L'objectiu de l'assignatura es introduir a l'alumne als processos estocàstics, explicant els conceptes bàsics de les cadenes de Markov i dels processos de Poisson, ensenyar quin és el procés de construcció d'un model estadístic per a resposta continua, discreta o categòrica fent servir models lineals i lineals generalitzats. Es posarà especial interès en que l'alumne es familiaritzi amb l'anàlisi de dades reals i pugui treure conclusions de les anàlisis realitzades.
Professorat
Responsable
Marta Pérez Casany (
)
Altres
Víctor Peña Pizarro (
)
Hores setmanals
Teoria
2
Problemes
0
Laboratori
2
Aprenentatge dirigit
0
Aprenentatge autònom
6
Competències
Competències Tècniques
Competències tècniques
CE3 - Analitzar fenòmens complexos mitjançant la probabilitat i l'estadística, i plantejar models d'aquests tipus en situacions concretes. Formular i resoldre problemes d'optimització matemàtica.
Competències Transversals
Transversals
CT5 - Ús solvent dels recursos d'informació. Gestionar l'adquisició, l'estructuració, l'anàlisi i la visualització de dades i informació en l'àmbit de l'especialitat i valorar de forma crítica els resultats d'aquesta gestió.
CT6 [Avaluable] - Aprenentatge autònom. Detectar deficiències en el propi coneixement i superar-les mitjançant la reflexió crítica i l'elecció de la millor actuació per ampliar aquest coneixement.
Bàsiques
CB1 - Que els estudiants hagin demostrat posseir i comprendre coneixements en una àrea d'estudi que parteix de la base de l'educació secundària general, i se sol trobar a un nivell que, si bé es recolza en llibres de text avançats, inclou també alguns aspectes que impliquen coneixements procedents de l'avantguarda del seu camp d'estudi.
CB3 - Que els estudiants tinguin la capacitat de reunir i interpretar dades rellevants (normalment dins la seva àrea d'estudi) per emetre judicis que incloguin una reflexió sobre temes rellevants d'índole social, científica o ètica.
CB5 - Que els estudiants hagin desenvolupat aquelles habilitats d'aprenentatge necessàries per emprendre estudis posteriors amb un alt grau d'autonomia
Competències Tècniques Generals
Genèriques
CG1 - Concebre sistemes computacionals que integren dades de procedències i formes molt diverses, construeixen amb ells models matemàtics, raonen sobre aquests models i actuen en conseqüència, aprenent de l'experiència.
CG2 - Elegir i aplicar els mètodes i tècniques més adequats a un problema definit per dades que representin un repte pel seu volum, velocitat, varietat o heterogeneïtat, inclosos mètodes informàtics, matemàtics, estadístics i de processament del senyal.
Objectius
Aprendre a construir models estadístics per sintetitzar informació, explicar una variable resposta i fer prediccions.
Competències relacionades:
CE3,
CT5,
CG2,
CB3,
CB5,
Entendre els conceptes bàsics de l'estadística Bayesiana
Competències relacionades:
CE3,
CT6,
CB1,
CB5,
Aprendre a utilitzar software estadístic per a la resolució de problemes d'anàlisi de dades
Competències relacionades:
CE3,
CT5,
CT6,
CG2,
CB5,
Aprendre a validar models estadístics, i a millorar els models quan aquests siguin inadequats per al problema
Competències relacionades:
CE3,
CT5,
CT6,
CG2,
CB3,
CB5,
Aprendre a redactar informes presentant els resultats d'una anàlisi de dades
Competències relacionades:
CT5,
CG2,
Entendre la diferència entre l'aproximació Bayesiana a l'estadística, i l'aproximació no Bayesiana
Competències relacionades:
CE3,
CT5,
CG2,
CB5,
Saber identificar el model estadístic més adequat per a cada problema
Competències relacionades:
CE3,
CG2,
CB1,
CB3,
CB5,
Aprendre a interpretar un model ajustat
Competències relacionades:
CE3,
CT6,
CG2,
CB1,
CB3,
Entendre el concepte de la validació creuada, i el problema del sobre-ajust i el sota-ajust
Competències relacionades:
CE3,
CG2,
CB1,
CB3,
CB5,
Aprendre a fer servir un model per a fer prediccions
Competències relacionades:
CE3,
CT5,
CG2,
CB1,
CB3,
CB5,
Entendre la diferència entre paràmetre i estimador, i a resoldre problemes d'inferència el el context dels models lineals i lineals generalitzats
Competències relacionades:
CE3,
CG2,
CB1,
CB3,
CB5,
Aprendre a incorporar variables explicatives categòriques als models lineals i models lineals generalitzats
Competències relacionades:
CE3,
CG2,
CB1,
CB3,
CB5,
Analitzar de forma autònoma i amb sentit crític dades de temes rellevants per la societat
Competències relacionades:
CT6,
CG1,
CB3,
CB5,
Saber estimar paràmetres per intervals de confiança i interpretar.los.
Competències relacionades:
CT5,
CB3,
CB5,
Entendre la importància dels test d'hipòtesis. Conèixer com fer les comparacions més habituals i tècniques per a fer-ne de noves que se'ls hi puguin presentar.
Competències relacionades:
CE3,
CT6,
CB3,
CB5,
Continguts
Distribucions relacionades amb la Normal. Estimació per Intervals de confiança.
Distribucions Chiquadrat, t-d'Student i F-Fisher-Snedecor. Definició d'intèrval de confiança. IC per un valor esperat, per una variància, per una probabilitat i per la diferència de dos valors esperats i dues probabilitats. Quantitats pivotals.
Tests d'hipòtesis
Conceptes generals en l'entorn dels test d'hipòtesis. Comparcions d'una esperança i una variància amb un valor concret. Comparació de dos valors esperats, comparació de dues variàncies. Comparació d'una probabilitat amb un valor concret. Comparació de dues probabilitats.
Model lineal
Definició de model lineal normal. Estimació dels paràmetres Taula ANOVA i mesures de bondat d'ajust. Inferència sobre els paràmetres. Predicció. Validació del model. Selecció del model. Interpretació del model; Biaix, colinealitat i causalitat. Us de variables explicatives categòriques.
Model lineal generalitzat
Definició de model lineal generalitzat. Models per a resposta binària. Estimació dels paràmetres. Inferència sobre els paràmetres. Validació del model. Selecció del model. Predicció. Interpretació del model.
Introducció a l'estadística Bayessiana
Teorema de Bayes. Model Bayessìà. Distribució predictiva a priori i a posteriori. Elecció de la distribució a priori.
Activitats
ActivitatActe avaluatiu
Models lineals
Definicio de model lineal normal. Estimacio. Inferència. Prediccio. Validació. Seleccio de model. Interpretació. Us de variables explicatives categòriques. Model no lineal normal. Objectius:13457810111213 Continguts:
Definicio del model. Model per resposta binària. Estimació. Inferència. Validació. Predicció. Seleccio del Model. Interpretació. Objectius:134578910111213 Continguts:
Model estadístic. Inferència basada en versemblança. Model Bayesia. Distribució a posteriori. Distribucio predictiva a priori i a posteriori. Elecció de priori. Inferència Bayesiana. Validació del model. Objectius:26
Teoria
2h
Problemes
0h
Laboratori
2h
Aprenentatge dirigit
0h
Aprenentatge autònom
10h
Distribucions relacionades amb la Normal. Estimació per Intervals de confiança.
Es presenten les distribucions chi-quadrat. T-d'student i F-Fisher-Snedecor. Es defineix interval de confiança i s'ensenya com calcular-los a partir de quantitats pivotals. Es calculen IC per un valor esperat, per una variància, per una probabilitat i per la diferència de dos valors esprats i dues probabilitats. Objectius:1314 Continguts:
Es presenten els conceptes bàsics a l'entorn del test d'hipòtesis. comparació d'una esperança i una variància amb un valor concret. Comparació d'un probabilitat amb un valor concret. Comparació de dos valors esperats. Comparació de dues variàncies. Comparació de dues probabilitats. Objectius:51315 Continguts:
La meitat de les classes seran de teoria, expositives i participatives, i l'altra meitat seran pràctiques i es faran a un aula informàtica o bien en una aula normal amb el propi portàtil de l'estudiant. A l'acabar les classes pràctiques, es proposaran exercicis d'anàlisi de dades que els estudiants haurà de treballar de forma autònoma i es discutiran a la sessió següent.
Mètode d'avaluació
Hi haurà un examen parcial i un examen final, a més a més d'exercicis d'anàlisi de dades que es realitzaran al llarg del curs
El parcial correspondrà als dos primers temes.
El Final correspondrà a la resta de continguts de l'assignatura
La nota de curs serà la mitjana aritmètica dels exercicis puntuables realitzats al llarg del curs.
La nota final de l'assignatura es calcularà de la forma següent:.
Nota Assignatura = 0,25*NCurs + 0,25*Parcial + 0,5* Final
En el cas dels estudiants que vagin a la reavaluació, la nota de l'assignatura es calcularà de la forma següent:
Nota Assignatura=max (NReavaluació, 0,25*NCurs+0,75*NReavaluació)