CG1 - Aprender a aplicar los conocimientos adquiridos y a explotar su potencial para la resolucion de problemas en entornos nuevos o poco conocidos dentro de contextos mas amplios (o multidisciplinares) en el tratamiento estadístico-computacional de la informacion.
CG2 - Elaborar adecuadamente y con originalidad argumentos motivados y proyectos de trabajo, redactar planes, asi como formular hipotesis y conjeturas razonables en su area de especializacion.
CG3 - Integrar los conocimientos adecuados y enfrentarse a la complejidad de emitir juicios en funcion de criterios, de normas externas o de reflexiones personales justificadas.
CG4 - Comunicar y presentar publicamente ideas, procedimientos o informes de investigacion, asi como asesorar a personas u organizaciones en el tratamiento estadistico-computacional de la informacion. La presentacion 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 estadistico-computacionales.
CG5 - Comprender y utilizar el lenguaje y las herramientas matematicas para modelizar y resolver problemas complejos, reconociendo y valorando las situaciones y problemas susceptibles de ser tratados matematicamente.
CG6 - Conocer los modelos, metodos y tecnicas relevantes en distintas areas de aplicacion de la Estadistica matematica participando en la creacion de nuevas tecnologias que contribuyan al desarrollo de la Sociedad de la Informacion.
CG7 - Saber abstraer en un modelo matematico las propiedades y caracteristicas esenciales de un problema real reconociendo su rango de aplicabilidad y limitaciones.

CT1 - Saber aplicar sus conocimientos a su trabajo o vocacion de una forma profesional y poseer las competencias que suelen demostrarse por medio de la elaboracion y defensa de argumentos y en la resolucion de problemas y estudio de casos. Esto implica, mas 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 direccion de recursos humanos, ser capaz de mostrar creatividad, iniciativa y espiritu emprendedor para afrontar los retos de su actividad, valorar la importancia de los metodos estadistico-computacionales en el contexto industrial, economico, administrativo, medio ambiental y social.
CT2 - Tener la capacidad de reunir e interpretar datos relevantes para emitir juicios que incluyan una reflexion sobre temas relevantes de indole cientifica, tecnologica y empresarial. Demostrar razonamiento critico y gestionar informacion cientifica y tecnica de calidad, bibliografia, bases de datos especializadas y recursos accesibles a traves de Internet.

CE1 - Adquisicion de una formacion solida y rigurosa en temas avanzados de Estadistica, Matematica computacional, Modelos estocasticos y Metodologia de la toma de Decisiones aplicadas al tratamiento de la Informacion.
CE2 - Capacidad para planificar la resolucion de un problema en funcion de las herramientas de que se disponga y, en su caso, de las restricciones de tiempo y recursos.
CE3 - Capacidad para utilizar aplicaciones informaticas estadisticas, de calculo numerico y simbolico, visualizacion grafica, optimizacion u otras para resolver problemas con un elevado grado de complejidad.
CE4 - Desarrollar habilidades de aprendizaje en Estadistica Computacional y Matematicas, asi como en sus respectivas aplicaciones, que permitan al alumno continuar estudiando y profundizando en la materia de modo autonomo, asi como el desarrollo profesional con un alto grado de independencia.
CE5 - Resolver problemas y casos reales planteados en el tratamiento estadistico-computacional de la informacion generada en los ambitos de la ciencia, la tecnologia y la sociedad mediante habilidades de modelizacion matematica, estimacion y computacion.
CE6 - Desarrollar programas que resuelvan problemas matematicos utilizando para cada caso el entorno computacional adecuado.
CE7 - Capacidad de utilizacion de herramientas de busqueda de recursos bibliograficos, asi como manejo, gestion y analisis de grandes bases de datos.

1/2 del tiempo presencial total. Introduccion de conceptos y tecnicas.

1/2 del tiempo presencial total. Aplicacion de las tecnicas de optimizacion con el software adecuado.

Uso libre por parte de los alumnos.

3

1

Tratamiento estadistico de datos y programacion matematica. Algoritmos basicos de optimizacion para una o varias variables. Modelizacion y resolucion de problemas de programacion lineal y no lineal. Definicion, programacion y resolucion de algoritmos aproximados de optimizacion. Uso de software para resolver los problemas de programacion. Implementacion de algoritmos con software.

No hay.
El conocimiento de temas basicos de programacion matematica es conveniente, pero no necesario.
Se recomienda tener conocimientos de informatica a nivel de usuario y es conveniente cierta familiaridad con algun lenguaje de programacion.

Identificar problemas de optimizacion que surgen en el tratamiento de datos. Identificar los correspondientes modelos matematicos. Distinguir los procedimientos exactos de los heuristicos al resolver problemas de optimizacion. Resolver de forma exacta con el software adecuado. Definicion e implementacion de algoritmos aproximados (heuristicas).

1. Optimizacion sin restricciones 1.1. Enfoque analitico. Regresion lineal. 1.2. Enfoque algoritmico. Algoritmos del descenso maximo (steepest descent), Newton. Regresion no lineal. 2. Optimizacion con restricciones. Caso lineal 2.1. El modelo de programacion lineal. Variaciones de la regresion lineal. 2.2. Los modelos de programacion entera y binaria. 3. Optimizacion con restricciones. Caso no lineal. 3.1. Condiciones de Karush-Khun-Tucker. 3.2. Maquina Vector Soporte. Hiperplanos de clasificacion. El problema de optimizacion. Condiciones de KKT. 3.3. Dualidad en programacion no lineal. El problema dual en la Maquina Vector Soporte. 3.4.- Hiperplanos de clasificacion relajados (soft). 3.5. Transformaciones polinomiales en la Maquina Vector Soporte. 4. Optimizacion combinatoria. Metaheuristicas. 4.1. Problemas de optimizacion combinatoria. 4.2. Introduccion a la complejidad algorimica. Complejidad de los algoritmos. Analisis medio de la complejidad de los algoritmos. Complejidad de los problemas. 4.3. Metaheuristicas: Temple simulado. Busqueda tabu. Algoritmos geneticos.

Sistema de evaluación:
- Entrega de trabajos, 50%
- Examen teórico-práctico, 40%
- Asistencia y participación activa, 10%

Para aprobar, hay que obtener una nota mínima de 4/10 en el examen teórico-práctico

El máster es presencial y la asistencia es obligatoria.

Bazaraa, M.S., Sherali H.D., Shetty C.M. Nonlinear Programming, Theory and Algorithms. John Wiley & Sons, New York (1993).
M. R. Garey, D. S. Johnson. Computers and Intractability. Freeman and Co (1979).
T. Hastie, R. Tibshirani, J. Friedman. The Elements of Statistical Learning: Data Mining, Inference and Prediction. Springer (2009).
Nocedal, J., Wright, S.J. Numerical Optimization.. Springer (2006).
V.J. Rayward-Smith, I.H. Osman, C.R. Reeves, G.D. Smith. (eds.) Modern Heuristic Search Methods. John Wiley and Sons, Chichester (1996).
Rothlauf, F. Design of Modern Heuristics: Principles and Application. Springer-Verlag, Berlin, Heidelberg, (2011).

Documentacion en el campus virtual.