Créditos ECTS Créditos ECTS: 6
Horas ECTS Criterios/Memorias Traballo do Alumno/a ECTS: 102 Horas de Titorías: 2 Clase Expositiva: 12 Clase Interactiva: 34 Total: 150
Linguas de uso Castelán, Galego
Tipo: Materia Ordinaria Máster RD 1393/2007 - 822/2021
Departamentos: Estatística, Análise Matemática e Optimización
Áreas: Estatística e Investigación Operativa
Centro Facultade de Ciencias
Convocatoria: Primeiro semestre
Docencia: Con docencia
Matrícula: Matriculable | 1ro curso (Si)
Introducir ao alumno nas técnicas estatísticas clásicas de análise de datos na investigación. Dar a coñecer as ferramentas para decidir cando empregar cada técnica e verificar que se cumpren as condicións para aplicala. Capacitar ao alumno para a obtención e interpretación de resultados estatísticos manexando o software R.
Tema 1.- Técnicas básicas de inferencia estatística.
Análise inicial dos datos: valores perdidos, outliers, normalidade, homocedasticidade. Intervalos de confianza. Contraste de hipótese.
Tema 2.- Deseño de experimentos e análise de resultados.
Deseños cun factor. Análise da varianza. Comparacións múltiples. Deseños con varios factores de interese (modelos sen replicación e con replicación). Medidas repetidas.
Tema 3.- Métodos non paramétricos e análises de datos categóricos.
Tests non paramétricos para deseños completamente aleatorizados e deseños en bloques. Test Chi-cadrado para proporcións e táboas de continxencia.
Tema 4.- Modelos de Regresión.
Correlación. Regresión lineal simple. Inferencia na estimación do modelo e na predición. Regresión no lineal. Regresión múltiple. Análise da colinealidade. Diagnose do modelo.
Tema 5.- Modelos con resposta cualitativa.
Regresión loxística binaria. Inferencia sobre os parámetros. Predición. Curva ROC.
Tema 6.- Técnicas clásicas de análise multivariante.
Técnicas de dependencia e interdependencia para a análise de datos. Aplicacións da análise de compoñentes principais, análise de correspondencias e análise clúster.
Prácticas de computador: ANÁLISE DE DATOS CON R.
-R: programa de aplicación na investigación.
-Preparación dos datos. Estatística descritiva. Análise por grupos. Representacións gráficas.
-Métodos paramétricos e non paramétricos de inferencia estatística.
-Test Chi-cadrado para proporcións e táboas de continxencia.
-Modelos de regresión lineal e regresión loxística.
-Métodos multivariantes clásicos con R.
Bibliografía básica
-ALDÁS, J.; URIEL, E. (2017): Análisis multivariante aplicado con R. Paraninfo.
-ALKARKHI, A. F. M.; ALQARAGHULI, W. A. A. (2019). Easy Statistics for Food Science with R. Academic Press.
-ÁLVAREZ CÁCERES, R. (2007). Estadística aplicada a las Ciencias de la Salud. Díaz de Santos.
-DANIEL, W. W. (2006). Bioestadística: base para el análisis de las ciencias de la salud. Limusa Wiley coop.
-EKSTROM,C. T.; SORENSEN, H. (2011). Statistical Data Analysis for the Life Sciences. CRC Press.
-LALANNE, C. ; MESBAH, M. (2016). Biostatistics and Computer-based Analysis of Health Data using R. ISTE Press Ltd and Elsevier Ltd. eBook ISBN: 9780081011751. URL: https://iacobus.usc.gal/permalink/34CISUG_USC/1od8vts/cdi_askewsholts_v…. Acceso: 8-5-24
-MARTÍNEZ GONZÁLEZ, M. A. (ed.) (2006). Bioestadística amigable. Díaz de Santos.
-RIUS, F.; BARÓN, F. J. (2008). Bioestadística. Thomson-Paraninfo.
-SAMUELS, M. L. et all (2012). Fundamentos de Estadística para las Ciencias de la Vida. Pearson.
-SARABIA ALEGRÍA, J.M; PRIETO MENDOZA, F. E JORDÁ GIL, V. (2018). Prácticas de estadística con R. Pirámide.
-ZAR, J.H. (2010). Biostatistical Analysis. Pearson.
Bibliografía complementaria
-EVERITT, B. S.; HOTHORN, T. (2010). A Handbook of statistical analysis Using R. Chapman & Hall RC.
-JOHNSON, D. E. (2000). Métodos Multivariados aplicados al análisis de datos. Internacional Thomson Ed.
-LOGAN, M. (2010). Biostatistical design and analysis using R: a practical guide. Wiley-Blackwell.
-MAINDONALD, J.; BRAUN, W. J. (2010). Data Analysis and Graphics Using R. An Example Based Approach. Cambridge.
-PARDO, A.; SAN MARTÍN, R. (2010). Análisis de datos en ciencias sociales y de la salud II. Editorial Síntesis.
-PEÑA SÁNCHEZ DE RIVERA, D. (2002). Análisis de datos multivariantes. Mc Graw Hill.
-QUINN, G. P., KEOUGH, M. J. (2002). Experimental Design and Data Analysis for Biologists. Cambridge University Press.
-RIAL BOUBETA, A.; VARELA MALLOU, J. (2008). Estadística práctica para investigación en Ciencias de la Salud. E d. Netbiblo.
Competencias xerais
CG6: Ser capaz de intervir no deseño e desenvolvemento de alimentos máis saudables.
CG7: Desenvolver destrezas e habilidades na análise e tratamento estatístico de datos de tipo físico, químico, microbiolóxico e sensorial dos alimentos.
CG11: Adquirir formación para desenvolver a actividade investigadora, sendo capaces de formular hipóteses, recoller e interpretar a información para a resolución de problemas seguindo o método científico, e comprendendo a importancia e as limitacións do pensamento científico nos aspectos relacionados coa nutrición, a seguridade e a tecnoloxía alimentaria.
Competencias básicas
CB7: Que os estudantes saiban aplicar os coñecementos adquiridos e a súa capacidade de resolución de problemas en contornas novas ou pouco coñecidos dentro de contextos máis amplos (ou multidisciplinares) relacionados coa súa área de estudo.
CB9: Que os estudantes saiban comunicar as súas conclusións e os coñecementos e razóns últimas que as sustentan a públicos especializados e non especializados dun modo claro e sen ambigüidades.
Competencias transversais
CT1: Capacidade de análise e síntese.
CT2: Capacidade para organizar e planificar.
CT3: Capacidade para traballar en equipo.
CT5: Capacidade para usar tecnoloxías da información e comunicación.
CT7: Capacidade para a resolución de problemas.
CT8: Capacidade para tomar decisións.
CT10: Capacidade para o razoamento crítico e a argumentación, e capacidade autocrítica.
CT12: Capacidade para utilizar información en lingua estranxeira.
CT14: Capacidade de aplicar os coñecementos á práctica.
Competencias específicas
CE1: Coñecer a metodoloxía das técnicas estatísticas e os deseños *muestrales, e ser capaz de formular hipóteses estatísticas en problemas relacionados coa nutrición, a seguridade e a tecnoloxía alimentaria.
CE2: Saber interpretar os resultados de análises estatísticas relacionadas coa nutrición, alimentación e aspectos sanitarios.
Nas clases presenciais farase unha breve exposición da metodoloxía estatística a abordar, desenvolvéndoa mediante aplicacións a supostos prácticos. Todas as clases serán na aula de informática para que os alumnos fagan o seguimento dos exemplos desde a súa formulación inicial, fixando os obxectivos, organizando convenientemente a base de datos, obtendo os resultados co computador e interpretando a saída que proporciona o programa informático. Nestas clases empregaranse uns guións que estarán a disposición dos estudantes no Campus Virtual da USC antes de cada sesión na aula de informática.
As actividades presenciais complétanse con titorías, exames e revisión.
Nas actividades non presenciais, os alumnos realizarán traballos individuais que consistirán na resolución razoada de supostos relacionados cos contidos de cada tema. Empregarase o Campus Virtual da USC para recoller os traballos propostos e entregar as solucións.
A avaliación farase en base aos dous apartados seguintes.
Apartado 1. O exame da materia, cun peso do 60%. Esta proba abordará cuestións sobre métodos estatísticos e a resolución razoada de problemas. Hai dúas oportunidades que se realizarán nas datas oficiais fixadas polo centro. Competencias a avaliar: CG7, CG11, CB7, CT1, CT5, CT7, CT14, CE1, CE2.
Apartado 2. As actividades para a avaliación do seguimento continuo das clases expositivas e interactivas. Serán actividades presenciais e non presenciais e terán unha valoración do 40% na nota final. Competencias a avaliar: CG6, CG7, CG11, CB7, CB9, CT1, CT2, CT3, CT5, CT7, CT8, CT10, CT12, CT14,CE1, CE2.
Para que sexa aplicable a avaliación en base aos dous apartados anteriores, será necesario unha nota mínima de 4 sobre 10 no apartado 1 de avaliación. Se non se acada ese mínimo no apartado 1, a nota final máxima da materia non poderá ser superior a 4.5 sobre 10.
Aqueles estudantes que non aproben a materia na primeira oportunidade terán que facer unha nova proba de avaliación do apartado 1 na segunda oportunidade. A nota da primeira oportunidade do apartado 2 consérvase para a segunda oportunidade.
Para os casos de realización fraudulenta de exercicios ou probas, será de aplicación o recollido na “Normativa de avaliación do rendimento académico dos estudantes e da revisión das cualificacións”.
ECTS = 6
Clases presenciais expositivas: 12 horas. Horas estimadas de traballo non presencial: 18.
Clases presenciais interactivas: 34 horas. Horas estimadas de traballo non presencial: 54.
Titorías presenciais: 2 horas.
Traballos individuais e/ou en grupo. 15 horas estimadas de traballo non presencial.
Realización de exames e revisión: 3 horas presenciais.
Horas presenciais totais: 51.
Horas totais estimadas de estudo e traballo persoal: 99.
- Asistencia e participación activa nas clases.
- Realizar as actividades programadas nos prazos establecidos.
- Seguimento das lecturas que se propoñan e consulta da bibliografía.
- Uso das titorías, tanto nas horas asignadas ás mesmas como a través da USC-Virtual.
- Nos exames, xustificar todas as respostas e empregar a notación estatística apropiada.
O profesorado desta materia utilizará dous idiomas: galego e castelán.
Maria De Las Nieves Muñoz Ferreiro
Coordinador/a- Departamento
- Estatística, Análise Matemática e Optimización
- Área
- Estatística e Investigación Operativa
- Teléfono
- 982824058
- Correo electrónico
- nieves.munoz [at] usc.es
- Categoría
- Profesor/a: Colaborador
| Luns | |||
|---|---|---|---|
| 16:00-19:00 | Grupo /CLIL_01 | Castelán | AULA INFORMÁTICA 2 |
| 10.01.2025 10:00-14:00 | Grupo /CLE_01 | AULA INFORMÁTICA 1 |
| 11.06.2025 16:00-20:00 | Grupo /CLE_01 | AULA INFORMÁTICA 1 |