domingo, 11 de febrero de 2018

Tema 1 (2/2)

Clase del martes 13 de febrero de 2018


Finalizaremos el bloque dedicado al análisis de datos unidimensionales y nos centraremos en el análisis estadístico de datos bidimensionales o bivariantes. En esta caso, se introducirán tres tipos de distribuciones de frecuencias: conjunta, marginales y condicionadas.

Se tratará de la representación tabular de la distribución conjunta, tabla de contingencia, así como de su representación gráfica, el histograma tridimensional.

A continuación se hablará de la relación existente entre esa tres distribuciones y del concepto de independencia de variables estadísticas.

Finalmente, se ofrecerá una breve introducción al análisis exploratorio de datos (AED).

Estas son las trasparencias para la clase de hoy:


martes, 6 de febrero de 2018

Tema 1: Análisis estadístico de datos (1/2)

Clase del viernes 9 de febrero de 2018


Primera clase dedicada a la teoría del Tema 1. En ella se empezará introduciendo las cuatro escalas de medidas de las que pueden proceder un conjunto de datos: nominal, ordinal, de escala y de razón.

En la clase de hoy nos centaremos en los datos unidimensionales


Se tratará la representación tabular y gráfica de un conjunto de datos, basándonos en el concepto de frecuencia, o repetición. 

El concepto de frecuencia, a su vez,  sustentará la noción de patrón a la que hicimos mención en la clase anterior. A veces, para que se puedan dar repeticiones, se necesita agrupar los datos en clases. Se describirá cómo agrupar datos y cuál es el número idóneo de clases.

De la representación gráfica se destacará al histograma, de cuyo perfil se extrae el patrón que subyace en un conjunto de datos.

Se incluirá, una primera aproximación al análisis exploratorio de datos (AED). 

Estas son las trasparencias para la clase de hoy:


viernes, 2 de febrero de 2018

Presentación de la asignatura curso 17-18



Se pondrán en perspectiva los diferentes bloques de que consta la asignatura: 
  1. Estadística Descriptiva
  2. Cálculo de Probabilidades
  3. Inferencia Estadística.  

Para ello se ha utilizado la idea de patrón, o de estructura subyacente a un conjunto de datos, como elemento vertebrador.

Uno de los objetivos de la Estadística Descriptiva es encontrar patrones dentro la información cuantitativa, una vez que estructuras algebraicas o algorítmicas han sido descartadas. 


La extrapolación de dichos patrones es el objetivo fundamental de la Inferencia Estadística. Extrapolar implica asumir posibles errores e incertidumbre. La sintaxis para trabajar en un escenario bajo incertidumbre la proporciona el Cálculo de Probabilidades.


Aquí están las trasparencias que se usarán en clase





Información básica curso 17-18

  • La información específica de la asignatura también se encuentra disponible en Moodle (a través de Politécnica Virtual). Si hubiese algún problema para acceder al espacio de la asignatura enviadme un correo elecrónico con vuestros datos.
  • Hay que entregar 2 informes prácticos a lo largo del semestre, uno el 2 de marzo (semana 4) y otro el 1 de junio (semana 16). Para ello, debéis organizaros en grupos de cuatro dentro del Grupo 3-3B. No se debe formar grupo con compañeros de otras clases. Para dar de alta a un grupo debéis rellenar una ficha disponible en Moodle (formación de grupos), y entregarla a través de la misma plataforma antes del 9 de febrero a las 13:00. Si no tenéis grupo, o tiene menos de 4 componentes, debéis entregar la ficha igualmente. Los grupos formados se publicarán en el Moodle
  • Las fechas de las distintas pruebas de evaluación se anunciarán en Moodle con suficiente antelación, estando previstas para los siguentes dias:
  • Test Unidad Didáctica 1: 28 de febrero (semana 4).
  • Unidades Didácticas 2 y 3: 4 de mayo (semana 11).
  • Unidades Didácticas 4 y 5: 30 de mayo (semana 15).
  •  Los pesos de estas pruebas en la calificación final de la asignatura son los siguientes:
  • Test Unidad Didáctica  1:    20%
  • Unidades Didácticas 2 -3:    45%
  • Unidades Didácticas 4 -5:    35%
  • Cada una de las pruebas hay que superarla, existiendo las posibilidad de compensar la calificación con una puntuación de al menos 3 puntos. Los informes prácticos se califican como APTO o NO APTO, existiendo la posibilidad de una segunda entrega con los errores corregidos.

Una planificación detallada de la asignatura en el Grupo 3-3B se encontrará siempre en la cabecera de este blog a través de Google Calendar.

lunes, 22 de mayo de 2017

Segundo informe de la práctica

Os paso unos vídeos sobre cómo realizar con Statgraphics el segundo informe práctico, a entregar el viernes 1 de junio.

El guión que aparece en los videos es un guión antiguo. No obstante, los videos siguen ilustrando los diferentes puntos de los que se compone el informe, aunque el orden podría ser diferente.

Los datos para realizar el informe serán los de una de las variables usadas en el primer informe, seleccionada por el grupo según vuestra conveniencia.


  •  Asignar un modelo probabilístico




  • Contraste no paramétrico




  •   Estimación puntual de parámetros




  • Estimación por intervalo de parámetros.






  • Simulación de nuevos datos






  •  Contrastes paramétricos para igualdad de medias y de varianzas



sábado, 6 de mayo de 2017

Tema 12: Contrastes paramétricos

Clase del 8 de mayo de 2017 




Un contraste de hipótesis paramétrico es una técnica estadística que se usa para determinar si cierta información muestral invalida, o no, una afirmación sobre el valor un parámetro.

La hipótesis nula, H0, es la cual se supone cierta, y sólo debe rechazarse cuando existe una gran evidencia muestral en contra. La hipótesis alternativa, H1, es la que se contrapone a la hipótesis nula, y sirve de "abogado del diablo" frente a la confianza depositada en H0.

El razonamiento básico que subyace a todo contraste de hipótesis es el siguiente: Determinar sucesos que sean muy improbables cuando la H0 sea cierta; y, una vez obtenida la información muestral, si alguno de esos sucesos ocurre concluir que la hipótesis H0 es falsa; aunque también podríamos haber sido víctimas del azar y haber dado con los peores datos posibles.

Las trasparencias para la clase son las siguientes:

martes, 2 de mayo de 2017

Tema 10-11: Estimación puntual y por intervalo

Clase del miércoles 3 de mayo de 2017




 La clase se estructurará en dos partes:

1ª Parte (Tema 10, UD4)

Supongamos una muestra aleatoria simple de una distribución con forma conocida, pero de la que se desconoce el valor de los parámetros que la definen . El problema que se estudiará en este Tema 10 es el de cómo estimar el verdadero valor de dichos parámetros -estimación paramétrica- a partir de la información muestral.

Desde un punto de vista empírico, los datos muestrales nos llevan a un histograma. La forma forma de dicho histograma nos sugiere una función de probabilidad -o de densidad- conocida (población). Ésta, a su vez, está definida por un conjunto de parámetros que, en principio, son, desconocidos.

Una vez que hayamos estimado el valor de dichos parámetros a partir de los datos, habría que estudiar la consistencia de dichos valores con los procedimientos no paramétricos que se estudiarán en los temas 12 y 13 (UD 5)


2ª Parte (Tema 11, UD4)

Como en el Tema 10, supongamos que se observa una muestra aleatoria simple de una distribución con forma conocida, pero con parámetos desconocidos. El problema que se estudiará en este Tema 11 es el de cómo estimar dichos parámetros mediante un intervalo (de confianza) a partir de la información muestral.

Recordad que el segundo de los formularios de Moodle está relacionado con este tema, e incluye un catálogo de variables pivote. Para resolver problemas relativos a intervalos de confianza también serán útil las tablas de la t-Student, de la Chi-cuadrado y de la F de Snedecor ubicadas junto al formulario.

Éstas serán las trasparencias que se utilicen en clase para la clase de hoy: