Que estás buscando?
Consulta los horarios de los distintos grupos para saber el idioma de impartición de clases. Aunque el material puede estar en cualquiera de los tres idiomas.
B3_Que los estudiantes tengan la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su área de estudio), para emitir juicios que incluyan una reflexión sobre temas relevantes de carácter social, científico o ético
B5_Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía
E9_Utilizar las herramientas matemáticas y herramientas avanzadas de estadística para la toma de decisiones y por el contraste de hipótesis económicas varias
G1_Ser capaz de trabajar en equipo, participando activamente en las tareas y negociando frente a opiniones discrepantes hasta llegar a posiciones de consenso, adquiriendo así la habilidad para aprender conjuntamente con otros miembros del equipo y crear nuevos conocimientos
T4_Dominar las herramientas informáticas y sus principales aplicaciones para la actividad académica y profesional ordinaria
T1_Comunicar con propiedad de forma oral y escrita en las días lenguas oficiales en Cataluña
La asignatura "Inferencia estadística para la gestión empresarial" es la continuación de la asignatura "Fundamentos de estadística y Análisis de datos", que los estudiantes han cursado previamente. La asignatura quiere establecer en el estudiante unos conocimientos teóricos sólidos sobre la materia, así como incidir en la capacidad de su aplicación práctica en el estudio del mundo real, especialmente en el ámbito económico.
En particular, en esta asignatura se abordarán los conceptos básicos de la inferencia estadística, comenzando con las distribuciones muestrales de la media y la proporción, la modelización de datos univariantes, los intervalos de confianza y los contrastes de hipótesis. Además, los contrastes de comparación más elementales llevan al estudio de la regresión lineal simple y múltiple.
Se trata pues de una asignatura instrumental en que se proporcionan herramientas estadísticas que se utilizan en diferentes contextos. Además hay que destacar el papel de los ordenadores en la facilitación del estudio de bases de datos.
sesiones teóricas
MD1.Clase magistral: Sesiones de clase expositivas basadas en la explicación del profesor en la que asisten todos los estudiantes matriculados en la asignatura
MD3. presentaciones: Formatos multimedia que sirven de apoyo a las clases presenciales.
aprendizaje autónomo
MD4. Cápsulas de vídeo: Recurso en formato vídeo, que incluye contenidos o demostraciones de los ejes temáticos de las asignaturas. Estas cápsulas están integradas en la estructura de la asignatura y sirven a los estudiantes para revisar tantas veces como sea necesario las ideas o propuestas que el profesor necesita destacar de sus clases.
MD9. Resolución de ejercicios y problemas: Actividad no presencial dedicada a la resolución de ejercicios prácticos a partir de los datos suministrados por el profesor
MD11. Tutorías no presenciales: por las que el alumno dispondrá de recursos telemáticos como el correo electrónico y los recursos de la intranet del ESCSET
En las sesiones presenciales se combinarán sesiones de teoría y ejercicios con sesiones de prácticas orientadas a la aplicación de los conceptos trabajados. En las sesiones prácticas se utilizarán ficheros de datos que se tratarán con el software adecuado (Hoja de cálculo Excel, R, Gretl, etc.), con el objetivo de que el estudiante pueda aplicar la metodología estadística adecuada de manera autónoma. Se avisará a qué sesiones de clase es obligatorio el uso de ordenador.
Esta asignatura dispone de recursos metodológicos y digitales para hacer posible su continuidad en modalidad no presencial en el caso de ser necesario por motivos relacionados con la Covidien-19. De esta forma se asegurará la consecución de los mismos conocimientos y competencias que se especifican en este plan docente.
El Tecnocampus pondrá al alcance del profesorado y el alumnado las herramientas digitales necesarias para poder llevar a cabo la asignatura, así como guías y recomendaciones que faciliten la adaptación a la modalidad no presencial.
1. Introducción a la inferencia estadística
Concepto de muestra, población, estadístico y parámetro.
Distribuciones poblacionales y muestrales
Distribuciones Binomial y Normal.
La distribución t-Student.
Muestreo.
2. Estimación puntual de parámetros poblacionales. Intervalos de confianza de parámetros poblacionales. El tamaño muestral
Distribución de la media muestral, de la proporción muestral y de la suma o diferencia de medias muestrales.
El Teorema del Límite Central.
Concepto de estimador: Robustez, sesgo y eficiencia de un estimador.
Estimación puntual de la media poblacional.
Estimación puntual de la varianza y desviación estándar poblacional.
Estimación puntual de la proporción poblacional.
Error estándar.
Estimación por intervalo. Nivel de confianza. Error de estimación.
Intervalos de confianza de la media poblacional, de la proporción poblacional, de la diferencia de medias poblacionales y de la diferencia de proporciones poblacionales
Relación entre el tamaño muestral y el error de estimación.
Cálculo del tamaño muestral para estimar la media o proporción poblacional.
3. Contraste de hipótesis estadísticas
Conceptos de hipótesis nula • la e hipótesis alternativa. Nivel de significación, Error tipo I (alfa), error tipo II (beta). P-valor. Valor crítico. Zona de rechazo de hipótesis nula.
Contraste de la media poblacional.
Contraste de la proporción poblacional.
Contraste de la diferencia de medias poblacionales para muestras independientes.
Contraste de la diferencia de proporciones poblacionales para muestras independientes
4. Diseño de experimentos: Análisis de la varianza en un factor iTaules de Contingencia
Comparación de más de dos medias poblacionales.
Análisis de la varianza (ANOVA).
Distribución F de Fisher-Snedecor.
Test de independencia de atributos.
La distribución Ji-Cuadrado.
5. Introducción al análisis de los Modelos de Regresión Lineal (simple y múltiple)
El Modelo de Regresión Lineal Simple: Hipótesis previas, inferencias sobre la pendiente y la ordenada en el origen.
Intervalos de confianza para los coeficientes, los valores esperados, y nuevas observaciones.
Análisis de las variaciones. El coeficiente de determinación.
Introducción al Modelo de Regresión Lineal Múltiple. Hipótesis previas. Significación individual de los coeficientes. Significación conjunta del modelo. La bondad del ajuste.
En general la estructura de la semana es la siguiente:
Actividades en el aula |
Actividades fuera del aula |
|
|
El 40% de la nota de la asignatura corresponderá a la evaluación continua durante el curso, a partir de la participación y presentación de trabajos.
El 60% de la nota de la asignatura corresponderá a un examen al final del trimestre, donde el estudiante deberá obtener una cierta calificación mínima de 10 para poder acumular la calificación de la evaluación continua.
Para superar la asignatura es necesario que la nota media ponderada sea superior o igual a 5.
Si el estudiante no supera el curso, podrá optar a una recuperación del examen final (60% de la nota total) en el periodo indicado en el calendario académico, con la condición de obtener un mínimo de 5 puntos sobre 10 para poder acumular la calificación de la evaluación continua. No se hace recuperación de las actividades llevadas a cabo en la evaluación continua.
Nota de seminarios y cuestionarios online |
A 10 |
Trabajo individual + trabajo en grupo |
A 30 |
examen final |
A 60 |
Un alumno que no se haya presentado a la primera convocatoria NO puede presentarse a la recuperación.
MOORE, DS, MCCABE, GP, CRAIG, B, A, (2012) Introduction to the practice of Statistics, 7th edition. Freeman.
MOORE, DS (2009) Estadística aplicada básica, 2a. ed. Antoni Bosch Editor
https://cran.r-project.org/doc/contrib/Saez-Castillo-RRCmdrv21.pdf
Trocitos, MW (2009) An Introduction to Statistical Inference and Its Applications with R. 1st Edition. Chapman and Hall / CRC
Elosu Olid, P., Etxeberria MURGIONDO, J. (2012) R Commander. Gestión y análisis de datos. Cuadernos de Estadística. Editorial La Muralla.
Newbold, PAUL, Carlson, W., Thorne, W. (2007), Estadística para los negocios y la economía, 6ta edición, Madrid, Prentice Hall.
MOORE, D., (1995), The basic practice of Satatistics. Freeman.
WONNACOTT, WONNACOTT (1990), Introductory Statistics for business and economics, Wiley and sonidos.
THOMAS, JJ (1980), Introducción al análisis estadístico para economistas. Marcombo.
PEÑA, D., ROMO, J., (1997), Introducción a la estadística para las ciencias sociales, Madrid, McGrau-Hill / Interamericana de España, SAU
JOHNSON, BHATTACHRYYA (1992), Statistics, principles and methods. Wiley and sonidos.
FREEDMAN, D. (1993), Estadística. Modelos y Métodos. Barcelona, A. Bosch ed.
http://www.ugr.es/~proman/ED/Comenzando_DescriptivaUnidim_RCommander.pdf
PEÑA, D. (1991), Estadística. Modelos y Métodos, Madrid. Alianza Universidad Textos.
http://yunus.hacettepe.edu.tr/~ncokca/kndnt/201516_BD/ECO232_R%20Commander_PartOne.pdf
http://yunus.hacettepe.edu.tr/~ncokca/kndnt/201516_BD/ECO232_R%20Commander_PartTwo.pdf
MAYO, D. (2018). Statistical Inference as Severe Testing: How to Get Beyond the Statistics Wars. Cambridge University Press.
Lier, H. Zwanziger, S. (2011) Introduction to the theory of Statistical Inference. 1st edition. Chapman & Hall / CRC Texts in Statistical Science.