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: Estatística, Análise Matemática e Optimización
Áreas: Estatística e Investigación Operativa
Centro Facultade de Matemáticas
Convocatoria: Primeiro semestre
Docencia: Con docencia
Matrícula: Matriculable
Preténdese que o alumno familiaricese cos problemas estatísticos onde poden aparecer datos funcionais e adquira as habilidades necesarias para tratar con eles. Para isto, cubriranse as principais técnicas estatísticas, relacionando as técnicas coñecidas no contorno multivariante ou serie de tempo coas especificidades da aplicación a datos funcionais.
Os obxectivos a alcanzar como resultado da aprendizaxe son:
• Ser capaz de identificar e modelar problemas con datos funcionais en aplicacións reais.
• Coñecer o software adecuado para resolver este tipo de problemas.
• Comprender as implicacións das hipóteses nos resultados dos modelos e as súas posibles reformulacións.
• Saber interpretar os resultados para a súa presentación en contornas altamente multidisciplinarias, tanto ante audiencias especializadas como non especializadas.
Tema 1. Conceptos de análise funcional necesarios para datos funcionais.
Unidade 2. Introdución. Primeiros pasos. Representación e transformacións de datos funcionais.
Tema 3. Análise exploratoria de datos funcionais. Estatísticos de resumo. Medidas de profundidade
Tema 4. Regresión con datos funcionais: resposta escalar, resposta funcional, estimación mediana e cuantil condicional, ANOVA.
Tema 4. Técnicas de clasificación supervisadas e non supervisadas.
Tema 5. Probas de hipótese con datos funcionais.
Básica
• Ferraty, F. And Vieu, Ph. (2006). Nonparametric Modelling for Functional Data. Springer.
• Ramsay, J.O. and Silverman, B.W. (2005) Functional Data Analysis. 2nd Edition. Springer
• Ramsay, J.O. and Silverman, B.W. (2002) Applied Functional Data Analysis. Springer
Complementaria
• Bosq, D. (2000). Linear processes in function spaces. Springer
• Cardot, H. (2000). Nonparametric estimation of smoothed principal component analysis of sampled noisy functions. Journal of Nonparametric Statistics, Vol.12, 503-538.
• Cardot, H., Ferraty, F. and Sarda, P. (2003). Spline estimators for the functional linear model. Statistica Sinica, 13, 571-591.
• Cuevas, A., Febrero, M. and Fraiman, R. (2002). Linear functional regression: The case of fixed design and functional response. The Canadian Journal of Statistics, 30, 285-300.
• Febrero-Bande M, Oviedo de la Fuente M (2012). “Statistical Computing in Functional Data Analysis: The R Package fda.usc.” Journal of Statistical Software, 51(4), 1–28. http://www.jstatsoft.org/v51/i04/.
• Ferraty, F. and Vieu, Ph.(2001) The functional nonparametric model and its applications to spectrometric data. Computational Statistics, 17, 545-564.
• James, G.M. and Hastie, T.J. (2001) Functional linear discriminant analysis for irregularly sampled curves. Journal of the Royal Statistical Society, Series B, 63, 533-550.
Nesta materia traballaranse as competencias básicas, xerais e transversais recollidas na memoria do título. A continuación indícanse as competencias específicas que se promoverán:
E1 - Coñecer, identificar, modelar, estudar e resolver problemas complexos de Estatística e da Investigación de Operacións nun contexto científico, tecnolóxico ou profesional, derivado de aplicacións reais.
E2 - Desenvolver a autonomía para a resolución práctica de problemas complexos derivados de aplicacións reais e para a interpretación de resultados co fin de axudar á toma de decisións.
E3 - Adquirir coñecementos avanzados dos fundamentos teóricos que subxacen ás diferentes metodoloxías da Estatística e da Investigación de Operacións, que permitan o seu desenvolvemento profesional especializado.
E4 - Adquirir as habilidades necesarias na xestión teórico-práctica da teoría de probabilidades e variables aleatorias que permitan o seu desenvolvemento profesional no campo científico / académico, tecnolóxico ou especializado e multidisciplinar.
E5 - Afondar no coñecemento nos fundamentos teórico-prácticos especializados na modelización e estudo de diferentes tipos de relacións de dependencia entre variables estatísticas.
E6 - Adquirir coñecementos teórico-prácticos avanzados de diferentes técnicas matemáticas, específicamente orientadas á axuda na toma de decisións, e desenvolver a capacidade de reflexión para avaliar e decidir entre diferentes perspectivas en contextos complexos.
E8 - Adquirir coñecementos teórico-prácticos avanzados de técnicas para facer inferencias e contrastes relacionados con variables e parámetros dun modelo estatístico, e saber aplicalos con suficiente autonomía nun contexto científico, tecnolóxico ou profesional.
E10 - Adquirir coñecementos avanzados sobre metodoloxías para a obtención e procesamento de datos de diferentes fontes, como enquisas, internet ou contornos na nube.
O ensinanza consistirá en clases expositivas e interactivas, así como a titoría da aprendizaxe e as tarefas encomendadas aos estudantes. Nas clases expositivas e interactivas resolveranse exemplos empregando software especializado, polo que é conveniente que os alumnos dispoñan dun ordenador.
Proporanse actividades para os estudantes, que consistirán na resolución de preguntas, exercicios e exemplos relacionados co modelado e resolución de problemas de datos funcionais.
A través do servidor web do Máster proporcionarase ao estudante o material de apoio adecuado.
A nota final será o máximo de dúas cantidades: a nota de avaliación continua e a nota da proba final. A avaliación continua consistirá na entrega dun ou varios traballos propostos ao longo do curso e entregados antes da data da proba final. A proba final consistirá en resolver por ordenador un ou varios problemas de datos funcionais con datos facilitados polo profesor que deben ser resoltos empregando o software empregado durante as clases prácticas.
Tanto a avaliación continua como a proba final están deseñadas para cubrir todas as habilidades a desenvolver na materia.
En caso de realización fraudulenta de exercicios ou probas, aplicarase o establecido na normativa respectiva das universidades participantes no Máster en Técnicas Estatísticas.
Cada crédito ECTS tradúcese en 7 horas de aula. Calcúlase que o alumno necesitará, por cada hora presencial, unha hora adicional para a comprensión global dos contidos. Ademais, o traballo de avaliación continua ascenderá a 10 horas por crédito ECTS. En total serán 25 horas por crédito ECTS.
Os estudantes deberían ter un coñecemento básico dos métodos estatísticos exploratorios e de regresión, tanto lineais como non paramétricos. Tamén se recomenda ter algunhas habilidades informáticas básicas, e en concreto o software R que se empregará xunto coa biblioteca fda.usc nas clases prácticas.
É recomendable participar activamente no proceso de aprendizaxe da materia: asistencia e participación nas clases teóricas, prácticas e informáticas, uso de horas de titoría e realización dun esforzo responsable do traballo e asimilación persoal dos métodos estudados.
RECURSOS PARA A APRENDIZAXE
Bibliografía, software libre (R-project.org) e material de soporte facilitado a través do sitio web do Máster en Técnicas Estatísticas.
É convinte que o alumnado posea coñecementos básicos de métodos estatísticos exploratorios e de regresión tanto lineal como non paramétrica. Tamén é recomendable dispoñer de habilidades medias no manexo de computadoras e en concreto do software R que se usara co paquete fda.usc nas clases prácticas.
Aconsellase participar activamente no proceso de aprendizaxe e de ordenador, utilización de horas de titorías e a realización un esforzo responsable de traballo e asimilación persoal dos métodos estudados.
RECURSOS PARA O APRENDIZAXE
Bibliografía, software libre (R-project.org) e material de apoio proporcionado mediante o sitio web do Máster en Técnicas Estatísticas.
A metodoloxía docente que se recolle nesta guía empregarase independentemente do grao de presencialidade en que se imparta a materia. Así mesmo, o método de avaliación non necesitará ningún tipo de modificación, xa que as entregas da avaliación continua e da proba final pódense realizar tanto de xeito presencial como de forma remota.
Esta guía e os criterios e metodoloxías descritos nela están suxeitos a modificacións derivadas da normativa e directivas das universidades participantes no Máster en Técnicas Estatísticas.
Manuel Febrero Bande
Coordinador/a- Departamento
- Estatística, Análise Matemática e Optimización
- Área
- Estatística e Investigación Operativa
- Teléfono
- 881813187
- Correo electrónico
- manuel.febrero [at] usc.es
- Categoría
- Profesor/a: Catedrático/a de Universidade
| 22.01.2025 10:00-14:00 | Grupo /CLE_01 | Aula 04 |
| 27.06.2025 16:00-20:00 | Grupo /CLE_01 | Aula 04 |