Contenido de XSL
Métodos Estadísticos Avanzados
- Centro
- Facultad de Informática
- Titulación
- Grado en Inteligencia Artificial
- Curso académico
- 2022/23
- Curso
- 2
- Nº Créditos
- 6
- Idiomas
- Castellano
- Euskera
DocenciaAlternar navegación
Tipo de docencia | Horas de docencia presencial | Horas de actividad no presencial del alumno/a |
---|---|---|
Magistral | 40 | 60 |
P. Laboratorio | 20 | 30 |
Guía docenteAlternar navegación
ObjetivosAlternar navegación
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
TemarioAlternar navegación
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
MetodologíaAlternar navegación
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.
Sistemas de evaluaciónAlternar navegación
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.
Materiales de uso obligatorioAlternar navegación
No hay materiales de uso obligatorio. El/la estudiante irá elaborando su propio material a lo largo del curso.
BibliografíaAlternar navegación
Bibliografía básica
Leonard Held, Daniel Sabanés-Bové (2014) Applied Statistical Inference. Springer
Peter D. Hoff (2009) A First Course in Bayesian Statistical Methods. Springer
GruposAlternar navegación
16 Teórico (Castellano - Tarde)Mostrar/ocultar subpáginas
Semanas | Lunes | Martes | Miércoles | Jueves | Viernes |
---|---|---|---|---|---|
1-15 | 15:30-17:00 | 17:00-18:30 |
Profesorado
16 P. Laboratorio-1 (Castellano - Tarde)Mostrar/ocultar subpáginas
Semanas | Lunes | Martes | Miércoles | Jueves | Viernes |
---|---|---|---|---|---|
1-15 | 14:00-15:30 |
Profesorado
31 Teórico (Euskera - Mañana)Mostrar/ocultar subpáginas
Semanas | Lunes | Martes | Miércoles | Jueves | Viernes |
---|---|---|---|---|---|
1-15 | 10:30-12:00 | 12:00-13:30 |