Competencias que el estudiante adquiere:
Competencias Básicas:
1. Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación
2. 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
3. Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios
4. 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
5. Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.
Competencias Específicas:
1. Aplicar en el desarrollo de métodos de análisis de problemas reales, conocimientos avanzados de inferencia estadística.
2. Utilizar software libre como R y Python para la implementación del análisis estadístico.
3. Predecir y representar eventuales asociaciones entre fenómenos aleatorios, relacionados con problemas reales y reflejados en los datos recogidos, aplicando conceptos de análisis multivariante
4. Desarrollar y aplicar modelos estadísticos complejos para muestras de variables aleatorias no necesariamente independientes, empleando conocimientos de análisis Bayesiano
5. Aplicar los fundamentos estadísticos avanzados para el desarrollo y el análisis de problemas reales, que involucren la predicción de una variable respuesta.
6. Aplicar modelos no-paramétricos para en la interpretación y predicción de fenómenos aleatorios.
7. Aplicar técnicas de optimización en la estimación de los paramentos en modelos muestrales complejos.
8. Identificar correctamente el tipo de análisis estadístico correspondiente a unos objetivos y datos determinados.
9. Aplicar la modelización estadística en el tratamiento de problemas relevantes en el ámbito científico.
10. Aplicar modelos para el aprendizaje supervisado y no supervisado.
11. Modelizar datos complejos con dependencia estocástica.