia, é desexable ter presente o sentido práctico dos métodos que se están coñecendo. </p> |
|