Titulación | Tipo | Curso | Semestre |
---|---|---|---|
2500149 Matemáticas | OB | 3 | 2 |
Puede consutarlo a través de este enlace. Para consultar el idioma necesitará introducir el CÓDIGO de la asignatura. Tenga en cuenta que la información es provisional hasta el 30 de noviembre del 2023.
Álgebra lineal. Análisis matemático. Probabilidades.
En este curso hay que aprender fundamentalmente el concepto de Inferencia.
Se deben introducir y asentar los conceptos de Modelización, Estimación (puntual y por intervalos) y Bondad de ajuste.
Se deben enseñar las técnicas fundamentales de regresión lineal.
Habrá que aprender:
1. La estadística descriptiva y exploratoria que permitirá extraer y resumir de manera eficiente información de los datos.
2. Inferencia estadística: como la Estadística cuantifica la incertidumbre de la información extraída de los datos.
3. Se trabajará la modelización de poblaciones, la estimación de parámetros, especialmente máxima verosimilitud, y el planteamiento y resolución de los contrastes de hipótesis (paramétricos y no-paramétrica) a partir de muestras aleatorias.
3. Propiedades básicas de optimalidad de estimadores: invariancia, suficiencia, eficiencia, sesgo, varianza y propiedades asintóticas.
4. Plantear y resolver problemas aplicados. Con los ejemplos, la resolución de problemas y las prácticas con software estadístico (R), el estudiante trabajará con modelos concretos y con datos reales: inferenciales para los parámetros más importantes de una y dos poblaciones normales. Tests de bondad de ajuste.
Modelización i estimación: Experimentos aleatorios. Distribuciones de referencia.
Estimación Puntual y por Intervalos:
Estimadores. Sesgo, error cuadrático medio, consistencia, suficiencia, normalidad asintótica, ...
Métodos de estimació: momentos, màxima verosimilitud, estimación Bayesiana.
Información de Fisher y Cota de Cramér-Rao. Eficiencia.
Distribución asintótica del estimador de máxima verosimilitud.
Estimación Bayesiana
Tests de hipótesis
Hipótesis nula y alternativa. Tipos de error.
Lema de Neyman & Pearson y tests UMP.
Tests del cociente de verosimilitudes, Score y Wald.
Tests de permutaciones y bootstrap.
Tests de bondad de ajuste.
A menos que las restricciones impuestas por las autoridades sanitarias obliguen a una priorización o reducción de estos contenidos.
Disponemos de clases teóricas, de problemas y de prácticas.
La materia nueva introducirá primordialmente a las clases de teoría, pero habrá que ampliar las explicaciones de la profesora con el estudio autónomo del alumnado, con el apoyo de la bibliografía de referencia. Se valorará la participación del alumnado en las exposiciones de la profesora. Se hará un control parcial de teoría y problemas en la semana designada para tal fin por la Facultad. En el Campus virtual se colgará material para repasar los apunte recogidos en clase.
Las clases de problemas se dedicarán a la resolución orientada de algunos problemas propuestos. Se valorará especialmente la participación de los estudiantes en las clases de problemas.
En las clases prácticas se introducirá el uso de software R con aplicaciones estadísticas. Se verán metodologías descriptivas e inferenciales.
La metodología docente propuesta puede experimentar alguna modificación en función de las restricciones a la presencialidad que impongan las autoridades sanitarias.
Nota: se reservarán 15 minutos de una clase dentro del calendario establecido por el centro o por la titulación para que el alumnado rellene las encuestas de evaluación de la actuación del profesorado y de evaluación de la asignatura o módulo.
Título | Horas | ECTS | Resultados de aprendizaje |
---|---|---|---|
Tipo: Dirigidas | |||
Clases de problemas | 14 | 0,56 | 2, 5, 8, 4 |
Clases de prácticas | 14 | 0,56 | 2, 8, 9, 12, 4 |
Clases de teoria | 28 | 1,12 | 2, 5, 8, 9, 12, 13, 11, 4 |
Tipo: Supervisadas | |||
Tutorías | 5 | 0,2 | |
Tipo: Autónomas | |||
Estudio y pensar problemas | 39 | 1,56 | 2, 5, 8, 9, 12, 13, 11, 4 |
Resolución de problemas (talleres y clases) | 20 | 0,8 | 2, 5, 8, 9, 12, 13, 11, 4 |
Trabajo práctico con ordenadores | 25 | 1 |
La evaluación se realiza de forma continuada a lo largo de todo el curso.
La evaluación continua tiene varios objetivos fundamentales: Monitorizar el proceso de enseñanza y aprendizaje, permitiendo tanto al alumno como al profesor conocer el grado de consecución de las competencias y corregir, si es posible, las desviaciones que se produzcan. Incentivar el esfuerzo continuado del alumno frente al sobreesfuerzo, frecuentemente inútil, de última hora. Verificar que el alumno ha alcanzado las competencias determinadas en el plan de estudios. Por ello es pedirá la acreditación de un nivel mínimo en todas las actividades de evaluación (un 3 sobre 10).
Para hacer esta evaluación se cuenta con los siguientes instrumentos: Una evaluación parcial (30%), documentación entregada por los estudiantes de su trabajo (dossiers de problemas)(15%) , los resultados alcanzados el ejercicios de laboratorio (examen) (15%). La calificación obtenida en esta evaluación representa el 60% de la nota final de la asignatura.
La evaluación continua en complementa mediante una prueba escrita final. La calificación así obtenida representará el 40% de la nota final de la asignatura (permite recuperar una parte de una primera prueba fundamental).
El examen de recuperación se dirigirá a los estudiantes que habiendo superado el nivel mínimo no lleguen aún al aprobado. La nota de problemas y prácticas no es recuperable.
Evaluación única: En la fecha fijada por la Facultad para el examen de evaluación única, quienes se acojan a esta modalidad deberán entregar un dossier de problemas (15%) , y presentar un examen de teoría (con una parte escrita y unaoral) (70%) y otro de prácticas con R (15%).
Título | Peso | Horas | ECTS | Resultados de aprendizaje |
---|---|---|---|---|
Examen Parcial 2 | 40% | 7 | 0,28 | 2, 5, 8, 9, 12, 4 |
Exámen Parcial-1 | 30% | 5 | 0,2 | 2, 5, 8, 9, 12, 11, 4 |
Exámen de prácticas (R) | 15 % | 6 | 0,24 | 1, 2, 5, 6, 7, 8, 10, 12, 11, 4 |
Problemas | 15% | 12 | 0,48 | 1, 2, 3, 5, 6, 8, 12, 13, 11, 4 |
Bàsica
Complementària
R Core Team (2021). R: A language and environment for statistical computing. R
Foundation for Statistical Computing, Vienna, Austria. URL
https://www.R-project.org/.