Identifying Data 2022/23
Subject (*) Statistics Code 614G03004
Study programme
Grao en Intelixencia Artificial
Descriptors Cycle Period Year Type Credits
Graduate 2nd four-month period
 First Basic training 6
Language
Spanish
Teaching method Face-to-face
Prerequisites
Department Matemáticas
Coordinador
Fernández Casal, Rubén
 E-mail
ruben.fcasal@udc.es
Lecturers
Fernández Casal, Rubén
 E-mail
ruben.fcasal@udc.es
Web
General description Se pretende que el alumno desarrolle las competencias necesarias para comprender y aplicar en la práctica los conocimientos y técnicas estadísticas básicas. En Inteligencia Artificial, al igual que en muchos otros campos, es habitual la toma de decisiones en contextos de incertidumbre, donde las herramientas que proporciona la estadística resultan de especial utilidad.

Study programme competencies
Code Study programme competences
A1 Capacidad para utilizar los conceptos y métodos matemáticos y estadísticos para modelizar y resolver problemas de inteligencia artificial.
A2 Capacidad para resolver problemas de inteligencia artificial que precisen algoritmos, aplicando correctamente metodologías de desarrollo software y diseño centrado en usuario/a.
B2 Que el alumnado sepa aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posea las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio.
B3 Que el alumnado tenga la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su área de estudio) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética.
B5 Que el alumnado haya desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía.
B7 Capacidad para resolver problemas con iniciativa, toma de decisiones, autonomía y creatividad.
B9 Capacidad para seleccionar y justificar los métodos y técnicas adecuadas para resolver un problema concreto, o para desarrollar y proponer nuevos métodos basados en inteligencia artificial.
C3 Capacidad para crear nuevos modelos y soluciones de forma autónoma y creativa, adaptándose a nuevas situaciones. Iniciativa y espíritu emprendedor.

Learning aims
Learning outcomes Study programme competences
Conocer los fundamentos probabilísticos básicos A1
A2
 B2
B3
 C3
Conocer los fundamentos de la inferencia estadística A1
A2
 B2
B3
B5
B7
B9
 C3
Conocer los fundamentos de los modelos de regresión A1
A2
 B2
B5
B7
B9
 C3
Saber construir modelos estadísticos avanzados para el análisis de datos A1
A2
 B2
B5
B7
B9
 C3
Justificar la pertinencia de un test estadístico o contraste de hipótesis en una aplicación concreta A1
 B2
B9
Diseñar los criterios de elegibilidad de una muestra correctamente para responder a un problema real B2
B3
B5
B9
 C3
Validar los modelos estadísticos adecuadamente y corregirlos en consecuencia A1
A2
 B2
B3
B5
B7
B9
 C3
Saber describir una o/y dos variables estadísticas eligiendo gráficos adecuados y haciendo uso de estadísticos apropiados para cada caso A1
 B3
B9
 C3

Contents
Topic Sub-topic
Estadística descriptiva y análisis exploratorio de datos Análisis descriptivo univariante: medidas descriptivas, tablas de frecuencias y gráficos
Análisis descriptivo multivariante
Fundamentos de probabilidad Definición de probabilidad y propiedades
Probabilidad condicionada
Teorema de Bayes
Variables aleatorias Variables aleatorias discretas
Variables aleatorias continuas
Introducción a la inferencia estadística Estimación puntual
Intervalos de confianza
Contrastes de hipótesis paramétricos
Contrastes de hipótesis no paramétricos
Introducción a los modelos de regresión Regresión lineal simple
Regresión lineal múltiple
Extensiones del modelo de regresión lineal

Planning
Methodologies / tests Competencies Ordinary class hours Student’s personal work hours Total hours
Guest lecture / keynote speech A1 A2 B2 B3 B5 B7 B9 C3 30 48 78
ICT practicals A1 A2 B2 B3 B5 B7 B9 C3 20 20 40
Seminar A1 A2 B2 B3 B5 B7 B9 C3 10 10 20
Mixed objective/subjective test A1 A2 B2 B3 B5 B7 B9 C3 3 3 6
 
Personalized attention 6 0 6
 
(*)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 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.
ICT practicals Las prácticas se impartirán en un laboratorio informático empleando el lenguaje de programación y entorno estadístico R. Gracias a esta metodología el estudiante pondrá en práctica los conocimientos adquiridos, facilitando el aprendizaje y el desarrollo de las habilidades necesarias.
Seminar 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 a través de TIC.
Mixed objective/subjective test Esta prueba permitirá evaluar el grado de adquisición de conocimientos y la capacidad para la resolución de problemas del ámbito de la probabilidad y de la estadística.

Personalized attention
Methodologies
Mixed objective/subjective test
Seminar
Guest lecture / keynote speech
ICT practicals
Description
Para la resolución de problemas será importante atender personalmente a los alumnos ante las posibles dudas que puedan surgir. Esta atención servirá también, por una parte, al profesor para detectar posibles problemas en la metodología empleada para impartir la asignatura y, por otra, a los alumnos para consolidar conocimientos teóricos y para expresar sus inquietudes acerca de la asignatura.

Assessment
Methodologies Competencies Description Qualification
Mixed objective/subjective test A1 A2 B2 B3 B5 B7 B9 C3 El examen final, con un valor entre el 50% y el 70% (dependiendo de la calificación obtenida en los controles parciales), consistirá en realizar una prueba escrita teórico-práctica. 50
Seminar A1 A2 B2 B3 B5 B7 B9 C3 Se realizarán pruebas escritas (controles parciales) a lo largo del cuatrimestre para comprobar si el alumno va alcanzando las competencias básicas de esta materia. 20
ICT practicals A1 A2 B2 B3 B5 B7 B9 C3 Para evaluar el grado de comprensión y aprendizaje de las prácticas se realizarán pruebas de evaluación a lo largo del cuatrimestre en clases de laboratorio empleando el entorno estadístico R. 30
 
Assessment comments

El alumno acabará el período de clases con un máximo de
un 50% de la calificación, que obtendrá a través de los controles parciales (20%)
y de las pruebas de evaluación de las prácticas a través de TIC (30%).

En la fecha establecida por la Facultad de Informática en
su programación anual, el alumno realizará, por escrito, el examen final de la
materia (prueba mixta), en el que deberá responder 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 nota de este examen se reescalará de forma que el
alumno tenga la oportunidad de recuperar el 20% de la calificación
correspondiente a los controles parciales. De esta manera, dependiendo de la
puntuación obtenida por el alumno en los controles escritos, la nota máxima del
examen final estará comprendida entre 5 y 7 puntos (sobre 10).

En la primera convocatoria (oportunidad de junio), los
alumnos a tiempo parcial que no hayan sido evaluados con anterioridad de la
parte de prácticas de laboratorio, podrán realizar el día del examen final una
prueba específica para recuperar el 20% de la nota correspondiente a dicha
parte (el resto de alumnos no podrán recuperar la nota de esta parte).

La oportunidad de julio (segunda convocatoria) estará
sometida a los mismos criterios que la oportunidad de junio (primera convocatoria).
Los alumnos que se presenten a la segunda oportunidad podrán optar entre
mantener la nota de prácticas a través de TIC o volver a examinarse también de
esta parte.

La realización fraudulenta de las pruebas o actividades
de evaluación implicará directamente la calificación de suspenso (0) en la
materia en la oportunidad correspondiente.

Sources of information
Basic Cao, R., Francisco, M., Naya, S., Presedo, M.A., Vázquez, M., Vilar, J.A. y Vilar, J.M. (2001). Introducción a la Estadística y sus aplicaciones. Ediciones Pirámide
Fernández-Casal, R., Roca-Pardiñas, J., Costa, J. y Oviedo, M. (2022). Introducción al Análisis de Datos con R. Libro online: https://rubenfcasal.github.io/intror
Eguzkitza Arrizabalaga, J.M. (2014). Laboratorio de estadística y probabilidad con R. Gami Editorial

Complementary Gonick, L. y Smith, W. (2001). Á estatística ¡en caricaturas!. SGAPEIO
James, G., Witten, D., Hastie, T. y Tibshirani, R. (2017). An Introduction to Statistical Learning: with Aplications in R. Springer
Blasco Lorenzo, A. y Pérez Díaz, S. (2015). Modelos aleatorios en ingeniería. Paraninfo
Montgomery, D.C. y Runger, G.C. (2004). Probabilidad y Estadística aplicadas a la Ingeniería. McGraw-Hill
Devore, J.L. (2005). Probabilidad y Estadística para Ingeniería y Ciencias. Thomson
Milton, J.S. y Arnold, J.C (2004). Probabilidad y estadística, con aplicaciones para ingeniería y ciencias computacionales. McGraw-Hill
Hernández, V., Ramos, E. y Yáñez, I. (2007). Probabilidad y sus aplicaciones en Ingeniería Informática. Ediciones Académicas
Ugarte, M.D., Militino, A.F. y Arnholt, A.T. (2008). Probability and Statistics with R. Chapman and Hall/CRC
Horgan, J.M. (2009). Probability with R. An Introduction with Computer Science Applications. Wiley


Recommendations
Subjects that it is recommended to have taken before
Algebra/614G03001

Subjects that are recommended to be taken simultaneously

Subjects that continue the syllabus

Other comments


(*)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.