Preténdese que o alumno coñeza e aprenda a utiliza-los modelos de deseño de experimentos e análise de regresión lineal. A docencia da materia terá un carácter eminentemente práctico, centrándose na presentación e interpretación dos distintos modelos (formulación matemática, hipóteses supostas, etc.) e na súa aplicación na práctica (estimación, análise crítica dos resultados obtidos e estudio dos problemas que se poden presentar); apoiándose no emprego dun paquete estatístico (principalmente Statgraphics).
Sería especialmente recomendable ter superado a materia de Estatística I e sería convinte tamén ter cursado outras con contido matemático (como por exemplo Álxebra e Cálculo). Esta materia será de utilidade para outras da titulación, como por exemplo as relacionadas co tratamento do sinal (Medios de Transmisión, Tratamento Dixital do Sinal), Intelixencia Artificial, Linguaxes Naturais, Redes de Neuronas Artificiais, Técnicas de Simulación, as relacionadas co recoñecemento de imaxes, etc. Ademais doutras da mesma área como Métodos Estatísticos ou Simulación Estatística.
Competencias do título
Código
Competencias da titulación
A1
Capacidade para a resolución dos problemas matemáticos que se poden presentar na enxeñaría. Aptitude para aplicar os coñecementos sobre: álxebra linear; cálculo diferencial e integral; métodos numéricos; algorítmica numérica; estatística e optimización.
A3
Capacidade para comprender e dominar os conceptos básicos de matemática discreta, lóxica, algorítmica e complexidade computacional e a súa aplicación para a resolución de problemas propios da enxeñaría.
A7
Capacidade para deseñar, desenvolver, seleccionar e avaliar aplicacións e sistemas informáticos que aseguren a súa fiabilidade, seguranza e calidade, conforme a principios éticos e á lexislación e normativa vixente.
A8
Capacidade para planificar, concibir, despregar e dirixir proxectos, servizos e sistemas informáticos en todos os ámbitos, liderando a súa posta en marcha e a súa mellora continua e valorando o seu impacto económico e social.
A12
Coñecemento e aplicación dos procedementos algorítmicos básicos das tecnoloxías informáticas para deseñar solucións a problemas, analizando a idoneidade e a complexidade dos algoritmos propostos.
A13
Coñecemento, deseño e utilización de forma eficiente dos tipos e estruturas de datos máis adecuados á resolución dun problema.
A18
Coñecemento e aplicación das características, funcionalidades e estrutura das bases de datos, que permitan o seu adecuado uso, e o deseño e a análise e implementación de aplicacións baseadas nelas.
A28
Capacidade de identificar e analizar problemas, e deseñar, desenvolver, implementar, verificar e documentar solucións sóftware sobre a base dun coñecemento adecuado das teorías, modelos e técnicas actuais.
B1
Capacidade de resolución de problemas
B2
Traballo en equipo
B3
Capacidade de análise e síntese
B4
Capacidade para organizar e planificar
B6
Toma de decisións
B7
Preocupación pola calidade
B8
Capacidade de traballar nun equipo interdisciplinar
C1
Expresarse correctamente, tanto de forma oral coma escrita, nas linguas oficiais da comunidade autónoma.
C2
Dominar a expresión e a comprensión de forma oral e escrita dun idioma estranxeiro.
C5
Entender a importancia da cultura emprendedora e coñecer os medios ao alcance das persoas emprendedoras.
C7
Asumir como profesional e cidadán a importancia da aprendizaxe ao longo da vida.
C8
Valorar a importancia que ten a investigación, a innovación e o desenvolvemento tecnolóxico no avance socioeconómico e cultural da sociedade.
Resultados de aprendizaxe
Competencias de materia (Resultados de aprendizaxe)
Competencias da titulación
Aprender de maneira autónoma novos coñecementos e técnicas estatísticas avanzadas axeitadas para a investigación e análisis de datos
A1 A3 A7 A8 A12 A13 A18
B1 B2 B3 B4 B8
C1 C2
Resolver problemas estatísticos de forma efectiva.
A1 A3 A28
B3 B4 B6
C7 C8
Aplicar un pensamento crítico, lóxico e creativo no plantexamento e resolución de problemas estatísticos.
A1 A3 A7
B3 B4
C7 C8
Traballar en equipos de carácter interdisciplinar con necesidades estatísticas
A8 A28
B2 B6
C5 C7
Capacidade para a análise e a síntese na resolcución de problemas con contidos estatísticos
A1 A3
B4 B6 B8
C7 C8
Valorar criticamente o coñecemento e a tecnoloxía estatística para resolver os problemas cos que deben enfrontarse.
A1 A3 A28
B2 B3 B6 B7
C5 C7
Valorar a importancia que ten a investigación, a innovación e o desenvolvemento tecnolóxico no avance socioeconómico e cultural da sociedade.
A1 A3 A18
B4 B6 B7
C5
Contidos
Temas
Subtemas
Tema 1. Conceptos básicos de inferencia estatística
Tema 2. Principios básicos do deseño de experimentos
Tema 3. Deseños cunha fonte de variación
Tema 4. Deseños con dous ou máis fontes de variación
Tema 5. Regresión lineal simple
Tema 6. Regresión lineal múltiple
1.1. Inferencia estatística (repaso)
1.2. Tests de hipóteses paramétricos (repaso)
1.3. Tests de hipóteses non paramétricas: Tests de bondade de axuste e de aleatoriedade
2.1. Introdución
2.2. Resumo dos principais conceptos
2.3. Principios básicos do deseño de experimentos: Repetición do experimento, homoxeneidade estatística das comparacións, principio de aleatorización
2.4. Clasificación dos deseños de experimentos
2.5. Algúns deseños experimentais clásicos
3.1. Deseño cun factor completamente aleatorizado de efectos fixos
3.2. Diagnose do modelo do ANOVA I
3.3. Deseño cun factor completamente aleatorizado de efectos aleatorios
4.1. Deseño en bloques completamente aleatorizado (con replicación; ANOVA II sen interacción)
4.2. Deseño con dous factores completamente aleatorizado (ANOVA II con interacción)
4.3. Outros deseños clásicos de experimentos: Deseño con tres factores completamente aleatorizado, deseños en cadrado latino e greco-latino
5.1. Introdución: Regresión e correlación
5.2. O modelo de regresión lineal simple
5.3. Estimación e propiedades dos estimadores dos parámetros
5.4. Bondade do axuste
5.5. Predición en regresión lineal simple
5.6. Diagnose do modelo
6.2 O modelo lineal xeral de regresión
6.3 Estimación e propiedades dos estimadores dos parámetros
6.4 Bondade do axuste
6.5 Outros contrastes de interese (modelo completo e reducido)
6.6 Predición en regresión lineal múltiple
6.7 Diagnose do modelo: multicolinealidade
6.8 Métodos para a selección de variables explicativas
Planificación
Metodoloxías / probas
Horas presenciais
Horas non presenciais / traballo autónomo
Horas totais
Solución de problemas
7
30
37
Prácticas de laboratorio
10
20
30
Sesión maxistral
19
25
44
Actividades iniciais
4
10
14
Proba mixta
2
20
22
Atención personalizada
3
0
3
*Os datos que aparecen na táboa de planificación son de carácter orientativo, considerando a heteroxeneidade do alumnado
Metodoloxías
Metodoloxías
Descrición
Solución de problemas
Resolución de ejercicios ("a mano") con la ayuda de la calculadora y tablas estadísticas.
Prácticas de laboratorio
Empleando un paquete estadístico (statgrahics, R, ...), los alumnos resolverán distintos tipos de problemas.
Sesión maxistral
Se empleará el proyector para la presentación de los distintos temas (moodle), incluyendo gráficos y simulaciones para ayudar a entender los distintos conceptos. También se recurrirá a la pizarra para explicaciones adicionales y se mostrarán ejemplos con algún paquete estadístico.
Actividades iniciais
Presentación de la asignatura. Exposición de los recursos disponibles (página web, bibliografía de referencia)
Proba mixta
Examen con una parte tipo test, con cuestiones que se centrarían principalmente en los conceptos más teóricos y en habilidades que debería haber adquirido el alumno (como por ejemplo la interpretación de resultados gráficos), y otra prueba que constaría de dos ejercicios análogos a los vistos en las clases teóricas y en las prácticas de pizarra
Atención personalizada
Metodoloxías
Solución de problemas
Descrición
Resolución de ejercicios propuestos de los distintos temas
Avaliación
Metodoloxías
Descrición
Cualificación
Sesión maxistral
Se evaluará a través de la prueba tipo test de carácter aplicada: interpretación de resultados gráficos, conclusiones que se obtienen de salidas numéricas, interpretación de conceptos básicos.
40
Prácticas de laboratorio
El alumno recogerá una colección de datos a los que se le pueda ajusta un modelo de diseño de experimentos o de regresión. Y realizará un estudio completo del modelo ajustado. Presentará por escrito el análisis realizado y, según el caso, se le puee solicitar que defienda oralmente el trabajo realizado.
40
Solución de problemas
A partir de una nube de datos facilitada por el profesor, se le pedirá al alumno que obtenga conclusiones utilizando los modelos de diseño de experimentos o de regresión. Para ello se utilizará un paquete estadístico y se le preguntará acerca de la conclusiones que se obtienen y que justifique si el ajuste del modelo es adecuado. Esta prueba puede ser escrita y/o oral.
20
Observacións avaliación
Fontes de información
Bibliografía básica
-Montgomery, C., Diseño y Análisis de Experimentos, Grupo Editorial
Iberoamerica, 1991, Libro,
-Peña D. , Estadística, modelos y métodos. 2: Modelos lineales y series
temporales. 2nd. ed, Alianza Universidad Textos., 1989, Libro,
-Peña D. , Regresión y Diseño de Experimentos, Alianza Editorial, 2002, Libro,
-Ricardo Cao, Mario Francisco, Salvador Naya, Manuel Presedo, Margarita
Vázquez, José A. Vilar and , Introducción a la estadística y sus aplicaciones,
Ediciones Pirámide, 2001, Libro,
-Vilar Fernández, J.M., Modelos estadísticos aplicados, Universidade da Coruña,
Servicio de publicacións., 2003, Libro,
Bibliografía complementaria
Bibliografía
adicional está disponible en la web de la asignatura:
Los alumnos deberían tener cursada la asignatura de Estadística y sería deseable que hubieran superado otras con contenido matemático como por ejemplo Algebra, Cálculo ó Matemática Discreta. Esta asignatura también será de utilidad para otras de la titulación.
(*)A Guía docente é o documento onde se visualiza a proposta académica
da UDC. Este documento é público e non se pode modificar, salvo casos excepcionais baixo a revisión do
órgano competente dacordo coa normativa vixente que establece o proceso de elaboración de guías