Probabilidad I Probabilidad II Técnicas de Inferencia Estadística I Técnicas de Inferencia Estadística II Métodos de Regresión

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.

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

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.