Información básica curso 16-17

• Calendario escolar curso 2016-17 

• Guía de aprendizaje para el curso 2016-2017 

• 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 24 de febrero (semana 4) y otro el 2 de junio (semana 16). Para ello, debéis organizaros en grupos de cuatro dentro del Grupo 1. 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 10 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: 22 de febrero (semana 4).
• Unidades Didácticas 2 y 3: 26 de abril (semana 11).
• Unidades Didácticas 4 y 5: 26 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 1 se encontrará siempre en la cabecera de este blog a través de Google Calendar.

Segundo informe práctico

Os paso unos vídeos sobre cómo realizar con Statgraphics el segundo informe práctico, a entregar el miércoles 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

Tema 12: Contrastes paramétricos + Clase de problemas XV (Tema 11)

Clase del miércoles 11 de mayo de 2016 

La clase se estructurará en dos bloques.

Primer bloque: Finalización del Tema 11

Se resolverán algunos ejercicios pendiente del Tema 11


Segundo bloque: Tema 12 

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:

Tema 10-11: Estimación (2ª parte)

Clase del martes 10 de mayo de 2016

Se finalizará la teoría del Tema 11 y se plantearán y resolverán problemas de dicho tema.

Tema 10-11: Estimación puntual y por intervalo

Clase del martes 26 de abril de 2016  (Clase nº 21)

 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:

Clase de problemas (X): UD 3

Clase del martes  26 de abril de 2016

 Se plantearán y resolverán problemas de la UD 3. Este es el listado de problemas que se resolverán en clase, ordenados por orden de exposición:

• Ejercicio adicionales 3, 8, 5 y 6 del Tema 6 (Moodle)
• Ejercicio adicional 7 del Tema 7 (Moodle)

Tema 9: Introducción a la Inferencia Estadística

Clase del martes 19 de abril de 2016

Hasta ahora hemos construido modelos probabilísticos de una manera típicamente deductiva; es decir, establecíamos hipótesis sobre el mecanismo generador de los datos, y de ahí obteníamos las probabilidades de todos los posibles valores.

Con la Inferencia Estadística se realiza el proceso inverso: observando las frecuencias asociada a los diferentes valores de una determinada variable, definimos el modelo probabilístico que probablemente los genera. Otro  problema que abordaremos será el de cómo se distribuye una nueva variable aleatoria: la media muestral. Este problema originará cierta casuística; así como el interés por saber cómo se distribuyen otras variables aleatorias similares, como la media aritmética tipificada, la cuasivarianza muestral o el cociente de cuasi-varianzas muestrales.

Se concluye con una ampliación del catálogo de distribuciones continuas con la Chi cuadrado o de Pearson, T de Student y la F de Fisher-Snedecor. Todas ellas asociadas a la distribución normal y que servirán de herramienta a la hora de abordar el problema descrito anteriormente.

Las tarasparencias que se utilizarán en la clase son las siguientes: