| Competencias del título |
| Código | Competencias del título |
| A17 | CE17 - Capacidad para la construcción, validación y aplicación de un modelo estocástico de un sistema real a partir de los datos observados y el análisis crítico de los resultados obtenidos. |
| A18 | CE18 - Capacidad para el análisis de un conjunto de datos y la selección y aplicación de las técnicas de inferencia estadística y de regresión más adecuadas para la adquisición de conocimiento para la toma de decisiones. |
| A20 | CE20 - Conocimiento de las herramientas informáticas en el campo del análisis de los datos y modelización estadística, y capacidad para seleccionar las más adecuadas para la resolución de problemas. |
| B1 | CB1 - Que los estudiantes hayan demostrado poseer y comprender conocimientos en un área de estudio que parte de la base de la educación secundaria general, y se suele encontrar a un nivel que, si bien se apoya en libros de texto avanzados, incluye también algunos aspectos que implican conocimientos procedentes de la vanguardia de su campo de estudio |
| B5 | CB5 - Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía |
| B6 | CG1 - Ser capaz de buscar y seleccionar la información útil necesaria para resolver problemas complejos, manejando con soltura las fuentes bibliográficas del campo. |
| C1 | CT1 - Utilizar las herramientas básicas de las tecnologías de la información y las comunicaciones (TIC) necesarias para el ejercicio de su profesión y para el aprendizaje a lo largo de su vida. |
| Resultados de aprendizaje | |||
| Resultados de aprendizaje | Competencias del título | ||
| Conocer las técnicas de inferencia en poblaciones finitas para estudiar características poblacionales a partir de la información suministrada por la muestra. | A17 A18 A20 |
B1 B5 B6 |
C1 |
| Conocer las técnicas estadísticas para realizar estimaciones de características poblacionales a partir de información obtenida con muestreo aleatorio. | A17 A18 A20 |
B1 B5 B6 |
C1 |
| Interpretar los resultados de contrastes de hipótesis como herramienta para la toma de decisiones. | A17 A18 A20 |
B1 B5 B6 |
C1 |
| Conocer las técnicas básicas de la estadística bayesiana y reconocer los contextos adecuados para su aplicación. | A17 A18 A20 |
B1 B5 B6 |
C1 |
| Saber manejar con soltura programas informáticos avanzados de análisis estadístico. | A17 A18 A20 |
B1 B5 B6 |
C1 |
| Contenidos |
| Tema | Subtema |
| 1. Introducción a la inferencia estadística | 1.1 Clasificación de los métodos de inferencia estadística 1.2 Población y muestra 1.3 Muestreo en poblaciones finitas |
| 2. Estimación puntual | 2.1 Conceptos generales 2.2 Propiedades deseables de los estimadores 2.3 Estimación de parámetros de interés 2.4 Procedimientos para la construcción de estimadores |
| 3. Intervalos de confianza | 3.1 Método pivotal 3.2 Intervalos de confianza de parámetros de interés para una muestra 3.3 Intervalos de confianza de parámetros de interés para dos muestras |
| 4. Contrastes de hipótesis |
4.1 Hipótesis estadística 4.2 Tipos de error 4.3 Nivel crítico (p-valor) y potencia de un contraste 4.4 Contrastes paramétricos para una y dos muestras 4.5 Análisis de la varianza |
| 5. Contrastes no paramétricos | 5.1 Contrastes de bondad de ajuste 5.2 Contrastes de independencia y homogeneidad para datos categóricos |
| 6. Introducción a la estadística Bayesiana | 6.1 Principios Básicos. Distribuciones a Priori y Posteriori 6.2 Distribuciones conjugadas 6.3. Aplicaciones a la inferencia paramétrica y a los test de hipótesis |
| Planificación | ||||
| Metodologías / pruebas | Competéncias | Horas presenciales | Horas no presenciales / trabajo autónomo | Horas totales |
| Prácticas de laboratorio | A17 A18 A20 B1 B5 B6 C1 | 20 | 24 | 44 |
| Seminario | A17 A18 A20 B1 B5 B6 C1 | 10 | 14 | 24 |
| Prueba mixta | A17 A18 A20 B1 B5 B6 C1 | 3 | 3 | 6 |
| Sesión magistral | A17 A18 A20 B1 B5 B6 C1 | 30 | 40 | 70 |
| Atención personalizada | 6 | 0 | 6 | |
| (*)Los datos que aparecen en la tabla de planificación són de carácter orientativo, considerando la heterogeneidad de los alumnos | ||||
| Metodologías |
| Metodologías | Descripción |
| Prácticas de laboratorio | Se aprenderá a utilizar el programa gratuito de orientación estadística y gráfica R, se aprenderán sus estructuras de programación y se realizarán estudios estadísticos de datos, tanto reales como simulados. |
| Seminario | Los seminarios reforzarán tanto el carácter aplicado de la asignatura como su interactividad. Los alumnos podrán exponer sus dudas e inquietudes referidas a la materia, y tendrán la oportunidad de realizar, con la supervisión del profesor, problemas similares a los de los exámenes. Además, con una atención muy individualizada, podrán completar las prácticas de laboratorio. |
| Prueba mixta | El alumno deberá demostrar su dominio de los aspectos teóricos de la materia y su capacidad para la resolución de problemas en el ámbito de la inferencia estadística. |
| Sesión magistral | El alumno recibirá clases magistrales en las que el profesor, con la ayuda de los medios audiovisuales pertinentes, expondrá los contenidos teórico-prácticos de la asignatura. Se fomentará en todo momento la participación y el debate. |
| Atención personalizada |
|
|
| Evaluación | |||
| Metodologías | Competéncias | Descripción | Calificación |
| Prácticas de laboratorio | A17 A18 A20 B1 B5 B6 C1 | A lo largo del curso, el alumno demostrará su interés y dominio de la materia, y su capacidad de trabajo en equipo, mediante la realización de trabajos en grupo. Los alumnos que no obtengan el máximo del 20% de la nota correspondiente a esta parte, podrán recuperar la parte faltante en la realización del examen final de la materia. |
20 |
| Seminario | A17 A18 A20 B1 B5 B6 C1 | A lo largo del curso, el alumno demostrará su interés por la materia y su dominio de la misma realizando pruebas escritas (controles) en el que se evaluará el trabajo práctico de la materia. Aquellos alumnos que no obtuvieran el máximo del 20% de la nota correspondiente a esta parte, podrán recuperar la parte faltante al realizar el examen final de la asignatura. |
20 |
| Prueba mixta | A17 A18 A20 B1 B5 B6 C1 | El examen final, con un valor entre el 60% y el 100%, consistirá en realizar una prueba escrita teórico-práctica. | 60 |
| Observaciones evaluación | |||
|
En la fecha que establezca la Facultad en su programación anual, el alumno realizará, por escrito, el examen final de la materia (prueba mixta), en el que tendrá que responder a preguntas teóricas, resolver cuestiones teórico-prácticas, y calcular la solución de diversos problemas. Para esta prueba el alumno sólo podrá llevar consigo el material que se autorice de forma expresa. La oportunidad de julio estará sometida a los mismos criterios que la de junio. No se considera necesario realizar ninguna adaptación para los alumnos a tiempo parcial o con dispensa académica, al disponer todos los alumnos de la posibilidad de obtener la máxima calificación en la materia en el examen final. La realización fraudulenta de las pruebas o actividades de evaluación implicará directamente la calificación de suspenso (0) en la materia en la oportunidad correspondiente. |
|||
| Fuentes de información |
| Básica |
Cao R, Francisco M, Naya S, Presedo MA, Vázquez M, Vilar JA, Vilar JM (2001). Introducción a la Estadística y sus aplicaciones. Ediciones Pirámide (Grupo Anaya)
Ugarte MD, Militino AF, Arnholt AT (2016). Probability and statistics with R. CRC Press, Taylor&Francis Group |
|
|
|
| Complementária |
Gornik L, Smith W (2001). Á estatística ¡en caricaturas!. SGAPEIO
Field A, Miles J, Field Z (2012). Discovering Statistics Using R. SAGE Publications Ltd
Freund JE, Miller I, Miller M (2000). Estadística matemática con aplicaciones. Prentice Hall
Navidi W (2006). Estadística para Ingenieros y Científicos. McGraw-Hill
Peña D (2000). Estadística. Modelos y métodos. 1 Fundamentos. Alianza Editorial
Dalgaard P (2008). Introductory Statistics with R. Springer
Bruce P, Bruce A (2017). Practical Statistics for Data Scientists: 50 Essential Concepts. O’Reilly Media
Vélez-Ibarrola R, García-Pérez A (2012). Principios de Inferencia Estadística. UNED
Devore JL (2016). Probabilidad y Estadística para Ingeniería y Ciencias. Thomson
Teetor P (2011). R Cookbook. O’Reilly Media
Matloff N (2011). The art of R programming. No Starch Press |
|
|
| Recomendaciones | |||||
| Asignaturas que se recomienda haber cursado previamente | |||
|
| Asignaturas que se recomienda cursar simultáneamente | |
|
| Asignaturas que continúan el temario | |||||
|
| Otros comentarios | |