| Additional title: |
Statistics |
| Date: |
2022-23 |
| Abstract: |
En aquest curs cal aprendre fonamentalment el concepte de Inferència. S'han d'introduir i assentar els conceptes de Modelització, Estimació (puntual i per intervals) i Bondat d'ajust. S'han d'ensenyar les tècniques fonamentals de regressió lineal. Caldrà aprendre: 1. L'estadística descriptiva i exploratòria que permetrà extreure i resumir de manera eficient informació de les dades. 2. Inferència estadística: com l'Estadística quantifica la incertesa de la informació extreta de les dades. 3. Es treballarà la modelització de poblacions, l'estimació de paràmetres, especialment màxima versemblança, i el planteig i resolució dels contrasts d'hipòtesis (paramétrics i no-paramétrics) a partir de mostres aleatòries. 3. Propietats bàsiques d' optimalitat d'estimadors: Invariancia, suficiència, eficiència, biaix, variància i propietats asimptòtiques. 1 4. Plantejar i resoldre problemes aplicats. Amb els exemples, la resolució de problemes i les pràctiques amb software estadístic (R) , l'estudiant treballarà amb models concrets i amb dades reals: inferencials per als paràmetres més importants d'una i dues poblacions normals. |
| Abstract: |
In this course, the concept of Inference, in its inductive version, must be fundamentally learned. The concepts of Modeling, Estimation (by point and intervals) and Goodness of fit must be introduced. And the linear regression techniques. The students will have to learn: 1. The descriptive and exploratory statistics that will allow to extract and summarize efficiently information of the data. 2. Statistical Inference: how the Statistics quantifies the uncertainty of the information extracted from the data. 3. The modeling of populations, the estimation of parameters, especially maximum likelihood, and the planning and resolution of contrasts of hypotheses (parametric and non-parametric). 3. Basic properties of optimal estimators: invariance, sufficiency, efficiency, bias, variance and asymptotic properties. 1 4. Establish and solve applied problems. With the examples, the resolution of problems and the practices with statistical software (R), the student will work with concrete models and with real data: inferential for the most important parameters of one and two normal populations. Goodness-of-fit tests. |
| Abstract: |
En este curso hay que aprender fundamentalmente el concepto de Inferencia. Se deben introducir y asentar los conceptos de Modelización, Estimación (puntual y por intervalos) y Bondad de ajuste. Se deben enseñar las técnicas fundamentales de regresión lineal. Habrá que aprender: 1. La estadística descriptiva y exploratoria que permitirá extraer y resumir de manera eficiente información de los datos. 2. Inferencia estadística: como la Estadística cuantifica la incertidumbre de la información extraída de los datos. 1 datos. 3. Se trabajará la modelización de poblaciones, la estimación de parámetros, especialmente máxima verosimilitud, y el planteamiento y resolución de los contrastes de hipótesis (paramétricos y no-paramétrica) a partir de muestras aleatorias. 3. Propiedades básicas de optimalidad de estimadores: invariancia, suficiencia, eficiencia, sesgo, varianza y propiedades asintóticas. 4. Plantear y resolver problemas aplicados. Con los ejemplos, la resolución de problemas y las prácticas con software estadístico (R), el estudiante trabajará con modelos concretos y con datos reales: inferenciales para los parámetros más importantes de una y dos poblaciones normales. Tests de bondad de ajuste. |
| Rights: |
Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, la comunicació pública de l'obra i la creació d'obres derivades, fins i tot amb finalitats comercials, sempre i quan es reconegui l'autoria de l'obra original.  |
| Language: |
Català, anglès, castellà |
| Studies: |
Matemàtiques [2500149] |
| Study plan: |
Grau en Física i Grau en Matemàtiques [1286] ; Grau en Matemàtiques [777] |
| Document: |
Objecte d'aprenentatge |
guest ::
