GuiaCompleta 68902091 2019

18-19
GRADO EN ING. EN ELECTRÓNICA

INDUSTRIAL Y AUTOMÁTICA
SEGUNDO CURSO
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
UNED 2 CURSO 2018/19

Nombre de la asignatura ESTADÍSTICA (INGENIERÍAS INDUSTRIALES)

Código 68902091
Curso académico 2018/2019
Departamento MATEMÁTICA APLICADA I
Título en que se imparte GRADO EN ING. EN ELECTRÓNICA INDUSTRIAL Y AUTOMÁTICA -
TIPO: FORMACIÓN BÁSICA - CURSO: SEGUNDO CURSO
Nº ETCS 6
Horas 150.0
Periodo SEMESTRE 1
Idiomas en que se imparte CASTELLANO
PRESENTACIÓN Y CONTEXTUALIZACIÓN
Esta asignatura de formación básica en estadística para el grado se imparte en el

primer cuatrimestre del segundo curso y tiene asignado un peso de 6 créditos ECTS (25
horas de trabajo por cada ECTS). La docencia está adscrita al Departamento de Matemática
Aplicada I.
De forma muy sintética, el contenido de la asignatura se centra en la estadística
descriptiva, el cálculo de probabilidades, los modelos usuales de probabilidad, las técnicas
de la inferencia estadística, los modelos de regresión, el diseño de experimentos, el control
estadístico de calidad y la fiabilidad. Naturalmente que debido a la amplitud de tópicos, la
mayoría se trata a nivel introductorio.
La asignatura tiene como primer objetivo el conocimiento de los métodos y técnicas
estadísticas propias del análisis de fenómenos no deterministas. Estos métodos y técnicas
serán herramientas imprescindibles para resolver diversos problemas que se plantearán a lo
largo de toda la carrera y de la vida profesional. En consecuencia, el estudiante deberá
comprender el papel de la estadística en la resolución de problemas reales que se
encontrará en la actividad profesional y las técnicas estadísticas usuales. Estos objetivos de
carácter general se concretan en el apartado de resultados de aprendizaje.
La asignatura se imparte en el primer cuatrimestre del segundo curso del grado, de
forma que ya se han cursado buena parte de los contenidos de matemáticas necesarios para
el seguimiento de esta asignatura.
Se trata de una materia de formación básica pero de carácter instrumental y por ello
la orientación que se pretende dar a esta asignatura es eminentemente práctica, pero sin
descuidar los aspectos relacionados con la formación básica que permita a los estudiantes,
futuros graduados, entender las nuevas técnicas estadísticas que se puedan ir desarrollando
y que sin duda se encontrarán a lo largo de la carrera y de su actividad profesional.

REQUISITOS Y/O RECOMENDACIONES PARA CURSAR LA

ASIGNATURA
Los conocimientos previos necesarios para una correcta comprensión y asimilación

de los contenidos son los habituales en los cursos de Álgebra y Cálculo que se imparten en
el primer curso del grado, por lo que no parece necesario hacer una exposición exhaustiva
de estos conocimientos previos.
EQUIPO DOCENTE
Nombre y Apellidos VICENTE JOSE NOVO SANJURJO
Correo Electrónico vnovo@ind.uned.es
Teléfono 91398-6436
Facultad ESCUELA TÉCN.SUP INGENIEROS INDUSTRIALES
Nombre y Apellidos LIDIA HUERGA PASTOR

Correo Electrónico lhuerga@ind.uned.es
Teléfono 91398-9694
Facultad ESCUELA TÉCN.SUP INGENIEROS INDUSTRIALES
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:
Vicente Novo Sanjurjo Lidia Huerga Pastor

(jueves de 10:00 a 14:00 h) (martes de 10:00 a 14:00 h.)
Tfno: 913986436 Tfno. 913989694
vnovo@ind.uned.es lhuerga@ind.uned.es
Despacho 2.41 Despacho 2.49
ETSI Industriales. UNED ETSI Industriales. UNED
Además, fuera de dicho horario también estarán accesibles, a través del curso virtual,
el correo electrónico y el teléfono, que cuenta con buzón de voz.
Las consultas sobre los contenidos o sobre el funcionamiento de la asignatura se
plantearán preferentemente en el curso virtual, utilizando los foros públicos. Si el estudiante
no puede acceder a los cursos virtuales o si necesita privacidad, se podrá poner en contacto
con el equipo docente mediante el correo electrónico o el teléfono. Los mensajes en el buzón
de voz de los números arriba indicados deben de incluir el nombre del estudiante, la
asignatura y la titulación, y un número de teléfono de contacto.
La ETSI Industriales de la UNED está situada en la Ciudad Universitaria de Madrid.
La dirección postal es: c/ Juan del Rosal, 12, 28040. Madrid.

La indicación de cómo acceder a la Escuela se puede encontrar en: UNED

>> Facultades y Escuelas >>Escuela Técnica Superior de Ingenieros Industriales>> ¿Cómo
llegar?
TUTORIZACIÓN EN CENTROS ASOCIADOS
En el enlace que aparece a continuación se muestran los centros asociados y extensiones

en las que se imparten tutorías de la asignatura. Estas pueden ser:
• Tutorías de centro o presenciales: se puede asistir físicamente en un aula o despacho del
centro asociado.
• Tutorías campus/intercampus: se puede acceder vía internet.
La información ofrecida respecto a las tutorías de una asignatura es orientativa. Las
asignaturas con tutorías y los horarios del curso actual estarán disponibles en las fechas de
inicio del curso académico. Para más información contacte con su centro asociado.
Consultar horarios de tutorización de la asignatura 68902091
COMPETENCIAS QUE ADQUIERE EL ESTUDIANTE
COMPETENCIAS ESPECÍFICAS DEL GRADO (ORDEN CIN 351-2009)

COMPETENCIAS GENERALES (OBJETIVOS)
CG 3. Conocimiento en materias básicas y tecnológicas, que les capacite para el aprendizaje
de nuevos métodos y teorías, y les dote de versatilidad para adaptarse a nuevas situaciones.
CG 4. Capacidad de resolver problemas con iniciativa, toma de decisiones, creatividad,
razonamiento crítico y de comunicar y transmitir conocimientos, habilidades y destrezas en el
campo de la Ingeniería Industrial
CG 5. Conocimientos para la realización de mediciones, cálculos, valoraciones, tasaciones,
peritaciones, estudios, informes, planes de labores y otros trabajos análogos.
COMPETENCIAS ESPECÍFICAS DE FORMACIÓN BASICA

• CEB 1. Capacidad para la resolución de los problemas matemáticos que puedan plantearse
en la ingeniería. Aptitud para aplicar los conocimientos sobre: álgebra lineal; geometría;
geometría diferencial; cálculo diferencial e integral; ecuaciones diferenciales y en derivadas
parciales; métodos numéricos; algorítmica numérica; estadística y optimización.
(OBSERVACIONES: Memoria de los Grados en proceso de revisión)
OTRAS COMPETENCIAS DE LA ASIGNATURA

Conocimientos y capacidades para aplicar los fundamentos científicos y tecnológicos de los
métodos numéricos y del cálculo matemático avanzado en el ámbito de las tecnologías
industriales.
Comunicación y expresión matemática, científica y tecnológica.

Manejo de las tecnologías de la información y comunicación (TICs).

Capacidad para gestionar información
Integración de conocimientos transversales en el ámbito de las tecnologías industriales
RESULTADOS DE APRENDIZAJE
Al finalizar el estudio de esta materia, el estudiante deberá de ser capaz de:
- Conocer la esencia de los fenómenos aleatorios.

- Manejar los resultados básicos del Cálculo de Probabilidades.
- Conocer y manejar los modelos de probabilidad.
- Definir poblaciones que puedan ser estudiadas estadísticamente.
- Realizar hipótesis sobre la distribución poblacional.
- Estimar los parámetros de la población.
- Contrastar las hipótesis del modelo elegido.
- Evaluar el ajuste del modelo.
- Diseñar un experimento aleatorio.
- Estimar los efectos y contrastar la validez del modelo.
- Construir modelos de regresión lineal para predecir valores de una variable en función de
otras.
- Comprobar su validez para la muestra dada.
- Conocer las técnicas estadísticas usuales en control de calidad y fiabilidad.
CONTENIDOS
MÓDULO 1: ESTADÍSTICA DESCRIPTIVA Y PROBABILIDAD
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

Al terminar el estudio de este módulo, el estudiante habrá adquirido los conocimientos

suficientes y en el nivel adecuado para poder abordar los contenidos de los temas
posteriores. Como resultados más concretos:
• Comprenderá el manejo de los datos estadísticos.
• Será capaz de clasificar una variable estadística como discreta o continua.
• Manejará con soltura las distribuciones de frecuencias.
• Conocerá y manejará las representaciones gráficas usuales en Estadística.
• Podrá obtener los parámetros estadísticos de centralización y de dispersión, y conocerá sus
principales propiedades.
• Comprenderá y manejará las distribuciones de más de una variable.
• Podrá calcular las medidas de asociación lineal entre variables, la covarianza y el
coeficiente de correlación.
• Reconocerá los fenómenos deterministas y los fenómenos aleatorios.
• Comprenderá el concepto de probabilidad.
• Manejará y aplicará las principales propiedades de la probabilidad.
• Podrá aplicar a casos prácticos los teoremas fundamentales del producto, de la probabilidad
total y de Bayes.
• Comprenderá el concepto de probabilidad condicionada y de sucesos independientes.
• Comprenderá los fenómenos aleatorios compuestos.
• Entenderá el concepto de variable aleatoria y los conceptos de función de densidad y de
distribución.
• Manejará las principales características de las variables aleatorias y comprenderá sus
propiedades.
• Podrá construir modelos de probabilidad.
• Podrá determinar las características de una variable aleatoria univariante.
• Podrá determinar las características de una variable multivariante.
• Manejará las funciones característica y generatriz de momentos.
• Comprenderá su utilidad de cara a las aplicaciones.
• Podrá calcular los momentos a partir de una función generatriz.
• Comprenderá la utilidad de las transformaciones de variables aleatorias.
• Podrá obtener la distribución de transformaciones de variables aleatorias.
• Podrá obtener la distribución de la suma, del producto o del cociente de variables aleatorias.
Contextualización y descripción de contenidos
En el tema 1 se estudia la naturaleza de los datos, lo más frecuente es que éstos sean
numéricos, pero no siempre es así. Las variables estadísticas se clasifican en cualitativas
(no medibles) y cuantitativas (medibles) y éstas en discretas (toman un conjunto de valores
finito o numerable) y continuas (toman todos los valores de un intervalo). Se introducen las
tablas de frecuencias que recogen de una forma abreviada y ordenada los datos obtenidos y

las representaciones gráficas más usuales: diagrama de barras, gráfico de sectores,

histograma y polígono de frecuencias. El histograma es una excelente herramienta para la
presentación de los datos y nos informa con un simple golpe de vista de la distribución de
dichos datos.
Los parámetros estadísticos son medidas que recogen la información muestral y se
clasifican en parámetros de centralización y parámetros de dispersión. Se estudian como
parámetros de centralización la media, la mediana y la moda, con especial atención a la
media para la que se demuestra que es invariante por transformaciones lineales. Este hecho
es importante ya que las transformaciones son una herramienta que se va a utilizar durante
todo el curso. No existe una manera única de medir las cosas y no hay ningún motivo para
analizar los datos en la misma métrica en que vienen dados, en este sentido las
transformaciones lineales son muy útiles para simplificar los datos. Como parámetros de
dispersión se estudian la varianza, la desviación típica y la desviación media, con especial
atención a la primera. Se generalizan estos conceptos introduciendo los momentos
centrados y no centrados de orden r. El momento no centrado de orden uno es la media y el
momento centrado de orden dos es la varianza. Se estudian la relación entre la varianza y
los momentos no centrados de orden uno y dos que resulta de gran utilidad práctica, y se
introducen los coeficientes de asimetría y apuntamiento de Fisher que miden la forma de la
distribución.
En la segunda parte del tema se estudia la descripción conjunta de varias variables. Cuando
los datos que se investigan incluyen valores de varias variables es necesario su estudio
conjunto con objeto de analizar las relaciones que puedan existir entre ellas. Se introduce el
concepto de distribución de frecuencias conjunta, con especial atención al caso de dos
variables, así como las distribuciones marginales y las distribuciones condicionadas. Se
estudian la covarianza y el coeficiente de correlación como medidas de asociación lineal
entre variables. En el caso de las variables k-dimensionales es conveniente adoptar la
notación vectorial, considerando a cada elemento o individuo como un vector. Se definen el
vector de medias y la matriz de varianzas y covarianzas.
Aunque una buena descripción de los datos es necesaria, uno de los principales objetivos
del método estadístico es obtener conclusiones acerca de una población a partir de los
elementos de una muestra. Los modelos matemáticos apropiados para describir una
población son las distribuciones de probabilidad. La teoría de probabilidad es básica en
cualquier aplicación estadística y constituye el fundamento matemático de la Estadística. Su
comprensión y manejo será esencial para el seguimiento eficaz del resto del programa. Se
dedican tres temas, del 2 al 4, a esta parte del programa.
En el tema 2 se establece la diferencia entre fenómenos determinísticos y fenómenos
aleatorios, se describen el espacio muestral y el álgebra de sucesos de un fenómeno
aleatorio y se da la noción de espacio probabilizable. Se introduce la axiomática de

Kolmogorov, el concepto de espacio probabilístico y a partir de la axiomática las principales

propiedades de la probabilidad. A continuación, se introduce el concepto de probabilidad
condicionada y se demuestran los teoremas del producto, de la probabilidad total y de
Bayes. Se estudian la dependencia e independencia de sucesos aleatorios que son
conceptos clave en el desarrollo posterior del programa, y se tratan los experimentos
compuestos.
En el tema 3 se introducen los conceptos de variable aleatoria, función de densidad y función
de distribución. Se trata, en primer lugar, el caso unidimensional y posteriormente el caso de
las variables aleatorias multidimensionales. Se definen las distribuciones de probabilidad
conjunta, marginales y condicionadas y la idea de variables aleatorias independientes, para
las que la función de densidad conjunta es el producto de las densidades marginales.
En la segunda parte de este tema se introduce el concepto de esperanza matemática. A
continuación se estudia la varianza, su relación con la media y la influencia que sobre ella
tienen las transformaciones lineales. Se demuestran el teorema de Markov y la acotación de
Tchebycheff que da una cota conservadora de la probabilidad de que una variable aleatoria
diste de su media más de k veces la desviación típica y que tiene un enorme interés puesto
que, por una parte justifica la utilización de la desviación típica, y en consecuencia de la
varianza, como medida de dispersión, y por otra constituye un ejemplo de un primer método
para obtener intervalos de confianza que se estudiará en el módulo 3. Se concluye esta
parte definiendo los momentos y las características de forma.
A continuación se trata el caso de las variables n-dimensionales. Se definen los momentos,
la esperanza matemática, la matriz de covarianzas y el coeficiente de correlación,
demostrándose que es cero si las variables son independientes. Se dan las medidas
condicionadas, se demuestra que la varianza de la suma de variables aleatorias
independientes es la suma de las varianzas y se introducen las rectas de regresión de
mínimos cuadrados que se tratarán en mayor profundidad en la parte dedicada a los
modelos de regresión.
En la primera parte del tema 4 se estudian las funcions característica y generatriz de
momentos, que resultan de gran utilidad en el estudio de las distribuciones de sumas de
variables aleatorias independientes al simplificar considerablemente los cálculos. En algunas
ocasiones, se utiliza la función generatriz de momentos en sustitución de la función
característica debido a que es una función real de variable real mientras que la función
característica es una función compleja de variable real. La desventaja de la función
generatriz es que puede no existir. Se demuestra la relación entre estas funciones y los
momentos y que la función característica (resp. generatriz) de la suma de variables
aleatorias independientes es el producto de las funciones características (resp.
generatrices).

La segunda parte del tema se dedica al estudio de las transformaciones de variables

aleatorias. Muy a menudo, en Estadística, es preciso obtener la distribución de probabilidad
de una función de una o más variables aleatorias. Se dan los correspondientes teoremas de
transformación de variables y se estudian, en particular, la suma, el producto y el cociente de
variables aleatorias.
MÓDULO 2: MODELOS DE PROBABILIDAD
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.
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.
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.

Las distribuciones unidimensionales de probabilidad que se estudian a continuación son las

más utilizadas en inferencia estadística. Se define la variable de Pearson como suma de
cuadrados de variables normales N(0,1) independientes, se obtienen sus principales
características y se demuestra su carácter reproductivo. Esta distribución se utilizará
posteriormente en las pruebas de validación de modelos y en los contrastes de
homogeneidad e independencia. Se define a continuación la variable t de Student que es de
gran utilidad en estimación por intervalos de confianza y en contrastes de hipótesis
relacionados con la media de una población normal al ser su función de densidad
independiente de la desviación típica, lo que la hace especialmente útil en el estudio de
problemas de estimación para muestras pequeñas. Se introduce seguidamente la
distribución F de Snedecor como cociente de variables de Pearson independientes, cada
una de ellas dividida por su número de grados de libertad.
En el tema 7 se estudian los modelos de probabilidad multivariantes más usuales como son
la distribución multinomial y la distribución normal multivariante.
La parte inferencial de la Estadística se desarrolla a partir de la Unidad Didáctica 3. El nexo
que une el Cálculo de Probabilidades con la Inferencia Estadística son las distribuciones en
el muestreo que se estudian en el tema 8. Los problemas de inferencia pueden clasificarse
en función de la información relevante que decidimos incluir. Si la población está
determinada salvo uno o varios parámetros estaremos ante un problema paramétrico, de
forma que el conocimiento del valor de ese parámetro o parámetros, determina
completamente la distribución de la población. Si, por el contrario, utilizamos únicamente la
información contenida en los datos muestrales tendremos un problema de inferencia no
paramétrica.
En el tema 8 se estudian las distribuciones en el muestreo. Se introducen en primer lugar los
distintos tipos de muestreo. El objetivo de un plan de muestreo es obtener información
relevante sobre la población con el menor coste posible. El tipo de muestreo más sencillo es
el muestreo aleatorio simple, en el cual cada elemento de la muestra es elegido al azar por
medio de elecciones independientes. A continuación se introduce un concepto fundamental
en inferencia que es el de estimador o estadístico, como una aplicación que asigna a cada
muestra un número real que para una muestra dada es una estimación. Al variar las
muestras se obtiene, a través del estadístico, una nueva variable aleatoria para la que será
preciso conocer su distribución que se denomina distribución en el muestreo. En particular,
se define la media muestral y se obtiene su esperanza y su varianza en el muestreo, así
como su distribución bajo distintas suposiciones sobre la distribución poblacional. Se define
la varianza muestral, se obtiene su esperanza matemática y su distribución. Se concluye
esta parte del tema con el estudio de las distribuciones de la diferencia de medias.
Se finaliza el tema tratando el caso de las distribuciones en el muestreo de poblaciones no
paramétricas. Se introduce, en primer lugar, el concepto de estadístico ordenado y se

estudian las distribuciones en el muestreo del mínimo valor muestral, del máximo valor
muestral, del recorrido y de la mediana.
MÓDULO 3: INFERENCIA ESTADÍSTICA
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.

12.8. Contrastes de rango con signo y de la suma de rangos.

12.9. Contraste de Kruskal-Wallis.
CONTENIDOS:
Introducción
Como ya hemos indicado anteriormente, uno de los problemas fundamentales en Estadística
es el de obtener conclusiones sobre una población a partir de la información contenida en
una muestra. Este problema es el de la Inferencia Estadística; sus principales técnicas son
los métodos de estimación y los contrastes de hipótesis que se estudian en este módulo 3.
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.
Con el estudio de este módulo el estudiante conocerá y utilizará en las aplicaciones las
principales técnicas de la Inferencia Estadística. Con más detalle:
• Entenderá las propiedades que debe de cumplir un buen estimador.
• Será capaz de estudiar las propiedades esenciales para un estimador dado.
• Podrá estudiar si un estimador es insesgado y de varianza mínima.
• Manejará los métodos para obtener estimadores y, en particular, podrá obtener estimadores
de máxima verosimilitud y por el método de los momentos.
• Comprenderá el método de estimación por intervalos de confianza.
• Podrá construir intervalos de confianza de la media con distintas suposiciones sobre la
población.
• Podrá construir intervalos de confianza de la varianza, de la diferencia de medias, y de
proporciones.
• Entenderá las limitaciones y riesgos que comportan las decisiones estadísticas.
• Conocerá otra metodología esencial en inferencia, como son los contrastes o test de
hipótesis.
• Manejará los conceptos de error de tipo I y de tipo II.
• Entenderá y manejará en la práctica el nivel de significación de un test.
• Manejará los contrastes de la media bajo distintas suposiciones.
• Manejará los contrastes de la diferencia de medias, de proporciones, de diferencia de
proporciones y los relacionados con varianzas.
• Entenderá la estrecha relación entre estos contrastes paramétricos y los intervalos de
confianza correspondientes.
• Conocerá los contrastes no paramétricos.
• Entenderá sus diferencias con los contrastes paramétricos.
• Manejará los contrastes de bondad de ajuste de Pearson y de Kolmogorov-Smirnov.
• Podrá aplicar los contrastes de homogeneidad e independencia relacionados con la
distribución de Pearson.

•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.
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.

Si en lugar de utilizar una función de los valores de la muestra (estimación puntual),

utilizamos dos funciones y damos la estimación del parámetro por medio del intervalo que
tiene por extremos los valores de dichas funciones para una muestra dada, se dice que
hemos dado una estimación del parámetro por intervalos o que hemos construido un
intervalo de confianza. En su construcción hay dos elementos esenciales. La amplitud del
intervalo que nos dará la precisión de la estimación y la probabilidad de que el valor del
parámetro pertenezca al intervalo. Se dedica el tema 10 al método de estimación por
intervalos. Se estudian los intervalos de confianza de la media con distintas suposiciones
sobre la población, los de la varianza, los de la diferencia de medias, los de razón de
varianzas y los de proporciones. Se estudia por último el problema de la fijación del tamaño
de la muestra cuando se pretende dar una estimación del parámetro con una precisión y una
confianza dadas.
Otra metodología de la Inferencia Estadística es el contraste de hipótesis. Una hipótesis
estadística es una aseveración sobre la distribución de la población o sobre uno o varios
parámetros poblacionales. El problema consiste en decidir si los datos obtenidos en la
muestra son consistentes con la hipótesis, en cuyo caso será aceptada o si por el contrario
debe rechazarse al obtener resultados significativamente diferentes de los que cabría
esperar bajo esa hipótesis. Como en el caso de las distribuciones en el muestreo, los
contrastes de hipótesis se clasifican en paramétricos y no paramétricos.
En el tema 11 se dan las cuestiones de tipo general y se estudian los contrastes
paramétricos. Se establece una hipótesis que se denomina hipótesis nula y frente a ella una
hipótesis denominada alternativa. Se clasifican los contrastes en unilaterales y bilaterales y
las hipótesis en simples y compuestas. Se dan las definiciones de error de tipo I y error de
tipo II y el concepto de potencia de un test. El nivel de significación del test limita la
probabilidad de error de tipo I. Se estudian los contrastes de la media, de la diferencia de
medias, de proporciones, de diferencia de proporciones, de varianzas y de la razón de
verosimilitudes haciendo notar el paralelismo existente entre estos contrastes paramétricos y
los intervalos de confianza correspondientes.
Si las hipótesis que se realizan son sobre el modelo y no sólo sobre algún parámetro,
tenemos los contrastes no paramétricos a los que se dedica el tema 12. Se trata de construir
reglas de decisión que nos permitan concluir si el modelo propuesto en la hipótesis es
aceptable o no. La aceptación o rechazo del modelo estará en función de las diferencias
entre los resultados obtenidos en la muestra y aquellos que cabría esperar suponiendo que
la hipótesis es cierta. Se estudian los contrastes de Pearson, llamado también contraste de
la bondad del ajuste y el de Kolmogorov-Smirnov conocidos como contrastes de validación
del modelo. Se concluye esta parte del tema con la descripción de dos contrastes no
paramétricos de gran utilidad relacionados con la distribución de Pearson como son el
contraste de homogeneidad y el contraste de independencia.

Se completa el tema describiendo otros contrastes no paramétricos. El test de los signos

permite decidir si es aceptable la hipótesis de una media dada cuando no se dispone de otra
información sobre la población. Esta prueba utiliza sólo el signo de la diferencia de cada dato
con la media, pero no la magnitud de esta diferencia. Una prueba que utiliza el signo y la
magnitud es la prueba de rango con signo de Wilcoxon. En esta prueba se supone que la
población es simétrica y continua. Una variante de esta prueba, que se estudia a
continuación, es el test de la suma de rangos para decidir sobre la igualdad de dos medias
en poblaciones independientes. En el tema 13 se estudia, por medio del análisis de la
varianza, una prueba para determinar la igualdad de más de dos medias; esta prueba exigirá
normalidad. Una alternativa no paramétrica, en este caso, es el contraste de Kruskal-Wallis,
que es una generalización del test de la suma de rangos.
MÓDULO 4: MODELOS LINEALES, CALIDAD Y FIABILIDAD
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.
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.

• Entenderá el significado del índice de capacidad.

• Entenderá que la fiabilidad es un concepto probabilístico.
• Comprenderá la utilidad de los métodos estadísticos en el estudio de la fiabilidad.
• Conocerá las funciones de fiabilidad, la distribución del tiempo de fallo y la tasa de fallo.
• Conocerá los modelos estadísticos más utilizados en el estudio de la fiabilidad de
componentes o de sistemas.
• En el caso de los sistemas, podrá estudiar los montajes en serie y en paralelo, y a partir de
ellos otros sistemas complejos.
• Podrá aplicar los contrastes o test de vida en fiabilidad.
Los trabajos de Sir Ronald Fisher crearon las bases del moderno diseño de experimentos y
representaron un importante salto cualitativo en la ayuda que la Estadística presta a la
investigación empírica. El diseño de experimentos que había obtenido grandes éxitos en sus
aplicaciones agrícolas y químicas, hoy ya se aplica de forma usual en la industria y es de
gran utilidad para el futuro graduado en ingeniería.
Se dedica el tema 13 a la introducción del diseño y análisis de experimentos en los casos
más sencillos. Se estudia la técnica de análisis fundamental en diseño de experimentos que
es el Análisis de la Varianza. En los contrastes de hipótesis estudiados hasta el momento no
se han utilizado nunca más de dos parámetros. Si queremos decidir sobre una hipótesis que
contenga k medias poblacionales tendremos que utilizar la técnica de análisis de la varianza
introducida por Fisher en 1925. La idea de Fisher consiste en descomponer la varianza o
variabilidad total en componentes con algún sentido que ha de ser precisado en cada caso.
En este tema se estudia, en primer lugar, el problema de una clasificación simple, es decir el
caso de un solo factor a estudio. Se da la fórmula fundamental del análisis de la varianza en
la que se descompone la variabilidad total en dos componentes, la variabilidad explicada o
debida al efecto del factor considerado y la variabilidad no explicada o residual debida a
otras causas no controladas. Se estudian las distribuciones de la variabilidad y el contraste
de la F de Snedecor.
A continuación se trata el caso de más de un factor y en particular se consideran los diseños
de bloques aleatorizados y de cuadrados latinos con las correspondientes tablas de análisis
de la varianza y contrastes de hipótesis.
Los modelos de regresión estudian las relaciones entre variables. Cuando se conocen dos o
más medidas de un individuo es a menudo deseable estudiarlas simultáneamente. El
problema central es obtener una curva que se ajuste a los puntos muestrales lo mejor
posible, en algún sentido. En el tema 14 se trata el caso de la regresión lineal simple en
donde se considera una variable de regresión y una variable respuesta, y se utiliza la recta
como función de ajuste. Se estudia el método de ajuste de los mínimos cuadrados. Este
método consiste en utilizar como modelo la recta que haga mínima la suma de los cuadrados

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
La metodología que se utiliza en la asignatura es la propia de la UNED, basada en la

educación a distancia y apoyada por el uso de las nuevas tecnologías de la información y la
comunicación.
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.
Las actividades formativas y la distribución orientativa del tiempo pueden agruparse

en tres grandes grupos:
Trabajo con contenidos teóricos y prácticos (consulta de materiales didácticos, asistencia

a tutorías, consultas al equipo docente y tutores, participación en el foro de estudiantes)
20%.
Realización de actividades de evaluación (prueba presencial y actividades de

autoevaluación y evaluación continua) 15%.
Trabajo autónomo (estudio de contenidos teóricos, resolución de ejercicios y problemas y

preparación de pruebas presenciales) 65%.
PLAN DE TRABAJO
En el cómputo de horas se incluyen el tiempo dedicado a las horas lectivas, horas de

estudio, tutorías, seminarios, trabajos, prácticas o proyectos, así como las exigidas para la
preparación y realización de exámenes y evaluaciones.
BLOQUE: MÓDULO 1: ESTADÍSTICA DESCRIPTIVA Y PROBABILIDAD - 35 Horas
Tiempo de estudio: 3 semanas.
PLAN DE ACTIVIDADES DE RESULTADOS
TIEMPO
APRENDIZAJE ALCANZADOS
Tema 1: Estadística Descriptiva

• 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
• Reconocerá los fenómenos

deterministas y los
fenómenos aleatorios.
•Comprenderá el concepto de
• Estudie el tema 2 del libro de
probabilidad y manejará sus
teoría.
principales propiedades.
•Realice los ejercicios del
•Manejará los teoremas
tema 1 del libro de
fundamentales del producto,
problemas.
de la probabilidad total y de
•Realice los ejercicios de
Bayes.
autocom-probación de ese
•Comprenderá los fenómenos
tema.
aleatorios compuestos y el
concepto de probabilidad
condicionada.
Tema 3: Variables aleatorias

• Entenderá los conceptos de

variable aleatoria, de función
de densidad y de función de
• Estudie los temas 3 y 4 del distribución.
libro de teoría. •Manejará las principales
• Realice los ejercicios del características de las
tema 2 del libro de variables aleatorias.
problemas. •Podrá construir modelos de
•Realice los ejercicios de probabilidad.
autocom-probación de estos •Podrá determinar las
temas. principales características de
una variable aleatoria tanto
univariante como
multivariante.
Tema 4: Funciones característica y generatriz. Operaciones

con variables aleatorias
• Manejará las funciones

característica y generatriz de
• Estudie el tema 5 del libro de momentos y comprenderá su
teoría. utilidad de cara a las
• Realice los ejercicios del aplicaciones.
tema 3 del libro de •Comprenderá la utilidad de
problemas, excluyendo la las transformaciones de
sección 3.4 y los problemas variables aleatorias.
3.23 a 3.28. •Podrá calcular los momentos
•Realice los ejercicios de a partir de una función
autocom-probación de ese generatriz.
tema. •Podrá obtener la suma, el
producto y el cociente de
variables aleatorias.
BLOQUE: MÓDULO 2: MODELOS DE PROBABILIDAD - 35 Horas

TIEMPO
Tema 5: Distribuciones de probabilidad de variable discreta

• 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.
Tema 6: Distribuciones de probabilidad de variable continua
• 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.
Tema 7: Distribuciones multivariantes

• Conocerá las propiedades

• Estudie el tema 8 del libro de de las distribuciones
teoría. multinomial
•Realice los ejercicios 4.13 y •Conocerá las propiedades de
4.14 del tema 4 del libro de la distribución normal
problemas. multivariante.
Tema 8: Distribuciones en el muestreo
• 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).
Se aconseja que realice la prueba de evaluación continua

que se propondrá en el curso virtual
PEC: Prueba de evaluación continua - 2 Horas
BLOQUE: MÓDULO 3: INFERENCIA ESTADÍSTICA - 35 Horas

TIEMPO
Tema 9: Estimación puntual

• Entenderá las propiedades

• Estudie el tema 11 del libro
que debe de cumplir un buen
de teoría.
estimador.
•Realice los ejercicios 6.1 a
•Será capaz de estudiar estas
6.17 del tema 6 del libro de
propiedades de un estimador
problemas.
dado.
•Manejará los métodos para
obtener estimadores.
tema.
Tema 10: Estimación por intervalos
• 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.
Tema 11: Contrastes de hipótesis. Contrastes paramétricos

• Conocerá otra metodología

esencial en inferencia, como
son los contrastes o test de
hipótesis.
•Manejará los conceptos de
error de tipo I y de tipo II, de
nivel de significación y de
de teoría.
potencia de un test.
•Manejará los contrastes de la
media, de la diferencia de
problemas.
medias, de proporciones, de
diferencia de proporciones y
los relacionados con
tema.
varianzas.
•Entenderá la estrecha
relación entre estos
contrastes paramétricos y los
intervalos de confianza.
Tema 12: Contrastes no paramétricos
• Conocerá los contrastes no

paramétricos y sus
diferencias con los
paramétricos.
• Estudie el tema 14 del libro •Manejará los contrastes de
de teoría. bondad de ajuste de Pearson
•Realice los ejercicios 7.14 a y de Kolmogorov-Smirnov.
7.30 del tema 7 del libro de •Podrá aplicar los contrastes
problemas. de homogeneidad e
•Realice los ejercicios de independencia.
autocom-probación de ese •Manejará otros contrastes no
tema. 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.

BLOQUE: MÓDULO 4: MODELOS LINEALES, CALIDAD Y FIABILIDAD - 35 Horas

TIEMPO
Tema 13: Análisis de la varianza. Diseño de experimentos
• Comprenderá la
descomposición de la
variabilidad en los problemas
de clasificación simple o
problemas con un solo factor
a estudio.
de teoría.
•Entenderá su papel en la
técnica de análisis de la
varianza.
problemas.
•Podrá diseñar y evaluar los
resultados de experimentos
sencillos a través de la
tema.
técnica de ADEVA.
•Conocerá y podrá aplicar en
casos prácticos diseños
sencillos de más de un
factor.
Tema 14: El modelo de regresión lineal simple
• Comprenderá los modelos

de regresión lineal simple.
•Podrá ajustar modelos
lineales a conjuntos de datos
y analizar los resultados.
de teoría.
•Podrá valorar la existencia o
•Realice los ejercicios del
no de relación por medio del
tema 9 del libro de
coeficiente de correlación
problemas.
lineal.
•Será capaz de aplicar los
contrastes de regresión y de
tema.
linealidad, y de construir
intervalos de confianza de la
respuesta media e intervalos
de predicción.

Tema 15: Gráficos de control de calidad
• Conocerá los gráficos de

control estadístico de calidad
y su relación con los
de teoría.
intervalos de confianza.
•Podrá construir los gráficos
de variables y valorar el
problemas.
resultado en casos prácticos.
•Podrá construir los gráficos
de atributos y valorar su
tema.
resultado en casos prácticos.
Tema 16: Introducción a la fiabilidad
• Entenderá que la fiabilidad

es un concepto probabilístico
y, en consecuencia, la
utilidad de los métodos
estadísticos en el estudio de
• Estudie el tema 20 del libro la fiabilidad.
de teoría. •Conocerá los modelos
•Realice los ejercicios 10.6 a estadísticos más utilizados
10.14 del tema 10 del libro en el estudio de la fiabilidad
de problemas. de componentes o de
•Realice los ejercicios de sistemas.
autocom-probación de ese •En el caso de los sistemas,
tema. podrá estudiar los montajes
en serie y en paralelo, y a
partir de ellos otros sistemas
complejos.
•Podrá aplicar los contrastes
o test de vida en fiabilidad.
Realice un repaso general de la asignatura y prepare la

prueba presencial
OTRAS ACTIVIDADES: Repaso general para la PP - 6 Horas
PRUEBA PRESENCIAL: 2 horas

Total Horas ECTS introducidas aquí : 150
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.
Es planteada y evaluada por el equipo docente. Tiene una duración de 2 horas,

constará de 6 preguntas y se valorará sobre 9 puntos como sigue: 4 preguntas o
cuestiones cortas (al menos 2 de contenido teórico), con una puntuación máxima de 1
punto por pregunta, y 2 problemas, con una puntuación máxima de 2,5 puntos por
problema.
% del examen sobre la nota final 90
Nota del examen para aprobar sin PEC 5
Nota máxima que aporta el examen a la 9
calificación final sin PEC
Nota mínima en el examen para sumar la 0
PEC
Comentarios y observaciones
PRUEBAS DE EVALUACIÓN CONTINUA (PEC)

¿Hay PEC? Si
Descripción

Es opcional y se anunciará oportunamente en el curso virtual.

Tendrá un peso en la calificación final del 10%, tanto en la convocatoria ordinaria
(febrero) como en la extraordinaria (septiembre) para los estudiantes que no hayan
aprobado en la ordinaria. Estará referida a los contenidos de las dos primeras Unidades
Didácticas (temas 1 al 8). Sólo se realiza una PEC y la nota obtenida se conserva para
febrero y para septiembre.
Es planteada por el equipo docente y evaluada por el profesor tutor. Tiene una
duración de 2 horas, constará de 7 preguntas.
Se valorará sobre 1 punto como sigue: 5 preguntas o cuestiones cortas, con una
puntuación máxima de 0,1 punto por pregunta, y 2 problemas, con una puntuación
máxima de 0,25 puntos por problema.
Ponderación de la PEC en la nota final 10%
Fecha aproximada de entrega 11/2017
La única prueba de evaluación continua (PEC) o prueba de evaluación a distancia que
se propone estará disponible a través del curso virtual. No habrá una nueva prueba de
evaluación continua para la convocatoria extraordinaria de Septiembre. La calificación
obtenida en esta PEC se mantendrá para las convocatorias ordinaria y extraordinaria
dentro del mismo curso en que se realice.
Sus características son:
Se trata de una única prueba.
Tiene una estructura similar a la de la prueba personal final (salvo que en la parte de
cuestiones y ejercicios no se plantearán cuestiones de carácter teórico).
Se realiza al finalizar el módulo 2.
Es optativa. NO es obligatoria.
Es computable en la calificación final. Su calificación será tenida en cuenta en la
calificación final, hasta un máximo de 1 punto (véanse los criterios de evaluación).
Es propuesta y publicada por el equipo docente en el curso virtual.
Es evaluada por el profesor tutor mediante la plantilla de corrección proporcionada por
el equipo docente.
Hay tiempo y fecha límite de realización y entrega.
El estudiante debe enviar su archivo de respuestas en la forma que se indicará en el
curso virtual.
El tiempo de realización estimado es de 2 horas.
El alumno puede utilizar una calculadora no programable y la Guía-Formulario y Tablas.
Sus objetivos específicos son:
Que el estudiante tenga acceso a una evaluación continua.
Que el estudiante trabaje de forma continua de acuerdo con un cronograma.
Que compruebe con un ensayo serio su nivel de conocimiento en la mitad del semestre.
Que conozca, en la práctica, el tipo de examen que se encontrará en la prueba
presencial.

OTRAS ACTIVIDADES EVALUABLES

¿Hay otra/s actividad/es evaluable/s? No
Descripción
Ponderación en la nota final 0
Fecha aproximada de entrega
¿CÓMO SE OBTIENE LA NOTA FINAL?
Calificación final = Calificación de la prueba presencial (valor máximo 9 puntos) +

calificación de la prueba de evaluación continua (valor máximo 1 punto).
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 ;
ISBN(13):9788496094307
Título:ESTADÍSTICA TEÓRICA APLICADA (1ª)
Autor/es:Novo Sanjurjo, Vicente José ;
La Bibliografía básica, que se considera suficiente para la preparación de la asignatura, está

formada por un libro de teoría y un libro de problemas resueltos. Además se incluye una
Guía-Formulario y Tablas que se podrá utilizar en la prueba presencial.
Libro de teoría: Novo, V.: Estadística Teórica y Aplicada. Editorial Sanz y Torres, 2004.
Edición revisada 2011.
Libro de problemas: Novo, V.: Problemas de Cálculo de Probabilidades y Estadística.

Editorial Sanz y Torres, 2003. Edición revisada 2011.
Guía-Formulario y Tablas: Novo, V., Jiménez, B.: Estadística. Guía-Formulario y Tablas.
Editorial Sanz y Torres, 2010. 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.
Tema del Programa Libro de Teoría Libro de Problemas

1 1
2 2 1
3 3y4 2
4 5 3
5 6 4
6 7 4
7 8 4
8 10 5
9 11 6
10 12 6
11 13 7
12 14 7
13 15 8
14 17 9
15 19 10
16 20 10
BIBLIOGRAFÍA COMPLEMENTARIA
Como bibliografía complementaria se recomienda la siguiente.
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.
RECURSOS DE APOYO Y WEBGRAFÍA
Para ayudar en el estudio de esta asignatura, el estudiante dispondrá de diversos

medios de apoyo.
Equipo docente. Estará a disposición de los estudiantes para orientarle y acompañarle en el

estudio de esta 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.
Bibliotecas. En las bibliotecas del Centro Asociado, de la Escuela o Central de la UNED o en

cualquier biblioteca pública encontrará gran cantidad de libros y material que le ayudará en
el estudio de Estadística.
Internet. Existen muchos recursos en Internet que pueden ser de utilidad.
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
No se considera necesario presentar en esta guía un glosario de términos relevantes para la

asignatura, ya que se puede consultar un índice analítico muy completo al final del libro
“Estadística Teórica y Aplicada” citado como texto base de teoría de la asignatura.
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.

GuiaCompleta 68902091 2019

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

GuiaCompleta 68902091 2019

Diunggah oleh

Hak Cipta:

Format Tersedia

18-19

GRADO EN ING. EN ELECTRÓNICA

UNED 2 CURSO 2018/19

Nombre de la asignatura ESTADÍSTICA (INGENIERÍAS INDUSTRIALES)

Esta asignatura de formación básica en estadística para el grado se imparte en el

UNED 3 CURSO 2018/19

REQUISITOS Y/O RECOMENDACIONES PARA CURSAR LA

Los conocimientos previos necesarios para una correcta comprensión y asimilación

Nombre y Apellidos LIDIA HUERGA PASTOR

Vicente Novo Sanjurjo Lidia Huerga Pastor

UNED 4 CURSO 2018/19

La indicación de cómo acceder a la Escuela se puede encontrar en: UNED

TUTORIZACIÓN EN CENTROS ASOCIADOS

En el enlace que aparece a continuación se muestran los centros asociados y extensiones

COMPETENCIAS QUE ADQUIERE EL ESTUDIANTE

COMPETENCIAS ESPECÍFICAS DEL GRADO (ORDEN CIN 351-2009)

COMPETENCIAS ESPECÍFICAS DE FORMACIÓN BASICA

OTRAS COMPETENCIAS DE LA ASIGNATURA

UNED 5 CURSO 2018/19

Manejo de las tecnologías de la información y comunicación (TICs).

Al finalizar el estudio de esta materia, el estudiante deberá de ser capaz de:

- Conocer la esencia de los fenómenos aleatorios.

MÓDULO 1: ESTADÍSTICA DESCRIPTIVA Y PROBABILIDAD

UNED 6 CURSO 2018/19

UNED 7 CURSO 2018/19

Al terminar el estudio de este módulo, el estudiante habrá adquirido los conocimientos

UNED 8 CURSO 2018/19

las representaciones gráficas más usuales: diagrama de barras, gráfico de sectores,

UNED 9 CURSO 2018/19

Kolmogorov, el concepto de espacio probabilístico y a partir de la axiomática las principales

UNED 10 CURSO 2018/19

La segunda parte del tema se dedica al estudio de las transformaciones de variables

MÓDULO 2: MODELOS DE PROBABILIDAD

UNED 11 CURSO 2018/19

UNED 12 CURSO 2018/19

UNED 13 CURSO 2018/19

Las distribuciones unidimensionales de probabilidad que se estudian a continuación son las

UNED 14 CURSO 2018/19

MÓDULO 3: INFERENCIA ESTADÍSTICA

UNED 15 CURSO 2018/19

12.8. Contrastes de rango con signo y de la suma de rangos.

UNED 16 CURSO 2018/19

UNED 17 CURSO 2018/19

Si en lugar de utilizar una función de los valores de la muestra (estimación puntual),

UNED 18 CURSO 2018/19

Se completa el tema describiendo otros contrastes no paramétricos. El test de los signos

MÓDULO 4: MODELOS LINEALES, CALIDAD Y FIABILIDAD

UNED 19 CURSO 2018/19

UNED 20 CURSO 2018/19

• Entenderá el significado del índice de capacidad.

UNED 21 CURSO 2018/19

UNED 22 CURSO 2018/19

La metodología que se utiliza en la asignatura es la propia de la UNED, basada en la

Las actividades formativas y la distribución orientativa del tiempo pueden agruparse

Trabajo con contenidos teóricos y prácticos (consulta de materiales didácticos, asistencia

Realización de actividades de evaluación (prueba presencial y actividades de

Trabajo autónomo (estudio de contenidos teóricos, resolución de ejercicios y problemas y

En el cómputo de horas se incluyen el tiempo dedicado a las horas lectivas, horas de

Tema 1: Estadística Descriptiva

UNED 23 CURSO 2018/19

• Reconocerá los fenómenos

Tema 3: Variables aleatorias

UNED 24 CURSO 2018/19