Estadística Aplicada

Transcripción

1 Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: ESEIAAT - Escuela Superior de Ingenierías Industrial, Aeroespacial y Audiovisual de Terrassa EIO - Departamento de Estadística e Investigación Operativa MÁSTER UNIVERSITARIO EN INGENIERÍA DE ORGANIZACIÓN (Plan 2011). (Unidad docente Obligatoria) 5 Idiomas docencia: Catalán Profesorado Responsable: Otros: Maria Albareda Sambola Maria Albareda Sambola Eulàlia Gríful Ponsati Inés Algaba Joaquín Competencias de la titulación a las cuales contribuye la asignatura Específicas: 1. Adquirir conceptos y técnicas relacionadas con la estadística descriptiva e inferencial Genéricas: 2. Capacidad de aplicar los conocimientos adquiridos para la resolución de problemas a nuevos entornos o entornos poco conocidos dentro de contextos más amplios (o multidisciplinarios) relacionados con la ingeniería. 3. Capacidad de autoaprendizaje para una formación continua a lo largo de la vida de manera autónoma. 4. Capacidad de comunicar eficientemente sus conclusiones, los conocimientos y las razones últimas que las sostengan a públicos especializados y no especializados, de manera clara y sin ambigüedades. 5. Capacidad de integrar conocimientos y enfrentarse a la complejidad de formular juicios con el objetivo de tomar decisiones a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios. 6. Capacidad para entender el impacto de las soluciones de la ingeniería en un contexto social y global. 7. Capacidad para operar y liderar grupos multidisciplinares y multiculturales, con habilidades de negociación, de trabajo en grupo, de relaciones en un entorno internacional, y de resolución de conflictos. 1 / 8

2 Metodologías docentes La metodología docente se divide en tres partes: Sesiones presenciales de exposición de los contenidos. Sesiones presenciales de trabajo práctico (ejercicios y problemas). Trabajo autónomo de estudio y realización de ejercicios y actividades. En las sesiones de exposición de los contenidos, el profesorado introducirá las bases teóricas de la materia, conceptos, métodos y resultados ilustrándolos con ejemplos convenientes para facilitar su comprensión. En las sesiones de trabajo práctico en el aula, el profesorado guiará al estudiante en la aplicación de los conceptos teóricos para la resolución de problemas, fundamentando en todo momento el razonamiento crítico. Se propondrán ejercicios que los estudiantes resolverán en el aula y fuera del aula, para favorecer el contacto y utilización de las herramientas básicas necesarias para la resolución de problemas. El estudiantado, de forma autónoma, tiene que trabajar el material proporcionado por el profesorado y el resultado de las sesiones de trabajo-problemas para asimilar y fijar los conceptos. El profesorado proporcionará un plan de estudio y de seguimiento de actividades (ATENEA). Objetivos de aprendizaje de la asignatura La estadística aplicada, ubicada en el primer curso del máster universitario en Ingeniería de Organización, proporciona una serie de herramientas de estadística avanzada que se han desarrollado dentro del área de estadística para dar respuesta a problemas industriales y de gestión. Es una asignatura de carácter cuantitativo donde se proporcionan herramientas estadísticas que pueden apoyar la toma de decisiones en base a los datos recogidos. En particular, se estudia el cálculo de previsiones a partir de series temporales y se desarrollan algunos métodos de análisis multivariante. Horas totales de dedicación del estudiantado Dedicación total: 125h Horas grupo grande: 31h 24.80% Horas grupo mediano: 14h 11.20% Horas grupo pequeño: 0h 0.00% Horas actividades dirigidas: 0h 0.00% Horas aprendizaje autónomo: 80h 64.00% 2 / 8

3 Contenidos Módulo 1: Análisis multivariante. Introducción Dedicación: 8h 30m Grupo grande/teoría: 3h 30m Aprendizaje autónomo: 5h La Estadística Multivariante es un área de conocimiento muy amplia, especializada en el tratamiento de observaciones multidimensionales, es decir, aplicable a poblaciones constituidas por individuos en los que se miden simultáneamente dos o más características. Por su naturaleza, su estudio requiere cierta agilidad en el uso de álgebra matricial y algunos conceptos de estadística básica como el de esperanza matemática, varianza y desviación típica, sus estimadores muestrales y su generalización a la noción de vector de esperanzas matemáticas, y las matrices de varianzas-covarianzas y de correlaciones. Todos estos conceptos se repasarán en esta introducción. 1,2,3 Revisar algunos conceptos previos que facilitarán el seguimiento de los módulos posteriores. Módulo 2: Análisis multivariante. Análisis de Componentes principales Dedicación: 35h Grupo grande/teoría: 7h Grupo mediano/prácticas: 6h Aprendizaje autónomo: 22h Con los componentes principales se aborda la problemática en la que se analizarán diversas variables, en un grupo numeroso de individuos, y la magnitud de la base de datos dificulta una interpretación fácil y eficiente, al tiempo que las correlaciones entre las variables reducen la eficacia de los métodos de estudio. La representación gráfica de los individuos y las variables en el espacio de los componentes permite visualizar las relaciones entre las variables, las similitudes entre los individuos y las asociaciones mutuas. Los componentes principales no son sino la proyección de los individuos en un subespacio de dimensión inferior de forma que se sacrifique la mínima información posible. 1,2,3,5 Reducir la dimensión de tablas de datos cuantitativos, recogidos sobre una muestra, perdiendo la menor cantidad de información posible. 3 / 8

4 Módulo 3: Análisis multivariante. Análisis de correspondencias Dedicación: 16h 30m Grupo grande/teoría: 5h 30m Grupo mediano/prácticas: 1h Aprendizaje autónomo: 10h En el análisis de correspondencias, se analizan las tablas de correspondencias que recopilan datos según dos conjuntos de modalidades (comunidad autónoma y actividad laboral,...) proporcionando una representación geométrica, simple y precisa, en un espacio de dimensión reducida, que pone de manifiesto las asociaciones dentro de cada conjunto y entre los conjuntos. 1,2,3 Capacitar al estudiante para identificar posibles relaciones entre las categorías de una tabla de doble entrada. Módulo 4: Series Temporales: Introducción Dedicación: 5h Grupo grande/teoría: 2h Aprendizaje autónomo: 3h Una serie temporal es un conjunto de observaciones ordenadas en el tiempo, o bien, la evolución de un fenómeno o variable en el tiempo. El objetivo de este módulo y los siguientes es el análisis de la serie para establecer un patrón de comportamiento, validar su adecuación a los datos y prever la evolución futura. Una herramienta imprescindible para alcanzar este objetivo es el modelo lineal, que se revisará en esta introducción. 1,2,4 Presentar el concepto de serie temporal y hacer una revisión de conceptos previos necesarios para el correcto seguimiento de módulos posteriores 4 / 8

5 Módulo 5: Series Temporales - Descomposición Clásica Dedicación: 11h 15m Grupo grande/teoría: 3h 15m Grupo mediano/prácticas: 1h Aprendizaje autónomo: 7h En este módulo se desarrolla el método, denominado sistema clásico, que descompone la serie en tendencia, estacionalidad, ciclos y residuos. Para modelizar la serie y hacer previsiones, es necesario estabilizarla liberándola del componente estacional a través de las medias móviles. Una vez decidida su conjunción, aditiva o multiplicativa, se obtiene el modelo con el que hacer previsiones. 1,2,4 Capacitar al estudiante para identificar series aditivas y multiplicativas, y modelizar sus componentes tendencia y estacionalidad para formar modelos adecuados para las series. Módulo 6: Series Temporales - Modelización con variables categóricas Dedicación: 14h 45m Grupo grande/teoría: 2h 15m Grupo mediano/prácticas: 2h 30m Aprendizaje autónomo: 10h La modelización con variables categóricas es una generalización de la descomposición clásica que permite modelizar conjuntamente la tendencia y la estacionalidad, utilizando variables categóricas. Además no requiere asumir de entrada un modelo aditivo o multiplicativo, ya que el modelo general de partida incluye ambos efectos y es el propio método el que determina cuáles son relevantes en la serie. Gracias a este hecho, la modelización con variables categóricas supera la principal limitación de la descomposición clásica, ya que permite modelizar adecuadamente series con un comportamiento mixto. 1,2,4,6 Capacitar al estudiante para modelizar series con tendencia y estacionalidad, independientemente de la relación entre estos componentes. 5 / 8

6 Módulo 7: Series Temporales - Autocorrelación Dedicación: 21h 15m Grupo grande/teoría: 4h 15m Grupo mediano/prácticas: 3h Aprendizaje autónomo: 14h Este módulo presenta una herramienta de análisis, el correlograma, o representación gráfica de la función de autocorrelación. Puede servir para confirmar la estacionalidad y determinar su período, además de indicar cuántas previsiones son admisibles 1,2,4,6 Capacidad del estudiante para la elaboración e interpretación de correlogramas. Módulo 8: Series Temporales - Otras técnicas de previsión Dedicación: 12h 45m Grupo grande/teoría: 3h 15m Grupo mediano/prácticas: 0h 30m Aprendizaje autónomo: 9h En este bloque se desarrollan algunos métodos basados en ponderación (suavizado) exponencial aplicables, en particular, para modelizar una serie que no presente una tendencia estable a lo largo de todo el periodo de recogida de datos, o la cantidad de información no sea demasiado elevada. También se hará una breve revisión del enfoque de Box Jenkins. 1,2,4 Dar a conocer herramientas alternativas para modelizar series temporales sin una fuerte estructura dada por una tendencia y una estacionalidad 6 / 8

7 Planificación de actividades (CAST) ACTIVITAT 1: SESSIONS GRUPS GRANS/TEORIA I EXERCICIS Dedicación: 71h Grupo grande/teoría: 28h Aprendizaje autónomo: 43h (CAST) ACTIVITAT 2: SESSIONS GRUPS MITJANS/PROBLEMES Dedicación: 17h Grupo mediano/prácticas: 6h Aprendizaje autónomo: 11h (CAST) ACTIVITAT 3: EXAMEN PARCIAL Dedicación: 5h Grupo grande/teoría: 1h Aprendizaje autónomo: 4h (CAST) ACTIVITAT 4: EXAMEN FINAL Dedicación: 8h Grupo grande/teoría: 2h Aprendizaje autónomo: 6h (CAST) ACTIVITAT 5: PRÀCTICA D'ANÀLISI MULTIVARIABLE Dedicación: 12h Grupo mediano/prácticas: 4h Aprendizaje autónomo: 8h (CAST) ACTIVITAT 6: PRÀCTICA DE SÈRIES TEMPORALS Dedicación: 12h Grupo mediano/prácticas: 4h Aprendizaje autónomo: 8h Sistema de calificación La nota final del curso depende de los siguientes actos evaluativos: - Actividad 3 (examen parcial), peso: 40% - Actividad 4 (examen final), peso: 40% - Actividad 5, peso: 10% - Actividad 6, peso: 10% Todos aquellos estudiantes que no puedan asistir a la tercera actividad (examen parcial), o que quieran mejorar su resultado, tendrán la opción de recuperarla el día que se realice la cuarta actividad (examen final). 7 / 8

8 Normas de realización de las actividades Todas las actividades evaluativas (3, 4, 5 y 6) se realizarán individualmente y por escrito. Bibliografía Básica: Polo Miranda, C. Estadística multivariable [en línea]. 4a ed. Barcelona: Edicions UPC, 2005 [Consulta: 08/01/2016]. Disponible a: < ISBN Albareda, M.; Algaba, I.; Pepió, M. Series temporales y previsiones. Barcelona: OmniaScience, ISBN Complementaria: Pepió Viñals, M. Series temporales [en línea]. 2a ed. Barcelona: Edicions UPC, 2002 [Consulta: 08/01/2016]. Disponible a: < ISBN Johnson, Richard Arnold. Applied multivariate statistical analysis. 6th ed. Publicación Englewood Cliffs: Prentice-Hall, ISBN Everitt, Brian. An R and S-PLUS companion to multivariate analysis [en línea]. London: Springer, 2005 [Consulta: 07/07/2017]. Disponible a: < ISBN Makridakis, Spyros G. [et al.]. Forecasting: methods and applications. 3rd ed. New York: John Wiley & Sons, ISBN Diebold, Francis X. Elementos de pronósticos. México: International Thomson, ISBN Otros recursos: Apuntes, listados de ejercicios, vídeos y cuestionarios disponibles en Atenea 8 / 8