Créditos ECTS Créditos ECTS: 5
Horas ECTS Criterios/Memorias Traballo do Alumno/a ECTS: 85 Horas de Titorías: 5 Clase Expositiva: 20 Clase Interactiva: 15 Total: 125
Linguas de uso Castelán, Galego
Tipo: Materia Ordinaria Máster RD 1393/2007 - 822/2021
Departamentos: Departamento externo vinculado ás titulacións, Estatística, Análise Matemática e Optimización
Áreas: Área externa M.U en Técnicas Estatísticas (2ªed), Estatística e Investigación Operativa
Centro Facultade de Matemáticas
Convocatoria: Primeiro semestre
Docencia: Con docencia
Matrícula: Matriculable
O obxectivo desta materia é dar a coñecer as técnicas clásicas e recentes de contrastes de bondada de
axustes para a distribución e para a función de regresión. Con este fin, analizaranse as metodoloxías máis
importantes, que inclúen os contrastes baseados en procesos empíricos, os contrastes baseados en técnicas
de suavización e outros tipos de contrastes. Estudaranse os métodos máis coñecidos para resolver cada tipo
de contraste, ao tempo que se buscará unha visión global sobre os múltiples traballos existentes dentro da
temática desta mateira, de xeito que se desenvolva a capacidade para a búsqueda, comprensión e
profundización en liñas máis específicas.
Máis información en http://eio.usc.es/pub/mte/
1.Introdución.
Elementos dun contraste de hipóteses. Contrastes paramétricos e non
paramétricos. Propiedades do p-valor. O problema da multiplicidade de
contrates e posibles solucións. Deseño de estudos de Monte Carlo.
2.Contrastes de bondade de axuste para a
distribución.
Revisión de ferramentas gráficas: pp-plots e qq-plots. Contrastes baseados
na función de distribución. Contrastes baseados na función de densidade.
Contrastes baseados na función cuantil. Contrastes baseados na función
característica.
3.Contrastes de normalidade.
Contrastes de especificación para modelos paramétricos particulares.
Contrates de normalidade univariante. Contrastes de normalidade
multivariante.
4.Contrastes de independencia e outros contrastes
sobre a distribución.
Ferramentas gráficas para detectar dependencia. Contrastes de
independencia. Outros contrastes: contrastes de simetría, contraste dun
posible punto de cambio.
5.Contrastes de especificación para modelos de
regresión baseados na estimación da función de
regresión.
Visión xeral das técnicas de suavizado en problemas de regresión.
Aplicación aos contrastes sobre a función de regresión. Aproximacións
bootstrap.
6.Contrastes de especificación para modelos de
regresión baseados na función de regresión
integrada.
A función de regresión integrada. Descrición do test. Converxencia en
distribución do proceso de contraste. Aproximacións bootstrap da
distribución do proceso.
7.Outros contrastes sobre a regresión.
Contrastes de igualdade de curvas de regresión. Contrastes de
significación de variables. Contrastes de homocedasticidade. Contrastes
para a varianza condicional.
Bibliografía Básica
Conover, W.J., Practical Nonparameric Statistics, Wiley, 1999
D'Agostino, R.B.; Stephens, M.A. (eds.), Goodness-of-Fit Techniques, Marcel Dekker, Inc, 1986
González-Manteiga, W.; Crujeiras, R. M., An updated review of goodness-of-fit tests for regression models, TEST, 22,
361-411, 2013
Härdle, W.; Müller, M.; Sperlich, S.; Werwatz, A., Nonparametric and Semiparametric Models, Springer, 2004
Hart, J. D., Nonparametric Smoothing and Lack-of-Fit Tests, Springer, 1997
Huber-Carol, C.; Balakrishnan, N.; Nikulin, M.S.; Mesbah, M. (eds.), Goodness-of-Fit Tests and Model Validity,
Birkhäuser, 2002
Rayner, J.C.W.; Thas, O.; Best, D.J., Smooth Tests of Goodness-of-Fit. Using R, Wiley, 2009
Rohatgi, V.K., Statistical Inference, Dover, 2003
Thas, O., Comparing Distributions, Springer, 2010
Thode, H.C., Testing for Normality, Marcel Decker, Inc, 2002
Wasserman, L., All of Statistics. A Concise Course in Statistical Inference, Springer, 2006
Zhu, L.-X., Nonparametric Monte Carlo Tests and Their Applications. Lecture Notes in Statistics, vol. 182,
Springer, 2005
Bibliografía Complementaria
Billingsley, P., Convergence of Probability Measures (2nd edition), Wiley, 1999
Claeskens, G., Hjort, N.L., Model Selection and Model Averaging, Cambridge University Press, 2008
Efron, B.; Tibshirani, R.J., An Introduction to the Bootstrap, Chapman and Hall, 1993
Härdle, W., Applied Nonparametric Regression, Cambridge University Press, 1990
Kvam, P.H.; Vidakovic, B., Nonparametric Statistics with Applications to Science and Engeneering, Wiley, 2007
Vélez Ibarrola, R.; García Pérez, A., Principios de Inferencia Estadística, UNED, 2012
Código
CE1 Coñecer, identificar, modelar, estudar e resolver problemas complexos de estatística e investigación operativa, nun
contexto científico, tecnolóxico ou profesional, xurdidos en aplicacións reais.
CE3 Adquirir coñecementos avanzados dos fundamentos teóricos subxacentes ás distintas metodoloxías da estatística e a
investigación operativa, que permitan o seu desenvolvemento profesional especializado.
CE4 Adquirir as destrezas necesarias no manexo teórico-práctico da teoría da probabilidade e as variables aleatorias que
permitan o seu desenvolvemento profesional no ámbito científico/académico, tecnolóxico ou profesional
especializado e multidisciplinar.
CE5 Profundizar nos coñecementos nos fundamentos teórico-prácticos especializados do *modelado e estudo de distintos
tipos de relacións de dependencia entre variables estatísticas
CE6 Adquirir coñecementos teóricos e prácticos avanzados de diferentes técnicas matemáticas, dirixidas específicamente
para a toma de decisións, e desenvolver a capacidade de reflexión para avaliar e decidir entre diferentes
perspectivas en contextos complexos.
CE8 Adquirir coñecementos teórico-prácticos avanzados de técnicas dirixidas a facer inferencias e contrastes con
variables e parámetros dun modelo estatístico e saber aplicarlles con autonomía suficiente nun contexto científico,
tecnolóxico ou profesional.
A actividade presencial do alumnado será de 35 horas entre docencia expositiva e interactiva. Na parte expositiva o profesorado fará uso de presentacións multimedia, mentras que na parte interactiva o alumnado resolverá distintas cuestións plantexadas sobre os contenidos da materia.
O alumnado disporá, a través do repositorio de material do que dispón a páxina web do propio programa, do material docente (presentacións, apuntes, exercicios) da materia. Ao longo do curso propornase traballos que os estudiantes deberán resolver coa titorización do docente. Esta titorización será realizada tanto a través de medios virtuales como de forma presencial en grupos reducidos, cando sexa posible.
Traballos consistentes na resolución de exercicios e pequenos estudos de simulación
relacionados cos contrastes de especificación. Estas actividades inclúen a redacción de
relatorios dos resultados obtidos, así como a exposición pública dalgúns deles.
Competencias avaliadas: CE1,CE3,CE4,CE5,CE6,CE8
Considérase que o tempo de traballo persoal do alumnado para superar a materia é 125 horas repartidas como sigue:
1) Actividade presencial (35):
2) Estudo do material e trabalho persoal (90)
Total : 125 horas ( 5 ECTS)
Convén acudir a esta materia con coñecementos medios de cálculo de probabilidades e inferencia estatística, con especial
énfase en métodos de regresión, na estimación de curvas e nos métodos de remostraxe. Tamén é recomendable ter
habilidades medias no uso de ordenadores, especialmente linguaxes de programación e de software estatístico
(esencialmente R). Para unha mellor aprendizaxe da materia, convén ter presente unha clasificación básica dos múltiples
métodos de contraste, un coñecemento detallado de algúns métodos fundamentais e unha gran flexibilidade para a
asimilación de métodos novidosos.
OBSERVACIONES
Para los casos de realización fraudulenta de ejercicios o pruebas, será de aplicación lo recogido en las respectivas normativas de las universidades participantes en el Máster en Técnicas Estadísticas.
Esta guía y los criterios y metodologías en ella descritos están sujetos a las modificaciones que se deriven de normativas y directrices de las universidades participantes en el Máster en Técnicas Estadísticas.
COVID19
La metodologiìa docente expuesta en esta guiìa docente se utilizaraì independientemente del grado de presencialidad bajo el que se imparta la asignatura. Asimismo, tampoco necesitaraì ninguìn tipo de modificacioìn el meìtodo de evaluacioìn, dado que consiste uìnicamente en la entrega de trabajos por parte de los alumnos.
Wenceslao Gonzalez Manteiga
Coordinador/a- Departamento
- Estatística, Análise Matemática e Optimización
- Área
- Estatística e Investigación Operativa
- Teléfono
- 881813204
- Correo electrónico
- wenceslao.gonzalez [at] usc.es
- Categoría
- Profesor/a: Catedrático/a de Universidade
| 16.01.2025 10:00-14:00 | Grupo /CLE_01 | Aula 04 |
| 02.07.2025 16:00-20:00 | Grupo /CLE_01 | Aula 04 |