Simulación y Remuestreo
Código: 104868 Créditos ECTS: 6| Titulación | Tipo | Curso | Semestre |
|---|---|---|---|
| 2503852 Estadística Aplicada | OB | 3 | 2 |
Contacto
- Nombre:
- Aureli Alabert Romero
- Correo electrónico:
- aureli.alabert@uab.cat
Idiomas de los grupos
Puede consutarlo a través de este enlace. Para consultar el idioma necesitará introducir el CÓDIGO de la asignatura. Tenga en cuenta que la información es provisional hasta el 30 de noviembre del 2023.
Equipo docente
- Roger Borràs Amoraga
Equipo docente externo a la UAB
- Aureli Alabert
Prerrequisitos
Se supone que el estudiante ha adquirido las competencias propias de las asignaturas de Inferencia Estadística, Cálculo de Probabilidades, y Procesos Estocásticos, y que tiene buen nivel de programación en lenguaje R.
Objetivos y contextualización
Aprender cómo generar muestras con ordenador y aplicarlo al análisis de sistemas complejos y la optimización de procesos.
Aprender las técnicas de remuestreo en inferencia estadística y aprendizaje automático.
Competencias
- Aplicar el espíritu crítico y el rigor para validar o refutar argumentos tanto propios como de otras personas.
- Evaluar de manera crítica y con criterios de calidad el trabajo realizado.
- Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía.
- Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado.
- Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio.
- Que los estudiantes tengan la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su área de estudio) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética.
- Seleccionar y aplicar procedimientos más apropiados para la modelización estadística y el análisis de datos complejos.
- Trabajar cooperativamente en un contexto multidisciplinar asumiendo y respetando el rol de los diferentes miembros del equipo.
- Utilizar correctamente un amplio espectro del software y lenguajes de programación estadísticos, escogiendo el más apropiado para cada análisis y ser capaz de adaptarlo a nuevas necesidades.
- Utilizar eficazmente la bibliografía y los recursos electrónicos para obtener información.
Resultados de aprendizaje
- Aplicar el espíritu crítico y el rigor para validar o refutar argumentos tanto propios como de otros.
- Describir las ventajas e inconvenientes de los métodos algorítmicos frente a los métodos convencionales de la inferencia estadística.
- Evaluar de manera crítica y con criterios de calidad el trabajo realizado.
- Identificar las suposiciones estadísticas asociadas a cada procedimiento avanzado.
- Identificar, emplear e interpretar los criterios para evaluar el grado de cumplimiento de los requisitos necesarios para aplicar cada procedimiento avanzado.
- Implementar métodos de bootstrap.
- Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía.
- Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado.
- Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio.
- Que los estudiantes tengan la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su área de estudio) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética.
- Resolver problemas de cálculo de probabilidades y procesos estocásticos mediante simulación.
- Resolver problemas de inferencia mediante simulaciones.
- Trabajar cooperativamente en un contexto multidisciplinar asumiendo y respetando el rol de los diferentes miembros del equipo.
- Utilizar eficazmente bibliografía y recursos electrónicos para obtener información.
Contenido
Simulación: Simulación de variables aleatorias a partir de la ley uniforme. Simulación de eventos discretos. Simulación con el paquete Simmer. Análisis de la salida, reducción de la varianza. Generación de variables uniformes.
Tests permutacional: Tests para dos muestras. Test de datos apareados. Test de correlaciones. Ejemplos avanzados.
Bootstrap y otros métodos de remuestreo: Conceptos básicos. Estimaciones del error estándar y del sesgo. Bootstrap paramétrico. Bootstrap no-paramétrico. Métodos para calcular intervalos de confianza. Ejemplos de aplicación (modelos lineales y lineales generalizados, tests de hipótesis, series temporales, ...).
Remuestreo para aprendizaje automático: Bagging. Boosting.
- Tests permutacionales: Tests para dos muestras. Test de datos apareados. Test de correlaciones. Ejemplos avanzados.
- Bootstrap y otros métodos de remuestreo: Conceptos básicos. Estimaciones del error estándar y del sesgo. Bootstrap paramétrico. Bootstrap no-paramétrico. Mètodos para calcular intervalos de confianza. Ejemplos de aplicación (modelos lineals y lineales generalizados, tests de hipótesis, series temporales, ...).
- Remuestreo para aprenendizaje automático: Bagging. Boosting.
- Simulación: Simulación de variables i vectores aleatorios. Simulación de sucesos discretos. Análisis del output. Modelización del input. Generación de números aleatorios.
Metodología
La docencia combinará en clase lecciones por parte de los profesores y trabajo práctico de los estudiantes con ordenador.
Nota: se reservarán 15 minutos de una clase dentro del calendario establecido por el centro o por la titulación para que el alumnado rellene las encuestas de evaluación de la actuación del profesorado y de evaluación de la asignatura o módulo.
Actividades
| Título | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|
| Tipo: Dirigidas | |||
| Clases teóricas y prácticas | 50 | 2 | |
| Tipo: Autónomas | |||
| Estudio personal de la materia | 48 | 1,92 | |
| Trabajos | 48 | 1,92 |
Evaluación
Véase por favor la versión de la Guia en Catalán o en Inglés. En caso de discrepancia, la versión en Catalán prevalece.
Actividades de evaluación continuada
| Título | Peso | Horas | ECTS | Resultados de aprendizaje |
|---|---|---|---|---|
| Entrega de prácticas de Remuestreo | 12.5% | 0 | 0 | 1, 3, 4, 5, 6, 8, 9, 10, 12, 11, 13, 14 |
| Entrega de prácticas de Simulación | 12.5% | 0 | 0 | 1, 3, 4, 5, 6, 8, 9, 10, 12, 11, 13, 14 |
| Examen de Remuestreo | 37.5% | 2 | 0,08 | 2, 4, 6, 7, 9, 12, 11 |
| Exámen de Simulación | 37.5% | 2 | 0,08 | 2, 4, 6, 7, 9, 12, 11 |
Bibliografía
- Ross, Sheldon (2013) Simulation. Elsevier (Recurs electrònic UAB).
- Law (2014) Simulation. Modelling and Analysis.
- James - Witten - Hastie - Tibshirani (2013) An introduction to Statistical Learning: with applications in R. Springer (Recurs electrònic UAB).
- Efron - Hastie (2016) Computer Age Statistical Inference. Cambridge University Press.
Software
Durante el curso se darán las instrucciones de instalación pertinentes para el software que se utilizará, en el momento oportuno.