Competencias do título |
Código
|
Competencias / Resultados do título
|
A3 |
CE3 - Capacidade para a análise de datos e a comprensión, modelado e resolución de problemas en contextos de aleatoriedade. |
A17 |
CE17 - Capacidade para a construción, validación e aplicación dun modelo estocástico dun sistema real a partir dos datos observados e a análise crítica dos resultados obtidos. |
A20 |
CE20 - Coñecemento das ferramentas informáticas no campo da análise dos datos e modelización estatística, e capacidade para seleccionar as máis adecuadas para a resolución de problemas. |
B2 |
CB2 - Que os estudantes saiban aplicar os seus coñecementos ao seu traballo ou vocación dunha forma profesional e posúan as competencias que adoitan demostrarse por medio da elaboración e defensa de argumentos e a resolución de problemas dentro da súa área de estudo |
B3 |
CB3 - Que os estudantes teñan a capacidade de reunir e interpretar datos relevantes (normalmente dentro da súa área de estudo) para emitir xuízos que inclúan unha reflexión sobre temas relevantes de índole social, científica ou ética |
B4 |
CB4 - Que os estudantes poidan transmitir información, ideas, problemas e solucións a un público tanto especializado como non especializado |
B6 |
CG1 - Ser capaz de buscar e seleccionar a información útil necesaria para resolver problemas complexos, manexando con soltura as fontes bibliográficas do campo. |
B7 |
CG2 - Elaborar adecuadamente e con certa orixinalidade composicións escritas ou argumentos motivados, redactar plans, proxectos de traballo, artigos científicos e formular hipóteses razoables. |
B8 |
CG3 - Ser capaz de manter e estender formulacións teóricas fundadas para permitir a introdución e explotación de tecnoloxías novas e avanzadas no campo. |
B9 |
CG4 - Capacidade para abordar con éxito todas as etapas dun proxecto de datos: exploración previa dos datos, preprocesado, análise, visualización e comunicación de resultados. |
B10 |
CG5 - Ser capaz de traballar en equipo, especialmente de carácter multidisciplinar, e ser hábiles na xestión do tempo, persoas e toma de decisións. |
C1 |
CT1 - Utilizar as ferramentas básicas das tecnoloxías da información e as comunicacións (TIC) necesarias para o exercicio da súa profesión e para a aprendizaxe ao longo da súa vida. |
C4 |
CT4 - Valorar a importancia que ten a investigación, a innovación e o desenvolvemento tecnolóxico no avance socioeconómico e cultural da sociedade. |
Resultados de aprendizaxe |
Resultados de aprendizaxe |
Competencias / Resultados do título |
Coñecer os principais mecanismos que provocan a falta de datos, a censura nos mesmos ou a existencia de sesgo en ditos datos |
A3 A20
|
B6
|
C1 C4
|
Coñecer as principais técnicas estatísticas para analizar problemas con datos faltantes |
A3 A17 A20
|
B3 B4 B9
|
C1
|
Coñecer as principais técnicas estatísticas para analizar datos funcionais |
A3 A17 A20
|
B3 B4 B9
|
C1
|
Coñecer as principais técnicas estatísticas para analizar datos censurados |
A3 A17 A20
|
B3 B4 B9
|
C1
|
Coñecer as principais técnicas estatísticas para analizar problemas con datos sesgados |
A3 A17 A20
|
B3 B4 B9
|
C1
|
Ser capaz de aplicar as principais técnicas para datos faltantes, funcionais, censurados e sesgados a conxuntos de datos reais ou simulados |
A20
|
B2 B3 B4 B9
|
C1
|
Ser capaz de interpretar os resultados e coñecer as limitacións dos métodos |
A3
|
B6 B7 B8 B10
|
C1 C4
|
Contidos |
Temas |
Subtemas |
Introdución ó problema de datos faltantes |
Retos e problemas ante a falta de datos
Mecanismos de falta de datos: missing at random (MAR) e missing completely at random (MCAR)
Consecuencias do descarte de datos faltantes |
Técnicas de imputación |
Imputación mediante a media
Métodos de imputación simple
Imputación basada en verosimilitude baixo MAR
Algoritmo de Esperanza-Maximización (EM)
Métodos de imputación múltiple baixo MAR |
Introdución ós datos funcionais |
Exemplos e motivación
O registro e a suavización de datos funcionais
Métricas e semimétricas para datos funcionais
Expresión dos datos funcionais en termos dunha base |
Análise de datos funcionais |
Estimación da función media e do operador de covarianzas
Concepto de profundidade: detección de datos funcionais atípicos
Compoñentes principais funcionais
Modelos lineais para datos funcionais |
Datos censurados |
Información incompleta e censura
Consecuencias de ignorar a censura
Estimación paramétrica con datos censurados
Estimación non paramétrica: o estimador de Kaplan-Meier
O modelo de Cox para a supervivencia condicional |
Datos sesgados |
Sesgo na selección dos datos: sesgo por lonxitude, por tempo e por tamaño
Consecuencias de ignorar o sesgo
Estimación da media e a varianza para datos sesgados
O principio de verosimilitude para datos sesgados
Situacións con función de sesgo non especificada |
Planificación |
Metodoloxías / probas |
Competencias / Resultados |
Horas lectivas (presenciais e virtuais) |
Horas traballo autónomo |
Horas totais |
Presentación oral |
A3 B2 B3 B4 C4 |
21 |
31.5 |
52.5 |
Prácticas a través de TIC |
A17 A20 A3 B2 B3 B4 B6 B7 B8 B9 B10 C1 |
7 |
24.5 |
31.5 |
Traballos tutelados |
A17 A20 A3 B2 B3 B4 B6 B7 B9 B10 C1 |
3.5 |
15.75 |
19.25 |
Solución de problemas |
A17 B2 B7 B8 B10 |
7 |
28 |
35 |
Proba mixta |
A20 A3 B2 B3 B4 B8 C1 |
1.5 |
3 |
4.5 |
Proba mixta |
A20 A3 B2 B3 B4 B8 C1 |
1.5 |
3.75 |
5.25 |
|
Atención personalizada |
|
2 |
0 |
2 |
|
*Os datos que aparecen na táboa de planificación son de carácter orientativo, considerando a heteroxeneidade do alumnado |
Metodoloxías |
Metodoloxías |
Descrición |
Presentación oral |
Presentación con ordenador |
Prácticas a través de TIC |
Análise estatística de conxuntos de datos usando R |
Traballos tutelados |
Análises estatísticas de bases de datos nas que se teñan que aplicar os conceptos estudados |
Solución de problemas |
Elección das ferramentas estatísticas e estratexias para resolver problemas con datos faltantes, datos funcionais, datos censurados ou datos sesgados |
Proba mixta |
Proba sobre conceptos teóricos e/ou exercicios prácticos con R (a realizar na metade do cuadrimestre) |
Proba mixta |
Proba sobre conceptos teóricos e/ou exercicios prácticos con R (a realizar o día do exame oficial) |
Atención personalizada |
Metodoloxías
|
Solución de problemas |
Prácticas a través de TIC |
Traballos tutelados |
|
Descrición |
Asistencia e participación nas clases teóricas
Casos prácticos utilizando R
Traballos de análise de datos
Exame sobre conceptos teóricos e/ou prácticos
|
|
Avaliación |
Metodoloxías
|
Competencias / Resultados |
Descrición
|
Cualificación
|
Proba mixta |
A20 A3 B2 B3 B4 B8 C1 |
Proba de comprensión teórica e aplicacion práctica dos conceptos impartidos (a realizar o día do examen oficial) |
40 |
Traballos tutelados |
A17 A20 A3 B2 B3 B4 B6 B7 B9 B10 C1 |
Contido e presentación do traballo en parella relacionado cos temas 3, 4 e 5. |
30 |
Proba mixta |
A20 A3 B2 B3 B4 B8 C1 |
Proba de comprensión teórica e aplicacion práctica dos conceptos impartidos (a realizar na metade do cuadrimestre) |
30 |
|
Observacións avaliación |
As puntuacións de cada parte da avaliación quedarán da seguinte forma: - Traballo práctico en parellas relativo ós temas 3-4: 1.75 puntos (1 punto resolución do exercicio práctico en R e 0.75 presentación oral).
- Traballo práctico en parellas relativo ó tema 5: 1.25 puntos (0.75 puntos resolución do exercicio práctico en R e 0.5 presentación oral).
- Exame de conceptos teóricos/prácticos dos temas 3, 4 e 5: 3 puntos. Terá lugar na metade do cuadrimestre. Permítese liberar materia, de forma que os estudantes que obtiveran, como mínimo, un 3.5 sobre 10 neste exame parcial, xa non se terán que presentar a esta proba no exame oficial, agás que queiran subir nota. Sen embargo, os estudantes que obtiveran unha calificación menor que 3.5 ou que non se presenten ao parcial, irán ao exame oficial tamén con esta parte. No caso de presentarse a subir nota, a calificación que se consideraría relativa a esta proba sería a obtida no exame oficial.
- Exame de conceptos teóricos/prácticos dos temas 1, 2 e 6: 4 puntos. Terá lugar en xaneiro, o día da convocatoria oficial. Para aprobar a materia, pídese obter, como mínimo, un 3.5 sobre 10 nesta parte.
Para superar a materia será necesario obter unha calificación de alomenos 5 sobre 10 no conxunto da materia. Na 2ª oportunidade (xullo) os estudantes deberán facer as probas correspondentes nas que a súa calificación na oportunidade de xaneiro fose inferior a 3.5 sobre 10. No caso de presentarse a subir nota, a calificación que se consideraría relativa a esta proba sería a obtida no exame oficial de xullo. Na primeira oportunidade (xaneiro), só os estudantes que non se teñan presentado a ningunha das probas avaliables que figuran arriba obterán a calificación de NON PRESENTADO. En xullo obterán a calificación de NON PRESENTADO os estudantes que non se tiveran presentado ao exame final desa data. Se algún estudante quere facer algunha das probas nun idioma oficial específico (galego ou español), debe avisar ó profesorado alomenos 1 semana antes da correspondente proba.
|
Fontes de información |
Bibliografía básica
|
Hosmer D. W., Lemeshow S., May S. (2008). Applied survival analysis: regression modeling of time-to-event data. Wiley-Interscience
Qin J. (2017). Biased sampling, over-identified parameter problems and beyond (Vol. 5). Springer
Ramsay J. O., Silverman B. W. (2005). Functional Data Analysis. 2nd Edition. Springer
Ferraty F., Vieu P. (2006). Nonparametric functional data analysis : theory and practice. Springer
Cox D. R. (2005). Some sampling problems in technology. . Selected Statistical Papers of Sir David Cox
Little R. J., Rubin D. B. (2019). Statistical analysis with missing data (Vol. 793). John Wiley & Sons
Lee E. T., Wang J. W. (2013). Statistical Methods for Survival Data Analysis. 4th Edition. Wiley |
|
Bibliografía complementaria
|
Therneau T. (2021). A Package for Survival Analysis in R. CRAN
Van Buuren, S. (2018). Flexible imputation of missing data. CRC Press
Therneau T. M., Grambsch P. M. (2000). Modeling Survival Data: Extending the Cox Model. Springer
Febrero-Bande M, Oviedo de la Fuente M. (2012). Statistical Computing in Functional Data Analysis: The R Package fda.usc. Journal of Statistical Software, 51(4), 1–28 |
|
Recomendacións |
Materias que se recomenda ter cursado previamente |
Análise Estatística de Datos con Dependencia/614G02022 | Modelos de Regresión/614G02012 | Modelización Estatística de Datos de Alta Dimensión/614G02013 | Inferencia Estatística/614G02007 | Probabilidade e Estatística Básica/614G02003 |
|
Materias que se recomenda cursar simultaneamente |
Representación e Xestión de Datos Espazo-Temporais/614G02035 | Técnicas de Simulación e Remostraxe/614G02036 |
|
Materias que continúan o temario |
Xestión de Datos Ómicos e Modelización/614G02042 |
|
|