• English
  • Youtube
  • Facebook
  • Twitter
  • Linkedin
  • Instagram
  • tiktok

Tratamiento Estadístico Computacional de la Información (conjunto con UPM)

Máster. Curso 2023/2024.

ESTADÍSTICA BAYESIANA - 607584

Curso Académico 2023-24

Datos Generales

SINOPSIS

COMPETENCIAS

Generales
CG1 - Aprender a aplicar los conocimientos adquiridos y a explotar su potencial para la
resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más
amplios (o multidisciplinares) en el tratamiento estadístico-computacional de la información.
CG2 - Elaborar adecuadamente y con originalidad argumentos motivados y proyectos de
trabajo, redactar planes, así como formular hipótesis y conjeturas razonables en su área de
especialización.
CG3 - Integrar los conocimientos adecuados y enfrentarse a la complejidad de emitir juicios en
función de criterios, de normas externas o de reflexiones personales justificadas.
CG4 - Comunicar y presentar públicamente ideas, procedimientos o informes de investigación,
así como asesorar a personas u organizaciones en el tratamiento estadístico-computacional de
la información. La presentación de estas ideas debe transmitir de forma clara y precisa las
conclusiones de forma que sean entendidas tanto por el especialista como por el profano en
temas estadístico-computacionales.
CG5 - Comprender y utilizar el lenguaje y las herramientas matemáticas para modelizar y
resolver problemas complejos, reconociendo y valorando las situaciones y problemas
susceptibles de ser tratados matemáticamente.
CG6 - Conocer los modelos, métodos y técnicas relevantes en distintas áreas de aplicación de
la Estadística matemática participando en la creación de nuevas tecnologías que contribuyan al
desarrollo de la Sociedad de la Información.
CG7 - Saber abstraer en un modelo matemático las propiedades y características esenciales de
un problema real reconociendo su rango de aplicabilidad y limitaciones.
Transversales
CT1 - Saber aplicar sus conocimientos a su trabajo o vocación de una forma profesional y
poseer las competencias que suelen demostrarse por medio de la elaboración y defensa de
argumentos y en la resolución de problemas y estudio de casos. Esto implica, más
concretamente: Integrar creativamente conocimientos y aplicarlos a la resolución de
problemas complejos, perseguir objetivos de calidad en el desarrollo de su actividad
profesional, adquirir capacidad para la toma de decisiones y de dirección de recursos
humanos, ser capaz de mostrar creatividad, iniciativa y espíritu emprendedor para afrontar los
retos de su actividad, valorar la importancia de los métodos estadístico-computacionales en el
contexto industrial, económico, administrativo, medio ambiental y social.
CT2 - Tener la capacidad de reunir e interpretar datos relevantes para emitir juicios que
incluyan una reflexión sobre temas relevantes de índole científica, tecnológica y empresarial.
Demostrar razonamiento crítico y gestionar información científica y técnica de calidad,
bibliografía, bases de datos especializadas y recursos accesibles a través de Internet.
Específicas
CE1 - Adquisición de una formación sólida y rigurosa en temas avanzados de Estadística,
Matemática computacional, Modelos estocásticos y Metodología de la toma de Decisiones
aplicadas al tratamiento de la Información.
CE2 - Capacidad para planificar la resolución de un problema en función de las herramientas de
que se disponga y, en su caso, de las restricciones de tiempo y recursos.
CE3 - Capacidad para utilizar aplicaciones informáticas estadísticas, de cálculo numérico y
simbólico, visualización gráfica, optimización u otras para resolver problemas con un elevado
grado de complejidad.
CE4 - Desarrollar habilidades de aprendizaje en Estadística Computacional y Matemáticas, así
como en sus respectivas aplicaciones, que permitan al alumno continuar estudiando y
profundizando en la materia de modo autónomo, así como el desarrollo profesional con un
alto grado de independencia.
CE5 - Resolver problemas y casos reales planteados en el tratamiento estadísticocomputacional de la información generada en los ámbitos de la ciencia, la tecnología y la
sociedad mediante habilidades de modelización matemática, estimación y computación.
CE6 - Desarrollar programas que resuelvan problemas matemáticos utilizando para cada caso
el entorno computacional adecuado.
CE7 - Capacidad de utilización de herramientas de búsqueda de recursos bibliográficos así
como manejo, gestión y análisis de grandes bases de datos.

ACTIVIDADES DOCENTES

Presenciales

1,4

No presenciales

1,6

Requisitos

Se requiere tener conocimientos previos de inferencia estadística.

Contenido

Introducción a la estadística bayesiana. 

Distribuciones a priori. 

Modelos gaussianos. 

Estimación paramétrica. 

Modelos jerárquicos. 

Regresión y modelos lineales. 

Métodos computacionales.  

Evaluación

Entrega de trabajos: 40%
Examen teórico-práctico: 40%
Asistencia y participación activa: 20%

Bibliografía

- Berger, J.O. (1985). Statistical Decision Theory and Bayesian Analysis. Segunda edición. Berlin:
Springer Verlag.
- Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A. y Rubin, D.B. (2013). Bayesian
Data Analysis. Tercera edición. London: Chapman and Hall.
- Hoff, P. D. (2009). A First Course in Bayesian Statistical Methods. New York: Springer.
- Lee, P. M. (2004). Bayesian Statistics: An Introduction. Segunda edición. New York: Oxford
University Press.

Estructura

MódulosMaterias
No existen datos de módulos o materias para esta asignatura.

Grupos

Clase teóricas y/o prácticas
GrupoPeriodosHorariosAulaProfesor
Grupo único03/10/2023 - 19/10/2023MARTES 16:30 - 18:00-JORGE GONZALEZ ORTEGA
MARIA TERESA RODRIGUEZ BERNAL
JUEVES 16:30 - 18:00-JORGE GONZALEZ ORTEGA
MARIA TERESA RODRIGUEZ BERNAL
20/10/2023 - 20/10/2023VIERNES 16:30 - 18:00-JORGE GONZALEZ ORTEGA
MARIA TERESA RODRIGUEZ BERNAL
24/10/2023 - 30/11/2023MARTES 16:30 - 18:00-JORGE GONZALEZ ORTEGA
MARIA TERESA RODRIGUEZ BERNAL
JUEVES 16:30 - 18:00-JORGE GONZALEZ ORTEGA
MARIA TERESA RODRIGUEZ BERNAL