Identifying Data 2019/20
Subject (*) Statistical Methods Code 614G01057
Study programme
Grao en Enxeñaría Informática
Descriptors Cycle Period Year Type Credits
Graduate 1st four-month period
 Fourth Optional 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://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.
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.

Learning aims
Learning outcomes Study programme competences
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

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 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.

Planning
Methodologies / tests Competencies Ordinary class hours Student’s personal work hours Total hours
Guest lecture / keynote speech A1 A3 B1 14 28 42
Problem solving A1 A3 A29 A50 B1 B3 B4 B6 B9 C1 C3 14 21 35
Supervised projects A1 A3 B1 B2 B3 B4 B6 B7 B8 B9 C1 C3 C4 C5 C6 C7 C8 8 16 24
Introductory activities A1 A3 A29 4 12 16
Mixed objective/subjective test A1 B1 B3 B9 C1 2 20 22
 
Personalized attention 11 0 11
 
(*)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 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.
Problem solving Resolución de exercicios utilizando software estatístico.
Supervised projects O alumno proporá a resolución dun problema de Deseño de Experimentos que constará das seguintes etapas:
Formulación e obxectivo do problema a estudar.
Deseño do experimento e recollida de datos.
Análise estatística dos datos. Axuste dun modelo.
Validación e recoñecemento do modelo axustado.
Conclusións.
Introductory activities Presentación da materia. Exposición dos recursos dispoñibles (páxina web, bibliografía de referencia), software.
Mixed objective/subjective test 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.

Personalized attention
Methodologies
Problem solving
Description
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.

Assessment
Methodologies Competencies Description Qualification
Supervised projects A1 A3 B1 B2 B3 B4 B6 B7 B8 B9 C1 C3 C4 C5 C6 C7 C8 Cada alumno debe propor un exemplo real de aplicación dos modelos de deseño de experimentos. 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
Guest lecture / keynote speech 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
Problem solving 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
 
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 30 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

- La web de la asignatura y el material docente que se dejará en el moodle de la asignatura (transparencias, prácticas, recomensaciones,....)
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
Numerical Methods for Computing/614G01064

Subjects that continue the syllabus

Other comments
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.


(*)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.