Cálculo I y II Probabilidad I y II Técnicas de Inferencia Estadística I y II Programación I y II Cálculo I y II Álgebra Lineal Métodos de Regresión Métodos Avanzados de Regresión Análisis Multivariante

* Competencias generales - Descripción y síntesis de datos: Descripción de un conjunto de datos a partir de medidas numéricas y de gráficos, tanto a nivel univariante como multivariante, poniendo de manifiesto las posibles relaciones entre las variables de interés. - Modelización: Ser capaz de identificar o crear el modelo adecuado al problema concreto que surja en cada actividad empresarial (finanzas, marketing, planificación y control de la producción, etc). - Análisis y validación de modelos: Capacidad para manipular computacionalmente los modelos establecidos, aprovechando la potencia de los métodos estadísticos, de optimización, etc., y realizar el análisis de los resultados obtenidos. - Extracción de conclusiones: Capacidad para percibir la naturaleza de los problemas e interpretar las soluciones proporcionadas por los modelos correspondientes, de forma útil, para la mejora del rendimiento de la empresa en sus distintos campos (finanzas, producción, calidad, mercado, etc.). - Presentación y comunicación de resultados: Capacidad de comunicar los resultados, las conclusiones de los modelos y las soluciones propuestas de una forma inteligible para el resto de la empresa, para conseguir que sean aceptadas e implantadas por los responsables de la toma de decisiones. * Competencias específicas - Descripción y síntesis de datos. - Modelización y análisis estadístico de datos tanto estáticos como dinámicos. - Utilización correcta y racional del software. - Capacidad de elaboración y construcción de modelos y su validación. - Representación gráfica de datos. - Interpretación de resultados a partir de modelos estadísticos.

ATENCIÓN: todos los materiales docentes de este curso se proporcionan en INGLÉS. Las clases son en español. Este curso está diseñado para dar una panorámica de las diferentes herramientas disponibles para la estimación no paramétrica, a un nivel intermedio. Esta perspectiva cubre en profundidad los principales conceptos en la estimación de las funciones de distribución, densidad y regresión. El objetivo se centra en proporcionar intuición y entendimiento de los fundamentos estadístico-matemáticos de la estimación no paramética y en mostrar su implementación efectiva por medio del software estadístico R. 1. Introducción y repaso 1.1. ¿Por qué la estimación no paramétrica? 1.2. Repaso de inferencia estadística 1.3. Repaso de probabilidad 1.4. Desigualdades útiles 1.5. Notación de Landau 2. Estimación no paramétrica de la función de distribución 2.1. La función de distribución empírica 2.2. Propiedades de la función de distribución empírica 2.3. Aplicaciones 3. Estimación no paramétrica de la función de densidad 3.1. El histograma 3.2. El estimador de Parzen-Rosenblatt 3.3. Propiedades del estimador 3.4. Selección del parámetro de suavizado 3.5. Modificaciones del estimador 3.6. Estimación de la densidad multivariante 4. Estimación no paramétrica de la función de regresión 4.1. El regresograma 4.2. El estimador de Nadaraya-Watson 4.3. El estimador polinómico local 4.4. Propiedades del estimador polinómico local 4.5. Selección del parámetro de suavizado El programa está sujeto a modificaciones debidas al desarrollo del curso y/o al calendario académico.

Las clases combinan sesiones de teoría (descripción de los métodos) y de práctica (ejercicions, implementación computacional y uso práctico de los métodos). El software utilizado para la implementación de los métodos es R, por lo que un buen conocimiento de R es fundamental.