COMPETENCIAS ESPECÍFICAS

-M03CM02: Estar familiarizado con las principales distribuciones de probabilidad y las técnicas usuales de análisis de datos e inferencia estadística.

-M03CM03: Usar correctamente la terminología relacionada con los fenómenos aleatorios y el análisis de datos.

-M03CM04: Modelizar correctamente situaciones típicas relativas a fenomenos aleatorios y el tratamiento de datos.

-M03CM05: Estar familiarizado con recursos informáticos apropiados para el tratamiento de las situaciones mencionadas y manejar correctamente algunos de ellos.

-M03CM06: Seleccionar correctamente la técnica de análisis estadístico adecuada, en función del objetivo que se persigue en el estudio de esas situaciones.

-M03CM07: Realizar correctamente los cálculos y/o visualizaciones gráficas que requieran tales situaciones, utilizando los recursos teóricos y/o computacionales apropiados.

-M03CM08: Interpretar con sentido crítico los resultados de los análisis realizados.



RESULTADOS

- Saber hacer estimaciones y contrastes de hipótesis a partir de muestras.

- Saber interpretar los resultados de los análisis estadísticos realizados.

- Saber hacer estimaciones de cantidades significativas (probabilidades, medias, etc.) cuando su cálculo exacto no sea practicable.

- Saber elegir razonadamente el método más apropiado para hacer estimaciones y contrastes de hipótesis a partir de muestras.

- Utilizar correctamente recursos informáticos apropiados para los cálculos o visualizaciones gráficas que requiera el análisis de un conjunto de datos estadísticos.

CONTENIDOS TEÓRICOS

1. MUESTREO Y ESTIMACIÓN

- Introducción al muestreo

- Estimación puntual. Métodos para obtener estimadores. Propiedades de los estimadores.

- Estimación por intervalos. Definición de intervalo de confianza. Intervalos de confianza clásicos para una población. Intervalos de confianza clásicos para dos poblaciones.

2. CONTRASTE DE HIPÓTESIS

- Introducción y fundamentos de los contrastes de hipótesis. Clasificación de los contrastes. Probabilidades de errores de tipo I y de tipo II. Nivel de significación. p-valor.

- Contrastes uniformemente más potentes (UMP). Lema de Neyman-Pearson.

- Control de las probabilidades de error y el tamaño de la muestra.

- Test de la razón de verosimilitud.

- Contrastes clásicos para una y dos poblaciones.

3. ANÁLISIS DE LA VARIANZA

- Introducción.

- Análisis de la varianza para una clasificación simple o de un único factor (ANOVA).

- Comparaciones múltiples.

4. CONTRASTES NO PARAMÉTRICOS

- Introducción.

-Contrastes de bondad de ajuste.

- Contrastes de independencia y de homogeneidad.

- Contraste de localización para una, dos o más muestras.



CONTENIDOS PRÁCTICOS

Análisis de datos con el Software R

- Lectura y manejo de datos

- Comandos de Cálculo de Probabilidades e Inferencia estadística

- Interpretación de resultados.

A principio de curso se publicarán en la plataforma eGela los apuntes de la asignatura, junto a las tablas de distribuciones que se utilizarán a lo largo del curso. También se pondrá a disposición del alumnado un guión de ayuda para las prácticas de ordenador y se publicarán las relaciones de problemas que se irán resolviendo, en parte, en las prácticas de aula.



El contenido teórico se expondrá en clases magistrales siguiendo referencias básicas que figuran en la Bibliografía y el material de uso obligatorio. Estas clases magistrales se complementarán con clases de problemas (prácticas de aula) en los que se propondrá al alumnado resolver cuestiones en las que se aplicarán los conocimientos adquiridos en las clases teóricas. En los seminarios se desarrollaran cuestiones y ejemplos representativos del contenido de la asignatura, que generalmente habrán sido facilitados con anterioridad al alumnado para trabajarlos y motiven la posterior reflexión y discusión en la sesión dedicada a ello. En las prácticas de ordenador se utilizarán recursos informáticos para la aplicación de las diferentes técnicas de inferencia estadística que se desarrollan en el temario a un fichero de datos concreto. Los resultados obtenidos permitirán al alumnado responder a las cuestiones planteadas por el/la profesora en relación a las técnicas aplicadas en cada sesión.



Se propondrá al alumnado realizar trabajos individuales y en grupo sobre teoría y problemas, para cuya realización y exposición dispondrán del apoyo de la profesora en el aula, el aula virtual y las tutorías.

La profesora orientará en todo momento el trabajo del alumnado y estimulará que se haga con regularidad y dedicación. Se les animará igualmente a que utilicen las tutorías personales donde pueden aclarar cualquier duda o dificultad que se les presente en la asignatura.

CRITERIOS DE EVALUACIÓN:

Examen escrito: 65%.

Realización de prácticas de ordenador: 15%

Seminarios: 5%.

Trabajos en grupo: entrega de problemas, trabajos o elaboración de un informe estadístico: 15%



Para superar la asignatura, el/la alumno/a deberá alcanzar una nota mínima de 4 (sobre 10) en cada uno de los apartados de la evaluación.



Si el o la estudiante renuncia a la evaluación continua, eligiendo el método de evaluación final, debe comunicarselo a la profesora por escrito entre la primera semana del cuatrimestre y la semana 9. Aun asi, renunciar a la evaluación continua, no exime al alumnado de demostrar la capacidad y conocimientos para realizar las actividades que han sido evaluadas de esta forma, por lo que, en la evaluación final se propondrá una prueba que garantice la evaluación de dichos conocimientos y compute para la nota final en la misma proporción que en la evaluación continua. La prueba puede ser una exposición oral, una demostración ante un ordenador o una descripción escrita de los conocimientos prácticos abordados en las actividades complementarias.



RENUNCIA:

El alumnado que haya realizado las actividades a lo largo del curso, pero no se presente a la convocatoria ordinaria, será calificado como No presentado/a.

Apuntes y materiales publicados en la plataforma eGela.

Bibliografía básica

Bibliografía Básica (en orden alfabetico):

- Casella G, Berger RL. (2008). Statistical Inference. Duxbury Press. Belmont, California.

- Kerns GJ. (2018). Introduction to Probability and Statistics Using R. Third Edition. Libre distribución. Disponible en: https://cran.r-project.org/web/packages/IPSUR/vignettes/IPSUR.

pdf.

- Peña Sánchez de Rivera D. (1992). Estadística. Modelos y Métodos. Fundamentos. Alianza Universidad. Madrid.

- Rohatgi VK. (2003). Statistical Inference. John Wiley & Sons. New York.

- Zuur AF, Ieno EN, Meesters EHWG. (2009). A Beginner's Guide to R. Springer Science+Bussiness

Media LLC. New York.

Bibliografía de profundización

Bibliografía complementaria (en orden alfabético):
- Chihara LM, Hesterberg TC. (2018). Mathematical Statistics with Resampling and R, 2nd Edition.
John Wiley & Sons. New York.
- Kickinson J y Chakaborti S. (1992). Non Parametric Statistical Inference. Dekker Inc.
- Lehman EL. (1983). Theory of point Estimation. John Wiley & Sons. New York.
- Lehman EL. (1986). Testing Statistical Hypothesis. 2nd Edition. John Wiley & Sons. New York.
- Rohatgi VK. (2000). An Introduction to Probability Theory and Mathematical Statistics. John Wiley
& Sons. New York.
- Walpole RE, Myers RH, Myers SL, Ye K. (2012). Probabilidad y Estadística para Ingeniería y Cien-
cias. Pearson Educación, México.