| Título variante: |
Statistics |
| Fecha: |
2023-24 |
| Resumen: |
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' estudiará: 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. 4. Plantejar i resoldre problemes aplicats. Amb els exemples, la resolució de problemes i les pràctiques amb software estadístic (R) , l'estudiantat treballarà amb models concrets i amb dades reals: inferencials per als paràmetres més importants d'una i dues poblacions normals. 1 paràmetres més importants d'una i dues poblacions normals. |
| Resumen: |
In this course, the concept of Inference, in its inductive version, must be learned. The concepts of Modeling, Estimation (point and interval estimation) and Goodness of fit must be introduced. we shall study: 1. Descriptive and exploratory statistics that will allow to extract and summarize efficiently information of the data. 2. Statistical Inference: how to quantify the uncertainty present in the data. 3. The modeling of populations, parameters estimation, specially maximum likelihood, and parametric and non-parametric hypotheses tests. 3. Basic properties of optimality for estimators: invariance, sufficiency, efficiency, bias, variance and asymptotic properties. 4. How to solve applied problems. Through the resolution of problems and practices with statistical software (R), the student will work with different statistical models and with real data. 1. |
| Resumen: |
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. 3. Se trabajará la modelización de poblaciones, la estimación de parámetros, especialmente máxima 1 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. |
| Derechos: |
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.  |
| Lengua: |
Català, anglès, castellà |
| Titulación: |
Matemàtiques [2500149] |
| Plan de estudios: |
Grau en Física i Grau en Matemàtiques [1286] ; Grau en Matemàtiques [777] |
| Documento: |
Objecte d'aprenentatge |
visitante ::
identificación
