Tratamiento Estadístico Computacional de la Información (conjunto con UPM)

Máster. Curso 2024/2025.

MODELIZACIÓN CON INCERTIDUMBRE,INFORMACIÓN DIFUSA Y SOFT COMPUTING - 607592

Curso Académico 2024-25

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 estadístico-computacional 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

Clases teóricas
Sesiones académicas teóricas.
Clases prácticas
Sesiones académicas de problemas.
Laboratorios
Introducción al uso de software especializado.

Presenciales

1,2

No presenciales

1,8

Semestre

2

Breve descriptor:

Introducción a la lógica borrosa como mecanismo de modelización de la incertidumbre lingüí­stica y a sus aplicaciones en control y aprendizaje automático.

Objetivos

Identificar los diferentes tipos de incertidumbre en la Información. Capacidad para modelizar la incertidumbre, valorando las discrepancias con la realidad y determinadas estrategias cientí­ficas o profesionales para mejorar los resultados. Capacidad para realizar cálculos básicos con lógicas alternativas, manejar funciones de pertenencia, relaciones difusas y números difusos, así como algunos modelos básicos de ayuda a la decisión (control y aprendizaje automático).

Contenido

Incertidumbre, información y decisión. Conjunto difuso de Zadeh: conceptos básicos y generalizaciones. Funciones de agregación y operadores lógicos básicos. Aritmética difusa y principio de extensión. Sistemas de inferencia borrosa para control automático. Clasificación difusa supervisada y no supervisada. Otros modelos asociados al Soft Computing.

Evaluación

Entrega y exposición de trabajos: 60%
Asistencia y participación activa: 30%
Prueba escrita: 10%

Bibliografía

- Klir, GJ; Yuan, B (1995) Fuzzy Sets and Fuzzy Logic: Theory and Applications. Prentice Hall.
- Trillas, E; Eciolaza, L (2015) Fuzzy Logic. An Introductory Course for Engineering Students. Studies in Fuzziness and Soft Computing, Springer.
- Hanss, M (2005) Applied Fuzzy Arithmetic. An Introduction with Engineering Applications. Springer-Verlag Berlin Heidelberg.
- Fodor, J; Roubens, M (1994) Fuzzy preference modelling and multicriteria decision support. Kluwer Academic Publishers.
- Artículos científicos relacionados con las diferentes temáticas tratadas.

Estructura

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

Grupos

Clases teóricas y/o prácticas
GrupoPeriodosHorariosAulaProfesor
Grupo único24/02/2025 - 30/04/2025LUNES 18:00 - 19:30-JUAN TINGUARO RODRIGUEZ GONZALEZ
MIÉRCOLES 18:00 - 19:30-JUAN TINGUARO RODRIGUEZ GONZALEZ