Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ESTADSTICA
Autores:
- F. Aznar Gregori
- J. Montoyo Bojo
- M. Pujol Lpez
- J. Requena Ruiz
GUA DOCENTE ECTS
Estadstica
Ingeniera Informtica
i
ESTADSTICA
ii
GuaDocente
1. Contextualizacin:
1.1. Perfil de los crditos de la materia. Adecuacin al
perfil profesional y acadmico de la titulacin:
A la hora de elaborar la propuesta docente que nos ocupa, se ha de tener en cuenta cul ha sido la
evolucin de las distintas recomendaciones curriculares de informtica publicadas por instituciones de
prestigio internacional, desde las propuestas iniciales de la ACM (Association for Computing Machinery)
[ACM68] y el IEEE (Institute for Electrical and Electronic Engineers) [EC77], de 1968 y 1977,
respectivamente -donde por primera vez se intenta dar un carcter autnomo a la informtica- hasta las
tendencias actuales recogidas en el Computing Curricula 2001 [CC2001], realizado conjuntamente por el
IEEE y la ACM (las referencias de dichas recomendaciones quedan recogidas al final de la seccin). Con el
objetivo de definir un marco conceptual especfico, procede estudiar de forma ms profunda las propuestas
curriculares actuales relacionadas con Estadstica. Revisaremos el A Modular Curriculum in Computer
Science 1994 (propuesta UNESCO/IFIP 1994) y el Computing Curricula 2001 (propuesta conjunta
ACM/IEEE 2001).
En la propuesta curricular diseada por la UNESCO y el IFIP, en 1994, para los estudios de Estadstica
en Informtica proponen un mdulo adicional, Probabilidad y Estadstica. La base en la que se apoyan para
introducir a los estudiantes los conceptos de la Estadstica son:
Objetivos:
Contenidos:
1
ESTADSTICA
Conexiones: Materia relacionada con (de las que es prerrequisito): 3.6 Investigacin Operativa,
3.7 Teora de Colas, 4.7 Modelizacin y Simulacin y 6.7 Configuracin y Evaluacin de Sistemas
Informticos
Como podemos observar en esta propuesta, la Estadstica adquiere relevancia en cuanto a la utilidad
como materia propia aplicada a problemas diversos en el contexto informtico. Ya no aparece simplemente
como parte de otra materia, sino que toma protagonismo por s sola siendo parte importante de los estudios
de Informtica, siendo prerrequisito y correquisito de diversas materias.
Rozando los ochenta, la Informtica haba madurado y se haban producido avances importantes, tanto
en teora de la computacin como en la aplicacin de los resultados tericos obtenidos, observndose un
progreso real en el desarrollo de principios y teoras en campos, como el diseo y verificacin de algoritmos.
Sin embargo, en el diseo del Curriculum78 de la ACM ([Austing79]) se reduce el papel de las
Matemticas en los planes de estudios de Informtica pasando stas a considerarse como correquisito.
2
GuaDocente
En las propuestas curriculares conjuntas de ACM y IEEE del ao 1991 ([Tucker91]), se establecen
unas propuestas matemticas que conservan la tendencia definida por el informe previo en el sentido de
que recomiendan estudios de Matemticas a los estudiantes de Informtica.
En este curricula se realiza una definicin ms explcita de la materia que consiste en:
En la nueva propuesta conjunta IEEE/ACM, Computing Curricula 2001 (CC2001), por primera vez
aparece la materia sobre Teora de la Probabilidad. Es una materia central del rea de Estructuras
Discretas, junto con las materias Funciones y Conjuntos, Lgica, Tcnicas de Demostracin y Grafos
y rboles.
El rea de Estructuras Discretas que agrupa materias relacionadas est constituida como se
muestra en la tabla 2. Los contenidos concretos de la materia Teora de la Probabilidad se listan en
la tabla 3.
Materias:
3
ESTADSTICA
Como conclusin fundamental cabe destacar el papel creciente que ha tenido la materia de
Estadstica en los estudios de Informtica, desde su inclusin dentro de los aspectos matemticos
bsicos (propuestas iniciales de ACM/IEEE, UNESCO, Universidad Carnegie-Mellon), hasta su
asentamiento en los curricula como una materia independiente para su aplicacin en Informtica.
4
GuaDocente
1.1.1. Referencias:
[ACM68] ACM Curriculum Committee on Computer Science. Curriculum 68: Recommendations for
the undergraduate program in computer science. Communications of the ACM, 11(3):151-197, March
1968.
[ACM78] ACM Curriculum Committee on Computer Science. Curriculum78: Recommendations for
the undergraduate program in computer science. Communications of the ACM, 22(3):147-166, March
1979.
[ACM2001] Association for Computing Machinery. ACM code of ethics and professional conduct. New
York: The Association for Computing Machinery, May 2001. http://www.acm.org/constitution/code.html
[Bennett86] W. Bennett. A position paper on guidelines for electrical and computer engineering
education. IEEE Transactions in Education, E-29(3):175-177, August 1986.
[CC2001] IEEE-CS y ACM. Computing Curricula 2001. http://www.computer.org/education/cc2001/
[CSTB94] Computing Science and Telecommunications Board. Realizing the information future.
Washington DC: National Academy Press, 1994.
[CSTB99] Computing Science and Telecommunications Board. Being fluent with information
technology. Washington DC: National Academy Press, 1999.
[Denning89] Peter J. Denning, Douglas E. Comer, David Gries, Michael C. Mulder, Allen B. Tucker,
A. Joe Turner, and Paul R. Young. Computing as a discipline. Communications of the ACM, 32(1):9-
23, January 1989.
[EAB86] Educational Activities Board. Design education in computer science and engineering.
Technical Report 971, Computer Society of the IEEE, October 1986.
[EC77] Education Committee of the IEEE Computer Society. A curriculum in computer science and
engineering. Publication EHO119-8, Computer Society of the IEEE, January 1977.
[Gibbs86] Norman E. Gibbs and Allen B. Tucker. Model curriculum for a liberal arts degree in
computer science. Communications of the ACM, 29(3):202-210, March 1986.
[Martin96] C. Dianne Martin, Chuck Huff, Donald Gotterbarn, Keith Miller. Implementing a tenth strand
in the CS curriculum. Communications of the ACM, 39(12):75-84, December 1996.
[Myers98] J. Paul Myers, Jr. and Henry M. Walker. The state of academic hiring in computer science:
An interim review. SIGCSE Bulletin, 30(4):32a-35a, December 1998.
5
ESTADSTICA
[Ralston80] Anthony Ralston and Mary Shaw. Curriculum 78. Is computer science really that
unmathematical. Communications of the ACM (23)2:67-70, February 1980.
[Shaw85] Mary Shaw. The Carnegie-Mellon curriculum for undergraduate computer science. New
York: Springer-Verlag, 1985.
[Tucker91] Allen B. Tucker, Bruce H. Barnes, Robert M. Aiken, Keith Barker, Kim B. Bruce, J.
Thomas Cain, Susan E. Conry, Gerald L. Engel, Richard G. Epstein, Doris K. Lidtke, Michael C.
Mulder, Jean B. Rogers, Eugene H. Spafford, and A. Joe Turner. Computing Curricula '91. Association
for Computing Machinery and the Computer Society of the Institute of Electrical and Electronics
Engineers, 1991.
En primer lugar, Estadstica es una asignatura que est ubicada en 1er curso de Ingeniera
Informtica. La asignatura se relaciona con otras de los planes de estudio, permitiendo al estudiante
configurar un interesante curriculum sobre los aspectos ms tericos y bsicos de la Informtica. La
tabla 6 presenta estas asignaturas. Los contenidos de las dos primeras: lgebra y Clculo
Infinitesimal, se consideran bsicos para poder seguir el desarrollo de Estadstica. La asignatura
Ampliacin de Estadstica es incompatible con Estadstica, y el resto son una seleccin de
asignaturas donde ms directamente se utilizan temas o conceptos relacionados con la Estadstica.
6
GuaDocente
3 lgebra: forma parte del primer cuatrimestre del primer curso de Ingeniera Informtica como
asignatura troncal. Dentro de sus descriptores aparecen ciertas materias relacionadas con la
estadstica como son la teora de conjuntos y las estructuras algebraicas, bsicas para el
entendimiento de la asignatura.
3 Clculo Infinitesimal: es una asignatura anual del primer curso de Ingeniera Informtica, troncal.
Entre sus descriptores aparecen el clculo diferencial e integral para funciones de una variable, as
como sucesiones y series numricas.
3 Matemtica Discreta: forma parte del primer curso de Ingeniera Informtica como asignatura
troncal que se imparte en el segundo cuatrimestre. Los descriptores son: aritmtica entera y
modular, combinatoria y grafos. La combinatoria es bsica para la asignatura estadstica.
Adems de estas relaciones, en cursos ms avanzados existen otras asignaturas que entre sus
tpicos incluyen temas ms avanzados relacionados con la estadstica:
3 Razonamiento: se ofrece como asignatura optativa para Ingeniera Informtica. Los descriptores
de dicha asignatura son: mtodos de razonamiento artificial, razonamiento condicional,
razonamiento con incertidumbre y razonamiento temporal. Esta asignatura tiene como prerrequisito
la asignatura Lgica Computacional impartida en primero.
3 Fundamentos de Inteligencia Artificial: asignatura troncal de cuarto curso que se imparte en el
primer cuatrimestre. Sus descriptores son: Heurstica. Sistemas basados en el conocimiento.
3 Aplicaciones Industriales del Reconocimiento Automtico. Asignatura optativa cuyos
descriptores son: Tcnicas de reconocimiento de formas y sus aplicaciones.
3 Lenguajes, Gramticas y Autmatas: es una asignatura troncal de segundo curso de la titulacin
de Ingeniera Informtica. Los descriptores de dicha asignatura son: mquinas secuenciales y
autmatas finitos, gramticas y lenguajes formales, y redes neuronales.
3 Tcnicas de inteligencia artificial. Asignatura troncal de cuarto curso cuyos descriptores son:
aprendizaje y percepcin.
3 Algoritmia Avanzada: se ofrece como asignatura optativa para Ingeniera Informtica. Los
descriptores de dicha asignatura son: Bsqueda exhaustiva y estocstica. Programacin dinmica.
Algoritmos de codificacin y compresin.
3 Ampliacin de Estadstica se ofrece como asignatura optativa para Ingeniera Informtica. Los
descriptores de dicha asignatura son: Mtodos estadsticos aplicados. Esta asignatura tiene como
prerrequisito a la asignatura estadstica.
Clculo Infinitesimal
Estadstica Matemtica
lgebra Discreta
Fund. de Inteligencia
Artificial
Ampliacin de Razonamiento LGA
Estadstica
Tcnicas de
Inteligencia
Artificial
Aplicaciones Industriales Algoritmia
del Reconocimiento Avanzada
Automtico
7
ESTADSTICA
2. Objetivos:
2.1. Objetivos generales:
8
GuaDocente
2.2. Competencias:
Habilidades cognitivas:
3 HC11: Entender los principios bsicos de conteo y los de variaciones, permutaciones y
combinaciones ya sea con o sin repeticin.
3 HC12: Entender el concepto de suceso aleatorio.
3 HC13: Conocer la axiomtica de la teora de la probabilidad y comprender la interpretacin
frecuencialista de los axiomas.
3 HC14: Entender el concepto de probabilidad condicional e independencia de sucesos.
3 HC15: Ser capaz de interpretar los teoremas de la probabilidad total y de Bayes.
3 HC16: Comprender el concepto de variable aleatoria unidimensional y bidimensional.
3 HC17: Comprender el concepto de funcin de distribucin.
3 HC18: Saber los distintos tipos de variables aleatorias, discretas y continuas.
3 HC19: Entender el concepto de funcin de probabilidad y su relacin con la funcin de distribucin.
3 HC110: Entender el concepto de funcin de densidad y su relacin con la funcin de distribucin.
3 HC111: Entender el concepto de distribuciones marginales.
3 HC112: Entender el concepto de distribuciones condicionales.
3 HC113: Saber las distintas medidas de una variable aleatoria.
3 HC114: Comprender los conceptos de covarianza y correlacin como indicadores de dependencia
funcional.
3 HC115: Entender los diversos modelos de variables aleatorias.
3 HC116: Saber identificar, a partir de un fenmeno aleatorio real, cual de los diversos modelos de
variables aleatorias vistos es el que mejor se ajusta.
Capacidades metodolgicas:
3 CM11: Ser capaz de aplicar las tcnicas bsicas de conteo para obtener la probabilidad de un
suceso aleatorio.
3 CM12: Aplicar los teoremas de la probabilidad total y de Bayes para calcular la probabilidad de un
suceso aleatorio.
3 CM13: Calcular la funcin de distribucin de una variable aleatoria.
3 CM14: Calcular la funcin de probabilidad de una variable aleatoria discreta.
3 CM15: Calcular la funcin de densidad de una variable aleatoria continua.
3 CM16: Obtener las distribuciones de probabilidad marginales.
3 CM17: Calcular correctamente las distintas medidas de una variable aleatoria.
3 CM18: Calcular correctamente la covarianza y el coeficiente de correlacin.
3 CM19: Ajustar los diversos modelos de variables aleatorias a fenmenos aleatorios reales.
3 CM110: Calcular probabilidades en los distintos modelos.
3 CM111: Aplicar el teorema central del lmite.
9
ESTADSTICA
Destrezas tecnolgicas:
3 DT11: Habilidades bsicas de consulta de la red informtica para la obtencin y manejo de
informacin relacionada con la teora de probabilidad.
Destrezas lingsticas:
3 DL11: Adquirir y fomentar el rigor en el uso del lenguaje matemtico.
3 DL12: Conocer y utilizar la terminologa usual de la teora de probabilidad.
Habilidades cognitivas:
3 HC21: Conocer el concepto de Estadstica Descriptiva.
3 HC22: Conocer los conceptos de Poblacin y Muestra.
3 HC23: Saber los distintos tipos de variables estadsticas.
3 HC24: Conocer el concepto de Frecuencia.
3 HC25: Conocer el concepto de Intervalo de clase y marca de clase.
3 HC26: Entender las Tablas de Frecuencias.
3 HC27: Comprender las distintas representaciones grficas: Diagramas de barras, Histogramas etc.
3 HC28: Saber las medidas de posicin centrales y no centrales.
3 HC29: Conocer las medidas de dispersin.
3 HC210: Conocer las variables estadsticas bidimensionales y su distribucin de frecuencias.
3 HC211: Conocer las medidas para una variable bidimensional.
3 HC212: Entender la Covarianza.
3 HC213: Entender la Correlacin lineal.
3 HC214: Conocer las Rectas de Regresin lineal.
Capacidades metodolgicas:
3 CM21: Clasificar las variables estadsticas.
3 CM22: Agrupar correctamente los datos numricos continuos en intervalos de clase.
3 CM23: Calcular con soltura las Tablas de Frecuencias para los distintos tipos de variables.
3 CM24: Representar grficamente las distribuciones de frecuencias.
3 CM25: Interpretar las representaciones grficas de las distribuciones de frecuencias.
3 CM26: Calcular satisfactoriamente las medidas de posicin centrales y no centrales.
3 CM27: Calcular correctamente las medidas de dispersin absolutas y relativas.
3 CM28: Construir el grfico caja de una variable estadstica.
3 CM29: Interpretar el grfico caja de una variable estadstica.
3 CM210: Calcular la Covarianza.
3 CM211: Calcular el Coeficiente de Correlacin lineal.
3 CM212: Interpretar la relacin existente entre dos variables.
3 CM213: Obtener las Rectas de Regresin lineal.
Destrezas tecnolgicas:
3 DT21: Manejar con fluidez el paquete de sofware SPSS que servir para la resolucin de
problemas de estadstica.
10
GuaDocente
3 DT22: Habilidades bsicas de consulta de la red informtica para la obtencin y manejo de
informacin relacionada con la estadstica.
Destrezas lingsticas:
3 DL21: Adquirir y fomentar el rigor en el uso del lenguaje matemtico.
3 DL22: Conocer y utilizar la terminologa usual de la estadstica
3. Prerrequisitos:
3.1. Competencias y contenidos mnimos:
3 Entender el concepto de conjunto y saber utilizar las distintas operaciones entre conjuntos.
3 Tener nociones bsicas sobre series de potencias.
3 Entender y saber aplicar la regla de la suma, la regla del producto y el principio de inclusin-
exclusin, as como las tcnicas bsicas de conteo relativas a variaciones, combinaciones y
permutaciones a problemas sencillos.
3 Entender el concepto de integral de una funcin y saber calcularla.
11
ESTADSTICA
12
GuaDocente
Tema 1. Preliminares.
Tema 2. Teora de Probabilidad.
Tema 3. Variables Aleatorias.
Tema 4. Esperanza Matemtica. Momentos.
Tema 5. Distribuciones de Probabilidad.
13
ESTADSTICA
14
GuaDocente
5.Metodologa y estrategias de
aprendizaje:
5.1. Metodologa docente:
Los nuevos paradigmas docentes propugnan los modelos educativos que propician el pensamiento
creativo, enseando a aprender por encima de ensear conocimientos. Nos proponemos disear un
modelo, en el que la clase magistral tiene un papel importante pero no exclusivo en la transmisin de
conocimientos. Este tipo de enseanza se va a complementar con otros procesos entre los que cabe
destacar las prcticas de laboratorio y las actividades en grupos pequeos que jugarn un papel
fundamental. Concretamente las actividades que se proponen son las siguientes:
15
ESTADSTICA
Clases de teora con apoyo de material audiovisual: Segn las investigaciones al respecto, la
leccin magistral, en comparacin con otros mtodos, es la tcnica ms eficaz y econmica de
transmitir y sintetizar informacin de diversas fuentes. Por ello ocupa un lugar destacado en la
docencia universitaria. De todas formas, este mtodo tiene serios defectos como la reduccin de
las fuentes de informacin a las palabras del profesor, la suposicin de que lo que se ensea es
siempre asimilado, la pasividad que promueve, la falta de uniformidad en el ritmo de aprendizaje, o
la dificultad de reflexionar mientras se est dedicado a la toma de apuntes. La estructura tpica de
una clase expositiva de este tipo ser la siguiente: en primer lugar se har una introduccin en la
que se presentan brevemente los objetivos de la exposicin y los contenidos a tratar. Con el fin de
proporcionar el contexto adecuado, en la presentacin se har referencia al material expuesto en
clases precedentes, de forma que se clarifique la posicin de dichos contenidos en el marco
general de la asignatura. A continuacin se desgranarn los contenidos objeto de estudio,
incluyendo exposiciones narrativas, desarrollos formales que proporcionen los fundamentos
tericos, e intercalando ejemplos y ejercicios, que ilustren la aplicacin de los contenidos
expuestos. Se resaltarn los elementos importantes, de forma que sea fcil distinguir lo relevante
de los aspectos perifricos. Finalmente, los conceptos introducidos sern resumidos, y se
elaborarn las conclusiones, incluyendo una valoracin de en qu medida se han alcanzado los
objetivos propuestos al principio del tema. Quizs, de los defectos que se le atribuye a la clase
magistral, el mayor de ellos sea que refuerza la actitud pasiva. Para favorecer la participacin estas
clases se complementarn con las siguientes tcnicas:
o Uso de material de apoyo tales como apuntes o transparencias. No obstante el uso de
transparencias ser moderado, a pesar de su atractivo visual y la estructuracin que
proporciona al curso, ya que utilizando transparencias, existe la posibilidad de acelerar el
ritmo de la clase, con la consiguiente disminucin de la eficiencia del aprendizaje. La
combinacin de medios de apoyo a la presentacin que se propone es la utilizacin de
transparencias (con retroproyector o can proyector) con contenido general para resaltar
la estructura que articula los conceptos propuestos y que servirn de guin de las clases
tericas, la pizarra para los desarrollos detallados y ejemplos aclaratorios, y la proyeccin
con can para realizar demostraciones prcticas.
o Se facilitar la resolucin de dudas en clase mediante preguntas directas al profesor.
Sucede a menudo que las dudas son compartidas por una proporcin alta de la clase,
pero sin embargo es difcil conseguir romper el prejuicio de que una pregunta revela las
limitaciones de la persona que la hace y no la dificultad intrnseca en la comunicacin y
asimilacin de ciertos conceptos. Con el fin de animar a la participacin y crear un clima de
confianza, en el que ninguna pregunta sea desdeada como trivial o irrelevante, a lo largo
del curso se programarn varias tutoras en grupos reducidos.
o Se comentarn los errores ms comunes que se cometen al ir adentrndose en la
asignatura. Aprender de los errores tanto propios como ajenos es siempre una buena
estrategia.
o Se harn preguntas a los estudiantes involucrando a otros estudiantes en las respuestas.
Este pequeo ejercicio fuerza a abandonar una actitud de receptor de informacin a una
posicin de colaboracin en la exposicin.
o Se propondr al final de algunas clases un pequeo ejercicio que haga referencia a los
conceptos introducidos en la clase o a los que se introducirn en la clase siguiente. Este
ejercicio puede ser resuelto en la clase siguiente por algn estudiante voluntario, o por el
profesor, y puede servir para motivar una incursin en algn tema de inters.
Actividades en grupos pequeos: Estas actividades estarn relacionadas con la realizacin de
problemas y cuestiones terico-prcticas relacionadas con la asignatura. Su objetivo ser reforzar y
aplicar los conceptos bsicos a situaciones reales concretas y fomentar la capacidad de anlisis,
sntesis y autoevaluacin del alumnado. El mtodo empleado en estas clases intentar fomentar el
trabajo colaborativo. Estas actividades deben considerarse como una extensin de la teora, por lo
que no deben contemplarse como una unidad aparte. Se compaginarn con temas tericos con el
fin de proporcionar el adecuado dinamismo a la explicacin y en ellas, va a resultar fundamental la
aplicacin de tcnicas de dinmica de grupos activos.
16
GuaDocente
En base a todo esto, la estrategia de aprendizaje que se propone se compone de las siguientes
fases:
1. Recopilacin de toda la documentacin de la asignatura.
2. Planificacin de las clases tericas:
Lectura previa del guin correspondiente a la sesin de teora que se trate.
Una vez realizada la clase de teora, se debe estudiar de forma autnoma su contenido y en
caso de no entender algo intentar primero contrastarlo con otros compaeros o utilizando la
17
ESTADSTICA
18
GuaDocente
Presentacin: 1 1
TEORA DE PROBABILIDAD:
Tema 1 1 1
Tema 2 4 4
Tema 3 4 4
Tema 4 2 2
Tema 5 2 2
ESTADISTICA DESCRIPTIVA:
Tema 1 2
Tema 2 2
Tema 3 2
Tema 4 2
Tema 5 2
Tema 6 2
19
ESTADSTICA
7. Bibliografa:
7.1. Bibliografa Bsica:
[DeGroot88] Morris H. DeGroot. Probabilidad y Estadstica. Addison-Wesley Iberoamericana, 1988.
[Pea91] Daniel Pea. Estadstica. Modelos y Mtodos, vol. 1. Alianza Universidad, 1991.
[Pea97] Daniel Pea y Juan Romo. Introduccin a la Estadstica para las Ciencias Sociales.
McGraw-Hill, 1997.
[Prez01] Cesar Prez. Tcnicas Estadsticas con SPSS. Prentice Hall, 2001.
[Walpole99] Ronald E. Walpole, Raymond H. Myers y Sharon Myers. Probabilidad y Estadstica para
Ingenieros. Prentice Hall, 1999.
Sin nimo de ser exhaustivos, incluimos a continuacin una lista con las publicaciones peridicas
ms importantes donde aparecen trabajos sobre Estadstica:
20
GuaDocente
Como grupos de noticias podemos destacar sci.stat.math, donde tienen cabida temas relacionados
con la estadstica; sci.stat.edu, donde se discuten temas relacionados con la estadstica y la educacin; y
sci.math y sci.math.research en donde tienen cabida un amplio abanico de temas relacionados con las
matemticas.
Por ltimo, algunas pginas Web muy interesantes, que proporcionan recopilaciones de enlaces a
otros recursos (organizaciones, revistas electrnicas, conferencias, bibliografa, tutoriales, etc.) son las
siguientes:
21
ESTADSTICA
Para evaluar esta asignatura, debemos ser conscientes de que se trata de una asignatura de primero
y que por tanto no se est todava demasiado familiarizado con el entorno universitario. Por tanto, es en el
contexto de la realizacin de las prcticas y de las actividades en grupo donde intentamos fomentar el
estudio y el aprendizaje de la asignatura. Casi podemos considerar estas prcticas y actividades como
clases de repaso y afianzamiento de los conceptos vistos en las clases tericas. De hecho se exige que se
hagan bien y si no es as deben repetirlas. Sin embargo, por todo lo dicho, aunque las prcticas y
actividades en grupos pequeos son primordiales para preparar la asignatura y superarla, no se le dan
demasiado peso en la nota final, concretamente alrededor de un 20 por ciento. El examen propiamente
dicho representar el 80 por ciento de la nota total. Dicho examen contendr preguntas tericas, relativas
sobretodo a conceptos, cuestiones terico-prcticas y problemas propiamente dichos.
Para disponer de una informacin lo ms completa posible en cada examen, el nmero de preguntas
que se deben contestar ha de ser elevado, alrededor de unas cuatro con distintos apartados, pero teniendo
en cuenta que la duracin del examen no puede ser excesiva y que realmente se pueda realizar en la mitad
de tiempo. En concreto, la duracin de un examen no superar las tres horas.
Si tanto la parte terica como las prcticas han sido superadas, la nota final puede subirse alrededor
de un 10 por ciento con la realizacin de un trabajo complementario. Este trabajo va a ser especialmente til
para las personas que les ha faltado poco para conseguir el notable o el sobresaliente o para aquellos con
nota de sobresaliente, que pueden optar a matrcula de honor.
Sobresaliente:
22
GuaDocente
Notable:
Aprobado:
Suspenso:
23
ESTADSTICA
24