Documentos de Académico
Documentos de Profesional
Documentos de Cultura
GUÍA DE
ESTUDIO
COMPLETA
ESTADÍSTICA (INGENIERÍAS
INDUSTRIALES)
CÓDIGO 68902091
ESTADÍSTICA (INGENIERÍAS INDUSTRIALES) CÓDIGO 68902091
18-19
ESTADÍSTICA (INGENIERÍAS
INDUSTRIALES)
CÓDIGO 68902091
ÍNDICE
PRESENTACIÓN Y CONTEXTUALIZACIÓN
REQUISITOS Y/O RECOMENDACIONES PARA CURSAR LA
ASIGNATURA
EQUIPO DOCENTE
TUTORIZACIÓN Y SEGUIMIENTO
TUTORIZACIÓN EN CENTROS ASOCIADOS
COMPETENCIAS QUE ADQUIERE EL ESTUDIANTE
RESULTADOS DE APRENDIZAJE
CONTENIDOS
METODOLOGÍA
PLAN DE TRABAJO
SISTEMA DE EVALUACIÓN
BIBLIOGRAFÍA BÁSICA
BIBLIOGRAFÍA COMPLEMENTARIA
RECURSOS DE APOYO Y WEBGRAFÍA
GLOSARIO
PRESENTACIÓN Y CONTEXTUALIZACIÓN
EQUIPO DOCENTE
Nombre y Apellidos VICENTE JOSE NOVO SANJURJO
Correo Electrónico vnovo@ind.uned.es
Teléfono 91398-6436
Facultad ESCUELA TÉCN.SUP INGENIEROS INDUSTRIALES
Departamento MATEMÁTICA APLICADA I
TUTORIZACIÓN Y SEGUIMIENTO
Los dos profesores que forman el equipo docente de la asignatura actúan de forma
coordinada y comparten responsabilidades.
El estudiante podrá ponerse en contacto con el equipo docente en los despachos,
teléfonos y correos electrónicos siguientes:
RESULTADOS DE APRENDIZAJE
CONTENIDOS
PROGRAMA:
Tema 1. Estadística Descriptiva.
1.1. Variables estadísticas. Definiciones. Clasificación.
1.2. Distribuciones de frecuencias. Representaciones gráficas.
1.3. Parámetros estadísticos.
1.4. Distribución de frecuencias multivariante.
1.5. Distribuciones marginales y condicionadas.
1.6. Vector de medias. Matriz de varianzas y covarianzas.
1.7. Coeficiente de correlación.
Tema 2. Probabilidad.
2.1. Fenómenos aleatorios.
2.2. Espacio muestral y Álgebra de sucesos aleatorios.
2.3. Frecuencia absoluta y relativa.
2.4. Probabilidad.
2.5. Probabilidad en espacios muestrales finitos.
2.6. Probabilidad condicionada.
2.7. Teoremas de probabilidad total y de Bayes.
2.8. Sucesos independientes. Experimentos compuestos.
Tema 3. Variables aleatorias.
3.1. Variables aleatorias unidimensionales.
3.2. Función de distribución. Propiedades.
3.3. Funciones de cuantía y de densidad.
3.4. Variables aleatorias n-dimensionales.
3.5. Distribuciones marginales y condicionadas.
3.6. Variables aleatorias independientes.
3.7. Esperanza matemática. Propiedades.
3.8. Varianza. Propiedades.
3.9. Teorema de Markov. Desigualdad de Tchebycheff.
3.10. Momentos. Asimetría. Apuntamiento.
3.11. Covarianza. Coeficiente de correlación.
3.12. Regresión lineal. Rectas de mínimos cuadrados.
Tema 4. Funciones característica y generatriz. Operaciones con variables aleatorias.
4.1. Función característica. Propiedades.
4.2. Función generatriz de momentos.
4.3. Cálculo de los momentos.
4.4. Transformación de variables aleatorias.
4.5. Suma de variables aleatorias.
4.6. Producto de variables aleatorias.
4.7. Cociente de variables aleatorias.
ORIENTACIONES:
Introducción
En este módulo se introducen diversos conceptos que van a ser clave durante el desarrollo
de la asignatura. Se comienza con la descripción y el análisis estadístico de una y de varias
variables, es decir con la Estadística Descriptiva y se completa el módulo con la parte central
del mismo, dedicada al fundamento matemático de la estadística, es decir, al Cálculo de
Probabilidades que es básico para cualquier aplicación estadística y para el seguimiento y
asimilación de los contenidos de la asignatura. En los dos epígrafes siguientes, se presentan
los resultados concretos del aprendizaje y se contextualizan y comentan en detalle los
contenidos de este módulo tema por tema.
Resultados del aprendizaje
PROGRAMA:
Tema 5. Distribuciones de probabilidad de variable discreta.
5.1. Distribuciones de Bernoulli y binomial.
5.2. Distribuciones geométrica y binomial negativa.
5.3. Distribución hipergeométrica.
5.4. Proceso de Poisson. Distribución de Poisson.
Tema 6. Distribuciones de probabilidad de variable continua.
6.1. Distribución uniforme.
6.2. Distribución gamma.
6.3. Distribuciones exponencial y de Weibull.
6.4. Distribución normal.
6.5. La normal como límite de la binomial.
6.6. Distribución de Pearson.
6.7. Distribución t de Student.
6.8. Distribución F de Snedecor.
Tema 7. Distribuciones multivariantes
7.1. Distribuciones de probabilidad multivariantes.
7.2. Distribución multinomial.
7.3. Distribución normal multivariante.
Tema 8. Distribuciones en el muestreo.
8.1. Introducción.
8.2. Tipos de muestreo. Estadísticos.
8.3. Distribuciones de la media y de la varianza en el muestreo.
8.4. Distribución de la diferencia de medias.
8.5. Estadísticos ordenados.
8.6. Distribuciones del máximo y del mínimo valor muestral.
8.7. Distribución de estadísticos ordenados. Distribuciones del recorrido y de la mediana.
ORIENTACIONES:
Introducción
En este módulo se estudian los modelos de probabilidad más usuales en Estadística y las
distribuciones en el muestreo. Se estudian los modelos de probabilidad univariantes y
multivariantes de variable discreta y de variable continua. Uno de los problemas centrales en
Estadística es el de inferir las características y propiedades de una cierta población a partir
de los datos de una muestra. Para ello es necesario disponer de modelos matemáticos de
referencia que nos permitan describir la población, estos modelos vienen dados por las
distribuciones de probabilidad. En los dos epígrafes siguientes, se presentan los resultados
concretos del aprendizaje y se contextualizan y comentan en detalle los contenidos de este
módulo tema por tema.
Resultados del aprendizaje
Al terminar el estudio de este módulo, el estudiante conocerá y manejará los modelos de
probabilidad más usuales en la práctica de la Estadística y las distribuciones en el muestreo
fundamentales para entender la parte inferencial de la Estadística. En particular:
• Comprenderá el significado de los modelos usuales de probabilidad.
• Manejará las distribuciones de variable discreta de Bernouilli, binomial, hipergeométrica,
binomial negativa y de Poisson.
• Conocerá las principales características de las distribuciones anteriores y será capaz de
calcularlas.
• Comprenderá la distribución normal y sus principales propiedades.
• Manejará diferentes distribuciones normales.
• Conocerá las principales distribuciones de variable continua.
• Manejará las distribuciones uniforme y exponencial.
• Conocerá las definiciones de las distribuciones Gamma, de Pearson, de Student y de
Snedecor.
• Manejará las tablas de estas distribuciones de probabilidad.
• Podrá aplicar las propiedades de las distribuciones discretas y continuas a diferentes
problemas.
• Conocerá la definición y propiedades de la distribución multinomial.
• Conocerá la definición y propiedades de la distribución normal multivariante.
• Comprenderá las distribuciones en el muestreo y el concepto de estimador.
• Será capaz de obtener las distribuciones en el muestreo de diferentes estimadores.
• Conocerá las distribuciones en el muestreo de poblaciones paramétricas.
• Manejará las distribuciones en el muestreo de la media, la diferencia de medias, la varianza
y la razón de varianzas.
• Podrá aplicar esas distribuciones a casos prácticos.
• Conocerá las distribuciones en el muestreo de poblaciones no paramétricas.
•Manejará las distribuciones en el muestreo del mínimo valor muestral, del máximo valor
muestral, del recorrido y de la mediana.
Contextualización y descripción de contenidos
Se dedican los tres primeros temas de esta segunda unidad didáctica a la descripción de los
modelos de probabilidad. En el tema 5 se estudian las distribuciones de probabilidad de
variable discreta, en el 6, las de variable continua, en ambos casos para variables
unidimensionales y, en el tema 7, las distribuciones de probabilidad de variables
multidimensionales con especial atención a la normal multivariante.
Se empieza el tema 5 definiendo la variable de Bernouilli y, a través del proceso de pruebas
de Bernouilli repetidas e independientes, se introduce la distribución binomial para la que se
estudian sus principales características: media, varianza, función generatriz, etc., así como el
teorema de la adición que establece que la suma de binomiales independientes, con el
mismo parámetro p, es una variable binomial. A continuación se dan las definiciones y
principales propiedades de las distribuciones hipergeométrica, geométrica y binomial
negativa.
La última parte del tema se dedica al estudio de la distribución de Poisson. Esta distribución
es un modelo apropiado para describir el número de ocurrencias de un suceso en un
intervalo de tiempo dado, por ejemplo el número de llamadas que se reciben en una central
telefónica en un período de tiempo fijado, el número de vehículos que llegan a un control de
peaje en una autopista, etc. Se estudian sus principales características, en particular que su
media y su varianza coinciden, que esta distribución es reproductiva, es decir, que la suma
de variables de Poisson independientes es una variable de Poisson y que se puede obtener
como límite de la distribución binomial cuando n tiende a infinito.
En el tema 6 se tratan las distribuciones de probabilidad de variable continua con especial
atención a la distribución normal. En primer lugar se describe la distribución uniforme, luego
la distribución gamma, demostrándose que es reproductiva y como caso particular de ella la
exponencial que tiene muchas aplicaciones en Estadística, concretamente en áreas como la
teoría de fiabilidad, los tiempos de espera o la teoría de colas. Se estudia a continuación la
distribución de Weibull que se utiliza en fiabilidad.
Sin duda la distribución de probabilidades más importante es la normal, porque describe bien
muchos fenómenos de la naturaleza o de la industria y por su gran interés en inferencia
estadística. Se estudia la normal estándar o N(0,1) y la normal general de media y
desviación típica dadas, el manejo de tablas y la variable tipificada. Se demuestra que la
suma de variables normales independientes es una variable normal y que la media de
variables normales independientes e igualmente distribuidas según una normal es también
una variable normal. Se demuestra por último que la distribución binomial tiende a la
distribución normal lo que permite dar aproximaciones de probabilidades binomiales por la
normal.
estudian las distribuciones en el muestreo del mínimo valor muestral, del máximo valor
muestral, del recorrido y de la mediana.
PROGRAMA:
Tema 9. Estimación puntual.
9.1. Generalidades.
9.2. Estimadores insesgados.
9.3. Estimadores de mínima varianza. Cota de Cramer-Rao. Estimadores eficientes.
9.4. Estimadores consistentes y suficientes.
9.5. Método de máxima verosimilitud.
9.6. Propiedades de los estimadores de máxima verosimilitud.
9.7. Otros métodos de estimación puntual.
Tema 10. Estimación por intervalos.
10.1. Intervalos de confianza.
10.2. Intervalos de confianza de la media.
10.3. Intervalos de confianza de la varianza.
10.4. Intervalos de confianza de la diferencia de medias.
10.5. Intervalos de confianza de la razón de varianzas.
10.6. Intervalos de confianza de proporciones.
10.7. El problema del tamaño muestral.
Tema 11. Contrastes de hipótesis. Contrastes paramétricos.
11.1. Hipótesis estadísticas. Tipos de contrastes.
11.2. Tipos de error. Potencia. Teorema de Neyman-Pearson.
11.3. Contrastes de la media.
11.4. Contrastes de diferencia de medias.
11.5. Contrastes de proporciones y de la diferencia de proporciones.
11.6. Contrastes relacionados con varianzas.
11.7. Contraste de la razón de verosimilitudes.
Tema 12. Contrastes no paramétricos.
12.1. Contrastes no paramétricos. Generalidades.
12.2. Contrastes de validación de modelos.
12.3. Contraste de la bondad del ajuste.
12.4. Contraste de Kolmogorov-Smirnov.
12.5. Contraste de aleatoriedad.
12.6. Contrastes de homogeneidad e independencia.
12.7. Test de los signos.
•Manejará otros contrastes paramétricos: el test de los signos, el test de rango con signo, el
test de la suma de rangos y el contraste de Kruskal-Wallis.
Contextualización y descripción de contenidos
En el tema 9 se estudian las técnicas de estimación puntual. Se trata de definir estimadores
de los parámetros poblacionales que nos permitan, a partir de una muestra, dar las mejores
estimaciones posibles del parámetro poblacional. La pregunta que se plantea es evidente.
¿Cual será el mejor estimador de un cierto parámetro poblacional? La respuesta también es
clara: el mejor estimador de un parámetro es aquel que toma para cualquier muestra el valor
del parámetro, es decir, es aquel que tiene por esperanza el parámetro poblacional y
varianza cero. En la práctica, esta situación ideal no se da, pero con esta idea tan simple
disponemos de una referencia para clasificar y comparar los distintos estimadores. Cuanto
más cercano esté el estimador a esta situación ideal mejor será.
Se introduce la definición de estimador insesgado como aquel cuya esperanza matemática
es el parámetro poblacional. Como ejemplo, se demuestra que la media muestral es un
estimador insesgado de la media poblacional, mientras que no ocurre lo mismo con la
varianza muestral respecto de la poblacional. Se construye un estimador insesgado de la
varianza poblacional conocido como cuasivarianza muestral. Si existiera un estimador
insesgado de varianza cero, este sería el ideal. Al no darse esta situación en la práctica, es
claro que un estimador insesgado será tanto mejor cuanto menor sea su varianza. Cramer,
Rao y Fréchet demostraron, bajo condiciones diferentes, que la varianza de un estimador no
puede ser menor que un valor que depende de la distribución poblacional y del tamaño
muestral. Este valor se conoce como la cota de Cramer-Rao. Se definen los estimadores
eficientes como aquellos que son insesgados y de mínima varianza. La cota de Cramer-Rao
da una condición suficiente para que un estimador insesgado sea eficiente, que sin embargo
no es una condición necesaria. Se introducen los conceptos de estimador consistente y
suficiente.
Se estudian a continuación los métodos para construir estimadores. En primer lugar se
estudia el método de máxima verosimilitud. Este método de estimación está basado en el
concepto de función de verosimilitud dado por Fisher. La idea del método consiste en
considerar como mejor estimador del parámetro el valor que haga máxima la verosimilitud
para una muestra dada, con lo que el método se reduce al estudio de un problema de
optimización. Se demuestra que los estimadores de máxima verosimilitud son invariantes por
transformaciones biyectivas, que si existen estimadores eficientes (resp. suficientes) el
estimador de máxima verosimilitud es eficiente (resp. función del estimador suficiente) y que
sin embargo, en general, pueden no ser insesgados. A continuación se estudia el método de
los momentos o de analogía que consiste en igualar los momentos muestrales a los
poblacionales. Los estimadores que se obtienen por este método son consistentes aunque
en general no son insesgados.
PROGRAMA:
Tema 13. Análisis de la varianza. Diseño de experimentos.
13.1. El problema de clasificación simple.
13.2. Distribuciones de la variabilidad.
13.3. El contraste F y la tabla ADEVA.
13.4. Diseño de experimentos.
13.5. Diseño de bloques aleatorizados.
13.6. Diseño de cuadrados latinos.
Tema 14. El modelo de regresión lineal simple.
14.1. Modelo de regresión lineal simple.
14.2. Propiedades de los estimadores.
14.3. El coeficiente de correlación en regresión.
14.4. Contrastes de regresión y de linealidad.
14.5. Predicción.
Tema 15. Gráficos de control de calidad.
15.1. Introducción.
15.2. Causas asignables y causas no asignables.
15.3. Nota histórica.
15.4. Gráficos de control por variables y por atributos. Interpretación.
15.5. Capacidad.
Tema 16. Introducción a la fiabilidad.
16.1. Introducción.
16.2. Fiabilidad. Distribución del tiempo de fallo.
6.EQUIPO DOCENTE
7.METODOLOGÍA Y ACTIVIDADES DE APRENDIZAJE
8.EVALUACIÓN
16.3. Función de fiabilidad.
16.4. Tasa de fallo.
16.5. Modelos matemáticos en fiabilidad.
16.6. Fiabilidad de sistemas.
16.7. Test de vida en fiabilidad
CONTENIDOS:
Introducción
Este módulo se dedica a los modelos lineales y dos aplicaciones importantes de la
Estadística para los futuros graduados en Ingeniería. En primer lugar se introduce el diseño
de experimentos y se estudian los modelos de regresión lineal. La segunda parte del módulo
se dedica al estudio de las técnicas estadísticas de control de calidad y la fiabilidad. En los
dos epígrafes siguientes, se presentan los resultados concretos del aprendizaje y se
contextualizan y comentan en detalle los contenidos de este módulo tema por tema.
Resultados del aprendizaje
En la primera parte de este módulo se introducen las técnicas de análisis de la varianza en el
diseño de experimentos y los modelos de regresión, y en la segunda parte dos aplicaciones
de los métodos estadísticos de gran utilidad en ingeniería y en la industria, como son los
gráficos de control y la fiabilidad. En concreto, al finalizar el estudio de este módulo, el
estudiante:
• Comprenderá la descomposición de variabilidad en los problemas de clasificación simple o
problemas con un solo factor a estudio.
• Entenderá su papel en la técnica de análisis de la varianza (ADEVA).
• Podrá obtener una tabla ADEVA.
• Podrá evaluar los resultados de experimentos sencillos a través de la técnica de ADEVA.
• Conocerá diseños sencillos de más de un factor.
• Podrá aplicar en casos prácticos diseños de bloques aleatorizados o de cuadrados latinos.
• Comprenderá los modelos de regresión lineal simple de mínimos cuadrados.
• Podrá ajustar modelos lineales a conjuntos de datos y analizar los resultados.
• Podrá valorar la existencia o no de relación por medio del coeficiente de correlación lineal.
• Será capaz de aplicar los contrastes de regresión.
• Podrá construir intervalos de confianza de la respuesta media e intervalos de predicción.
• Conocerá los gráficos de control y su relación con los intervalos de confianza.
• Podrá construir los gráficos de variables y valorar el resultado en casos prácticos.
• Podrá construir los gráficos de atributos y valorar su resultado en casos prácticos.
de las distancias, medidas sobre paralelas al eje de ordenadas, de los puntos a la recta. Se
estudia el coeficiente de correlación en regresión y su relación con los coeficientes de
regresión.
A continuación se estudia el contraste de regresión que nos permite decidir si existe o no
regresión significativa entre las variables y en consecuencia aceptar o rechazar el modelo
lineal. Se obtiene el contraste de linealidad y la correspondiente prueba de análisis de la
varianza. La recta de regresión se puede utilizar para predecir la respuesta media
correspondiente a un valor dado de la variable o para predecir la respuesta para ese valor de
la variable. Se dan los intervalos de confianza para la respuesta media y de predicción.
En el tema 15 se estudian los gráficos de control de calidad. El interés por el estudio y
mejora de la calidad ha crecido sustancialmente en las últimas décadas, de forma que son
muchas las empresas y organizaciones que han implantando programas de mejora de la
calidad con objeto de conseguir niveles altos de calidad en sus productos o servicios. Estos
programas de mejora encuentran en la utilización de los Métodos Estadísticos uno de sus
principales puntos de apoyo.
Está demostrado que efectuar una inspección total de la producción, además de conllevar un
elevadísimo coste, no siempre proporciona la confianza deseada. Factores como la
monotonía, por la repetitividad del proceso de inspección, o el cansancio de quien la realiza,
llevan consigo, en la práctica, a la obtención de hasta un quince por ciento de productos
aceptados o rechazados incorrectamente, es decir:
- Productos defectuosos aceptados como buenos.
- Productos no defectuosos rechazados.
La Estadística proporciona técnicas rápidas, sencillas y económicas que permiten obtener
resultados con una fiabilidad muy superior a la indicada anteriormente.
En el tema 16 se da una introducción a los problemas de fiabilidad. Desde el punto de vista
de la Ingeniería, la fiabilidad es la probabilidad de que un aparato o dispositivo desarrolle una
determinada función, bajo condiciones fijadas, durante un período de tiempo determinado.
La justificación para la utilización de los Métodos Estadísticos en Fiabilidad reside en el
hecho de que éste es un concepto probabilístico y que el tiempo transcurrido hasta que se
produce un fallo del dispositivo o sistema es una variable aleatoria. Este tiempo de fallo, que
pueden ser horas o minutos pero también ciclos o kilómetros, puede tomar, en principio,
cualquier valor entre cero e infinito.
En este tema se introducen las técnicas estadísticas usuales en fiabilidad. Se define la
distribución del tiempo de fallo o función de infiabilidad y, a partir de esta distribución, el
concepto de fiabilidad. Se clasifican los diferentes tipos de fallos y se introducen los
conceptos de vida media, tasa de fallos y la función de tasa de fallos. Se comentan los
modelos estadísticos más utilizados en el estudio de la fiabilidad de componentes o de
sistemas, tratando, en el caso de los sistemas, los montajes en serie y en paralelo, a partir
de los que se pueden diseñar sistemas complejos. Se concluye el tema con una sección
dedicada a los contrastes o test de vida en fiabilidad.
METODOLOGÍA
El estudiante contará con diferentes medios de apoyo (véase punto 11 de esta guía),
entre los que serán fundamentales la bibliografía básica y el curso virtual en la plataforma
aLF.
PLAN DE TRABAJO
• Comprenderá el manejo de
los datos estadísticos y será
capaz de estudiar variables
discretas o continuas.
•Manejará las distribuciones
de frecuencias y las
representaciones gráficas
• Estudie el tema 1 del libro de usuales, así como los
teoría. parámetros estadísticos de
•Realice los ejercicios de centralización y de
autocom-probación de ese dispersión, y sus principales
tema. propiedades.
•Comprenderá y manejará las
distribuciones de más de una
variable, las medidas de
asociación lineal entre
variables, la covarianza y el
coeficiente de correlación.
Tema 2: Probabilidad
• Comprenderá el significado
de los modelos usuales de
• Estudie el tema 6 del libro de probabilidad.
teoría. •Manejará las distribuciones
•Realice los ejercicios 4.1 a de variable discreta de
4.12 del tema 4 del libro de Bernouilli, binomial,
problemas. hipergeométrica, binomial
•Realice los ejercicios de negativa y de Poisson.
autocom-probación de ese •Conocerá las principales
tema. características de las
distribuciones anteriores y
será capaz de calcularlas.
• Comprenderá la distribución
normal y sus principales
propiedades.
•Manejará diferentes
distribuciones normales.
•Manejará las distribuciones
• Estudie el tema 7 del libro de uniforme y exponencial.
teoría. •Conocerá las definiciones de
•Realice los ejercicios 4.15 a las distribuciones Gamma,
4.49 del tema 4 del libro de de Pearson, de Student y de
problemas. Snedecor y manejará las
•Realice los ejercicios de tablas de estas
autocom-probación de ese distribuciones de
tema. probabilidad.
•Podrá aplicar las
propiedades de las
distribuciones discretas y
continuas a diferentes
problemas.
• Comprenderá las
distribuciones en el muestreo
y el concepto de estimador.
•Será capaz de obtener las
distribuciones en el muestreo
de diferentes estimadores.
• Estudie el tema 10 del libro •Conocerá las distribuciones
de teoría. en el muestreo de
•Realice los ejercicios del poblaciones paramétricas
tema 5 del libro de (media, diferencia de
problemas. medias, varianza y razón de
•Realice los ejercicios de varianzas).
autocom-probación de ese •Conocerá las distribuciones
tema. en el muestreo de
poblaciones no paramétricas
(del mínimo valor muestral,
del máximo valor muestral,
del recorrido y de la
mediana).
• Comprenderá el método de
estimación por intervalos de
• Estudie el tema 12 del libro confianza.
de teoría. •Podrá construir intervalos de
•Realice los ejercicios 6.19 a confianza de la media con
6.33 del tema 6 del libro de distintas suposiciones sobre
problemas. la población.
•Realice los ejercicios de •Podrá construir igualmente
autocom-probación de ese intervalos de confianza de la
tema. varianza, de la diferencia de
medias y de proporciones.
• Comprenderá la
descomposición de la
variabilidad en los problemas
de clasificación simple o
problemas con un solo factor
• Estudie el tema 15 del libro
a estudio.
de teoría.
•Entenderá su papel en la
•Realice los ejercicios 8.1 a
técnica de análisis de la
8.6 del tema 8 del libro de
varianza.
problemas.
•Podrá diseñar y evaluar los
•Realice los ejercicios de
resultados de experimentos
autocom-probación de ese
sencillos a través de la
tema.
técnica de ADEVA.
•Conocerá y podrá aplicar en
casos prácticos diseños
sencillos de más de un
factor.
SISTEMA DE EVALUACIÓN
TIPO DE PRUEBA PRESENCIAL
Tipo de examen Examen de desarrollo
Preguntas desarrollo 6
Duración del examen 120 (minutos)
Material permitido en el examen
Para la realización de la prueba presencial sólo se permite el uso de calculadora no
programable y de la Guía-formulario y tablas que se cita a continuación, sin ninguna
anotación o añadido (no se permitirá el uso de fotocopias de esta guía-formulario o
cualquier otra forma de reproducción o soporte que no sea el original en papel).
Novo, V., Jiménez, B. Estadística. Guía-Formulario y Tablas. (Ingenierías
Industriales de la UNED). Editorial Sanz y Torres, 2010. Edición revisada 2011.
Criterios de evaluación
Es el equivalente al examen final. Su finalidad es una evaluación de los conocimientos
adquiridos al finalizar el cuatrimestre. Por su importancia en la calificación global, se
describe a continuación.
BIBLIOGRAFÍA BÁSICA
ISBN(13):9788492948123
Título:ESTADÍSTICA: GUÍA-FORMULARIO Y TABLAS (2010)
Autor/es:Jiménez Martín, Bienvenido ; Novo Sanjurjo, Vicente José ;
Editorial:SANZ Y TORRES
ISBN(13):9788496094147
Título:PROBLEMAS DE CÁLCULO DE PROBABILIDADES Y ESTADÍSTICA (1ª)
Autor/es:Novo Sanjurjo, Vicente José ;
Editorial:SANZ Y TORRES
ISBN(13):9788496094307
Título:ESTADÍSTICA TEÓRICA APLICADA (1ª)
Autor/es:Novo Sanjurjo, Vicente José ;
Editorial:SANZ Y TORRES
Libro de teoría: Novo, V.: Estadística Teórica y Aplicada. Editorial Sanz y Torres, 2004.
Edición revisada 2011.
Esquema de relación entre los temas del programa y los capítulos de los libros de teoría y de
problemas recomendados como bibliografía básica.
BIBLIOGRAFÍA COMPLEMENTARIA
Teoría:
Freund, J. C., Miller, I., Miller, M. Estadística Matemática con Aplicaciones. Pearson
Educación, 2000.
Montgomery, D.C., Runger, G.C. Probabilidad y Estadística Aplicadas a la Ingeniería.
Limusa-Wiley, 2004.
Peña, D.: Fundamentos de Estadística. Alianza Editorial, 2008.
Peña, D.: Regresión y Diseño de Experimentos. Alianza Editorial, 2010.
Walpole, R. E., Myers, R. H., Myers, S.L., Ye, K.: Probabilidad y Estadística para Ingeniería y
Ciencias 8ED. Pearson, 2007.
Problemas:
López de la Manzanara, J.: Problemas de Estadística. Ediciones Pirámide, 2007.
López Ortega, J.: Problemas de Inferencia Estadística para Ciencias Económicas: Muestreo
y Control de Calidad. Editorial Tébar, S.L.. 2007.
Ruíz-Maya, L.: Problemas de Estadística. Editorial AC. 2009.
Sarabia, A., Maté, C.: Problemas de Probabilidad y Estadística. CLAGSA. 1993.
Spiegel, M. R., Stephans, L. J. Estadística (4ª ed., revisión técnica de Raúl Gómez Castillo).
McGraw-Hill, 2009.
En esta bibliografía complementaria se facilitan una serie de libros de teoría que
pueden ser de interés para consultas puntuales y, sobre todo, una relación de libros de
problemas resueltos que se pueden utilizar para completar la preparación de la asignatura.
Curso virtual. Será el principal medio de apoyo, junto con el profesor tutor. A través del curso
virtual se pondrá a disposición de los estudiantes de Estadística diversos materiales.
Además, el estudiante podrá acceder a los foros de comunicación, donde podrá plantear
dudas o ponerse en contacto con otros compañeros.
Tutoría. La asistencia a la tutoría y el contacto con otros compañeros del grado serán sin
duda un gran apoyo y estímulo para el estudio.
Programas de cálculo simbólico, estadística, y otros. Pueden ser una gran ayuda para el
estudio, principalmente porque ayudan a desarrollar la intuición en temas que a menudo
pueden parecer abstractos (por ejemplo, representación gráfica de funciones) y pueden
servir para mejorar la compresión de los conceptos y de los procedimientos.
GLOSARIO
IGUALDAD DE GÉNERO
En coherencia con el valor asumido de la igualdad de género, todas las denominaciones que en esta
Guía hacen referencia a órganos de gobierno unipersonales, de representación, o miembros de la
comunidad universitaria y se efectúan en género masculino, cuando no hayan sido sustituido por
términos genéricos, se entenderán hechas indistintamente en género femenino o masculino, según el
sexo del titular que los desempeñe.