Competencias do título |
Código
|
Competencias / Resultados do título
|
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 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 |
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 |
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 |
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 |
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 dos traballos prácticos e traballos de investigación |
40 |
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) |
20 |
|
Observacións avaliación |
As
puntuacións de cada parte da avaliación quedarán da seguinte forma:
- Dous ou tres traballos prácticos e de investigación: 4
puntos.
- Exame de conceptos teóricos/prácticos dos temas 1-2: 2
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 3-6: 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. A realización fraudulenta das probas ou actividades de avaliación, unha vez comprobada, implicará directamente a cualificación de suspenso na convocatoria en que se cometa: o/a estudante será cualificado con “suspenso” (nota numérica 0) na convocatoria correspondente do curso académico, tanto se a comisión da falta se produce na primeira oportunidade como na segunda. Para isto, procederase a modificar a súa cualificación na acta de primeira oportunidade, se fose necesario.
|
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 |
|
Observacións |
- Segundo se recolle nas distintas normativas de aplicación para a docencia universitaria, deberase incorporar a perspectiva de xénero nesta materia (usarase linguaxe non sexista, utilizarase bibliografía de autores/as de ambos sexos, propiciarase a intervención en clase de alumnos e alumnas, etc.)
- Traballarase para identificar e modificar prexuízos e actitudes sexistas e influirase na contorna para modificalos e fomentar valores de respecto e igualdade.
- Deberanse detectar situacións de discriminación por razón de xénero e proporanse accións e medidas para corrixilas.
|
|