Competencias / Resultados del título |
Código
|
Competencias / Resultados del título
|
A3 |
CE3 - Capacidad para el análisis de datos y la comprensión, modelado y resolución de problemas en contextos de aleatoriedad. |
A17 |
CE17 - Capacidad para la construcción, validación y aplicación de un modelo estocástico de un sistema real a partir de los datos observados y el análisis crítico de los resultados obtenidos. |
A20 |
CE20 - Conocimiento de las herramientas informáticas en el campo del análisis de los datos y modelización estadística, y capacidad para seleccionar las más adecuadas para la resolución de problemas. |
B2 |
CB2 - Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio |
B3 |
CB3 - Que los estudiantes tengan la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su área de estudio) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética |
B4 |
CB4 - Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado |
B6 |
CG1 - Ser capaz de buscar y seleccionar la información útil necesaria para resolver problemas complejos, manejando con soltura las fuentes bibliográficas del campo. |
B7 |
CG2 - Elaborar adecuadamente y con cierta originalidad composiciones escritas o argumentos motivados, redactar planes, proyectos de trabajo, artículos científicos y formular hipótesis razonables. |
B8 |
CG3 - Ser capaz de mantener y extender planteamientos teóricos fundados para permitir la introducción y explotación de tecnologías nuevas y avanzadas en el campo. |
B9 |
CG4 - Capacidad para abordar con éxito todas las etapas de un proyecto de análisis de datos: exploración previa de los datos, preprocesado, análisis, visualización y comunicación de resultados. |
B10 |
CG5 - Ser capaz de trabajar en equipo, especialmente de carácter multidisciplinar, y ser hábiles en la gestión del tiempo, personas y toma de decisiones. |
C1 |
CT1 - Utilizar las herramientas básicas de las tecnologías de la información y las comunicaciones (TIC) necesarias para el ejercicio de su profesión y para el aprendizaje a lo largo de su vida. |
C4 |
CT4 - Valorar la importancia que tiene la investigación, la innovación y el desarrollo tecnológico en el avance socioeconómico y cultural de la sociedad. |
Resultados de aprendizaje |
Resultados de aprendizaje |
Competencias / Resultados del título |
Conocer los principales mecanismos que provocan la falta de datos, la censura en los mismos o la existencia de sesgo en dichos datos |
A3 A20
|
B6
|
C1 C4
|
Conocer las principales técnicas estadísticas para analizar problemas con datos faltantes |
A3 A17 A20
|
B3 B4 B9
|
C1
|
Conocer las principales técnicas estadísticas para analizar datos funcionales |
A3 A17 A20
|
B3 B4 B9
|
C1
|
Conocer las principales técnicas estadísticas para analizar datos censurados |
A3 A17 A20
|
B3 B4 B9
|
C1
|
Conocer las principales técnicas estadísticas para analizar problemas con datos sesgados |
A3 A17 A20
|
B3 B4 B9
|
C1
|
Ser capaz de aplicar las principales técnicas para datos faltantes, funcionales, censurados y sesgados a conjuntos de datos reales o simulados |
A20
|
B2 B3 B4 B9
|
C1
|
Ser capaz de interpretar los resultados y conocer las limitaciones de los métodos |
A3
|
B6 B7 B8 B10
|
C1 C4
|
Contenidos |
Tema |
Subtema |
Datos censurados |
Información incompleta y censura
Consecuencias de ignorar la censura
Estimación paramétrica con datos censurados
Estimación no paramétrica: el estimador de Kaplan-Meier
El modelo de Cox para la supervivencia condicional |
Introducción al problema de datos faltantes |
Retos y problemas ante la falta de datos
Mecanismos de falta de datos: missing at random (MAR) y missing completely at random (MCAR)
Consecuencias del descarte de los datos faltantes |
Técnicas de imputación |
Imputación mediante la media
Métodos de imputación simple
Imputación basada en verosimilitud bajo MAR
Algoritmo de Esperanza-Maximización (EM)
Métodos de imputación múltiple bajo MAR |
Introducción a los datos funcionales |
Ejemplos y motivación
El registro y la suavización de datos funcionales
Métricas y semimétricas para datos funcionales
Expresión de los datos funcionales en términos de una base |
Análisis de datos funcionales |
Estimación de la función media y del operador de covarianzas
Concepto de profundidad: detección de datos funcionales atípicos
Componentes principales funcionales
Modelos lineales para datos funcionales |
Datos sesgados |
Sesgo en la selección de los datos: sesgo por longitud, por tiempo y por tamaño
Consecuencias de ignorar el sesgo
Estimación de la media y la varianza para datos sesgados
El principio de verosimilitud para datos sesgados
Situaciones con función de sesgo no especificada |
Planificación |
Metodologías / pruebas |
Competencias / Resultados |
Horas lectivas (presenciales y virtuales) |
Horas trabajo autónomo |
Horas totales |
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 |
Trabajos 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 |
Prueba mixta |
A20 A3 B2 B3 B4 B8 C1 |
1.5 |
3 |
4.5 |
Prueba mixta |
A20 A3 B2 B3 B4 B8 C1 |
1.5 |
3.75 |
5.25 |
|
Atención personalizada |
|
2 |
0 |
2 |
|
(*)Los datos que aparecen en la tabla de planificación són de carácter orientativo, considerando la heterogeneidad de los alumnos |
Metodologías |
Metodologías |
Descripción |
Presentación oral |
Presentación con ordenador |
Prácticas a través de TIC |
Análisis estadístico de conjuntos de datos usando R |
Trabajos tutelados |
Análisis estadísticos de bases de datos en los que se tengan que aplicar los conceptos estudiados |
Solución de problemas |
Elección de las herramientas estadísticas y estrategias para resolver problemas con datos faltantes, datos funcionales, datos censurados o datos sesgados |
Prueba mixta |
Prueba sobre conceptos teóricos y/o ejercicios prácticos con R (a realizar en la mitad del cuatrimestre) |
Prueba mixta |
Prueba sobre conceptos teóricos y/o ejercicios prácticos con R (a realizar el día del examen oficial) |
Atención personalizada |
Metodologías
|
Solución de problemas |
Prácticas a través de TIC |
Trabajos tutelados |
|
Descripción |
Asistencia y participación en las clases teóricas
Casos prácticos utilizando R
Trabajos de análisis de datos
Examen sobre conceptos teóricos y/o prácticos
|
|
Evaluación |
Metodologías
|
Competencias / Resultados |
Descripción
|
Calificación
|
Prueba mixta |
A20 A3 B2 B3 B4 B8 C1 |
Prueba de comprensión teórica y aplicacion práctica de los conceptos impartidos (a realizar el día del examen oficial) |
40 |
Trabajos tutelados |
A17 A20 A3 B2 B3 B4 B6 B7 B9 B10 C1 |
Contenido y presentación de los trabajos prácticos y trabajos de investigación |
40 |
Prueba mixta |
A20 A3 B2 B3 B4 B8 C1 |
Prueba de comprensión teórica y aplicacion práctica de los conceptos impartidos (a realizar en la mitad del cuatrimestre) |
20 |
|
Observaciones evaluación |
Las puntuaciones de cada parte de la evaluación quedarán de la siguiente forma: • Dos o tres trabajos prácticos o de investigación: 4 puntos. • Examen de conceptos teóricos/prácticos de los temas 1-3: 3.75 puntos. Tendrá lugar en la mitad del cuatrimestre. Se permite liberar materia, de forma que los estudiantes que obtengan, como mínimo, un 4 sobre 10 en este examen parcial, ya no tendrán que examinarse de esta prueba en el examen oficial, al menos que quieran subir nota. Sin embargo, los estudiantes que obtengan una calificación menor a 4 sobre 10 o no se presenten al parcial, irán al examen oficial también con esta parte. En el caso de presentarse a subir nota, la calificación que se consideraría relativa a esta prueba sería la obtenida en el examen oficial. • Examen de conceptos teóricos/prácticos de los temas 4-6: 2.25 puntos. Tendrá lugar en enero, el día de la convocatoria oficial. Para aprobar la materia, se pide obtener, como mínimo, un 4 sobre 10 en esta parte.
Para superar la materia será necesario obtener una calificación de, por lo menos, 5 sobre 10 en el conjunto de la materia. En la 2ª oportunidad (julio) los estudiantes deberán hacer las pruebas correspondientes en las que su calificación en la oportunidad de enero hubiera sido inferior a 4 sobre 10. En el caso de presentarse a subir nota, la calificación que se consideraría relativa a esta prueba sería la obtenida en el examen oficial de julio. En la primera oportunidad (enero), solo los estudiantes que no se hayan presentado a ninguna de las pruebas evaluables obtendrán la calificación de NO PRESENTADO. En julio obtendrán la calificación de NO PRESENTADO los estudiantes que no se hayan presentado al examen final en esa fecha. Si algún estudiante quiere hacer alguna de las pruebas en un idioma oficial específico (gallego o español), debe avisar al profesorado por lo menos 1 semana antes de la correspondiente prueba. Todos os aspectos relacionados con “dispensa académica”, “dedicación ao estudo”, “permanencia” e “fraude académica” rexeranse de acordo coa normativa académica vixente da UDC.
|
Fuentes de información |
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 |
|
Complementária
|
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 |
|
Recomendaciones |
Asignaturas que se recomienda haber cursado previamente |
Análisis Estadístico de Datos con Dependencia/614G02022 | Modelos de Regresión/614G02012 | Modelización Estadística de Datos de Alta Dimensión/614G02013 | Inferencia Estadística/614G02007 | Probabilidad y Estadística Básica/614G02003 |
|
Asignaturas que se recomienda cursar simultáneamente |
Representación y Gestión de Datos Espacio-Temporales/614G02035 | Técnicas de Simulación y Remuestreo/614G02036 |
|
Asignaturas que continúan el temario |
Gestión de Datos Ómicos y Modelización/614G02042 |
|
Otros comentarios |
- Según se recoge en las distintas normativas de aplicación para la docencia universitaria, se deberá incorporar la perspectiva de género en esta materia (se usará lenguaje no sexista, se utilizará bibliografía de autores/as de ambos sexos, se propiciará la intervención en clase de alumnos y alumnas, etc.)
- Se trabajará para identificar y modificar prejuicios y actitudes sexistas y se influirá en el entorno para modificarlos y fomentar valores de respeto e igualdad.
- Se deberán detectar situaciones de discriminación por razón de género y se propondrán acciones y medidas para corregirlas.
|
|