Guía en formato PDF
Logo

Muestreo Estadístico

Código: 100123
Créditos: 6
2026/2027
Titulación Tipo Curso
Matemáticas OP 4

Profesor/a de contacto

Nombre :
Amanda Fernandez Fontelo
Correo electrónico :
amanda.fernandez@uab.cat

Idiomas de los grupos

Puede consultar esta información al final del documento.

Prerrequisitos

Se supone que el estudiante ha adquirido las competencias propias de las asignaturas de Inferencia Estadística, Cálculo de Probabilidades, y Procesos Estocásticos, y que tiene buen nivel de programación en lenguaje R.

Objetivos

  • Aprender diferentes métodos para la generación de variables aleatorias correspondientes a distribuciones de probabilidad continuas y discretas, tanto univariantes como multivariantes.
  • Aprender técnicas de simulación de Monte Carlo.
  • Aprender técnicas de remuestreo.

Resultados de aprendizaje

  1. Utilizar eficazmente bibliografía y recursos electrónicos para obtener información.
  2. Que los estudiantes hayan desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de autonomía.
  3. Demostrar de forma activa una elevada preocupación por la calidad en el momento de argumentar o hacer públicas las conclusiones de sus trabajos.
  4. Reconocer los distintos tipos de muestreo
  5. Determinar el tamaño de la muestra y establecer una estrategia de muestreo para estudios de estimación de parámetros.
  6. Determinar el tamaño de la muestra y establecer una estrategia de muestreo para estudios de comparación de proporciones
  7. Determinar el tamaño de la muestra y establecer una estrategia de muestreo para estudios de comparación de medias
  8. Determinar el tamaño de la muestra y establecer una estrategia de muestreo para comparaciones especiales
  9. Gestión de bases de datos.
  10. Capacidad para detectar y modelizar el azar en problemas reales.
  11. Extracción de conclusiones y redacción de informes.
  12. Pensamiento y razonamiento cuantitativo.
  13. Identificar las distintas fuentes de información disponibles.
  14. Conocer los diferentes métodos de recogida de datos.
  15. Conocimiento, identificación y selección de fuentes estadísticas.
  16. Diseño, programación e implantación de paquetes estadísticos.
  17. Utilización correcta y racional del software.
  18. Emplear software estadístico para llevar a cabo el cálculo del tamaño muestral.

Contenidos

  1. Simulación: Simulación de variables i vectores aleatorios. Generación de números aleatorios.
  2. Tests permutacionales: Tests para dos muestras. Test de datos apareados. Test de correlaciones. Ejemplos avanzados.
  3. Bootstrap y otros métodos de remuestreo: Conceptos básicos. Estimaciones del error estándar y del sesgo. Bootstrap paramétrico. Bootstrap no-paramétrico. Mètodos para calcular intervalos de confianza. Ejemplos de aplicación (modelos lineals y lineales generalizados, tests de hipótesis, series temporales, ...).
  4. Remuestreo para aprenendizaje automático: Bagging. Boosting.



Actividades formativas y Metodología

Título Horas ECTS Resultados de aprendizaje
Estudio personal de la materia 47 1,88 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18
Trabajos 47 1,88 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18
Clases teóricas y prácticas 50 2 1, 2, 4, 5, 6, 7, 8, 10, 12

La docencia combinará en clase lecciones por parte de los profesores y trabajo práctico de los estudiantes con ordenador.


Nota: se reservarán 15 minutos de una clase dentro del calendario establecido por el centro o por la titulación para que el alumnado rellene las encuestas de evaluación de la actuación del profesorado y de evaluación de la asignatura o módulo.

Evaluación

Actividades de evaluación continuada

Título Peso Horas ECTS Resultados de aprendizaje
Exámen final 40% 3 0,12 2, 4, 9, 10, 12, 13, 16, 17
Entrega de proyectos 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

Ver versión en catalán.

Uso de la IA

En esta asignatura no se permite el uso de tecnologías de Inteligencia Artificial (IA) en ninguna de sus fases. Cualquier trabajo que incluya fragmentos generados con IA será considerado una falta de honestidad académica y podrá conllevar una penalización parcial o total en la calificación de la actividad, o sanciones más severas en casos de mayor gravedad.

Irregularidades en los actos de evaluación

La comisión de cualquier irregularidad en un acto de evaluación (fraude académico, plagio o uso indebido de la IA) que pueda dar lugar a una variación significativa de la calificación supondrá que dicho acto sea calificado con un 0. En caso de que la guía docente establezca que para superar la asignatura sea un requisito imprescindible haber obtenido una calificación mínima en dicho acto de evaluación o de que se produzcan varias irregularidades en los actos de evaluación de una misma asignatura, la calificación final de dicha asignatura será de 0. Asimismo, al margen de lo anterior, podrá incoarse un procedimiento disciplinario al estudiante que incurra en cualquiera de estas irregularidades.

Bibliografía

  • 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.

Software

Durante el curso se darán las instrucciones de instalación pertinentes para el software que se utilizará, en el momento oportuno.

Grupos e idiomas de la asignatura

La información proporcionada es provisional hasta el 30 de noviembre. A partir de esta fecha, podrá consultar el idioma de cada grupo a través de este enlace. Para acceder a la información, será necesario introducir el CÓDIGO de la asignatura