Course guide of Computational Statistics (27011E2)

Curso 2024/2025
Approval date: 26/06/2024

Grado (bachelor's degree)

Bachelor'S Degree in Mathematics

Branch

Sciences

Module

Complementos de Probabilidad y Estadística

Subject

Estadística Computacional

Year of study

4

Semester

2

ECTS Credits

6

Course type

Elective course

Teaching staff

Theory

  • Christian José Acal González. Grupo: A
  • María Dolores Martínez Miranda. Grupos: A y B

Practice

  • Christian José Acal González Grupo: 1
  • María Dolores Martínez Miranda Grupo: 2

Timetable for tutorials

Christian José Acal González

Email
No hay tutorías asignadas para el curso académico.

María Dolores Martínez Miranda

Email
No hay tutorías asignadas para el curso académico.

Prerequisites of recommendations

It is recommended to have basic knowledge on Probability and Mathematical Statistics.The course builds on the knowlegde from the subjects Descriptive Statistics and Introduction to Probability and Statistical Inference in the first and third year, respectively, of the degree.

Brief description of content (According to official validation report)

  • Statistical Computing and Computational Statistics. Evolution of Computational Statistics
  • Software for statistical analyses and programming
  • The R environment for statistical computing and graphical analysis
  • Data structures for statistical analyses
  • Design and analysis of statistical problems with real data

General and specific competences

General competences

  • CG01. Poseer los conocimientos básicos y matemáticos de las distintas materias que, partiendo de la base de la educación secundaria general, y apoyándose en libros de texto avanzados, se desarrollan en esta propuesta de título de Grado en Matemáticas 
  • CG02. Saber aplicar esos conocimientos básicos y matemáticos 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 la resolución de problemas dentro de las Matemáticas y de los ámbitos en que se aplican directamente 
  • CG03. Saber reunir e interpretar datos relevantes (normalmente de carácter matemático) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética 
  • CG04. Poder transmitir información, ideas, problemas y sus soluciones, de forma escrita u oral, a un público tanto especializado como no especializado 
  • CG05. Haber desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía 
  • CG06. Utilizar herramientas de búsqueda de recursos bibliográficos 

Specific competences

  • CE01. Comprender y utilizar el lenguaje matemático. Adquirir la capacidad de enunciar proposiciones en distintos campos de las matemáticas, para construir demostraciones y para transmitir los conocimientos matemáticos adquiridos 
  • CE03. Asimilar la definición de un nuevo objeto matemático, en términos de otros ya conocidos, y ser capaz de utilizar este objeto en diferentes contextos 
  • CE04. Saber abstraer las propiedades estructurales (de objetos matemáticos, de la realidad observada, y de otros ámbitos) y distinguirlas de aquellas puramente accidentales, y poder comprobarlas con demostraciones o refutarlas con contraejemplos, así como identificar errores en razonamientos incorrectos 
  • CE05. Resolver problemas matemáticos, planificando su resolución en función de las herramientas disponibles y de las restricciones de tiempo y recursos 
  • CE06. Proponer, analizar, validar e interpretar modelos de situaciones reales sencillas, utilizando las herramientas matemáticas más adecuadas a los fines que se persigan 
  • CE07. Utilizar aplicaciones informáticas de análisis estadístico, cálculo numérico y simbólico, visualización gráfica, optimización u otras para experimentar en matemáticas y resolver problemas 
  • CE08. Desarrollar programas que resuelvan problemas matemáticos utilizando para cada caso el entorno computacional adecuado 

Transversal competences

  • CT01. Desarrollar cierta habilidad inicial de "emprendimiento" que facilite a los titulados, en el futuro, el autoempleo mediante la creación de empresas 
  • CT02. Fomentar y garantizar el respeto a los Derechos Humanos y a los principios de accesibilidad universal, igualdad ante la ley, no discriminación y a los valores democráticos y de la cultura de la paz 

Objectives (Expressed as expected learning outcomes)

  • To know the methodology for statistical computing and graphical analysis with the environment R
  • To perform basic statistical analyses with data.
  • To apply standard statistical modelling techniques including linear models
  • To develop a basic knowledge of core topics in Computational Statistics

Detailed syllabus

Theory

  1. Introduction
  2. The R environment for statistical analysis and programming
    • Essentials of the R Language
    • Data structures and basic objects
  3. Programming in R. Creating functions
    • Function objects
    • Basic programming structures
  4. Methodology for the statistical analysis with R
    • Graphics
    • Statistical models
    • Writing dynamic documents
  5. Simulation and Bootstrap
    • Simulation of random variables
    • The Bootstrap principle and some applications in statistical inference
  6. Introduction to nonparametric curve estimation
    • Density functions
    • Regression functions

Practice

  1. Data structures and basic objects in R
  2. Basic programming and creating new functions in R
  3. Methodology for the statistical analysis with R: graphics and statistical modelling
  4. Simulation and Bootstrap: Applications using R
  5. Nonparametric estimation of density and regression functions using R

Bibliography

Basic reading list

  • Crawley - The R Book, 2nd ed (2012)
  • Crawley - Statistics: An Introduction Using R, 2nd ed. (2015)
  • Gentle, J.E. (2009). Computational Statistics. Statistics & Computing. Springer

Complementary reading

  • Chambers, J.M. (2008). Software for Data Analysis: Programming with R. Springer.
  • Davison, A.C. and Hinkely, D.V. (1997). Bootstrap Methods and Their Applications. Cambridge University Press.
  • Deepayan, S. (2008). Lattice: Multivariate Data Visualization with R. Springer.
  • Heineman, G., Pollice, G. y Selkow, S. (2016). Algorithms in a Nutshell. Second Edition. O’Reilly Media Inc.
  • Lafaye de Micheaux, P., Drouilhet, R. y Liquet, B. (2014). The R Software. Fundamentals of Programming and Statistical Analysis. Springer.
  • Robert, C.P. y G. Casella (2010). Introducing Monte Carlo Methods with R. Springer.
  • Templ, M. (2016). Simulation for Data Science with R. Packt Publishing.
  • Wand, M.P. y Jones, M.C. (1995). Kernel Smoothing. Volume 60 of Monographs on Statistics and Applied Probability. Chapman & Hall, Ltd., London.
  • Wasserman, L. (2006). All of Nonparametric Statistics. Springer Texts in Statistics. Springer-Verlag, New York.
  • Wickham, H. (2019). Advanced R. The R Series. Chapman & Hall/CRC.
  • Wickham,H. (2016). ggplot2. Elegant Graphics for Data Analysis. Springer.
  • Wickham, H. y Grolemund, G. (2016). R for Data Science: Import, Tidy, Transform, Visualize, and Model Data. O'Reilly Media. Canada.
  • Xie, Y. (2015). Dynamic Documents with R and knitr. Second Edition. Chapman & Hall. CRC Press.

Recommended links

  • The R Project for Statistical Computing. http://www.r-project.org
  • RStudio. http://www.rstudio.com

Teaching methods

  • MD01. Lección magistral/expositiva 
  • MD02. Sesiones de discusión y debate 
  • MD03. Resolución de problemas y estudio de casos prácticos 
  • MD04. Prácticas en sala de informática 
  • MD05. Seminarios 
  • MD06. Análisis de fuentes y documentos 
  • MD07. Realización de trabajos en grupo 
  • MD08. Realización de trabajos individuales 
  • MD09. Seguimiento del TFG 

Assessment methods (Instruments, criteria and percentages)

Ordinary assessment session

This module will be assessed by examination and courseworks.

Assessment pattern:

Assessment type Weighting Mininum qualifying mark
Computer-based exams: exercises and tasks in R and short-answer questions 40% 0
Group coursework (a final project developing further the course contents) 30% 0
Individual tasks (set of exercises and tasks in R), including an assessment of the student participation, attitude and engagement during the lectures and lab sessions 30% 0

The pass mark for the course is 5, as established in the regulation of evaluation of students at the University of Granada. Any minimum qualifying marks for specific assessments are listed in the table above. The weighting of the different components can also be found above.

Extraordinary assessment session

A computer-based examination consisting of theoretical questions and practical exercises on the topics described in the theory and practical syllabus.

Single final assessment

A computer-based examination consisting of theoretical questions and practical exercises on the topics described in the theory and practical syllabus.

Additional information

More details will be provided at the beginning of the course.