Créditos ECTS Créditos ECTS: 5
Horas ECTS Criterios/Memorias Traballo do Alumno/a ECTS: 85 Horas de Titorías: 5 Clase Expositiva: 20 Clase Interactiva: 15 Total: 125
Linguas de uso Castelán, Galego
Tipo: Materia Ordinaria Máster RD 1393/2007 - 822/2021
Departamentos: Estatística, Análise Matemática e Optimización
Áreas: Estatística e Investigación Operativa
Centro Facultade de Matemáticas
Convocatoria: Primeiro semestre
Docencia: Con docencia
Matrícula: Matriculable
Preténdese que o alumno familiaricese cos problemas estatísticos onde poden aparecer datos funcionais e adquira as habilidades necesarias para tratar con eles. Para isto, cubriranse as principais técnicas estatísticas, relacionando as técnicas coñecidas no contorno multivariante ou serie de tempo coas especificidades da aplicación a datos funcionais.
Os obxectivos a alcanzar como resultado da aprendizaxe son:
• Ser capaz de identificar e modelar problemas con datos funcionais en aplicacións reais.
• Coñecer o software adecuado para resolver este tipo de problemas.
• Comprender as implicacións das hipóteses nos resultados dos modelos e as súas posibles reformulacións.
• Saber interpretar os resultados para a súa presentación en contornas altamente multidisciplinarias, tanto ante audiencias especializadas como non especializadas.
Tema 1. Conceptos de análise funcional necesarios para datos funcionais.
Unidade 2. Introdución. Primeiros pasos. Representación e transformacións de datos funcionais.
Tema 3. Análise exploratoria de datos funcionais. Estatísticos de resumo. Medidas de profundidade
Tema 4. Regresión con datos funcionais: resposta escalar, resposta funcional, estimación mediana e cuantil condicional, ANOVA.
Tema 4. Técnicas de clasificación supervisadas e non supervisadas.
Tema 5. Probas de hipótese con datos funcionais.
Básica
• Ferraty, F. And Vieu, Ph. (2006). Nonparametric Modelling for Functional Data. Springer.
• Ramsay, J.O. and Silverman, B.W. (2005) Functional Data Analysis. 2nd Edition. Springer
• Ramsay, J.O. and Silverman, B.W. (2002) Applied Functional Data Analysis. Springer
Complementaria
• Bosq, D. (2000). Linear processes in function spaces. Springer
• Cardot, H. (2000). Nonparametric estimation of smoothed principal component analysis of sampled noisy functions. Journal of Nonparametric Statistics, Vol.12, 503-538.
• Cardot, H., Ferraty, F. and Sarda, P. (2003). Spline estimators for the functional linear model. Statistica Sinica, 13, 571-591.
• Cuevas, A., Febrero, M. and Fraiman, R. (2002). Linear functional regression: The case of fixed design and functional response. The Canadian Journal of Statistics, 30, 285-300.
• 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. http://www.jstatsoft.org/v51/i04/.
• Ferraty, F. and Vieu, Ph.(2001) The functional nonparametric model and its applications to spectrometric data. Computational Statistics, 17, 545-564.
• James, G.M. and Hastie, T.J. (2001) Functional linear discriminant analysis for irregularly sampled curves. Journal of the Royal Statistical Society, Series B, 63, 533-550.
Nesta materia traballaranse as competencias básicas, xerais e transversais recollidas na memoria do título. A continuación indícanse as competencias específicas que se promoverán:
E1 - Coñecer, identificar, modelar, estudar e resolver problemas complexos de Estatística e da Investigación de Operacións nun contexto científico, tecnolóxico ou profesional, derivado de aplicacións reais.
E2 - Desenvolver a autonomía para a resolución práctica de problemas complexos derivados de aplicacións reais e para a interpretación de resultados co fin de axudar á toma de decisións.
E3 - Adquirir coñecementos avanzados dos fundamentos teóricos que subxacen ás diferentes metodoloxías da Estatística e da Investigación de Operacións, que permitan o seu desenvolvemento profesional especializado.
E4 - Adquirir as habilidades necesarias na xestión teórico-práctica da teoría de probabilidades e variables aleatorias que permitan o seu desenvolvemento profesional no campo científico / académico, tecnolóxico ou especializado e multidisciplinar.
E5 - Afondar no coñecemento nos fundamentos teórico-prácticos especializados na modelización e estudo de diferentes tipos de relacións de dependencia entre variables estatísticas.
E6 - Adquirir coñecementos teórico-prácticos avanzados de diferentes técnicas matemáticas, específicamente orientadas á axuda na toma de decisións, e desenvolver a capacidade de reflexión para avaliar e decidir entre diferentes perspectivas en contextos complexos.
E8 - Adquirir coñecementos teórico-prácticos avanzados de técnicas para facer inferencias e contrastes relacionados con variables e parámetros dun modelo estatístico, e saber aplicalos con suficiente autonomía nun contexto científico, tecnolóxico ou profesional.
E10 - Adquirir coñecementos avanzados sobre metodoloxías para a obtención e procesamento de datos de diferentes fontes, como enquisas, internet ou contornos na nube.
O ensinanza consistirá en clases expositivas e interactivas, así como a titoría da aprendizaxe e as tarefas encomendadas aos estudantes. Nas clases expositivas e interactivas resolveranse exemplos empregando software especializado, polo que é conveniente que os alumnos dispoñan dun ordenador.
Proporanse actividades para os estudantes, que consistirán na resolución de preguntas, exercicios e exemplos relacionados co modelado e resolución de problemas de datos funcionais.
A través do servidor web do Máster proporcionarase ao estudante o material de apoio adecuado.
A nota final será o máximo de dúas cantidades: a nota de avaliación continua combinada coa nota final da proba nunha proporción do 50% -50% ou a nota final. A avaliación continua consistirá na entrega dun ou varios traballos propostos ao longo do curso e entregados antes da data da proba final. A proba final consistirá en resolver por ordenador un ou varios problemas de datos funcionais con datos facilitados polo profesor que deben ser resoltos empregando o software empregado durante as clases prácticas.
Tanto a avaliación continua como a proba final están deseñadas para cubrir todas as habilidades a desenvolver na materia.
En caso de realización fraudulenta de exercicios ou probas, aplicarase o establecido na normativa respectiva das universidades participantes no Máster en Técnicas Estatísticas.
Cada crédito ECTS tradúcese en 7 horas de aula. Calcúlase que o alumno necesitará, por cada hora presencial, unha hora adicional para a comprensión global dos contidos. Ademais, o traballo de avaliación continua ascenderá a 10 horas por crédito ECTS. En total serán 25 horas por crédito ECTS.
Os estudantes deberían ter un coñecemento básico dos métodos estatísticos exploratorios e de regresión, tanto lineais como non paramétricos. Tamén se recomenda ter algunhas habilidades informáticas básicas, e en concreto o software R que se empregará xunto coa biblioteca fda.usc nas clases prácticas.
É recomendable participar activamente no proceso de aprendizaxe da materia: asistencia e participación nas clases teóricas, prácticas e informáticas, uso de horas de titoría e realización dun esforzo responsable do traballo e asimilación persoal dos métodos estudados.
RECURSOS PARA A APRENDIZAXE
Bibliografía, software libre (R-project.org) e material de soporte facilitado a través do sitio web do Máster en Técnicas Estatísticas.
A metodoloxía docente que se recolle nesta guía empregarase independentemente do grao de asistencia en que se imparta a materia. Así mesmo, o método de avaliación non necesitará ningún tipo de modificación, xa que as entregas da avaliación continua e da proba final pódense realizar tanto de xeito persoal como de forma remota.
Esta guía e os criterios e metodoloxías descritos nela están suxeitos a modificacións derivadas da normativa e directivas das universidades participantes no Máster en Técnicas Estatísticas.
COVID19. La metodología docente expuesta en esta guía docente se utilizará independientemente del grado de presencialidad bajo el que se imparta la asignatura. Asimismo, tampoco necesitará ningún tipo de modificación el método de evaluación, dado que las entregas de la evaluación continua como la prueba final pueden realizarse tanto de forma presencial como a distancia.
Esta guía y los criterios y metodologías en ella descritos están sujetos a las modificaciones que se deriven de normativas y directrices de las universidades participantes en el Máster en Técnicas Estadísticas.
Manuel Febrero Bande
Coordinador/a- Departamento
- Estatística, Análise Matemática e Optimización
- Área
- Estatística e Investigación Operativa
- Teléfono
- 881813187
- Correo electrónico
- manuel.febrero [at] usc.es
- Categoría
- Profesor/a: Catedrático/a de Universidade