La asignatura Métodos Estadísticos Avanzados es una materia básica de 2º curso del Grado en Inteligencia Artificial. Es una extensión de los métodos estadísticos que se han trabajado en primer curso del citado grado. Se profundizan conceptos ya introducidos en el primer curso y se introduce el paradigma Bayesiano. Además, los conocimientos y las destrezas adquiridas, en esta asignatura asentarán las bases para comprender mejor los paradigmas que se introducirán en cursos superiores, en particular en los relacionados con el análisis de datos.



Una persona experta en Inteligencia Artificial debe ser capaz de realizar un análisis estadístico y comprender los modelos subyacentes para proponer soluciones en el ámbito de la Inteligencia Artificial.

Comprender el paradigma Bayesiano en la inferencia estadística.



Construir modelos estadísticos que den respuesta a problemas reales.



Formular conclusiones argumentando los juicios emitidos a partir de la interpretación de datos y evidencias.



Aprender a desarrollar programas sencillos para la visualización y análisis de datos en R

1. Revisión de algunos conceptos de probabilidad

1.1 Variables aleatorias.

1.2 Distribuciones conjuntas, marginales y condicionales

2. Estimación

2.1 Propiedades de los estimadores

2.2 Método de los momentos

2.3 Máxima verosimilitud

2.4 Bootstrap no paramétrico

3. Introducción a la estimación Bayesiana

3.1 Distribuciones conjugadas

3.2 Aproximación de Monte Carlo

3.3 Modelo normal

3.4 Muestreo de Gibbs

3.5 Comparación de grupos y regresión lineal

4. Test estadísticos

4.1 Paramétricos, no paramétricos y de permutaciones

4.2 Corrección por múltiples test

En esta asignatura se potenciará el trabajo autónomo, mediante el uso de recursos informáticos y bibliográficos que ayuden al alumnado a comprender los distintos aspectos de la materia. Se impartirán clases de exposición de los contenidos conceptuales de la materia y se complementará con la realización de ejercicios. Se trabajará el aspecto computacional de la estadística con prácticas semanales en el laboratorio.

• Sistema de Evaluación Continua
• Sistema de Evaluación Final
• Herramientas y porcentajes de calificación:
  • Los porcentajes y tipos de evaluación se especifican en los apartados posteriores. (%): 100

La asignatura se podrá aprobar de dos maneras, mediante evaluación continua o mediante evaluación final. La evaluación continua se podrá elegir al principio de la asignatura, y se ratificará definitivamente en los plazos que se indiquen (transcurrido el 60-80% de la asignatura), a petición del alumno o alumna y habiendo comprobado el profesorado de la asignatura su rendimiento.



EVALUACIÓN CONTINUA:

La evaluación continua engloba una parte de trabajos realizados a lo largo de la asignatura, individuales y en grupo (15%), exámenes parciales de conceptos teóricos-prácticos a realizar en el laboratorio (85%).

La calificación final se obtendrá de la media de las calificaciones de las diferentes pruebas evaluables realizadas, pero es necesario sacar una nota mínima de 4 en las pruebas escritas a realizar individualmente. Para aprobar la asignatura habrá que obtener una nota final mínima de 5.



EVALUACIÓN FINAL:

Para la evaluación final el alumnado deberá realizar un examen de conceptos teóricos-prácticos en el laboratorio (100%). La no presentación a la prueba escrita o de laboratorio de la evaluación final se considerará como renuncia a la evaluación. Para aprobar la asignatura habrá que obtener una nota final mínima de 5.

La evaluación en la convocatoria extraordinaria será la misma que la evaluación final en convocatoria ordinaria:

Para la evaluación final el alumnado deberá realizar un examen de conceptos teóricos-prácticos en el laboratorio (100%). La no presentación a la prueba escrita o de laboratorio de la evaluación final se considerará como renuncia a la evaluación. Para aprobar la asignatura habrá que obtener una nota final mínima de 5.

No hay materiales de uso obligatorio. El/la estudiante irá elaborando su propio material a lo largo del curso.

Bibliografía básica

Leonard Held, Daniel Sabanés-Bové (2014) Applied Statistical Inference. Springer

Peter D. Hoff (2009) A First Course in Bayesian Statistical Methods. Springer