Matemáticas para Data Science Probabilidad Inferencia Estadística Programación en R Análisis Multivariante Modelos de Regresión Programación Avanzada

* Competencias básicas   - CB6: Poseer y comprender los conocimientos que proporcionan una base u oportunidad para ser original en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación.   - CB9: Comunicar conclusiones, así como el conocimiento y las razones últimas que las sustentan, a audiencias especializadas y no especializadas de una manera clara e inequívoca.   - CB10: Desarrollar las habilidades de aprendizaje que permitan continuar estudiando de manera que se sea en gran medida autodirigido o autónomo. * Competencias generales   - CG1: Aplicar las técnicas de análisis y representación de la información, para adaptarla a problemas reales.   - CG4: Sintetizar las conclusiones obtenidas del análisis de datos y presentarlas de forma clara y convincente en un entorno bilingüe (español e inglés), tanto escrito como oral.   - CG5: Generar nuevas ideas (creatividad) y anticiparse a nuevas situaciones, en los contextos de análisis de datos y de toma de decisiones.   - CG6: Aplicar habilidades sociales para el trabajo en equipo y para relacionarse con los demás de forma autónoma. * Competencias específicas   - CE1: Aplicar conocimientos avanzados de inferencia estadística en el desarrollo de métodos de análisis de problemas reales.   - CE2: Usar software libre como R y Python para la implementación de análisis estadísticos.   - CE5: Aplicar los fundamentos estadísticos avanzados para el desarrollo y análisis de problemas reales que implican la predicción de una respuesta variable.   - CE6: Aplicar modelos no paramétricos para la interpretación y predicción de fenómenos aleatorios.   - CE10: Aplicar la modelización estadística en el tratamiento de problemas relevantes en el campo científico. * Resultados del aprendizaje Adquisición de conocimientos sobre: 1) estimadores núcleo de la densidad y sus aplicaciones; 2) métodos de regresión no paramétricos basados en suavizado; 3) contrastes de hipótesis no paramétricos.

Este curso está diseñado para dar una visión panorámica de varias herramientas disponibles en la estadística no paramétrica, a un nivel intermedio-avanzado. Esta visión abarca en profundidad los principales conceptos en la estimación de las funciones de densidad y regresión mediante métodos núcleo (con sus correspondientes aplicaciones), y la descripción de varias pruebas no paramétricas comunes. Se hace hincapié en proporcionar las principales ideas sobre los fundamentos estadísticos/matemáticos de los métodos y en mostrar la aplicación efectiva de los métodos mediante el uso de software estadístico. Esto se logra mediante una mezcla de teoría y código reproducible. 1. Introducción   1.1. Repaso de probabilidad   1.2. Repaso de distribuciones   1.3. Repaso de la convergencia estocástica   1.4. Notación OP y oP   1.5. Repaso de herramientas analíticas básicas   1.6. ¿Por qué la estadística no paramétrica? 2. Estimación núcleo de la densidad I   2.1. Histogramas   2.2. Estimación núcleo de la densidad   2.3. Propiedades asintóticas   2.4. Selección del ancho de banda   2.5. Cuestiones prácticas   2.6. Estimación núcleo de la densidad con ks 3. Estimación núcleo de la densidad II   3.1. Estimación núcleo de la densidad multivariante   3.2. Propiedades asintóticas   3.3. Selección del ancho de banda   3.4. Aplicaciones de la estimación núcleo de la densidad 4. Estimación núcleo de la regresión I   4.1. Estimación núcleo de la regresión   4.2. Propiedades asintóticas   4.3. Selección del ancho de banda   4.4. Regresograma   4.5. Estimación núcleo de la regresión con np 5. Estimación núcleo de la regresión II   5.1. Regresión núcleo con datos multivariantes mixtos   5.2. Selección del ancho de banda   5.3. Predicción e intervalos de confianza   5.4. Verosimilitud local 6. Tests no paramétricos   6.1. Tests de bondad de ajuste para distribuciones   6.2. Comparación de distribuciones   6.3. Tests de independencia   6.4. Otros tests El programa está sujeto a modificaciones menores debido al desarrollo del curso y/o al calendario académico.

Las clases consisten en una mezcla de teoría (descripción de los métodos) y práctica (implementación y aplicación de los métodos). Se emplea el lenguaje estadístico R. Se espera que los estudiantes traigan sus propios portátiles para experimentar con el código durante algunas partes de las clases. * Actividades formativas   - AF1: Clase teórica.   - AF2: Clase práctica.   - AF5: Tutorías.   - AF6: Trabajo en grupo.   - AF7: Trabajo individual.   - AF8: Pruebas de evaluación presenciales. * Metodologías docentes   - 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.   - MD4: Exposición y discusión en clase, bajo la moderación del profesor de temas relacionados con el contenido de la materia, así como de casos prácticos.   - MD5: Elaboración de trabajos e informes de manera individual o en grupo.