Programación en R, Procesos Estocásticos y Análisis Multivariante.

COMPETENCIAS QUE EL ESTUDIANTE ADQUIERE CON ESTA MATERIA - Competencias básicas: CB7: Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio. CB9: Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades. - Competencias generales: CG1: Conocer y aplicar los fundamentos teóricos de las técnicas de análisis y representación de la información, con el fin de poderla adaptar a problemas reales. CG2: Identificar el modelo estadístico más adecuado para cada problema real y saberlo aplicar para el análisis, diseño y solución del mismo. CG3: Obtener soluciones científicamente viables para problemas estadísticos reales, tanto de manera individual como en equipo. CG4: Sintetizar las conclusiones obtenidas de estos análisis y presentarlas de manera clara y convincente en un entorno bilingüe (español e inglés) tanto por escrito como oralmente. CG7: Conocer y aplicar los fundamentos teóricos de las técnicas de análisis y representación de la información, con el fin de poderla adaptar a problemas reales. -Competencias específicas: CE2: Utilizar software libre como R y Python para la implementación del análisis estadístico. CE9: Identificar correctamente el tipo de análisis estadístico correspondiente a unos objetivos y datos determinados. CE10: Aplicar la modelización estadística en el tratamiento de problemas relevantes en el ámbito científico. CE13: Aplicar modelos para el aprendizaje supervisado y no supervisado. CE14: Modelizar datos complejos con dependencia estocástica. RESULTADOS DE APRENDIZAJE QUE ADQUIERE EL ESTUDIANTE Adquisición de conocimientos sobre: 1) representación de datos funcionales mediante bases de funciones; 2) técnicas de reducción de la dimensión para datos funcionales; 3) modelos de regresión lineal con predictor funcional; 4) clasificación con datos funcionales.

1. Introducción al análisis de datos funcionales 2. Análisis en componentes principales funcional 3. Regresión lineal funcional 4. Clasificación con datos funcionales

ACTIVIDADES FORMATIVAS DEL PLAN DE ESTUDIOS REFERIDAS A MATERIAS AF1 Clase teórica AF2 Clases prácticas AF4 Prácticas de laboratorio AF5 Tutorías AF6 Trabajo en grupo AF7 Trabajo individual del estudiante AF8 Pruebas de evaluación presencial Código actividad Nº Horas totales Nº Horas Presenciales % Presencialidad Estudiante AF1 44 44 100 AF2 20 20 100 AF4 20 20 100 AF5 16 16 100 AF6 40 0 0 AF7 154 0 0 AF8 6 6 100 TOTAL MATERIA 300 100 33 METODOLOGÍAS DOCENTES FORMATIVAS DEL PLAN REFERIDAS A MATERIAS MD1 Exposiciones en clase del profesor con soporte de medios informáticos y audiovisuales, en las que se desarrollan los conceptos principales de la materia y se proporciona la bibliografía para complementar el aprendizaje de los alumnos. MD3 Resolución de casos prácticos, problemas, etc. planteados por el profesor de manera individual o en grupo MD5 Elaboración de trabajos e informes de manera individual o en grupo