Última actualización: 13/05/2025 12:02:14


Curso Académico: 2025/2026

Técnicas de Remuestreo
(13726)
Grado en Estadística y Empresa (Plan 2018) (Plan: 400 - Estudio: 203)


Coordinador/a: MARIN DIAZARAQUE, JUAN MIGUEL

Departamento asignado a la asignatura: Departamento de Estadística

Tipo: Optativa
Créditos: 6.0 ECTS

Curso:
Cuatrimestre:




Requisitos (Asignaturas o materias cuyo conocimiento se presupone)
Probabilidad I Probabilidad II Técnicas de Inferencia Estadística I Técnicas de Inferencia Estadística II Métodos de Regresión
Objetivos
Generales: 1. Capacidad de análisis y síntesis. 2. Modelización y resolución de problemas. 3. Comunicación oral y escrita. Específicos: 1. Conocer las técnicas básicas de remuestreo. 2. Conocer y manejar programas estadísticos para la implementación de las técnicas de remuestreo.
Descripción de contenidos: Programa
1. Introducción a los métodos de remuestreo con soporte computacional en R 1.1. Fundamentos del remuestreo: Historia y principios básicos 1.2. Herramientas computacionales en R: Introducción al entorno R y paquetes estadísticos relevantes 1.3. Tipos de remuestreo: Diferencias y aplicaciones de bootstrap paramétrico y no paramétrico 2. Introducción al Jackknife y a los tests de permutaciones 2.1. Teoría del Jackknife: Conceptos y aplicación 2.2. Tests de permutación: Fundamentos y cómo llevarlos a cabo en R 3. Conceptos relacionados con la Distribución Empírica 3.1. Definición y propiedades: Qué es y cómo se utiliza 3.2. Construcción de la distribución empírica en R: Métodos y funciones 3.3. Aplicaciones prácticas: Uso de la distribución empírica en análisis de datos 4. Estimación de errores estándar y de sesgos mediante remuestreo 4.1. Conceptos de error estándar y sesgo: Definiciones y relevancia 4.2. Métodos de remuestreo para estimación 4.3. Implementación en R: Ejemplos prácticos y casos de estudio 5. Remuestreos en Modelos Lineales y Series Temporales 5.1. Aplicación en modelos lineales: Técnicas y ejemplos en R 5.2. Remuestreo en series temporales: Desafíos y soluciones 6. Intervalos de confianza y contrastes de hipótesis basados en remuestreos 6.1. Construcción de intervalos de confianza: Métodos basados en remuestreo 6.2. Realización de contrastes de hipótesis: Enfoques no paramétricos 6.3. Ejemplos prácticos en R: Aplicación a conjuntos de datos reales 7. Aplicaciones en Machine Learning: Bagging y Boosting 7.1. Fundamentos de Bagging: Conceptos y cómo implementarlo en R 7.2. Introducción al Boosting: Teoría y aplicaciones prácticas 7.3. Ventajas de los métodos de ensamblaje: Mejora de la precisión y reducción del sobreajuste 7.4. Ejercicios prácticos: Aplicación de Bagging y Boosting en proyectos de machine learning
Actividades formativas, metodología a utilizar y régimen de tutorías
Teoría (4 ECTS). Clases teóricas con material de apoyo disponible en la Web. Prácticas (2 ECTS) Clases de resolución de problemas. Prácticas computacionales. Exposiciones orales y debates.
Sistema de evaluación
  • Peso porcentual del Examen/Prueba Final 30
  • Peso porcentual del resto de la evaluación 70

Calendario de Evaluación Continua


Convocatoria extraordinaria: normativa
Bibliografía básica
  • A.C. Davison, D.V. Hinkley. Bootstrap Methods and their Applications. Cambridge University Press.. (1997)
  • B. Efron, R. Tibshirani . An Introduction to the bootstrap. Chapman and Hall.. (1993)
  • Phillip I. Good. Introduction to Statistics Through Resampling Methods and R. Wiley. (2013)
Bibliografía complementaria
  • Michael R. Chernick. Bootstrap Methods: A Guide for Practitioners and Researchers. Wiley. (2007)
  • Phillip I. Good. Resampling Methods A Practical Guide to Data Analysis. Birkhauser. (2006)

El programa de la asignatura podría sufrir alguna variación por causa de fuerza mayor debidamente justificada o por eventos académicos comunicados con antelación.


Dirección web para más información: http://halweb.uc3m.es/esp/Personal/personas/jmmarin/esp/docencia.html