P1061221 - Datos Funcionais (Módulo IV: Estatística (B)) - 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: 1º Semestre de Titulacións de Grao/Máster
• Docencia e Matrícula: null

Profesores

Nome	Coordinador
FEBRERO BANDE, MANUEL.	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

Obxectivos da materia
Pretendese que o alumno teña familiaridade con aquelas situacions onde poden aparecer datos funcionais e adquira a destreza necesario para tratalos. Para iso recorreranse as principais técnicas estatísticas incidindo na súa aplicación específica aos datos funcionais. Asimesmo persiguese que o alumno sexa capaza de implementar e resolver no ordenador problemas de datos funcionais propostos.
Contidos
1.- Introducción: Definición. Primeiros pasos. Estatísticos de resumo. Notación. Producto interior. Semi-métricas
2.- Representación de datos funcionais: Bases axeitadas para a representación, Suavizacións: Kernel, Polinomio local, Spline. Rexistro e transformacions para datos funcionais.
3.- Regresión con datos funcionais: Resposta escalar, Resposta funcional, Estimación mediana condicional, Estimación cuantil condicional, ANOVA. Tratamento das covariables.
4.- Outras técnicas: Compoñentes principais funcionais, Técnicas de clasificación: supervisada e no supervisada.
Bibliografía básica e complementaria
Bibliografía 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

Bibliografía 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.
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.
Competencias
O alumno adquirirá soltura no análisis de datos funcionais e no seu tratamento por ordenador. Asimesmo, será capaz de identificar as ferramentas axeitadas para resolver problemas con datos funcionais e implementará estas solucions en programas de ordenador.
Metodoloxía da ensinanza
Tres quintas partes da docencia presencial impartiránse mediante exposicions orais do profesor mentras que o resto corresponderá a prácticas, propostas polo profesor, realizadas no laboratorio de informática, na súa meirande parte en sesións de duas horas. O total de ambas actividades terá unha valoración de 2 créditos ECTS. Os 3 créditos restantes corresponderán a estudo persoal (2 créditos) e a la realización de prácticas individuais (1 crédito).
Sistema de evaluación
A avaliación realizarase por medio de prácticas propostas polo profesor así como dun examen escrito. A nota do examen escrito representará o 60% da calificación global mentras que o restante 40% corresponderá á execución das prácticas.
Tempo de estudo e traballo persoal
Docencia presencial: 50 h (30 h de lección magistral y 20 h de prácticas con ordenador). Estudo e traballo persoal: 75 h.
Recomendacións para o estudo da materia
Un prerrequisito necesario é ter cursado alomenos unha das materias seguintes: Estatística Aplicada ou Estadística Matemática do presente master. Como as practicas faranse co programa R (www.r-project.org) é recomendable ter coñecementos deste entorno.