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 e R).
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.
Plan de continxencia
1. Modificacións nos contidos. Non se realizarán cambios
2. Metodoloxías. Se manteñen as metodoloxías docentes propostas.
- Sesión maxistral
– Traballos tutelados (computa na avaliación)
– Atención personalizada a través de Teams
3. Mecanismos de atención personalizada ao alumnado
- Teams: Unha sesión semanal (tres horas) de grupo para o avance dos contidos teóricos, resolución de problemas e realización de prácticas con ordenador e manexo do programa Statgraphics.
Esto se fará na franxa horaria que ten asignada a materia no calendario de aulas da facultade.
Unha sesión semanal (ou mais segundo o demande o alumnado) en grupo para resolver dudas, a realización de problemas e prácticas de análisis de datos.
- Correo electrónico: Segundo a necesidade do alumando. De uso pra facer consultas ou solicitar encontros virtuais para resolver dúbidas.
– Moodle: Segundo a necesidade do alumando. Dispoñen de un foro xeral para plantear dúbidas da materia e para formular as consultas necesarias.
4. Modificacións na avaliación. Mantéñense as mesmas que figuran na guía docente.
Observacións de avaliación:
En caso de non poder facerse a proba final de xeito presencial se fará en modalidade online utilizando Teams e Moodle. Pero será unha proba das mesmas características que a proposta de xeito presencial.
A oportunidade de xullo estará sometida aos mesmos criterios que a de xaneiro.
5. Modificacións da bibliografía ou webgrafía. Non se realizarán cambios. Xa dispoñen de todos os materiais de traballo da maneira dixitalizada en Moodle.
Competencias do título
Código
Competencias / Resultados do título
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.
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
B4
Capacidade para organizar e planificar
B6
Toma de decisións
B7
Preocupación pola calidade
B8
Capacidade de traballar nun equipo interdisciplinar
B9
Capacidade para xerar novas ideas (creatividade)
C1
Expresarse correctamente, tanto de forma oral coma escrita, nas linguas oficiais da comunidade autónoma.
C3
Utilizar as ferramentas básicas das tecnoloxías da información e as comunicacións (TIC) necesarias para o exercicio da súa profesión e para a aprendizaxe ao longo da súa vida.
C4
Desenvolverse para o exercicio dunha cidadanía aberta, culta, crítica, comprometida, democrática e solidaria, capaz de analizar a realidade, diagnosticar problemas, formular e implantar solucións baseadas no coñecemento e orientadas ao ben común.
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.
Resultados de aprendizaxe
Resultados de aprendizaxe
Competencias / Resultados do título
Capacidade para a análise e a síntese na resolcución de problemas con contidos estatísticos
A1 A3
B3
C7
Resolver problemas estatísticos de forma efectiva.
A1 A29
B4 B6 B7 B8 B9
C1 C7 C8
Valorar criticamente o coñecemento e a tecnoloxía estatística para resolver os problemas cos que deben enfrontarse.
A50
C4 C6 C7 C8
Aprender de maneira autónoma novos coñecementos e técnicas estatísticas avanzadas axeitadas para a investigación e análisis de datos
A1
C7 C8
Valorar a importancia que ten a investigación, a innovación e o desenvolvemento tecnolóxico no avance socioeconómico e cultural da sociedade.
A3
B3
C5 C7 C8
Aplicar un pensamento crítico, lóxico e creativo no plantexamento e resolución de problemas estatísticos.
A1 A3
B1
C5 C6 C8
Resolver problemas estatísticos de forma efectiva.
A1
B1 B3
Traballar en equipos de carácter interdisciplinar con necesidades estatísticas
A1
B1 B2 B8
Capacidade para a análise e a síntese na resolcución de problemas con contidos estatísticos
B1 B2 B3 B6
C4
Aplicar un pensamento crítico, lóxico e creativo no plantexamento e resolución de problemas estatísticos.
B3 B6
C5 C6 C7
Valorar criticamente o coñecemento e a tecnoloxía estatística para resolver os problemas cos que deben enfrontarse.
A1
B1 B6
C6
Aprender de maneira autónoma novos coñecementos e técnicas estatísticas avanzadas axeitadas para a investigación e análisis de datos
A1 A3
B1 B3
C5
Valorar a importancia que ten a investigación, a innovación e o desenvolvemento tecnolóxico no avance socioeconómico e cultural da sociedade.
C3 C4 C5 C6 C7 C8
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 aleatoriedad
2.1. Introdución. Resumo dos conceptos principais. Principios básicos do deseño de experimentos.
2.2. Clasificación dos deseños de experimentos. Algúns deseños experimentais clásicos.
3.1. Deseño cun factor completamente aleatorizado de efectos fixos. Diagnose do ANOVA I. Factor completamente aleatorizado.
4.1. Deseño en bloques completamente aleatorizado.
4.2. Deseño con dous factores completamente aleatorizados (ANOVA II con interacción).
4.3. Outros modelos clásicos de deseño de experimentos.
5.1. Introdución: Regresión e correlación
5.2. O modelo de regresión lineal simple
5.3. Estimación e propiedades dos estimadores dos parámetros. Bondade do axuste
5.4. Predición en regresión lineal simple. Diagnose do modelo
6.1. O modelo lineal xeneral de regresión.
6.2. Estimación e propiedades dos estimadores dos parámetros. Bondade do axuste.
6.3. Predición en regresión lineal múltiple.
6.4. Diagnose do modelo: multicolinealidad.
6.5. Métodos para a selección de variables explicativas.
*Os datos que aparecen na táboa de planificación son de carácter orientativo, considerando a heteroxeneidade do alumnado
Metodoloxías
Metodoloxías
Descrición
Sesión maxistral
Empregarase o proxector para a presentación dos distintos temas (moodle), incluíndo gráficos e simulacións para axudar a entender os distintos conceptos. Tamén se recorrerá á lousa para explicacións adicionais e mostraranse exemplos con algún paquete estatístico.
Solución de problemas
Resolución de exercicios utilizando software estatístico.
Traballos tutelados
Ou alumno proporá de forma VOLUNTARIA a resolución dun problema de Deseño de Experimentos ou de Regresión que constará dás seguintes etapas:
Formulación e obxectivo do problema a estudar.
Deseño do experimento e recollida de datos.
Análise estatística dous datos. Axuste dun modelo.
Validación e recoñecemento do modelo axustado.
Conclusións.
Actividades iniciais
Presentación da materia. Exposición dos recursos dispoñibles (páxina web, bibliografía de referencia), software.
Proba mixta
A proba consta de dous partes. A primeira consiste na análise dunha mostra de datos á que se axusta un modelo de deseño de experimentos. Facilítase a formulación do problema e os datos e o alumno utilizando análises estatísticas responderá a diferentes cuestións e obterá conclusións.
A segunda parte da proba consiste na resolución dun problema de regresión. Nuevamente proporciónase un conxunto de datos e utilizando un paquete estatístico o alumno axustará un modelo de regresión e responderá a diferentes cuestións aplicadas.
Atención personalizada
Metodoloxías
Solución de problemas
Descrición
Proponse exercicios e problemas dos distintos temas.
O alumno ten que propor un problema de deseño de experimentos, obter os datos e facer unha análise estatístico dos mesmos e obter conclusións. O traballo será supervisado polo profesor.
Desenvolveranse en clases prácticas problemas de regresión lineal que serán resoltos con detalle para que o alumno estea capacitado en resolver problemas similares.
Cada alumno pode propoñer de forma VOLUNTARIA un exemplo real de aplicación dos modelos de Deseño de Experimentos o de Regresión. O alumno debe de facer unha introdución ao problema e motivalo. Indicaranse os obxectivos xerais e específicos que se perseguen. Indicar de forma detallada como se realizará a mostraxe e describir a mostra con todo detalle. Unha análise estatística preliminar dos datos proporcionará as primeiras conclusións.
20
Sesión maxistral
A1 A3 B1
Realizarase unha proba dos modelos de deseño de experimentos.
Facilítaselle aos alumnos unha mostra de datos aos que axustar un modelo de deseño de experimentos (pode ser un dos traballos presentados) e a partir desa mostra realizarase un exercicio (exame) de carácter aplicado no que se propoñen preguntas de tipo aplicado e curtas que o alumno responderá coa axuda do material docente e software estatístico.
40
Solución de problemas
A1 A3 A29 A50 B1 B3 B4 B6 B9 C1 C3
Realizarase unha proba dos modelos de regresión. Facilitarase unha mostra de observacións multivariante e a partir deses datos realizarase un exercicio (exame) de carácter aplicado no que se propoñen preguntas de tipo aplicado e curtas que o alumno responderá coa axuda do material docente e software estatístico. As preguntas estarán relacionadas co axuste dun modelo de regresión múltiple aos datos e será similar aos realizados en clase.
As dúas probas (a de deseño de experimentos e a de modelos de regresión) realizaranse nunha única sesión.
40
Observacións avaliación
Cualificación
da asignatura • Para aprobar a asignatura hai que obter polo menos un CATRO no
exame. Si a nota do exame é menor que CATRO, a cualificación da asignatura é a
cualificación do exame. • A Práctica é VOLUNTARIA. • Si non se presenta
práctica ou si a cualificación da práctica é inferior a SEIS, a cualificación
da práctica non inflúe na cualificación final. Neste caso, a cualificación da
asignatura é a cualificación do exame. • Si preséntase práctica e obtense unha
cualificación superior a SEIS, si se tierne en conta na cualificación final da
asignatura.
Cálculo da cualificación da asignatura. Denotemos P á nota da
práctica, E á nota do exame, C á cualificación da asignatura.
o Si non se presenta práctica
ou se presenta con P<6. Entón C=E
o Si preséntase práctica e
P>=6. Entón C=(P-6)*0.50 + (10 - (P-6)*0.50)*E*0.1
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 30 horas, según le indique el profesor de la asignatura.
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,
- Applied Muiltivariate Data Analysis, vol I, Regression and Experimental Design. J.D. Jobson. Springer-Verlag, 1991
- La web de la asignatura y el material docente que se dejará en el moodle de la asignatura (transparencias, prácticas, recomensaciones,....)
Bibliografía complementaria
Bibliografía
adicional está disponible en la web de la asignatura:
É recomendable que os teñan aprobada a materia de Estatística e é conveniente que superasen outras materias con contido matemático: Algebra, Cálculo ou Matemática Discreta. Esta materia é de utilidade noutras materias da 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