Estadística avanzada Código:  M2.854    :  6
Consulta de los datos generales   Descripción   La asignatura en el conjunto del plan de estudios   Conocimientos previos   Información previa a la matrícula   Objetivos y competencias   Contenidos   Consulta de los materiales de los que dispone la asignatura   Consulta del modelo de evaluación  
ATENCIÓN: Esta información recoge los apartados del plan docente de la asignatura durante el último semestre con docencia. Al iniciar el periodo de matrícula, podrás consultar el calendario y modelo de evaluación para el siguiente semestre en Secretaría/ Matrícula / Horarios pruebas de evaluación final.
En esta asignatura se verá el análisis estadístico aplicado en la ciencia de los datos. Se verán en profundidad los modelos de la ciencia de datos y la estadística, así como técnicas de extracción de características y modelos de regresión. Finalmente, se verán los conceptos relacionados con el diseño experimental y la comparación de distintos métodos.

Amunt

Esta asignatura forma parte del conjunto de asignaturas obligatorias del máster.

Amunt

En esta asignatura se suponen adquiridos los contenidos propios de un curso de estadística básica: Estadística descriptiva, introducción al análisis de datos y muestreo, probabilidad y variables aleatorias, inferencia y modelización estadística, regresión lineal múltiple y análisis de la varianza.

Amunt

Algunos de los contenidos de esta asignatura deben estudiarse a partir de materiales y recursos escritos en inglés.

Amunt

  • Comprender la extensión de los conceptos básicos de estadística para ciencia de datos y del diseño de una investigación mediante el método científico.
  • Identificar los distintos tipos de problemas que surgen en el ámbito de la ciencia de datos y saber qué modelos y métodos se aplican en cada caso.
  • Conocer los principios básicos de las técnicas de diseño en ciencia de datos.
  • Saber cuándo utilizar el muestreo y cuándo particionar un juego de datos en conjunto de entrenamiento y de test.
  • Familiarizarse con la importancia de la reproducibilidad, la evaluación y la validación de un experimento o modelo.
  • Conocer las distintas técnicas de Regresión: lineal, no lineal y logística. Entender sus aplicaciones en ciencia de datos: predicción o clasificación de clases.
  • Saber cuándo utilizar técnicas de extracción de características para reducir la dimensionalidad de un conjunto de datos y mejorar la eficacia de los algoritmos de minería de datos.
  • Comprender la importancia de la resolución sistemática de ejercicios con feedback automático para la resolución de problemas complejos en los que debe plantearse una estrategia, deben conocerse las técnicas estadísticas más adecuadas y se deben aplicar de forma correcta.
  • Ser capaz de llevar a cabo los análisis de datos requeridos, usando software estadístico apropiado como el lenguaje R.

Amunt

Tema 1. Introducción a los modelos de Data Science y a la estadística 

Tema 2. Extracción de características 

Tema 3. Regresión

Tema 4. Diseño Experimental y Comparación de métodos

Amunt

Variables aleatorias PDF
Matemáticas y Estadística con R PDF
Estadística descriptiva PDF
Contraste de dos muestras PDF
El análisis de la varianza (ANOVA) PDF
Regresión lineal múltiple PDF
Intervalos de confianza PDF
Teorema del límite central PDF
Muestreo PDF
Contraste de hipotesis PDF
Regresión lineal simple PDF
Probabilidad PDF

Amunt

Esta asignatura sólo puede superarse a partir de la evaluación continua (EC). La nota final de evaluación continua se convierte en la nota final de la asignatura. La fórmula de acreditación de la asignatura es la siguiente: EC.
 

Amunt