Créditos ECTS Créditos ECTS: 6
Horas ECTS Criterios/Memorias Horas de Titorías: 1 Clase Expositiva: 30 Clase Interactiva: 20 Total: 51
Linguas de uso Castelán, Galego
Tipo: Materia Ordinaria Grao RD 1393/2007 - 822/2021
Departamentos: Estatística, Análise Matemática e Optimización
Áreas: Estatística e Investigación Operativa
Centro Escola Técnica Superior de Enxeñaría
Convocatoria: Segundo semestre
Docencia: Con docencia
Matrícula: Matriculable | 1ro curso (Si)
O obxectivo deste curso é que o estudantado aprenda os conceptos básicos de probabilidade, inferencia estatística e modelos de regresión que servirán de base para construír modelos estatísticos avanzados para a análise de datos.
TEMA 1. ESTATÍSTICA DESCRITIVA
1.1 Conceptos xerais.
1.2 Distribucións de frecuencias.
1.3 Representacións gráficas.
1.4 Medidas características: posición, dispersión e forma.
1.5 Estatística descritiva bidimensional. Táboas de continxencia.
TEMA 2. FUNDAMENTOS DA PROBABILIDADE
2.1 Experimento aleatorio. Sucesos e espazo mostral.
2.2 Asignación e definición de probabilidade. Operacións con sucesos.
2.3 Probabilidade condicional. independencia dos acontecementos. Resultados notables.
TEMA 3. VARIABLES ALEATORIAS
3.1 Variable discreta. Soporte, función masa de probabilidade e función de distribución.
3.2 Variable continua. Función de densidade e función de distribución.
3.2 Medidas características.
3.3 Principais modelos de distribucións discretas e continuas.
3.4 Teorema central do límite.
3.5 Aproximación de distribucións.
TEMA 4. INTRODUCIÓN Á INFERENCIA ESTATÍSTICA E A ESTIMACIÓN DE PARÁMETROS
4.1 Introdución á inferencia estatística.
4.2 Estimación dunha poboación.
4.3 Estimación para dúas poboacións.
4.4 Estimación por intervalos de confianza.
TEMA 5. CONTRASTE DE HIPÓTESE
5.1 Introdución ó contraste de hipóteses.
5.2 Procedemento de contraste.
5.3 Contrastes para unha poboación.
5.4 Contrastes para dúas poboacións.
TEMA 6. INTRODUCIÓN Á REGRESIÓN LINEAL
6.1 Estatística descritiva 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…
A bibliografía recomendada está dispoñible nas bibliotecas da USC.
Tras a finalización deste curso prevese que o alumnado traballe as competencias recollidas na memoria do Grao en Intelixencia Artificial das Universidades da Coruña, Santiago de Compostela e Vigo. Así, o alumnado deberá adquirir as seguintes competencias básicas, xerais, transversais e específicas: CG2, CG4, CB2, CB3, CB5, TR3, CE1, CE2 e CE3.
Como resultados de aprendizaxe, o alumnado debe coñecer os fundamentos probabilísticos básicos, os fundamentos da inferencia estatística e os fundamentos dos modelos de regresión. Preténdese que os estudantes sexan capaces de describir un suceso aleatorio nunha ou/e dúas variables estatísticas, elixindo gráficas adecuadas para a súa representación e utilizando técnicas estatísticas adecuadas para cada caso, e que sexan capaces de xustificar a relevancia dunha proba estatística ou contraste de hipótese nunha aplicación concreta. Ademais, debería ser capaz de deseñar os criterios de elixibilidade dunha mostra correctamente para responder a un problema real e debería ser capaz de validar os modelos estatísticos adecuadamente e corrixilos en consecuencia. Tendo todo isto en conta, unha vez rematada a materia, o alumnado deberá ter as bases para construír modelos estatísticos avanzados para a análise de datos.
Docencia expositiva (30 horas). Para a transmisión de coñecementos empregaranse diapositivas e encerado e resolveranse problemas tipo, para que o alumnado poida traballar nos boletíns de exercicios que se facilitan. En canto ao material de seguimento da materia, ademais da bibliografía recomendada, o alumnado contará coa axuda de material adicional no Campus Virtual da USC. Nas clases expositivas traballaranse as seguintes competencias: competencias xerais (CG4), competencias básicas (CB2, CB3 e CB5) e competencias específicas (CE1 e CE2).
Sesións prácticas na aula de informática e/ou laboratorio (20 horas). Neste tipo de ensinanzas, a implicación do alumnado na resolución dos exercicios prácticos será guiada polo profesor durante as horas impartidas na aula. Estes problemas resolveranse coa axuda dun software que permita resolver os problemas prácticos que vaian xurdindo ao longo do curso. Fóra da aula, o alumnado deberá resolver de xeito autónomo exercicios para consolidar conceptos e afrontar por si mesmo os problemas de análise de bases de datos e funcións de programación no devandito software. Obxectivos desenvolvidos: competencias xerais (CG2, CG4), competencias básicas (CB2 e CB3), competencias transversais (TR3) e competencias específicas (CE1, CE2 e CE3).
Titorías (1 hora): as titorías están dirixidas ao seguimento da aprendizaxe do alumnado. Nas sesións de titoría realizaranse diferentes actividades que permitan ao alumnado acadar unha visión xeral da materia e, ao mesmo tempo, identificar en que aspectos cómpre mellorar. Obxectivos desenvolvidos: competencias xerais (CG4), competencias básicas (CB2, CB3 e CB5) e competencias específicas (CE1, CE2 e CE3).
A distribución das horas lectivas (30 horas) e dos seminarios (20 horas), por temas, é a seguinte, en sesións dunha hora:
Tema 1. Estatística descritiva: 5 conferencias, 4 seminarios.
Tema 2. Fundamentos da probabilidade: 4 conferencias, 2 seminarios.
Tema 3. Variables aleatorias: 8 conferencias, 4 seminarios.
Tema 4. Introdución á inferencia e estimación de parámetros: 5 conferencias, 4 seminarios.
Tema 5. Contrastes de hipóteses: 4 conferencias, 4 seminarios.
Tema 6. Introdución á regresión lineal: 4 conferencias, 2 seminarios.
Durante o curso avaliarase de forma continuada o grao en que o alumnado acadou os obxectivos propostos para esta materia. A cualificación realizarase mediante avaliación continua e exame final teórico práctico. A continuación detállase o peso de cada parte da avaliación.
Avaliación continua (30%): a avaliación continua realizarase a partir da participación en diferentes tipos de tarefas. As actividades de avaliación continua incluirán a resolución de casos prácticos (individuais ou en grupo), que poderán incluír o uso de software estatístico. Tamén se proporán exercicios de resolución individuais para a súa realización presencial e/ou non presencial. A nota obtida conservarase entre oportunidades do mesmo curso académico (ordinaria e extraordinaria). Durante esta parte tamén se avaliará a participación e implicación do alumnado na aula. Competencias avaliadas: CG2, CG4, CB2, CB3, TR3, CE1, CE2 e CE3.
Exame final (70%): o exame final constará de varias preguntas e exercicios teórico-prácticos sobre os contidos da materia, que poderán incluír a interpretación dos resultados obtidos co software estatístico empregado na docencia interactiva. Competencias avaliadas: CG2, CG4, CB2, CB3, CB5, TR3, CE1, CE2 e CE3.
Nos casos de realización fraudulenta de exercicios ou probas será de aplicación o disposto na “Normativa para a avaliación do rendemento académico do alumnado e a revisión das cualificacións”.
Finalmente, considérase que concórrese a avaliación cando a persoa interesada participa en actividades que lle permitan obter polo menos o 50% da avaliación final. O peso da avaliación continua na oportunidade de recuperación será o mesmo que na convocatoria ordinaria do cuadrimestre. Para os estudantes repetidores, a avaliación levarase a cabo da mesma maneira, e non se conservará ningunha nota obtida no curso pasado (incluida a nota de evaluación continua).
Nesta materia, o alumnado dispón das seguintes docencias impartidas polo profesorado: 30 horas de docencia expositiva, 20 horas de prácticas en aula de informática e/ou laboratorio e 1 hora de titorías. O alumnado deberá dedicar, ademais, 60 horas a afondar no coñecemento das clases expositivas e 39 á resolución de problemas prácticos. Durante estas horas débese afondar nos coñecementos adquiridos, mediante a revisión de conceptos, a práctica da resolución de problemas e a consulta da bibliografía recomendada.
O seguimento das sesións expositivas e interactivas é fundamental para superar a materia. O alumnado deberá realizar todas as actividades recomendadas polo profesorado (resolución de problemas, revisión bibliográfica e exercicios prácticos) para superar con éxito a materia. Ademais, recoméndase facer uso das titorías para resolver as dúbidas que poidan xurdir.
Requisitos previos recomendados: Álxebra.
Balbina Virginia Casas Mendez
- Departamento
- Estatística, Análise Matemática e Optimización
- Área
- Estatística e Investigación Operativa
- Teléfono
- 881813180
- Correo electrónico
- balbina.casas.mendez [at] usc.es
- Categoría
- Profesor/a: Titular de Universidade
Maria Jose Ginzo Villamayor
Coordinador/a- Departamento
- Estatística, Análise Matemática e Optimización
- Área
- Estatística e Investigación Operativa
- Correo electrónico
- mariajose.ginzo [at] usc.es
- Categoría
- Profesor/a: Profesor Axudante Doutor LOU
| Martes | |||
|---|---|---|---|
| 10:00-11:00 | Grupo /CLE_01 | Galego, Castelán | IA.11 |
| Xoves | |||
| 10:00-12:00 | Grupo /CLIL_03 | Galego, Castelán | IA.12 |
| Venres | |||
| 10:30-12:30 | Grupo /CLIL_02 | Galego, Castelán | IA.11 |
| 12:30-13:30 | Grupo /CLE_01 | Castelán, Galego | 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 |