Descripción y contextualización de la asignatura

La incertidumbre está presente en todos los aspectos de nuestra vida y, a pesar de ello, nos encontramos con la necesidad de tomar decisiones sin tener certeza de las consecuencias que tendrán. Por ello, es necesario contar con herramientas que nos permitan tomar decisiones informadas en presencia de incertidumbre. Para ello es necesario modelar la incertidumbre y, en ese sentido, las herramientas básicas son los modelos probabilísticos.



En esta asignatura se partirá de un repaso general de conceptos básicos de estadística y probabilidad para avanzar hacia formas más complejas de modelar escenarios reales.

Resultados del aprendizaje de la asignatura

.- Comprender las bases matemáticas de los métodos de Data Science.

.- Establecer el puente entre los modelos y la realidad, permitiendo así interpretar los resultado en términos reales.

.- Modelar la incertidumbre en situaciones complejas.

.- Hacer inferencia y obtener conclusiones en presencia de incertidumbre.

.- Usar herramientas software y lenguajes de programación para resolver problemas prácticos.

Convocatoria ordinaria: orientaciones y renuncia

Las pruebas de evaluación de la convocatoria ordinaria (exámenes, entregas de trabajo, etc) se realizarán en un plazo de no más de dos meses después de la finalización de las clases. La renuncia a la convocatoria se realizará notificándoselo al profesorado antes de la finalización de las clases.

Convocatoria extraordinaria: orientaciones y renuncia

Las pruebas de evaluación de la convocatoria extraordinaria serán similares a las de la convocatoria ordinaria, a excepción del plazo de entrega que será al final del segundo cuatrimestre.

Temario

T1 - Interpretaciones frecuentista y Bayesiana de la probabilidad

T2 - Modelado de datos unidimensionales

T3 - Modelos paramétricos y estimación (frecuentista y Bayesiana)

T4 - Modelos Bayesianos para regresión (Modelo lineal, Modelo GLM, Modelo jerárquico)

T5 - Modelos gráficos probabilísticos

T6 - Modelado de permutaciones

Bibliografía

Materiales de uso obligatorio

El material de uso obligatorio estará disponible en la plataforma eGela

Bibliografía básica

.- Jean-Michel Marin, Christian Robert (2014) Bayesian Essentials with R. Springer

.- Mario Lefebvre (2007) Applied Stochastic Processes. Springer

.- Mikhail Lifshits (2012) Lectures on Gaussian Processes. Springer

.- Eswar G. Phadia (2013) Prior Processes and Their Applications. Springer

.- Søren Højsgaard, David Edwards, Steffen Lauritzen (2012) Graphical Models with R. Springer

.- Enrique Castillo, Jose M. Gutierrez, Ali S. Hadi (1997) Expert Systems and Probabilistic Network Models. Springer

.- Roger B. Nelsen (2006) An Introduction to Copulas. Springer

.- Michael A. Fligner, Joseph S. Verducci (1993) Probability Models and Statistical Analysis for Ranking Data. Springer