Créditos ECTS Créditos ECTS: 6
Horas ECTS Criterios/Memorias Horas de Tutorías: 1 Clase Expositiva: 30 Clase Interactiva: 20 Total: 51
Lenguas de uso Castellano, Gallego
Tipo: Materia Ordinaria Grado RD 1393/2007 - 822/2021
Departamentos: Estadística, Análisis Matemático y Optimización
Áreas: Estadística e Investigación Operativa
Centro Escuela Técnica Superior de Ingeniería
Convocatoria: Segundo semestre
Docencia: Con docencia
Matrícula: Matriculable | 1ro curso (Si)
El objetivo de esta materia es que el alumnado conozca los fundamentos básicos de la probabilidad, la inferencia estadística y los modelos de regresión que servirán como base para construir modelos estadísticos avanzados para el análisis de datos.
TEMA 1. ESTADÍSTICA DESCRIPTIVA
1.1 Conceptos generales.
1.2 Distribuciones de frecuencias.
1.3 Representaciones gráficas.
1.4 Medidas características: posición, dispersión y forma.
1.5 Estadística descriptiva bidimensional. Tablas de contingencia.
TEMA 2. FUNDAMENTOS DE PROBABILIDAD
2.1 Experimento aleatorio. Sucesos y espacio muestral.
2.2 Asignación y definición de probabilidad. Operaciones con sucesos.
2.3 Probabilidad condicionada. Independencia de sucesos. Resultados notables.
TEMA 3. VARIABLE ALEATORIAS
3.1 Variable discreta. Soporte, función de masa de probabilidad y función de distribución.
3.2 Variable continua. Función de densidad y función de distribución.
3.2 Medidas características.
3.3 Principales modelos de distribuciones discretas y continuas.
3.4 Teorema Central del límite.
3.5 Aproximación de distribuciones.
TEMA 4. INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA Y ESTIMACIÓN DE PARÁMETROS
4.1 Introducción a la Inferencia Estadística.
4.2 Estimación para una población.
4.3 Estimación para dos poblaciones.
4.4 Estimación por intervalos de confianza.
TEMA 5. CONTRASTE DE HIPÓTESIS
5.1 Introducción al contraste de hipótesis.
5.2 Procedimiento de contraste.
5.3 Contrastes para una población.
5.4 Contrastes para dos poblaciones.
TEMA 6. INTRODUCCIÓN A LA REGRESIÓN LINEAL
6.1 Estadística descriptiva bidimensional para variables continuas. Diagrama de dispersión.
6.2 Modelo de regresión lineal.
BIBLIOGRAFÍA BÁSICA
Borrajo, M. I., Conde, M. y Crujeiras, R. (2020). Estatística Descritiva. Colección Esenciais USC. Online: https://www.usc.gal/libros/es/categorias/948-estatistica-descritiva-334…
Borrajo, M. I., Conde, M. y Crujeiras, R. (2021). Fundamentos da Teoría da Probabilidade. Colección Esenciais USC. Online: https://www.usc.gal/libros/es/categorias/1025-fundamentos-da-teoria-da-…
Borrajo, M. I., Conde, M. y Crujeiras, R. (2021). O programa estatístico R. Colección Esenciais USC. Online: https://www.usc.gal/libros/es/categorias/1024-o-programa-estatistico-r-…
Borrajo, M. I., Conde, M. y Crujeiras, R. (2023). Inferencia Estatística Paramétrica I. Colección Esenciais USC.
Borrajo, M. I., Conde, M. y Crujeiras, R. (2023). Inferencia Estatística Paramétrica II. Colección Esenciais USC.
Febrero Bande, M., Galeano San Miguel, P., González Díaz, J. e Pateiro López, B. (2008). Estadística: Ingeniería Técnica en Informática de Sistemas. Universidade de Santiago de Compostela, Santiago de Compostela. Online: http://eio.usc.es/pub/julio/papers/PubDocenteTeoriaEstadistica.pdf
Fernández-Viagas, Escudero, V., Framiñán Torres, J. M., Pérez González, P. e Villa Caro, G. (2016) Problemas Resueltos de Probabilidad y Estadística en la Ingeniería. Universidad de Sevilla, Sevilla.
BIBLIOGRAFÍA COMPLEMENTARIA
Agresti, A., e Kateri, M. (2021). Foundations of Statistics for Data Scientists: With R and Python. CRC Press, Boca Raton. Online: http://sage.unex.es/502243/4-Stats4DS-RPy_2022-Agresti-Kateri.pdf
Cao, R., Francisco, M., Naya, S., Presedo, M. A., Vázquez, M., Vilar, J. A. e Vilar, J. M. (1998). Estadística Básica Aplicada. Tórculo Edicións, Santiago de Compostela.
Cao, R., Francisco, M., Naya, S., Presedo, M. A., Vázquez, M., Vilar, J. A. e Vilar, J. M. (2001). Introducción a la Estadística y sus Aplicaciones. Ediciones Pirámide, Madrid.
Devore, J. L. (2001). Probabilidad y Estadística para Ingeniería y Ciencias. Thomson Learnin, México. Online: https://elibro-net.ezbusc.usc.gal/es/lc/busc/titulos/93280
Guisande-González, C., Vaamonde-Liste, A. e Barreiro-Felpeto, A. (2011). Tratamiento de Datos con R, Statistica y SPSS. Díaz de Santos, Madrid. Online: https://www-ebooks7-24-com.ezbusc.usc.gal/stage.aspx?il=4021&pg=&ed=
Mendenhall, W. M. e Sincich, T. L. (2016). Statistics for Engineering and the Sciences. CRC Press, Boca Raton.
Montgomery, D. C., Runger, G. C. e Medal, E. G. U. (2007). Probabilidad y Estadística Aplicadas a la Ingeniería. Limusa-Wiley, México.
Peña, D. (1991). Fundamentos de Estadística. Alianza Editorial, Madrid.
Peña, D. (1993). Estadística: Modelos y Métodos. Alianza Editorial, Madrid.
Quesada Paloma, V. e García Pérez, A. (1988). Lecciones de Cálculo de Probabilidades. Ediciones Díaz de Santos, Madrid.
Ross, S. M. (2014). Introduction to Probability and Statistics for Engineers and Scientists. Elsevier, Burlington. Online: https://www-sciencedirect-com.ezbusc.usc.gal/book/9780128243466/introdu…
La bibliografía recomendada está disponible en las bibliotecas de la USC.
Tras cursar esta asignatura, se espera que el alumnado trabaje las habilidades que se enumeran en la memoria del Grao en Intelixencia Artificial de las Universidades de A Coruña, Santiago de Compostela y Vigo. Así, el alumnado deberá adquirir las siguientes competencias básicas, generales, transversales y específicas: CG2, CG4, CB2, CB3, CB5, TR3, CE1, CE2 Y CE3.
Como resultados de aprendizaje el alumnado debería conocer los fundamentos probabilísticos básicos, los fundamentos de la inferencia estadística y los fundamentos de los modelos de regresión. Se espera que el alumnado sea capaz de describir un suceso aleatorio en una o/y dos variables estadísticas eligiendo gráficos adecuados para su representación y haciendo uso de estadísticos apropiados para cada caso y que pueda justificar la pertinencia de un test estadístico o contraste de hipótesis en una aplicación concreta. Además, debería ser capaz de diseñar los criterios de elegibilidad de una muestra correctamente para responder a un problema real y debería poder validar los modelos estadísticos adecuadamente y corregirlos en consecuencia. Teniendo en cuenta todo esto, una vez finalizada la asignatura, el alumnado debería tener la base para construir modelos estadísticos avanzados para el análisis de datos.
Docencia expositiva (30 horas). Para la transmisión del conocimiento se hará uso de diapositivas y de encerado y se resolverán problemas tipo, de manera que el alumnado pueda trabajar sobre los boletines de ejercicios facilitados. Respecto al material para el seguimiento de la materia, a mayores de la bibliografía recomendada, el alumnado contará con la ayuda de material adicional en el Campus Virtual de la USC. En las sesiones de docencia expositiva se trabajarán las siguientes habilidades: competencias generales (CG4), competencias básicas (CB2, CB3 y CB5) y competencias específicas (CE1 y CE2).
Sesiones prácticas en aula de informática y/o laboratorio (20 horas). En este tipo de docencia, la implicación del alumnado en la resolución de los ejercicios prácticos será orientada por el docente en las horas impartidas en aula. Estos problemas serán resueltos con la ayuda de software que permita resolver los problemas prácticos que se vayan planteando a lo largo de la asignatura. Fuera del aula, el alumnado deberá resolver ejercicios de manera autónoma para afianzar conceptos y enfrentarse por su cuenta a los problemas de analizar bases de datos y de programar funciones en dicho software. Objetivos desarrollados: competencias generales (CG2, CG4), competencias básicas (CB2 y CB3), competencias transversales (TR3) y competencias específicas (CE1, CE2 y CE3).
Tutorías (1 horas): las tutorías están destinadas al seguimiento del aprendizaje del alumnado. En las sesiones de tutoría se realizarán distintas actividades que permitan al alumnado alcanzar una visión de conjunto de la materia y, al mismo tiempo, identificar en qué aspectos deben mejorar. Objetivos desarrollados: competencias generales (CG4), competencias básicas (CB2, CB3 y CB5) y competencias específicas (CE1, CE2 y CE3).
La distribución de las horas de docencia expositiva (30 horas) y seminarios (20 horas), por temas, es la siguiente, en sesiones de una hora:
Tema 1. Estadística descriptiva: 5 expositivas, 4 seminarios.
Tema 2. Fundamentos de probabilidad: 4 expositivas, 2 seminario.
Tema 3. Variables aleatorias: 8 expositivas, 4 seminarios.
Tema 4. Introducción a la Inferencia y la estimación de parámetros: 5 expositivas, 4 seminarios.
Tema 5. Contrastes de hipótesis: 4 expositivas, 4 seminarios.
Tema 6. Introducción a la regresión lineal: 4 expositivas, 2 seminarios.
Durante el curso se evaluará, de forma continua, el grado en el que el alumnado ha logrado los objetivos propuestos para esta asignatura. La cualificación se hará mediante evaluación continua y examen final teórico práctico. El peso de cada parte de la evaluación se detalla a continuación.
Evaluación continua (30%): la evaluación continua se realizará en base a la participación en distintos tipos de tareas. Las actividades de evaluación continua comprenderán la resolución de casos prácticos (de modo individual o en grupo), en los que se podrá incluir la utilización del software estadístico. También se propondrán ejercicios de resolución individual a realizar de forma presencial y/o no presencial. La calificación obtenida se conservará entre oportunidades de un mismo curso académico (ordinaria y extraordinaria). Durante esta parte también se evaluará la participación e implicación del alumnado en el aula. Competencias evaluadas: CG2, CG4, CB2, CB3, TR3, CE1, CE2 Y CE3.
Examen final (70%): el examen final constará de varias cuestiones y ejercicios teórico-prácticos sobre los contenidos de la materia, dentro de las que se podrá incluir la interpretación de resultados obtenidos con el paquete estadístico utilizado en la docencia interactiva. Competencias evaluadas: CG2, CG4, CB2, CB3, CB5, TR3, CE1, CE2 Y CE3.
Nótese que, para los casos de realización fraudulenta de ejercicios o pruebas, será de aplicación lo recogido en la “Normativa de evaluación del rendimiento académico de los estudiantes y de la revisión de las calificaciones”.
Finalmente, se considera que se concurre a evaluación cuando la persona interesada participa en actividades que le permitan obtener, al menos, un 50% de la evaluación final. El peso de la evaluación continua en la oportunidad de recuperación será el mismo que en la convocatoria ordinaria del cuatrimestre. Para los estudiantes repetidores, la evaluación se llevará a cabo de la misma manera, y no se conservará ninguna nota obtenida en el curso pasado (incluida la nota de evaluación continua).
En esta materia, el alumnado cuenta con la siguiente docencia impartida por el profesorado: 30 horas de docencia expositiva, 20 horas de sesiones prácticas en aula de informática y/o laboratorio y 1 hora de tutorías. El alumnado deberá dedicar, a mayores, 60 horas a profundizar los conocimientos de las clases expositivas y 39 a la resolución de problemas prácticos. Durante esas horas se deberá profundizar en el conocimiento adquirido, a través de la revisión de conceptos, práctica de la resolución de problemas y la consulta de la bibliografía recomendada.
El seguimiento a las sesiones expositivas e interactivas es fundamental para la superación de la materia. El alumnado deberá realizar todas las actividades recomendadas por el profesorado (resolución de problemas, revisión de bibliografía y ejercicios prácticos) para superar con éxito la materia. Además, se recomienda hacer uso del horario de tutorías para resolver cualquier duda que pueda surgir.
Requisitos previos recomendados: Álgebra.
Balbina Virginia Casas Mendez
- Departamento
- Estadística, Análisis Matemático y Optimización
- Área
- Estadística e Investigación Operativa
- Teléfono
- 881813180
- Correo electrónico
- balbina.casas.mendez [at] usc.es
- Categoría
- Profesor/a: Titular de Universidad
Maria Jose Ginzo Villamayor
Coordinador/a- Departamento
- Estadística, Análisis Matemático y Optimización
- Área
- Estadística e Investigación Operativa
- Correo electrónico
- mariajose.ginzo [at] usc.es
- Categoría
- Profesor/a: Profesor Ayudante Doctor LOU
| Martes | |||
|---|---|---|---|
| 10:00-11:00 | Grupo /CLE_01 | Gallego, Castellano | IA.11 |
| Jueves | |||
| 10:00-12:00 | Grupo /CLIL_03 | Gallego, Castellano | IA.12 |
| Viernes | |||
| 10:30-12:30 | Grupo /CLIL_02 | Gallego, Castellano | IA.11 |
| 12:30-13:30 | Grupo /CLE_01 | Castellano, Gallego | IA.11 |
| 19.05.2025 09:00-14:00 | Grupo /CLIL_01 | IA.01 |
| 19.05.2025 09:00-14:00 | Grupo /CLE_01 | IA.01 |
| 19.05.2025 09:00-14:00 | Grupo /CLIL_02 | IA.01 |
| 19.05.2025 09:00-14:00 | Grupo /CLIL_03 | IA.01 |
| 19.05.2025 09:00-14:00 | Grupo /CLIL_03 | IA.11 |
| 19.05.2025 09:00-14:00 | Grupo /CLIL_01 | IA.11 |
| 19.05.2025 09:00-14:00 | Grupo /CLE_01 | IA.11 |
| 19.05.2025 09:00-14:00 | Grupo /CLIL_02 | IA.11 |
| 19.05.2025 09:00-14:00 | Grupo /CLIL_01 | IA.12 |
| 19.05.2025 09:00-14:00 | Grupo /CLIL_02 | IA.12 |
| 19.05.2025 09:00-14:00 | Grupo /CLIL_03 | IA.12 |
| 19.05.2025 09:00-14:00 | Grupo /CLE_01 | IA.12 |
| 10.07.2025 16:00-20:00 | Grupo /CLIL_02 | IA.11 |
| 10.07.2025 16:00-20:00 | Grupo /CLIL_03 | IA.11 |
| 10.07.2025 16:00-20:00 | Grupo /CLE_01 | IA.11 |
| 10.07.2025 16:00-20:00 | Grupo /CLIL_01 | IA.11 |