Modelización Estadística Avanzada

Usted está aquí

Inicio » Estudios » Másteres » Máster en Ciencia de Datos » Plan de estudios » Asignaturas » Modelización Estadística Avanzada
Créditos
6
Tipos
  • MIRI: Complementaria de especialidad (Ciencia de los Datos)
  • MDS: Optativa
Requisitos
Esta asignatura no tiene requisitos, pero tiene capacidades previas
Departamento
EIO
La asignatura se centra en dos situaciones de modelización estadística avanzada: Estadística Bayesiana y Series Temporales. Se pone énfasis en la selección y validación de los modelos. Una parte fundamental del curso es el estudio de casos reales, tanto por parte de los profesores como por parte de los estudiantes en las tareas programadas

Profesorado

Responsable

  • Jose Antonio Sánchez Espigares ( )
  • Xavier Puig Oriol ( )

Horas semanales

Teoría
3
Problemas
0
Laboratorio
0
Aprendizaje dirigido
0
Aprendizaje autónomo
7

Competencias

Competencias Transversales

Uso solvente de los recursos de información

  • CT4 - Gestionar la adquisicion, la estructuracion, el analisis y la visualizacion de datos e informacion en el ambito de la especialidad y valorar de forma critica los resultados de esta gestion.

Lengua extranjera

  • CT5 - Conocer una tercera lengua, preferentemente el inglés, con un nivel adecuado oral y escrito y en consonancia con las necesidades que tendrán los titulados y tituladas.

Básicas

  • CB6 - 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.
  • CB7 - 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.
  • CB8 - 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.
  • CB9 - 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.
  • CB10 - 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.

Competencias Técnicas Genéricas

Genéricas

  • CG2 - Identificar y aplicar métodos de análisis, extracción de conocimiento y visualización de datos recogidos en formatos muy diversos.

Competencias Técnicas

Específicas

  • CE5 - Modelar, diseñar e implementar sistemas complejos de datos, incluyendo la visualización de datos
  • CE6 - Diseñar el proceso de Ciencia de Datos y aplicar metodologías científicas para obtener conclusiones sobre poblaciones y tomar decisiones en consecuencia, a partir de datos estructurados o no estructurados y potencialmente almacenados en formatos heterogéneos.
  • CE9 - Aplicar métodos adecuados para el análisis de otro tipo de formatos, tales como procesos y grafos, dentro del ámbito de ciencia de datos
  • CE10 - Identificar los métodos de aprendizaje automático y modelización estadística a utilizar para resolver un problema específico de ciencia de datos y aplicarlos de forma rigurosa
  • CE12 - Aplicar la ciencia de datos en proyectos multidisciplinares para resolver problemas en dominios nuevos o poco conocidos y que sean económicamente viables, socialmente aceptables, y de acuerdo con la legalidad vigente

Objetivos

  1. Estadística Bayesiana
    Competencias relacionadas: CT4, CT5, CG2, CE5, CE6, CE9, CE10, CE12, CB6, CB7, CB8, CB9, CB10,
    Subcompetences:
    • Al final del curso el estudiante será capaz de definir una distribución a priori y de ir de la distribución a priori a la posteriori
    • Al final del curso el estudiante será capaz de validar un modelo Bayesiano, comparar modelos Bayesianos y usarlos para predicción
    • Al final del curso el estudiante será capaz de simular de la distribución a posteriori mediante el software adecuado
    • Al final del curso el estudiante será capaz de compender la diferencia entre modelos Bayesianos jerárquicos y no jerárquicos
  2. Series Temporales
    Competencias relacionadas: CT4, CT5, CG2, CE5, CE6, CE9, CE10, CE12, CB6, CB7, CB8, CB9, CB10,
    Subcompetences:
    • Al final del curso, el estudiante será capaz de proponer, estimar y validar modelos ARIMA para la predicción de series temporales
    • Al final del curso el estudiante será capaz de mejorar los modelos ARIMA con tratamiento de atípicos, efectos de calendario y análisis de intervención
    • Al final del curso el estudiante será capaz de aplicar métodos de aprendizaje automático para la predicción de series temporales (redes neuronales recurrentes y LSTM)
    • Al final del curso el estudiante será capaz de definir modelos de espacio de estado para series temporales y aplicar el filtro de Kalman para resolver distintos tipos de problemas (limpieza de ruido, imputación de datos faltantes, separación de componentes en series temporales estructurales)

Contenidos

  1. Análisis de Datos Bayesianos
    1. Modelo Bayesiano. El modelo estadístico. La función de verosimilitud. El modelo Bayesiano

    2. Inferencia Bayesiana. Estimación puntual y por intervalo. Test de hipótesis

    3. Computación Bayesiana. Simulación de Markov Chain Montecarlo. Monitorizar la convergencia

    4. Modelos jerárquicos

    5. Validando y denfiniendo el modelo
  2. Series Temporales
    1. Metodología Box-Jenkins (modelos ARIMA) para la predicción

    2. Extensiones: tratamiento de atípicos, efectos de calendario y análisis de intervención

    3. Modelos de Espacio de Estado y Filtro de Kalman. Aplicaciones

Actividades

Actividad Acto evaluativo


Presentación del Tema 1 (Modelos Bayesianos) en clase

Presentación del Tema 1 (Modelos Bayesianos) en clase
Objetivos: 1
Contenidos:
Teoría
22.5h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
52.5h

Presentación del tema 2 (Series Temporales) en clase

Presentación del tema 2 (Series Temporales) en clase
Objetivos: 2
Contenidos:
Teoría
22.5h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
52.5h

Examen Parcial


Objetivos: 1
Semana: 8 (Fuera de horario lectivo)
Teoría
2h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

Examen Final


Objetivos: 2
Semana: 1 (Fuera de horario lectivo)
Teoría
3h
Problemas
0h
Laboratorio
0h
Aprendizaje dirigido
0h
Aprendizaje autónomo
0h

Metodología docente

Hay una sesión semanal de 3 horas. Las 2 primeras horas se dedican a la presentación, por parte del profesor, de los contenidos teóricos de la asignatura. La última hora se dedica a poner en práctica estos contenidos: cada alumno tiene en clase su ordenador portátil y realiza las tareas que el profesor propone. Cada sesión finaliza con la propuesta de una tarea a los alumnos que deben entregar resuelta la siguiente sesión.

Método de evaluación

Se asignaran tareas para hacer en casa. La nota de les tareas valdrá el 50% de la nota final.

Habrá un examen de la primera parte de la asignatura, hecho en la semana de parciales (tema 1), y otro examen de la segunda parte hecho como examen final (tema 2), ambos con un peso del 25%.

Nota del curso = 0.5 * Nota Tareas + 0.25 * Nota Examen 1a part + 0.25 * Nota Examen 2a part

Bibliografía

Básica:

Capacidades previas

No especificadas