Tema 1 ESTADÍSTICA DESCRIPTIVA UNIVARIANTE.
1.1 Conceptos elementales.
1.2 Distribuciones de frecuencias de un carácter: discretas y continuas.
1.3 Representaciones gráficas: caracteres cualitativos y cuantitativos.
1.4 Medidas de posición: media, mediana, moda y cuantiles.
1.5 Medidas de dispersión: rango, desviación media, varianza, desviación típica y coeficiente de variación. Momentos.
1.6 Medidas de forma: asimetría y apuntamiento.
Tema 2 ESTADÍSTICA DESCRIPTIVA BIVARIANTE. REGRESIÓN Y CORRELACIÓN.
2.1 Distribuciones bidimensionales: representación tabular y gráfica.
2.2 Distribuciones marginales y condicionadas. Momentos.
2.3 Relación entre variables: independencia, dependencia funcional y estadística. Regresión y correlación lineal simple.
2.4 Otros modelos de regresión.
Parte II BLOQUE 2: TEORÍA DE LA PROBABILIDAD.
Tema 3 PROBABILIDAD.
3.1 Espacio muestral y suceso aleatorio.
3.2 Álgebra de Boole de sucesos.
3.3 Función de probabilidad. Probabilidad condicionada. Sucesos independientes.
3.4 Teorema de la probabilidad total y teorema de Bayes.
Tema 4 VARIABLE ALEATORIA Y DISTRIBUCIONES DE PROBABILIDAD.
4.1 Definición. Variable aleatoria discreta y continua: función de masa/densidad y función de distribución.
4.2 Momentos: esperanza matemática, varianza y desviación típica.
4.3 Variable aleatoria bidimensional. Distribuciones marginales y condicionadas. Independencia de variables
aleatorias.
4.4 Momentos de una variable aleatoria bidimensional.
4.5 Distribuciones discretas: uniforme, Bernoulli, Binomial, Poisson, geométrica, Binomial Negativa e Hipergeométrica.
4.6 Distribuciones continuas: uniforme, Normal, exponencial y asociadas a la Normal. Teorema central del límite.
Parte III BLOQUE 3: INFERENCIA ESTADÍSTICA.
Tema 5 TEORÍA DE MUESTRAS. ESTIMACIÓN PUNTUAL Y POR INTERVALOS.
5.1 Muestreo. Parámetros poblacionales y estadísticos muestrales.
5.2 Distribución de estadísticos muestrales.
5.3 Concepto de estimador puntual. Propiedades de los estimadores puntuales. Construcción de estimadores puntuales.
5.4 Concepto de intervalo de confianza. Construcción de intervalos de confianza.
5.5 Intervalos de confianza en poblaciones normales.
Tema 6 CONTRASTES DE HIPÓTESIS.
6.1 Definiciones básicas. Contrastes paramétricos y no paramétricos.
6.2 Contrastes paramétricos para una población normal.
6.3 Contrastes paramétricos para dos poblaciones normales.
6.4 Contrastes no paramétricos.
La asignatura cubre conceptos básicos de estadística, estadística descriptiva, probabilidad, distribuciones de probabilidad, inferencia estadística, regresión y correlación, análisis de series temporales y métodos no paramétricos.
No es estrictamente necesario tener conocimientos previos de estadística, aunque tener una base en matemáticas puede ser muy útil. La asignatura está diseñada para proporcionar una introducción completa a los conceptos estadísticos necesarios.
En las clases prácticas se suele utilizar software estadístico como R, Python (con bibliotecas como pandas, numpy, y matplotlib), o SPSS, dependiendo de las preferencias del profesor y las necesidades del curso.
La evaluación puede incluir una combinación de participación en clases, realización de ejercicios prácticos, proyectos o trabajos en grupo, y exámenes parciales y/o finales. La evaluación continua permite medir el progreso del estudiante a lo largo del curso.
La estadística es fundamental en informática para analizar datos, desarrollar modelos predictivos en machine learning, mejorar la calidad del software, y tomar decisiones informadas basadas en datos. Es esencial en áreas como data science, análisis de datos y investigación.