Guia en format PDF
Logo

Mostreig Estadístic

Codi: 100123
Crèdits: 6
2026/2027
Titulació Tipus Curs
Matemàtiques OP 4

Professor/a de contacte

Nom :
Amanda Fernandez Fontelo
Correu electrònic :
amanda.fernandez@uab.cat

Idiomes dels grups

Podeu consultar aquesta informació al final del document.

Prerequisits

Es recomana haver adquirit els coneixements, habilitats i competències pròpies de les assignatures d'Inferència Estadística, Càlcul de Probabilitats i Processos Estocàstics. També és molt recomanable tenir unes habilitats avançades amb R.

Objectius

  • Aprendre diferents métodes per a la generació de variables aleatòries de distribucions de probabilitats contínues i discretes univariants i multivariants.
  • Aprendre tècniques de simulació de Monte Carlo.
  • Aprendre tècniques de remostreig.

Resultats d'aprenentatge

  1. Utilitzar eficaçment bibliografia i recursos electrònics per obtenir informació.
  2. Que els estudiants hagin desenvolupat les habilitats d'aprenentatge necessàries per a emprendre estudis posteriors amb un alt grau d'autonomia.
  3. Demostrar de forma activa una elevada preocupació per la qualitat en el moment d'argumentar o exposar les conclusions dels seus treballs
  4. Reconèixer els diferents tipus de mostreig.
  5. Determinar la mida de la mostra i establir una estratègia de mostreig per a estudis d'estimació de paràmetres.
  6. Determinar la mida de la mostra i establir una estratègia de mostreig per a estudis de comparació de proporcions.
  7. Determinar la mida de la mostra i establir una estratègia de mostreig per a estudis de comparació de mitjanes.
  8. Determinar la mida de la mostra i establir una estratègia de mostreig per a comparacions especials.
  9. Gestió de bases de dades.
  10. Capacitat per detectar i modelitzar l'atzar en problemes reals.
  11. Extreure conclusions i redactar informes.
  12. Pensament i raonament quantitatiu.
  13. Identificar les diferents fonts d'informació disponibles.
  14. Conèixer els diferents mètodes de recollida de dades.
  15. Coneixement, identificació i selecció de fonts estadístiques.
  16. Disseny, programació i implantació de paquets estadístics.
  17. Utilitzar correcta i racionalment el programari.
  18. Emprar programari estadístic per dur a terme el càlcul de la mida mostral.

Continguts


  1. Simulació: Simulació de variables i vectors aleatoris. Generació de nombres aleatoris.
  2. Tests permutacionals: Tests per dues mostres. Test de dades aparellades. Test de correlacions. Exemples avançats.
  3. Bootstrap i altres métodes de remostreig: Conceptes bàsics. Estimacions de l'error estàndard i del biaix. Bootstrap paramètric. Bootstrap no-paramètric. Mètodes per calcular intervals de confiança. Exemples d'aplicació (models lineals i lineals generalitzats, tests d'hipòtesi, sèries temporals, ...).
  4. Remostreig per a aprenentatge automàtic: Bagging. Boosting.


Activitats formatives i Metodologia

Títol Hores ECTS Resultats d'aprenentatge
Estudi personal de la matèria 47 1,88 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18
Treballs 47 1,88 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18
Classes teòriques i pràctiques 50 2 1, 2, 4, 5, 6, 7, 8, 10, 12

La docència combinarà a classe lliçons per part del professors i treball pràctic dels estudiants amb ordinador.

 

Nota: es reservaran 15 minuts d'una classe, dins del calendari establert pel centre/titulació, perquè l'alumnat completi les enquestes d'avaluació de l'actuació del professorat i d'avaluació de l'assignatura.

Avaluació

Activitats d'avaluació continuada

Títol Pes Hores ECTS Resultats d'aprenentatge
Examen final 40% 3 0,12 2, 4, 9, 10, 12, 13, 16, 17
Lliurament de projectes 30% 0 0 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18
Examen parcial 30% 3 0,12 2, 4, 9, 10, 12, 13, 16, 17

L'avaluació de l'assignatura es basarà en:

  • Exàmens (70% de la nota final).
  • Lliurament de projectes (30% de la nota final).

Per aprovar l'assignatura cal:

  • Obtenir una nota mínim de 3.0 sobre 10 en cadascun dels examens.
  • Obtenir una mitjana global de 5.0 sobre 10, que serà la nota final del curs.

Les notes que no compleixin aquests requisits podran ser estudiades cas per cas.

De cadascun dels exàmens hi haurà una segona convocatòria (recuperació en la terminologia oficial de la UAB). L'assistència a aquesta segona convocatòria anul.larà automàticament la nota de la primera. Els projectes NO són recuperables. Dins la mateixa convocatòria, els examens de les diferents parts poden ser el mateix dia.

Es considerarà avaluable l'estudiant que hagi presentat treballs o fet exàmens per a un total d'almenys el 50% de l'assignatura, segons el pes que figura en el quadre d'Activitats d'avaluació. En cas contrari constarà a l'acta com a No Avaluable.

La còpia o plagi en els lliuraments es considera igual de greu que copiar o fer qualsevol mena de trampa en un examen, i comporta el Suspens automàtic de l'assignatura.

AVALUACIÓ ÚNICA: Els estudiants que hagin optat per l'avaluació única seran avaluats en un únic examen de tota la matèria, incloses les pràctiques. No es faran lliuraments. Una part de l'examen podrà ser una prova oral. En cas de superar la primera convocatòria no hi haurà opció a una segona per millorar nota.


Ús de la IA

En aquesta assignatura, no es permet l'ús de tecnologies d'Intel·ligència Artificial (IA) en cap de les seves fases. Qualsevol treball que inclogui fragments generats amb IA serà considerat una falta d'honestedat acadèmica i pot comportar una penalització parcial o total en la nota de l'activitat, o sancions majors en casos de gravetat.


Irregularitats en actes d'avaluació

La realització de qualsevol irregularitat en un acte d’avaluació (frau acadèmic, plagi o ús indegut de la IA), que pugui conduir a una variació significativa de la qualificació, suposa que aquest acte es qualificarà amb un 0. En cas que la guia docent prevegi que per superar l’assignatura sigui requisit imprescindible haver obtingut una nota mínima en aquest acte d’avaluació o que es produeixin diverses irregularitats en els actes d’avaluació d’una mateixa assignatura, la qualificació final d’aquesta assignatura és 0. Al marge d’això, es podrà instruir un procés disciplinari a l’estudiant que incorri en alguna d’aquestes irregularitats.


Bibliografia

  • Law (2014) Simulation. Modelling and Analysis.
  • James - Witten - Hastie - Tibshirani (2013) An introduction to Statistical Learning: with applications in R. Springer (Recurs electrònic UAB).
  • Efron - Hastie (2016) Computer Age Statistical Inference. Cambridge University Press.

Programari

Durant el curs es donaran les instruccions pertinents per al programari que s'utilitzarà, en el moment oportú.

Grups i idiomes de l'assignatura

La informació proporcionada és provisional fins al 30 de novembre. A partir d'aquesta data, podreu consultar l'idioma de cada grup a través d'aquest enllaç. Per accedir a la informació, caldrà introduir el CODI de l'assignatura