| Competencias do título |
|
Código
|
Competencias do título
|
| A16 |
CE1 - Coñecer, identificar, modelar, estudar e resolver problemas complexos de estatística e investigación operativa, nun contexto científico, tecnolóxico ou profesional, xurdidos en aplicacións reais. |
| A17 |
CE2 – Desenvolver autonomía para a resolución práctica de problemas complexos surdidos en aplicación reais e para a interpretación dos resultados cara á axuda na toma de decisións. |
| A18 |
CE3 - Adquirir coñecementos avanzados dos fundamentos teóricos subxacentes ás distintas metodoloxías da estatística e a investigación operativa, que permitan o seu desenvolvemento profesional especializado. |
| A19 |
CE4 - Adquirir as destrezas necesarias no manexo teórico-práctico da teoría de probabilidade e as variables aleatorias que permitan o seu desenvolvemento profesional no eido científico/académico, tecnolóxico ou profesional especializado e multidisciplinar. |
| A20 |
CE5 - Profundizar no coñecemento dos fundamentos teórico-prácticos especializados de modelado e estudo de distintos tipos de relacións de dependencia entre variables estatísticas. |
| A21 |
CE6 - Adquirir coñecementos teórico-prácticos avanzados de distintas técnicas matemáticas, orientadas específicamente á axuda na toma de decisións, e desenvolver a capacidade de reflexión para avaliar e decidir entre distintas perspectivas en contextos complexos. |
| A23 |
CE8 - Adquirir coñecementos teórico-prácticos avanzados das técnicas destinadas á realización de inferencias e contrastes relativos a variables e parámetros dun modelo estatístico, e saber aplicalos con autonomía suficiente nun contexto científico, tecnolóxico ou profesional. |
| B1 |
CB6 - Posuír e comprender coñecementos que acheguen unha base ou oportunidade de ser orixinais no desenvolvemento e/ou aplicación de ideas, a miúdo nun contexto de investigación |
| B2 |
CB7 - Que os estudantes saiban aplicar os coñecementos adquiridos e a súa capacidade de resolución de problemas en ámbitos novos ou pouco coñecidos dentro de contextos máis amplos (ou multidisciplinares) relacionados coa súa área de estudo |
| B3 |
CB8 - Que os estudantes sexan capaces de integrar coñecementos e enfrontarse á complexidade de formular xuízos a partir dunha información que, sendo incompleta ou limitada, inclúa reflexións sobre as responsabilidades sociais e éticas vinculadas á aplicación dos seus coñecementos e xuízos |
| B4 |
CB9 - Que os estudantes saiban comunicar as súas conclusións e os coñecementos e razóns últimas que as sustentan a públicos especializados e non especializados dun modo claro e sen ambigüidades |
| B5 |
CB10 - Que os estudantes posúan as habilidades de aprendizaxe que lles permitan continuar estudando dun modo que haberá de ser en gran medida autodirixido ou autónomo. |
| B17 |
CG1 - Coñecer, comprender e saber aplicar os principios, metodoloxías e novas tecnoloxías na estatística e a investigación operativa en contextos científico/académicos, tecnolóxicos ou profesionais especializados e multidisciplinares, así como adquirir as destrezas e competencias descritas nos objectivos generales do título. |
| B18 |
CG2 - Desenvolver autonomía para identificar, modelar e resolver problemas complexos da estatística e da investigación operativa en contextos científico/académicos, tecnolóxicos ou profesionais especializados e multidisciplinares. |
| B19 |
CG3 - Desenvolver a capacidade para realizar estudos e tarefas de investigación e transmitir os resultados a públicos especializados, académicos e xeneralistas. |
| B20 |
CG4 - Integrar coñecementos avanzados e enfrontarse á toma de decisións a partir de información científica e técnica. |
| B21 |
CG5 - Desenvolver a capacidade de aplicación de algoritmos e técnicas de resolución de problemas complexos no eido da estatística e a investigación operativa, manexando o software especializado axeitado. |
| C11 |
CT1 - Desenvolver firmes capacidades de razoamento, análise crítica e autocrítica, así como de argumentación e de síntese, contextos especializados e multidisciplinais. |
| C13 |
CT3 - Ser capaz de resolver problemas complexos en novos escenarios mediante a aplicación integrada dos coñecementos. |
| C14 |
CT4 - Desenvolver unha sólida capacidade de organización e planificación do estudo, asumindo a responsabilidade do seu propio desenvovemento profesional, para a realización de traballos en equipo e de xeito autónomo. |
| C15 |
CT5 - Desenvolver capacidades para o aprendizaxe e a integración no traballo en equipos multidisciplinais, nos ámbitos científico/académico, tecnolóxico e profesional. |
| Resultados de aprendizaxe |
| Resultados de aprendizaxe |
Competencias 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 |
Horas presenciais |
Horas non presenciais / traballo autónomo |
Horas totais |
| Sesión maxistral |
A16 A18 A21 A23 B1 B3 B17 B20 C13 C11 |
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 |
A17 A16 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 |
| |
| *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
|
| Prácticas a través de TIC |
| Traballos tutelados |
|
| Descrición |
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.
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 |
Descrición
|
Cualificación
|
| Obradoiro |
A17 A16 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| |
|
Observacións avaliación |
Presentación á avaliación: 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. Oportunidade extraordinaria de recuperación (proba de xullo): 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. |
| 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 |
|
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. |
|