P1061206 - Estatística non Paramétrica (Módulo II: Estatística (A)) - Curso 2013/2014

Información

• Créditos ECTS
• Créditos ECTS: 5.00
• Total: 5.0
• Horas ECTS
• Clase Expositiva: 15.00
• Clase Interactiva Laboratorio: 20.00
• Horas de Titorías: 5.00
• Total: 40.0

Outros Datos

• Tipo: Materia Ordinaria Máster RD 1393/2007
• Departamentos: Estatística e Investigación Operativa
• Áreas: Estatística e Investigación Operativa
• Centro: Facultade de Matemáticas
• Convocatoria: 2º Semestre de Titulacións de Grao/Máster
• Docencia e Matrícula: Primeiro Curso (1º 1ª vez)

Profesores

Nome	Coordinador
Cadarso Suarez, Carmen Maria.	NON
CRUJEIRAS CASAIS, ROSA MARIA.	SI

Horarios

Nome	Tipo Grupo	Tipo Docencia	Horario Clase	Horario exames
Grupo /CLE_01	Ordinario	Clase Expositiva	NON	NON
Grupo /CLIL_01	Ordinario	Clase Interactiva Laboratorio	NON	NON
Grupo /TI-ECTS01	Ordinario	Horas de Titorías	NON	NON

Programa

Existen programas da materia para os seguintes idiomas:

Castelán

Galego

Inglés

Obxectivos da materia
O obxectivo da materia é que o alumno domine as técnicas de inferencia estatística non paramétrica e a súa aplicación práctica. O curso céntrase na estimación dalgunhas curvas estatísticas notables como son a función de distribución, a función de densidade e a función de regresión.

Contidos
Tema 1. Estimación non paramétrica da función de distribución.
a) A función de distribución empírica.
b) Propiedades da función de distribución empírica.
c) Aplicacións estatísticas.

Tema 2. Estimación non paramétrica da función de densidade.
a) Introdución. O histograma e o estimador naive.
b) Estimación tipo núcleo da densidade. Propiedades do estimador.
c) Medidas do erro.
d) Selección do parámetro de suavizado na estimación tipo núcleo.
e) Análisis exploratorio baseado no estimador tipo núcleo.
f) Estimación da densidade multivariante.
g) Outros estimadores da densidade.

Tema 3. Estimación non paramétrica da función de regresión.
a) Regresión tipo núcleo.
b) Estimador Lowess.
c) Suavizadores tipo spline.
d) Selección do parámetro de suavizado.

Tema 4. Modelos flexibles de regresión.
a) Modelos aditivos.
b) Modelos aditivos xeralizados.





Bibliografía básica e complementaria
BIBLIOGRAFÍA BÁSICA

Härdle, W. (1990). Applied nonparametric regression. Econometric society monographs, Cambridge University Press.
Härdle, W., Müller, M., Sperlich, S. y Werwatz, A. (2004). Nonparametric and Semiparametric Models. Springer.
Wand, M.P. y Jones, M.C. (1995). Kernel Smoothing. Chapman Hall.
Wasserman, L. (2005). All of Nonparametric Statistics. Springer.
Wood, S.N. (2006). Generalized Additive Models. An Introduction with R. Chapman and Hall.



BIBLIOGRAFÍA COMPLEMENTARIA

Fan, J. y Gijbels, I. (1996). Local Polynomial Modelling and Its Applications. Chapman and Hall.
Green, P.J. y Silverman, B.W. (1994). Nonparametric regression and generalized linear models: A roughness penalty approach. Chapman and Hall.
Hastie, T. y Tibshirani, R. (1990). Generalized Additive Models. Chapman and Hall.
Scott, D.W. (1992). Multivariate Density Estimation: Theory, Practice, and Visualization. John Wiley and Sons.
Silverman, B.W. (1986). Density Estimation for Statistics and Data Analysis. Chapman and Hall.
Simonoff, J.S. (1996). Smoothing Methods in Statistics. Springer.
Wahba, G. (1990). Spline Models for Observation Data. Society for Industrial and Applied Mathematics.



Competencias
Competencias xerais:

-Capacidade de traballar en equipo.
-Capacidade de investigación.
-Capacidade de identificar e resolver problemas.
-Capacidade para traballar de forma autónoma.

Competencias específicas:

-Capacidade crítica sobre as posibilidades e limitacións das técnicas de estatística non paramétrica.
-Manexo dos métodos máis importantes da estimación non paramétrica
-Capacidade de resolver problemas que requiran o uso da inferencia estatística non paramétrica

Metodoloxía da ensinanza
A metodoloxía da ensinanza constará de clases expositivas e interactivas, así como da titorización da aprendizaxe e dos traballos encomendados ao alumnado. Proporcionarase material para o seguimento do curso, así como outro material orientativo da aprendizaxe do software. Nas clases expositivas e interactivas, resolveranse exemplos mediante o software R, polo que é necesario que o alumnado dispoña na aula dun ordenador. Ao longo do curso, proporanse traballos prácticos.

A actividade presencial, xunto co correspondente e necesario traballo persoal do alumnado para a súa preparación, é valorada con tres créditos ECTS. Esta carga de traballo inclúe o exame final. Considérase suficiente unha hora e media de traballo persoal para a preparación de cada sesión presencial de tipo teórico--práctico. Os outros dous créditos ECTS da materia corresponden a traballos prácticos que o alumnado terá que elaborar ao longo do curso.


Sistema de evaluación
Traballos realizados polo alumando e exame. Os traballos achegarán un 40% da puntuación e o exame un 60%. Na segunda oportunidade de evaluación (recuperación), efectuarase un exame e a nota final será o máximo de tres cantidades: a nota da avaliación ordinaria, a nota do novo exame, e a media ponderada do novo exame e a avaliación continua.
Tempo de estudo e traballo persoal
Estímase que o alumnado precisará unha hora e media para preparar o material correspondente a cada hora dunha clase teórica de tipo presencial. O alumnado dedicará o equivalente a dous créditos ECTS a preparar os diversos traballos propostos ao longo do curso.

Recomendacións para o estudo da materia
Para superar con éxito a materia é aconsellable a asistencia ás clases, sendo fundamental o seguimento diario do traballo realizado na aula. Tamén é recomendable que o alumnado sexa capaz de utilizar o software estatístico R para explorar as posibilidades das diversas técnicas non paramétricas explicadas ao longo do curso. Ademais, para unha mellor aprendizaxe da materia, é conveniente ter presente o sentido práctico dos métodos introducidos ao longo do curso.
Observacións
Materiais elaborados polos profesores, bibliografía e ordenador. Uso do campus virtual da USC.