Identifying Data 2015/16
Subject (*) Métodos Estadísticos Code 614G01057
Study programme
Grao en Enxeñaría Informática
Descriptors Cycle Period Year Type Credits
Graduate 1st four-month period
Fourth Optativa 6
Language
Spanish
Teaching method Face-to-face
Prerequisites
Department Matemáticas
Coordinador
Vilar Fernandez, Juan Manuel
E-mail
juan.vilar@udc.es
Lecturers
Vilar Fernandez, Juan Manuel
E-mail
juan.vilar@udc.es
Web http://http://http://www.udc.es/dep/mate/estadistica2/estadistica_2.htm
General description 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.

Study programme competencies
Code Study programme competences
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.
A29 Capacidade de identificar, avaliar e xestionar os riscos potencias asociados que se puideren presentar.
A50 Capacidade para comprender e aplicar os principios da avaliación de riscos e aplicalos correctamente na elaboración e execución de plans de actuación.
B1 Capacidade de resolución de problemas
B2 Traballo en equipo
B3 Capacidade de análise e síntese
B6 Toma de decisións
B7 Preocupación pola calidade
B8 Capacidade de traballar nun equipo interdisciplinar
B9 Capacidade para xerar novas ideas (creatividade)
C5 Entender a importancia da cultura emprendedora e coñecer os medios ao alcance das persoas emprendedoras.
C6 Valorar criticamente o coñecemento, a tecnoloxía e a información dispoñible para resolver os problemas cos que deben enfrontarse.
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.

Learning aims
Learning outcomes Study programme competences
Resolver problemas estatísticos de forma efectiva. A1
B1
B3
B6
B7
Aprender de maneira autónoma novos coñecementos e técnicas estatísticas avanzadas axeitadas para a investigación e análisis de datos A1
B1
B9
Aplicar un pensamento crítico, lóxico e creativo no plantexamento e resolución de problemas estatísticos. A1
B1
B3
B6
C8
Traballar en equipos de carácter interdisciplinar con necesidades estatísticas A29
A50
B1
B2
B8
B9
Capacidade para a análise e a síntese na resolcución de problemas con contidos estatísticos A1
B1
B7
Valorar criticamente o coñecemento e a tecnoloxía estatística para resolver os problemas cos que deben enfrontarse. A29
A50
B1
B3
B9
C5
Valorar a importancia que ten a investigación, a innovación e o desenvolvemento tecnolóxico no avance socioeconómico e cultural da sociedade. C5
C6
C7

Contents
Topic Sub-topic
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

Planning
Methodologies / tests Competencies Ordinary class hours Student’s personal work hours Total hours
Guest lecture / keynote speech A1 A29 A50 B1 B6 B9 C5 C6 C7 C8 19 25 44
Problem solving A1 A29 A50 B1 B2 B3 B7 B9 C6 C7 C8 7 30 37
Supervised projects A1 A29 A50 B1 B3 B6 B7 B9 C6 C7 C8 10 20 30
Introductory activities A1 B1 B8 B9 C7 C8 4 10 14
Mixed objective/subjective test A1 B1 B3 C8 2 20 22
 
Personalized attention 3 0 3
 
(*)The information in the planning table is for guidance only and does not take into account the heterogeneity of the students.

Methodologies
Methodologies Description
Guest lecture / keynote speech 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.
Problem solving Resolución de ejercicios ("a mano") con la ayuda de la calculadora y tablas estadísticas.
Supervised projects El alumno propondrá la resolución de un problema de Diseño de Experimentos que constará de las siguientes etapas:
Planteamiento y objetivo del problema a estudiar.
Diseño del experimento y recogida de datos.
Análisis estadístico de los datos. Ajuste de un modelo.
Validación y chequeo del modelo ajustado.
Conclusiones.
Introductory activities Presentación de la asignatura. Exposición de los recursos disponibles (página web, bibliografía de referencia)
Mixed objective/subjective test Examen de tipo aplicado. Al alumno se le facilita un fichero de datos y se le hacen preguntas de respuesta breve acerca de los datos facilitados. Son cuestiones de tipo aplicado que se resuelven con las técnicas estadísticas estudiadas en el curso.

Personalized attention
Methodologies
Problem solving
Description
Resolución de ejercicios propuestos de los distintos temas

Assessment
Methodologies Competencies Description Qualification
Problem solving A1 A29 A50 B1 B2 B3 B7 B9 C6 C7 C8 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 es conjunta con la de la Sesión magistral. Esto es, en una única prueba (examen de tipo aplicado) el alumno tiene que demostrar el conocimiento de lo aprendido en la sesión magistral y en la solución de problemas. La prueba tiene una puntuación de 50 puntos sobre 100.
Esta prueba puede ser escrita y/o oral.
20
Supervised projects A1 A29 A50 B1 B3 B6 B7 B9 C6 C7 C8 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 puede solicitar que defienda oralmente el trabajo realizado. 50
Guest lecture / keynote speech A1 A29 A50 B1 B6 B9 C5 C6 C7 C8 Se evaluará a través de la prueba de carácter aplicada: interpretación de resultados gráficos, conclusiones que se obtienen de salidas numéricas, interpretación de conceptos básicos. 30
 
Assessment comments
Para alumnos con matrícula a
tiempo parcial, debido al contenido muy práctico y aplicado de la materia, tienen la obligación de asistir a un número de clases no inferior a 20 horas, según le indique el profesor de la asignatura.

Sources of information
Basic

-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,

- Applied Muiltivariate Data Analysis, vol I, Regression and Experimental Design. J.D. Jobson. Springer-Verlag, 1991

Complementary

Bibliografía adicional está disponible en la web de la asignatura:

http://www.udc.es/dep/mate/estadistica2/estadistica_2.htm


Recommendations
Subjects that it is recommended to have taken before
Statistics/614G01008

Subjects that are recommended to be taken simultaneously

Subjects that continue the syllabus

Other comments

  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.



(*)The teaching guide is the document in which the URV publishes the information about all its courses. It is a public document and cannot be modified. Only in exceptional cases can it be revised by the competent agent or duly revised so that it is in line with current legislation.