ltima modificacin: 30-06-2014

200605 - FIE - Fundamentos de Inferencia Estadstica

Universitat Politcnica de Catalunya 1 / 8
Competencias de la titulacin a las cuales contribuye la asignatura
Otros: ANTONIO MIARRO ALONSO - A, A
LOURDES RODERO DE LAMO - A, A
Responsable: ANTONIO MIARRO ALONSO
Unidad que imparte:
Curso:
Crditos ECTS:
715 - EIO - Departamento de Estadstica e Investigacin Operativa
2014
MSTER UNIVERSITARIO EN ESTADSTICA E INVESTIGACIN OPERATIVA (Plan 2013). (Unidad
docente Optativa)
5 Idiomas docencia: Castellano
Unidad responsable: 200 - FME - Facultad de Matemticas y Estadstica
Titulacin:
Profesorado
Especficas:
3. CE-4. Capacidad de utilizar los diferentes procedimientos de inferencia para responder preguntas, identificando las
propiedades de los diferentes mtodos de estimacin y sus ventajas e inconvenientes, adaptados a una situacin
concreta y con un contexto especfico.
4. CE-6. Capacidad para utilizar el software ms adecuado para realizar los clculos necesarios en la resolucin de un
problema.
Capacidades previas
Se asume un conocimiento por parte del alumno de los conceptos bsicos de la teora de la probabilidad. En particular el
alumno debe conocer y saber trabajar con los principales modelos probabilsticos discretos y continuos: Poisson, Binomial,
Exponencial, Uniforme, Normal. En concreto se debe ser capaz de utilizar las funciones acumulativas de distribucin y
funciones de densidad o masa de probabilidad para el clculo de probabilidades y de los principales parmetros
poblaciones de las distribuciones. Dentro de los parmetros se presupone el conocimiento de las principales propiedades
de la esperanza y la varianza. Finalmente es importante conocer y entender las implicaciones del teorema central del
lmite.
Puede consultarse el siguiente material
Versin libre de Statmedia: http://www.ub.edu/stat/GrupsInnovacio/Statmedia/demo/Statmedia.htm
Tambin es til la seguiente bibliografa:
Probabilidad y estadstica de Evans, Michael J . (2005)
Michael J . Evans (Autor) y J effrey Rosenthal
Edit. Reverter
http://www.reverte.com/motor ?id_pagina=catalogo/ficha&idcategoria=6&idsubcategoria=47&idlibro=664
Morris H. DeGroot and Mark J . Schervish
Probability and Statistics (4th Edition)
Addison-Wesley (2010)
ISBN 0-321-50046-6
http://www.pearsonhighered.com/pearsonhigheredus/educator/product/products_detail.page?isbn=0201524880
ltima modificacin: 30-06-2014
200605 - FIE - Fundamentos de Inferencia Estadstica
Universitat Politcnica de Catalunya 2 / 8
El Curso pretende, como objetivos generales, que el alumno llegue a dominar el lenguaje comn en la inferencia
estadstica proporcionando una base terica y prctica que permita no solo la utilizacin y comprensin de la mayora de
tcnicas estadsticas sino tambin que capacite al alumno para la adquisicin, autnoma o guiada, de nuevas
metodologas.
Ligado con los objetivos anteriores el alumno debe acostumbrarse a utilizar el software R como soporte en el Proceso
inferencial.
Como objetivos especficos tenemos los siguientes:
Conocer los tipos de muestreo bsicos y las distribuciones en el muestreo en las situaciones ms habituales y deducir las
distribuciones ms usuales derivadas de la ley normal y su uso en la inferencia estadstica.
Saber deducir estimadores mediante los diferentes mtodos disponibles y conocer las diferentes propiedades deseables
de los estimadores verificando si se cumplen.
Entender el concepto de confianza de un intervalo, conocer como se construyen y calcularlos en las situaciones ms
habituales incluyendo el clculo del tamao muestral necesario para garantizar un nivel de confianza y una precisin
dadas.
Entender la metodologa general de las pruebas de hiptesis incluyendo los posibles errores y la importancia del tamao
de la muestra para tomar decisiones con una base estadstica adecuada.
Entender los modelos lineales de regresin y saber realizar estimaciones, validaciones e interpretaciones de los
resultados obtenidos.
Entender los modelos lineales de anlisis de la varianza junto con la descomposicin de la varianza total en las
diferentes sumas de cuadrados y resolver algunos de los diseos ms sencillos con uno y dos factores fijos o aleatorios.
Transversales:
1. TRABAJ O EN EQUIPO: Ser capaz de trabajar como miembro de un equipo interdisciplinar, ya sea como un miembro
ms o realizando tareas de direccin, con la finalidad de contribuir a desarrollar proyectos con pragmatismo y sentido
de la responsabilidad, asumiendo compromisos teniendo en cuenta los recursos disponibles.
2. TERCERA LENGUA: Conocer una tercera lengua, preferentemente el ingls, con un nivel adecuado oral y escrito y
en consonancia con las necesidades que tendrn los titulados y tituladas.
Objetivos de aprendizaje de la asignatura
Sesiones de Teora de 1,5 horas.
Son sesiones donde, con ayuda del ordenador, el profesor presenta el material de la asignatura. Se fomentar la
participacin del alumnado a travs de preguntas y ejemplos.
Sesiones de Problemas
Cada vez que se acabe un tema se realizar una sesin de refuerzo de problemas a partir de una lista que se colgar en
la intranet con antelacin y que servir para que los alumnos vengan con la lista estudiada para enfatizar aquellos
problemas en los que hayan encontrado ms dificultades.
Laboratorio Prctico
Basado en el lenguaje R se proporcionaran scripts que realicen diversos anlisis estadsticos y se propondrn a los
alumnos ejercicios ms extensos para resolver con la utilizacin del software.
Metodologas docentes
ltima modificacin: 30-06-2014
200605 - FIE - Fundamentos de Inferencia Estadstica
Universitat Politcnica de Catalunya 3 / 8
Dedicacin total: 125h Horas grupo grande:
Horas grupo mediano:
Horas grupo pequeo:
Horas actividades dirigidas:
Horas aprendizaje autnomo:
30h
0h
15h
0h
80h
24.00%
0.00%
12.00%
0.00%
64.00%
Horas totales de dedicacin del estudiantado
ltima modificacin: 30-06-2014
200605 - FIE - Fundamentos de Inferencia Estadstica
Universitat Politcnica de Catalunya 4 / 8
Contenidos
1. Introduccin a la inferencia
2. Muestreo
Dedicacin: 0h 30m
Dedicacin: 2h 30m
Grupo grande/Teora: 0h 30m
Grupo grande/Teora: 2h 30m
1.1 Ideas bsicas de Inferencia Estadstica.
2.1. Definicin
2.2. Principales tipos de muestreo
2.3. Muestreo aleatorio simple
2.4. Distribuciones en el muestreo
2.4.1. Distribuciones exactas y asintticas
2.4.2. Distribuciones de los principales estadsticos en el muestreo: muestreo en poblaciones normales
2.4.3. Distribuciones derivadas de la normal
2.5. Generacin de muestras artificiales
Descripcin:
Descripcin:
Actividades vinculadas:
Actividades vinculadas:
Sesiones de Teora.
Sesiones de Teora. Sesiones de Problemas.
Objetivos especficos:
Objetivos especficos:
Introduccin bsica a los principales conceptos de la inferencia estadstica y repaso de las ideas necesarias de la
teora de la probabilidad.
Conocer los tipos de muestreo bsicos y las distribuciones en el muestreo en las situaciones ms habituales y
deducir las distribuciones ms usuales derivadas de la ley normal y su uso en la inferencia estadstica.
ltima modificacin: 30-06-2014
200605 - FIE - Fundamentos de Inferencia Estadstica
Universitat Politcnica de Catalunya 5 / 8
3. Estimacin de parmetros
4. Intervalos de confianza
Dedicacin: 6h
Dedicacin: 4h 30m
Grupo grande/Teora: 6h
Grupo grande/Teora: 4h 30m
3.1. Introduccin, concepto de estimador, tipos de estimacin: puntual y por intervalos
3.2. Propiedades de los estimadores puntuales: consistencia, sesgo, eficiencia, varianza mnima (cota de Cramer-
Rao), suficiencia, error cuadrtico medio.
3.3. Principales tcnicas de obtencin de estimadores: momentos, mxima verosimilitud, estimacin mnimo
cuadrtica, Bayes
3.4. Mtodos de estimacin por remuestreo: Bootstrap, J acknife
4.1. Definicin
4.2. Construccin de intervalos
4.3. Importancia del nivel de confianza y del tamao de muestra
4.4. Principales intervalos
4.5. Intervalos de confianza asintticos
Descripcin:
Descripcin:
Actividades vinculadas:
Actividades vinculadas:
Sesiones de Teora. Sesiones de Problemas
Sesiones de Teora. Sesiones de Problemas. Laboratorio Prctico.
Objetivos especficos:
Objetivos especficos:
Saber deducir estimadores mediante los diferentes mtodos disponibles y conocer las diferentes propiedades
deseables
de los estimadores verificando si se cumplen.
Entender el concepto de confianza de un intervalo, conocer como se construyen y calcularlos en las situaciones
ms
habituales incluyendo el clculo del tamao muestral necesario para garantizar un nivel de confianza y una
precisin dadas.
ltima modificacin: 30-06-2014
200605 - FIE - Fundamentos de Inferencia Estadstica
Universitat Politcnica de Catalunya 6 / 8
5. Contraste de hiptesis
Dedicacin: 12h
Grupo grande/Teora: 12h
5.1. Fundamentos del contraste de hiptesis estadsticas
5.1.1. Del lenguaje natural a la hiptesis paramtrica
5.1.2. Hiptesis nula y alternativa
5.1.3. Criterio de decisin: La regin crtica
5.2. Errores asociados al contraste de hiptesis
5.2.1. Error de tipo I: el nivel de significacin
5.2.2. Error de tipo II: potencia del contraste
5.2.3. Importancia del tamao de la muestra
5.3. Significacin a travs del p-valor
5.4. Principales contrastes de hiptesis
5.4.1. El test de la razn de verosimilitud
5.4.2. Contrastes para la distribucin Normal
5.4.3. Contrastes sobre proporciones
5.4.4. Contrastes sobre la distribucin Multinomial: pruebas ji-cuadrado
5.4.5. Contrastes robustos: contrastes basados en rangos y test de permutaciones
5.5. Relacin de los contrastes de hiptesis con los intervalos de confianza
5.6. El problema de los contrastes mltiples (Multiple testing)
5.7. Combinando resultados de diversos contrastes
5.8. Contraste de hiptesis bayesiano
Descripcin:
Actividades vinculadas:
Sesiones de Teora. Sesiones de Problemas. Laboratorio Prctico.
Objetivos especficos:
Entender la metodologa general de las pruebas de hiptesis incluyendo los posibles errores y la importancia del
tamao
de la muestra para tomar decisiones con una base estadstica adecuada.
ltima modificacin: 30-06-2014
200605 - FIE - Fundamentos de Inferencia Estadstica
Universitat Politcnica de Catalunya 7 / 8
6. El modelo lineal general
Dedicacin: 9h
Grupo grande/Teora: 9h
6.1. Planteamiento general
6.2. Estimacin de parmetros y contraste de hiptesis
6.3. El modelo de regresin lineal simple
6.3.1. Estimacin de parmetros
6.3.2. Diagnosis del modelo
6.3.3. Contraste de hiptesis en regresin
6.3.4. Comparacin de modelos de regresin
6.3.5. Relacin entre regresin y correlacin
6.3.6. Tcnicas de suavizado
6.4. El modelo de regresin mltiple
6.4.1. Estimacin de parmetros
6.4.2. Diagnosis del modelo
6.4.3. Inferencia en regresin mltiple
6.4.4. El problema de la colinearidad
Descripcin:
Actividades vinculadas:
Sesiones de Teora. Sesiones de Problemas.
Objetivos especficos:
Entender los modelos lineales de regresin y saber realizar estimaciones, validaciones e interpretaciones de los
resultados obtenidos.
ltima modificacin: 30-06-2014
200605 - FIE - Fundamentos de Inferencia Estadstica
Universitat Politcnica de Catalunya 8 / 8
A lo largo del curso se propondrn a los alumnos 3 pequeos cuestionarios para resolver en clase (CUEST), tambin se
propondrn ejercicios para resolver fuera de clase y entregar en un plazo determinado tal y como se comenta en el
apartado del laboratorio prctico de la metodologa docente (EJ ER).
En las fechas acordadas se realizar un examen final (EF) y la calificacin de la asignatura se obtendr como
N =0.2 *CUEST+0.20*EJ ER+ 0.6*EF.
Sistema de calificacin
Bibliografa
7. El modelo de anlisis de la varianza
Dedicacin: 10h 30m
Grupo grande/Teora: 10h 30m
Bsica:
Casella, G.; Berger, Roger L. Statistical inference. 2nd ed. Duxbury: Pacific Grove, 2002.
Rohatgi, Vijay K. Statistical Inference. New York: J ohn Wiley & Sons, 1984.
Snchez, P., Baraza, X., Reverter, F. y Vegas, E. Mtodos Estadsticos Aplicados. Texto docente 311. Barcelona: UB, 2006.
Pea, Daniel. Estadstica. Modelos y Mtodos. 2 vols. 2 ed. rev. Madrid: Alianza Universidad Textos, 1986-1991.
DeGroot, Morris; Schervish, Mark. Probability and statistics. 4th ed. Pearson, 2012. ISBN 0321500466.
Evans, Michael; Rosenthal, J effrey S. Probability and statistics : the science of uncertainty. 2nd ed. New York: W.H. Freeman
and Company, cop. 2010. ISBN 1-4292-2462-2.
De Groot, Morris H; Schervish, Mark J . Probability and statistics. 3rd. ed. Boston [etc.]: Addison-Wesley, cop. 2002. ISBN
0201524880.
7.1. ANOVA de un factor
7.1.1. Modelo lineal del ANOVA de un factor
7.1.2. Hiptesis del modelo
7.1.3. Tipos de efectos
7.1.4. Diagnosis del modelo
7.1.5. Comparaciones mltiples
7.2. ANOVA de dos factores
7.2.1. Diseo en bloques aleatorizados
7.2.2. Diseo de dos factores fijos con interaccin
7.2.3. Interpretacin de la interaccin
7.2.4. Modelo con factores aleatorios
7.2.5. Modelo con factores fijos y aleatorios.
Descripcin:
Actividades vinculadas:
Sesiones de Teora. Sesiones de Problemas. Laboratorio Prctico.
Objetivos especficos:
Entender los modelos lineales de anlisis de la varianza junto con la descomposicin de la varianza total en las
diferentes sumas de cuadrados y resolver algunos de los diseos ms sencillos con uno y dos factores fijos o
aleatorios.