Cr茅ditos ECTS
Cr茅ditos ECTS: 6
Horas ECTS Criterios/Memorias
Horas de Titor铆as: 1
Clase Expositiva: 30
Clase Interactiva: 20
Total: 51
Linguas de uso
Castel谩n, Galego
Tipo:
Materia Ordinaria Grao RD 1393/2007 - 822/2021
Departamentos:
贰蝉迟补迟铆蝉迟颈肠补, An谩lise Matem谩tica e Optimizaci贸n
脕谤别补蝉:
贰蝉迟补迟铆蝉迟颈肠补 e 滨苍惫别蝉迟颈驳补肠颈贸苍 Operativa
Centro
Escola T茅cnica Superior de Enxe帽ar铆a
Convocatoria:
Segundo semestre
Docencia:
Con docencia
惭补迟谤铆肠耻濒补:
Matriculable
| 1ro curso (Si)
O obxectivo deste curso 茅 que o estudantado aprenda os conceptos b谩sicos de probabilidade, inferencia estat铆stica e modelos de regresi贸n que servir谩n de base para constru铆r modelos estat铆sticos avanzados para a an谩lise de datos.
TEMA 1. ESTAT脥STICA DESCRITIVA
1.1 Conceptos xerais.
1.2 Distribuci贸ns de frecuencias.
1.3 Representaci贸ns gr谩ficas.
1.4 Medidas caracter铆sticas: posici贸n, dispersi贸n e forma.
1.5 贰蝉迟补迟铆蝉迟颈肠补 descritiva bidimensional. T谩boas de continxencia.
TEMA 2. FUNDAMENTOS DA PROBABILIDADE
2.1 Experimento aleatorio. Sucesos e espazo mostral.
2.2 Asignaci贸n e definici贸n de probabilidade. Operaci贸ns con sucesos.
2.3 Probabilidade condicional. independencia dos acontecementos. Resultados notables.
TEMA 3. VARIABLES ALEATORIAS
3.1 Variable discreta. Soporte, funci贸n masa de probabilidade e funci贸n de distribuci贸n.
3.2 Variable continua. Funci贸n de densidade e funci贸n de distribuci贸n.
3.2 Medidas caracter铆sticas.
3.3 Principais modelos de distribuci贸ns discretas e continuas.
3.4 Teorema central do l铆mite.
3.5 Aproximaci贸n de distribuci贸ns.
TEMA 4. INTRODUCI脫N 脕 INFERENCIA ESTAT脥STICA E A ESTIMACI脫N DE PAR脕METROS
4.1 Introduci贸n 谩 inferencia estat铆stica.
4.2 Estimaci贸n dunha poboaci贸n.
4.3 Estimaci贸n para d煤as poboaci贸ns.
4.4 Estimaci贸n por intervalos de confianza.
TEMA 5. CONTRASTE DE HIP脫TESE
5.1 Introduci贸n 贸 contraste de hip贸teses.
5.2 Procedemento de contraste.
5.3 Contrastes para unha poboaci贸n.
5.4 Contrastes para d煤as poboaci贸ns.
TEMA 6. INTRODUCI脫N 脕 REGRESI脫N LINEAL
6.1 贰蝉迟补迟铆蝉迟颈肠补 descritiva bidimensional para variables continuas. Diagrama de dispersi贸n.
6.2 Modelo de regresi贸n lineal.
BIBLIOGRAF脥A B脕SICA
Borrajo, M. I., Conde, M. y Crujeiras, R. (2020). 贰蝉迟补迟铆蝉迟颈肠补 Descritiva. Colecci贸n Esenciais 奇趣腾讯分分彩. Online: /濒颈产谤辞蝉/别蝉/肠补迟别驳辞谤颈补蝉/948-别蝉迟补迟颈蝉迟颈肠补-诲别蝉肠谤颈迟颈惫补-334鈥�
Borrajo, M. I., Conde, M. y Crujeiras, R. (2021). Fundamentos da Teor铆a da Probabilidade. Colecci贸n Esenciais 奇趣腾讯分分彩. Online: /濒颈产谤辞蝉/别蝉/肠补迟别驳辞谤颈补蝉/1025-蹿耻苍诲补尘别苍迟辞蝉-诲补-迟别辞谤颈补-诲补-鈥�
Borrajo, M. I., Conde, M. y Crujeiras, R. (2021). O programa estat铆stico R. Colecci贸n Esenciais 奇趣腾讯分分彩. Online: /濒颈产谤辞蝉/别蝉/肠补迟别驳辞谤颈补蝉/1024-辞-辫谤辞驳谤补尘补-别蝉迟补迟颈蝉迟颈肠辞-谤-鈥�
Borrajo, M. I., Conde, M. y Crujeiras, R. (2023). Inferencia 贰蝉迟补迟铆蝉迟颈肠补 Param茅trica I. Colecci贸n Esenciais 奇趣腾讯分分彩.
Borrajo, M. I., Conde, M. y Crujeiras, R. (2023). Inferencia 贰蝉迟补迟铆蝉迟颈肠补 Param茅trica II. Colecci贸n Esenciais 奇趣腾讯分分彩.
Febrero Bande, M., Galeano San Miguel, P., Gonz谩lez D铆az, J. e Pateiro L贸pez, B. (2008). Estad铆stica: Ingenier铆a T茅cnica en Inform谩tica de Sistemas. Universidade de Santiago de Compostela, Santiago de Compostela. Online:
Fern谩ndez-Viagas, Escudero, V., Frami帽谩n Torres, J. M., 笔茅rez Gonz谩lez, P. e Villa Caro, G. (2016) Problemas Resueltos de Probabilidad y Estad铆stica en la Ingenier铆a. Universidad de Sevilla, Sevilla.
BIBLIOGRAF脥A COMPLEMENTARIA
Agresti, A., e Kateri, M. (2021). Foundations of Statistics for Data Scientists: With R and Python. CRC Press, Boca Raton. Online:
Cao, R., Francisco, M., Naya, S., Presedo, M. A., V谩zquez, M., Vilar, J. A. e Vilar, J. M. (1998). Estad铆stica B谩sica Aplicada. T贸rculo Edici贸ns, Santiago de Compostela.
Cao, R., Francisco, M., Naya, S., Presedo, M. A., V谩zquez, M., Vilar, J. A. e Vilar, J. M. (2001). Introducci贸n a la Estad铆stica y sus Aplicaciones. Ediciones Pir谩mide, Madrid.
Devore, J. L. (2001). Probabilidad y Estad铆stica para Ingenier铆a y Ciencias. Thomson Learnin, M茅xico. Online:
Guisande-Gonz谩lez, C., Vaamonde-Liste, A. e Barreiro-Felpeto, A. (2011). Tratamiento de Datos con R, Statistica y SPSS. D铆az de Santos, Madrid. Online:
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 Estad铆stica Aplicadas a la Ingenier铆a. Limusa-Wiley, M茅xico.
Pe帽a, D. (1991). Fundamentos de Estad铆stica. Alianza Editorial, Madrid.
Pe帽a, D. (1993). Estad铆stica: Modelos y M茅todos. Alianza Editorial, Madrid.
Quesada Paloma, V. e Garc铆a 笔茅rez, A. (1988). Lecciones de C谩lculo de Probabilidades. Ediciones D铆az de Santos, Madrid.
Ross, S. M. (2014). Introduction to Probability and Statistics for Engineers and Scientists. Elsevier, Burlington. Online:
A bibliograf铆a recomendada est谩 dispo帽ible nas bibliotecas da 奇趣腾讯分分彩.
Tras a finalizaci贸n deste curso prevese que o alumnado traballe as competencias recollidas na memoria do Grao en Intelixencia Artificial das Universidades da Coru帽a, Santiago de Compostela e Vigo. As铆, o alumnado deber谩 adquirir as seguintes competencias b谩sicas, xerais, transversais e espec铆ficas: CG2, CG4, CB2, CB3, CB5, TR3, CE1, CE2 e CE3.
Como resultados de aprendizaxe, o alumnado debe co帽ecer os fundamentos probabil铆sticos b谩sicos, os fundamentos da inferencia estat铆stica e os fundamentos dos modelos de regresi贸n. Pret茅ndese que os estudantes sexan capaces de describir un suceso aleatorio nunha ou/e d煤as variables estat铆sticas, elixindo gr谩ficas adecuadas para a s煤a representaci贸n e utilizando t茅cnicas estat铆sticas adecuadas para cada caso, e que sexan capaces de xustificar a relevancia dunha proba estat铆stica ou contraste de hip贸tese nunha aplicaci贸n concreta. Ademais, deber铆a ser capaz de dese帽ar os criterios de elixibilidade dunha mostra correctamente para responder a un problema real e deber铆a ser capaz de validar os modelos estat铆sticos adecuadamente e corrixilos en consecuencia. Tendo todo isto en conta, unha vez rematada a materia, o alumnado deber谩 ter as bases para constru铆r modelos estat铆sticos avanzados para a an谩lise de datos.
Docencia expositiva (30 horas). Para a transmisi贸n de co帽ecementos empregaranse diapositivas e encerado e resolveranse problemas tipo, para que o alumnado poida traballar nos bolet铆ns de exercicios que se facilitan. En canto ao material de seguimento da materia, ademais da bibliograf铆a recomendada, o alumnado contar谩 coa axuda de material adicional no Campus Virtual da 奇趣腾讯分分彩. Nas clases expositivas traballaranse as seguintes competencias: competencias xerais (CG4), competencias b谩sicas (CB2, CB3 e CB5) e competencias espec铆ficas (CE1 e CE2).
Sesi贸ns pr谩cticas na aula de inform谩tica e/ou laboratorio (20 horas). Neste tipo de ensinanzas, a implicaci贸n do alumnado na resoluci贸n dos exercicios pr谩cticos ser谩 guiada polo profesor durante as horas impartidas na aula. Estes problemas resolveranse coa axuda dun software que permita resolver os problemas pr谩cticos que vaian xurdindo ao longo do curso. F贸ra da aula, o alumnado deber谩 resolver de xeito aut贸nomo exercicios para consolidar conceptos e afrontar por si mesmo os problemas de an谩lise de bases de datos e funci贸ns de programaci贸n no devandito software. Obxectivos desenvolvidos: competencias xerais (CG2, CG4), competencias b谩sicas (CB2 e CB3), competencias transversais (TR3) e competencias espec铆ficas (CE1, CE2 e CE3).
Titor铆as (1 hora): as titor铆as est谩n dirixidas ao seguimento da aprendizaxe do alumnado. Nas sesi贸ns de titor铆a realizaranse diferentes actividades que permitan ao alumnado acadar unha visi贸n xeral da materia e, ao mesmo tempo, identificar en que aspectos c贸mpre mellorar. Obxectivos desenvolvidos: competencias xerais (CG4), competencias b谩sicas (CB2, CB3 e CB5) e competencias espec铆ficas (CE1, CE2 e CE3).
A distribuci贸n das horas lectivas (30 horas) e dos seminarios (20 horas), por temas, 茅 a seguinte, en sesi贸ns dunha hora:
Tema 1. 贰蝉迟补迟铆蝉迟颈肠补 descritiva: 5 conferencias, 4 seminarios.
Tema 2. Fundamentos da probabilidade: 4 conferencias, 2 seminarios.
Tema 3. Variables aleatorias: 8 conferencias, 4 seminarios.
Tema 4. Introduci贸n 谩 inferencia e estimaci贸n de par谩metros: 5 conferencias, 4 seminarios.
Tema 5. Contrastes de hip贸teses: 4 conferencias, 4 seminarios.
Tema 6. Introduci贸n 谩 regresi贸n 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 cualificaci贸n realizarase mediante avaliaci贸n continua e exame final te贸rico pr谩ctico. A continuaci贸n det谩llase o peso de cada parte da avaliaci贸n.
Avaliaci贸n continua (30%): a avaliaci贸n continua realizarase a partir da participaci贸n en diferentes tipos de tarefas. As actividades de avaliaci贸n continua incluir谩n a resoluci贸n de casos pr谩cticos (individuais ou en grupo), que poder谩n inclu铆r o uso de software estat铆stico. Tam茅n se propor谩n exercicios de resoluci贸n individuais para a s煤a realizaci贸n presencial e/ou non presencial. A nota obtida conservarase entre oportunidades do mesmo curso acad茅mico (ordinaria e extraordinaria). Durante esta parte tam茅n se avaliar谩 a participaci贸n e implicaci贸n do alumnado na aula. Competencias avaliadas: CG2, CG4, CB2, CB3, TR3, CE1, CE2 e CE3.
Exame final (70%): o exame final constar谩 de varias preguntas e exercicios te贸rico-pr谩cticos sobre os contidos da materia, que poder谩n inclu铆r a interpretaci贸n dos resultados obtidos co software estat铆stico empregado na docencia interactiva. Competencias avaliadas: CG2, CG4, CB2, CB3, CB5, TR3, CE1, CE2 e CE3.
Nos casos de realizaci贸n fraudulenta de exercicios ou probas ser谩 de aplicaci贸n o disposto na 鈥淣ormativa para a avaliaci贸n do rendemento acad茅mico do alumnado e a revisi贸n das cualificaci贸ns鈥�.
Finalmente, consid茅rase que conc贸rrese a avaliaci贸n cando a persoa interesada participa en actividades que lle permitan obter polo menos o 50% da avaliaci贸n final. O peso da avaliaci贸n continua na oportunidade de recuperaci贸n ser谩 o mesmo que na convocatoria ordinaria do cuadrimestre. Para os estudantes repetidores, a avaliaci贸n levarase a cabo da mesma maneira, e non se conservar谩 ningunha nota obtida no curso pasado (incluida a nota de evaluaci贸n continua).
Nesta materia, o alumnado disp贸n das seguintes docencias impartidas polo profesorado: 30 horas de docencia expositiva, 20 horas de pr谩cticas en aula de inform谩tica e/ou laboratorio e 1 hora de titor铆as. O alumnado deber谩 dedicar, ademais, 60 horas a afondar no co帽ecemento das clases expositivas e 39 谩 resoluci贸n de problemas pr谩cticos. Durante estas horas d茅bese afondar nos co帽ecementos adquiridos, mediante a revisi贸n de conceptos, a pr谩ctica da resoluci贸n de problemas e a consulta da bibliograf铆a recomendada.
O seguimento das sesi贸ns expositivas e interactivas 茅 fundamental para superar a materia. O alumnado deber谩 realizar todas as actividades recomendadas polo profesorado (resoluci贸n de problemas, revisi贸n bibliogr谩fica e exercicios pr谩cticos) para superar con 茅xito a materia. Ademais, recom茅ndase facer uso das titor铆as para resolver as d煤bidas que poidan xurdir.
Requisitos previos recomendados: 脕lxebra.
Balbina Virginia Casas Mendez
- Departamento
- 贰蝉迟补迟铆蝉迟颈肠补, An谩lise Matem谩tica e Optimizaci贸n
- 脕谤别补
- 贰蝉迟补迟铆蝉迟颈肠补 e 滨苍惫别蝉迟颈驳补肠颈贸苍 Operativa
- 罢别濒茅蹿辞苍辞
- 881813180
- Correo electr贸nico
- balbina.casas.mendez [at] usc.es
- 颁补迟别驳辞谤铆补
- Profesor/a: Titular de Universidade
Maria Jose Ginzo Villamayor
Coordinador/a- Departamento
- 贰蝉迟补迟铆蝉迟颈肠补, An谩lise Matem谩tica e Optimizaci贸n
- 脕谤别补
- 贰蝉迟补迟铆蝉迟颈肠补 e 滨苍惫别蝉迟颈驳补肠颈贸苍 Operativa
- Correo electr贸nico
- mariajose.ginzo [at] usc.es
- 颁补迟别驳辞谤铆补
- Profesor/a: Profesor Axudante Doutor LOU
Jose Ameijeiras Alonso
- Departamento
- 贰蝉迟补迟铆蝉迟颈肠补, An谩lise Matem谩tica e Optimizaci贸n
- 脕谤别补
- 贰蝉迟补迟铆蝉迟颈肠补 e 滨苍惫别蝉迟颈驳补肠颈贸苍 Operativa
- 罢别濒茅蹿辞苍辞
- 881813165
- Correo electr贸nico
- jose.ameijeiras [at] usc.es
- 颁补迟别驳辞谤铆补
- PROFESOR/A PERMANENTE LABORAL
| Martes | |||
|---|---|---|---|
| 10:00-11:00 | Grupo /CLE_01 | Galego, Castel谩n | IA.11 |
| Xoves | |||
| 10:00-12:00 | Grupo /CLIL_02 | Galego, Castel谩n | IA.13 |
| Venres | |||
| 10:30-12:30 | Grupo /CLIL_01 | Galego, Castel谩n | IA.11 |
| 12:30-13:30 | Grupo /CLE_01 | Castel谩n, Galego | IA.11 |
| 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_01 | IA.01 |
| 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_03 | IA.11 |
| 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 |
| 19.05.2025 09:00-14:00 | Grupo /CLIL_01 | IA.12 |
| 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 |
| 10.07.2025 16:00-20:00 | Grupo /CLIL_02 | IA.11 |