Análisis Bioestadística Avanzada

Matemticas
Datos Identificativos Asignatura Titulacin Descriptores Bioestatstica LICENCIADO EN BIOLOXA Crditos 5 Idioma Casteln Cr. tericos 3 Cr. prcticos 2 Tipo Troncal Curso Segundo Perodo 1 cuadrimestre Ciclo Cdigo 610212201
Departamento Matemticas Coordinacin Profesorado Web Descricin xeral Esta asignatura contiene los conocimientos estadsticos bsicos destinados, no tanto para que el bilogo conozca frmulas de aplicacin automtica, sino que sepa razonar en trminos probabilsticos bajo incertidumbre, conferirle cierto grado de escepticismo y que sepa analizar y valorar la importancia del error en el trabajo cientfico. Jacome Pumar, Maria Amalia Jacome Pumar, Maria Amalia Correo electrnico maria.amalia.jacome@udc.es
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Capacidad para realizar e interpretar un anlisis descriptivo de datos. Conocimiento de algn paquete estadstico u otro programa complementario que le facilite la aplicacin de los mtodos estudiados. Manejo de los procedimientos bsicos del Clculo de Probabilidades necesarios en la resolucin de problemas de Gentica, Ecologa y otras disciplinas afines. Destreza en las tcnicas de la Inferencia Estadstica: estimacin puntual, intervalos de confianza y contrastes de hiptesis. Ser capaz de captar la esencia del razonamiento estadstico y de interpretar correctamente los resultados estadsticos dentro de un problema concreto, sin extrapolar los mismos de forma incorrecta. Contidos Temas Estadstica descriptiva Subtemas 1. Descripcin estadstica de una variable 2. Descripcin estadstica conjunta de varias variables 3. Fundamentos del Clculo de probabilidades 4. Variables aleatorias 5. Algunas distribuciones de inters en Biologa 6. Introduccin 7. Estimacin puntual 8. Estimacin por intervalos de confianza 9. Contrastes de hiptesis paramtricos 10. Contrastes de hiptesis no paramtricos Planificacin A24 A24 Competencias da titulacin A24 B2 B2 B3 B2 B3 C3
Teora de la probabilidad
Inferencia Estadstica
Metodoloxas / probas
A Horas presenciais
B Horas non presenciais / traballo autnomo
C (A+B) Horas totais
Proba obxectiva
120
124
Atencin personalizada
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Proba obxectiva Descricin Examen final para avaliar os coecementos adquiridos. Atencin personalizada Metodoloxas Proba obxectiva Descricin O alumno poder acudir despacho do profesor para resolver toda clase de dubidas, nun proceso de aprendizaxe retroactivo.
Avaliacin Metodoloxas Proba obxectiva Descricin Examen final para avaliar os coecementos adquiridos. Cualificacin 100
Observacins avaliacin Para aprobar a asignatura ser necesario superar a proba que se realizar nas datas oficiais de examen. Na proba se examinar da parte de Estatstica Descriptiva mediante preguntas tipo test, e das partes de Probabilidade e Inferencia Estatstica con preguntas tipo test e/ou preguntas de resposta breve. Fontes de informacin Bibliografa bsica
GONICK, L. Y SMITH, W. (2001). A estatstica en caricaturas!. SGAPEIO RIUS DAZ, F. y BARN LPEZ, F.J. (2005). Bioestadstica. Thomson MARTN, A. A. Y LUNA, J. C. (1999). Bioestadstica para las Ciencias de la Salud. 4 Edicin revisada.. Ediciones Norma RIUS DAZ, F. y otros (1999). Bioestadstica: Mtodos y Aplicaciones. Universidad de Mlaga DE LA HORRA NAVARRO, J. (2001). Estadstica Aplicada. Daz de Santos MILTON, J. S. (2001). Estadstica para Biologa y Ciencias de la Salud. 3 edicin.. McGraw-Hill CAO ABAD, R. y otros (2001). Introduccin a la estadstica y sus aplicaciones. Pirmide TOMEO PERUCHA V. y UA JUREZ I. (2003). Lecciones de Estadstica Descriptiva. Paraninfo PREZ LPEZ, C. (2001). Tcnicas Estadsticas con SPSS.. Prentice-Hall
Bibliografa complementaria
VIEDMA, J. A. (1976). Bioestadstica (Mtodos Estadsticos Aplicados a la Biologa y Medicina). Ed. del autor SOKAL, R.R. Y ROHLF, F.J. (1995). Biometry. The Principles and Practice of Statistics in Biological Research. 3 Edicin.. W. H. Freeman and Company ZAR, J.H. (1996). Biostatistical Analysis. Prentice Hall International Editions DANIEL, W. W. (1991). Biostatistics. A Foundation for Analysis in the Health Sciences.. J.
Wiley
FISHER, L.D. Y VAN BELL, G. (1993). Biostatistics. A Methodology for the Health Sciences.. John Wiley & Sons QUESADA, V., ISIDORO, A. Y LPEZ, L. J. (1984). Curso y Ejercicios de Estadstica. Alhambra Universidad CUADRAS, C.M. y otros (1989). Ejercicios de Bioestadstica. Universitaria de Barcelona BAR LLINAS, J. (1988). Estadstica Descriptiva, Clculo de probabilidades e Inferencia estadstica. Parramn HERNNDEZ, V. RAMOS, E. y YNEZ, I. (1995). Estadstica I. ITIS.. UNED NAVIDI, W. (2006). Estadstica para ingenieros y cientficos. 1 Edicin. McGraw-Hill PEA SNCHEZ DE RIVERA, D. (1991). Estadstica. Modelos y Mtodos, 1. Fundamentos.. Alianza Universidad ROSNER, B. (1990). Fundamentals of Biostatistics. PWS-KENT Publishing Company PAGANO, M. Y GAUVREAU, K. (2001). Fundamentos de Bioestadstica. 2 Edicin.. Math Learning MANN, P. S. (1995). Introductory Statistics. John Wiley & Sons AZORN, F. y SNCHEZ CRESPO, J. (1986). Mtodos y aplicaciones del muestreo.. Alianza Universidad CANAVOS, G.C. (1989). Probabilidad y Estadstica. Aplicaciones y mtodos. McGraw-Hill JOHNSON, R. A. Y BAHTTACHARIYA, G. K. (1992). Statistical Principes and Methods. J.
Wiley
Recomendacins Materias que se recomenda ter cursado previamente Matemticas/610212106
Materias que se recomenda cursar simultaneamente
Materias que continan o temario Anlise Bioestatstica/610212304
Datos Identificativos Asignatura Titulacin Descriptores Anlise Bioestatstica LICENCIADO EN BIOLOXA Crditos 9 Idioma Casteln Cr. tericos 3 Cr. prcticos 6 Tipo Troncal Curso Terceiro Perodo Ciclo Anual Cdigo 610212304
Departamento Matemticas Coordinacin Profesorado Web Descricin xeral Esta materia proporciona un primeiro contacto con tcnicas estatsticas avanzadas inclundo: modelizacin estatstica, ferramentas estatsticas para o anlise de datos, procedementos de crtica e diagnose dos resultados e interpretacin dos resultados en termos do problema prantexado. Os obxectivos son: - Adquirir unha visin ampla e integrada dos mtodos estatsticos resaltando de cada un deles os seus obxectivos e condicins de aplicabilidade. - Obter os coecementos precisos para unha anlise crtica e rigorosa dous resultados acadados. - Complementar a aprendizaxe da metodoloxa co apoio de software informtico Estevez Perez, Maria Graciela Estevez Perez, Maria Graciela Correo electrnico graciela.estevez.perez@udc.es
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Desear experimentos, obter informacin e interpretar os resultados Competencias da titulacin A17 A19 A20 A21 A24 A25 B1 B2 B3 B4 B5
Aplicar un pensamento crtico, lxico e creativo para resolver problemas de forma efectiva.
Contidos Temas Inferencia non paramtrica Modelos de Regresin Simple Subtemas Contrastes de bondade de axuste a unha distribucin Contrastes de aleatoriedade Modelo de regresin liar simple Outros modelos de regresin Principios bsicos. Planificacin dun experimento Deseos cruzados bsicos cunha e varias fontes de variacin Deseos en bloques Deseos con efectos aleatorios Introduccin anlise da covarianza Descricin de datos multivariantes Anlise de Compoentes Principais Anlise da Varianza Mltiple Anlise Discriminante Anlise de Conglomerados
Deseo e Anlise de Experimentos
Introduccin Anlise Multivariante
Planificacin
A Horas presenciais
4

220

224
Proba obxectiva
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Proba obxectiva Descricin Examen final dos contenidos tericos e prcticos da materia consistente en preguntas tipo test e na resolucin razoada de problemas facendo uso do paquete estatstico SPSS. Atencin personalizada Metodoloxas Proba obxectiva Descricin Posibilidade de realizar titoras individuais de cara a resolucin de dbidas.
Avaliacin Metodoloxas Proba obxectiva Descricin Cuestins curtas coecementos e tipo test de avaliacin de Cualificacin 100
Observacins avaliacin Os exames de calquera das convocatorias oficiais constarn de dous tipos de probas complementarias de avaliacin de coecementos. Unha delas, de carcter prctico, realizarase no laboratorio e consistir na resolucin dunha serie de problemas coa axuda do paquete estatstico SPSS. A segunda, de carcter terico, ser unha proba escrita con preguntas de tipo test. Fontes de informacin Bibliografa bsica Kuehl, R.O. (2001) Diseo de Experimentos.Principios estadsticos para eldiseo y anlisis de investigaciones. 2nded. Thomson Learning. Milton, J.S. (2001). Estadstica para Biologa y Ciencias de la Salud , 3Edicin,McGraw-Hill. Montgomery, D.C. (2005)Design and Analysis of Experiments. 6thEdtition J. Wiley and Sons. Pea, D. (2002). Anlisis de DatosMultivariantes . McGraw-Hill. Bibliografa complementaria Box, G.E.P., Hunter, W.G. & Hunter, J.S. (1978). Statistics for Experimenters. An introduction to Design, Data Analysis, and Model Building. Wiley Series in Probability and Mathematical Statistics. John Wiley & Sons, Inc. Cao,R. et al. (2001). Introduccin a la Estadstica y sus aplicaciones. Ed.
Pirmide, Madrid. Dean, A. & Voss, D. (1999) Design and Analysis of Experiments. Springer-Verlag, New York. Ferrn Aranaz, M. (2001). SPSS para Windows. Anlisis Estadstico. Ed. MacGraw-Hill. Gibbons, J.D. & Chakraborti, S. (1992). Nonparametric Statistical Inference. 3rd ed. Marcel Dekker, New York (1992). Jobson, J.D. (1992). Applied Multivariate Analysis. Vol. II: Categorical and Multivariate Methods. Springer Texts in Statistics, Springer-Verlag: New York. Martn Andrs, A. & De Dios Luna del Castillo, J. (1994). Bioestadstica para las Ciencias de la Salud. 4 Edicin. Eds. NORMA S.A. Millard, S.P. & Neerchal, N.J. (2001) Environmental Statistics with S-Plus. Springer. CRC Press LLC. Prez, C. (2004). Tcnicas de Anlisis Multivariante de Datos. Aplicaciones con SPSS. Pearson. Prentice Hall. Prat, A., Tort-Martorell, X., Groma, P. & Pozueta, L. (1997). Metodos estadsticos. Control y mejora de la calidad. Edicions UPC (Universitat Politcnica de Catalunya). Zar, J.H. (1996). Biostatiscal Analysis. 3rd. ed. Prentice Hall International. Recomendacins Materias que se recomenda ter cursado previamente
Materias que continan o temario
Observacins - Estudar a materia de forma gradual - Facer uso das titoras
Datos Identificativos Asignatura Titulacin Descriptores Anlise Estatstica de Datos LICENCIADO EN QUMICA Crditos 4.5 Cr. tericos 3 Cr. prcticos 1.5 Tipo Curso Perodo Ciclo Cdigo 610311516
Troncal Primeiro2 Segundo- cuadrimestre Terceiro
Idioma Departamento Coordinacin Profesorado Web
Casteln Matemticas Estevez Perez, Maria Graciela Estevez Perez, Maria Graciela Correo graciela.estevez.perez@udc.es electrnico
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Capacidad para realizar e interpretar un anlisis descriptivo de datos. Conocimiento de algn paquete estadstico u otro programa complementario que le facilite la aplicacin de los mtodos estudiados. Destreza en las tcnicas de la Inferencia Estadstica Paramtrica: o estimacin puntual o intervalos de confianza o contrastes de hiptesis. Ser capaz de captar la esencia del razonamiento estadstico y de interpretar correctamente los resultados estadsticos dentro de un problema concreto, sin extrapolar los mismos de forma errnea. Contidos Temas MODELIZACIN MATEMTICA DE UNA POBLACIN ESTADSTICA Subtemas Clculo de Probabilidades Variables Aleatorias Principales Distribuciones de Probabilidad Estadstica Descriptiva Unidimensional Estadstica Descriptiva Bidimensional Introduccin Estimacin Puntual Intervalos de Confianza Introduccin a los contrastes de hiptesis Anlisis de la varianza Planificacin Competencias da titulacin A7 A14 A20 A21 A24 A20 A21 A24 B3 B2 B3 B1 B2 C6 C3
C6
TRATAMIENTO DESCRIPTIVO DE DATOS INTRODUCCIN A LA INFERENCIA ESTADSTICA ESTIMACIN POR INTERVALOS DE CONFIANZA CONTRASTES DE HIPTESIS ANLISIS DE LA VARIANZA
A Horas presenciais
Proba obxectiva
108
112
0.5
0.5
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Proba obxectiva Descricin Examen final para avaliar os coecementos adquiridos Atencin personalizada Metodoloxas Proba obxectiva Descricin O alumno poder acudir despacho do profesor para resolver toda clase de dubidas, nun proceso de aprendizaxe retroactivo.
Avaliacin Metodoloxas Proba obxectiva Descricin Examen final para avaliar os coecementos adquiridos. Cualificacin 100
Observacins avaliacin
Para aprobar a asignatura ser necesario superar a proba que se realizar nas datas oficiais de examen. Na proba se examinar da parte de Estatstica Descriptiva mediante preguntas tipo test, e das partes de Probabilidade e Inferencia Estatstica con preguntas tipo test e/ou preguntas de resposta breve.
Fontes de informacin Bibliografa bsica
GONICK, L. Y SMITH, W. (2001). A estatstica en caricaturas!. SGAPEIO MONTGOMERY, C. (1991). Diseo y Anlisis de Experimentos.. Grupo Editorial Iberoamericana. FERNNDEZ FERNNDEZ, S. y otros (2002). Estadstica Descriptiva.. 2 edicin. ESIC. MILLER, J.C. Y MILLER, J.N. (2002). Estadstica para Qumica Analtica.. Addison-Wesley Iberoamericana. NAVIDI, W. (2006). Estadstica para ingenieros y cientficos.. McGraw-Hill PEA SNCHEZ DE RIVERA, D. (1991). Estadstica. Modelos y Mtodos, 1. Fundamentos. . Alianza Universidad. CAO ABAD, R. y otros (2001). Introduccin a la estadstica y sus aplicaciones.. Ed. Pirmide. TOMEO PERUCHA V. y UA JUREZ I. (2003). Lecciones de Estadstica Descriptiva. . Paraninfo.
GARCA LVAREZ-COQUE, C. Y RAMIS RAMOS, G. (2001). Quimiometra. Editorial Sntesis MONGAY FERNNDEZ, C. (2005). Quimiometra.. PUV PREZ LPEZ, C. (2001). Tcnicas Estadsticas con SPSS.. Ed. Prentice-Hall Bibliografa complementaria
DE LA HORRA NAVARRO, J. (2001). Estadstica Aplicada. 2 Edicin. . Daz de Santos VIEDMA, J. A. (1976). Bioestadstica (Mtodos Estadsticos Aplicados a la Biologa y Medicina). . Ed. del autor. QUESADA, V., ISIDORO, A. Y LPEZ, L. J. (1984). Curso y Ejercicios de Estadstica. . Alhambra Universidad. PEA SNCHEZ DE RIVERA, D. (1991). Estadstica. Modelos y Mtodos, 1. Fundamentos. . Alianza Universidad. MANN, P. S. (1992). Introductory Statistics. . J. Wiley. NOVO SANJURJO, J.V. (1994). Mtodos Estadsticos. . UNED FERRN ARANAZ, M. (2001). SPSS para Windows. Anlisis Estadstico. . Ed. Mac-Graw-
Hill.
Wiley.
JOHNSON, R. A. Y BAHTTACHARIYA, G. K. (1992). Statistical Principes and Methods. . J.
RECURSOS WEB Pgina web del paquete SPSS . http://www.spss.com/ Interesante texto electrnico que incluye ejercicios de autoevaluacin. Annette Dobson et altri. University of Newcastle, Australia. http://www.anu.edu.au/nceph/surfstat/surfstat-home/surfstat.html Permite trabajar con conceptos como el histograma, diagrama de cajas, etc. distinguiendo entre variables discretas y continuas. http://lstat.kuleuven.be/java/index.htm Calcula intervalos de confianza para la media, la varianza, y contrastes paramtricos y no paramtricos de una muestra y de dos. Adems visualiza los errores tipo I y II en funcin de los parmetros de las distribuciones normales en la hiptesis nula y alternativa. http://lstat.kuleuven.be/java/index.htm Versin html del libro Bioestadstica, escrito por F. Rius y F.J. Barn y editado por la editorial Thomson. http://www.bioestadistica.uma.es/libro/ Recomendacins Materias que se recomenda ter cursado previamente
Observacins - Estudar a materia de forma gradual - Facer uso das titoras
Datos Identificativos Asignatura Titulacin Descriptores Mtodos Estatsticos para Datos Medioambientais MSTER EN CIENCIA E TECNOLOXA AMBIENTAL Crditos 4 Idioma Departamento Matemticas Qumica Analtica Coordinacin Profesorado Jacome Pumar, Maria Amalia Andrade Garda, Jose Manuel Estevez Perez, Maria Graciela Jacome Pumar, Maria Amalia Vilar Fernandez, Jose Antonio Web Descricin xeral Correo electrnico jose.manuel.andrade@udc.es graciela.estevez.perez@udc.es maria.amalia.jacome@udc.es jose.vilarf@udc.es Cr. tericos 2 Cr. prcticos 2 Tipo Troncal Curso Primeiro Perodo 1 cuadrimestre Ciclo Cdigo 610414102
http://https://campusvirtual.udc.es/moodle/course/view.php?id=40003 Nos estudos medioambientais manxanse xeralmente importantes cantidades de datos, cuio anlise permitir a estraccin da informacin relevante neles contida. Na asignatura Mtodos estatsticos para datos medioambientais farase unha introduccin ao deseo das experiencias e ao proceso de cuantificacin. Tamn se proporcionar unha introducin s tcnicas estatsticas avanzadas necesarias para tal fin, resultando polo tanto unha materia de moito interese prctico.
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Posur coecementos complementarios necesarios para a realizacin de estudos de impacto ambiental posibilitando a colaboracin tcnica en proxectos Capacidade de analizar, sintetizar e xestionar informacin posibilitando a resolucin de problemas e a toma crtica de decisins. Competencias da titulacin AP3 AP4 AP6 BP1 BP3 BP4 BP5 BP6 BP10 BP12 BP13 CM3 CM6 CM8
Utilizacin de ferramentas bsicas das tecnoloxas da informacin e as comunicacins (TIC) Valorar criticamente o coecemento, a tecnoloxa e a informacin dispoible para resolver os problemas Contidos Temas Validacin dos mtodos e datos analticos Anlise de Regresin Subtemas Validacin dos mtodos e datos analticos Anlise de Regresin Principios bsicos. Planificacin dun experimento Deseos cruzados bsicos cunha e varias fontes de variacin Outros deseos: en bloques, anidados e con medidas repetidas Deseos con efectos aleatorios Descripcin de datos multivariantes Anlise de componentes principais Anlise Discriminante Mtodos de clasificacin supervisada
Deseo de Experimentos
Anlise Multivariante
Anlise de Conglomerados Series Temporais Introduccin Anlise Descriptivo dunha Serie Temporal Modelizacin. Procesos Autoregresivos Introduccin Anlise de procesos puntuais Geoestatstica Bsica Anlise de datos reticulares Planificacin
Estatstica Espacial
A Horas presenciais
4 3 19 14

17 0 28.5 14

21 3 47.5 28
Traballos tutelados Proba mixta Sesin maxistral Solucin de problemas
0.5
0.5
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Traballos tutelados Descricin Rematado cada bloque pedirase un traballo consistente no tratamento completo dun conxunto de datos do mbito de estudos medioambientais Exame final dos contidos tericos e prcticos consistente en preguntas curtas e/ou tipo test e na resolucin de problemas facendo uso dalgn paquete estatstico Clases maxistrales preseciais nas que o profesor expondr os temas dos distintos bloques temticos facendo uso de diversos recursos didcticos, como presentacins animadas mediante computadora e/ou retroproxeccin. Asemade, os contidos tratados sern ilustrados mediante a aplicacin dos mesmos a conxuntos de datos reais tomando como apoio certo software estatstico. Facilitarase bibliografa onde os alumnos podern completar os contidos tericos, as como exercicios e conxuntos de datos a maiores para aplicar as tcnicas estudiadas. Paralelamente ao desenvolvemento dos temas, os estudantes recibirn boletns de problemas co obxecto de que poidan avaliar progresivamente o seu nivel de coecementos adquiridos.
Proba mixta
Sesin maxistral
Solucin de problemas
Atencin personalizada Metodoloxas Traballos tutelados Descricin Rematado cada bloque farn un traballo consistente no tratamento completo dun conxunto de datos do mbito de estudos medioambientais. O seguimento por parte do profesor ser til de cara a solucionar dbidas e velar pola axeitada resolucin e interpretacin dos resultados.
Avaliacin
Metodoloxas Traballos tutelados
Descricin Elaboracin e presentacin (se procede) de traballos de cada bloque temtico (10% por bloque temtico). Exame final dos contidos tericos e prcticos consistente en preguntas curtas e/ou tipo test e na resolucin de problemas facendo uso dalgn paquete estatstico Participacin nas clases, cunha asistencia mnima non inferior 80% das horas presenciais
Cualificacin 40
Proba mixta
50
Sesin maxistral
10
Observacins avaliacin Valorarase positivamente a asistencia s clases, as como a actitude e a participacin dos alumnos nas mesmas. Na correccin de cuestionarios, traballos e exames teranse en conta os aspectos formais para a resolucin dos problemas plantexados, a claridade nas exposicins e a capacidade de defensa dos argumentos presentados no traballo escrito, se o caso. Requisito sine qua non para superar a asignatura superar as distintas actividades propostas polo profesorado (cuestionarios, traballos escritos con exposicin oral, ect), xunto co exame final. A cualificacin final obterase promediando as distintas cualificacins parciais segundo os pesos indicados no seguinte apartado. Fontes de informacin Bibliografa bsica
Brockwell, P.J. & Davis, R.A. (1996) Introduction to Time Series and Forecasting Springer Texts inStatistics. Springer Chils, J.P. y P. Delfiner (1999). Geostatistics: modeling spatial uncertainty. Wiley, New York. Dean, A. & Voss, D. (1999) Design and Analysis of Experiments. Springer-Verlag, New York. Isaaks, E.H. y R.M. Srivastava (1989). An Introduction to Applied Geostatistics. Oxford University Press, New York. Isobel Clark and William V. Harper (2000). Practical Geostatistics 2000. Book and CD. ISBN 0-9703317-2-X. Columbus, OH: Ecosse North America, 342 pp Jobson, J.D. (1992). Applied Multivariate Analysis. Vol. II: Categorical and Multivariate Methods. Springer Texts in Statistics, Springer-Verlag: New York. Kuehl, R.O. (2001) Diseo de Experimentos. Principios estadsticos para el diseo y anlisis de investigaciones. 2nd ed. Thomson Learning . Miller, J.N. & Miller, J.C. (2002) Estadstica y Quimiometra para Qumica Analtica. Edit. Prentice Hall. Mongay Fernndez, C. (2005) Quimiometra. Servicio Publicaciones Universidad de Valencia. Montgomery , D.C. (2005) Design and Anlisis of Experiments. 6th Edtition J. Wiley and Sons.
Morrison, D.F. (1990) Multivariate statistical methods. 3rd Edition. McGraw-Hill Series in Probability and Statistics. Pea, D. (2002). Anlisis de Datos Multivariantes. McGraw-Hill. Prez Lpez, C. (2004) Tcnicas de anlisis multivariante de datos. Aplicaciones con SPSS. Pearson Prentice Hall, Madrid. Ramis Ramos, G. (2001) Quimiometra. Sntesis, Madrid.
Millard, S.P. & Neerchal, N.J. (2001) Environmental Statistics with SPlus. Springer. CRC Press LLC Bivand, Roger S., Pebesma, Edzer J., Gmez-Rubio, Virgilio (2008). Applied Spatial Data Analysis with R. Springer. Cressie, N.A.C. (1993) Statistics for Spatial Data. Revised Edition. Wiley Series in Probability and Mathematical Statistics. Wiley
Recomendacins Materias que se recomenda ter cursado previamente
Observacins Orientacins para o estudo: Recomndase a asistencia e participacin s clases tanto de ndole terico como prctico. As mesmo, recomndase completar o material facilitado polo profesorado coa bibliografa por eles recomendada e a realizacin das tarefas encomendadas. Un estudo continuo da materia e o uso das tutoras para resolver dbidas fundamental para superar con xito a asignatura. Pautas para a mellora e a recuperacin: Recomndase o uso das tutoras individuais para os alumnos con dificultades en superar a materia.
Datos Identificativos Asignatura Titulacin Descriptores Mtodos Estatisticos para Datos Medioambientais MESTRADO UNIVERSITARIO EN CIENCIA E TECNOLOXA AMBIENTAL Crditos 8 Idioma Casteln Cr. tericos 8 Cr. prcticos 0 Tipo Troncal Curso Primeiro Perodo 1 cuadrimestre Ciclo Cdigo 610459102
Departamento Matemticas Qumica Analtica Coordinacin Profesorado Jacome Pumar, Maria Amalia Andrade Garda, Jose Manuel Estevez Perez, Maria Graciela Fernndez Casal, Rubn Jacome Pumar, Maria Amalia Web Descricin xeral Nos estudos medioambientais manxanse xeralmente importantes cantidades de datos, cuio anlise permitir a estraccin da informacin relevante contida neles. Nesta asignatura farase unha introduccin s tcnicas estatsticas avanzadas necesarias para a anlise multivariable de datos, que permiten a reduccin da dimensionalidade e a construccin de grupos dende un punto de vista descriptivo. O desarrollo dos ordenadores facilita o procesamento de grandes bancos de datos, resultando polo tanto unha materia de moito interese prctico. Correo electrnico jose.manuel.andrade@udc.es graciela.estevez.perez@udc.es ruben.fcasal@udc.es maria.amalia.jacome@udc.es
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Competencias da titulacin AP3 AP4 AP6 BP1 BP3 BP10 Contidos Temas Introduccin Subtemas Repaso dos mtodos bsicos de Estatstica Descriptiva Uni e Multivariable Medidas de dependencia: matriz de correlacins, regresin lineal simple e mltiple Anlise da multicolinealidade Descripcin de datos multivariables Anlise de Compoentes Principais Anlise Discriminante Anlise Cluster Planificacin
Anlise Multivariable
A Horas presenciais
18

36

54
Sesin maxistral
15
20
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Sesin maxistral Descricin Clases maxistrales presenciais nas que o profesor expondr os puntos fundamentais do programa terico convenientemente ilustrados con exemplos prcticos Rematado a exposicin de todos os contidos da asignatura, pedirselle s alumnos, e ser corrixido no aula, o tratamento completo dun conxunto de datos (na medida do posible do mbito de estudos medioambientais). Atencin personalizada Metodoloxas Solucin de problemas Descricin Os alumnos realizarn un traballo no que tern que aplicar, a un arquivo de datos, as tcnicas explicadas na asignatura que eles consideren oportunas para responder s preguntas que se lle plantexen. Disporn de atencin personalizada dos profesores responsables de cada bloque, de maneira que os alumnos podern resolver todas as dbidas que se lles presenten.
Avaliacin Metodoloxas Solucin de problemas Sesin maxistral Descricin Os alumnos analizarn os datos e expoern as conclusins nun traballo, ben de forma individual ou en grupo. Asistencia e participacin nas clases de sesin maxistral. Cualificacin 90 10
Observacins avaliacin Valorarase positivamente a asistencia s clases, as como a actitude e a participacin dos alumnos nas mesmas cun peso do 10% na nota final. A asistencia mnima ser non inferior 80% das horas presenciais (salvo ausencias debidamente xustificadas). O restante 90% da nota vir dada pola realizacin e exposicin de traballos tutelados. Na correccin dos traballos teranse en conta os aspectos formais para a resolucin dos problemas plantexados, a claridade nas exposicins e a capacidade de defensa dos argumentos presentados no traballo escrito, as como da presentacin oral dos resultados acadados. Requisito sine qua non para superar a asignatura superar as distintas actividades propostas polo profesorado. A nota final da asignatura ser a suma ponderada das cualificacins de cada bloque temtico. Fontes de informacin Bibliografa bsica BIBLIOGRAFA BSICA Jobson, J.D. (1992). Applied Multivariate Analysis. Vol. II: Categorical and Multivariate Methods . Springer Texts in Statistics, Springer-Verlag: NewYork. Miller, J.N. & Miller, J.C.(2002 ) Estadstica y Quimiometra para Qumica Analtica . Edit. PrenticeHall. Mongay Fernndez, C. (2005) Quimiometra . ServicioPublicaciones Universidad de Valencia. Morrison, D.F. (1990) Multivariatestatistical methods . 3rd Edition. McGraw-Hill Series inProbability and Statistics.
Pea, D. (2002). Anlisis de Datos Multivariantes .McGraw-Hill. Prez Lpez, C. (2004) Tcnicas de anlisis multivariante dedatos. Aplicaciones con SPSS. Pearson Prentice Hall, Madrid. Prez Lpez, C. (2005) Mtodos Estadsticos Avanzados conSPSS. Thomson, Madrid. Ramis Ramos, G. (2001) Quimiometra. Sntesis, Madrid. --> Bibliografa complementaria Millard, S.P. & Neerchal,N.J. (2001) Environmental Statistics with S-Plus . Springer. CRC PressLLC Recomendacins Materias que se recomenda ter cursado previamente
Observacins Recomndase a asistencia e participacin s clases tanto de ndole terico como prctico. As mesmo, recomndase completar o material facilitado polo profesorado coa bibliografa por eles recomendada e a realizacin das tarefas encomendadas. Un estudo continuo da materia e o uso das tutoras para resolver dbidas fundamental para superar con xito a asignatura. Recomndase o uso das tutoras individuais para os alumnos con dificultades en superar a materia.
Datos Identificativos Asignatura Titulacin Descriptores Xenmica e Protemica MESTRADO UNIVERSITARIO EN BIOTECNOLOXA AVANZADA Crditos 4.5 Idioma Casteln Galego Ingls Departamento Coordinacin Profesorado Bioloxa Celular e Molecular Matemticas Lamas Maceiras, Mnica Lamas Maceiras, Mnica Lopez de Ullibarri Galparsoro, Ignacio Web Descricin xeral monica.lamas@udc.es Correo electrnico ignacio.lopezdeullibarri@udc.es Cr. tericos 3 Cr. prcticos 1.5 Tipo Troncal Curso Primeiro Perodo 1 cuadrimestre Ciclo Cdigo 610475103
http://webs.uvigo.es/masterbiotecnoloxiaavanzada/ Comprender as bases da Xenmica e a protemica de cara a sua aplicacin no mbito da biotecnoloxa
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Coecer os protocolos de uso das diferentes tcnicas Coecer as aplicacins das distintas tcnicas Establecer relacins de uso entre as distintas tcnicas e a sua posible combinacin para a resolucin de problemas Interpretar os datos procedentes das observacins e medidas no laboratorio Planificar, desear e desenrolar experimentos en relacin coas tcnicas aprendidas Competencias da titulacin AM4 AM4 AM6 AM4 AM6 AM6 AM7 AM4 AM5 AM6 AM7 AM7 BM1 BM5 BM1 BM13 BM1 BM2 BM5 BM1 BM3 BM1 BM3 BM13 BM1 BM13 CM8 CM1 CM8 CM3 CM2
Familiarizacin con revistas cientficas, con bases de datos de secuencias, con programas de anlise e con ferramentas biotecnolxicas Capacidade de anlise e crtica de traballos de investigacin, publicados en revistas cientficas internacionais Coecer os principios da xenmica e a protemica
AM5
Contidos Temas Subtemas Tema 1. Introduccin a xenmica: bases, conceptos e tcnicas. Tema 2. Proxectos xenoma. Tema 3. Transcritmica: Microoarrays e Microchips: Microrrays de DNA (metodoloxa, tipos de plataformas, deseo experimental, anlisis dos datos). Tema4. PCR cuantitativa en tempo real: metodoloxa e aplicacion para a deteccin de microorganismos, anlisis de mutacion e de expresin xnica en microorganismos. Tema 5. Xenmica estructural e funcional. Tema 1. Tcnicas de estudo de protenas: Preparacin de extractos proteicos. Tema 2. Electroforese mono e bidimensional de protenas.
1.Bloque: Xenmica
2. Bloque: Protemica
Tema 3. Electroforese capilar mediante isoelectroenfoque. Tema 4. Tcnicas inmunolxicas de anlise de protenas. Tema 5. Tecnicas cromatogrficas (Exclusin molecular, Afinidade, IMAC, Intercambio inico, Hidrofbica). Tema 6. Espectrometra de masas (MALDI-TOF, ) Identificacin de protenas mediante pegada peptdica. Tema 7. Espectrometra de masas en tndem (MS/MS): secuenciacin de pptidos. Tema 8. Modificacins post-traduccionales. Tema9. Anlise de complexos proteicos.Chips de protenas. Tema 10. Protemica de expresin diferencial en xel, DIGE e Protemica de expresin sen xel: ICAT, iTRAQ, SILAC Planificacin
A Horas presenciais
12.5 25 2 0

12.5 50 4 4.5

25 75 6 4.5
Prcticas de laboratorio Sesin maxistral Proba mixta Traballos tutelados
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Prcticas de laboratorio Sesin maxistral Proba mixta Traballos tutelados Descricin Clases prcticas no laboratorio, na aula de informtica, resolucin de problemas e casos prcticos Impartidas polo profesor ou/e exposicin de traballos do alumno Exmenes con cuestins sobre os contidos tericos e prcticos Traballos e/ou resolucin de cuestionarios relacionados con algn aspecto da asignatura. Realizarnse de maneira individual ou en grupo baixo a orientacin do profesor. Atencin personalizada Metodoloxas Traballos tutelados Descricin Tutoras personalizadas centradas na orientacin para a realizacin de traballos ou resolucin de dubidas sobre os contidos das materias
Avaliacin Metodoloxas Proba mixta Descricin Consistir nun exmen con cuestions nas que o alumno ter que aplicar os coecementos tericos e prcticos adquiridos na asignatura Valorarase o traballo nas diferentes sesins de prcticas e a resolucin problemas Redaccin de traballos e/ou resolucin de cuestionarios Cualificacin 60
Prcticas de laboratorio Traballos tutelados
30 10
Observacins avaliacin Ao igual que co resto das materias do Mestrado, a avaliacin realizarase de xeito continuo durante as semanas asignadas docencia presencial. O 50 % da nota correspondera a parte de Xenomica e o outro 50 % a Proteomica. Os alumnos realizaran dous traballos tutelados un de Xenomica e outro de Proteomica, cada un deles supora un 10 % da nota A hora de conceder as matrculas de honra darase prioridade aos alumnos que acadaran as mximas calificacins na primeira oportunidade Fontes de informacin Bibliografa bsica
Mackay, I. M. (2007). Real-time PCR in microbiology : from diagnosis to characterisation . Norfolk: Caister Academic Press. Edwards, K., Logan J. & Saunders, N. (2004). Real-time PCR: an essential guide. . Horizon bioscien Andreas Manz, Nicole Pamme y Dimitri Lossifidis (2004). Bioanalytical Chemistry . Imperial College Press Luque, J. & Herrez, A. (2001). Biologa Molecular e Ingeniera Gentica. Harcourt Voet, D., Voet, J. & Voet, C. W. (2007). Fundamentos de bioqumica. Medica paramericana Hartwell, L. (2008). Genetics: from genes to genome. McGrawhill Richard J. Simpson, (2003). Proteins and Proteomics: A laboratory manual. CSHL Press Speed, T. (2003). Statistical Analysis of Gene Expression Microarray Data. Chapman & Hall/CRC
Recursos web (). Bioconductor, http://www.bioconductor.org/. Gentleman, R., Carey, V. J., Huber, W., Irizarry, R. A. & Dudoit, S. (2005). Bioinformatics and Computational Biology Solutions using R and Bioconductor. Springer Recurso web (). http://genomebiology.com/2004/5/10/R80. Recurso web (). Pgina web de R: http://www.r-project.org/. Garca Miranda, C. M. (1997). Perspectiva tica y jurdica del proyecto Genoma Humano.
UDC
Recomendacins Materias que se recomenda ter cursado previamente Enxeara xentica e transxnese/610475101 Enxearia Celular e Tisular/610475102 Tcnicas de aplicacin en biotecnoloxa/610475107
Materias que continan o temario Bioinformtica/610475104
Observacins Dado que parte da bibliografa recomendada para esta materia atpase en ingls, e recomendable ter coecementos desta lengua, polo menos, a nivel de comprensin de textos escritos.
Datos Identificativos Asignatura Titulacin Descriptores Ferramentas biotecnolxicas para a anlise forense MESTRADO UNIVERSITARIO EN BIOTECNOLOXA AVANZADA Crditos 3 Idioma Casteln Galego Ingls Departamento Bioloxa Celular e Molecular Matemticas Coordinacin Gonzalez Tizon, Ana Maria Profesorado Estevez Perez, Maria Graciela Gonzalez Tizon, Ana Maria Martinez Lage, Andres Web Descricin xeral http://webs.uvigo.es/masterbiotecnoloxiaavanzada/ Esta materia estudia la huella gentica del ADN a travs del anlisis de diferentes secuencias del genoma humano, as como los procesos y procedimientos utilizados para la recogida, manipulacin y tratamiento en el laboratorio de las muestras a procesar obtenidas de la escena de un delito, de restos antiguos o de restos desastres en masa. Tambin se estudia el uso de los perfiles de ADN para establecer relaciones familiares (tests de paternidad), para inferir linajes genticos y para llevar a cabo estudios de diversidad gentica de poblaciones. Asimismo, se explica y desarrollan los anlisis estadsticos y tratamiento de datos necesarios para que los resultados de los anlisis genticos tengan validez tanto a nivel de investigacin como legal. Correo electrnico Cr. tericos 2 Cr. prcticos 1 Tipo Troncal Curso Primeiro Perodo 2 cuadrimestre Ciclo Cdigo 610475505
graciela.estevez.perez@udc.es ana.gonzalez.tizon@udc.es andres.martinez@udc.es
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Coecer e saber aplicar as tcnicas de bioloxa forense. Emplear y aplicar tcnicas de gentica forense para la identificacin individual. Capacidade de analizar os problemas que xurden no proceso analtico de identificacin xentica e identificar e resolver as sas causas. Capacidade de interpretar e valorar os resultados obtidos nos estudios e anlises xenticos. Manexo de fondos bibliogrficos, bases de datos e outros recursos para ampliar e mellorar os coecementos adquiridos. Expresar correctamente, tanto de forma oral coma escrita, os coecementos adquiridos. Contidos Temas TEMA 1. OBTENCIN DE MUESTRAS BIOLGICAS DE INTERS FORENSE. Subtemas 1.1. Recogida, manipulacin, caracterizacin y almacenamiento de muestras. 1.2. Fuentes de evidencias biolgicas. 1.3. Remisin de muestras con fines de identificacin forense al laboratorio. 2.1. Principios generales, extraccin Chelex, papel FTATM, sistema DNA IQR, extraccin diferencial de ADN, extraccin en fase slida. 2.2. LA PCR: inhibidores y degradacin, sensibilidad, contaminacin, RTPCR y PCR multiplex. 3.1. Estructura de los loci STR, desarrollo de STR multiplexes, deteccin de polimorfismos STR e interpretacin de los perfiles. Picos stutter y split. Competencias da titulacin AM37 AM6 BM1 BM4 BM13 CM1
TEMA 2. EXTRACCIN Y CUANTIFICACIN DE ADN EN ANLISIS FORENSE. TEMA 3. DNA TYPING MEDIANTE ANLISIS DE MICROSATLITES
(STRs).
Bandas pull-up. Perfiles solapantes. 3.2. Estudio de ADN degradado: desarrollo de mini-STRs en desastres en masa. DNA de bajo nmero de copia (LCN). 3.3. Bases de datos de ADN en gentica forense: CODIS, NDNAD y otras bases europeas. Situacin internacional. 4.1. Estructura de los cromosomas sexuales. 4.2. Marcadores de los cromosomas X e Y en anlisis de trazas, en pruebas de paternidad y en anlisis de haplotipos. 4.3. Distribucin de alelos STR de los cromosoma sexuales y distribucin de haplotipos en diferentes poblaciones. 4.4. Diversidad gentica poblacional. 5.1. Estructura y deteccin. 5.2. Aplicaciones forenses de los SNPs. 5.3. SNPs versus STRs. 6.1. Caractersticas del ADNmt. 6.2. Heteroplasmia: concepto e interpretacin. 6.3. Identificacin de individuos. 7.1. Introduccin 7.2. Estadstica bsica para gentica forense. 7.3. Equilibrio de Hardy-Weinberg. 7.4. Parmetros estadsticos en gentica forense: investigacin biolgica de la paternidad, identificacin y criminalstica. Prctica 1. Extraccin diferencial de ADN procedente de la escena del delito.
TEMA 4. LOS CROMOSOMAS X E Y EN ANLISIS FORENSE.
TEMA 5. POLIMORFISMOS DE UN NICO NUCLETIDO (SNPs). TEMA 6. EL ADN MITOCONDRIAL EN GENTICA FORENSE.
TEMA 7. ANLISIS BIOESTADSTICO EN GENTICA FORENSE.
TEMARIO DE PRCTICAS DE LABORATORIO, PIZARRA Y ORDENADOR.
Prctica 2. Cuantificacin y amplificacin de diferentes loci autosmicos y sexuales a partir del ADN extrado. Prctica 3. Anlisis estadstico de datos en investigacin forense. Planificacin
A Horas presenciais
2 0 0 8 12 3

0 13 12 4 18 1.5

2 13 12 12 30 4.5
Proba mixta Portafolios do alumno Lecturas Prcticas de laboratorio Sesin maxistral Solucin de problemas
1.5
1.5
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Proba mixta Descricin Prueba escrita en la que se tratar cualquier aspecto abordado en la docencia tanto terica como prctica. Los estudiantes elaborarn una fichas, suministradas previamente por el profesor, en las que debern contestar a una serie de cuestiones tanto tericas como de resolucin de problemas. Los estudiantes leern documentos cientficos suministrados por el profesor para
Portafolios do alumno Lecturas
ampliar y profundizar en los contenidos tratados en la materia. Las clases prcticas comprendern una breve explicacin por parte del profesor sobre la base conceptual y objetivos a alcanzar y el desarrollo de tareas por parte del alumno, siguiendo un guin suministrado previamente. Se pretende que el alumno tenga la mxima autonoma, facilitndole medios y orientacin. En cada clase se expondrn contenidos relacionados con difeentes aspectos del temario. El profesor explicar los contenidos fundamentales de cada tema y sealar las actividades asociadas al mismo. stas incluirn la consulta de bibliografa, resolucin de cuestiones y dudas planteadas por el alumnno. Se plantearn problemas de interpretacin de perfiles de ADN en gentica forense, de clculo de los parmetros estadsticos ms empleados en identificacin gentica y anlsis de parentesco, y de interpretacin y evaluacin de resultados experimentales y formulacin de hiptesis en el tratamiento de datos obtenidos a partir de la investigacin forense. Atencin personalizada Metodoloxas Proba mixta Portafolios do alumno Prcticas de laboratorio Descricin No existe lmite en el nmero de horas asignado a tutoras y atencin al alumno. Estos podrn acudir a tutoras con los profesores de la materia en aquellos horarios establecidos en el primer apartado de esta gua.
Prcticas de laboratorio
Sesin maxistral
Avaliacin Metodoloxas Portafolios do alumno Descricin Se valorar el grado de comprensin, de anlisis, de calidad y claridad de exposicin y del tratamiento de las cuestiones y problemas propuestos. Se valorar el dominio de conceptos tericos y prcticos, claridad en las explicaciones, capacidad de relacionar e integrar la informacin recibida tratada en las clases de teora y prcticas, y capacidad de resolver cuestiones y problemas. Se valorar el conocimiento sobre el significado de las tares realizadas, y la interpretacin de los resultados obtenidos. Cualificacin 40
Proba mixta
40
20
Observacins avaliacin Se considerar NO PRESENTADO cuando el estudiante no haya realizado ninguna de las actividades/metodologas propuestas. Al igual que el resto de las materias del Mster, la evaluacin se realizar de manera continua durante las semanas asignadas a la docencia presencial. En caso de realizar un examen final, la fecha del mismo coincidir con el ltimo da del periodo docente de la materia. Tendrn prioridad para obtener MH aquellos alumnos que se evalen en la primera oportunidad Fontes de informacin Bibliografa bsica
J Fraser (2010). Forensic Science. A very short introduction. Oxford University Press JM Butler (2010). Fundamentals of forensic DNA typing. Academic Press R Rapley, D Whitehouse (2007). Molecular forensics. John Wiley and Sons W Goodwin, A Linacre, S Hadi (2007). An introduction to forensic genetics. John Wiley and
Sons
A Carracedo, F Barros (1996). Problemas bioestadsticos en gentica forense. Universidad de Santiago de Compostela
VL Bowyer (2007). Teal-Time PCR. Forensic Science, Medicine and Pathology B Budowle, A van Daal (2008). Forensically relevant SNP classes. Biotechniques JM Butler (2007). Short tandem repeat typing technologies used in human identity testing. Biotechniques EAM Graham (2007). DNA reviews: ancient DNA. Forensic Science, Medicine and Pathology EAM Graham (2008). DNA reviews: low level DNA profiling . Forensic Science, Medicine and Pathology N Morling (2009). PCR in forensic genetics. Biochemical Society Transactions R Alaeddini, SJ Walsh, A Abbas (2010). Forensic implications of genetic analyses from degraded DNA- a review. Forensic Science International: Genetics DA Ray, JA Walker, MA Batzer (2007). Mobile element-based forensic genomics. Mutation Research Bibliografa complementaria
(). . WJ Thieman, MA Palladino (2010). Introduccin a la biotecnologa. Pearson Education SA JC Avise (2004). Molecular markers, natural history, and evolution, 2 ed. Sinauer Associates T Strachan, AP Read (2010). Human molecular genetics 4th ed. Garland Science, Taylor and Francis group S Sasaki, H Shimokawa (1995). The amelogenine gene. International Journal of Developmental Biology AR Templeton (2007). Genetics and recent human evolution. Evolution PA Underhill y 20 autores ms (2000). Y chromosome sequence variation and the history of human populations. Nature Genetics DY Yang, K Watt (2005). Contamination controls when preparing archaelogical remains for ancient DNA analysis. Journal of Archaeological Science B Sobrino, M Brin, A Carracedo (2005). SNPs in forensic genetics: a review on SNP typing methodologies. Forensic Science International PM Schneider (2007). Scientific standards for studies in forensic genetics. Forensic Science International L Bronham, A Eyre-Walker, NH Smith, J Maynard Smith (2003). Mitochondrial Steve: paternal inheritance of mitochondria in humans. Trends in Ecology and Evolution
Recomendacins Materias que se recomenda ter cursado previamente Enxeara xentica e transxnese/610475101
Xenmica e Protemica/610475103 Bioinformtica/610475104
Materias que se recomenda cursar simultaneamente Aspectos legais e ticos en Biotecnoloxa/610475203
Materias que continan o temario PROXECTO FIN DE MSTER/610475006 PRCTICAS EXTERNAS/610475007
Observacins La asistencia a las clases magistrales posibilita el tratamiento de dudas o cuestiones que puedan surgir en el transcurso de las explicaciones, facilitando la comprensin de los temas. El estudio debe contemplar la consulta habitual de al menos la bibliografa recomendada El estudio y trabajo en grupo favorece la comprensin y desarrolla el espritu crtico. Las dudas y dificultades que plantee cualquier aspecto de la asignatura debern de resolverse lo antes posible, plantendolas en las clases presenciales o acudiendo a las tutoras individualizadas. Dado que parte de la bibliografa recomendada para esta materia se encuentra en ingls, es aconsejable tener conocimientos de esta lengua, por lo menos, a nivel de comprensin de textos escritos.
Datos Identificativos Asignatura Titulacin Descriptores Estatstica Espacial e Modelizacin MESTRADO UNIVERSITARIO EN BIOLOXA MARIA Crditos 3 Idioma Departamento Coordinacin Profesorado Web Casteln Galego Matemticas Fernndez Casal, Rubn Fernndez Casal, Rubn http://http://masterbiologiamarina.uvigo.es/ Correo ruben.fcasal@udc.es electrnico Cr. tericos 1.8 Cr. prcticos 1.2 Tipo Troncal Curso Primeiro Perodo Ciclo Cdigo 610485019
2 Mestrado cuadrimestre Oficial
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Competencias da titulacin BP1 BP2 BP4 BP1 BP5 BP13 BP15 BP6 BP8 Contidos Temas Subtemas
Planificacin
A Horas presenciais
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Descricin
Atencin personalizada Metodoloxas Descricin
Avaliacin Metodoloxas Descricin Cualificacin
Fontes de informacin Bibliografa bsica Bibliografa complementaria Recomendacins Materias que se recomenda ter cursado previamente
Datos Identificativos Asignatura Titulacin Descriptores Matemticas 1 GRAO EN QUMICA Crditos 6 Idioma Casteln Cr. tericos 5 Cr. prcticos 1 Tipo Troncal Curso Primeiro Perodo 1 cuadrimestre Ciclo Cdigo 610G01001
Departamento Matemticas Coordinacin Profesorado Otero Verea, Jose Luis Ferreiro Ferreiro, Ana Mara Gonzalez Taboada, Maria Otero Verea, Jose Luis Web Descricin xeral esta asignatura pretende el desarrollo de competencias que permitan al alumnado desarrollar un conocimiento critico del calculo diferencial e integral as como una pequea introduccin al algebra lineal y a las ecuaciones diferenciales Correo electrnico ana.fferreiro@udc.es maria.gonzalez.taboada@udc.es luis.verea@udc.es
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) clculo diferencial clculo integral lgebra lneal ecuaciones diferenciales Competencias da titulacin A15 A15 A15 A15 B2 B3 B2 B3 B2 B3 B2 B3 C3 C6 C3 C6 C3 C6 C3 C6
Contidos Temas Subtemas Funciones derivables. Regla de la cadena. Regla de LHopital.Teorema de Taylor. Crecimiento y decrecimiento. Extremos relativos. Concavidad y convexidad. Puntos de inflexin. Representacin grfica de funciones. Clculo numrico de races de una ecuacin Integral definida. Teorema fundamental del Clculo. Reglas bsicas de integracin. Integracin por sustitucin. Integracin por partes. Integracin por descomposicin en fracciones simples. Integrales trigonomtricas. Clculo de reas planas. Integracin numrica: mtodo de Simpson. Integrales impropias. Resolucin de sistemas de ecuaciones lineales. Mtodo de Gauss. Factorizacin LU Operaciones con matrices. Determinante de una matriz cuadrada.
clculo diferencial
clculo integral
lgebra lneal
Propiedades de los determinantes. Rango de una matriz. Matriz inversa. Teorema de Rouch-Frbenius. Regla de Cramer. Valores y vectores propios. Polinomio caracterstico y ecuacin caracterstica. Forma cannica diagonal. Teorema de Cayley-Hamilton Ecuaciones diferenciales de primer orden. Variables separables. Ecuaciones lineales. Ecuaciones diferenciales como modelos matemticos. Ecuaciones diferenciales lineales de orden 2. Sistemas lineales de ecuaciones diferenciales. Planificacin
ecuaciones diferenciales
A Horas presenciais
24 16 8 3

48 32 18 0

72 48 26 3
Sesin maxistral Solucin de problemas Traballos tutelados Proba de resposta mltiple
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Sesin maxistral Solucin de problemas Descricin desarrollo de los conceptos y resolucin de problemas Cuestionarios, boletines y exmenes que peridicamente se pondrn a disposicin de los alumnos sobre distintos contenidos y que el alumno tendr que resolver. Trabajo sobre temas propuestos por el profesor, se presentara un resumen terico junto con un boletn de problemas resueltos acerca del tema correspondiente prueba orientada a la evaluacin de los contenidos tericos que se trabajan en las sesiones magistrales Atencin personalizada Metodoloxas Sesin maxistral Solucin de problemas Traballos tutelados Descricin La atencin personalizada que se decribe en realacin a estas metodologas se conciben como momentos de trabajo presencial para el alumnado con el profesor, por lo que implican una participacin obligatoria para el alumando. La forma y el momento en que e desarrollar se indicar en relaccin a cada actividad a lo largo del curso segn el plan de trabajo de la asignatura
Traballos tutelados
Proba de resposta mltiple
Sesin maxistral Proba de resposta mltiple Traballos tutelados Solucin de problemas
preguntas al alumno exmen tipo test con 20 preguntas con cuatro opciones de respuesta y cada tres mal descuentan 1 desarrollo de aspectos concretos con ejemplos y problemas desarrollados entrega de boletines y exmenes resueltos
10 70 10 10
Observacins avaliacin Para superar a asignatura ser preciso obter, sumadas as cualificacins de tdalas actividades, unha nota mnima do 50% do total. Para obter a cualificacin de non presentado. sera suficiente que os alumnos non participen na proba de resposta mltiple. Na proba de xullo o criterio para superar a asignatura sera o anterior ou ben obter unha nota non inferior ao 50% da proba obxetiva. Polo que se refire a sucesivos cursos acadmicos, os alumnos, o proceso de ensinanza-aprendizaxe, incluida a avaliacin, refirese a un curso acadmico, e polo tanto voltara a comenzar cun novo curso, incluidas todas as actividades e procedementos de avaliacin que fosen programados para dito curso. Fontes de informacin Bibliografa bsica
LARSON (2006). CALCULO. McGrawHill
Bradley (). Clculo. Prentice Hall Finney (). Clculo. Addison-Wesley Alfonsa Garca (). Clculo I. CLGSA Salas / Hille / Etgen (). Clculus. Revert NEUHAUSER (2004 ). MATEMTICAS PARA CIENCIAS . Pearson
Observacins es conveniente tener conocimientos de matemticas de 2 bachillerato, si no los tiene se recomienda hacer el curso de nivelacin.
Datos Identificativos Asignatura Titulacin Descriptores Matemticas 2 GRAO EN QUMICA Crditos 6 Idioma Departamento Coordinacin Profesorado Casteln Matemticas Otero Verea, Jose Luis Jacome Pumar, Maria Amalia Otero Verea, Jose Luis Web maria.amalia.jacome@udc.es Correo electrnico luis.verea@udc.es Cr. tericos 5 Cr. prcticos 1 Tipo Troncal Curso Primeiro Perodo 2 cuadrimestre Ciclo Cdigo 610G01002
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) diferenciacin de funciones de varias variables integracin de funciones de varias variables ampliacin de ecuaciones diferenciales Desear experimentos, obter informacin e interpretar os resultados. Resolver problemas estatsticos de forma efectiva utilizando ferramentas bsicas das tecnoloxas da informacin e as comunicacins Contidos Temas Subtemas Funciones de varias variables. Nociones topolgicas. Curvas planas y ecuaciones paramtricas. Superficies en el espacio. Coordenadas polares, cilndricas y esfricas. Funciones reales de varias variables. Funciones escalares y vectoriales. Grficas y conjuntos de nivel. Concepto de continuidad. Diferenciacin de funciones de varias variables. Derivadas parciales. Derivada direccional. Diferencial de una funcin. Derivadas parciales de orden superior. Matriz Jacobiana. Regla de la cadena. Teorema de Taylor. Plano tangente a una superficie. Extremos de funciones de dos variables. Multiplicadores de Lagrange. Curvas de regresin: mnimos cuadrados. Integracin mltiple. Integral de lnea. Integrales iteradas. Integrales dobles. Cambio de variables: coordenadas polares. Integrales triples Cambio de variables: coordenadas cilndricas y esfricas. Aplicaciones. Integrales de lnea de funciones escalares y vectoriales. Aplicaciones. Teorema de Green y Stokes. Ecuaciones diferenciales de primer orden. Variables separables. Ecuaciones homogneas. Ecuaciones exactas. Ecuaciones lineales. Ecuaciones diferenciales como modelos matemticos. Ecuaciones diferenciales lineales de orden n. Ecuaciones diferenciales lineales homogneas. Variacin de parmetros.Coeficientes indeterminados. Sistemas lineales de ecuaciones diferenciales. Competencias da titulacin A15 A15 A15 A15 A15 B2 B3 B2 B3 B2 B3 B2 B3 B2 B3 C3 C6 C3 C6 C3 C6 C3 C6 C3 C6
diferenciacion de funciones de varias variables
integracin de funciones de varias variables
ampliacin de ecuaciones diferenciales
Modelado con sistemas de ecuaciones diferenciales. Estadstica Descriptiva Descripcin estadstica dunha variable Descripcin estadstica conxunta de varias variables Planificacin
A Horas presenciais
3 24 16 8

0 48 32 18

3 72 48 26
Proba de resposta mltiple Sesin maxistral Solucin de problemas Traballos tutelados
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Proba de resposta mltiple Sesin maxistral Solucin de problemas Descricin prueba orientada a la evaluacin de los contenidos tericos que se trabajan en las sesiones magistrales desarrollo de los conceptos y resolucin de problemas cuestionarios, boletines y exmenes que periodicamente se pondrn a disposicin de los alumnos sobre distintos contenidos y que el alumno tendr que resolver. trabajo sobre temas propuestos por el profesor, se presentara un resumen terico junto con un boletn de problemas resueltos acerca del tema correspondiente Atencin personalizada Metodoloxas Sesin maxistral Solucin de problemas Traballos tutelados Descricin La atencion personalizada que se describe en relacin a estas metodologias se conciben como momentos de trabajo presencial para el alumnado con el profesor, por lo que implican una participacin para el alumnado; la forma y el momento en que se desarrollar se indicar en relaccion a cada actividad a lo largo del curso segn el plan de trabajo de la asignatura.
Traballos tutelados
Avaliacin Metodoloxas Traballos tutelados Descricin Desarrollo de aspectos concretos con ejemplos y problemas resueltos Examen tipo test de 20 preguntas de Matemticas y 10 de Estadstica, con cuatro opciones de respuesta y cada tres mal descuentan una bien Preguntas al alumno Entrega de boletines y exmenes resueltos Cualificacin 10
Proba de resposta mltiple Sesin maxistral Solucin de problemas
70 10 10
Observacins avaliacin Para superar a asignatura ser preciso obter, sumadas as cualificacins de tdalas actividades, unha nota mnima do 50% do total. Para obter a cualificacin de NON PRESENTADO sera suficiente que os alumnos non participen na proba de resposta mltiple. Na proba de xullo o criterio para superar a asignatura ser o anterior ou ben obter unha nota non inferior ao 50% da proba obxetiva. Polo que se refire a sucesivos cursos acadmicos, o proceso de ensinanza-aprendizaxe, incluida a avaliacin, refrese a un curso acadmico, e polo tanto voltara a comenzar cun novo curso, incluidas todas as actividades e procedementos de avaliacin que fosen programados para dito curso. Fontes de informacin Bibliografa bsica Clculo . Larson . Mcgraw-Hill Ecuaciones diferenciales con aplicaciones de modelado. Zill. Thomson-Learning. CAO ABAD, R. y otros (2001). Introduccin a la estadstica y sus aplicaciones. Ed. Pirmide. MILLER, J.C. Y MILLER, J.N. (2002). Estadstica para Qumica Analtica. Addison-Wesley Iberoamericana. TOMEO PERUCHA V. y UA JUREZ I. (2003). Lecciones de Estadstica Descriptiva. Paraninfo. Bibliografa complementaria
(). . Clculo I. Alfonsa Garca. CLGSA Clculo II. Alfonsa Garca. CLGSA Problemas de funciones de varias variables . Alegre. PPU Ecuaciones diferenciales. Rainville. Prentice Hall. Ecuaciones diferenciales. Ayres. Mcgraw-Hill Clculo . Bradley. Prentice Hall Clculo . Finney. Addison-Wesley Clculus . Salas / Hille / Etgen. Revert GARCA LVAREZ-COQUE, C. Y RAMIS RAMOS, G. (2001). Quimiometra. Editorial Sntesis GONICK, L. Y SMITH, W. (2001). A estatstica en caricaturas! SGAPEIO MONGAY FERNNDEZ, C. (2005). Quimiometra. PUV PREZ LPEZ, C. (2001). Tcnicas Estadsticas con SPSS. Ed. Prentice-Hall Recomendacins Materias que se recomenda ter cursado previamente
Matemticas 1/610G01001
Observacins Es conveniente tener conocimientos de Matemticas 1. Para la parte de Estadstica, es recomendable asistir a las clases prcticas de ordenador.
Datos Identificativos Asignatura Titulacin Descriptores Matemticas GRAO EN BIOLOXA Crditos 6 Idioma Casteln Cr. tericos 6 Cr. prcticos 0 Tipo Troncal Curso Primeiro Perodo 1 cuadrimestre Ciclo Cdigo 610G02003
Departamento Matemticas Coordinacin Profesorado Otero Verea, Jose Luis Gonzalez Taboada, Maria Otero Verea, Jose Luis Web Descricin xeral esta asignatura pretende el desarrollo de competencias que permitan al alumnado desarrollar un conocimiento critico del calculo diferencial e integral as como una pequea introduccin al algebra lineal y a las ecuaciones diferenciales maria.gonzalez.taboada@udc.es luis.verea@udc.es
Correo electrnico
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) derivacin y aplicaciones de la derivada integracin y aplicaciones de la integral lgebra lineal y aplicaciones ecuaciones diferenciales y aplicaciones Competencias da titulacin A22 A22 A22 A22 B2 B3 B2 B3 B2 B3 B2 B3 C3 C6 C3 C6 C3 C6 C3 C6
Contidos Temas Subtemas Funciones derivables. Regla de la cadena. Regla de LHopital.Teorema de Taylor. Crecimiento y decrecimiento. Extremos relativos. Concavidad y convexidad. Puntos de inflexin. Representacin grfica de funciones. Clculo numrico de races de una ecuacin Integral definida. Teorema fundamental del Clculo. Reglas bsicas de integracin. Integracin por sustitucin. Integracin por partes. Integracin por descomposicin en fracciones simples. Integrales trigonomtricas. Clculo de reas planas. Integracin numrica: mtodo de Simpson. Integrales impropias. Resolucin de sistemas de ecuaciones lineales. Mtodo de Gauss. Factorizacin LU Operaciones con matrices. Determinante de una matriz cuadrada. Propiedades de los determinantes.
clculo diferencial
clculo integral
lgebra lneal
Rango de una matriz. Matriz inversa. Teorema de Rouch-Frbenius. Regla de Cramer. Valores y vectores propios. Polinomio caracterstico y ecuacin caracterstica. Forma cannica diagonal. Teorema de Cayley-Hamilton Ecuaciones diferenciales de primer orden. Variables separables. Ecuaciones lineales. Ecuaciones diferenciales como modelos matemticos. Ecuaciones diferenciales lineales de orden 2. Sistemas lineales de ecuaciones diferenciales. Planificacin
ecuaciones diferenciales
A Horas presenciais
24 15 8 4

48 30 20 0

72 45 28 4
Sesin maxistral Solucin de problemas Traballos tutelados Proba de resposta mltiple
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Sesin maxistral Solucin de problemas Descricin desarrollo de los conceptos y resolucin de problemas Cuestionarios, boletines y exmenes que peridicamente se pondrn a disposicin de los alumnos sobre distintos contenidos y que el alumno tendr que resolver. Trabajo sobre temas propuestos por el profesor, se presentara un resumen terico junto con un boletn de problemas resueltos acerca del tema correspondiente prueba orientada a la evaluacin de los contenidos tericos que se trabajan en las sesiones magistrales Atencin personalizada Metodoloxas Sesin maxistral Solucin de problemas Traballos tutelados Descricin La atencin personalizada que se decribe en realacin a estas metodologas se conciben como momentos de trabajo presencial para el alumnado con el profesor, por lo que implican una participacin obligatoria para el alumando. La forma y el momento en que e desarrollar se indicar en relaccin a cada actividad a lo largo del curso segn el plan de trabajo de la asignatura
Traballos tutelados
Avaliacin Metodoloxas Solucin de problemas Descricin entrega de boletines y exmenes resueltos Cualificacin 10
Traballos tutelados Proba de resposta mltiple Sesin maxistral
desarrollo de aspectos concretos con ejemplos y problemas desarrollados exmen tipo test con 20 preguntas con cuatro opciones de respuesta y cada tres mal descuentan 1 preguntas al alumno
10 70 10
Observacins avaliacin Para superar a asignatura ser preciso obter, sumadas as cualificacins de tdalas actividades, unha nota mnima do 50% do total. Para obter a cualificacin de non presentado. sera suficiente que os alumnos non participen na proba de resposta mltiple. Na proba de xullo o criterio para superar a asignatura sera o anterior ou ben obter unha nota non inferior ao 50% da proba obxetiva. Polo que se refire a sucesivos cursos acadmicos, os alumnos, o proceso de ensinanza-aprendizaxe, incluida a avaliacin, refirese a un curso acadmico, e polo tanto voltara a comenzar cun novo curso, incluidas todas as actividades e procedementos de avaliacin que fosen programados para dito curso. Fontes de informacin Bibliografa bsica
LARSON (2006). CALCULO. McGrawHill
Bradley (). Clculo. Prentice Hall Finney (). Clculo. Addison-Wesley Alfonsa Garca (). Clculo I. CLGSA Salas / Hille / Etgen (). Clculus. Revert NEUHAUSER (2004 ). MATEMTICAS PARA CIENCIAS . Pearson
Observacins es conveniente tener conocimientos de matemticas de 2 bachillerato, si no los tiene se recomienda hacer el curso de nivelacin.
Datos Identificativos Asignatura Titulacin Descriptores Estatstica GRAO EN BIOLOXA Crditos 6 Idioma Casteln Cr. tericos 6 Cr. prcticos 0 Tipo Troncal Curso Primeiro Perodo 2 cuadrimestre Ciclo Cdigo 610G02005
Departamento Matemticas Coordinacin Profesorado Estevez Perez, Maria Graciela Estevez Perez, Maria Graciela Jacome Pumar, Maria Amalia Web Descricin xeral Esta materia proporciona un primeiro contacto do alumnado coas tcnicas estatsticas: modelizacin estatstica, ferramentas estatsticas para o anlise de datos, procedementos de crtica e diagnose dos resultados e interpretacin dos resultados en termos do problema prantexado. graciela.estevez.perez@udc.es maria.amalia.jacome@udc.es
Correo electrnico
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Desear experimentos, obter informacin e interpretar os resultados Competencias da titulacin A20 A21 A26 A30 A31 B1 B2 B3 B4 B5 B6 B7 B8 B9 B10 B11 B12
Contidos Temas Teora de la Probabilidad Subtemas Fundamentos del Clculo de Probabilidades Variables aleatorias Algunas distribuciones de inters en Biologa. Descripcin estadstica de una variable. Descripcin estadstica conjunta de varias variables Introduccin Estimacin puntual Estimacin por intervalos de confianza Contrastes de hiptesis paramtricos Contrastes de hiptesis no paramtricos Anlisis de la varianza de un factor. Alternativas no paramtricas Planificacin
Estadstica Descriptiva
Inferencia Estadstica
A Horas presenciais
2 13 8 24 3

0 26 19.2 52.8 0

2 39 27.2 76.8 3
Proba de resposta breve Prcticas a travs de TIC Solucin de problemas Sesin maxistral Proba obxectiva
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Proba de resposta breve Prcticas a travs de TIC Solucin de problemas Descricin Cuestionarios de preguntas tipo test e/ou preguntas curtas co propsito de controlar a evolucin na parte de PROBABILIDADE. Prctica no Aula de Informtica para introducir o uso dun paquete estatstico e a resolucin de problemas a travs do programa. Seminarios en grupos reducidos para a exposicin e discusin de problemas dos distintos bloques temticos. Clases maxistrales presenciais nas que o profesor expondr os puntos fundamentais do programa terico convenientemente ilustrados con exemplos prcticos. Examen final dos contenidos tericos e prcticos das partes de ESTATSTICA DESCRIPTIVA e INFERENCIA ESTATSTICA consistente en preguntas curtas e/ou na resolucin razoada de problemas Atencin personalizada Metodoloxas Prcticas a travs de TIC Descricin Opcionalmente, poderase pedir a realizacin voluntaria dalgn traballo que consistira na resolucin dun problema prctico coa axuda dun paquete estatstico.
Sesin maxistral
Proba obxectiva
Avaliacin Metodoloxas Proba de resposta breve Proba obxectiva Descricin Cuestionario para evaluar a parte de PROBABILIDADE Cuestionario para evaluar a parte de DESCRIPTIVA e INFERENCIA ESTATISTICA ESTADSTICA Cualificacin 40 60
Observacins avaliacin Durante o curso realizaranse das probas, unha para avaliar os coecementos da parte de PROBABILIDADE (que representa o 40% da nota final), e outra para avaliar a parte de ESTATSTICA DESCRIPTIVA e INFERENCIA ESTATSTICA (que supor o 60% da nota final). As probas son eliminatorias, de modo que o alumno que supere todas as probas ter aprobada a asignatura, sen necesidade de presentarse exame final de maio/xullo. Para aprobar a asignatura ser necesario superar cada unha das das probas.
Os dous bloques (Probabilidade e Estatstica Descriptiva-Inferencia Estatstica) son independentes, de forma que o feito de superar un dos bloques non afecta nota do outro bloque. Quen non tea aprobada algunha das probas (ou non se tea presentado) ser avaliado nos exames oficiais das convocatorias de maio e/ou xullo. Nestas convocatorias as porcentaxes outorgadas a cada parte sern as que figuran arriba. Para obter a calificacin de NON PRESENTADO en maio, os alumnos non se podern ter presentado a ningunha das probas parciais eliminatorias. Para obter a calificacin de NON PRESENTADO en xullo, os alumnos non se podern ter presentado examen final desa convocatoria. Adicionalmente se valorar a asistencia e participacin nos seminarios, tutoras, clases prcticas, etc. podendo aumentar ata un punto o valor da calificacin final. En sucesivos cursos acadmicos ser necesario repetir todalas actividades e probas programadas, ainda que fosen superadas en cursos anteriores. Fontes de informacin Bibliografa bsica CAO ABAD, R. y otros (2001). Introduccin a la estadstica y sus aplicaciones. Ed. Pirmide. DE LA HORRA NAVARRO, J. (2001). Estadstica Aplicada. 2 Edicin. Daz de Santos. GONICK, L. Y SMITH, W. (2001). A estatstica en caricaturas!. SGAPEIO. MARTN, A. A. Y LUNA, J. C. (1999). Bioestadstica para las Ciencias de la Salud. 4 Edicin revisada. Ediciones Norma. MILTON, J. S. (2001). Estadstica para Biologa y Ciencias de la Salud.3 edicin. McGraw-Hill. PREZ LPEZ, C. (2001). Tcnicas Estadsticas con SPSS. Ed. Prentice-Hall. RIUS DAZ, F. y otros. (1999). Bioestadstica: Mtodos y Aplicaciones. Universidad de Mlaga. SAMUELS, M. L.; WITMER, J.A. Y SCHAFFNER, A. (2012). Fundamentos de estadstica para las ciencias de lavida. 4 edicin. Pearson Espaa TOMEO PERUCHA V. y UA JUREZ I. (2003). Lecciones de Estadstica Descriptiva. Paraninfo. RIUS DAZ, F. y BARN LPEZ, F.J. (2005). Bioestadstica. Thomson. Bibliografa complementaria BAR LLINAS, J. (1988). Estadstica Descriptiva, Clculo de probabilidades e Inferencia estadstica (tres volmenes). Ed. Parramn. CANAVOS, G.C. (1989). Probabilidad y Estadstica. Aplicaciones y mtodos. MacGraw-Hill. CUADRAS, C.M. y otros (1989). Ejercicios de Bioestadstica. Editorial Universitaria de Barcelona. HERNNDEZ, V. RAMOS, E. y YNEZ, I. (1995). Estadstica I. ITIS. UNED. DANIEL, W. W. (1991). Biostatistics. A Foundation for Analysis in the Health Sciences. J. Wiley. FISHER, L.D. Y VAN BELL, G. (1993). Biostatistics. A Methodology for the Health Sciences. John Wiley & Sons. JOHNSON, R. A. Y BAHTTACHARIYA, G. K. (1992). Statistical Principes and Methods. J. Wiley. MANN, P. S. (1995). Introductory Statistics. J. Wiley & Sons, INC. NAVIDI, W. (2006). Estadstica para ingenieros y cientficos. 1 Edicin, Mc Graw-Hill. PAGANO, M. Y GAUVREAU, K. (2001). Fundamentos de Bioestadstica. 2 Edicin. Math
Learning. PEA SNCHEZ DE RIVERA, D. (1991). Estadstica. Modelos y Mtodos, 1. Fundamentos. Alianza Universidad. QUESADA, V., ISIDORO, A. Y LPEZ, L. J. (1984). Curso y Ejercicios de Estadstica. Alhambra Universidad. ROSNER, B. (1990). Fundamentals of Biostatistics. PWS-KENT Publishing Company. SOKAL, R.R. Y ROHLF, F.J. (1995). Biometry. The Principles and Practice of Statistics in Biological Research. 3 Edicin. W. H. Freeman and Company. VIEDMA, J. A. (1976). Bioestadstica (Mtodos Estadsticos Aplicados a la Biologa y Medicina). Ed. del autor. ZAR, J.H. (1996). Biostatistical Analysis. Prentice Hall International Editions. RECURSOS WEB Pgina web del paquete SPSS . http://www.spss.com/ Interesante texto electrnico que incluye ejercicios de autoevaluacin. Annette Dobson et altri. University of Newcastle, Australia. http://www.anu.edu.au/nceph/surfstat/surfstathome/surfstat.html Permite trabajar con conceptos como el histograma, diagrama de cajas, etc. distinguiendo entre variables discretas y continuas. http://lstat.kuleuven.be/java/index.htm Calcula intervalos de confianza para la media, la varianza, y contrastes paramtricos y no paramtricos de una muestra y de dos. Adems visualiza los errores tipo I y II en funcin de los parmetros de las distribuciones normales en la hiptesis nula y alternativa. http://lstat.kuleuven.be/java/index.htm Versin html del libro Bioestadstica, escrito por F. Rius y F.J. Barn y editado por la editorial Thomson. http://www.bioestadistica.uma.es/libro/ Recomendacins Materias que se recomenda ter cursado previamente
Materias que continan o temario Anlise de datos en Bioloxa/610G02044
Observacins Recomndase: 1- Asistencia e participacin nas clases, tanto de ndole terico como prctico. 2- Realizacin de todos os problemas resoltos en clase con e sen axuda do software estatstico. 3- Complementar o material facilitado polo profesorado con axuda da bibliografa recomendada. 4- Lectura e estudo continuo da materia e realizacin dos cuestionarios e listados de problemas proporcionados polo profesorado. 5- Participacin activa nos seminarios programados para a presentacin e defensa de traballos propostos polo
profesorado. 6- Familiarizarse co software mediante un uso regular e continuado do mesmo. 7- Tentar aplicar as tcnicas estatsticas a problemticas prantexadas noutras materias do curso. 8- Uso regular e aproveitamento das sesins de titora personalizadas.
Datos Identificativos Asignatura Titulacin Descriptores Anlise de datos en Bioloxa GRAO EN BIOLOXA Crditos 6 Idioma Casteln Cr. tericos 4.5 Cr. prcticos 1.5 Tipo Troncal Curso Cuarto Perodo 1 cuadrimestre Ciclo Cdigo 610G02044
Departamento Matemticas Coordinacin Profesorado Web Descricin xeral Esta materia proporciona un primeiro contacto con tcnicas estatsticas avanzadas inclundo: modelizacin estatstica, ferramentas estatsticas para o anlise de datos, procedementos de crtica e diagnose dos resultados e interpretacin dos resultados en termos do problema prantexado. Os obxectivos son: - Adquirir unha visin ampla e integrada dos mtodos estatsticos resaltando de cada un deles os seus obxectivos e condicins de aplicabilidade. - Obter os coecementos precisos para unha anlise crtica e rigorosa dous resultados acadados. - Complementar a aprendizaxe da metodoloxa co apoio de software informtico Estevez Perez, Maria Graciela Estevez Perez, Maria Graciela Correo electrnico graciela.estevez.perez@udc.es
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Desear experimentos, obter informacin e interpretar os resultados Competencias da titulacin A20 A21 A22 A23 A26 A27 A29 A30 A31 B1 B2 B3 B4 B5 B6 B7 B8 B9 B10 B11 B12
Contidos Temas Inferencia non paramtrica Modelos de Regresin Simple Deseo e Anlise de Experimentos Subtemas Contrastes de bondade de axuste a unha distribucin Contrastes de aleatoriedade Modelo de regresin liar simple Outros modelos de regresin Principios bsicos. Planificacin dun experimento
Deseos cruzados bsicos cunha e varias fontes de variacin Deseos en bloques Deseos con efectos aleatorios Introduccin anlise da covarianza Descricin de datos multivariantes Anlise de Compoentes Principais Anlise da Varianza Mltiple Anlise Discriminante Anlise de Conglomerados Planificacin
Introduccin Anlise Multivariante
A Horas presenciais
4 14 5 24 3

10 23.8 9 55.2 0

14 37.8 14 79.2 3
Traballos tutelados Prcticas a travs de TIC Solucin de problemas Sesin maxistral Proba obxectiva
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Traballos tutelados Descricin Os alumnos elaborarn un ou dous traballos prcticos sobre aspectos relacionados cos distintos bloques temticos. Os traballos debern ser defendidos en seminarios con datas prefixadas de antemn. Prctica no Aula de Informtica para introducir o uso dun paquete estatstico e a resolucin de problemas a travs do programa. Resolucin de problemas co obxecto de que os estudantes podan exercitarse no manexo das tcnicas estatsticas. Clases maxistrales presenciais nas que o profesor expondr os puntos fundamentais do programa terico convenientemente ilustrados con exemplos prcticos. Examen final dos contidos tericos e prcticos da materia consistente en preguntas curtas e/ou na resolucin razoada de problemas. Atencin personalizada Metodoloxas Traballos tutelados Descricin Durante a realizacin dos traballos manteranse titoras co profesorado da materia de cara esclarecemento de dbidas e correccin de erros.
Prcticas a travs de TIC Solucin de problemas
Sesin maxistral
Proba obxectiva
Avaliacin Metodoloxas Traballos tutelados Descricin Aplicacin dalgunha tcnica Estatstica a casos prcticos Cualificacin 50
Proba obxectiva
Proba para avaliar os coecementos acadados
50
Observacins avaliacin Realizarase un seguimento continuado da adquisicin de coecementos mediante o control de asistencia as clases, tanto tericas como prcticas, a correccin de problemas resoltos polos estudantes, e o nivel mostrado no desenvolvemento dos seminarios. Para superar a asignatura (en calquera das convocatorias), ademais do exame oficial, cada alumno ter que realizar un ou dous traballos consistentes na aplicacin dalgunha tcnica estatstica estudada a algn caso prctico. A calificacin obtida nos traballos gardarase longo do presente curso acadmico. Os exames oficiais de maio e xullo constarn de dous tipos de probas complementarias de avaliacin de coecementos. Unha delas, de carcter prctico, realizarase no laboratorio e consistir na resolucin dunha serie de problemas coa axuda dun paquete estatstico. A segunda, de carcter terico, ser unha proba escrita con preguntas de tipo test ou de resposta breve. Tanto na convocatoria de maio como na de xullo, ser necesario superar as das probas complementarias de avaliacin de coecementos sinaladas nos prrafos anteriores (Traballos tutelados e Proba obxetiva) para obter unha avaliacin global positiva da materia. En calquera caso, superadas as devanditas probas, a cualificacin final poder ser incrementada ata en 1 puntos (sobre 10) en base s resultados do seguimento continuado ao longo do curso referido anteriormente. En calquera das das convocatorias anuis figurar un NON PRESENTADO nicamente naqueles casos nos que o alumnado non participe nos traballos nin se presente examen oficial. Fontes de informacin Bibliografa bsica Kuehl, R.O. (2001) Diseo de Experimentos.Principios estadsticos para el diseo y anlisis de investigaciones. 2nded. Thomson Learning. Milton, J.S. (2001). Estadstica para Biologa y Ciencias de la Salud , 3 Edicin,McGraw-Hill. Montgomery, D.C. (2005) Design and Analysis of Experiments. 6thEdtition J. Wiley and Sons. Pea, D. (2002). Anlisis de DatosMultivariantes . McGraw-Hill. Bibliografa complementaria Box, G.E.P., Hunter, W.G. & Hunter, J.S. (1978). Statistics for Experimenters. An introduction to Design, Data Analysis, and Model Building. Wiley Series in Probability and Mathematical Statistics. John Wiley & Sons, Inc. Cao,R. et al. (2001). Introduccin a la Estadstica y sus aplicaciones. Ed. Pirmide, Madrid. Dean, A. & Voss, D. (1999) Design and Analysis of Experiments. Springer-Verlag, New York. Ferrn Aranaz, M. (2001). SPSS para Windows. Anlisis Estadstico. Ed. MacGraw-Hill. Gibbons, J.D. & Chakraborti, S. (1992). Nonparametric Statistical Inference. 3rd ed. Marcel Dekker, New York (1992). Jobson, J.D. (1992). Applied Multivariate Analysis. Vol. II: Categorical and Multivariate Methods. Springer Texts in Statistics, Springer-Verlag: New York. Martn Andrs, A. & De Dios Luna del Castillo, J. (1994). Bioestadstica para las Ciencias de la Salud. 4 Edicin. Eds. NORMA S.A. Millard, S.P. & Neerchal, N.J. (2001) Environmental Statistics with S-Plus. Springer. CRC Press LLC.
 Prez, C. (2004). Tcnicas de Anlisis Multivariante de Datos. Aplicaciones con SPSS. Pearson. Prentice Hall. Prat, A., Tort-Martorell, X., Groma, P. & Pozueta, L. (1997). Metodos estadsticos. Control y mejora de la calidad. Edicions UPC (Universitat Politcnica de Catalunya). Zar, J.H. (1996). Biostatiscal Analysis. 3rd. ed. Prentice Hall International. Recomendacins Materias que se recomenda ter cursado previamente Estatstica/610G02005
Observacins 1- Asistencia e participacin nas clases, tanto de ndole terico como prctico. 2- Realizacin de todos os problemas resoltos en clase con e sen axuda do software estatstico. 3- Complementar o material facilitado polo profesorado con axuda da bibliografa recomendada. 4- Lectura e estudo continuo da materia e realizacin dos cuestionarios e listados de problemas proporcionados polo profesorado. 5- Participacin activa nos seminarios programados para a presentacin e defensa de traballos propostos polo profesorado. 6- Familiarizarse co software mediante un uso regular e continuado do mesmo. 7- Tentar aplicar as tcnicas estatsticas a problemticas prantexadas noutras materias do curso. 8- Uso regular e aproveitamento das sesins de titora personalizadas.
Datos Identificativos Asignatura Titulacin Descriptores Estatstica I ENXEEIRO EN INFORMTICA Crditos 6 Idioma Departamento Coordinacin Profesorado Web Descricin xeral Introducir al estudiante en los fundamentos de la teora de Probabilidad e Inferencia Estadstica. Los tres objetivos bsicos son: 1. anlisis de datos utilizando tcnicas elementales de Estadstica Descriptiva, 2. dominio de los conceptos bsicos de la Teora de Probabilidad y, 3. conocimiento de las herramientas fundamentales de inferencia Estadstica (estimacin puntual, estimacin por intervalos y contraste de hiptesis) Complementariamente el estudiante deber saber interpretar las salidas de algn software estadstico, para lo cal deber estar famialirizado con l. Matemticas Lombarda Cortia, Mara Jos Lombarda Cortia, Mara Jos Correo maria.jose.lombardia@udc.es electrnico Cr. tericos 3.5 Cr. prcticos 2.5 Tipo Troncal Curso Primeiro Perodo 2 cuadrimestre Ciclo Cdigo 614111101
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Conocer las distintas escalas de medida y posibilidades de las mismas en el anlisis estadstico. Competencias da titulacin A1 B1 B2 B3 B4 B5 B6 B7 B8 B9 B11 B12 B13 B15 B1 B2 B3 B4 B5 B6 B7 B8 B9 B11 B12 B13 B15 B1 B2 B3 B4 B5 B6 C1 C2 C3 C4 C5 C6 C7 C8
Saber discriminar entre los objetivos de un anlisis estadsitico: descriptivo o inferencial.
A1
C1 C2 C3 C4 C5 C6 C7 C8
Saber distinguir entre una poblacin estadstica y una muestra de la misma.
A1
C1 C2 C3 C4 C5 C6
B7 B8 B9 B11 B12 B13 B15 Conocer la base probabilistica de la inferencia estadstica, as como los principios generales de los modelos probabilsticos ms usuales. A1 B1 B2 B3 B4 B5 B6 B7 B8 B9 B11 B12 B13 B15 B1 B2 B3 B4 B5 B6 B7 B8 B9 B11 B12 B13 B15 B1 B2 B3 B4 B5 B6 B7 B8 B9 B11 B12 B13 B15 B1 B2 B3 B4 B5 B6 B7 B8 B9 B11 B12 B13 B15 B1 B2 B3 B4 B5 B6 B7 B8 B9 B11 B12 B13 B15
C7 C8
C1 C2 C3 C4 C5 C6 C7 C8
Conocer los principios y aplicaciones de los contrastes de hiptesis estadsticos.
A1
C1 C2 C3 C4 C5 C6 C7 C8
Sintetizar y describir una gran cantidad de datos seleccionando los estadsticos adecuados al tipo de variables y analizar las relaciones existentes entre ellas.
A1
C1 C2 C3 C4 C5 C6 C7 C8
Saber estimar parmetros desconocidos de una poblacin a partir de una muestra
A1
C1 C2 C3 C4 C5 C6 C7 C8
Saber comparar dos poblaciones a partir de parmetros caractersticos y desconocidos de las mismas.
A1
C1 C2 C3 C4 C5 C6 C7 C8
Saber formular problemas reales en trminos estadsticos (estimacin de parmetros, contrastes de hiptesis, etc.) y aplicar la inferencia estadstica a su resolucin.
A1
B1 B2 B3 B4 B5 B6 B7 B8 B9 B11 B12 B13 B1 B2 B3 B4 B5 B6 B7 B8 B9 B11 B12 B13 B15 B1 B2 B3 B4 B5 B6 B7 B8 B9 B11 B12 B13 B15 B1 B2 B3 B4 B5 B6 B7 B8 B9 B11 B12 B13 B15 B1 B2 B3 B4 B5 B6 B7 B8 B9 B11 B12 B13 B15 B1 B2 B3 B4 B5 B6 B7 B8
C1 C2 C3 C4 C5 C6 C7
Poseer destrezas en el manejo de tablas y paquetes estadsticos
A1
C1 C2 C3 C4 C5 C6 C7 C8
Ser capaces de planificar, coordinar y organizar un proyecto de trabajo
A1
C1 C2 C3 C4 C5 C6 C7 C8
Asumir la necesidad y utilidad de la Estadsitica como herramienta en su ejercicio profesional, siendo conscientes del grado de subjetividad y del riesgo de las decisiones basadas en resultados estadsticos.
A1
C1 C2 C3 C4 C5 C6 C7 C8
Ser capaces de trabajar en equipo, de manera colaborativa, y tambin de valorar el trabajo y apredizaje autnomo.
A1
C1 C2 C3 C4 C5 C6 C7 C8
Poseer una actitud crtica y responsable ante los trabajos encontrados
A1
C1 C2 C3 C4 C5 C6 C7 C8
B9 B11 B12 B13 B14 Contidos Temas Subtemas Conceptos generales. Distribuciones de frecuencias. Representaciones grficas. Medidas caractersticas. Vectores estadsticos. Regresin lineal. Correlacin. Conceptos generales. Definicin axiomtica de Kolmogorov. Asignacin de probabilidades: regla de Laplace. Definicin de probabilidad condicionada. Independencia de sucesos. Teoremas del producto, de la probabilidad total y de Bayes. Concepto de variable aleatoria unidimensional. Variables aleatorias discretas y continuas. Transformacin de variables aleatorias. Medidas caractersticas de una variable aleatoria. Desigualdad de Tchebychev. Variables aleatorias discretas notables: Bernouilli, Binomial, Poisson... Variables aleatorias continuas notables: Uniforme, Exponencial, Normal... Conceptos generales. Muestreo. Generacin de variables aleatorias. Propiedades de los estimadores. Mtodos de obtencin de estimadores. Concepto de intervalo de confianza. Intervalos para una muestra. Intervalos para dos muestras Conceptos generales. Procedimiento general de contraste de hiptesis. Contraste de hiptesis paramtricas con una muestra. Contraste de hiptesis paramtricas con dos muestra. Relacin entre intervalos de confianza y contrastes de hiptesis. Contrastes de bondad de ajuste. Contrastes de independencia. Planificacin
Descripcin estadstica de una variable.
Descripcin estadstica de varias variables.
Probabilidad.
Probabilidad condicionada.
Variables aleatorias unidimensionales.
Distribuciones notables discretas. Distribuciones notables continuas. Introduccin a la inferencia estadstica.
Estimacin puntual.
Estimacin por intervalos de confianza.
Contraste de hiptesis.
Contraste de hiptesis paramtricas.
Contraste de hiptesis no paramtricas.
A Horas presenciais
3

132

135
Proba obxectiva
15
15
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do
alumnado Metodoloxas Metodoloxas Descricin Al final del curso se har una prueba terico-prctica de la metodologa estudiada. El alumno deber demostrar su dominio de los aspectos tericos de la materia y su capacidad para la resolucin de problemas del mbito de la probabilidad y de la estadstica. Atencin personalizada Metodoloxas Proba obxectiva Descricin Para la resolucin de problemas ser importante atender personalmente a los alumnos ante las posibles dudas que puedan surgir. Esta atencin servir tambin, por una parte, al profesor para detectar posibles problemas en la metodologa utilizada para impartir la asignatura y, por otra, a los alumnos para consolidar conocimientos tericos y para expresar sus inquietudes acerca de la asignatura. Es tambin fundamental la atencin personalizada al estudiante durante las clases de prcticas de laboratorio, sobre todo hasta que no se familiarice con el software estadstico a utilizar.
Proba obxectiva
Avaliacin Metodoloxas Descricin Al final del curso se realizar una prueba terico-prctica de la metodologa estudiada. En ella deber demostrar su dominio de los aspectos tericos de la materia y su capacidad para la resolucin de problemas del mbito de la probabilidad y de la estadstica. Cualificacin
Proba obxectiva
100
Cao, R., Francisco, M., Naya, S., Presedo, M.A., Vzquez, M., Vilar, J.A. y Vilar, J.M. (2005). Introduccin a la Estadstica y sus aplicaciones. Ediciones Pirmide (Grupo Anaya)
Garca, A., Navarro, H., Yez, I., Ramos, E. y Vlez, R. (1995). Estadstica I. ITIS UNED Freund, J.E., Miller, I. y Miller, M. (2000). Estadstica matemtica con aplicaciones. Prentice Hall. 6Edicin Dougherty, K.R. (1995). Probabilidad y Estadstica para la Ingeniera. Revert Canavos, G.C. (1989). Probabilidad y Estadstica. McGraw-Hill Gonick, L. y Smith, W. (2001). La Estadstica en comic. SGAPEIO Garca, A., Navarro, H. y Vlez, R. (1995). Estadstica II. ITIS UNED Mendenhall, W., Scheaffer, R.L. y Wackerly, D.D. (1986). Estadstica matemtica con aplicaciones. Grupo Editorial Iberoamericana Mendenhall, W. y Sincich, T. (1997). Probabilidad y estadstica para ingeniera y ciencias. Prentice Hall
Moore, D.S. (1998). Estadstica aplicada bsica. Antoni Bosch Editor Scheffer, R.L. y McCleva, J.T. (1993). Probabilidad y estadstica para la ingeniera. Editorial Iberoamericana Devore, J.L. (2005). Probabilidad y Estadstica para Ingeniera y Ciencias. 6 Ed. Thomson Navidi, W. (2006). Estadsitica para ingenieros y cientficos. McGraw-Hill
Recomendacins Materias que se recomenda ter cursado previamente Clculo/614111108
Materias que se recomenda cursar simultaneamente lxebra/614111106
Materias que continan o temario Estatstica II/614111303
Datos Identificativos Asignatura Titulacin Descriptores Clculo ENXEEIRO EN INFORMTICA Crditos 7.5 Idioma Casteln Cr. tericos 4.5 Cr. prcticos 3 Tipo Troncal Curso Primeiro Perodo 1 cuadrimestre Ciclo Cdigo 614111108
Departamento Matemticas Coordinacin Profesorado Web Descricin xeral En esta asignatura se explican conceptos del anlisis de funciones de una variable real (continuidad, derivabilidad, integracin,...) y de funciones de varias variables reales, con aplicaciones, en ambos casos, a problemas reales de optimizacin y aproximacin de funciones. Se presenta una introduccin a la modelizacin matemtica de problemas de la biologa e ingeniera, junto con algunos mtodos analticos de resolucin de ecuaciones diferenciales ordinarias. Por ltimo, se introducen series numricas y funcionales, para explicar la aproximacin de una funcin mediante una serie de potencias. Hervella Nieto, Luis Maria Hervella Nieto, Luis Maria Correo electrnico luis.hervella@udc.es
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Saber analizar funciones representacin grfica. de una variable real: regularidad, optimizacin y Competencias da titulacin A1 A3 B1 B2 B3 B4 B5 B7 B8 B9 B11 B12 B13 B15 B1 B2 B3 B4 B5 B7 B8 B9 B11 B12 B13 B15 B1 B2 B3 B4 B5 B7 B8 B9 B11 B12 B13 C1 C3 C4 C6 C7 C8
Conocer las tcnicas de integracin de funciones de una variable y saber aplicarlas al clculo de longitudes, superficies y volmenes.
A1 A3
C1 C3 C4 C6 C7 C8
Saber analizar funciones de varias variables: lmites, diferenciacin, optimizacin con y sin restricciones.
A1 A3
C1 C3 C4 C6 C7 C8
B15 Conocer tcnicas de resolucin de ecuaciones diferenciales ordinarias sencillas. A1 A3 B1 B2 B3 B4 B5 B7 B8 B9 B11 B12 B13 B15 B1 B2 B3 B4 B5 B7 B8 B9 B11 B12 B13 B15 B1 B2 B3 B4 B5 B7 B8 B9 B11 B12 B13 B15 B1 B2 B3 B4 B5 B7 B8 B9 B11 B12 B13 B15 C1 C3 C4 C6 C7 C8
Conocer los principios de la modelizacin matemtica.
A1 A3
C1 C3 C4 C6 C7 C8
Saber aproximar funciones mediante series de potencias.
A1 A3
C1 C3 C4 C6 C7 C8
Saber utilizar una aplicacin informtica de clculo simblico para el desarrollo de los contenidos de la asignatura.
A1 A3
C1 C3 C4 C6 C7 C8
Contidos Temas Subtemas * Conjuntos numricos. Propiedades. * Lmite de una funcin en un punto. * Funciones continuas. Teorema de Bolzano. * Funciones derivables. Regla de la cadena. Regla de L'Hpital. Derivacin implcita. Aplicaciones. * Frmula de Taylor. * Integral de Riemann. Propiedades. Primitiva de una funcin. Aplicaciones de la integral. * * * * * Funcin escalar y vectorial. Curvas y superficies de nivel. Lmite de una funcin escalar. Continuidad. Derivadas parciales y direccionales. Gradiente. Propiedades. Matriz jacobiana. Regla de la cadena. Derivadas de orden superior. Extremos relativos. Extremos condicionados: multiplicadores de Lagrange.
1. Nociones bsicas.
2. Funciones de varias variables.
3. Ecuaciones diferenciales.
* Introduccin a las ecuaciones diferenciales. Conceptos bsicos. * Ecuaciones diferenciales de primer orden. Tipos. Existencia. * Ecuaciones diferenciles de orden n con coeficientes constantes. Mtodo de coeficientes indeterminados.
4. Series numricas y funcionales.
* * * * *
Sucesin de nmeros. Serie de nmeros. Operaciones. Convergencia de una serie. Propiedades. Criterios de convergencia. Series geomtricas. Series alternadas. Criterio de Leibnitz. Series de potencias.
5. Clculo con Maple.
* Conceptos generales. * Clculo diferencial e integral. * Sucesiones y series.
Planificacin
A Horas presenciais
45 15 15 5

45 45 17.5 0

90 60 32.5 5
Sesin maxistral Solucin de problemas Prcticas de laboratorio Proba mixta
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Descricin Con ayuda del can de vdeo, se proyectarn transparencias que se les habrn facilitado previamente a los alumnos y que contendrn un esquema de la asignatura. Se explicarn en la pizarra aportando ejemplos clarificadores. Se utilizarn applets creados explcitamente para la asignatura y otros disponibles por internet para mostrar grficamente algunos aspectos de la asignatura. Se plantearn problemas significativos para la asignatura o de exmenes de aos anteriores, que se resolvern en clase con la participacin de los alumnos. Se facilitar un boletn con una coleccin de problemas que los alumnos debern resolver como trabajo personal. Se ensear el uso del cdigo Maple, que permite implementar herramientas del clculo simblico, simplificando as muchas facetas de la asignatura y permitiendo al alumno centrarse en los conceptos que va aprendiendo. Se realizarn controles peridicos que permitirn a los alumnos superar esta parte de la asignatura. Se realizarn dos exmenes. Uno de ellos de la parte terica y de prcticas de pizarra que durar, aproximadamente, 3 horas y consistir en una coleccin de problemas, del mismo tipo que los que figuren en los boletines, y algunas cuestiones tericas. El otro examen ser de la parte de clculo con Maple. Lo realizarn slo aquellos alumnos que no hayan superado esta parte de la asignatura en los controles parciales que se irn realizando. Consistir en la resolucin, con la ayuda de este paquete informtico, de problemas de la asignatura. Atencin personalizada Metodoloxas Descricin
Sesin maxistral
Proba mixta
La diversidad de formacin del alumnado recomienda una orientacin que puede llevarse a cabo en el marco de una accin tutorial. Durante las prcticas de laboratorio, el profesor presente en el aula ayudar a los alumnos en el desarrollo de estas prcticas, instruyndoles en el manejo del paquete informtico Maple y ayudndoles en la a comprender algunos aspectos tericos de la asignatura.
Avaliacin Metodoloxas Prcticas de laboratorio Proba mixta Descricin Examen sobre la resolucin de problemas de la asignatura con ayuda de la herramienta Maple. Examen terico-prctico de los contenidos de la asignatura. Cualificacin 20 80
Observacins avaliacin La evaluacin de la asignatura consta de dos partes. La primera parte consiste en la realizacin de un examen de teora y problemas de la materia - en las fechas aprobadas por la Junta de Facultad -, que puntuar un mximo de 8 puntos. Los otros dos puntos se reservan a la calificacin de las prcticas de ordenador (con el paquete informtico Maple). Esta calificacin podr obtenerse mediante ejercicios y/o exmenes realizados a lo largo del cuatrimestre o bien mediante un examen prctico final que se realizar en cada convocatoria. Si en las convocatorias de junio o septiembre de 2010 se suspendiera globalmente la materia, se mantendr la nota de prcticas hasta la convocatoria de diciembre de 2010 (includa). Si no se aprueba la materia en ese momento, la nota de prcticas deja de tenerse en cuenta. Las notas de teora y prctica se sumarn directamente. No es necesario aprobar las dos partes por separado, ni ninguna de ellas en particular. Basta con que la suma de ambas sea una calificacin mayor o igual que 5 sobre 10. NOTA: Las calificaciones de prcticas con el ordenador obtenidas con anterioridad a enero de 2010 no se tendn en cuenta en las convocatorias de junio y septiembre del actual curso acadmico 2009/2010. Fontes de informacin Bibliografa bsica
Garca, A.; Lpez, A.; Rodrguez, G.; Romero, S.; De La Villa, A. (2002). Clculo (volumen 1). CLAGSA Bradley, G. L.; Smith, K. J. (1998). Clculo 1. Prentice Hall Smith, R. T.; Minton, R. B. (2003). Clculo 1. McGraw-Hill Smith, R. T.; Minton, R. B. (2003). Clculo 2. McGraw-Hill Bradley,G. L.; Smith, K. J. (1998). Clculo 2. Prentice Hall Stewart, J. (2001). Clculo de una variable. Thomson Learning Stewart, J. (2002). Clculo multivariable. Thomson Learning
Bastero, C.; Garca de Jaln, J.; Garay, A.; Ricondo, I.; Valencia, P. (1998). Aprenda Maple como si estuviera en primero. Universidad de Navarra Amillo,J.; Ballesteros, F.; Guadalupe, R.; Martn, L. (1996). Clculo. McGraw-Hill Garca, A.; Lpez, A.; Rodrguez, G.; Romero, S.; De La Villa, A. (2002). Clculo (volumen 2). CLAGSA Larson, R.; Hostetler, R,: Edwards, B. (1999). Clculo y geometra analtica. McGraw-Hill Galindo Soto, F.; Sanz Gil, J.; Tristn Vega, L. A. (2003). Gua Prctica de Clculo Infinitesimal en una variable real. Thomson
Galindo Soto, F.; Sanz Gil, J.; Tristn Vega, L. A. (2005). Gua Prctica de Clculo Infinitesimal en varias variables. Thomson Estvez Andreu, A.; Enciso Pizarro, J. (2005). Matemticas. McGraw-Hill (serie "Aprueba tu examen con Schaum") Tomeo Perucha, V.; Ua Jurez, I. San Martn Moreno, J. (2005). Problemas resueltos de Clculo en una variable. Thomson
Recomendacins Materias que se recomenda ter cursado previamente Estatstica I/614111101 Computacin Numrica/614111204
Observacins Se recomienda haber cursado en el Bachillerato las materias de Matemticas.
Datos Identificativos Asignatura Titulacin Descriptores Computacin Numrica ENXEEIRO EN INFORMTICA Crditos 6 Idioma Casteln Cr. tericos 3.5 Cr. prcticos 2.5 Tipo Troncal Curso Segundo Perodo 2 cuadrimestre Ciclo Cdigo 614111204
Departamento Matemticas Coordinacin Profesorado Web Descricin xeral En esta asignatura se presentan mtodos numricos elementales para resolver sistemas de ecuaciones lineales y ecuaciones no lineales, y para aproximar funciones, sus derivadas e integrales, y la solucin de ecuaciones diferenciales ordinarias. La asignatura constituye una primera aproximacin al Clculo Numrico y sienta las bases para el aprendizaje de otros mtodos numricos ms sofisticados, como los que se estudian en la asignatura optativa Mtodos de Clculo Numrico y en el Master en Ingeniera Matemtica que oferta la Facultad. Los mtodos que se estudian en esta asignatura se pueden emplear para resolver problemas que surgen en una gran variedad de mbitos, y en particular, en las asignaturas Estadstica II, Investigacin Operativa, Teora de Colas, Simulacin Estadstica, Teora de Cdigos, Medios de Transmisin, Tratamiento Digital de la Seal, Sistemas de Tiempo Real, Sistemas de Control por Ordenador, Grficos en Computacin y Optimizacion del Procesamiento Paralelo. La asignatura permite a los alumnos comprender el trasfondo de muchos de los programas informticos comerciales que utilizarn en el desarrollo de su actividad profesional, favorece un uso crtico de los mismos y proporciona herramientas para que sean capaces de modificarlos, as como de implementar aplicaciones especficas de clculo cientfico. Iglesias Otero, Maria Teresa Iglesias Otero, Maria Teresa Correo electrnico maria.teresa.iotero@udc.es
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Conocer el lenguaje propio del Clculo Numrico. Competencias da titulacin A1 A3 A6 A7 A1 A3 A6 A7 B1 B4 B7 B8 B13 B1 B2 B3 B4 B6 B7 B8 B11 B12 B13 B15 B1 B2 B3 B4 B6 B7 B8 B11 B12 C1 C4 C7 C8 C1 C4 C6 C7 C8
Ser consciente de la importancia de los errores de redondeo en los clculos que realiza el ordenador.
Conocer los mtodos numricos que se presentan en la asignatura, sus propiedades de convergencia y su mbito de aplicacin.
A1 A3 A6
C1 C4 C6 C7 C8
B13 B15 Ser capaz de utilizar de forma crtica los mtodos numricos que se estudian en la asignatura. A3 A6 B1 B2 B3 B4 B6 B7 B8 B11 B12 B13 B15 B1 B2 B3 B4 B5 B6 B7 B8 B9 B10 B11 B12 B13 B14 B15 B1 B2 B3 B4 B7 B8 B9 B11 B12 B13 B15 B1 B2 B4 B11 B12 B15 A1 A3 A6 A8 B1 B2 B3 B4 B6 B7 B8 B9 B11 B12 B13 B15 B1 B2 B3 B4 B6 B7 B8 B9 B11 B12 B13 B15 C1 C4 C6 C7 C8
Ser capaz de implementar de forma eficiente en Fortran los mtodos numricos estudiados en la asignatura.
A1 A3 A6 A8
C1 C3 C4 C6 C7 C8
Ser capaz de comparar el rendimiento de distintos algoritmos cuando se utilizan para resolver el mismo problema.
A3 A6 A8
C1 C3 C4 C6 C7 C8
Tener una buena disposicin para la resolucin de problemas.
C6 C7 C8
Ser capaz de valorar la dificultad de un problema y de elegir el mtodo numrico ms adecuado para resolverlo (de entre los estudiados).
C1 C6 C7 C8
Ser capaz de utilizar la bibliografa y las herramientas TIC disponibles para encontrar la informacin necesaria para resolver un problema dado.
A1 A3 A6
C1 C3 C4 C6 C7 C8
Contidos Temas Subtemas 1. Definicin de Anlisis Numrico. Mtodos constructivos. 2. Tipos de problemas en Anlisis Numrico. Fuentes de error. 3. Error absoluto y error relativo. Cifras significativas. 1. Introduccin al Anlisis Numrico 4. Representacin de nmeros en coma flotante. El estndar IEEE 754. Exactitud de la representacin. Errores de overflow y underflow. 5. Aproximacin por redondeo y redondeo a cero. 6. Errores de redondeo y estabilidad numrica. 7. Problemas bien condicionados y mal condicionados. 1. Algunos conceptos previos: Separacin de races. Condicionamiento en la evaluacin de una funcin. Orden de convergencia. Criterios de parada. 2. Mtodo de biseccin. 2. Resolucin numrica de ecuaciones no lineales 3. Mtodos de punto fijo. 5. Mtodo de Newton-Raphson. 6. Variantes del mtodo de Newton-Raphson: Mtodo de Newton simplificado. Mtodo de Newton de paso p. Modificacin de Schrder. 1. El problema general de la interpolacin 2. Interpolacin polinmica de Lagrange: 2.1 Existencia y unicidad del polinomio de interpolacin de Lagrange. 2.2 Clculo del polinomio de interpolacin de Lagrange. 2.3 Acotacin del error 3. Interpolacin polinmica 3.Interpolacin polinmica de Hermite: 3.1 Existencia y unicidad del polinomio de interpolacin de Hermite. 3.2 Clculo del polinomio de interpolacin de Hermite. 3.3 Acotacin del error. 4. Interpolacin por splines: 4.1 Concepto de spline interpolador de orden p. 4.2 Clculo del spline lineal. 4.3 Clculo del spline cbico. 1. El problema de la derivacin numrica. 4. Derivacin numrica 2. Derivacin numrica de tipo interpolatorio polinmico. Acotacin del error. 3. Deduccin de frmulas de derivacin numrica usando desarrollos de Taylor. 1. Motivacin. El problema de la integracin numrica. 2. Conceptos de frmula de integracin numrica, error de integracin numrica y grado de precisin de una frmula. 5. Integracin numrica 3. Integracin numrica de tipo interpolatorio polinmico. Acotacin del error. 4. Propiedades de las frmulas de tipo interpolatorio polinmico. 5. Frmulas de Newton-Cotes. Acotacin del error. 6. Frmulas de cuadratura compuesta. 1. Descripcin del problema. Solucin algebraica y solucin numrica. 6. Resolucin numrica de sistemas de ecuaciones lineales 2. Algunas definiciones y propiedades: Autovalores y autovectores. Radio espectral de una matriz. Normas vectoriales. Normas vectoriales equivalentes. Normas matriciales subordinadas a normas vectoriales. Sucesiones de vectores y de matrices. 3. Condicionamiento de un sistema de ecuaciones lineales. 4. Mtodos directos: Resolucin de sistemas de matriz diagonal y triangular. Mtodo
LU. Mtodo de CholesKy. 5. Mtodos iterativos lineales: 5.1 Motivacin. Estructura de un mtodo iterativo lineal. 5.2 Criterios de parada. 5.3 Mtodos de descomposicin: Mtodo de Jacobi. Mtodo de Gauss-Seidel. Mtodo de relajacin. 5.4 Convergencia de los mtodos iterativos lineales. 1. Motivacin. Clasificacin de los mtodos. 7. Resolucin numrica de ecuaciones diferenciales ordinarias 2. Mtodos de un paso: 2.1 Mtodo de Euler explcito. 2.2 Mtodo de Euler implcito. 2.3 Mtodo del trapecio. 2.4 Mtodos de Taylor. 1. El lenguaje Fortran. 2. Implementacin de mtodos numricos en lenguaje Fortran. Planificacin
8. Programacin de mtodos numricos en Fortran
A Horas presenciais
1 3

26 120

27 123
Prcticas de laboratorio Proba obxectiva
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Descricin Dado que ya no hay docencia presencial, al igual que sucede con la prueba objetiva, la nica metodologa posible es el trabajo personal del alumno que es el responsable de alcanzar los conocimientos que le permitan abordar un examen. En dicho examen se evalan los conocimientos de programacin, en lenguaje Fortran, de los mtodos numricos desarrollados en los contenidos de la asignatura. Debemos destacar que este examen se dirige a los alumnos que no hayan sido evaluados positivamente en dicha parte prctica con anterioridad. Se evalan, a travs de un examen al final del cuatrimestre, los conocimientos obtenidos a lo largo del curso mediante una prueba compuesta por varios ejercicios tericos y/o prcticos. Atencin personalizada Metodoloxas Descricin
Proba obxectiva
Avaliacin Metodoloxas Prcticas de laboratorio Descricin Se evala el trabajo realizado por el alumno durante cursos acadmicos previos en las clases prcticas de laboratorio. En su defecto, se valora el correspondiente examen prctico. Cualificacin 10
Proba obxectiva
Se trata de un examen escrito sobre los contidos (teora y problemas) de toda la asignatura. Valora pues tanto los conocimientos tericos adquiridos como la capacidad de resolucin de problemas por parte del alumno.
90
Observacins avaliacin As das metodoloxas que computan para a avaliacin da asignatura son probas presenciis. Para aprobar a asignatura, a suma das cualificacins obtidas no exame prctico e na proba objectiva debe acadar cinco puntos (sobre 10). Fontes de informacin Bibliografa bsica
Epperson, J.F. (2007). An Introduction to Numerical Methods and Analysis. John Wiley and Sons Burden, R.L. y Faires, J.D. (2002). Anlisis Numrico. Thomson Learning
Kincaid, D. y Cheney, W. (1994). Anlisis Numrico: las matemticas del clculo cientfico. . Addison-Wesley Quarteroni, A. y Saleri, F. (2006). Clculo cientfico con MATLAB y Ocatve. Springer Bibliografa complementaria
Faires, J. D. y Burden, R. (2004). Mtodos numricos. Thomson Learning Stewart, G.W. (1996). Afternotes on Numerical Analysis. SIAM Isaacson, E. y Keller, H.B. (2004). Analysis of numerical methods. Dover Atkinson, K. y Han, W. (2004). Elementary Numerical Analysis. John Wiley and Sons Metcalf, M., Reid, J. y Cohen, M. (2004). Fortran 95/2003 explained. Oxford University Press Stoer, J. y Bulirsch, R. (2002). Introduction to Numerical Analysis. Springer Viao, J. M. (1995). Lecciones de Mtodos Numricos 1. Introduccin general y anlisis de errores.. Trculo Viao, J. M. (1997). Lecciones de Mtodos Numricos 2. Resoluccin de ecuaciones numricas. Trculo Viao, J. M. y Burguera, M. (2000). Lecciones de Mtodos Numricos 3. Interpolacin. Trculo Golub, G.H. y Van Loan, C.F. (1996). Matrix Computations. The Johns Hopkins University Press Conde Lzaro, C. y Winter Althaus, G. (1990). Mtodos y Algoritmos Bsicos del lgebra Numrica. Revert Moler, C. (2004). Numerical Computing with Matlab. SIAM Snchez, J. M. e Souto, A. (2005). Problemas de Clculo Numrico para ingenieros con aplicaciones Matlab. McGraw-Hill Garca Merayo, F., Martn Ayuso, V., Boceta Martnez, S. y Salete Casino, E. (2005). Problemas resueltos de programacin en Fortran95. Thomson Hairer, E., Norsett, S.P. y Wanner, G. (1993). Solving Ordinary Differential Equations I-Nonstiff Problems. Springer
Aubanell, A., Benseny, A. y Delshams, A. (1993). tiles bsicos de clculo numrico. Labor
Recursos recomendados en la web:

Documentacin de Fortran: http://triton.fcaglp.unlp.edu.ar/fortran/index.html Enlaces y recursos sobre Fortran:
- Fortran.com, en http://www.fortran.com/ - Fortran Open Directory, en http://www.dmoz.org/Computers/Programming/Languages/Fortran/ - Fortran At York, en http://www.cse.yorku.ca/~roumani/fortran
Compiladores de Fortran (parcialmente compatibles con Fortran 2003):

- GFortran, en http://gcc.gnu.org/fortran (Compilador de GNU, parte de (GCC)).
Este compilador tambin se puede descargar de http://gcc.gnu.org/wiki/GFortrany , desde donde tambin se pued acceder a otra informacin de inters.
- G95, en http://www.g95.org/
Este compilador se basa en GCC y en la actualidad lo desarrolla A. Vaught.
- Entorno grfico Photran:
En lugar de utilizar los dos compiladores anteriores en entorno de comandos, se recomienda usar un entorno grfic como Photran, que se puede encontrar en http://www.eclipse.org/photran/
- A travs del listado http://www.thefreecountry.com/compilers/fortran.shtml se pueden encontrar otros muchos compiladores libres.
Libreras y herramientas de Fortran:

- Slax -Edicin Fortran, en http://triton.fcaglp.unlp.edu.ar/slax/index.html
Se trata de una distribucin LiveCD del sistema operativo GNU/Linux orientada a estudiantes de Matemticas o Ingeniera que comienzan a programar en Fortran. Incluye programas especficos de programacin en Fortran y de Anlisis Numrico (por ejemplo, GFortran, Lapack, GNUplot, Octave y Maxima).
- En http://ww.netlib.org se presenta una coleccin de software matemtico, entre el que se incluye la librera Lapack.
- GNUplotFortran, en http://gnuplotfortran.sourceforge.net/
Es un interfaz de GNUplot para Fortran 95. Puede ser til para realizar grficos. - F90GL, en http://math.nist.gov/f90gl/ Permite realizar grficos con OpenGL para Fortran 90.
- Es interesante el listado de libreras libres y comerciales proporcionado en http://www.fortran.com/tools.html
Recomendacins Materias que se recomenda ter cursado previamente lxebra/614311106 Clculo/614311108 Programacin/614311109
Datos Identificativos Asignatura Titulacin Descriptores Estatstica II ENXEEIRO EN INFORMTICA Crditos 5 Idioma Departamento Matemticas Coordinacin Profesorado Web Descricin xeral Vilar Fernandez, Juan Manuel Vilar Fernandez, Juan Manuel Correo electrnico juan.vilar@udc.es Cr. tericos 2.5 Cr. prcticos 2.5 Tipo Troncal Curso Terceiro Perodo 2 cuadrimestre Ciclo Cdigo 614111303
http://http://http://www.udc.es/dep/mate/estadistica2/estadistica_2.htm Pretndese que o alumno coeza e aprenda a utiliza-los modelos de deseo de experimentos e anlise de regresin lineal. A docencia da materia ter un carcter eminentemente prctico, centrndose na presentacin e interpretacin dos distintos modelos (formulacin matemtica, hipteses supostas, etc.) e na sa aplicacin na prctica (estimacin, anlise crtica dos resultados obtidos e estudio dos problemas que se poden presentar); apoindose no emprego dun paquete estatstico (principalmente Statgraphics). Sera especialmente recomendable ter superado a materia de Estatstica I e sera convinte tamn ter cursado outras con contido matemtico (como por exemplo lxebra e Clculo). Esta materia ser de utilidade para outras da titulacin, como por exemplo as relacionadas co tratamento do sinal (Medios de Transmisin, Tratamento Dixital do Sinal), Intelixencia Artificial, Linguaxes Naturais, Redes de Neuronas Artificiais, Tcnicas de Simulacin, as relacionadas co recoecemento de imaxes, etc. Ademais doutras da mesma rea como Mtodos Estatsticos ou Simulacin Estatstica.
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Aprender de maneira autnoma novos coecementos e avanzadas axeitadas para a investigacin e anlisis de datos Resolver problemas estatsticos de forma efectiva. Aplicar un pensamento crtico, lxico e creativo no plantexamento e resolucin de problemas estatsticos. Traballar en equipos de carcter interdisciplinar con necesidades estatsticas Capacidade para a anlise e a sntese na resolcucin de problemas con contidos estatsticos Valorar criticamente o coecemento e a tecnoloxa estatstica para resolver os problemas cos que deben enfrontarse. Valorar a importancia que ten a investigacin, a innovacin e o desenvolvemento tecnolxico no avance socioeconmico e cultural da sociedade. Contidos Temas Subtemas 1.1. Inferencia estatstica (repaso) 1.2. Tests de hipteses paramtricos (repaso) 1.3. Tests de hipteses non paramtricas: Tests de bondade de axuste e de aleatoriedade 2.1. Introducin 2.2. Resumo dos principais conceptos 2.3. Principios bsicos do deseo de experimentos: Repeticin do experimento, homoxeneidade estatstica das comparacins, tcnicas estatsticas Competencias da titulacin A1 B1 B3 B8 B12 C6 C8
Tema 1. Conceptos bsicos de inferencia estatstica Tema 2. Principios bsicos do deseo de experimentos Tema 3. Deseos cunha fonte de variacin Tema 4. Deseos con dous ou mis fontes de variacin Tema 5. Regresin lineal simple Tema 6. Regresin lineal mltiple
principio de aleatorizacin 2.4. Clasificacin dos deseos de experimentos 2.5. Algns deseos experimentais clsicos 3.1. Deseo cun factor completamente aleatorizado de efectos fixos 3.2. Diagnose do modelo do ANOVA I 3.3. Deseo cun factor completamente aleatorizado de efectos aleatorios 4.1. Deseo en bloques completamente aleatorizado (con replicacin; ANOVA II sen interaccin) 4.2. Deseo con dous factores completamente aleatorizado (ANOVA II con interaccin) 4.3. Outros deseos clsicos de experimentos: Deseo con tres factores completamente aleatorizado, deseos en cadrado latino e greco-latino 5.1. Introducin: Regresin e correlacin 5.2. O modelo de regresin lineal simple 5.3. Estimacin e propiedades dos estimadores dos parmetros 5.4. Bondade do axuste 5.5. Predicin en regresin lineal simple 5.6. Diagnose do modelo 6.2 O modelo lineal xeral de regresin 6.3 Estimacin e propiedades dos estimadores dos parmetros 6.4 Bondade do axuste 6.5 Outros contrastes de interese (modelo completo e reducido) 6.6 Predicin en regresin lineal mltiple 6.7 Diagnose do modelo: multicolinealidade 6.8 Mtodos para a seleccin de variables explicativas Planificacin
A Horas presenciais
14 14 28 1 1.5

10.5 10.5 42 0.5 0

24.5 24.5 70 1.5 1.5
Solucin de problemas Prcticas de laboratorio Sesin maxistral Actividades iniciais Proba mixta
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Solucin de problemas Prcticas de laboratorio Descricin Resolucin de ejercicios ("a mano") con la ayuda de la calculadora y tablas estadsticas. Empleando un paquete estadstico (statgrahics, R, ...), los alumnos resolvern distintos tipos de problemas.
Sesin maxistral
Se emplear el proyector para la presentacin de los distintos temas (moodle), incluyendo grficos y simulaciones para ayudar a entender los distintos conceptos. Tambin se recurrir a la pizarra para explicaciones adicionales y se mostrarn ejemplos con algn paquete estadstico. Presentacin de la asignatura. Exposicin de los recursos disponibles (pgina web, bibliografa de referencia) Examen con una parte tipo test, con cuestiones que se centraran principalmente en los conceptos ms tericos y en habilidades que debera haber adquirido el alumno (como por ejemplo la interpretacin de resultados grficos), y otra prueba que constara de dos ejercicios anlogos a los vistos en las clases tericas y en las prcticas de pizarra Atencin personalizada
Actividades iniciais
Proba mixta
Metodoloxas Solucin de problemas
Descricin Resolucin de ejercicios propuestos de los distintos temas
Avaliacin Metodoloxas Descricin Se evaluar con una prueba escrita de ejercicios anlogos a los vistos en las clases tericas y en las prcticas, que el alumnos debera resolver con la ayuda de la calculadora y tablas estadsticas. En los ejercicios se preguntar de diseo de experimentos y de regresin lineal. Opcionalmente se podra realizar ejercicios prcticos para subir nota. Se evaluar principalmente a travs de la prueba tipo test. Cualificacin
45
Prcticas de laboratorio Sesin maxistral
10 45
Fontes de informacin Bibliografa bsica -Montgomery, C., Diseo y Anlisis de Experimentos, Grupo Editorial Iberoamerica, 1991, Libro, -Pea D. , Estadstica, modelos y mtodos. 2: Modelos lineales y series temporales. 2nd. ed, Alianza Universidad Textos., 1989, Libro, -Pea D. , Regresin y Diseo de Experimentos, Alianza Editorial, 2002, Libro, -Ricardo Cao, Mario Francisco, Salvador Naya, Manuel Presedo, Margarita Vzquez, Jos A. Vilar and , Introduccin a la estadstica y sus aplicaciones, Ediciones Pirmide, 2001, Libro, -Vilar Fernndez, J.M., Modelos estadsticos aplicados, Universidade da Corua, Servicio de publicacins., 2003, Libro, Bibliografa complementaria Bibliografa adicional est disponible en la web de la asignatura: http://www.udc.es/dep/mate/estadistica2/estadistica_2.htm Recomendacins Materias que se recomenda ter cursado previamente Estatstica I/614111101 Clculo/614111108
Materias que continan o temario Mtodos Estatsticos/614111628
Observacins Los alumnos deberan tener cursada la asignatura de Estadstica I y sera deseable que hubieran superado otras con contenido matemtico como por ejemplo Algebra, Clculo Matemtica Discreta. Esta asignatura tambin ser de utilidad para otras de correspondiente titulacin como por ejemplo, las relacionadas con el tratamiento de la seal (Medios de Transmisin, Tratamiento Digital de la Seal), Inteligencia Artificial, Lenguajes Naturales, Redes de Neuronas Artificiales, Tcnicas de Simulacin y las relacionadas con el reconocimiento de imgenes e, entre otras. Adems de otras de de la misma rea como Mtodos Estadsticos o Simulacin Estadstica.
Datos Identificativos Asignatura Titulacin Descriptores Investigacin Operativa ENXEEIRO EN INFORMTICA Crditos 4.5 Idioma Casteln Cr. tericos 2.25 Cr. prcticos 2.25 Tipo Troncal Curso Terceiro Perodo 1 cuadrimestre Ciclo Cdigo 614111305
Departamento Matemticas Coordinacin Profesorado Web Descricin xeral Carpente Rodriguez, Maria Luisa Carpente Rodriguez, Maria Luisa http://http://193.144.60.241/~io/ El futuro Ingeniero en Informtica debera estar capacitado para trabajar en todos los departamentos de la empresa, aunque fundamentalmente se agrupen en el departamento de informtica. Los campos ms profesionalizados son: centros de clculo, empresas de hardware, entidades financieras, de telecomunicaciones, de electricidad, de alta tecnologa, de seguridad y consultoras informticas. Tambin es frecuente que se dedique al ejercicio libre de la profesin como analista y programador. Algunas de las actividades que puede llegar a realizar un Ingeniero en Informtica son, fundamentalmente, las siguientes: direccin de informtica y departamentos de desarrollo, direccin y organizacin de proyectos informticos y centros de programacin de datos, diseo, seleccin y evaluacin de infraestructura de computacin y lgica, mantenimiento de infraestructuras, optimizacin de mtodos y medios de comunicacin con el ordenador y los usuarios, concepcin de proyectos y aplicaciones para su posterior anlisis y ejecucin, arquitectura, anlisis y diseo de sistemas informticos, tcnicas de sistemas, bases de datos y comunicaciones, consultora tcnica, auditora informtica, inteligencia artificial y nuevas tecnologas en general, investigacin, formacin y docencia. Casi todas las salidas profesionales mencionadas, involucran procesos de tomas de decisiones, adems de requerir una cierta destreza en el conocimiento de modelos matemticos bsicos. Por todo ello, es necesaria una formacin bsica en la ciencia de las decisiones: la Investigacin Operativa. No se pretende con este curso formar a profesionales en este campo, pero s familiarizar al estudiante con su metodologa y aplicaciones. De aqu, el carcter prctico que se pretende dar al curso, donde prima la resolucin de problemas y el manejo de herramientas informticas bsicas sobre el desarrollo exhaustivo de contenidos matemticos relacionados con los temas propuestos para el curso. Correo electrnico luisa.carpente@udc.es
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Capacidad de anlisis y sntesis. Puesto que la materia requiere abstraer un modelo matemtico de una realidad casi siempre compleja. Capacidad de organizacin y planificacin. La metodologa de la Investigacin Operativa, los problemas planteados y los mecanismos de solucin de tales problemas potencian claramente esta capacidad. Conocimiento de una lengua extranjera. Mucha documentacin, sobre todo de los paquetes informticos utilizados, algunas de las referencias bibliogrficas y gran parte de los recursos en la web estn en ingls. Conocimientos de software informtico relativo al mbito de estudio. La dimensin de los problemas reales de Investigacin Operativa hace necesario el uso de programas especficos de ordenador que realicen los clculos, para as obtener una solucin en un intervalo razonable de tiempo. Capacidad de gestin de la informacin. Las situaciones planteadas a lo largo del curso involucran gran cantidad de datos que hay que saber organizar. Capacidad de resolucin de problemas. El mbito de aplicacin de esta disciplina conduce, de una forma clara, a fomentar esta capacidad. A5 Competencias da titulacin A5 B1 B2 B2 B5 B7 B4 B14 C2
C3
A7 A1
B10 B2 B3 B4 B5 B9 C1 C7 C8
B11 B14 Saber obtener informacin de forma efectiva a partir de libros, revistas especializadas y otros recursos documentales. Capacidad de trabajar en equipo e interactuar con personas de otras disciplinas. Los problemas que se plantean en Investigacin Operativa conciernen a distintas realidades, por lo que se hace imprescindible la comunicacin con expertos en otras materias para organizar y contextualizar la informacin. Razonamiento crtico y capacidad de tomar decisiones. La metodologa de trabajo de la Investigacin Operativa hace necesario el cuestionarse la validez de una solucin en el contexto real, lo que evidentemente fortaleza las capacidades mencionadas. Compromiso tico. B4 B11 B5 B7 B13 B9 B11 C4 C5 C7 C8 A1 B1 B2 B3 B4 B5 B7 B15 B1 B2 B3 B4 B5 B11 B12 B15 B2 B3 B8 B9 B10 B11 B12 C1 C2
Conocer la metodologa de trabajo de la Investigacin Operativa.
Saber interpretar problemas de diferentes contextos y saber si son susceptibles de ser formulados mediante un modelo de programacin lineal.
A1 A5
Adquirir las destrezas necesarias para buscar una tcnica de solucin adecuada a los problemas formulados, saber implementarla con una herramienta informtica e interpretar los resultados obtenidos de una manera adecuada.
A1 A5
C1 C3 C6
Contidos Temas Subtemas 1.1 1.2 1.3 1.4 1.5 Objetivos del curso. Comentarios sobre el desarrollo histrico de la Investigacin Operativa. Los modelos en Investigacin Operativa. La Investigacin Operativa y la Informtica. Descripcin del programa.
1 Introduccin.
2 Programacin lineal. 2.1 Modelos de programacin lineal y aplicaciones.
2.1.1 Formulacin de modelos de programacin lineal. Ejemplos. 2.1.2 Solucin grfica de problemas de programacin lineal con dos variables. Interpretacin. Definiciones bsicas. 2.1.3 Problemas de programacin lineal en forma estndar. 2.2.0 Resolucin de ecuaciones lineales simultneas. Definiciones bsicas: solucin factible, variables bsicas y no bsicas, sistema cannico, solucin factible bsica. 2.2.1 Esquema bsico de funcionamiento del mtodo del Simplex. Beneficios relativos, criterio de entrada, criterio de salida (regla de la mnima proporcin), elemento pivote, pivotaje. 2.2.2 El mtodo del Simplex por tablas. 2.2.3 Problemas de clculo: empates en el criterio de entrada, empates en el criterio de salida, degeneracin, ciclaje. 2.2.4 Obtencin de una solucin factible bsica inicial: Mtodo de las dos fases y mtodo de las penalizaciones. 2.2.5 Aspectos computacionales del Simplex y software recomendado. 2.3.1 El problema del transporte. 2.3.1.1 Formulacin del problema estndar de transporte. 2.3.1.2 Obtencin de una solucin factible bsica inicial: mtodo de la esquina noroeste,mtodo del coste mnimo y mtodo de Vogel. 2.3.1.3 Algoritmo de Stepping-Stone y mtodo MODI.
2.2 El mtodo del Simplex.
2.3 Problemas especiales de programacin lineal.
2.3.1.4 Problema de transporte a tiempo mnimo. 2.3.2 El problema de asignacin. 2.3.2.1 Formulacin del problema estndar de asignacin. 2.3.2.2 Mtodo hngaro. 3 Programacin lineal avanzada. 3.1 El mtodo revisado del Simplex. 3.1.1 Conceptos bsicos. Vector de multiplicadores. 3.1.2 Desarrollo del mtodo. 3.1.3 Ventajas del mtodo revisado del Simplex sobre el mtodo del Simplex clsico. 3.2.1 3.2.2 3.2.3 3.2.4 3.2.5 3.2.6 3.2.7 Formulacin del problema dual. Problemas primal-dual simtricos. Propiedades. Teoremas de dualidad. Condiciones de holguras complementarias. Problemas primal-dual asimtricos. Lectura de la solucin dual ptima en la tabla ptima primal. Interpretacin econmica del problema dual. Precios sombra.
3.2 Teora de la dualidad.
3.3 El mtodo dual del Simplex.
3.3.1 Conceptos fundamentales. 3.3.2 Desarrollo del mtodo. 3.3.3 Identificacin de problemas no factibles. 3.4.1 Modificaciones en los coeficientes de la funcin del objetivo. 3.4.2 Modificaciones en las constantes de la derecha de las restricciones. 3.4.3 Modificaciones en la matriz de coeficientes de las restricciones. 3.4.4 Adicin de nuevas variables. 3.4.5 Adicin de nuevas restricciones. 3.4.6 Variacin paramtrica de los coeficientes de la funcin del objetivo. 3.4.7 Variacin paramtrica de las constantes de la derecha de las restricciones. 3.5.1 3.5.2 3.5.3 3.5.4 3.5.5 3.5.6 3.5.7 Formulacin de modelos. Aplicaciones. Enumeracin y aproximacin. Enumeracin implcita. Algoritmo de ramificacin y acotacin. Aspectos computacionales. Programacin binaria. Mtodo de los planos de corte. Planificacin
3.4 Anlisis de sensibilidad y programacin paramtrica.
3.5 Programacin lineal entera.
A Horas presenciais
15 30 1.5 2 1

15 45 0 0 1

30 75 1.5 2 2
Sesin maxistral Prcticas de laboratorio Proba de resposta mltiple Proba obxectiva Aprendizaxe colaborativa
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Sesin maxistral Prcticas de laboratorio Descricin Algunas de las clases harn con presentaciones por ordenador, adems de utilizar la pizarra. Se realizarn ejercicios de pizarra sobre los contenidos y se presentarn
soluciones con los paquetes de software recomendados. Proba de resposta mltiple Proba obxectiva Aprendizaxe colaborativa Se harn varios ejercicios con preguntas cortas sobre aspectos prcticos y tericos de la materia. Uno de los ejercicios ser evaluable. Se evaluar la resolucin de un ejercicio escrito propuesto de entre los distintos bloques temticos del temario. Se resolvern ejercicios en grupo que luego se pasarn a exponer al resto del alumnado de los grupos de prcticas. Atencin personalizada Metodoloxas Prcticas de laboratorio Aprendizaxe colaborativa Descricin Algunas prcticas se proponen de forma individual y personalizada y se evalan de forma personalizada. Tambin se proponen casos prcticos para resolver de forma conjunta en grupos de dos alumnos.
Avaliacin Metodoloxas Prcticas de laboratorio Proba de resposta mltiple Proba obxectiva Descricin Entrega de un problema propuesto para plantear y resolver con un software especfico. Se proponen 10 preguntas prcticas y tericas sobre los temas de la asignatura. Se propone un ejercicio para resolver con alguna de las metodologas introducidas en el curso Cualificacin 10 50 40
Hillier,F. y Lieberman, G. (1996). Introduccin a la Investigacin de Operaciones. McGraw-Hill Wiston, W. y Venkataramanan, M. (2002). Introduction to Mathematical Programming. Vol. 1. Duxbury Press Winston, W. (2004). Investigacin de Operaciones. Paraninfo Taha, H. A. (2004). Investigacin de Operaciones. Peardon. Prentice Hall Martn Martn, Q. (2003). Investigacin Operativa. Pearson. Prentice Hall Martn Martn, Q. (2005). Investigacin Operativa. Problemas y ejercicios resueltos. Pearson. Prentice Hall Ravindran, A. Philips, D. y Solberg, J. (1987). Operations Research:Principles and Practice. John Wiley & Sons
Gass, S. y Assad, A. (2005). An annotated Timeline of Operations Research. An Informal History. Kluwer Academic Publishers Garfinkel, R. y Nemhauser, G. L. (1972). Integer Programming. Wiley Hillier, F. y Lieberman, G. (1991). Introduction to Mathematical Programming. McGraw-
Hill
(). Pgina con aplicaciones a casos reales de la Investigacin Operativa: http://www.theorsociety.com/Science_of_Better/htdocs/prospect/index.asp. (). Pgina del proyecto R: http://www.r-project.org. (). Pgina del software LINDO: http://www.lindo.com. (). Pgina sobre el Simplex: http://www.phpsimplex.com. Ros Insua, S. (2006). Problemas de Investigacin Operativa. Editorial Ra-ma Bazaraa, M. (2005). Programacin Lineal y Flujo en Redes. Limusa
Recomendacins Materias que se recomenda ter cursado previamente lxebra/614111106 Matemtica Discreta I/614111107 Computacin Numrica/614111204 Algoritmos/614111206
Materias que se recomenda cursar simultaneamente Tcnicas Operativas de Xestin/614111647
Datos Identificativos Asignatura Titulacin Descriptores Mtodos de Clculo Numrico ENXEEIRO EN INFORMTICA Crditos 5.5 Idioma Casteln Cr. tericos 3.5 Cr. prcticos 2 Tipo Troncal Curso Todos Perodo 1 cuadrimestre Ciclo Cdigo 614111627
Departamento Matemticas Coordinacin Profesorado Vazquez Cendon, Carlos Ferreiro Ferreiro, Ana Mara Vazquez Cendon, Carlos Web Descricin xeral Asignatura optativa de segundo ciclo en la titulacin de Ingeniera Informtica, orientada al planteamiento y la resolucion numrica de modelos de ecuaciones diferenciales que surgen en el mbito de la ingeniera ana.fferreiro@udc.es carlos.vazquez.cendon@udc.es
Correo electrnico
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) - Conocer los modelos ms representativos en ciencia e ingeniera que se formulan mediante ecuaciones diferenciales Competencias da titulacin A1 A3 B2 B3 B5 B8 B9 B11 B15 B2 B3 B5 B8 B9 B11 B12 B15 B2 B3 B4 B5 B7 B8 B11 B12 B15 B1 B2 B3 B4 B5 B6 B7 B8 B9 B10 B11 B12 B15 C4 C6 C7 C8
- Identificar los tipos de problemas de ecuaciones diferenciales ordinarias y parciales
A1 A3
C6 C7 C8
- Resolver exactamente problemas de ciencia e ingeniera que se formulan con ecuaciones diferenciales lineales de segundo orden con coeficientes constantes
A1 A3
C5 C6 C7 C8
- Construir e implementar en ordenador los algoritmos asociados a los mtodos de tiro, diferencias finitas y elementos finitos para problemas de contorno para edo's que surgen en modelos de ingeniera y ciencia
A1 A3 A5
C1 C3 C5 C6 C7 C8
- Clasificar EDPs lineales de segundo orden
A1 A3
B2 B3 B8 B9 B11 B12 B15 B2 B3 B8 B9 B11 B12 B2 B3 B4 B5 B7 B8 B9 B11 B12 B15 B2 B3 B4 B5 B7 B8 B9 B11 B12 B15 B2 B3 B4 B5 B7 B8 B9 B11 B12 B15 B1 B2 B3 B4 B5 B7 B8 B9 B11 B12 B15 B1 B2 B3 B5 B8 B9 B11 B12 B15 B2 B3 B8 B9 B11 B12 B1
C6 C8
- Aplicar el mtodo de separacin de variables para ecuaciones sencillas de difusin, conveccin y ondas
A1
C6 C8
- Construir e implementar en ordenador mtodos de diferencias finitas para ecuaciones parablicas y aplicarlos a modelos sencillos en ingeniera y ciencias
A1 A3 A6
C1 C3 C5 C6 C7 C8
- Construir e implementar en ordenador mtodos de diferencias finitas para ecuaciones elpticas y aplicarlos a modelos sencillos en ingeniera y ciencias
A1 A3 A6
C1 C3 C5 C6 C7 C8
- Construir e implementar en ordenador mtodos de diferencias finitas para ecuaciones hiperblicas y aplicarlos a modelos sencillos en ingeniera y ciencias
A1 A3 A6
C1 C3 C5 C6 C7 C8
- Construir mtodos de elementos finitos para EDPs, utilizar software que los implemente y aplicarlos a modelos en ingeniera y ciencias
A1 A3 A6
C1 C3 C5 C6 C7 C8
- Asimilar la necesidad de los mtodos numricos para proporcionas soluciones de los modelos complejos que surgen en ingeniera y ciencia
A3 A5 A6 A9
C3 C5 C6 C7 C8
- Conocer las condiciones de convergencia de los distintos mtodos numricos
A1 A3 A6
C6 C8
- Verificar el buen funcionamiento de un algoritmo numrico mediante ejemplos
A1
C3
apropiados de validacin
A3 A5 A6 A11
B2 B3 B4 B5 B8 B9 B11 B12 B15 B5 B7 B8 B12 B13 B15 B1 B2 B4 B5 B7 B8 B9 B12 B15 B2 B4 B5 B6 B7 B8 B9 B10 B11 B12 B13 B15
C6 C7 C8
- Elaborar una memoria con la descripcin de los algoritmos y ejemplos ilustrativos de su buen o mal funcionamiento
A1 A3
C1 C6
- Ser capaz de buscar bibliografa para leer y comprender la informacin necesaria para resolver con las herramientas de la asignatura un problema dado
A1 A3 A6 A9
C2 C3 C6 C8
- Planificar en equipo las etapas de resolucin de un problema en clases de prcticas
A3 A5 A6 A9
C1 C3 C6 C7 C8
Contidos Temas Subtemas Modelos matemticos en ingeniera y ciencias Problemas lineales homogeneos y no homogneos: solucin exacta Mtodos numricos: tiro, diferencias finitas y elementos finitos Programacin de mtodos numricos Conceptos generales Modelos matemticos en ingeniera y ciencias EDPs de primer orden Clasificacin de EDPs lineales de segundo orden Ecuacin de difusin Mtodo de separacion de variables Mtodos numricos de diferencias finitas Programacin y aplicaciones Ecuaciones de Laplace y Poisson Mtodos numricos de diferencias finitas Programacin y aplicaciones Ecuacin del transporte y de ondas Separacin de variables Mtodos numricos de diferencias finitas Programacin y aplicaciones Ecuacin eliptica con coeficientes variables Formulaciones variacionales Descripcin del MEF para ecuaciones elpticas Ideas del MEF para ecuaciones parablicas e hiperblicas Uso de software del MEF Aplicaciones a problemas de ciencia e ingeniera
Problemas de contorno para ecuaciones diferenciales de segundo orden
Ecuaciones en derivadas parciales (EDP)
Modelos y mtodos para EDPs parablicas
Modelos y mtodos para EDPs elpticas
Modelos y mtodos para EDPs hiperblicas
Mtodo de elementos finitos (MEF)
Planificacin
A Horas presenciais
0.9 0.5 33 29 3.3 0.5 0.5 0 11

0 0 26.4 23.2 0 0 0 0.4 8.8

0.9 0.5 59.4 52.2 3.3 0.5 0.5 0.4 19.8
Actividades iniciais Anlise de fontes documentais Sesin maxistral Prcticas de laboratorio Proba obxectiva Proba oral Presentacin oral Debate virtual Solucin de problemas
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Actividades iniciais Anlise de fontes documentais Sesin maxistral Descricin Presentacin de los contenidos,planificacin, metodologas, forma de evaluacin y fuentes de informacin de la asignatura. Durante la primera clase se indicarn y comentarn las principales fuentes de informacin que abarcan los contenidos de la asignatura Se incluyen las lecciones magistrales en las que se desarrollan los contenidos de la asignatura Los alumnos programarn en ordenador los mtodos numricos para resolver problemas concretos de ciencia e ingeniera que se formulan mediante ecuaciones diferenciales. En algn caso el profesor expondr el software existente para ello. Prueba escrita de resolucin de problemas a celebrar en fecha prevista por el calendario de exmenes de la facultad de una duracin estimada en torno a 3 horas. Cada grupo de dos alumnos responder a las preguntas del profesor sobre las prcticas que ha desarrollado y los contenidos de la memoria de las mismas que ha presentado Cada grupo de dos alumnos expondr las prcticas realizadas en el ordenador y comentar la memoria de las mismas ante el profesor Resolucin de dudas relativas a los contenidos tericos, problemas y prcticas de laboratorio por correo electrnico El profesor presentar problemas que se resuelven mediante los mtodos analticos y numricos descritos en la asignatura. Tambin plantear ejercicios para que los alumno resuelvan de manera autnoma Atencin personalizada Metodoloxas Descricin
Proba obxectiva
Proba oral
Presentacin oral Debate virtual
Proba oral Presentacin oral Debate virtual
Presentacin oral: Exposicin de las prcticas de laboratorio y de la memoria de las mismas Proba oral: preguntas sobre las prcticas y la memoria de las mismas, y peticion de pequeas modificaciones para evaluacin de las mismas Debate virtual: atencin por correo electrnico de las dudas sobre la asignatura
Avaliacin Metodoloxas Descricin Presentacin de las prcticas de laboratorio orientadas a la programacin de mtodos numricos para la resolucin de modelos de ecuaciones diferenciales en ciencia e ingeniera, incluyendo una memoria de las mismas Examen escrito sobre problemas relacionados con los contenidos de la asignatura Preguntas sobre las prcticas de laboratorio orientadas a la programacin de mtodos numricos para la resolucin de modelos de ecuaciones diferenciales en ciencia e ingeniera, incluyendo cuestiones sobre la memoria de las mismas Cualificacin
Presentacin oral
15
Proba obxectiva
70
Proba oral
15
Burden, R.L., Faires, J.D. (2002). Anlisis numrico. ITP Kincaid, D., Cheney, W. (1994). Anlisis numrico: las matemticas del clculo cientfico. Addison Wesley Boyce, W.E., Di Prima, R.C. (1998). Ecuaciones diferenciales y problemas de valores frontera. Limusa Mathews, J.H., Fink, K.D. (2000). Mtodos numricos con MATLAB. Prentice-Hall Quintela, P. (2001). Mtodos numricos en ingeniera. Trculo Chapra, S.C., Canale, R.P. (2006). Mtodos numricos para ingenieros. McGraw Hill
Baker, A.J., Pepper, D.W. (1991). Finite Elements 1-2-3. McGraw Hill Metcalf, M., Reid, J. (). FORTRAN 90/95. Oxford University Press Mathworks Inc. (1996). Matlab, Partial differential equations toolbox. Mathworks Mathworks Inc. (1996). Matlab, the language of scioientific computing. Mathworks Hoffman, J.D. (1992). Numerical methods for engineers and scientists. McGraw Hill Johnson, C. (1994). Numerical solution of partial diferential equations by finite element method. ITP Farlow, J. (1993). Partial differential equations for engineers. Dover
Materias que continan o temario lxebra/614111106 Clculo/614111108 Computacin Numrica/614111204
Datos Identificativos Asignatura Titulacin Descriptores Mtodos Estatsticos ENXEEIRO EN INFORMTICA Crditos 4 Idioma Casteln Cr. tericos 2.5 Cr. prcticos 1.5 Tipo Troncal Curso Todos Perodo 1 cuadrimestre Ciclo Cdigo 614111628
Departamento Matemticas Coordinacin Profesorado Web Descricin xeral Al cursar esta asignatura, el alumno podr ampliar los conocimientos de Estadstica adquiridos en cursos anteriores, mediante el estudio y aplicacin de algunos mtodos estadsticos avanzados: control estadstico de la calidad, anlisis de series de tiempo y anlisis multivariante. Presedo Quindimil, Manuel Antonio Presedo Quindimil, Manuel Antonio Correo manuel.antonio.presedo.quindimil@udc.es electrnico
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Al cursar esta asignatura, el alumno podr ampliar los conocimientos de Estadstica adquiridos en cursos anteriores, mediante el estudio y aplicacin de algunos mtodos estadsticos avanzados: control estadstico de la calidad, anlisis de series de tiempo y anlisis multivariante. Competencias da titulacin A1 A5 A11 B2 B3 B4 B5 B8 B9 B11 B12 B15 C1 C4 C6 C7 C8
Contidos Temas Subtemas Control de Calidad. Introduccin. Los grficos de control. El control de fabricacin por variables. El control de fabricacin por atributos. El control de fabricacin por nmero de defectos. El control de recepcin. Series temporales. Generalidades El concepto de serie temporal. Componentes de una serie temporal. El problema de la prediccin. Tcnicas de suavizacin exponencial. Metodologa Box-Jenkins para el anlisis de series temporales. Introduccin a los procesos estocsticos: propiedades. Procesos autorregresivos (AR(p)). Procesos de medias mviles (MA(q)). Procesos ARMA(p,q). Procesos no estacionarios: modelo ARIMA (p,d,q). Identificacin de modelos ARIMA. Estimacin en un modelo ARIMA. Diagnosis en modelos ARIMA. Prediccin con el modelo ARIMA. Introduccin a la regresin dinmica. Anlisis multivariante. Introduccin. Preliminares: distribuciones multidimensionales. Anlisis de componentes principales. Anlisis factorial discriminante. Anlisis cluster. Escalamiento multidimensional. Planificacin
Control de Calidad. Series temporales. Anlisis multivariante.
A Horas presenciais
B Horas non presenciais /
traballo autnomo
Sesin maxistral Prcticas de laboratorio 20 15 40 15 60 30
10
10
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Sesin maxistral Descricin Presentacin de los aspectos relevantes de cada tema incluido en el programa de la asignatura, de modo que los alumnos puedan abordar las tareas propuestas en las prcticas de laboratorio. Trabajos prcticos propuestos para que el alumno pueda resolverlos con ayuda de programas informticos. Una vez resueltos, el alumno deber presentar y discutir la solucin que ha aplicado. Atencin personalizada Metodoloxas Sesin maxistral Prcticas de laboratorio Descricin Atencin al alumno tanto durante el desarrollo de las clases como en los horarios de tutoras.
Avaliacin Metodoloxas Sesin maxistral Prcticas de laboratorio Descricin Se evaluarn los conocimientos realizacin de una prueba escrita. Defensa oral de los trabajos resueltos. adquiridos mediante la Cualificacin 60 40
Makridakis, S., Wheelwright, S.C. y Hyndman, R.J. (1998). Forecasting. Methods and applications.. Wiley Montgomery, D.C. (2005). Introduction to statistical quality control. Wiley Mardia, K.V., Kent, J.T. y Bibby, J.M. (1994). Multivariate analysis. Academic Press
Brockwell, P.J. y Davis, R.A. (2002). Introduction to time series and forecasting. SpringerVerlag Pea Snchez de Rivera, D. (1991). Estadstica: modelos y mtodos. Vol. 1 y 2. Alianza Universidad
Morrison, D.F. (1990). Multivariate statistical methods.. McGraw-Hill
Datos Identificativos Asignatura Titulacin Descriptores Simulacin Estatstica ENXEEIRO EN INFORMTICA Crditos 4 Idioma Casteln Cr. tericos 2.5 Cr. prcticos 1.5 Tipo Troncal Curso Todos Perodo 2 cuadrimestre Ciclo Cdigo 614111641
Departamento Matemticas Coordinacin Profesorado Web Descricin xeral Garca Jurado, Ignacio Garca Jurado, Ignacio http://dm.udc.es/profesores/ignacio En este curso se pretende que los alumnos adquieran destreza en la identificacin y resolucin de problemas que pueden ser abordados usando tcnicas de simulacin estadstica. Para ello se tratar de que conozcan el funcionamiento de los ms importantes algoritmos de generacin de nmeros aleatorios uniformes y los principales mtodos para simular las distribuciones de probabilidad ms habituales en la prctica (tanto discretas como continuas y en el caso uni o multidimensional), siendo capaces de implementarlos en algn lenguaje de alto nivel. Correo electrnico ignacio.garcia.jurado@udc.es
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Conocer las tcnicas bsicas de simulacin estadstica. Competencias da titulacin A1 B1 B3 B8 B10 B11 B12 B1 B2 B3 B4 B5 B6 B7 B8 B9 B11 B12 B15 C1 C8
Aplicar la simulacin estadstica para la resolucin de problemas-
A1
C1 C3 C4 C6 C7 C8
Contidos Temas Introduccin. Generacin de nmeros pseudoaleatorios uniformes en (0,1). Mtodos universales para la generacin de variables continuas. Mtodos universales para la generacin de variables Subtemas Conceptos de sistema real, modelo y definicin de simulacin. Experimentacin real y simulacin. Simulacin necesaria e innecesaria. Ventajas e inconvenientes de la simulacin. Contenidos de la asignatura. Propiedades deseables de un generador de nmeros pseudoaleatorios uniformes. Mtodos de los cuadrados medios y de Lehmer. Mtodos congruenciales. Medidas estadsticas de calidad de un generador de nmeros pseudoaleatorios. Mtodo de inversin. Mtodo de aceptacin/ rechazo y sus variantes. Mtodo de la transformacin cuantil. Algoritmos basados en bsqueda secuencial. Algoritmos basados en rboles binarios. rboles de Huffman. Mtodo de la tabla
discretas. Mtodos especficos para generacin de distribuciones notables. Simulacin de distribuciones multidimensionales. Diseo de experimentos de simulacin.
gua. Mtodos de truncamiento. Distribuciones continuas: normal, chi-cuadrado de Pearson, t de Student, F de Snedecor, exponencial, Weibull, gamma, beta, logstica, Pareto. Distribuciones discretas: equiprobable, binomial, geomtrica, binomial negativa, Poisson. Mtodo de las distribuciones condicionadas. Mtodo de aceptacin/rechazo. Mtodos de codificacin o etiquetado. Diferencias y similitudes con la experimentacin real. Simulacin esttica y dinmica. Simulacin por eventos y por cuantos. Tcnicas de reduccin de la varianza. Problemas de estabilizacin y dependencia. Planificacin
A Horas presenciais
15 30 10 2

20 8 10 0

35 38 20 2
Sesin maxistral Prcticas a travs de TIC Solucin de problemas Proba obxectiva
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Sesin maxistral Descricin Clases impartidas con pizarra y can de vdeo. Se fomentar la participacin de los alumnos. Se propondrn prcticas a los alumnos para resolver diversos problemas relacionados con la simulacin estadstica. Los alumnos debern realizarlas en los ordenadores de los laboratorios, haciendo uso de las herramientas informticas que quieran. En algunas sesiones resolveremos problemas en grupo que tengan que ver con la simulacin estadstica. Se tratar de un examen de problemas. Atencin personalizada Metodoloxas Sesin maxistral Prcticas a travs de TIC Solucin de problemas Proba obxectiva Descricin En todos los casos se tratar de adaptarse a los diversos alumnos y a sus peculiaridades a la hora de disear el desarrollo de todas las metodologas. En particular, en las sesiones de tutoras de atencin personalizada se tratar de conocer mejor a cada alumno y de resolver los problemas que le surjan en el desarrollo de esta materia.
Prcticas a travs de TIC
Solucin de problemas Proba obxectiva
Avaliacin Metodoloxas Proba obxectiva Descricin La prueba objetiva ser un examen de problemas en el que los Cualificacin 80
alumnos podrn hacer uso de los libros y apuntes que deseen. Prcticas a travs de TIC Los alumnos debern realizar las prcticas que se propongan y presentar una memoria final, que ser calificada. 20
Cao, R. (2002). Introduccin a la simulacin y a la teora de colas. NetBiblo Devroye, L. (1986). Non-uniform random variate generation. Springer Bratley, P. (1990). A guide to simulation. Springer
Karian, Z. y Dudewicz, E. (1991). Modern statistical systems and GPSS simulation. Computer Science Press Moeschlin, O. et al. (1998). Experimental stochastics. Springer Pardo, L. Y Valds, T. (1987). Simulacin. Aplicaciones prcticas a la empresa. Daz de Santos
Recomendacins Materias que se recomenda ter cursado previamente Estatstica I/614111101
Datos Identificativos Asignatura Titulacin Descriptores Tcnicas Operativas de Xestin ENXEEIRO EN INFORMTICA Crditos 4 Idioma Casteln Cr. tericos 2.5 Cr. prcticos 1.5 Tipo Troncal Curso Todos Perodo 2 cuadrimestre Ciclo Cdigo 614111647
Departamento Matemticas Coordinacin Profesorado Web Descricin xeral Quintela Del Rio, Alejandro Quintela Del Rio, Alejandro http://http://193.144.60.241/~io/ El futuro Ingeniero en Informtica debera estar capacitado para trabajar en todos los departamentos de la empresa, aunque fundamentalmente se agrupen en el departamento de informtica. Los campos ms profesionalizados son: centros de clculo, empresas de hardware, entidades financieras, de telecomunicaciones, de electricidad, de alta tecnologa, de seguridad y consultoras informticas. Tambin es frecuente que se dedique al ejercicio libre de la profesin como analista y programador. Algunas de las actividades que puede llegar a realizar un Ingeniero en Informtica son, fundamentalmente, las siguientes: direccin de informtica y departamentos de desarrollo, direccin y organizacin de proyectos informticos y centros de programacin de datos, diseo, seleccin y evaluacin de infraestructura de computacin y lgica, mantenimiento de infraestructuras, optimizacin de mtodos y medios de comunicacin con el ordenador y los usuarios, concepcin de proyectos y aplicaciones para su posterior anlisis y ejecucin, arquitectura, anlisis y diseo de sistemas informticos, tcnicas de sistemas, bases de datos y comunicaciones, consultora tcnica, auditora informtica, inteligencia artificial y nuevas tecnologas en general, investigacin, formacin y docencia. Casi todas las salidas profesionales mencionadas, involucran procesos de tomas de decisiones, adems de requerir una cierta destreza en el conocimiento de modelos matemticos bsicos. Por todo ello, es necesaria una formacin bsica en la ciencia de las decisiones: la Investigacin Operativa. No se pretende con este curso formar a profesionales en este campo, pero s familiarizar al estudiante con su metodologa y aplicaciones. De aqu, el carcter prctico que se pretende dar al curso, donde prima la resolucin de problemas y el manejo de herramientas informticas bsicas sobre el desarrollo exhaustivo de contenidos matemticos relacionados con los temas propuestos para el curso. Esta asignatura se centra en el estudio de algunos modelos de optimizacin sobre redes, planificacin de proyectos y gestin de inventario. Correo electrnico alejandro.quintela@udc.es
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Capacidad de anlisis y sntesis. Puesto que la materia requiere abstraer un modelo matemtico de una realidad casi siempre compleja. Capacidad de organizacin y planificacin. La metodologa de la Investigacin Operativa, los problemas planteados y los mecanismos de solucin de tales problemas potencian claramente esta capacidad. Conocimiento de una lengua extranjera. Mucha documentacin, sobre todo de los paquetes informticos utilizados, algunas de las referencias bibliogrficas y gran parte de los recursos en la web estn en ingls. Capacidad de gestin de la informacin. Las situaciones planteadas a lo largo del curso involucran gran cantidad de datos que hay que saber organizar. Capacidad de resolucin de problemas. El mbito de aplicacin de esta disciplina conduce, de una forma clara, a fomentar esta capacidad. A7 A1 Competencias da titulacin A5 B1 B2 B2 B5 B7 B4 B14 B10 B2 B3 B4 B5 B9 B11 B14 C1 C7 C8 C2
Saber obtener informacin de forma efectiva a partir de libros, revistas especializadas y otros recursos documentales. Capacidad de trabajar en equipo e interactuar con personas de otras disciplinas. Los problemas que se plantean en Investigacin Operativa conciernen a distintas realidades, por lo que se hace imprescindible la comunicacin con expertos en otras materias para organizar y contextualizar la informacin. Razonamiento crtico y capacidad de tomar decisiones. La metodologa de trabajo de la Investigacin Operativa hace necesario el cuestionarse la validez de una solucin en el contexto real, lo que evidentemente fortaleza las capacidades mencionadas. Compromiso tico.
B4 B11 B5 B7 B11 B9 B11 C4 C5 C7 C8 B1 B2 B3 B4 B5 B9 B10 B11 A1 A5 B2 B3 B8 B9 B10 B11 B12 C1 C3 C6
Identificar los problemas que se pueden modelar como problemas de optimizacin en redes o de gestin eficaz de inventarios. Conocer la metologa de planificacin de proyectos.
Adquirir las destrezas necesarias para buscar una tcnica de solucin adecuada a los problemas formulados, saber implementarla con una herramienta informtica e interpretar los resultados obtenidos de una manera adecuada.
Contidos Temas 0. Introduccin. Subtemas Comentarios sobre el desarrollo histrico de la I.O. 1.1.1. 1.1.2. 1.1.3. 1.1.4. 1.1.5. 1.1.6. Conceptos bsicos de redes. Problemas de flujo mximo: Algoritmo de Ford-Fulkerson. Problemas de flujo mximo con coste mnimo: Algoritmo de Klein, Arco ms crtico de una red. Problemas de la ruta ms corta: Algoritmo de Dijkstra. rboles de mnima expansin: Algoritmos de Prim, Kruskal y Solin.
1. Anlisis de Redes. 1.1. Flujo en redes.
1.2. Tcnicas de planificacin y control de proyectos.
1.2.1. Redes para proyectos. 1.2.2. Problema simplificado de direccin de proyectos. 1.2.3. Definiciones bsicas: Menor tiempo de un suceso, mayor tiempo de un suceso, holgura de un suceso, duracin mnima del proyecto. 1.2.4. Calendario de un proyecto. Camino crtico. 1.2.5. El mtodo PERT: los proyectos bajo ambiente de incertidumbre. 1.2.6. Distribuciones de probabilidad utilizadas en el mtodo PERT. 1.2.7. Probabilidades asociadas al tiempo mnimo de ejecucin del proyecto. 1.2.8. Programacin de proyectos a coste mnimo. Relacin entre la duracin y el coste de ejecucin de las actividades. Nivelacin y asignacin de recursos. 2.1.1. 2.1.2. 2.1.3. 2.1.4. 2.1.5. 2.1.6. 2.1.7. Modelo Modelo Modelo Modelo Modelo Modelo Modelo EOQ EOQ EOQ EOQ EOQ EOQ PLS. clsico. con dficits. con precios de ventas especiales. con descuentos. con restricciones. para ms de un artculo.
2. Gestin de stocks. 2.1. Modelos determinsticos.
2.2 Modelos estocsticos.
2.2.1. Modelos de revisin continua. 2.2.2. Modelo del vendedor de peridicos. Planificacin
A Horas presenciais
B Horas non presenciais / traballo
autnomo
Sesin maxistral Prcticas de laboratorio Aprendizaxe colaborativa Proba de resposta mltiple Proba obxectiva 20 20 1 1.5 2 20 30 1 0 0 40 50 2 1.5 2
4.5
4.5
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Sesin maxistral Prcticas de laboratorio Aprendizaxe colaborativa Proba de resposta mltiple Proba obxectiva Descricin Algunas de las clases harn con presentaciones por ordenador, adems de utilizar la pizarra. Se realizarn ejercicios de pizarra sobre los contenidos y se presentarn soluciones con los paquetes de software recomendados. Se resolvern ejercicios en grupo que luego se pasarn a exponer al resto del alumnado de los grupos de prcticas. Se harn varios ejercicios con preguntas cortas sobre aspectos prcticos y tericos de la materia. Uno de los ejercicios ser evaluable. Se evaluar la resolucin de un ejercicio escrito propuesto de entre los distintos bloques temticos del temario. Atencin personalizada Metodoloxas Prcticas de laboratorio Aprendizaxe colaborativa Descricin Algunas prcticas se proponen de forma individual y personalizada y se evalan de forma personalizada. Tambin se proponen casos prcticos para resolver de forma conjunta en grupos de dos alumnos.
Avaliacin Metodoloxas Prcticas de laboratorio Proba de resposta mltiple Proba obxectiva Descricin Aplicar una tcnica de planificacin de proyectos a un caso propuesto. Se proponen 10 preguntas prcticas y tericas sobre los temas de la asignatura. Se propone un ejercicio para resolver con alguna de las metodologas introducidas en el curso. Cualificacin 10 50 40
Hillier,F. y Lieberman, G. (1996). Introduccin a la Investigacin de Operaciones. McGraw-Hill Taha, H. A. (2004). Investigacin de Operaciones. Pearson. Prentice Hall
Winston, W. (2004). Investigacin de Operaciones. Paraninfo Martn Martn, Q. (2003). Investigacin Operativa. Pearson. Prentice Hall Martn Martn, Q. (2005). Investigacin Operativa. Problemas y ejercicios resueltos. Pearson. Prentice Hall Ravindran, A. Philips, D. y Solberg, J (1987). Operations Research:Principles and Practice. John Wiley & Sons Bibliografa complementaria
Gass, S. y Assad, A. (2005). An annotated Timeline of Operations Research. An Informal History. Kluwer Academic Publishers (). Pgina con aplicaciones a casos reales de la Investigacin Operativa: http://www.theorsociety.com/Science_of_Better/htdocs/prospect/index.asp. Ros Insua, S, (2006). Problemas de Investigacin Operativa. Editorial Ra-ma
Recomendacins Materias que se recomenda ter cursado previamente Estatstica I/614111101 Clculo/614111108
Materias que se recomenda cursar simultaneamente Investigacin Operativa/614111305
Datos Identificativos Asignatura Titulacin Descriptores Teora de Colas ENXEEIRO EN INFORMTICA Crditos 4 Idioma Casteln Cr. tericos 2.5 Cr. prcticos 1.5 Tipo Troncal Curso Todos Perodo 1 cuadrimestre Ciclo Cdigo 614111649
Departamento Matemticas Coordinacin Profesorado Web Descricin xeral La Teora de Colas es una rama de la Investigacin Operativa que tiene por objeto el estudio y anlisis de situaciones en las que se demanda un servicio que no puede ser satisfecho instantneamente, por lo que se forman colas o lneas de espera. Dicho anlisis proporciona informacin para la toma de decisiones, tratando de lograr un compromiso ptimo entre el coste del servicio y el coste asociado a la espera de ese servicio. La Teora de Colas es aplicable a multitud de situaciones reales relacionadas con sectores tan variados como el comercio, la industria, el transporte o las telecomunicaciones, entre otros. En el contexto de la Informtica y las nuevas tecnologas, las situaciones de espera dentro de una red son muy frecuentes (procesos enviados a un servidor para su ejecucin a la espera de ser atendidos, congestin en la lnea telefnica, etc). Esto hace que las herramientas que se proporcionarn en esta asignatura puedan ser de utilidad para el futuro Ingeniero Informtico. Lorenzo Freire, Silvia Lorenzo Freire, Silvia Correo electrnico silvia.lorenzo@udc.es
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Conocer la metodologa de la Teora de Colas Competencias da titulacin A1 A9 A12 B1 B2 B3 B9 B11 B12 B13 B1 B2 B3 B9 B11 B12 B13 C6 C8
Saber interpretar problemas de diferentes contextos y saber qu tipo de modelo o red de teora de colas es el ms adecuado para ese problema
A1 A9 A12
C6 C8
Contidos Temas 1. Introduccin Subtemas 1.1. Resea histrica 1.2. Contenidos de la asignatura 2.1. Descripcin del sistema de una cola 2. Conceptos bsicos de Teora de Colas 2.2. Terminologa bsica 2.3. Frmulas de Little 3. Introduccin a los procesos estocsticos 3.1. Conceptos generales y propiedades bsicas
3.2. Procesos de contar: el proceso de Poison 3.3. Procesos de nacimiento y muerte 4.1. Modelo M/M/1 4.2. Modelo M/M/s 4.3. Modelo M/M/1/K 4. Modelos con tasas de llegada y de servicio de tipo Poisson 4.4. Modelo M/M/s/K y frmulas de Erlang 4.5. Modelo M/M/1/1/infinito/H 4.6. Modelo M/M/s/infinito/H, con y sin repuestos 4.7. Modelo M/M/infinito 5.1. Introduccin a las redes de colas 5.2. Redes de Jackson abiertas 5. Redes de colas 5.3. Redes de Jackson cerradas 5.4. Otros modelos de redes de colas: en serie, cclicas y con bloqueo 6.1. Modelo M/G/1 6. Colas con distribuciones arbitrarias de llegada y servicio 6.2. Otros modelos con tiempo entre llegadas exponencial 6.3. Colas con servicio exponencial y entrada general 6.4. Aproximacin mediante simulacin Planificacin
A Horas presenciais
30 30 0 10 5

0 0 15 5 0

30 30 15 15 5
Prcticas de laboratorio Sesin maxistral Solucin de problemas Proba oral Proba mixta
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Descricin Las sesiones de prcticas de laboratorio corresponden a la implementacin de diferentes modelos de teora de colas. Se utilizar el paquete de Matlab llamado AQUAS, donde estn implementados los modelos de colas que veremos en clase. Tambin trabajaremos con un software estadstico para el estudio de las distribuciones (Statgraphics o R).
Sesin maxistral Solucin de problemas
Se expondrn los conceptos tericos bsicos utilizados a lo largo de la asignatura. Adems se resolvern los problemas que aparecen en los boletines. Es necesario que los alumnos dediquen cierto tiempo a resolver problemas utilizando las tcnicas estudiadas en clase. A lo largo del curso, cada alumno resolver y comentar de forma oral una situacin real que pueda aproximarse mediante un modelo o red de colas. Esta prctica es individual. Se har un examen escrito a todos los alumnos al final del cuatrimestre. Atencin personalizada
Proba oral Proba mixta
Metodoloxas Prcticas de laboratorio Sesin maxistral Proba oral
Descricin Los alumnos dispondrn de dicha atencin personalizada durante las clases de laboratorio, donde no slo tendrn la ocasin de resolver problemas y comentarle sus dudas a la profesora, sino que tambin se les dejar un tiempo para que intenten resolver la prctica basada en una situacin real que al final del cuatrimestre expondrn oralmente. Adems, pueden acudir a las tutoras correspondientes siempre que tengan alguna duda.
Avaliacin Metodoloxas Proba oral Descricin Prueba en la que los alumnos expondrn oralmente el trabajo basado en una situacin real en el que trabajarn a lo largo de todo el cuatrimestre Prueba en la que se evaluarn los conocimientos aprendidos por los alumnos a lo largo del curso. Para ello, tendrn que resolver varios ejercicios similares a los resueltos en las clases magistrales. Cualificacin 40
Proba mixta
60
Saaty, T.L. (1983). Elements of queueing theory with applications. Dover Gross, D. y Harris, C.M. (1985). Fundamentals of queueing theory. Wiley Cao, R. y Vega Valle, J.L. (). http://www.udc.es/dep/mate/TeoriaColas/colas.htm. Cao, R. (2002). Introduccin a la simulacin y a la teora de colas. Netbiblo Trivedi, K.S. (1982). Probability and statistics with reliability, queueing theory and computer science applications. Prentice Hall Allen, A. O. (1990). Probability, statistics and queueing theory with computer science applications. Academic Press Medhi, J. (1991). Stochastic models in queueing theory. Academic Press
Bibliografa complementaria Recomendacins Materias que se recomenda ter cursado previamente
Estatstica I/614111101
Datos Identificativos Asignatura Titulacin Descriptores Estatstica I ENXEEIRO TCNICO EN INFORMTICA DE XESTIN Crditos 8 Idioma Departamento Coordinacin Profesorado Web Descricin xeral Estadstica descriptiva. Modelos de probabilidad. Inferencia estadstica. Casteln Matemticas Costa Bouzas, Julian Costa Bouzas, Julian Correo julian.costa@udc.es electrnico Cr. tericos 4 Cr. prcticos 4 Tipo Troncal Curso Primeiro Perodo Ciclo Anual Cdigo 614211101
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Saber modelizar probabilistas. en contextos aleatorios sencillos empleando herramientas Competencias da titulacin A1 B9 B10 B11 B12 C2 C3 C4 C6 C7 C8 C2 C3 C4 C6 C7 C8 C2 C3 C4 C6 C7 C8
Saber analizar datos mediante tcnicas descriptivas y realizar inferencia de caractersticas poblacionales a partir de informacin parcial, obtenida con muestreo aleatorio, mediante tcnicas estadsticas.
A1
B9 B10 B11 B12
Saber utilizar herramientas informticas auxiliares a la Estadstica, y saber interpretar de forma crtica los resultados obtenidos.
A1
B9 B10 B11 B12
Contidos Temas Estadstica descriptiva Subtemas Descripcin estadstica de una variable Descripcin estadstica de varias variables Definicin de probabilidad Asignacin de probabilidades Probabilidad condicionada Independencia de sucesos Teorema de Bayes Variables aleatorias discretas Variables aleatorias continuas Funcin de distribucin Medidas caractersticas Distribuciones notables Teorema central del lmite Aproximacin entre distribuciones Conceptos generales
Probabilidad
Variables aleatorias
Inferencia estadstica
Muestreo Estimacin Estimacin Contrastes Contrastes
puntual por intervalos de confianza de hiptesis paramtricos de hiptesis no paramtricos
Planificacin
A Horas presenciais
4

188

192
Proba mixta
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Proba mixta Descricin El alumno deber demostrar su dominio de los aspectos tericos de la materia y su capacidad para la resolucin de problemas del mbito de la probabilidad y de la estadstica. Atencin personalizada Metodoloxas Descricin
Avaliacin Metodoloxas Proba mixta Descricin Examen terico-prctico Cualificacin 100
Cao, R., Francisco, M., Naya, S., Presedo, M.A., Vzquez, M., Vilar, J.A., Vilar, J.M. (2001). Introduccin a la Estadstica y sus aplicaciones. Pirmide
Pea, D. (2001). Fundamentos de Estadstica. Alianza Editorial Dalgaard, P. (2002). Introductory Statistics with R. Springer-Verlag Hernndez, V., Ramos, E., Yez, I. (2007). Probabilidad y sus aplicaciones en Ingeniera Informtica. Ediciones Acadmicas
Recomendacins
Materias que se recomenda ter cursado previamente
Datos Identificativos Asignatura Titulacin Descriptores Clculo ENXEEIRO TCNICO EN INFORMTICA DE XESTIN Crditos 7 Idioma Departamento Coordinacin Profesorado Web Casteln Matemticas Arregui Alvarez, Iigo Arregui Alvarez, Iigo Correo inigo.arregui@udc.es electrnico Cr. tericos 4 Cr. prcticos 3 Tipo Troncal Curso Primeiro Perodo 2 cuadrimestre Ciclo Cdigo 614211105
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Saber analizar funciones representacin grfica de una variable real: regularidad, optimizacin y Competencias da titulacin B2 B3 B4 B8 B9 B11 B12 B2 B3 B11 B2 B3 B11 B2 B3 B11 B2 B3 B11 B2 B3 B11 B2 B3 B11
Conocer las tcnicas de integracin de funciones de una variable y saber aplicarlas al clculo de longitudes, superficies y volmenes Saber analizar funciones de varias variables: lmites, diferenciacin, optimizacin con y sin restricciones Conocer tcnicas de resolucin de ecuaciones diferenciales ordinarias sencillas
Conocer los principios de la modelizacin matemtica
Saber aproximar funciones mediante series de potencias
Saber utilizar una aplicacin informtica de clculo simblico para el desarrollo de los contenidos de la asignatura
Contidos Temas Subtemas Conjuntos numricos. Propiedades. Lmite de una funcin en un punto. Funciones continuas. Teorema de Bolzano. Funciones derivables. Regla de la cadena. Regla de LHpital. Derivacin implcita. Aplicaciones. Frmula de Taylor. Integral de Riemann. Propiedades. Primitiva de una funcin. Aplicaciones de la integral.
Nociones bsicas
Funciones de varias variables.
Funcin escalar y vectorial. Curvas y superficies de nivel. Lmite de una funcin escalar. Continuidad. Derivadas parciales y direccionales. Gradiente. Propiedades. Matriz jacobiana. Regla de la cadena. Derivadas de orden superior. Extremos relativos. Extremos condicionados: multiplicadores de Lagrange Introduccin a las ecuaciones diferenciales. Conceptos bsicos. Ecuaciones diferenciales de primer orden. Tipos. Existencia de solucin. Ecuaciones diferenciales de orden n con coeficientes constantes. Mtodo de coeficientes indeterminados. Sucesin de nmeros. Serie de nmeros. Operaciones. Convergencia de una serie. Propiedades. Criterios de convergencia. Series geomtricas. Series alternadas. Criterio de Leibnitz. Series de potencias. Conceptos generales. Clculo diferencial e integral. Sucesiones y series. Planificacin
Ecuaciones diferenciales.
Series numricas y funcionales.
Clculo con Maple.
A Horas presenciais
45 15 15 5

45 32.5 15 0

90 47.5 30 5
Sesin maxistral Solucin de problemas Prcticas de laboratorio Proba mixta
2.5
2.5
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Descricin - Planteamiento, por parte del profesor, de los contenidos tericos de la asignatura - Resolucin, por parte del profesor, de algunos ejemplos y ejercicios bsicos - Se utilizar fundamentalmente la pizarra, ayudndose eventualmente del proyector de vdeo y de "applets" interactivos - Resolucin, por parte del profesor, de ejercicios y problemas relacionados con los contenidos de la asignatura - Los enunciados de los ejercicios se harn previamente accesibles a los estudiantes a travs de los medios habituales - Se ensear el uso del cdigo MAPLE, que permite implementar herramientas del clculo simblico, simplificando as muchas facetas de la asignatura y permitiendo al alumno centrarse en los conceptos que va aprendiendo. - Se realizarn controles peridicos que permitirn a los alumnos superar esta parte de la asignatura. Se realizarn dos exmenes. - En uno de ellos se evaluarn la parte terica y las prcticas de pizarra; durar, aproximadamente, 3 horas y consistir en una coleccin de problemas, del mismo tipo que los que figuren en los boletines, y algunas cuestiones tericas. - El otro examen ser de la parte de clculo con MAPLE. Lo realizarn slo aquellos alumnos que no hayan superado esta parte de la asignatura en los controles parciales que se irn realizando. Consistir en la resolucin, con la ayuda de este paquete informtico, de distintos problemas de la asignatura.
Sesin maxistral
Proba mixta
Atencin personalizada Metodoloxas Solucin de problemas Prcticas de laboratorio Descricin La diversidad de formacin del alumnado recomienda una cierta orientacin, que puede llevarse a cabo en el marco del P. A. T. El profesor presente en el aula ayudar a los alumnos en el desarrollo de estas prcticas, instruyndoles en el manejo del paquete informtico MAPLE y ayudndoles a comprender algunos aspectos tericos de la asignatura.
Avaliacin Metodoloxas Prcticas de laboratorio Proba mixta Descricin - Resolucin de problemas con ayuda de la herramienta Maple. - Examen terico-prctico de los contenidos de la asignetura. Cualificacin 20 80
Observacins avaliacin La evaluacin de la asignatura consta de dos partes. La primera parte consiste en la realizacin de un examen de teora y problemas de la materia -en las fechas aprobadas por la Junta de Facultad-, que puntuar un mximo de 8 puntos. Los otros dos puntos se reservan a la calificacin de las prcticas de ordenador (con el paquete informtico Maple). Esta calificacin podr obtenerse mediante ejercicios y/o exmenes realizados a lo largo del cuatrimestre, o bien mediante un examen prctico final que se realizar en cada convocatoria. Si en las convocatorias de junio o septiembre de 2010 se suspendiera globalmente la materia, se mantendra la nota de prcticas hasta la convocatoria de diciembre de 2010 (incluida). Si no se aprueba la materia en ese momento, deja de tenerse en cuenta la nota de prcticas. Las notas de teora y prctica se sumarn directamente. No es necesario aprobar las dos partes por separado, ni ninguna de ellas en particular. Basta con que la suma de ambas sea una calificacin mayor o igual que 5 sobre 10. NOTA: Las calificaciones de prcticas con ordenador obtenidas con anterioridad a enero de 2010 no se tendrn en cuenta en las convocatorias de junio y septiembre del actual curso acadmico 2009/2010. Fontes de informacin Bibliografa bsica
Garca, A.; Lpez, A.; Rodrguez, G.; Romero, S.; De La Villa, A. (2002). Clculo (volumen 1). CLAGSA Smith, T.; Minton, R. (2003). Clculo 1. McGraw-Hill Bradley, G.; Smith, K. (1998). Clculo 1. Prentice Hall Bradley, G.; Smith, K. (1998). Clculo 2. Prentice-Hall Smith, T.; Minton, R. (2003). Clculo 2. McGraw-Hill Stewart, J. (2001). Clculo de una variable. Thomson Learning Stewart, J. (2002). Clculo multivariable. Thomson Learning
Bastero, C.; Garca de Jaln, J.; Garay, A.; Ricondo, I.; Valencia, P. (1998). Aprenda Maple V como si estuviera en primero. Universidad de Navarra Amillo, J.; Ballesteros, F.; Guadalupe, R.; Martn, L. (1996). Clculo. McGraw-Hill Garca, A.; Lpez, A.; Rodrguez, G.; Romero, S.; De la Villa, A. (). Clculo (volumen 2). CLAGSA
Larson, R.; Hostetler, R.; Edwards, B. (1999). Clculo y geometra analtica. McGraw-Hill Cendn Verdes, J. J. (2008). Curso de Clculo. http://200.dm.fi.udc.es/moodle/ Galindo Soto, F.; Sanz Gil, J.; Tristn Vega, L. A. (2003). Gua Prctica de Clculo Infinitesimal en una variable real. Thomson Galindo Soto, F.; Sanz Gil, J.; Tristn Vega, L. A. (2005). Gua Prctica de Clculo Infinitesimal en varias variables. Thomson Estvez Andreu, A.; Enciso Pizarro, J. (2005). Matemticas. McGraw-Hill (serie "Aprueba tu examen con Schaum") Tomeo Perucha, V.; Ua Jurez, I.; San Martn Moreno, J. (2005). Problemas resueltos de Clculo en una variable. Thomson
Materias que se recomenda cursar simultaneamente Estatstica I/614211101 lxebra/614211104
Materias que continan o temario Computacin Numrica/614211206
Observacins Se recomienda haber cursado en el Bachillerato las asignaturas Matemticas I y Matemticas II.
Datos Identificativos Asignatura Titulacin Descriptores Computacin Numrica ENXEEIRO TCNICO EN INFORMTICA DE XESTIN Crditos 6 Idioma Casteln Cr. tericos 3.5 Cr. prcticos 2.5 Tipo Troncal Curso Segundo Perodo 2 cuadrimestre Ciclo Cdigo 614211206
Departamento Matemticas Coordinacin Profesorado Web Descricin xeral O primeiro contacto que os alumnos teen coa Anlise Numrica ao travs de esta asignatura. Por isto, pretndese introducir a linguaxe desta rama das Matemticas as como tamn os elementos bsicos, non s para coecer as ferramentas axeitadas para resolver numricamente algns problemas e modelos matemticos elementis de situacins de aplicacin na enxeera, senn tamn os que resultan necesarios noutras disciplinas da titulacin. Iglesias Otero, Maria Teresa Iglesias Otero, Maria Teresa Correo electrnico maria.teresa.iotero@udc.es
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) - Estar familiarizado ca linguaxe propia da Anlise Numrica - Entender as caractersticas bsicas do prantexamento e resolucin dun problema matemtico cando se aborda desde o punto de vista da Anlise Numrica. - Coecer o efecto dos errores de redondeo - Comprender e ser capaz de aplicar axeitadamente os mtodos numricos que compoen os contidos da materia. - Coecer as propiedades de converxencia e as limitacins de aplicacin dos mtodos numricos estudados. - Ser capaz de implementar de forma eficiente en Fortran os algoritmos numricos propostos. - Estudar e comparar a converxencia e a eficiencia dos distintos algoritmos numricos considerados para un mesmo problema. - Interpretar de xeito adecuado os resultados numricos acadados. Contidos Temas Subtemas A que se adica a Anlise Numrica. Tipos de erros. Notacin cientfica normalizada. Aproximacin por redondeo e redondeo a cero. Erros absoluto e relativo. Cifras significativas. Erros de redondeo e estabilidade numrica. Representacin de nmeros en coma flotante. Conceptos previos: Condicionamento na avaliacin duhna funcin. Separacin de races. Mtodos de dicotoma. Mtodo de iteracin funcional. Mtodos de Newton-Raphson. Variantes do mtodo de Newton. Orde de converxencia. O problema da interpolacin. Interpolacin de Lagrange. Diferencias divididas: frmula de Newton. Erro de interpolacin. Interpolacin de Hermite. Determinacin do polinomio de Hermite usando diferencias divididas. Cota do erro. Interpolacin por splines: splines lineal e cbico. O problema da derivacin numrica. Derivacin de tipo interpolatorio polinmico. Erro. Deduccin de frmulas de derivacin numrica a partir do desenrolo en Competencias da titulacin A5 A7 B2 B3 B11 B12 C6
Introducin a Anlise Numrica. Erros
Resolucin numrica de ecuacins.
Interpolacin numrica.
Derivacin numrica.
serie de Taylor. O problema da integracin numrica. Frmulas de tipo interpolatorio polinmico: punto medio, trapecio e Simpson. Estimacin do erro. Frmulas de Newton-Cotes. Frmulas xerales do erro. Grao de precisin das frmulas de Newton-Cotes. Propiedades das frmulas de tipo interpolatorio polinmico. Cadratura composta. Introduccin. Mtodos explcitos e implcitos de Euler. Mtodo do trapecio. Mtodos de Taylor. Preliminares. Condicionamento. Mtodos directos: factorizacins LU e de Cholesky. Mtodos iterativos clsicos: Jacobi, Gauss-Seidel e relaxacin. Introduccin a Fortran90 Implementacin dos mtodos numricos desenrrolados nos temas anteriores do programa Planificacin
Integracin numrica.
Resolucin numrica de ecuacins diferenciais ordinarias. Resolucin numrica de sistemas de ecuacins lineais. Programacin de mtodos numricos en Fortran90
A Horas presenciais
1 3

26 120

27 123
Prcticas de laboratorio Proba obxectiva
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Descricin Dado que xa no hai docencia presencial, o mesmo que ocorre coa proba obxetiva, a nica metodoloxa posible o traballo personal do alumno quee o responsable de acadar os coecementos que lle permitan abordar un exame. No devandito exame avalanse os coecementos de programacin, en linguaxe Fortran, dos mtodos numricos desenrolados nos contidos da asignatura. Debemos destacar que este exame dirxese aos alumnos que no tean sido avaliados positivamente nesa parte prctica con anterioridade. Avalanse, a travs dun exame ao final do cadrimestre, os coecementos acadados ao longo do curso mediante una proba composta por varios exercicios tericos y/ou prcticos. Atencin personalizada Metodoloxas Descricin
Proba obxectiva
Avaliacin Metodoloxas Prcticas de laboratorio Descricin Avalase o traballo feito polo alumno durante cursos acadmicos previos nas clases prcticas de laboratorio. Se tal avaliacin non Cualificacin 10
se conseguiu, valorarase o coecemento desta parte prctica cun exame. Trtase dun exame escrito sobre os contidos (teora e problemas) da asignatura. Valora pois tanto os coecementos tericos adquiridos como a capacidade de resolucin de problemas por parte do alumno.
Proba obxectiva
90
Observacins avaliacin As das metodoloxas que computan para a avaliacin da asignatura son probas presenciis. Para aprobar a asignatura, a suma das cualificacins obtidas nos dous exames debe acadar cinco puntos (sobre 10). Fontes de informacin Bibliografa bsica
Mathews, J. H. e Fink, K. D. (2000). Mtodos Numricos en Matlab . Prentice-Hall Burden, R. L. e Faires, J. D. (2000). Anlisis Numrico. Thomson
Kincaid, D. e Cheney, W. (1994). Anlisis Numrico: las matemticas del clculo cientfico. . Addison-Wesley Gerald, C. F. e Wheatley, P. O . (1990). Applied Numerical Analysis. Addison-Wesley Quarteroni, A., Sacco, R e Saleri, F. (2000). Numerical mathematics . Springer Bibliografa complementaria
http://triton.fcaglp.unlp.edu.ar/fortran/index.html (). . http://www.liv.ac.uk/HPC/HTMLF90Course/HTMLF90CourseSlides.html (). . Faires, J. D. e Burden, R. (2004). Mtodos numricos. Thomson Epperson, J. (2002). An introduction to numerical methods and analysis. John Wiley and sons Atkinson, K. e Han, W. (2004). Elementary numerical analysis. John Wiley and sons Metcalf, M. e Reid, J. (1999). Fortran 90/95 explained. Oxford University Press
Ciarlet, P. G. (1999). Introduccin Anlise Numrica Matricial e Optimizacin. Seminario de Publicacins d Universidade de Santiago Viao, J. M. (1995). Lecciones de Mtodos Numricos 1. Introduccin general y anlisis de errores.. Trculo Viao, J. M. (1997). Lecciones de Mtodos Numricos 2. Resoluccin de ecuaciones numricas. Trculo Viao, J. M. y Burguera, M. (2000). Lecciones de Mtodos Numricos 3. Interpolacin. Trculo Golub, G. H. e Van Loan, C. F. (1996). Matrix Computations. The Johns Hopkins U. P. Infante, J. A. e Rey, J. M. (1999). Mtodos Numricos. Teora, problemas y prcticas con Matlab. Pirmide Conde, C. e Winter, G. (1990). Mtodos y Algoritmos Bsicos del lgebra Numrica. Revert Snchez, J. M. e Souto, A. (2005). Problemas de Clculo Numrico para ingenieros con aplicaciones Matlab. McGraw-Hill
Garca Merayo, F., Martn Ayuso, V., Boceta Martnez, S. y Salete Casino, E. (2005). Problemas resueltos de programacin en Fortran95. Thomson Brainerd, W. S., Goldberg, J. C. e Adams, J. C. (1994). Programmer's guide to Fortran90. Unicomp
Observacin sobre a bibliogarfa complementaria

O texto de Ciarlet traduccin de Introduction l'Analyse Numrique Matricielle et l'Optimisation. Masson, 1982
Enlaces de inters sobre Fortran:

Fortran.com, en http://www.fortran.com/ Fortran Open Directory, en http://www.dmoz.org/Computers/Programming/Languages/Fortran/ Fortran At York, en http://www.cse.yorku.ca/~{}roumani/fortran/
Compiladores de Fortran:
GFortran, en http://gcc.gnu.org/fortran/ o compilador de GNU, parte de (GCC); parcialmente compatible con Fortran 2003. Tamn pode descargarse e acceder a outra informacin de inters a travs de "GFortran wiki" en http://gcc.gnu.org/wiki/GFortran G95, en http://www.g95.org/
En lugar de utilizar os dous compiladores anteriores en entorno de comandos, pode ser preferible usar un entorno grfico como Photran, que se pode atopar en http://www.eclipse.org/photran/ (recomendado) Inter Compiler Fortran en http://www.intel.com/cd/software/products/asmo-na/eng/compilers/282048.htm o compilador de Fortran de Intel Ten licencia gratuitano-comercial (actualmente, para la versin 10.1) para Linux. compatible con Fortran 2003. OpenWatcom, en http://www.openwatcom.org/index.php/Main_Page ocompilador Watcom na actual versin de libre distribucin. Poden acharse outros moitos compiladores libres a travs do listado http://www.thefreecountry.com/compilers/fortran.shtml http://www.openwatcom.org/index.php/Main_Page http://www.thefreecountry.com/compilers/fortran.shtml http://triton.fcaglp.unlp.edu.ar/slax/index.html
Libraras e ferramentas de Fortran:

"Slax -EdicinFortran-", en http://triton.fcaglp.unlp.edu.ar/slax/index.html Trtase dunha distribucin LiveCD do sistema operativo GNU/Linux orientada a estudiantes de Matemticas ou Enxeera que comezan a programar en Fortran. Inclue programas especficos de programacin en Fortran e de Anlise Numrica (por exemplo, GFortran, Lapack, GNUplot, Octave e Maxima).
En www.netlib.org presntase unha coleccin de software matemtico, entre o que se inclue a librara Lapac GNUplotFortran, en http://gnuplotfortran.sourceforge.net/ un interfaz de GNUplot para Fortran 95. Pode ser til para realizar grficos. F90GL, en http://math.nist.gov/f90gl/
Permite realizar grficos con OpenGL para Fortran 90. interesante o listado de libreras libres e comerciais proporcionado en http://www.fortran.com/tools.html
Datos Identificativos Asignatura Titulacin Descriptores Investigacin Operativa ENXEEIRO TCNICO EN INFORMTICA DE XESTIN Crditos 5 Idioma Departamento Coordinacin Profesorado Web Casteln Matemticas Quintela Del Rio, Alejandro Quintela Del Rio, Alejandro http://193.144.60.241/~io Correo alejandro.quintela@udc.es electrnico Cr. tericos 2.5 Cr. prcticos 2.5 Tipo Troncal Curso Terceiro Perodo 1 cuadrimestre Ciclo Cdigo 614211304
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Aprender los contenidos del temario Competencias da titulacin A9 B9 B11
Contidos Temas TEMA 0: Historia de la investigacin de operaciones. La Investigacin Operativa en la segunda guerra mundial: -La mquina Enigma, -El snar, -El proyecto Manhattan. TEMA 1: MODELOS DE PROGRAMACION LINEAL y APLICACIONES. . Formulacin de modelos de programacin lineal. Ejemplos. . Solucin grfica de problemas de programacin lineal con dos variables. Interpretacin. Definiciones bsicas. . Problemas de programacin lineal en forma estndar. . Sistemas de ecuaciones lineales simultaneas. Definiciones bsicas:solucin factible, variables bsicas y no bsicas, sistema cannico, solucin bsica, solucin factible bsica. TEMA 2: EL METODO DEL SIMPLEX. . Esquema bsico de funcionamiento del mtodo del Simplex. Beneficios relativos, criterio de entrada, criterio de salida (regla de la mnima proporcin), elemento pivote, pivotaje. . El mtodo del Simplex por tablas. . Problemas de clculo: empates en el criterio de entrada, empates en el criterio de salida, degeneracin, ciclaje. . Obtencin de una solucin factible bsica inicial: Mtodo de las Dos Fases y Mtodo de las Penalizaciones. - Otros: Consideraciones computacionales, Mtodo del punto interior. TEMA 3: EL METODO REVISADO DEL SIMPLEX. . El mtodo revisado: Conceptos bsicos. Vector de Multiplicadores. . Desarrollo del mtodo. . Ventajas del mtodo revisado del Simplex sobre el mtodo del Simplex regular. TEMA 4: TEORIA DE LA DUALIDAD. . Fomulacin del problema dual. . Problemas primal-dual simtrico. Propiedades y relaciones de los problemas primal y duaL . Teoremas de la dualidad. . Condiciones de holguras complementarias. . Problemas asimtricos primal-duaL . Lectura de la solucin dual ptima en la tabla ptima primaL TEMA 5: EL METODO DUAL DEL SIMPLEX. . Conceptos fundamentales. Bases factibles dual y primaL . Desarrollo del mtodo dual del Simplex. . Identificacin de problemas no factibles. TEMA 6: ANALISIS DE SENSIBILIDAD Y PROGRAMACION PARAMETRICA. . Modificaciones en los coeficientes de la funcin del objetivo. . Modificaciones en las constantes de la derecha de las restricciones. . Modificaciones en la matriz de coeficientes de las restricciones. . Adicin de nuevas variables. . Adicin de nuevas restricciones. . Variacin paramtrica de los coeficientes de la funcin del objetivo. . Variacin paramtrica de las constantes de la derecha de las restricciones. TEMA 7: PROGRAMACION LINEAL ENTERA. . Formulacin de modelos. . Algoritmo de ramificacin y acotacin. . Aspectos computacionales. PROBLEMAS ESPECIALES DE PROGRAMACION LINEAL. 1 Problemas de Transporte. . Formulacin del Problema Standard del Transporte. . Obtencin de una solucin factible bsica inicial: mtodo de la esquina noroeste y mtodo del coste mnimo. . Algoritmo de Stepping-Stone. 2 Problemas de Asignacin. . Formulacin del Problema Standard de Asignacin. . Mtodo Hngaro. Planificacin Subtemas
A Horas
B Horas non
C (A+B) Horas
presenciais
presenciais / traballo autnomo

0 0
totais
Sesin maxistral Prcticas de laboratorio
62.5 62.5
62.5 62.5
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Sesin maxistral Prcticas de laboratorio Descricin La mitad de las clases se dan en formato sesion maxistral. La otra mitad de las clases, como son clases prcticas, se darn en el aula (problemas de pizarra) o en el laboratorio (prcticas de ordenador) Atencin personalizada Metodoloxas Descricin
Avaliacin Metodoloxas Sesin maxistral Prcticas de laboratorio Descricin Cualificacin 0 0
Observacins avaliacin Examen final tipo test, en general. Dependiendo de la cantidad de alumnos podra no ser tipo test. En general se tiene en cuenta la asistencia del alumnado a las clases prcticas Fontes de informacin Bibliografa bsica BIBLIOGRAFA . ANDERSON, D.R. - SWEENEY, D.J. - WILLIAMS, T.A. Introduccin a los modelos cuantitativos para administracin. Grupo Editorial Iberoamericana. . BRONSON. R. Teora y problemas de Investigacin de operaciones. Schaum, McGrawHill . GARCIA, J. - FERNANDEZ, L. - TEJERA, P. Tcnicas de Investigacin Operativa.
Ed. Paraninfo. . HILLIER,F. - LIEBERMAN, G. Introduccin a la Investigacin de Operaciones. McGraw-Hill . INFANTE MACIAS, R. Mtodos de Programacin Matemtica. UNED . MATHUR - SOLOW Investigacin de Operaciones. Prentice Hall . PARDO, L. Programacin Lineal Continua: Aplicaciones prcticas en la Empresa. Ed. Daz de Santos. . PARDO, L. Programacin Lineal Entera: Aplicaciones prcticas en la Empresa. Ed. Daz de Santos. . RAVINDRAN, A. - PHILLIPS, D. - SOLBERG, J. Operations Research. Principles and Practice. Wiley. . RIOS INSUA, S. Investigacin Operativa. Optimizacin. Ed. Centro de Estudios Ramn Areces. . TAHA, H. Investigacin de Operaciones. Prentice Hall Bibliografa complementaria
Recomendacins Materias que se recomenda ter cursado previamente Estatstica I/614111101 Clculo/614111108 Computacin Numrica/614111204
Materias que continan o temario Tcnicas Operativas de Xestin/614111647
Observacins
Datos Identificativos Asignatura Titulacin Descriptores Proxecto fin de Carreira ENXEEIRO TCNICO EN INFORMTICA DE XESTIN Crditos 10 Idioma Departamento Computacin Economa Financeira e Contabilidade Electrnica e Sistemas Matemticas Tecnoloxas da Informacin e as Comunicacins Miones Crespo, Ramon Cendan Verdes, Jose Jesus Dapena Janeiro, Adriana Losada Perez, Jose Miones Crespo, Ramon Parapar Lpez, Javier Quintela Del Rio, Alejandro Rabual Dopico, Juan Ramon Rodriguez Luaces, Miguel Valderruten Vidal, Alberto Vazquez Regueiro, Carlos Web Descricin xeral http://www.fic.udc.es jesus.cendan.verdes@udc.es adriana.dapena@udc.es jose.losada@udc.es ramon.minones@udc.es javier.parapar@udc.es Correo electrnico alejandro.quintela@udc.es juan.rabunal@udc.es miguel.luaces@udc.es alberto.valderruten@udc.es carlos.vazquez.regueiro@udc.es Cr. tericos 0 Cr. prcticos 10 Tipo Troncal Curso Terceiro Perodo Ciclo Anual Cdigo 614211310
Coordinacin Profesorado
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Competencias da titulacin
Contidos Temas Subtemas Planificacin
A Horas presenciais

0
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado
Metodoloxas Metodoloxas Descricin Atencin personalizada Metodoloxas Descricin
Datos Identificativos Asignatura Titulacin Descriptores Estatstica II ENXEEIRO TCNICO EN INFORMTICA DE XESTIN Crditos 4 Cr. tericos 2 Cr. prcticos 2 Tipo Troncal Curso PrimeiroSegundoTerceiro Perodo 1 cuadrimestre Ciclo Cdigo 614211653
Idioma Departamento Matemticas Coordinacin Profesorado Web Descricin xeral Vilar Fernandez, Juan Manuel Vilar Fernandez, Juan Manuel Correo electrnico juan.vilar@udc.es
http://http://http://www.udc.es/dep/mate/estadistica2/estadistica_2.htm Pretndese que o alumno coeza e aprenda a utiliza-los modelos de deseo de experimentos e anlise de regresin lineal. A docencia da materia ter un carcter eminentemente prctico, centrndose na presentacin e interpretacin dos distintos modelos (formulacin matemtica, hipteses supostas, etc.) e na sa aplicacin na prctica (estimacin, anlise crtica dos resultados obtidos e estudio dos problemas que se poden presentar); apoindose no emprego dun paquete estatstico (principalmente Statgraphics). Sera especialmente recomendable ter superado a materia de Estatstica I e sera convinte tamn ter cursado outras con contido matemtico (como por exemplo lxebra e Clculo). Esta materia ser de utilidade para outras da titulacin, como por exemplo as relacionadas co tratamento do sinal (Medios de Transmisin, Tratamento Dixital do Sinal), Intelixencia Artificial, Linguaxes Naturais, Redes de Neuronas Artificiais, Tcnicas de Simulacin, as relacionadas co recoecemento de imaxes, etc. Ademais doutras da mesma rea como Mtodos Estatsticos ou Simulacin Estatstica.
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Aprender de maneira autnoma novos coecementos e avanzadas axeitadas para a investigacin e anlisis de datos Resolver problemas estatsticos de forma efectiva. Aplicar un pensamento crtico, lxico e creativo no plantexamento e resolucin de problemas estatsticos. Traballar en equipos de carcter interdisciplinar con necesidades estatsticas Capacidade para a anlise e a sntese na resolcucin de problemas con contidos estatsticos Valorar criticamente o coecemento e a tecnoloxa estatstica para resolver os problemas cos que deben enfrontarse. Valorar a importancia que ten a investigacin, a innovacin e o desenvolvemento tecnolxico no avance socioeconmico e cultural da sociedade. Contidos Temas Subtemas 1.1. Inferencia estatstica (repaso) 1.2. Tests de hipteses paramtricos (repaso) 1.3. Tests de hipteses non paramtricas: Tests de bondade de axuste e de aleatoriedade 2.1. Introducin 2.2. Resumo dos principais conceptos 2.3. Principios bsicos do deseo de experimentos: Repeticin do experimento, tcnicas estatsticas Competencias da titulacin A1 B1 B3 B8 B12 C6 C8
Tema 1. Conceptos bsicos de inferencia estatstica Tema 2. Principios bsicos do deseo de experimentos Tema 3. Deseos cunha fonte de variacin Tema 4. Deseos con dous ou mis fontes de variacin Tema 5. Regresin lineal simple Tema 6. Regresin lineal mltiple
homoxeneidade estatstica das comparacins, principio de aleatorizacin 2.4. Clasificacin dos deseos de experimentos 2.5. Algns deseos experimentais clsicos 3.1. Deseo cun factor completamente aleatorizado de efectos fixos 3.2. Diagnose do modelo do ANOVA I 3.3. Deseo cun factor completamente aleatorizado de efectos aleatorios 4.1. Deseo en bloques completamente aleatorizado (con replicacin; ANOVA II sen interaccin) 4.2. Deseo con dous factores completamente aleatorizado (ANOVA II con interaccin) 4.3. Outros deseos clsicos de experimentos: Deseo con tres factores completamente aleatorizado, deseos en cadrado latino e greco-latino 5.1. Introducin: Regresin e correlacin 5.2. O modelo de regresin lineal simple 5.3. Estimacin e propiedades dos estimadores dos parmetros 5.4. Bondade do axuste 5.5. Predicin en regresin lineal simple 5.6. Diagnose do modelo 6.2 O modelo lineal xeral de regresin 6.3 Estimacin e propiedades dos estimadores dos parmetros 6.4 Bondade do axuste 6.5 Outros contrastes de interese (modelo completo e reducido) 6.6 Predicin en regresin lineal mltiple 6.7 Diagnose do modelo: multicolinealidade 6.8 Mtodos para a seleccin de variables explicativas Planificacin
A Horas presenciais
15 11 19 1 2.5

11.25 8.25 28.5 0.5 0

26.25 19.25 47.5 1.5 2.5
Solucin de problemas Prcticas de laboratorio Sesin maxistral Actividades iniciais Proba mixta
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Solucin de problemas Prcticas de laboratorio Descricin Resolucin de ejercicios ("a mano") con la ayuda de la calculadora y tablas estadsticas. Empleando un paquete estadstico (statgrahics, R, ...), los alumnos resolvern
distintos tipos de problemas. Se emplear el proyector para la presentacin de los distintos temas (moodle), incluyendo grficos y simulaciones para ayudar a entender los distintos conceptos. Tambin se recurrir a la pizarra para explicaciones adicionales y se mostrarn ejemplos con algn paquete estadstico. Presentacin de la asignatura. Exposicin de los recursos disponibles (pgina web, bibliografa de referencia) Examen con una parte tipo test, con cuestiones que se centraran principalmente en los conceptos ms tericos y en habilidades que debera haber adquirido el alumno (como por ejemplo la interpretacin de resultados grficos), y otra prueba que constara de dos ejercicios anlogos a los vistos en las clases tericas y en las prcticas de pizarra Atencin personalizada Metodoloxas Solucin de problemas Descricin Resolucin de ejercicios propuestos de los distintos temas
Sesin maxistral
Proba mixta
Avaliacin Metodoloxas Descricin Se evaluar con una prueba de dos ejercicios anlogos a los vistos en las clases tericas y en las prcticas de pizarra, que el alumnos debera resolver con la ayuda de la calculadora y tablas estadsticas. Uno de los ejercicios correspondera al bloque de diseo de experimentos y otro al de regresin lineal. Opcionalmente se podra realizar ejercicios prcticos para subir nota. Se evaluar principalmente a travs de la prueba tipo test. Cualificacin
45
10 45
Fontes de informacin Bibliografa bsica -Montgomery, C., Diseo y Anlisis de Experimentos, Grupo Editorial Iberoamerica, 1991, Libro, -Pea D. , Estadstica, modelos y mtodos. 2: Modelos lineales y series temporales. 2nd. ed, Alianza Universidad Textos., 1989, Libro, -Pea D. , Regresin y Diseo de Experimentos, Alianza Editorial, 2002, Libro, -Ricardo Cao, Mario Francisco, Salvador Naya, Manuel Presedo, Margarita Vzquez, Jos A. Vilar and , Introduccin a la estadstica y sus aplicaciones, Ediciones Pirmide, 2001, Libro, -Vilar Fernndez, J.M., Modelos estadsticos aplicados, Universidade da Corua, Servicio de publicacins., 2003, Libro, Bibliografa complementaria Bibliografa adicional est disponible en la web de la asignatura: http://www.udc.es/dep/mate/estadistica2/estadistica_2.htm Recomendacins Materias que se recomenda ter cursado previamente
Observacins Los alumnos deberan tener cursada la asignatura de Estadstica I y sera deseable que hubieran superado otras con contenido matemtico como por ejemplo Algebra, Clculo Matemtica Discreta. Esta asignatura tambin ser de utilidad para otras de correspondiente titulacin como por ejemplo, las relacionadas con el tratamiento de la seal (Medios de Transmisin, Tratamiento Digital de la Seal), Inteligencia Artificial, Lenguajes Naturales, Redes de Neuronas Artificiales, Tcnicas de Simulacin y las relacionadas con el reconocimiento de imgenes e, entre otras. Adems de otras de de la misma rea como Mtodos Estadsticos o Simulacin Estadstica.
Datos Identificativos Asignatura Titulacin Descriptores Estatstica I ENXEEIRO TCNICO EN INFORMTICA DE SISTEMAS Crditos 6 Idioma Departamento Coordinacin Profesorado Web Matemticas Aneiros Perez, German Aneiros Perez, German Correo german.aneiros@udc.es electrnico Cr. tericos 3.5 Cr. prcticos 2.5 Tipo Troncal Curso Primeiro Perodo 2 cuadrimestre Ciclo Cdigo 614311101
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Conocer las tcnicas y conceptos bsicos relativos a: (a) la descripcin de observaciones (fundamentalmente numricas), (b) el clculo de probabilidades, y (c) la inferencia estadstica. Aplicar dichas tcnicas a situaciones y problemas que se presentan en la realidad, en especial en el campo de la Informtica. B1 B2 B8 B12 A1 B9 B11 Competencias da titulacin C8
Comprender el alcance de los resultados y conclusiones obtenidos.
Contidos Temas 1. DESCRIPCIN ESTADSTICA DE UNA VARIABLE Subtemas 1.1 1.2 1.3 1.4 2.1 2.2 2.3 2.4 2.5 Conceptos generales. Distribuciones de frecuencias. Representaciones grficas. Medidas caractersticas: medidas de posicin, de dispersin y de forma. Vectores estadsticos. Distribuciones de frecuencias. Representaciones grficas. Medidas caractersticas: vector de medias, matriz de varianzas y covarianzas. Regresin lineal. Correlacin.
2. DESCRIPCIN ESTADSTICA CONJUNTA DE VARIAS VARIABLES
3.1 Conceptos generales. 3.2 Definicin axiomtica de probabilidad. Asignacin de 3. FUNDAMENTOS DE LA TEORIA probabilidades. DE LA PROBABILIDAD 3.3 Probabilidad condicionada. Independencia de sucesos. Regla del producto. Teorema de las probabilidades totales. Teorema de Bayes. 4.1 4.2 4.3 4.4 4.5 4.6 Concepto de variable aleatoria unidimensional. Funcin de distribucin. Variables aleatorias discretas. Medidas caractersticas. Variables aleatorias continuas. Medidas caractersticas. Distribuciones notables discretas. Distribuciones notables continuas. El teorema central del lmite. Aproximacin entre distribuciones. Distribuciones asociadas a la normal.
4. VARIABLES ALEATORIAS UNIDIMENSIONALES
5. INTRODUCCIN A LA INFERENCIA ESTADSTICA 6. ESTIMACIN PUNTUAL
5.1 Conceptos generales. 5.2 Introduccin al muestreo. Muestreo aleatorio simple. 6.1 Concepto de estimador puntual. La distribucin en el muestreo de un estimador puntual.
6.2 Propiedades deseables de los estimadores. 6.3 Estimador puntual de la media. Estimador puntual de la varianza. Estimador puntual de una proporcin. 6.4 Mtodos para la construccin de estimadores. 7.1 Concepto de intervalo de confianza. 7.2 Intervalos de confianza para la media. Intervalo de confianza para la varianza. Intervalos de confianza para una proporcin. 7.3 Intervalos de confianza para la diferencia de medias. Intervalo de confianza para el cociente de varianzas. Intervalos de confianza para la diferencia de proporciones. 8.1 Conceptos generales. 8.2 Procedimiento general del contraste de hiptesis. Nivel crtico o p-valor. 8.3 Contraste de hiptesis paramtricas. Contrastes para la media. Contrastes para la varianza. Contraste para una proporcin. Contrastes para la diferencia de medias. Contraste para el cociente de varianzas. Contraste para la diferencia de proporciones. 8.4 Contraste de hiptesis no paramtricas. Contrastes de posicin. Contrastes de bondad de ajuste. Contrastes de independencia. Contrastes de homogeneidad. Planificacin
7. ESTIMACIN POR INTERVALOS DE CONFIANZA
8. CONTRASTE DE HIPTESIS
A Horas presenciais
1 25 4 35

0 25 0 52.5

1 50 4 87.5
Proba de resposta breve Prcticas de laboratorio Proba de resposta mltiple Sesin maxistral
7.5
7.5
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Descricin Uno de los requisitos para aprobar la asignatura ser la superacin de una prueba compuesta por problemas de carcter prctico. Dichos problemas se resolvern con la ayuda del paquete estadstico utilizado en las prcticas de laboratorio. Ms informacin sobre este punto puede ser vista en la Seccin 7: Evaluacin. El profesor resolver en la pizarra distintos tipos de problemas eminentemente prcticos, y propondr a los alumnos la resolucin de otros. Adems, con la ayuda de un PC, se ensearn los conceptos bsicos necesarios para el manejo elemental de un paquete estadstico (STATGRAPHICS), el cual ser utilizado tanto para la realizacin de grficos estadsticos como para la resolucin de problemas. Uno de los requisitos para aprobar la asignatura ser la superacin de una prueba de respuesta mltiple. Ms informacin sobre dicha prueba puede ser vista en la Seccin 7: Evaluacin. El profesor desarrollar en clase los contenidos del Temario. Para ello, utilizar tanto la pizarra como la proyeccin de transparencias. Atencin personalizada Metodoloxas Descricin
Proba de resposta breve
Sesin maxistral
Cualquier duda que se le presente al alumno a lo largo de las horas presenciales tratar de ser resuelta instantneamente. Sin embargo, es posible que otras dudas surjan una vez que el estudiante profundice en la materia en el transcurso de horas no presenciales. En este caso, resulta conveniente que el alumno contacte con el profesor fuera de las horas presenciales, de modo que ste le atienda personalmente.
Avaliacin Metodoloxas Proba de resposta breve Descricin Constar de cuestiones y problemas prcticos, que han de resolverse con la ayuda del paquete estadstico utilizado en las prcticas de laboratorio. Constar de cuestiones tipo test, de carcter eminentemente prctico. Cualificacin 20
80
CAO, R., FRANCISCO, M., NAYA, S., PRESEDO, M.A., VZQUEZ, M., VILAR, J.A. y VILAR, J.M. (2001). Introduccin a la estadstica y sus aplicaciones.. Ediciones Pirmide DEVORE, J.L. (2001). Probabilidad y esta-dstica para ingeniera y ciencias.. ThomsonLearning MONTGOMERY, D.C. y RUNGER, G.C. (1996). Probabilidad y estadstica aplicadas a la ingeniera.. McGraw-Hill
DE LA HORRA, J. (1995). Estadstica aplicada. . Daz de Santos MILTON, J.S. y ARNOLD, J.C. (2003). Probabilidad y estadstica con aplicaciones para ingeniera y ciencias computacionales. . McGraw-Hill PEA, D. (2001). Fundamentos de estadstica.. Alianza Editorial PREZ, C. (2002). Estadstica prctica con STATGRAPHICS. . Prentice Hall TOMEO, V. y UA, I. (2003). Lecciones de estadstica descriptiva. . Thomson UA, I., TOMEO, V. y SANMARTN, J. (2003). Lecciones de clculo de probabilidades.. Thomson
Recomendacins Materias que se recomenda ter cursado previamente Clculo/614311108
Estatstica II/614311653
Datos Identificativos Asignatura Titulacin Descriptores Clculo ENXEEIRO TCNICO EN INFORMTICA DE SISTEMAS Crditos 6 Idioma Casteln Cr. tericos 3.5 Cr. prcticos 2.5 Tipo Troncal Curso Primeiro Perodo 1 cuadrimestre Ciclo Cdigo 614311108
Departamento Matemticas Coordinacin Profesorado Web Descricin xeral En esta asignatura se explican conceptos del anlisis de funciones de una variable real (continuidad, derivabilidad, integracin,...) y de funciones de varias variables reales, con aplicaciones, en ambos casos, a problemas reales de optimizacin y aproximacin de funciones. Se presenta una introduccin a la modelizacin matemtica de problemas de la biologa e ingeniera, junto con algunos mtodos analticos de resolucin de ecuaciones diferenciales ordinarias. Por ltimo, se introducen series numricas y funcionales, para explicar la aproximacin de una funcin mediante una serie de potencias. Cendan Verdes, Jose Jesus Cendan Verdes, Jose Jesus Correo electrnico jesus.cendan.verdes@udc.es
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Saber analizar funciones representacin grfica. de una variable real: regularidad, optimizacin y Competencias da titulacin A3 A9 A10 B1 B2 B3 B4 B5 B7 B8 B9 B11 B12 B13 B15 B1 B2 B3 B4 B5 B7 B8 B9 B11 B12 B13 B15 B1 B2 B3 B4 B5 B7 B8 B9 B11 B12 B13 C1 C3 C4 C6 C7 C8
Conocer las tcnicas de integracin de funciones de una variable y saber aplicarlas al clculo de longitudes, superficies y volmenes.
A3 A9 A10
C1 C3 C4 C6 C7 C8
Saber analizar funciones de varias variables: lmites, diferenciacin, optimizacin con y sin restricciones.
A3 A9 A10
C1 C3 C4 C6 C7 C8
B15 Conocer tcnicas de resolucin de ecuaciones diferenciales ordinarias sencillas. Conocer los principios de la modelizacin matemtica. A3 A9 A10 B1 B2 B3 B4 B5 B7 B8 B9 B11 B12 B13 B15 B1 B2 B3 B4 B5 B7 B8 B9 B11 B12 B13 B15 B1 B2 B3 B4 B5 B7 B8 B9 B11 B12 B13 B15 C1 C3 C4 C6 C7 C8
Saber aproximar funciones mediante series de potencias.
A3 A9 A10
C1 C3 C4 C6 C7 C8
Saber utilizar una aplicacin informtica de clculo simblico para el desarrollo de los contenidos de la asignatura.
A3 A9 A10
C1 C3 C4 C6 C7 C8
Contidos Temas Subtemas * Conjuntos numricos. Propiedades. * Lmite de una funcin en un punto. * Funciones continuas. Teorema de Bolzano. * Funciones derivables. Regla de la cadena. Regla de L'Hpital. Derivacin implcita. Aplicaciones. * Frmula de Taylor. * Integral de Riemann. Propiedades. Primitiva de una funcin. Aplicaciones de la integral. * * * * * Funcin escalar y vectorial. Curvas y superficies de nivel. Lmite de una funcin escalar. Continuidad. Derivadas parciales y direccionales. Gradiente. Propiedades. Matriz jacobiana. Regla de la cadena. Derivadas de orden superior. Extremos relativos. Extremos condicionados: multiplicadores de Lagrange.
1. Nociones bsicas.
2. Funciones de varias variables.
3. Ecuaciones diferenciales
* Introduccin a las ecuaciones diferenciales. Conceptos bsicos. * Ecuaciones diferenciales de primer orden. Tipos. Existencia. * Ecuaciones diferenciales de orden n con coeficientes constantes. Mtodo de coeficientes indeterminados. * * * * * Sucesin de nmeros. Serie de nmeros. Operaciones. Convergencia de una serie. Propiedades. Criterios de convergencia. Series geomtricas. Series alternadas. Criterio de Leibnitz. Series de potencias.
4.Series numricas y funcionales.
5. Clculo con Maple.
* Conceptos generales. * Clculo diferencial e integral. * Sucesiones y series.
Planificacin
A Horas presenciais
15 45 5

19.5 60.5 0

34.5 105.5 5
Prcticas de laboratorio Sesin maxistral Proba obxectiva
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Prcticas de laboratorio Descricin Desarrollo en el laboratorio de los conceptos vistos en el aula, para una mejor comprensin de la asignatura. Mediante el apoyo de transparencias y de apletts, programas interactivos, se explican los diversos temas de la materia. El curso de Clculo est en internet bajo moodle, entorno de e-learning al que se accede en el transcurso de las clases. Est dividida en dos partes: la correspondiente al temario desarrollado en el aula y la asociada al Maple. Atencin personalizada Metodoloxas Prcticas de laboratorio Descricin La diversidad de formacin del alumnado recomienda una cierta orientacin que puede llevarse a cabo en el marco del plan de accin tutorial. Durante las clases de prcticas de laboratorio, el profesor presente en el aula ayudar a los alumnos en el desarrollo de estas prcticas e instruyndolos en el paquete informtico Maple.
Sesin maxistral
Proba obxectiva
Avaliacin Metodoloxas Prcticas de laboratorio Proba obxectiva Descricin Examen sobre la resolucin de problemas de la asignatura con ayuda de la herramienta Maple. Examen terico-prctico de los contenidos de la asignatura. Cualificacin 20 80
Observacins avaliacin La evaluacin de la asignatura consta de dos partes. La primera parte consiste en la realizacin de un examen de teora y problemas de la materia - en las fechas aprobadas por la Junta de Facultad -, que puntuar un mximo de 8 puntos. Los otros dos puntos se reservan a la calificacin de las prcticas de ordenador (con el paquete informtico Maple). Esta calificacin podr obtenerse mediante ejercicios y/o exmenes realizados a lo largo del cuatrimestre o bien mediante un examen prctico final que se realizar en cada convocatoria. Si en las convocatorias de junio o septiembre de 2010 se suspendiera globalmente la materia, se mantendr la nota de prcticas hasta la convocatoria de diciembre de 2010 (includa). Si no se aprueba la materia en ese momento, la nota de prcticas deja de tenerse en cuenta. Las notas de teora y prctica se sumarn directamente. No es necesario aprobar las dos partes por separado, ni ninguna de ellas en particular. Basta con que la suma de ambas sea una calificacin mayor o igual que 5 sobre 10. NOTA: Las calificaciones de prcticas con el ordenador obtenidas con anterioridad a enero de 2010 no se tendn en cuenta en las convocatorias de junio y septiembre del actual curso acadmico 2009/2010.
Smith, T. y Minton (2003). Clculo. Mcgraw-Hill Garca, A. et al. (2002). Clculo (volmenes 1 y 2). Clagsa Stewart, J. (2001). Clculo (volmenes 1 y 2). Thomson Learning Bradley-Smith. (1995). Clculo de una variable y Clculo de varias variables. Prentice-Hall J. J. Cendn - L. Hervella (2008). http://200.dm.fi.udc.es/moodle/. udc
Bastero, C. y otros (1998). Aprenda Maple V como si estuviera en primero. Universidad de Navarra
Observacins Se recomienda haber cursado las materias de Matemticas en el Bachillerato.
Datos Identificativos Asignatura Titulacin Descriptores Computacin Numrica ENXEEIRO TCNICO EN INFORMTICA DE SISTEMAS Crditos 6 Idioma Casteln Cr. tericos 3.5 Cr. prcticos 2.5 Tipo Troncal Curso Segundo Perodo 2 cuadrimestre Ciclo Cdigo 614311204
Departamento Matemticas Coordinacin Profesorado Web Descricin xeral En esta asignatura se presentan mtodos numricos elementales para resolver sistemas de ecuaciones lineales y ecuaciones no lineales, y para aproximar funciones, sus derivadas e integrales, y la solucin de ecuaciones diferenciales ordinarias. Constituye una primera aproximacin al Clculo Numrico y sienta las bases para el aprendizaje de otros mtodos ms sofisticados, como los que se estudian en el Master en Ingeniera Matemtica que se oferta desde la Facultad. Los mtodos que se estudian en esta asignatura se pueden emplear para resolver problemas que surgen en una gran variedad de mbitos y, en particular, en diversas asignaturas de la titulacin (como Estadstica II, Teora de Cdigos, Medios de Transmisin, Tratamiento Digital de la Seal, y Grficos en Computacin). Esta asignatura permite a los alumnos comprender el trasfondo de muchos de los programas informticos comerciales que utilizarn en el desarrollo de su actividad profesional, favorece un uso crtico de los mismos y proporciona herramientas para que sean capaces de modificarlos, as como de implementar aplicaciones especficas de clculo cientfico. Iglesias Otero, Maria Teresa Iglesias Otero, Maria Teresa Correo electrnico maria.teresa.iotero@udc.es
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Estar familiarizado con el lenguaje propio del Anlisis Numrico. Competencias da titulacin A1 A2 A3 A9 A10 A1 A2 A3 A9 A10 B7 B8 B13 B14 B2 B3 B6 B7 B8 B11 B13 B14 B15 B1 B2 B3 B6 B7 B8 B9 B11 B1 B2 B3 B4 B5 C1 C2 C5 C6 C8 C1 C2 C4 C5 C6 C8
Entender las caractersticas bsicas del planteamiento y resolucin de un problema matemtico cuando se aborda desde el punto de vista del Anlisis Numrico.
Conocer el efecto de los errores de redondeo.
A1 A2 A3 A9 A10
C5 C6 C8
Comprender y ser capaz de aplicar correctamente los mtodos numricos que se presentan en la asignatura.
A1 A2 A3 A9 A10
C1 C2 C4 C5 C6
B7 B8 B9 B11 B12 B13 B14 B15 Conocer las propiedades de convergencia y las limitaciones de aplicacin de los mtodos numricos estudiados. A1 A2 A3 A9 A10 B1 B2 B3 B6 B8 B11 B12 B15 B1 B2 B3 B5 B7 B8 B10 B11 B12 B1 B2 B3 B9 B11 B12 B1 B2 B3 B4 B5 B6 B7 B8 B9 B11 B12 B13 B14 B1 B3 B4 B5 B6 B7 B8 B13 B14
C7 C8
C5 C6
Ser capaz de implementar de forma eficiente en Fortran los algoritmos numricos estudiados y de validar los programas desarrollados. Interpretar adecuadamente los resultados numricos obtenidos
A1 A2 A3 A9 A10
C8
Ser capaz de estudiar y comparar la convergencia y la eficiencia de los distintos algoritmos numricos estudiados para resolver un mismo problema.
A1 A2 A3 A9 A10 A1 A2 A9 A10
C6 C8
Ser capaz de valorar la dificultad de un problema y de elegir el mtodo numrico estudiado que es ms adecuado para resolverlo. Tener una buena disposicin para la resolucin de problemas.
C1 C2 C4 C5 C6 C7 C8
Ser capaz de utilizar la bibliografa y las herramientas TIC disponibles para encontrar la informacin necesaria para resolver un problema dado.
A1 A2 A3 A9 A10
C1 C2 C3 C7
Contidos Temas Subtemas 1. Tipos de problemas en Anlisis Numrico y tipos de errores. - Mtodos constructivos. - Tipos de problemas en Anlisis Numrico. Error de discretizacin. - Conceptos de error de redondeo y error de truncamiento. Introduccin al Anlisis Numrico. 2. Errores absoluto y relativo. Cifras significativas. 3. Representacin de nmeros en coma flotante. - El estndar I.E.E.E. 754. - Exactitud de la representacin. Errores de underflow y de overflow. 4. Aproximacin por redondeo y por redondeo a cero.
5. Propagacin de errores y estabilidad numrica.
1. Algunos conceptos previos. - Mtodos de separacin de races. - Condicionamiento en la evaluacin de una funcin. - Orden de convergencia. - Criterios de parada. 2. Mtodo de biseccin o dicotoma. Resolucin numrica de ecuaciones no lineales. 3. Mtodos de punto fijo o de iteracin funcional. 4. Mtodo de Newton-Raphson. - Mtodo de Newton-Raphson. - Variantes del mtodo de Newton-Raphson. Mtodo de Newton simplificado y mtodo de Newton de paso p. Modificacin de Schrder.
1. Planteamiento general del problema de la interpolacin numrica. 2. Concepto de interpolacin polinmica. 3. Interpolacin de Lagrange. - Concepto de polinomio de interpolacin de Lagrange. - Existencia y unicidad del polinomio de interpolacin. - Clculo del polinomio de interpolacin: funciones de base y diferencias divididas. - Acotacin del error. Interpolacin numrica. 4. Interpolacin de Hermite. - Concepto de polinomio de interpolacin de Hermite. - Existencia y unicidad del polinomio de interpolacin. - Clculo del polinomio de interpolacion: funciones de base y diferencias divididas. - Acotacin del error. 5. Interpolacin por splines. - Concepto de spline interpolador de orden p. - Clculo del spline lineal. - Clculo del spline cbico. 1. Planteamiento general del problema de la derivacin numrica. 2. Conceptos de frmula de derivacin numrica y error de derivacin numrica. 3. Frmulas de derivacin numrica de tipo interpolatorio polinmico. Acotacin del error en los nodos. 4. Deduccin de frmulas de derivacin numrica a partir del desarrollo en serie de Taylor.
Derivacin numrica.
1. Planteamiento general del problema de la integracin numrica. 2. Conceptos de frmula de integracin numrica, error de integracin numrica y grado de precisin de una frmula. Integracin numrica. 3. Frmulas de integracin numrica de tipo interpolatorio polinmico. - Concepto de frmulas de integracin numrica de tipo interpolatorio polinmico. - Frmulas del punto medio, del trapecio y de Simpson. - Acotacin del error. - Propiedades bsicas: invarianza por traslaciones, variacin por homotecias y simetra.
4. Frmulas de Newton-Cotes. Acotacin del error. 5. Frmulas de cuadratura compuesta. 1. Motivacin y conceptos previos. Clasificacin de los mtodos numricos. Resolucin numrica de ecuaciones diferenciales ordinarias. 2. Mtodos de un paso. - Mtodo de Euler explcito. - Mtodo de Euler implcito. - Mtodo del trapecio. - Mtodos de Taylor. 1. Conceptos y resultados previos. Condicionamiento. - Descripcin del problema. Solucin algebraica y solucin numrica. - Algunas definiciones y propiedades. Autovalores y autovectores, radio espectral de una matriz. Normas vectoriales, normas vectoriales equivalentes, normas matriciales subordinadas a normas vectoriales. Sucesiones de vectores y de matrices. - Condicionamiento de un sistema de ecuaciones lineales. 2. Mtodos directos basados en las factorizaciones LU y LL^t. - Resolucin de sistemas de matriz diagonal y triangular. Algoritmos de sustitucin hacia adelante (descenso) y hacia atrs (remonte). - Mtodo LU. - Mtodo de Cholesky. 3. Mtodos iterativos clsicos. Mtodos de Jacobi, Gauss-Seidel y relajacin. - Motivacin. Estructura de un mtodo iterativo clsico. - Criterios de parada. - Mtodos de descomposicin. Mtodo de Jacobi. Mtodo de Gauss-Seidel. Mtodo de relajacin. - Convergencia de los mtodos iterativos clsicos. 1. El lenguaje de programacin Fortran. Programacin de mtodos numricos 2. Programacin de mtodos numricos en Fortran. en Fortran.
Resolucin numrica de sistemas de ecuaciones lineales.
Planificacin
A Horas presenciais
3 1

120 26

123 27
Proba obxectiva Prcticas de laboratorio
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Proba obxectiva Descricin Avalanse, a travs dun exame ao final do cadrimestre, os coecementos acadados ao longo do curso mediante una proba composta por varios exercicios
tericos y/ou prcticos. Dado que xa no hai docencia presencial, o mesmo que ocorre coa proba obxectiva, a nica metodoloxa posible o traballo personal do alumno quen o responsable de acadar os coecementos que lle permitan abordar un exame. No devandito exame avalanse os coecementos de programacin, en linguaxe Fortran, dos mtodos numricos desenrolados nos contidos da asignatura. Debemos destacar que este exame dirxese aos alumnos que no tean sido avaliados positivamente nesa parte prctica con anterioridade. Atencin personalizada Metodoloxas Descricin
Avaliacin Metodoloxas Descricin Avalase o traballo feito polo alumno durante cursos acadmicos previos nas clases prcticas de laboratorio. Se tal avaliacin non se conseguiu, valorarase o coecemento desta parte prctica cun exame. Trtase dun exame escrito sobre os contidos (teora e problemas) de toda a asignatura. Valora pois tanto os coecementos tericos adquiridos como a capacidade de resolucin de problemas por parte do alumno. Cualificacin
10
Proba obxectiva
90
Observacins avaliacin As das metodoloxas que computan para a avaliacin da asignatura son probas presenciis. Para aprobar a asignatura, a suma das cualificacins obtidas nos dous exames debe acadar cinco puntos (sobre 10). Fontes de informacin Bibliografa bsica
Mathews, J.H. y Fink, K.D. (2000). Mtodos Numricos en Matlab . Prentice-Hall Epperson, J. (2002). An introduction to numerical analysis. John Wiley and sons Burden, R.L. y Faires, J.D. (2002). Anlisis Numrico. Thomson Atkinson, K. y Han, W. (2004). Elementary numerical analysis. John Wiley and sons Ciarlet, P.G. (1999). Introduccin Anlise Numrica Matricial e Optimizacin. Seminario de Publicacins da Universidade de Santiago Quarteroni, A., Sacco, R. y Saleri, F. (2000). Numerical mathematics . Springer Observacin: El texto de Ciarlet es una traduccin de "Introduction l'Analyse Numrique Matricielle et l'Optimisation", ed. Masson (1982).
Faires, J.D. y Burden, R. (2004). Mtodos numricos. Thomson Kincaid, D. y Cheney, W. (1994). Anlisis Numrico: las matemticas del clculo cientfico. Addison-Wesley Gerald, C.F. y Wheatley, P.O. (1990). Applied Numerical Analysis. Addison-Wesley Metcalf, M. y Reid, J. (1999). Fortran 90/95 explained. Oxford University Press Viao, J.M. (1995). Lecciones de Mtodos Numricos 1. Introduccin general y anlisis de
errores.. Trculo Viao, J.M. (1997). Lecciones de Mtodos Numricos 2. Resolucin de ecuaciones numricas. Trculo Viao, J.M. y Burguera, M. (2000). Lecciones de Mtodos Numricos 3. Interpolacin. Trculo Golub, G.H. y Van Loan, C.F. (1996). Matrix Computations. The Johns Hopkins U. P. Infante, J.A. y Rey, J.M. (2007). Mtodos Numricos. Teora, problemas y prcticas con Matlab. Pirmide Conde, C. y Winter, G. (1990). Mtodos y Algoritmos Bsicos del lgebra Numrica. Revert Snchez, J.M. y Souto, A. (2005). Problemas de Clculo Numrico para ingenieros con aplicaciones Matlab. McGraw-Hill Garca Merayo, F., Martn Ayuso, V., Boceta Martnez, S. y Salete Casino, E. (2005). Problemas resueltos de programacin en Fortran95. Thomson Brainerd, W.S., Goldberg, J.C. y Adams, J.C. (1994). Programmer's guide to Fortran90. Unicomp Recursos recomendados en Internet: 1. Documentacin y notas sobre Fortran: - http://www.liv.ac.uk/HPC/HTMLF90Course/HTMLF90CourseSlides.html - http://triton.fcaglp.unlp.edu.ar/fortran/index.html - Libro "Numerical recipes", disponible en http://www.nrbook.com/a/bookfpdf.php 2. Enlaces y recursos sobre Fortran: - Fortran.com, en http://www.fortran.com/ - Fortran Open Directory, en http://www.dmoz.org/Computers/Programming/Languages/Fortran/ - Fortran At York, en http://www.cse.yorku.ca/~roumani/fortran/ 3. Compiladores de Fortran: - GFortran, en http://gcc.gnu.org/fortran/ Es el compilador de GNU, parte de (GCC); es parcialmente compatible con Fortran 2003. Tambin puede descargarse este compilador y acceder a otra informacin de inters a travs de "GFortran wiki", en http://gcc.gnu.org/wiki/GFortran - G95, en http://www.g95.org/ Este compilador se basa en GCC y en la actualidad lo desarrolla A. Vaught. Es parcialmente compatible con Fortran 2003. * En lugar de utilizar los dos compiladores anteriores en entorno de comandos, puede ser prefereible usar un entorno grfico como Photran, que se puede encontrar en http://www.eclipse.org/photran/ (recomendado) - Intel Fortran Compiler, en http://www.intel.com/cd/software/products/asmona/eng/compilers/282048.htm Es el compilador de Fortran de Intel. Tiene licencia gratuita no-comercial (actualmente, para la versin 10.1) para Linux. Es compatible con Fortran 2003. - Open Watcom, en http://www.openwatcom.org/index.php/Main_Page Es el compilador Watcom en su actual versin de libre distribucin. - Pueden encontrarse otros muchos compiladores libres a travs del listado http://www.thefreecountry.com/compilers/fortran.shtml
4. Libreras y herramientas de Fortran: - "Slax -Edicin Fortran-", en http://triton.fcaglp.unlp.edu.ar/slax/index.html Se trata de una distribucin LiveCD del sistema operativo GNU/Linux orientada a estudiantes de Matemticas o Ingeniera que comienzan a programar en Fortran. Incluye programas especficos de programacin en Fortran y de Anlisis Numrico (por ejemplo, GFortran, Lapack, GNUplot, Octave y Maxima). - En www.netlib.org se presenta una coleccin de software matemtico, entre el que se incluye la librera Lapack. - GNUplotFortran, en http://gnuplotfortran.sourceforge.net/ Es un interfaz de GNUplot para Fortran 95. Puede ser til para realizar grficos. - F90GL, en http://math.nist.gov/f90gl/ Permite realizar grficos con OpenGL para Fortran 90. - Es interesante el listado de libreras libres y comerciales proporcionado en http://www.fortran.com/tools.html
Datos Identificativos Asignatura Titulacin Descriptores Proxecto fin de Carreira ENXEEIRO TCNICO EN INFORMTICA DE SISTEMAS Crditos 10 Idioma Departamento Computacin Electrnica e Sistemas Matemticas Tecnoloxas da Informacin e as Comunicacins Valderruten Vidal, Alberto Bamonde Rodriguez, Sebastian Blanco Gonzalez, Roi Castro Castro, Paula Maria Cendan Verdes, Jose Jesus Dapena Janeiro, Adriana Parapar Lpez, Javier Quintela Del Rio, Alejandro Rodriguez Luaces, Miguel Valderruten Vidal, Alberto Vazquez Regueiro, Carlos Web sebastian.bamonde@udc.es roi.blanco@udc.es paula.castro@udc.es jesus.cendan.verdes@udc.es adriana.dapena@udc.es Correo electrnico javier.parapar@udc.es alejandro.quintela@udc.es miguel.luaces@udc.es alberto.valderruten@udc.es carlos.vazquez.regueiro@udc.es Cr. tericos 0 Cr. prcticos 10 Tipo Troncal Curso Terceiro Perodo Ciclo Anual Cdigo 614311310
A Horas presenciais
Atencin personalizada Metodoloxas Descricin
Datos Identificativos Asignatura Titulacin Descriptores Modelizacin de Sistemas ENXEEIRO TCNICO EN INFORMTICA DE SISTEMAS Crditos 4 Cr. tericos 2.5 Cr. prcticos 1.5 Tipo Troncal Curso PrimeiroSegundoTerceiro Perodo 2 cuadrimestre Ciclo Cdigo 614311656
Idioma
Casteln
Departamento Matemticas Coordinacin Profesorado Web Descricin xeral Se trata de introducir al alumno en las tcnicas de simulacin. En particular, se estudiarn distintos algoritmos para la generacin en el ordenador de muestras de variables aleatorias y su aplicacin al estudio de los modelos de teora de colas. Presedo Quindimil, Manuel Antonio Presedo Quindimil, Manuel Antonio Correo manuel.antonio.presedo.quindimil@udc.es electrnico
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Se trata de introducir al alumno en las tcnicas de simulacin. En particular, se estudiarn distintos algoritmos para la generacin en el ordenador de muestras de variables aleatorias y su aplicacin al estudio de los modelos de teora de colas. Competencias da titulacin A6 A9 B2 B3 B4 B5 B6 B9 B11 B12 C1 C4 C6 C7 C8
Contidos Temas Subtemas Simulacin Introduccin. Conceptos de sistema real, modelo y simulacin. Experimentacin real y simulacin. Simulacin necesaria e innecesaria. Generacin de nmeros pseudo-aleatorios en (0,1). Introduccin. Contrastes de bondad de ajuste. Contrastes de independencia. Mtodo de los cuadrados medios. Mtodo de Lehmer. Mtodos congruenciales. Mtodos universales para la generacin de distribuciones continuas. Mtodo de inversin. Mtodo de aceptacin-rechazo y sus variantes. Mtodos universales para la generacin de distribuciones discretas. Mtodo de la transformacin cuantil. Algoritmos basados en bsqueda secuencial. Algoritmos basados en rboles binarios. rboles de Huffman. Mtodo de la tabla gua. Mtodos de truncamiento. Mtodos especficos para la generacin de distribuciones notables. Distribuciones normal, exponencial, gamma, beta, de Weibull, logstica, binomial, de Poisson, geomtrica, chi-cuadrado, t de Student, F de Fisher-Snedecor. Diseo de experimentos de simulacin. Diferencias y similitudes con la experimentacin real. Simulacin esttica y dinmica. Simulacin por eventos y por cuantos. Tcnicas de reduccin de la varianza. Problemas de estabilizacin y dependencia. Teora de colas Introduccin a los procesos estocsticos. Conceptos generales. Propiedades bsicas. Procesos de contar: el proceso de Poisson. Procesos de nacimiento y muerte. Introduccin a la teora de colas. Descripcin del sistema de una cola. Terminologa bsica. Distribuciones exponencial y gamma. Frmulas de Little. Modelos con tasas de llegada y de servicio de tipo Poisson. Introduccin a las redes de colas. Redes de Jackson.
Simulacin Teora de colas
Planificacin
A Horas presenciais
20 15

40 15

60 30
10
10
Cao, R. (2002). Introduccin a la simulacin y a la teora de colas. Netbiblo Allen, A.O. S.C. y Hyndman, R.J. (1990). Probability, Statistics and queueing theory with Computer Science applications. Academic Press Gentle, J.E. (2003). Random number generation and Monte Carlo methods. SpringerVerlag
Bratley, P. (1990). A guide to simulation. Springer-Verlag Gross, D et al. (1985). Fundamentals of queueing theory. Wiley Devroye, L. (1986). Non-uniform random variate generation. Springer-Verlag Ross, S.M. (1999). Simulacin. Prentice Hall
Datos Identificativos Asignatura Titulacin Descriptores Mtodos Estatsticos MSTER EN INFORMTICA Crditos 3 Idioma Casteln Cr. tericos 2 Cr. prcticos 1 Tipo Troncal Curso Segundo Perodo 1 cuadrimestre Ciclo Cdigo 614407229
Departamento Matemticas Coordinacin Profesorado Web Descricin xeral Al cursar esta asignatura, el alumno podr ampliar los conocimientos de Estadstica adquiridos en cursos anteriores, mediante el estudio y aplicacin de algunos mtodos estadsticos avanzados: control estadstico de la calidad, anlisis de series de tiempo y anlisis multivariante. Presedo Quindimil, Manuel Antonio Presedo Quindimil, Manuel Antonio Correo manuel.antonio.presedo.quindimil@udc.es electrnico
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Ampliar los conocimientos de Estadstica adquiridos en cursos anteriores, mediante el estudio y aplicacin de algunos mtodos estadsticos avanzados: control estadstico de la calidad, anlisis de series de tiempo y anlisis multivariante. Competencias da titulacin AP1 BP1 BP3 BP4 BP5 BP8 BP15 CM1 CM6 CM7 CM8
Contidos Temas Subtemas Control de Calidad. Introduccin. Los grficos de control. El control de fabricacin por variables. El control de fabricacin por atributos. El control de fabricacin por nmero de defectos. El control de recepcin. Series temporales. Generalidades El concepto de serie temporal. Componentes de una serie temporal. El problema de la prediccin. Tcnicas de suavizacin exponencial. Metodologa Box-Jenkins para el anlisis de series temporales. Introduccin a los procesos estocsticos: propiedades. Procesos autorregresivos (AR(p)). Procesos de medias mviles (MA(q)). Procesos ARMA(p,q). Procesos no estacionarios: modelo ARIMA (p,d,q). Identificacin de modelos ARIMA. Estimacin en un modelo ARIMA. Diagnosis en modelos ARIMA. Prediccin con el modelo ARIMA. Introduccin a la regresin dinmica. Anlisis multivariante. Introduccin. Preliminares: distribuciones multidimensionales. Anlisis de componentes principales. Anlisis factorial discriminante. Anlisis cluster. Escalamiento multidimensional. Planificacin
Control de Calidad. Series temporales. Anlisis multivariante.
A Horas presenciais
15 10
30 10
45 20
10
10
Avaliacin Metodoloxas Prcticas de laboratorio Sesin maxistral Descricin Defensa oral de los trabajos resueltos. Se evaluarn los conocimientos realizacin de una prueba escrita. adquiridos mediante la Cualificacin 40 60
Makridakis, S., Wheelwright, S.C. y Hyndman, R.J. (1998). Forecasting. Methods and applications.. Wiley Montgomery, D.C. (2005). Introduction to statistical quality control. Wiley Mardia, K.V., Kent, J.T. y Bibby, J.M. (1994). Multivariate analysis. Academic Press
Brockwell, P.J. y Davis, R.A. (2002). Introduction to time series and forecasting. SpringerVerlag Pea Snchez de Rivera, D. (1991). Estadstica: modelos y mtodos. Vol. 1 y 2. Alianza Universidad Morrison, D.F. (1990). Multivariate statistical methods.. McGraw-Hill
Materias que continan o temario Estatstica II/614111303
Datos Identificativos Asignatura Titulacin Descriptores Simulacin Estatstica MSTER EN INFORMTICA Crditos 4 Idioma Departamento Coordinacin Profesorado Web Matemticas Garca Jurado, Ignacio Garca Jurado, Ignacio Correo ignacio.garcia.jurado@udc.es electrnico Cr. tericos 2 Cr. prcticos 2 Tipo Curso Perodo 2 cuadrimestre Ciclo Cdigo 614407231
Troncal Segundo
A Horas presenciais
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Descricin Atencin personalizada Metodoloxas Descricin
Datos Identificativos Asignatura Titulacin Descriptores Teora de Colas MSTER EN INFORMTICA Crditos 3 Idioma Departamento Coordinacin Profesorado Web Matemticas Lorenzo Freire, Silvia Lorenzo Freire, Silvia Correo silvia.lorenzo@udc.es electrnico Cr. tericos 2 Cr. prcticos 1 Tipo Curso Perodo 1 cuadrimestre Ciclo Cdigo 614407251
Troncal Segundo
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Mtodos Numricos I MSTER EN ENXEARA MATEMTICA Crditos 3 Idioma Departamento Coordinacin Profesorado Web Matemticas Correo electrnico Cr. tericos 2 Cr. prcticos 1 Tipo Troncal Curso Primeiro Perodo 1 cuadrimestre Ciclo Cdigo 614410106
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Modelos Matemticos en Mecnica de Medios Continuos MSTER EN ENXEARA MATEMTICA Crditos 6 Idioma Departamento Coordinacin Profesorado Web Matemticas Mtodos Matemticos e de Representacin Correo electrnico Cr. tericos 4.5 Cr. prcticos 1.5 Tipo Troncal Curso Primeiro Perodo 1 cuadrimestre Ciclo Cdigo 614410107
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Proxecto de Mster MSTER EN ENXEARA MATEMTICA Crditos 18 Idioma Departamento Coordinacin Profesorado Web Matemticas Correo electrnico Cr. tericos 0 Cr. prcticos 18 Tipo Troncal Curso Primeiro Perodo 1 cuadrimestre Ciclo Cdigo 614410108
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Taller de Problemas Industriais MSTER EN ENXEARA MATEMTICA Crditos 6 Idioma Departamento Coordinacin Profesorado Web Matemticas Correo electrnico Cr. tericos 1 Cr. prcticos 5 Tipo Troncal Curso Primeiro Perodo 1 cuadrimestre Ciclo Cdigo 614410109
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Elementos de Contorno MSTER EN ENXEARA MATEMTICA Crditos 3 Idioma Departamento Coordinacin Profesorado Web Matemticas Correo electrnico Cr. tericos 2 Cr. prcticos 1 Tipo Curso Perodo 2 cuadrimestre Ciclo Cdigo 614410207
Troncal Segundo
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Mtodos Numricos II MSTER EN ENXEARA MATEMTICA Crditos 3 Idioma Departamento Coordinacin Profesorado Web Matemticas Correo electrnico Cr. tericos 2 Cr. prcticos 1 Tipo Curso Perodo 1 cuadrimestre Ciclo Cdigo 614410211
Troncal Segundo
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Modelos Matemticos en Acstica MSTER EN ENXEARA MATEMTICA Crditos 6 Idioma Departamento Coordinacin Profesorado Web Matemticas Correo electrnico Cr. tericos 4.5 Cr. prcticos 1.5 Tipo Curso Perodo 2 cuadrimestre Ciclo Cdigo 614410213
Troncal Segundo
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Modelos Matemticos en Finanzas MSTER EN ENXEARA MATEMTICA Crditos 6 Idioma Departamento Coordinacin Profesorado Web Matemticas Correo electrnico Cr. tericos 4.5 Cr. prcticos 1.5 Tipo Curso Perodo 2 cuadrimestre Ciclo Cdigo 614410216
Troncal Segundo
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Software Profesional en Finanzas MSTER EN ENXEARA MATEMTICA Crditos 6 Idioma Departamento Coordinacin Profesorado Web Matemticas Correo electrnico Cr. tericos 1 Cr. prcticos 5 Tipo Curso Perodo 2 cuadrimestre Ciclo Cdigo 614410222
Troncal Segundo
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Modelos de Probabilidade MSTER EN TCNICAS ESTATSTICAS Crditos 6 Idioma Departamento Matemticas Coordinacin Profesorado Web Descricin xeral Francisco Fernandez, Mario Francisco Fernandez, Mario http://http://www.udc.es/dep/mate/mte/ Se pretende que aquellos alumnos con poca formacin en teora de la probabilidad y estadstica matemtica profundicen en estos conceptos, imprescindibles para la comprensin de la mayora de los cursos que se ofertan en el programa de postgrado. Correo electrnico mario.francisco@udc.es Cr. tericos 4 Cr. prcticos 2 Tipo Troncal Curso Primeiro Perodo 1 cuadrimestre Ciclo Cdigo 614427103
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Conocer el concepto de experimento aleatorio, sucesos, lgebra de sucesos y las operaciones entre sucesos. Saber la definicin axiomtica de probabilidad y las principales propiedades de la probabilidad, as como los conceptos de probabilidad condicionada e independencia de sucesos. Saber la definicin de variable aleatoria real y distinguir entre variables aleatorias discretas y continuas. Saber los conceptos de esperanza y varianza de una variable aleatoria real. Conocer las principales distribuciones discretas y continuas. Conocer la extensin al caso de variables multidimensionales. Conocer el concepto de funcin caracterstica. Ser capaz de interpretar los distintos tipos de convergencia de sucesiones variables aleatorias y los teorema lmite. Saber plantear y resolver problemas de probabilidad. Saber manejar variables aleatorias reales y n-dimensionales, as como sber calcular las principales caractersticas de las mismas. Saber manejar sucesiones de variables aletorias y aplicar el teorema central del lmite a una sucesin de variables aleatorias. Saber manejar un software estadstico. Asumir la necesidad y utilidad de la Probabilidad como herramienta en su ejercicio profesional y como herramienta fundamental en el resto de cursos del Master. Ser capaces de trabajar en equipo, de manera colaborativa, y tambin de valorar el trabajo y aprendizaje autnomo. Posser una actitud crtica y responsable ante los trabajos encomendados Contidos Temas Conceptos bsicos de probabilidad. Subtemas Experimentos y sucesos. CM6 CM7 CM7 CM8 CM4 Competencias da titulacin
lgebras y sigma-lgebras de sucesos. Definicin de probabilidad. Probabilidad condicionada e independencia de sucesos. Teorema de de Bayes Definicin de variable aleatoria y propiedades. Funciones de distribucin. Tipos de variables aleatorias. Variables aleatorias continuas. Variables aleatorias discretas. Esperanza de una variable aleatoria. Momentos de una variable aleatoria. Varianza y desviacin tpica. Variables aleatorias discretas notables: Bernouilli, Binomial, Poisson... Variables aleatorias continuas notables: Uniforme, Exponencial, Normal... Variable aleatoria real n-dimensional. Funcin de distribucin. Distribuciones marginales y condicionadas. Vector de medias y matriz de varianzas-covarianzas. Independencia de variables aleatorias. Distribuciones notables multidimensionales. Definicin de funcin caracterstica. Propiedades. Funciones caractersticas de algunas distribuciones notables. Extensin a vectores aleatorios. Reproductividad. Nocin de sucesin de variables aleatorias. Convergencia casi segura. Convergencia en probabilidad. Convergencia en media de orden r. Convergencia en distribucin. Leyes de los grandes nmeros. Teorema central del lmite. Planificacin
Variables aleatorias reales.
Momentos de una variable aleatoria. Esperanza y varianza.
Distribuciones notables.
Extensin a vectores aleatorios.
Funciones caractersticas.
Sucesiones de variables aleatorias. Tipos de convergencia.
Teoremas lmite.
A Horas presenciais
1 30 10 2 7

0 60 25 0 0

1 90 35 2 7
Actividades iniciais Sesin maxistral Solucin de problemas Proba de resposta mltiple Debate virtual
15
15
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Actividades iniciais Descricin Se realizar una presentacin de la asignatura, donde adems de describir los principales datos de la misma, se establecer un debate con los estudiantes para conocer su formacin inicial y las expectativas que tienen al cursar esta
asignatura. Se realizarn clases magistrales donde el profesor explicar, con la ayuda de medios audiovisuales adecuadoas (ordenador portatil y can de vdeo), los principales contenidos de la asignatura. Se fomentar en todo momento el debate entre los alumnos y entre los alumnos y el profesor. Teniendo en cuenta el carcter aplicado que se le quiere dar a la asignatura, una parte fundamental ser la resolucin de problemas por parte del profesor y de los alumnos. Los problemas sern proporcionados con antelacin en boletines de problemas, para lo que se utilizar el correo electrnico o alguna plataforma virtual de apoyo a la docencia. Par evaluar al alumno se realizar una prueba de respuesta mltiple que cubrir el contenido de la asignatura. Teniendo en cuenta que la docencia de la asignatura se realiza por video conferencia, con alguna regularidad se establecern debates virtuales entre alumnos situados en los tres centors donde los alumnos asisten a clase. Atencin personalizada Metodoloxas Solucin de problemas Descricin Para la resolucin de problemas ser importante atender personalmente a los alumnos ante las posibles dudas que puedan surgir. Esta atencin servir tambin, por una parte, al profesor para detectar posibles problemas en la metodologa utilizada para impartir la asignatura y, por otra, a los alumnos para consolidar conocimientos tericos y para expresar sus inquietudes acerca de la asignatura.
Sesin maxistral
Debate virtual
Avaliacin Metodoloxas Descricin Se revisarn los problemas propuestos por el profesor de manera continua a lo largo del curso. Los alumnos debern resolver en las clases estos problemas, adems en la atencin personalizada el profesor podr detectar el conocimiento adquirido por parte de los alumnos Se realizar una prueba de repuesta mltiple al final del curso que perimitir de forma objetiva e individual los conocimientos adquiridos por parte del alumno. Las preguntas versarn tanto de aspectos tericos como prcticos, siendo posible que algunas de las cuestiones se refiera al maejo de software estadstico, por lo que para su realizacin sera necesario que los alumnos dispusieran de un ordenador. Cualificacin
20
80
Fontes de informacin Bibliografa bsica Wiley
Rohatgi, V.K. (1976). An Introduction to Probability Theory an Mathematical Statistics.
Cao, R., Francisco, M., Naya, S., Presedo, M.A., Vzquez, M., Vilar, J.A. y Vilar, J.M. (2005). Introduccin a la Estadstica y sus aplicaciones. Ediciones Pirmide (Grupo Anaya) Bibliografa complementaria
Chung, K.L. (1974). A Course in Probability Theory. Academic Press Rudin, W.R. (1985). Anlisis Real y Complejo. Alambra Vlez Ibarrola, R y Garca Prez, A. (1993Clculo de Probabilidades y Estadstica Matem). Clculo de Probabilidades y Estadstica Matemtica. UNED
De Groot, M.H. (1988). Probabilidad y Estadstica.. Addison Wesley Karr, A.F. (1993). Probability. Springer-Verlag
Recomendacins Materias que se recomenda ter cursado previamente Estatstica Aplicada/614427104 Teora da Probabilidade/614427101
Materias que se recomenda cursar simultaneamente Estatstica Aplicada/614427104
Datos Identificativos Asignatura Titulacin Descriptores Estatstica Aplicada MSTER EN TCNICAS ESTATSTICAS Crditos 6 Idioma Casteln Cr. tericos 3 Cr. prcticos 3 Tipo Troncal Curso Primeiro Perodo 1 cuadrimestre Ciclo Cdigo 614427104
Departamento Matemticas Coordinacin Profesorado Web Descricin xeral Lombarda Cortia, Mara Jos Lombarda Cortia, Mara Jos http://http://www.udc.es/dep/mate/mte/ En la comunidad gallega no existe, actualmente, ninguna titulacin universitaria especfica de Estadstica. La nica conexin con el conocimiento superior de la Estadstica es la actual orientacin de Estadstica en los ltimos cursos de la licenciatura de Matemticas en la Universidad de Santiago. Por tanto, teniendo en cuenta este punto de partida y la gran cantidad de personal de diversas disciplinas que pide apoyo en el conocimiento estadstico para sus anlisis, en el mundo de la ingeniera, de las finanzas, de la biomedicina, etc, esta asignatura forma parte de un POP que trata de cumplir los requisitos necesarios para incorporar aquellos alumnos que quieran complementar sus estudios acadmicos, o que por otro lado necesiten un mayor conocimiento profesional de las tcnicas estadsticas. Correo electrnico maria.jose.lombardia@udc.es
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) El estudiante ser capaz de comprender la importancia de la Inferencia Estadstica como herramienta de obtencin de informacin sobre la poblacin en estudio, a partir del conjunto de datos observados de una muestra representativa de sta. Para ello deber reconocer la diferencia entre estadstica paramtrica y no paramtrica. Se deber comprender la utilidad y manejar los mtodos de estimacin paramtricos, los contrastes de hiptesis parmetricos y no paramtricos. El estudiante ser capaz de manejar diverso software comercial (paquetes estadsticos y hojas de clculo) e interpretar los resultados que proporcionan stos en los correspondientes estudios prcticos. Contidos Temas 0. Conceptos previos Subtemas Definiciones bsicas de estadstica. Variable aleatoria. Caractersticas bsicas. Introduccin. Clasificacin de los mtodos de inferencia estadstica: paramtrica y no paramtrica, clsica y bayesiana. Conceptos generales. Muestreo en poblaciones finitas: muestreo aleatorio simple, muestreo sistemtico, muestreo estratificado, muestreo por conglomerados, muestreo polietpico y muestreo no aleatorio. Introduccin. Conceptos generales. Distribuciones relacionadas con la Normal: Chi-Cuadrado, t-Student y Fisher-Snedecor. Estimacin puntual: Propiedades deseables de los estimadores, estimacin de la media de una poblacin, estimacin de la varianza de una poblacin, estimacin de una proporcin para muestras grandes y procedimientos para la construccin de estimadores. Introduccin. Obtencin de intervalos de confianza usando estadsticos pivotales. Intervalos de confianza para la media y la varianza basados en una muestra para poblaciones Competencias da titulacin CM1
CM1 CM6
1. Introduccin a la inferencia estadstica.
2. Estimacin puntual.
3. Intervalos de confianza.
normales. Intervalos de confianza para la diferencia de medias y cociente de varianzas basados en dos muestras para poblaciones normales. Intervalos de confianza para muestras no normales y muestras grandes. Determinacin del tamao muestral. Mtodos aproximados: desigualdad de Tchebychev. Mtodo Bootstrap. Intervalos de confianza bayesianos. Introduccin. Tipos de hiptesis. Tipos de error. Metodologa: regiones de aceptacin-rechazo, potencia de un contraste, valor crtico o pvalor y probabilidad de ambos errores. Etapas en la resolucin de un contraste. Contrastes no aleatorizados. Contastes aleatorizados: Lema de Neyman-Pearson, Teorema de Karlin-Rubin y Teorema de Lehmann. Test de razn de verosimilitudes. Contrastes paramtricos de una poblacin normal: contrastes para la media con varianza conocida, contrastes para la media con varianza desconocida y contrastes para la varianza. Contrastes paramtricos de dos poblaciones normales: contrastes para la diferencia de medias con muestras independientes, contrastes para la diferencia de medias con muestras apareadas y contrastes para el cociente de varianzas. Contrastes para muestras no normales y muestras grandes: contrastes para una media, contrastes para una proporcin y contrastes para la diferencia de dos proporciones. Contrastes para estimadores mximo verosmiles con muestras grandes. Relacin entre intervalos de confianza y contrastes de hiptesis. Introduccin. Contrastes de localizacin: el test de los signos y el test de Wilcoxon de los rangos signados. Contrastes de bondad de ajuste: mtodos grficos, contraste chi-cuadrado de Pearson, contraste de Kolmogorov-Smirnov, contrastes de normalidad y transformaciones para conseguir normalidad. Contrastes de independencia: contrastes basados en rachas y el contraste de Ljung-Box. Contrastes de homogeneidad: contrastes de valores atpicos, el contraste de Wald-Wolfowitz basado en rachas, el contraste de la suma de rangos de Wilcoxon y el de la U de MannWhitney, el contraste de Kolmogorov-Smirnov para dos muestras, el contraste de la mediana y el contraste chi-cuadrado para tablas de contingencia. Planificacin
4. Introduccin a los contrastes de hiptesis.
5. Contrastes de hiptesis paramtricos.
6. Inferencia no paramtrica.
A Horas presenciais
20 20 10 2

40 30 20 0

60 50 30 2
Sesin maxistral Prcticas de laboratorio Solucin de problemas Proba de resposta mltiple
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Sesin maxistral Prcticas de laboratorio Descricin Se impartirn clases magistrales de forma presencial o por videoconferencia. Se harn presentaciones con ordenador. Se realizarn prcticas con un software estadstico.
Solucin de problemas Proba de resposta mltiple
Se plantearn problemas de cada bloque especfico de contenido. Se propondrn 20 preguntas referidas a la parte terica y prctica de la materia. Atencin personalizada
Descricin Los problemas propuestos y las dudas que le puedan surgir al alumno acerca de los contenidos se atendern de manera individual.
Avaliacin Metodoloxas Prcticas de laboratorio Proba de resposta mltiple Descricin Se deber interpretar y saber solucionar cuestiones mediante el uso de un software estadstico. Se plantearn cuestiones tericas y prcticas referidas a los contenidos del curso Cualificacin 40 60
Mendenhall, W., Scheaffer, R.L. y Wackerly, D.D. (1986). Estadstica matemtica con aplicaciones. Grupo Editorial Iberoamericana Freund, J.E., Miller, I. y Miller, M. (2000). Estadstica matemtica con aplicaciones. Prentice Hall Cao, R., Francisco, M., Naya, S., Presedo, M.A., Vzquez, M., Vilar, J.A. y Vilar, J.M. (2001). Introduccin a la Estadstica y sus aplicaciones. Ediciones Pirmide (Grupo Anaya) Pea, D. (2000). Modelos y mtodos. 1 Fundamentos. Alianza Editorial Mendenhall, W. y Sincich, T. (1997). Probabilidad y estadstica para ingeniera y ciencias. Prentice Hall
Bibliografa complementaria Hall
Walpole, R.E. y Myers, R.H. (1999). Probabilidad y Estadstica para Ingenieros. Prentice
Scheffer, R.L. y McCleva, J.T. (1993). Probabilidad y estadstica para la ingeniera. Editorial Iberoamericana Dougherty, K.R. (1995). Probabilidad y Estadstica para la Ingeniera, la Informtica y la Fsica. Revert Canavos, G.C. (1989). Probabilidad y Estadstica. Aplicaciones y mtodos. McGraw-Hill
Recomendacins Materias que se recomenda ter cursado previamente Estatstica non Paramtrica/614427109 Mostraxe/614427110 Control Estatstico da Calidade/614427121 Tcnicas de Remostraxe/614427122
Contrastes de Especificacin/614427123
Materias que se recomenda cursar simultaneamente Modelos de Probabilidade/614427103
Datos Identificativos Asignatura Titulacin Descriptores Series de Tempo MSTER EN TCNICAS ESTATSTICAS Crditos 5 Idioma Departamento Coordinacin Profesorado Web Matemticas Aneiros Perez, German Aneiros Perez, German Correo german.aneiros@udc.es electrnico Cr. tericos 2.5 Cr. prcticos 2.5 Tipo Troncal Curso Primeiro Perodo 2 cuadrimestre Ciclo Cdigo 614427111
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Conocer modelos estocsticos capaces de representar el comportamiento de una serie de tiempo. Conocer la metodologa que se utiliza para, en base a un modelo estocstico, realizar predicciones de futuros valores tanto de la serie de tiempo como de su volatilidad. Seleccionar y construir un modelo adecuado para el estudio de una serie de tiempo. Predecir futuros valores tanto de la serie de tiempo como de su volatilidad. Comprender el alcance de los resultados obtenidos. Competencias da titulacin CM6 CM8 CM6 CM8 CM6 CM8 CM6 CM8 CM6 CM8 Contidos Temas 1. Anlisis descriptivo de una serie de tiempo. 2. Series de tiempo y procesos estocsticos. 3. Modelos BoxJenkins. Subtemas Introduccin. El concepto de serie de tiempo: Ejemplos. Descomposicin clsica de una serie de tiempo: Ejemplos. Introduccin. El concepto de proceso estocstico: Ejemplos. Definiciones asociadas a un proceso estocstico. La descomposicin de Wold. Introduccin. Procesos ARMA: Construccin e identificacin. Procesos ARIMA: Construccin e identificacin. Procesos ARIMA estacionales: Construccin e identificacin. Estimacin. Diagnosis. Seleccin del modelo. Prediccin. Aplicacin a datos reales.
4. Modelos de memoria Introduccin. Procesos FARIMA: Construccin e identificacin. Estimacin. Diagnosis. larga. Seleccin del modelo. Prediccin. Aplicacin a datos reales. 5. Modelos para la volatilidad. Introduccin. Procesos GARCH: Construccin e identificacin. Estimacin. Diagnosis. Seleccin del modelo. Prediccin. Aplicacin a datos reales. Planificacin
A Horas presenciais
autnomo
Sesin maxistral Prcticas de laboratorio Proba de resposta mltiple Solucin de problemas Proba de ensaio 18 18 1.5 1 0 27 27 0 0 32.5 45 45 1.5 1 32.5
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Sesin maxistral Descricin El profesor desarrollar en clase los contenidos del Temario. Para ello, se apoyar en la proyeccin de transparencias (su versin en pdf estar disponible on-line). El profesor desarrollar en clase distintos tipos de aplicaciones a datos reales de la teora que se ir exponiendo. Para ello, introducir al alumno en los conceptos bsicos del paquete estadstico R. Posteriormente, ser el alumno el que desarrolle otras aplicaciones con la ayuda de un ordenador. Uno de los requisitos para aprobar la asignatura ser la superacin de una prueba de respuesta mltiple. Ms informacin sobre dicha prueba puede ser vista en la Seccin 7: Evaluacin. Uno de los requisitos para aprobar la asignatura ser obtener la solucin de un problema de carcter prctico. Para ello, ser necesaria la utilizacin del paquete estadstico R (utilizado en las clases prcticas). Ms informacin sobre este punto puede ser vista en la Seccin 7: Evaluacin. Uno de los requisitos para aprobar la asignatura ser la correcta realizacin y entrega, en las fechas indicadas, de prcticas propuestas por el profesor. Para ello, ser necesaria la utilizacin del paquete estadstico R (utilizado en las clases prcticas). Ms informacin sobre este punto puede ser vista en la Seccin 7: Evaluacin. Atencin personalizada Metodoloxas Sesin maxistral Prcticas de laboratorio Descricin Cualquier duda que se le presente al alumno a lo largo de las horas presenciales tratar de ser resuelta instantneamente. Sin embargo, es posible que otras dudas surjan una vez que el estudiante profundice en la materia en el transcurso de horas no presenciales. En este caso, resulta conveniente que el alumno contacte con el profesor fuera de las horas presenciales, de modo que ste le atienda personalmente.
Proba de ensaio
Avaliacin Metodoloxas Sesin maxistral Descricin Puede computar en la calificacin de modo negativo, en el sentido de que la no asistencia reiterada a clase implicar la sustraccin de puntos. Puede computar en la evaluacin de modo negativo, en el sentido de que la no asistencia reiterada a clase implicar la sustraccin de puntos. (Se realizar con la presencia del profesor) de: Cualificacin 0
Constar
40
(a) y
cuestiones
tipo
test
(b) frases incompletas que debern ser rellenadas. (Se Solucin de problemas realizar con la presencia del profesor) 30
Consistir en el anlisis de una serie de tiempo. Para ello, se contar con la ayuda del paquete estadstico R (utilizado en clase). (Se realizar sin la presencia del profesor)
Proba de ensaio
Realizacin y entrega, en las fechas indicadas, de prcticas propuestas por el profesor. Para ello, se contar con la ayuda de alguno de los paquetes estadsticos utilizados en clase.
30
Pea, D. (2005). Anlisis de Series Temporales.. Alianza Editorial Makridakis, S., Wheelwright, S.C. y Hyndman, R.J. (1998). Forecasting. Methods and Applications.. Wiley
Fan, J. y Yao, Q. (2003). Nonlinear Time series: Nonparametric and Parametric Methods.. Springer Brockwell, P.J. y Davis, R.A. (2002). Introduction to Time Series and Forecasting.. Springer Beran, J. (1994). Statistics for Long-Memory Processes.. Chapman&Hall Shumway, R.H. y Stoffer, D.S. (2006). Time Series Analysis and Its Applications. With R Examples.. Springer
Materias que se recomenda cursar simultaneamente Estatstica non Paramtrica/614427109
Materias que continan o temario Modelos de Probabilidade/614427103 Estatstica Aplicada/614427104
Datos Identificativos Asignatura Titulacin Descriptores Deseo e Anlise de Experimentos MSTER EN TCNICAS ESTATSTICAS Crditos 5 Idioma Departamento Matemticas Coordinacin Profesorado Web Descricin xeral Introducir al alumno en los principios bsicos de la planificacin experimental, proporcionar un amplio abanico de modelos estadsticos para el anlisis de datos procedentes de experimentos planificados y adquirir destreza en el manejo de las tcnicas de inferencia, enfatizando lo apropiado de su uso en funcin de los objetivos buscados y de sus condiciones de aplicabilidad. Complementar el aprendizaje de aspectos tericos y metodolgicos con apoyo de software. Vilar Fernandez, Jose Antonio Vilar Fernandez, Jose Antonio Correo electrnico jose.vilarf@udc.es Cr. tericos 2.5 Cr. prcticos 2.5 Tipo Troncal Curso Primeiro Perodo 2 cuadrimestre Ciclo Cdigo 614427112
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Dominar los principios bsicos para la correcta planificacin de un experimento. Conocer un amplio espectro de modelos clsicos para describir los datos procedentes de la planificacin experimental, identificando las condiciones apropiadas de aplicacin Manejar tcnicas estadsticas para el anlisis de datos en cada diseo Competencias da titulacin CM4 CM5 CM4 CM5 CM4 CM5 CM6 CM2 CM4 CM5 CM6 CM8 CM2
Obtener los conocimientos precisos para un anlisis crtico y riguroso de los resultados.
Complementar el aprendizaje de los aspectos metodolgicos con apoyo de software. Contidos Temas 1. Principios bsicos del diseo de experimentos. Subtemas
1.1. Introduccin: Ventajas de la planificacin experimental; fuentes de variabilidad. 1.2. Tres principios bsicos. 1.3. Etapas en la planificacin de un experimento. Un ejemplo real. 1.4.Algunos diseos experimentales estndar. 2.1. Introduccin: Aleatorizacin. 2.2. Modelo para un diseo completamente aleatorizado: Estimacin de los parmetros, anlisis de la varianza, inferencia de contrastes y medias. 2.3. Mtodos de comparaciones mltiples. 2.4. Comprobacin de la idoneidad del modelo. 2.5. Alternativas al anlisis de la varianza. 3.1. Introduccin: Aleatorizacin; Significado de la interaccin. 3.2. Modelos matemticos para dos o m'as factores tratamiento: Modelo factorial completo; modelo de efectos principales. 3.3. Estimacin, anlisis de la varianza, inferencia de contrastes. 3.4. Tamaos muestrales. 3.5. Comprobacin de la idoneidad del modelo.
2. Diseos con una fuente de variacin.
3. Diseos factoriales.
4.1. Efectos aleatorios: Componentes de la varianza. Ejemplos. 4.2. Modelos matemticos para diseos con efectos aleatorios: Estimacin y anlisis de la varianza. 4. Diseos factoriales: Modelos aleatorios y mixtos. 4.3. Tamaos muestrales. 4.4. Comprobacin de la idoneidad del modelo. 4.5. Modelos mixtos: Estimacin y anlisis de la varianza. 5. Anlisis de la covarianza. 5.1. Introduccin: Modelos matemticos. 5.2. Estimacin, anlisis de la covarianza, inferencia de contrastes. 5.3. Comprobacin de la idoneidad del modelo. 6.1. Generalidades. 6.2. Diseos en bloques completos. Modelos, estimacin, anlisis de la varianza, inferencia de contrastes. 6.3. Diseos en bloques incompletos: Diseos en bloques incompletos balanceados; diseos divisibles en grupos; diseos cclicos. Modelos, estimacin, anlisis de la varianza, inferencia de contrastes. 6.4. Diseos fila-columna: Diseos en cuadrado latino; diseos Youden; diseos cclicos y otros diseos fila-columna. Modelos, estimacin, anlisis de la varianza, inferencia de contrastes. 6.5. Algunas alternativas al anlisis de la varianza. 7.1. 7.2. 7.3. 7.4. 8.1. 8.2. 8.3. 8.4. 9.1. 9.2. 9.3. 9.4. 9.5. Introduccin. Diseo jerrquico en dos etapas. Diseo jerrquico en $m$ etapas. Diseos jerrquicos y factores tratamientos cruzados. Introduccin: Contexto experimental. Estructuras de dependencia entre las medidas repetidas. Prueba de esfericidad de Mauchly. Anlisis univariante y multivariante. El diseo 2 al cuadrado. El diseo 2 al cubo. El diseo general 2 elevado a k. Adicin de puntos centrales al diseo 2 elevado a k. Algoritmo de Yates. Planificacin
6. Diseos en bloques.
7. Diseos jerarquizados o anidados.
8. Diseos de medidas repetidas.
9. Diseos factoriales a dos niveles.
A Horas presenciais
20 16 0 3

30 24 25 0

50 40 25 3
Sesin maxistral Solucin de problemas Estudo de casos Proba obxectiva
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Sesin maxistral Descricin Sesiones dirigidas a la la exposicin de los conceptos tericos y metodolgicos, impartidas con apoyo de diversos recursos didcticos, incluyendo presentaciones y software especfico (fundamentalmente R). De forma complementaria a la exposicin de los conceptos tericos y metodolgicos, se plantearn y resolvern problemas y supuestos prcticos con la participacin activa de los alumnos, introduciendo as progresivamente al
estudiante en el uso del software. Como complemento a las referencias bibliogrficas, se proporcionar material docente elaborado por el profesor que incluir los temas desarrollados del programa, listados de problemas propuestos de aplicacin y cuestionarios para autoevaluacin. Estudo de casos Proba obxectiva Cada alumno individualmente desarrollara problemas concretos con apoyo de los mtodos estudiados. Examen escrito de conocimientos. Atencin personalizada Metodoloxas Solucin de problemas Estudo de casos Descricin a) Resolucin de dudas en la resolucin de problemas y casos de estudio en el transacurso de la actividad docente presencial. b) Asesoramiento individualizado para el desarrollo de los trabajos prcticos que realizar cada estudiante a propuesta del profesor.
Avaliacin Metodoloxas Estudo de casos Descricin Resolucin apropiada de aquellos ejercicios prcticos propuestos por el profesor a lo largo del curso. Examen escrito que constar de dos partes. Un test de conocimientos sobre conceptos llave en la planificacin y anlisis de experimentos (de una hora de duracin) y la resolucin con ayuda del software empleado en el desarrollo del curso de dos problemas especficos (de dos horas de duracin). Cualificacin 30
Proba obxectiva
70
Observacins avaliacin Ser necesario superar las dos pruebas (estudio de casos y prueba objetiva) para obtener una evaluacin global positiva de la materia. Fontes de informacin Bibliografa bsica
Dean, A. y Voss, D. (1999). Design and Analysis of Experiments. Springer Texts in Statistics, Springer-Verlag, New York Montgomery, D.C. (2009). Design and Analysis of Experiments. 7a Ed.. J. Wiley and Sons. Kuehl, R.O. (2001). Diseo de Experimentos. Principios estadsticos para el diseo y anlisis de investigaciones. 2a Ed.. Thomson Learning.
Berger, P.D. y Maurier, R.E. (2002). Experimental Design With Applications in Management, Engineering, and the Sciences. Belmont, CA: Duxbury Press Coob, G.W. (1998). Introduction to Design and Analysis of Experiments. Springer-Verlag Prat, A., Tort-Martorell, X., Groma, P. y Pozueta, L. (1997). Mtodos estadsticos. Control y mejora de la calidad. Edicions UPC (Universitat Politcnica de Catalunya) Gibbons, J.D. y Chakraborti, S. (1992). Nonparametric Statistical Inference, 3a. Ed.. Marcel Dekker, New York Box, G.E.P., Hunter, W.G. y Hunter, J.S. (2005). Statistics for Experimenters: Design, Innovation, and Discovery. 2a. Ed. Wiley, New York. Cox, D. y Reid, N. (2000). The Theory of the Design of Experiments. Monographs on
Statistics and Applied Probability. Chapman & Hall CRC Press Vikneswaran (2005) An R companion to "Experimental Design'' URL http://CRAN.R-project.org/doc/contrib/Vik-neswaran-ED-companion.pdf. Recomendacins Materias que se recomenda ter cursado previamente
Materias que se recomenda cursar simultaneamente Modelos de Regresin/614427105 Anlise Multivariante/614427114 Control Estatstico da Calidade/614427121
Materias que continan o temario Estatstica Aplicada/614427104
Observacins Para superar con xito la materia es aconsejable la asistencia regular a las clases, siendo fundamental el seguimiento diario del trabajo realizado en el aula. Conocimientos previos de los rudimentos de la inferencia estadstica y del software estadstico R facilitarn considerablemente la labor de aprendizaje de la materia. La resolucin de los cuestionarios y los problemas propuestos as como el aprovechamiento de las tutoras inividualizadas sern de gran utilidad para una correcta comprensin del material estudiado
Datos Identificativos Asignatura Titulacin Descriptores Simulacin Estatstica MSTER EN TCNICAS ESTATSTICAS Crditos 5 Idioma Departamento Coordinacin Profesorado Web Descricin xeral Se pretende que el alumno adquiera destreza en la identificacin de problemas reales que pueden ser resueltos por la simulacin, as como en dicha resolucin utilizando la citada aproximacin por simulacin. Para ello se tratar de que el alumno conozca el funcionamiento de los principales algoritmos de generacin de nmeros aleatorios uniformes, as como mtodos para simular las distribuciones de probabilidad ms habituales en la prctica (tanto discretas como continuas y en el caso uni o multidimensional) siendo capaz de implementarlos en algn lenguaje de alto nivel. Tambin se pretende introducir al alumno en las principales tcnicas de simulacin para problemas reales: simulacin esttica y dinmica (por cuantos o por eventos, sta ltima), reduccin de la variablidad en la simulacin, reduccin de la dependencia y de los problemas de estabilizacin. Casteln Matemticas Fernndez Casal, Rubn Fernndez Casal, Rubn Correo ruben.fcasal@udc.es electrnico Cr. tericos 2.5 Cr. prcticos 2.5 Tipo Troncal Curso Primeiro Perodo 2 cuadrimestre Ciclo Cdigo 614427113
Contidos Temas Subtemas 1. Introduccin. Conceptos de sistema real, modelo y definicin de simulacin. Experimentacin real y simulacin. Simulacin necesaria e innecesaria. Ventajas e inconvenientes de la simulacin. Contenidos de la asignatura. 2. Generacin de nmeros pseudoaleatorios uniformes en (0,1). Introduccin. Propiedades deseables de un generador de nmeros pseudoaleatorios uniformes. Mtodos de los cuadrados medios y de Lehmer. Mtodos congruenciales. Medidas estadsticas de calidad de un generador de nmeros pseudoaleatorios.
1. Introduccin. 2. Generacin de nmeros pseudoaleatorios uniformes en (0,1). 3. Mtodos universales para la generacin de variables continuas. 4. Mtodos universales para la generacin de variables discretas. 5. Mtodos especficos para generacin de distribuciones notables. 6. Simulacin de distribuciones multidimensionales. 7. Diseo de experimentos de simulacin. 8. Mtodos de simulacin Monte Carlo.
3. Mtodos universales para la generacin de variables continuas. Mtodo de inversin. Mtodo de aceptacin/ rechazo y sus variantes. 4. Mtodos universales para la generacin de variables discretas. Mtodo de la transformacin cuantil. Algoritmos basados en bsqueda secuencial. Algoritmos basados en rboles binarios. rboles de Huffman. Mtodo de la tabla gua. Mtodos de truncamiento. 5. Mtodos especficos para generacin de distribuciones notables. Distribuciones continuas: normal, chi-cuadrado de Pearson, t de Student, F de Snedecor, exponencial, Weibull, gamma, beta, logstica, Pareto. Distribuciones discretas: equiprobable, binomial, geomtrica, binomial negativa, Poisson. 6. Simulacin de distribuciones multidimensionales. Mtodo de las distribuciones condicionadas. Mtodo de aceptacin/rechazo. Mtodos de codificacin o etiquetado. Mtodos especficos para simular la normal multivariante. 7. Diseo de experimentos de simulacin. Diferencias y similitudes con la experimentacin real. Simulacin esttica y dinmica. Simulacin por eventos y por cuantos. Tcnicas de reduccin de la varianza. Problemas de estabilizacin y dependencia. Ejemplos prcticos. 8. Mtodos de simulacin Monte Carlo. Integracin Monte Carlo. Muestreo de importancia. Introduccin a los mtodos de cadenas de Markov Monte Carlo. Muestreo de Gibbs. Algoritmo Metropolis Hastings. Optimizacin Monte Carlo. Temple simulado. Planificacin
C (A+B)
Horas presenciais
Horas non presenciais / traballo autnomo

50 20
Horas totais
25 20
75 40
10
10
Bratley, P. (1990). A guide to simulation. Springer-Verlag Cao, R. (2002). Introduccin a la simulacin y a la teora de colas. Netbiblo Devroye, L. (1986). Non-uniform random variate generation. Springer-Verlag Gentle, J.E. (2003). Random number generation and Monte Carlo methods. SpringerVerlag
Evans, M. y Swartz, T. (2000). Approximating integrals via Monte Carlo and . Oxford
University Press Robert, C.P. y Casella, G. (2004). Monte Carlo statistical methods. Springer-Verlag Ross, S.M. (1999). Simulacin. Prentice Hall Ripley, B.D. (1987). Stochastic Simulation. Wiley
Datos Identificativos Asignatura Titulacin Descriptores Control Estatstico da Calidade MSTER EN TCNICAS ESTATSTICAS Crditos 5 Idioma Departamento Coordinacin Profesorado Web Matemticas Naya Fernandez, Salvador Naya Fernandez, Salvador Correo salvador.naya@udc.es electrnico Cr. tericos 3 Cr. prcticos 2 Tipo Curso Perodo 1 cuadrimestre Ciclo Cdigo 614427121
Troncal Segundo
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Los objetivos generales de la materia son dar a conocer los conceptos y tcnicas del Control Estadstico de la Calidad, el mbito donde pueden aplicarse y los beneficios que proporcionan. Para ello se proporcionar al alumnado las competencias necesarias para la aplicacin exitosa de esta metodologa y se procurar que comprenda la finalidad, resultados y beneficios del control estadstico, as como de sus requerimientos Contidos Temas Subtemas a) Breve resea histrica del control de calidad. b) Estado del arte y nuevos retos. c) Presentacin y motivacin de problemas reales del control estadstico de procesos. Causas asignables y no asignables. b) Las siete herramientas de Isikawa. c) La filosofa de Deming y Juran en el aseguramiento de la calidad. d) Metrologa y control estadstico de procesos. a) Grficos de control y contraste de hiptesis. b) Riesgos del vendedor y comprador. c) Subgrupos racionales. d) Anlisis de patrones en un grfico de control. a) Lmites de tolerancia y capacidad del proceso. b) Grficos tipo Shewhart por variables. c) Curva caracterstica de operacin (OC) y longitud media de racha (ARL) en el control por variables. d) Optimizacin de grficos de control. e) Ejercicios. a) El control de fabricacin para la fraccin de disconformes. b) Grficos np y p. Grficos de control c y u. c) Curvas caractersticas en el control por atributos. d) Seleccin entre control por variables y atributos. e) Ejercicios. a) Estudio de la capacidad mediante histogramas y grficos de control. b) Determinacin de los lmites naturales de tolerancia y su repercusin en la capacidad. c) ndices bsicos de capacidad y estudio comparativo. d) Ejercicios. Competencias da titulacin CM2 CM6 CM8
1. Introduccin al control de calidad.
2. Conceptos bsicos del control estadstico de la calidad.
3. Mtodos y filosofa de los grficos de control.
4. El control de fabricacin por variables.
5. Control de fabricacin por atributos.
6. Anlisis de la capacidad de un proceso.
7. Otros grficos de Control univariantes.
a) Grficos de Medias individuales. Grficos CUSUM. b) Grficos de control de Medias ponderadas (EWMA). c) Alternativas estadsticas a los grficos de control. Filosofa del Control Ingenieril de Procesos y del Precontrol. d) Introduccin a la Metodologa Seis Sigma. a) Descripcin de un problema multivariante de procesos. b) Los grficos T2 de Hotelling. c) Grfico MEWMA multivariante. d) Uso de tcnicas alternativas multivariantes: componentes principales y grficos no paramtricos basados en data depth. e) Ejercicios. a) Fundamentos estadsticos de los planes de muestreo. b) Plan de muestreo por atributos. c) Plan de muestreo por variables. d) Controles secuenciales. e) Curva caracterstica para un plan de muestreo. f) Nivel de calidad aceptable y Calidad media de salida. g) Las normas MIL-STD-105 y MIL-STD-414 y sus correspondientes extensiones (ANSI/ASQC/ISO). h) Ejercicios. a) Relacin entre fiabilidad y calidad. b) Tipo de datos y modelos para la fiabilidad industrial. c) Pruebas de vida aceleradas (ALT) y Modelos para degradacin. a) Diseos factoriales y superficies de respuesta. b) Ejemplos de aplicacin de diseos usados en el control de procesos. c) Ejercicios y casos prcticos. a) La librera qcc de R para control de calidad. b) Libreras especficas para fiabilidad (SPLIDA). c) Comparativa con otros programas: Statgraphics, SPSS, S-Plus. Planificacin
8. Control de Control multivariantes.
9. Control de recepcin.
10. Introduccin a la fiabilidad industrial.
11. Diseo de experimentos para aumentar la calidad y la fiabilidad.
12. Software para calidad y fiabilidad.
A Horas presenciais
10 3 40 2 1 1

20 3 40 4 0 1

30 6 80 6 1 2
Prcticas a travs de TIC Proba obxectiva Sesin maxistral Presentacin oral Solucin de problemas Traballos tutelados
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Prcticas a travs de TIC Proba obxectiva Sesin maxistral Descricin Se emplearan distintos paquetes estadstico que el estudiante deber conocer y manejar (principalmente el R) para su aplicacin al control de calidad. Se realizar por medio de una prueba escrita tipo test sobre conceptos bsicos estudiados en el curso. Esta prueba puntuar un 60% en la nota final. La mayora de los temas sern expuestos mediante leccin magistral. El alumno
tendr acceso a las presentaciones en la Web del master. El estudiante deber presentar un trabajo al final de curso, consiste en la aplicacin de los mtodos de control de calidad y fiabilidad a un problema real o bien a un cojunto de datos proporcionados por el profesor. La presentacin tendr una duracin de 20 a 30 minutos. Se realizarn sesiones de resolucin de problemas en pizarra para completar las prcticas de laboratorio con ordenador. Aquellos alumnos que deseen presentar un trabajo tutelado relacionado con esta materia se les proporcionar un tema especfio y su correspondiente asesoramiento. Atencin personalizada Metodoloxas Prcticas a travs de TIC Sesin maxistral Solucin de problemas Descricin En las clases magistrales se fomentar en todo momento el debate entre los alumnos y entre los alumnos y el profesor. Para la resolucin de problemas ser importante atender personalmente a los alumnos ante las posibles dudas que puedan surgir. Esta atencin servir tambin, por una parte, al profesor para detectar posibles problemas en la metodologa utilizada para impartir la asignatura y, por otra, a los alumnos para consolidar conocimientos tericos y para expresar sus inquietudes acerca de la asignatura. Es tambin fundamental la atencin personalizada al estudiante durante las clases de prcticas de laboratorio, sobre todo hasta que no se familiarice con el software estadstico a utilizar.
Presentacin oral
Traballos tutelados
Avaliacin Metodoloxas Prcticas a travs de TIC Presentacin oral Descricin Se realizarn prcticas con paquetes estadsticos. Se presentar un tema al final del curso, elegido por el alumno y relacinado con la materia en el que se apliquen conceptos fundamentales del control estadstico. Se propondr una prueba escrita tipo test sobre conceptos bsicos estudiados en el curso. Solucin de problema en clase. Se dar la posibilidad de realizar un trabajo tutelado. Cualificacin 5 15
Proba obxectiva Solucin de problemas Traballos tutelados
60 5 15
Meeker W. y Escobar L. ( 1998). Statistical Methods for Reliability Data. . Wiley & Sons. Carot V. (1998). Control estadstico de la Calidad. . Edita Universidad Politcnica de Valencia Montgomery D. (2009). Introduction to Statistical Quality Control. . Wiley & Sons Juran J. y Godfrey B. (2001). Manual de Calidad (tomos I y II).. McGrawHill. Box, G.E.P. y Luceo A. (1997). Statistical Control by Monitoring and Feedback Adjustment. . . Wiley. New York.
Bibliografa complementaria Recomendacins
Datos Identificativos Asignatura Titulacin Descriptores Tcnicas de Remostraxe MSTER EN TCNICAS ESTATSTICAS Crditos 5 Idioma Departamento Coordinacin Profesorado Web Matemticas Cao Abad, Ricardo Cao Abad, Ricardo Correo ricardo.cao@udc.es electrnico Cr. tericos 3 Cr. prcticos 2 Tipo Curso Perodo 1 cuadrimestre Ciclo Cdigo 614427122
Troncal Segundo
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) El alumno adquirir soltura en el anlisis de problemas inferenciales que pueden ser abordados mediante tcnicas de remuestreo, as como en el diseo de planes de remuestreso y su implementacin en ordenador. Competencias da titulacin CM1 CM2 CM3 CM6 CM7 CM8 CM1 CM2 CM3 CM6 CM7 CM8
Asimismo ser capaz de manejar diverso software comercial (fundamentalmente paquetes estadsticos) para utilizar mtodos de remuestreo ya incorporados.
Contidos Temas 1. Preliminares: rdenes de convergencia. Limitaciones de la inferencia estadstica clsica. Simulacin y mtodos de Monte Carlo. Estimacin no paramtrica de la densidad. 2. Motivacin del principio Bootstrap. El Bootstrap uniforme. Clculo de la distribucin Bootstrap: distribucin exacta y distribucin aproximada por Monte Carlo. Ejemplos. 3. Aplicacin del Bootstrap a la estimacin de la precisin y el sesgo de un estimador. Ejemplos. 4. Motivacin del mtodo Jackknife. Estimacin Jackknife de la precisin y el sesgo de un estimador. Relacin Bootstrap/Jackknife en dicha estimacin. Ejemplos. Estudios de simulacin. 5. Modificaciones del Bootstrap uniforme: Bootstrap paramtrico, simetrizado, suavizado, ponderado y sesgado. Discusin y ejemplos. Validez de la aproximacin Bootstrap. Ejemplos. 6. Aplicacin del Bootstrap a la construccin de intervalos de confianza: Mtodos percentil, percentil-t, percentil-t simetrizado. Ejemplos. Estudios de simulacin. 7. Otras aplicaciones del Bootstrap: El Bootstrap de un modelo de regresin. Wild Bootstrap. El Bootstrap en la estimacin del error de prediccin. El Bootstrap en poblaciones finitas. Ejemplos. Estudios de simulacin. 8. Iteracin del principio Bootstrap. Motivacin y principales resultados. Aplicaciones del Bootstrap iterado: Correccin del sesgo de un estimador. Correccin del error de cobertura de un intervalo de confianza. Estudios de simulacin. 9. El Bootstrap y la estimacin no paramtrica de curvas. Introduccin a la estimacin no paramtrica de curvas. Bootstrap y estimacin de la densidad. Aproximacin Bootstrap de la distribucin del estimador de Parzen-Rosenblatt. El Bootstrap en la seleccin del parmetro de suavizado. Subtemas
10. Bootstrap y estimacin de la funcin de regresin. Aproximacin Bootstrap de la distribucin del estimador de Nadaraya-Watson. Distintos mtodos de remuestreo y resultados para ellos. 11. El Bootstrap con datos censurados. Introduccin a los datos censurados. Remuestreos Bootstrap en presencia de censura. Relaciones entre ellos. 12. El Bootstrap en la estimacin con datos dependientes. Introduccin a las condiciones de dependencia y modelos habituales de datos dependientes. Modelos paramtricos de dependencia. Situaciones de dependencia general: el Bootstrap por bloques, el Bootstrap estacionario y el mtodo del submuestreo. 13. El Bootstrap para la prediccin con datos dependientes. Modelos de dependencia paramtrica. Situaciones de dependencia general. Planificacin
A Horas presenciais
30 5 1 2

42 25 10 4

72 30 11 6
Presentacin oral Prcticas a travs de TIC Proba de resposta mltiple Solucin de problemas
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Presentacin oral Prcticas a travs de TIC Proba de resposta mltiple Solucin de problemas Descricin Presentacin con transparencias por videoconferencia aos tres campus Implementacin de algoritmos de remostraxe Proba de conceptos con varias posibles respostas das que s unha a correcta. Deseo de plans de remostraxe. Clculo de nesgos e varianzas dos anlogos bootstrap. Atencin personalizada Metodoloxas Prcticas a travs de TIC Proba de resposta mltiple Solucin de problemas Descricin
Avaliacin Metodoloxas Prcticas a travs de TIC Proba de resposta mltiple Descricin Traballo orixinal de simulacin sobre o bootstrap nalgn contexto de inters Proba de resposta mltiple. Cualificacin 40 60
Bibliografa bsica Davison, A.C. and Hinkley, D.V. (1997). Bootstrap Methods and their Application. Cambridge University Press. Efron, B. (1979). Bootstrap Methods: Another look at the Jackknife. Ann. Statist., 7, 1-26. Efron, B. and Tibshirani, R.J. (1993). An Introduction to the Bootstrap. Chapman and Hall. Shao, J. and Tu, D. (1995). The Jackknife and Bootstrap. Springer Verlag.
Bibliografa complementaria Akritas, M. G. (1986). Bootstrapping the Kaplan--Meier estimator. J. Amer. Statist. Assoc. 81, 1032-1038. Bickel, P.J. and Freedman, D.A. (1981). Some asymptotic theory for the bootstrap. Ann. Statist. 12, 470-482. Bhlmann, P. (1997). Sieve bootstrap for time series. Bernoulli 3, 123-148. Cao, R. (1990). rdenes de convergencia para las aproximaciones normal y bootstrap en la estimacin no paramtrica de la funcin de densidad. Trabajos de Estadstica, vol. 5, 2, 23-32. Cao, R. (1991). Rate of convergence for the wild bootstrap in nonparametric regression. Ann. Statist. 19, 2226-2231. Cao, R. and Prada-Snchez, J.M. (1993). Bootstrapping the mean of a symmetric population. Statistics & Probability Letters 17, 43-48. Cao, R. (1993). Bootstrapping the mean integrated squared error. Jr. Mult. Anal. 45, 137-160. Cao, R. (1999). An overview of bootstrap methods for estimating and predicting in time series. Test, 8, 95-116. Cao, R. and Gonzlez-Manteiga, W. (1993). Bootstrap methods in regression smoothing. J. Nonparam. Statist. 2, 379-388. Efron, B. (1981). Censored data and the bootstrap. J. Amer. Statist. Assoc. 76, 312-319.
Efron, B. (1982). The Jackknife, the Bootstrap and other Resampling Plans. CBMS-NSF. Regional Conference series in applied mathematics. Efron, B. (1983). Estimating the error rate of a prediction rule: improvements on cross-validation. J. Amer. Stat. Assoc. 78, 316-331. Efron, B. and Tibshirani, R. (1986). Bootstrap methods for standard errors, confidence intervals, and other measures of statistical accuracy. Statistical Science 1, 54-77. Efron, B. (1987). Better Bootstrap confidence intervals (with discussion), J. Amer. Stat. Assoc. 82, 171-200. Efron, B. (1990). More Efficient Bootstrap Computations. J. Amer. Stat. Assoc. 85, 79-89. Freedman, D.A. (1981). Bootstrapping regression models. Ann. Statist. 9, 6, 1218-1228. Gonzlez-Manteiga, W. y Prada-Snchez, J.M. (1985). Una aplicacin de los mtodos de suavizacin no paramtricos en la tcnica Bootstrap. Proceedings Jornadas Hispano-Lusas de Matemticas. Murcia. Garca-Jurado, I. Gonzlez-Manteiga, W., Prada-Snchez, J.M., FebreroBande, M. and Cao, R. (1995). Predicting using Box-Jenkins, nonparametric and bootstrap techniques. Technometrics 37, 303-310. Gonzlez-Manteiga, W., Prada-Snchez, J.M. and Romo, J. (1994). The Bootstrap-A Review. Computational Statistics, 9, 165-205. Hall, P. (1986). On the bootstrap and confidence intervals. Ann. Statist. 14, 1431-1452. Hall, P. (1988-a). Theoretical comparison of bootstrap confidence intervals. Ann. Statist. 16, 927-953. Hall, P. (1988-b). Rate of convergence in bootstrap approximations. Ann. Probab. 16, 4, 1665-1684. Hall. P. (1992). The Bootstrap and Edgeworth Expansion. Springer Verlag. Hall, P. and Martin, M.A. (1988). On bootstrap resampling and iteration. Biometrika 75, 661-671. Hrdle, W. and Marron, J. S. (1991). Bootstrap simultaneous error bars for nonparametric regression. Ann. Statist. 19, 778-796. Knsch, H.R. (1989). The jackknife and the bootstrap for general stationary
observations. Ann. Statist. 17, 1217-1241. Lombarda, M.J., Gonzlez-Manteiga, W. and Prada-Snchez, J.M. (2003). Bootstrapping the Chambers-Dunstan estimate of a finite population distribution function. J. Stat. Plan. Infer., 116, 367-388. Mammen, E. (1992). When does Bootstrap Work?. Springer Verlag. Navidi, W. (1989). Edgeworth expansions for bootstrapping regression models. Ann. Statist. 17, 4, 1472-1478. Politis, D.N. and Romano, J.R. (1994). The stationary bootstrap. J. Amer. Statist. Assoc. 89, 1303-1313. Politis, D.N. and Romano, J.R. (1994). Limit theorems for weakly dependent Hilbert space valued random variables with application to the stationary bootstrap. Statist. Sin. 4, 461-476. Politis, D.N., Romano, J.P. and Wolf, M. (1999). Subsampling. Springer Verlag. Prada-Snchez, J.M. and Otero-Cepeda, X.L. (1989). The use of smooth bootstrap techniques for estimating the error rate of a prediction rule. Comm. Statist .-Simula., 18(3), 1169-1186. Prada-Snchez, J.M. and Cotos-Yez, T. (1997). A Simulation Study of Iterated and Non-iterated Bootstrap Methods for Bias Reduction and Confidence Interval Estimation. Comm. Statist .-Simula., 26(3), 927-946. Reid, N. (1981). Estimating the median survival time. Biometrika 68, 601608. Stine, R.A. (1987). Estimating properties of autoregressive forecasts. J. Amer. Statist. Assoc. 82, 1072-1078. Thombs, L.A. and Schucany, W.R. (1990). Bootstrap prediction intervals for autoregression. J. Amer. Statist. Assoc. 85, 486-492. Wu, C.-F. J. (1986). Jackknife, bootstrap and other resampling methods in regression analysis. Ann. Statist. 14, 1261-1350.
Materias que se recomenda cursar simultaneamente Series de Tempo/614427111 Fiabilidade e Modelos Biomtricos/614427116
Materias que continan o temario Modelos de Probabilidade/614427103 Estatstica Aplicada/614427104 Simulacin Estatstica/614427113 Estatstica Matemtica/614427102 Modelos de Regresin/614427105 Estatstica non Paramtrica/614427109
Datos Identificativos Asignatura Titulacin Descriptores Simulacin estatstica MESTRADO UNIVERSITARIO EN ENXEARA DE SISTEMAS INFORMTICOS Crditos 4 Idioma Casteln Cr. tericos 2 Cr. prcticos 2 Tipo Troncal Curso Segundo Perodo 2 cuadrimestre Ciclo Cdigo 614451231
Departamento Matemticas Coordinacin Profesorado Web Descricin xeral Garca Jurado, Ignacio Garca Jurado, Ignacio http://dm.udc.es/profesores/ignacio En este curso se pretende que los alumnos adquieran destreza en la identificacin y resolucin de problemas que pueden ser abordados usando tcnicas de simulacin estadstica. Para ello se tratar de que conozcan el funcionamiento de los ms importantes algoritmos de generacin de nmeros aleatorios uniformes y los principales mtodos para simular las distribuciones de probabilidad ms habituales en la prctica (tanto discretas como continuas y en el caso uni o multidimensional), siendo capaces de implementarlos en algn lenguaje de alto nivel. Correo electrnico ignacio.garcia.jurado@udc.es
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Conocer las tcnicas bsicas de simulacin estadstica Competencias da titulacin AP1 BP3 BP8 BP10 BP11 BP12 BP1 BP3 BP4 BP5 BP8 BP9 BP10 BP11 CM1 CM8
Aplicar la simulacin estadstica para la resolucin de problemas
AP1
CM1 CM7 CM8
Contidos Temas Introduccin. Generacin de nmeros pseudoaleatorios uniformes en (0,1). Mtodos universales para la generacin de variables continuas. Mtodos universales para la generacin de variables discretas. Mtodos especficos para generacin de distribuciones notables. Subtemas Conceptos de sistema real, modelo y definicin de simulacin. Experimentacin real y simulacin. Simulacin necesaria e innecesaria. Ventajas e inconvenientes de la simulacin. Contenidos de la asignatura. Propiedades deseables de un generador de nmeros pseudoaleatorios uniformes. Mtodos de los cuadrados medios y de Lehmer. Mtodos congruenciales. Medidas estadsticas de calidad de un generador de nmeros pseudoaleatorios. Mtodo de inversin. Mtodo de aceptacin/ rechazo y sus variantes. Mtodo de la transformacin cuantil. Algoritmos basados en bsqueda secuencial. Algoritmos basados en rboles binarios. rboles de Huffman. Mtodo de la tabla gua. Mtodos de truncamiento. Distribuciones continuas: normal, chi-cuadrado de Pearson, t de Student, F de Snedecor, exponencial, Weibull, gamma, beta, logstica, Pareto. Distribuciones discretas: equiprobable, binomial, geomtrica, binomial negativa, Poisson.
Simulacin de distribuciones multidimensionales. Diseo de experimentos de simulacin.
Mtodo de las distribuciones condicionadas. Mtodo de aceptacin/rechazo. Mtodos de codificacin o etiquetado. Diferencias y similitudes con la experimentacin real. Simulacin esttica y dinmica. Simulacin por eventos y por cuantos. Tcnicas de reduccin de la varianza. Problemas de estabilizacin y dependencia. Planificacin
A Horas presenciais
15 30 10 2

20 8 10 0

35 38 20 2
Sesin maxistral Prcticas a travs de TIC Solucin de problemas Proba obxectiva
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Sesin maxistral Descricin Clases impartidas con pizarra y can de vdeo. Se fomentar la participacin de los alumnos. Se propondrn prcticas a los alumnos para resolver diversos problemas relacionados con la simulacin estadstica. Los alumnos debern realizarlas en los ordenadores de los laboratorios, haciendo uso de las herramientas informticas que quieran. En algunas sesiones resolveremos problemas en grupo que tengan que ver con la simulacin estadstica. Se tratar de un examen de problemas. Atencin personalizada Metodoloxas Sesin maxistral Prcticas a travs de TIC Solucin de problemas Proba obxectiva Descricin En todos los casos se tratar de adaptarse a los diversos alumnos y a sus peculiaridades a la hora de disear el desarrollo de todas las metodologas. En particular, en las sesiones de tutoras de atencin personalizada se tratar de conocer mejor a cada alumno y de resolver los problemas que le surjan en el desarrollo de esta materia.
Solucin de problemas Proba obxectiva
Avaliacin Metodoloxas Proba obxectiva Prcticas a travs de TIC Descricin La prueba objetiva ser un examen de problemas en el que los alumnos podrn hacer uso de los libros y apuntes que deseen. Los alumnos debern realizar las prcticas que se propongan y presentar una memoria final, que ser calificada. Cualificacin 80 20
Cao, R. (2002). Introduccin a la simulacin y a la teora de colas. NetBiblo Bratley, P. (1990). A guide to simulation. Springer Devroye, L. (1986). Non-uniform random variate generation. Springer
Pardo, L. Y Valds, T. (1987). Simulacin. Aplicaciones prcticas a la empresa. Daz de Santos Karian, Z. y Dudewicz, E. (1991). Modern statistical systems and GPSS simulation. Computer Science Press Moeschlin, O. et al. (1998). Experimental stochastics. Springer
Datos Identificativos Asignatura Titulacin Descriptores Teora de colas MESTRADO UNIVERSITARIO EN ENXEARA DE SISTEMAS INFORMTICOS Crditos 3 Idioma Casteln Cr. tericos 2 Cr. prcticos 1 Tipo Troncal Curso Segundo Perodo 1 cuadrimestre Ciclo Cdigo 614451251
Departamento Matemticas Coordinacin Profesorado Web Descricin xeral La Teora de Colas es una rama de la Investigacin Operativa que tiene por objeto el estudio y anlisis de situaciones en las que se demanda un servicio que no puede ser satisfecho instantneamente, por lo que se forman colas o lneas de espera. Dicho anlisis proporciona informacin para la toma de decisiones, tratando de lograr un compromiso ptimo entre el coste del servicio y el coste asociado a la espera de ese servicio. La Teora de Colas es aplicable a multitud de situaciones reales relacionadas con sectores tan variados como el comercio, la industria, el transporte o las telecomunicaciones, entre otros. En el contexto de la Informtica y las nuevas tecnologas, las situaciones de espera dentro de una red son muy frecuentes (procesos enviados a un servidor para su ejecucin a la espera de ser atendidos, congestin en la lnea telefnica, etc). Esto hace que las herramientas que se proporcionarn en esta asignatura puedan ser de utilidad para el alumno que cursa el Mster. Lorenzo Freire, Silvia Lorenzo Freire, Silvia Correo electrnico silvia.lorenzo@udc.es
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Conocer la metodologa de la Teora de Colas Competencias da titulacin AP1 BP1 BP4 BP5 BP8 BP10 BP11 BP12 BP1 BP4 BP5 BP8 BP11 BP12 CM6 CM7
Saber interpretar problemas de diferentes contextos y saber qu tipo de modelo o red de teora de colas es el ms adecuado para ese problema
AP1
CM6 CM7
Contidos Temas 1. Introduccin Subtemas 1.1. Resea histrica 1.2. Contenidos de la asignatura 2.1. Descripcin del sistema de una cola 2. Conceptos bsicos de Teora de Colas 2.2. Terminologa bsica 2.3. Frmulas de Little 3. Introduccin a los procesos estocsticos 3.1. Conceptos generales y propiedades bsicas 3.2. Procesos de contar: el proceso de Poison
3.3. Procesos de nacimiento y muerte 4.1. Modelo M/M/1 4.2. Modelo M/M/s 4.3. Modelo M/M/1/K 4. Modelos con tasas de llegada y de servicio de tipo Poisson 4.4. Modelo M/M/s/K y frmulas de Erlang 4.5. Modelo M/M/1/1/infinito/H 4.6. Modelo M/M/s/infinito/H, con y sin repuestos 4.7. Modelo M/M/infinito 5.1. Introduccin a las redes de colas 5.2. Redes de Jackson abiertas 5. Redes de colas 5.3. Redes de Jackson cerradas 5.4. Otros modelos de redes de colas: en serie, cclicas y con bloqueo 6.1. Modelo M/G/1 6. Colas con distribuciones arbitrarias de llegada y servicio 6.2. Otros modelos con tiempo entre llegadas exponencial 6.3. Colas con servicio exponencial y entrada general 6.4. Aproximacin mediante simulacin Planificacin
A Horas presenciais
30 30 0 10 5

0 0 15 5 0

30 30 15 15 5
Prcticas de laboratorio Sesin maxistral Solucin de problemas Proba oral Proba mixta
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Descricin Las sesiones de prcticas de laboratorio corresponden a la implementacin de diferentes modelos de teora de colas. Se utilizar el paquete de Matlab llamado AQUAS, donde estn implementados los modelos de colas que veremos en clase. Tambin trabajaremos con un software estadstico para el estudio de las distribuciones (Statgraphics o R).
Se expondrn los conceptos tericos bsicos utilizados a lo largo de la asignatura. Adems se resolvern los problemas que aparecen en los boletines. Es necesario que los alumnos dediquen cierto tiempo a resolver problemas utilizando las tcnicas estudiadas en clase. A lo largo del curso, cada alumno resolver y comentar de forma oral una situacin real que pueda aproximarse mediante un modelo o red de colas. Esta prctica es individual. Se har un examen escrito a todos los alumnos al final del cuatrimestre. Atencin personalizada
Proba oral Proba mixta
Metodoloxas Prcticas de laboratorio Sesin maxistral Proba oral
Descricin Los alumnos dispondrn de dicha atencin personalizada durante las clases de laboratorio, donde no slo tendrn la ocasin de resolver problemas y comentarle sus dudas a la profesora, sino que tambin se les dejar un tiempo para que intenten resolver la prctica basada en una situacin real que al final del cuatrimestre expondrn oralmente. Adems, pueden acudir a las tutoras correspondientes siempre que tengan alguna duda.
Avaliacin Metodoloxas Proba oral Descricin Prueba en la que los alumnos expondrn oralmente el trabajo basado en una situacin real en el que trabajarn a lo largo de todo el cuatrimestre Prueba en la que se evaluarn los conocimientos aprendidos por los alumnos a lo largo del curso. Para ello, tendrn que resolver varios ejercicios similares a los resueltos en las clases magistrales. Cualificacin 40
Proba mixta
60
Allen, A. O. (1990). Probability, statistics and queueing theory with computer science applications. Academic Press Cao, R. (2002). Introduccin a la simulacin y a la teora de colas. Netbiblo Gross, D. y Harris, C.M. (1985). Fundamentals of queueing theory. Wiley Medhi, J. (1991). Stochastic models in queueing theory. Academic Press Trivedi, K.S. (1982). Probability and statistics with reliability, queueing theory and computer science applications. Prentice Hall Saaty, T.L. (1983). Elements of queueing theory with applications. Dover Cao, R. y Vega Valle, J.L. (). http://www.udc.es/dep/mate/TeoriaColas/colas.htm.
Estatstica I/614111101
Datos Identificativos Asignatura Titulacin Descriptores Ecuacins en Derivadas Parciais I MESTRADO UNIVERSITARIO EN ENXEARA MATEMTICA Crditos 6 Idioma Departamento Coordinacin Profesorado Web Matemticas Vazquez Cendon, Carlos Vazquez Cendon, Carlos Correo carlos.vazquez.cendon@udc.es electrnico Cr. tericos 4.5 Cr. prcticos 1.5 Tipo Troncal Curso Primeiro Perodo 1 cuadrimestre Ciclo Cdigo 614455101
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Elementos Finitos I MESTRADO UNIVERSITARIO EN ENXEARA MATEMTICA Crditos 6 Idioma Departamento Coordinacin Profesorado Web Matemticas Vazquez Cendon, Carlos Vazquez Cendon, Carlos Correo carlos.vazquez.cendon@udc.es electrnico Cr. tericos 4 Cr. prcticos 2 Tipo Troncal Curso Primeiro Perodo 1 cuadrimestre Ciclo Cdigo 614455102
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Enxeara do Software MESTRADO UNIVERSITARIO EN ENXEARA MATEMTICA Crditos 3 Idioma Casteln Cr. tericos 1 Cr. prcticos 2 Tipo Troncal Curso Segundo Perodo 1 cuadrimestre Ciclo Cdigo 614455103
Departamento Matemticas Tecnoloxas da Informacin e as Comunicacins Coordinacin Profesorado Andrade Garda, Javier Andrade Garda, Javier Vazquez Cendon, Carlos Web Descricin xeral Correo electrnico javier.andrade@udc.es carlos.vazquez.cendon@udc.es
http://www.usc.es/gl/centros/matematicas/materia.html?materia=65787&ano=63 Nesta materia abrdase a comprensin bsica dos principais paradigmas de desenvolvemento software e o estudo do paradigma de orientacin a obxectos (OO), buscando a capacidade de poelo en operacin.
A Horas presenciais
Avaliacin
Metodoloxas
Descricin
Cualificacin
Datos Identificativos Asignatura Titulacin Descriptores Linguaxes e Contornos de Programacin I MESTRADO UNIVERSITARIO EN ENXEARA MATEMTICA Crditos 3 Idioma Departamento Coordinacin Profesorado Web Matemticas Vazquez Cendon, Carlos Vazquez Cendon, Carlos Correo carlos.vazquez.cendon@udc.es electrnico Cr. tericos 1 Cr. prcticos 2 Tipo Troncal Curso Primeiro Perodo 1 cuadrimestre Ciclo Cdigo 614455104
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Metodoloxa de Proxectos MESTRADO UNIVERSITARIO EN ENXEARA MATEMTICA Crditos 3 Idioma Departamento Coordinacin Profesorado Web Matemticas Vazquez Cendon, Carlos Vazquez Cendon, Carlos Correo carlos.vazquez.cendon@udc.es electrnico Cr. tericos 1 Cr. prcticos 2 Tipo Curso Perodo 1 cuadrimestre Ciclo Cdigo 614455105
Troncal Segundo
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Mtodos Numricos I MESTRADO UNIVERSITARIO EN ENXEARA MATEMTICA Crditos 3 Idioma Departamento Coordinacin Profesorado Casteln Matemticas Garca Rodrguez, Jos Antonio Garca Rodrguez, Jos Antonio Vazquez Cendon, Carlos Web http://https://campusvirtual.udc.es/moodle/ jose.garcia.rodriguez@udc.es Correo electrnico carlos.vazquez.cendon@udc.es Cr. tericos 2 Cr. prcticos 1 Tipo Troncal Curso Primeiro Perodo 1 cuadrimestre Ciclo Cdigo 614455106
Descricin xeral Nesta asignatura presentanse mtodos numricos elementis para resolver sistemas de ecuacins lineis e non lineis, e para aproximar funcins, as sas derivadas e integris.
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) 1. Coecer os mtodos numricos elementis para resolver sistemas de ecuacins lineis e non lineis, e para aproximar unha funcin, a sa derivada e a sa integral definida. Competencias da titulacin AM3 BP1 BI1 BM1 BM2 BM3 BP1 BI1 BM1 BM2 BM3 BI1 BM1 BM3 AM3 BP1 BI1 BM1 BM3 BP1 BI1 BM1 BM2 BM3
2. Ser capaz de utilizar o paquete de clculo MatLab de forma eficiente para resolver os problemas que se estudan na asignatura.
AM4 AM5 AM6
3. Ter unha boa disposicin para a resolucin de problemas.
4. Ser capaz de valorar a dificultade dun problema e de elexir o mtodo numrico mis adecuado para resolvelo (dentre os estudiados).
5. Ser capaz de buscar na bibliografa, leer e comprender a informacin necesaria para resolver un problema dado.
AM3 AM4
Contidos Temas Subtemas 1. Condicionamiento dun sistema de ecuacins lineis. 1. Resolucin numrica de sistemas de ecuacins lineis 2. Mtodos directos: LU, LL^t, LDL^t y QR. 3. Mtodos iterativos clsicos: Jacobi, Gauss-Seidel, SOR y SSOR. 1. Revisin dos mtodos de resolucin de ecuacins non lineis.
2. Resolucin numrica de sistemas de ecuacions non lineis
2. Mtodo do punto fixo. 3. Mtodo de Newton. 1. Interpolacin de Lagrange. 2. Interpolacin de Hermite. 3. O efecto Runge. 3. Interpolacin, derivacin e integracin numricas 4. Aproximacin por splines. 5. Derivacin numrica de tipo interpolatorio polinmico. 6. Cuadratura numrica de tipo interpolatorio polinmico. 6.1 Frmulas de Newton-Cotes. 6.2 Frmulas de Gauss. 6.3 Cuadratura compuesta. Planificacin
A Horas presenciais
14 0 7 3

21 10 14 0

35 10 21 3
Sesin maxistral Solucin de problemas Prcticas de laboratorio Proba obxectiva
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Descricin Nas leccins maxistris o profesor presenta os contidos tericos da asignatura, axudndose de exemplos ilustrativos co fin de motivar s alumnos e de axudar comprensin e asimilacin dos contidos. O profesor apoiarase en presentacins dinmicas que os alumnos podern descargar con antelacin dende o entorno virtual da asignatura (No seu defecto, se lles far chegar por e-mail). longo do curso, os alumnos deben resolver varias follas de problemas, que entregarn profesor. Estos problemas teranse en conta na evaluacin. longo do curso, proporase a realizacin de varias prcticas.
Sesin maxistral
Os alumnos deben implementar en Matlab algunhos dos mtodos numricos estudados na asignatura, validar os seus programas e elaborar unha memoria na que describan o traballo realizado. Tamn se propor a resolucin de problemas prcticos usando os mtodos numricos presentados na asignatura. As prcticas teranse en conta na evaluacin.
Proba obxectiva
Trtase do examen final da asignatura e consta de das partes. Na primeira, proporase a realizacin dunha serie de exercicios e se plantexarn cuestins de
ndole terica relativas, por exemplo, mbito de aplicacin dos mtodos e as sas propiedades de converxencia. Na segunda parte, os alumnos debern resolver un caso prctico facendo uso dos comandos e programas de que dispoan en Matlab ou ben, implementando os algoritmos necesarios. Atencin personalizada Metodoloxas Solucin de problemas Prcticas de laboratorio Descricin Os alumnos poden consultar cos profesores da materia as dudas que lles xurdan na solucin de problemas e implementacin das prcticas de laboratorio.
Avaliacin Metodoloxas Solucin de problemas Descricin Evalase a habilidade do alumno para resolver correctamente os problemas propostos, a claridade das respostas e a sa presentacin. Evalase a capacidade do alumno para resolver os problemas que se estudan na asignatura usando o paquete de clculo MatLab, as como a sa habilidade para implementar de forma eficiente os mtodos numricos estudados. Evalase tamn a capacidade do alumno para aplicar os coecementos tericos adquiridos. Proba obxectiva Evalanse os coecementos tericos e prcticos adquiridos polo alumno. 50 Cualificacin 33.33
16.67
Fontes de informacin Bibliografa bsica Sons
Epperson, J.F. (2007). An introduction to numerical methods and analysis. John Wiley &
Kincaid, D. y Cheney, W. (1994). Anlisis numrico. Las matemticas del clculo cientfico. Addison Wesley Iberoamericana Quarteroni, A. y Saleri, F. (2006). Clculo Cientfico con MATLAB y Octave. Springer El libro de Quarteroni y Saleri es el que se sigue para la mayor parte de los contenidos. Bibliografa complementaria
Viao, J.M. (1997). Lecciones de mtodos numricos. 2.- Resolucin de ecuaciones numricas. Trculo Edicins Viao, J.M. y Burguera, M. (1999). Lecciones de mtodos numricos. 3.- Interpolacin. Trculo Edicins Golub, G.H. y van Loan, C.F. (1996). Matrix Computations. John Hopkins, University Press Kiusalaas, J. (2005). Numerical Methods in Engineering with MATLAB. Cambridge University Press Kelley, C.T. (2003). Solving Nonlinear Equations with Newtons Method. SIAM
Recomendacins
Materias que se recomenda ter cursado previamente Elementos Finitos I/614455102 Diferenzas Finitas/614455205 Elementos de Contorno/614455207 Elementos Finitos II/614455208 Mtodos Numricos en Optimizacin/614455210 Mtodos Numricos II/614455211 Mtodos Numricos para Ecuacins Diferenciais Ordinarias (EDO)/614455212 Clculo Paralelo/614455202
Materias que se recomenda cursar simultaneamente Linguaxes e Contornos de Programacin I/614455104
Observacins Para comprender os mtodos que se presentan nesta asignatura son necesarios coecementos bsicos de lxebra lial e de clculo diferencial e integral. Recomendase estudar os contidos presentados na asignatura a medida que se vaian introducindo, realizar os exercicios e traballos prcticos propostos, facer uso das tutoras e consultar a bibliografa recomendada.
Datos Identificativos Asignatura Titulacin Descriptores Modelos Matemticos en Mecnica de Medios Continuos MESTRADO UNIVERSITARIO EN ENXEARA MATEMTICA Crditos 6 Idioma Departamento Coordinacin Profesorado Casteln Matemticas Mtodos Matemticos e de Representacin Arregui Alvarez, Iigo Arregui Alvarez, Iigo Rodriguez Seijo, Jose Manuel Vazquez Cendon, Carlos Web inigo.arregui@udc.es Correo jose.rodriguez.seijo@udc.es electrnico carlos.vazquez.cendon@udc.es Cr. tericos 4.5 Cr. prcticos 1.5 Tipo Troncal Curso Primeiro Perodo 1 cuadrimestre Ciclo Cdigo 614455107
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) El alumno adquirir soltura en el manejo de los campos vectoriales y tensoriales, y ser capaz de deducir las ecuaciones del movimiento de los cuerpo deformables, estableciendo las leyes de conservacin que se utilizarn, posteriormente, en las asignaturas de modelos matemticos Contidos Temas Introduccin. Coordenadas curvilneas. Cinemtica. Leyes de conservacin. Cambio de observador. Algunos modelos simples. Subtemas Algebra y anlisis tensoriales. Teoremas de descomposicin polar, de la divergencia y de Stokes. Bases de vectores y coordenadas curvilneas. Campos vectoriales. Operadores diferenciales en coordenadas curvilneas. Cuerpos materiales. Movimiento y deformacin, tipos de movimiento. Teoremas del transporte. Movimientos isocricos, spin, circulacin y vorticidad. Masa. Momentos lineal y angular. Fuerzas y tensiones. Consecuencias del equilibrio de momentos. Tensor de PiolaKirchhoff. Conservacin de la energa, desigualdad de ClausiusDuhem. Cambio de observador. Principio de indiferencia material. Hiptesis constitutivas. Fluidos ideales. Ecuaciones de Navier-Stokes. Cuerpos elsticos. Termoelasticidad. Planificacin Competencias da titulacin AM1 AM7 BP1 BM2
A Horas presenciais
42 13

42 45

84 58
Proba mixta
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Sesin maxistral Solucin de problemas Proba mixta Descricin Explicacin de los contenidos por parte del profesor. Realizacin de ejercicios Resolucin, por parte del alumno, de algunos ejercicios relacionados con la materia Prueba terico-prctica Atencin personalizada Metodoloxas Solucin de problemas Descricin El profesor ayudar a los estudiantes en las dificultades que les surjan a la hora de resolver los ejercicios propuestos
Avaliacin Metodoloxas Solucin de problemas Proba mixta Descricin Resolucin de ejercicios y cuestiones terico-prcticas por parte del alumno, con ayuda de bibliografa Resolucin de ejercicios y cuestiones terico-prcticas en una prueba presencial Cualificacin 40 60
M. E. Gurtin (1981). An Introduction to Continuum Mechanics. Academic Press. Boston O. Lpez Pouso (2002). "An Introduction to Continuum Mechanics" de M. E. Gurtin. Ejercicios Resueltos (captulos I-VI). Publicacins Docentes do Departamento de Matemtica Aplicada. Univ. de Santiago de Compostela
Y. C. Fung (1994 ). A First Course in Continuum Mechanics . Prentice Hall K. Hutter, K. Jhnk (2004). Continuum Methods of Physical Modeling. Springer A. Bermdez de Castro (2004). Continuum Termomechanics . Birkhauser N. Bobillo Ares (2003). Introduccin a la geometra y cinemtica de medios continuos. Servicio de Publicaciones de la Unviersidad de Oviedo R. Temam, A. Miranville (2001). Mathematical Modeling in Continuum Mechanics . Cambridge University Press
L. A. Segel (1987). Mathematics Applied to Continuum Mechanics . Dover, New York G. Duvaut (1990). Mcanique des Milieux Continus . Masson, Pars
Materias que se recomenda cursar simultaneamente Ecuacins en Derivadas Parciais I/614455101
Materias que continan o temario Modelos Matemticos en Mecnica de Slidos/614455218 Modelos Matemticos en Mecnica de Fludos/614455217
Datos Identificativos Asignatura Titulacin Descriptores Proxecto de Mster MESTRADO UNIVERSITARIO EN ENXEARA MATEMTICA Crditos 18 Idioma Departamento Coordinacin Profesorado Casteln Matemticas Vazquez Cendon, Carlos Ferreiro Ferreiro, Ana Mara Prieto Aneiros, Andrs Vazquez Cendon, Carlos Web Descricin xeral O obxectivo da materia resolver un problema proposto dende o mbito industrial ou empresarial, e presentar un traballo final coas conclusins obtidas. Para elo, cada alumno ter a axuda dun ou varios profesores que actuarn como directores do proxecto. Polo menos un destes directores ter o ttulo de doutor. ana.fferreiro@udc.es Correo andres.prieto@udc.es electrnico carlos.vazquez.cendon@udc.es Cr. tericos 0 Cr. prcticos 18 Tipo Curso Perodo 1 cuadrimestre Ciclo Cdigo 614455108
Troncal Segundo
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Competencias da titulacin AM1 AM2 AM3 AM4 AM5 AM6 AM7 Contidos Temas Resolucin dun problema planteado na Materia Taller de Problemas Industriais por unha empresa. Planificacin Subtemas BP1 BI1 BM1 BM2 BM3
A Horas presenciais
110 1

330 9

440 10
Traballos tutelados Proba oral
Metodoloxas Metodoloxas Traballos tutelados Proba oral Descricin O estudante, de maneira individual pero tutorizada elabora un documento sobre a temtica da materia. O estudiante fai unha presentacin do traballo perante o tribunal que o xulga, imptanse as horas de exposicin e preparacin da misma Atencin personalizada Metodoloxas Traballos tutelados Proba oral Descricin Tutorizacin do Proxecto Master por profesores da titulacin
Avaliacin Metodoloxas Descricin Para la presentacin ante una Comisin del Proyecto de Master, que es preceptivo por Normativa General, es necesario tener el Visto Bueno del Tutor/Director del Proyecto de Master asignado al alumno por parte de la Comisin Acadmica Cualificacin
Proba oral
100
Datos Identificativos Asignatura Titulacin Descriptores Taller de Problemas Industriais MESTRADO UNIVERSITARIO EN ENXEARA MATEMTICA Crditos 6 Idioma Departamento Coordinacin Profesorado Casteln Matemticas Vazquez Cendon, Carlos Ferreiro Ferreiro, Ana Mara Vazquez Cendon, Carlos Web ana.fferreiro@udc.es Correo electrnico carlos.vazquez.cendon@udc.es Cr. tericos 1 Cr. prcticos 5 Tipo Curso Perodo 1 cuadrimestre Ciclo Cdigo 614455109
Troncal Segundo
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Competencias da titulacin AM1 AM2 AM3 AM4 AM5 AM6 AM7 Contidos Temas Subtemas Planificacin BP1 BI1 BM1 BM2 BM3
A Horas presenciais
75 15 0

0 15 45

75 30 45
Sesin maxistral Discusin dirixida Resumo
Sesin maxistral
Presentacin por parte de empresas y profesores del mster de problemas industriales o empresariales susceptibles de ser resueltos mediante las tcnicas de ingeniera matemtica estudiadas en el mster Debate sobre los problemas industriales entre los alumnos, profesores y representantes de las industrias Cada alumno elaborar un resumen sobre dos problemas elegidos por el de entre los presentados en el taller. En la memoria-resumen se describir el problema y se plantearn posibles tcnicas de resolucin Atencin personalizada
Discusin dirixida
Resumo
Metodoloxas Resumo
Descricin Evaluacin de la memoria sobre los dos problemas industriales elegidos y posible consulta al alumno sobre la misma
Avaliacin Metodoloxas Resumo Descricin Se evaluar la memoria y si fuese necesario se plantearn cuestiones sobre la misma al alumno Cualificacin 100
Datos Identificativos Asignatura Titulacin Descriptores Arquitectura de Computadores e Sistemas Operativos MESTRADO UNIVERSITARIO EN ENXEARA MATEMTICA Crditos 3 Idioma Departamento Coordinacin Profesorado Web Matemticas Vazquez Cendon, Carlos Vazquez Cendon, Carlos Correo carlos.vazquez.cendon@udc.es electrnico Cr. tericos 1 Cr. prcticos 2 Tipo Troncal Curso Primeiro Perodo 2 cuadrimestre Ciclo Cdigo 614455201
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Clculo Paralelo MESTRADO UNIVERSITARIO EN ENXEARA MATEMTICA Crditos 3 Idioma Departamento Coordinacin Profesorado Web Matemticas Vazquez Cendon, Carlos Vazquez Cendon, Carlos Correo carlos.vazquez.cendon@udc.es electrnico Cr. tericos 1 Cr. prcticos 2 Tipo Troncal Curso Primeiro Perodo 2 cuadrimestre Ciclo Cdigo 614455202
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Control e Optimizacin de Sistemas MESTRADO UNIVERSITARIO EN ENXEARA MATEMTICA Crditos 3 Idioma Departamento Coordinacin Profesorado Web Matemticas Vazquez Cendon, Carlos Vazquez Cendon, Carlos Correo carlos.vazquez.cendon@udc.es electrnico Cr. tericos 2.2 Cr. prcticos 0.8 Tipo Troncal Curso Primeiro Perodo 2 cuadrimestre Ciclo Cdigo 614455203
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Deseo Asistido por Ordenador (CAD) MESTRADO UNIVERSITARIO EN ENXEARA MATEMTICA Crditos 6 Idioma Departamento Coordinacin Profesorado Web Matemticas Vazquez Cendon, Carlos Vazquez Cendon, Carlos Correo carlos.vazquez.cendon@udc.es electrnico Cr. tericos 1 Cr. prcticos 5 Tipo Troncal Curso Primeiro Perodo 1 cuadrimestre Ciclo Cdigo 614455204
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Diferenzas Finitas MESTRADO UNIVERSITARIO EN ENXEARA MATEMTICA Crditos 3 Idioma Departamento Coordinacin Profesorado Web Matemticas Vazquez Cendon, Carlos Vazquez Cendon, Carlos Correo carlos.vazquez.cendon@udc.es electrnico Cr. tericos 2 Cr. prcticos 1 Tipo Troncal Curso Primeiro Perodo 1 cuadrimestre Ciclo Cdigo 614455205
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Ecuacins en Derivadas Parciais II MESTRADO UNIVERSITARIO EN ENXEARA MATEMTICA Crditos 3 Idioma Departamento Coordinacin Profesorado Web Matemticas Vazquez Cendon, Carlos Vazquez Cendon, Carlos Correo carlos.vazquez.cendon@udc.es electrnico Cr. tericos 2.2 Cr. prcticos 0.8 Tipo Troncal Curso Primeiro Perodo 1 cuadrimestre Ciclo Cdigo 614455206
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Elementos de Contorno MESTRADO UNIVERSITARIO EN ENXEARA MATEMTICA Crditos 3 Idioma Casteln Cr. tericos 2 Cr. prcticos 1 Tipo Troncal Curso Primeiro Perodo 2 cuadrimestre Ciclo Cdigo 614455207
Departamento Matemticas Coordinacin Profesorado Web Descricin xeral Vazquez Cendon, Carlos Vazquez Cendon, Carlos http://https://campusvirtual.udc.es/moodle/ En esta asignatura se estudia el mtodo de elementos de contorno con el fin de que el alumno sea capaz de utilizarlo para resolver numricamente problemas elpticos en los que el operador diferencial tenga solucin fundamental conocida. Correo electrnico carlos.vazquez.cendon@udc.es
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Conocer los pasos a seguir para resolver un problema de contorno elptico mediante el mtodo de elementos de contorno. Competencias da titulacin AM2 BP1 BI1 BM2 BM3 BP1 BI1 BM1 BM2 BM3 BP1 BI1 BM1 BM2 BM3 BP1 BI1 BM1 BM2 BM3 BP1 BI1 BM1 BM2 BM3 BP1 BI1 BM1 BM2 BM3
Conocer las ventajas y limitaciones del mtodo de elementos de contorno.
AM3
Conocer la solucin fundamental, la frmula de representacin y las ecuaciones integrales de frontera para los problemas estudiados en la asignatura.
AM2
Conocer las formulaciones directa e indirectas.
AM2 AM3
Dada una ecuacin integral de frontera, ser capaz de discretizarla utilizando el mtodo de elementos de contorno y deducir el sistema lineal correspondiente.
AM3
Ser capaz de desarrollar un programa en Matlab que resuelva un problema elptico bidimensional usando el mtodo de elementos de contorno.
AM4 AM5
Contidos Temas Mtodos de elementos de contorno para resolver problemas de potencial. Subtemas - Problemas interiores y exteriores para la ecuacin de Laplace. - Solucin fundamental del laplaciano.
- Frmula de representacin de una funcin armnica. - Deduccin de las ecuaciones integrales sobre la frontera. - Mtodos directos e indirectos. Anlisis de las formulaciones variacionales. - Discretizacin. Estimaciones de error a priori. - Aspectos prcticos de la resolucin numrica del problema discreto. - Problemas de contorno interiores y exteriores en acstica (rgimen armnico). - Soluciones fundamentales. - Frmula de representacin de Green. Potenciales de capa simple y doble. - Ecuaciones integrales de frontera. - Mtodos directos e indirectos. Discretizacin e implementacin. Planificacin
Mtodos de elementos de contorno en acstica.
A Horas presenciais
15 6 0

30 9 10

45 15 10
Sesin maxistral Prcticas de laboratorio Traballos tutelados
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Sesin maxistral Descricin - Los contenidos tericos se presentarn mediante leccin magistral. - Se resolvern algunos ejercicios tericos durante las clases de pizarra. - En las prcticas de laboratorio, los alumnos implementarn y comprobarn el funcionamiento del mtodo de elementos de contorno utilizando el paquete de clculo Matlab. - Se propondrn ejercicios a lo largo del cuatrimestre y un trabajo tutelado al finalizar las clases presenciales. Atencin personalizada Metodoloxas Prcticas de laboratorio Traballos tutelados Descricin Los alumnos pueden consultar con las profesoras de la materia las dudas que les surjan al realizar los trabajos tutelados y las prcticas de laboratorio.
Traballos tutelados
Avaliacin Metodoloxas Traballos tutelados Descricin Para la evaluacin del aprendizaje se valorarn los trabajos realizados por los alumnos. Cualificacin 100
G. Chen, J. Zhou (1992). Boundary Element Methods. Academic Press R. Kress (1999). Linear Integral Equations. Springer
C.A. Brebbia, J. Domnguez (1992). Boundary Elements. An Introductory Course.. McGraw-Hill W. Hackbusch (1995). Integral Equations. Birkhauser J. Saranen, G. Vainikko (2002). Periodic Integral and Pseudodifferential Equations with Numerical Approximation. Springer G. Beer (2001). Programming the Boundary Element Method. An introduction for engineers. John Wiley & Sons W. McLean (2000). Strongly Elliptic Systems and Boundary Integral Equations. Cambridge University Press
Materias que continan o temario Modelos Matemticos en Acstica/614455213 Ecuacins en Derivadas Parciais I/614455101 Ecuacins en Derivadas Parciais II/614455206 Elementos Finitos I/614455102 Mtodos Numricos I/614455106 Elementos Finitos II/614455208 Mtodos Numricos II/614455211 Linguaxes e Contornos de Programacin I/614455104
Observacins - Para cursar la asignatura, se requieren conocimientos previos sobre la teora bsica de ecuaciones en derivadas parciales elpticas de segundo orden y su discretizacin por el mtodo de elementos finitos; el lenguaje de programacin Matlab. - Se recomienda a los estudiantes el estudio de los contenidos tericos que se presenten en las lecciones magistrales a medida que stos se vayan explicando, as como la experimentacin con los programas informticos que se utilicen en las prcticas de laboratorio. - Tambin se recomienda a los alumnos la discusin de las tcnicas presentadas con las profesoras de la asignatura.
Datos Identificativos Asignatura Titulacin Descriptores Elementos Finitos II MESTRADO UNIVERSITARIO EN ENXEARA MATEMTICA Crditos 3 Idioma Departamento Coordinacin Profesorado Web Matemticas Vazquez Cendon, Carlos Vazquez Cendon, Carlos Correo carlos.vazquez.cendon@udc.es electrnico Cr. tericos 2 Cr. prcticos 1 Tipo Troncal Curso Primeiro Perodo 2 cuadrimestre Ciclo Cdigo 614455208
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Linguaxes e Contornos de Programacin II MESTRADO UNIVERSITARIO EN ENXEARA MATEMTICA Crditos 3 Idioma Casteln Cr. tericos 1 Cr. prcticos 2 Tipo Troncal Curso Primeiro Perodo 2 cuadrimestre Ciclo Cdigo 614455209
Departamento Matemticas Coordinacin Profesorado Ferreiro Ferreiro, Ana Mara Ferreiro Ferreiro, Ana Mara Garca Rodrguez, Jos Antonio Vazquez Cendon, Carlos Web Descricin xeral http://sites.google.com/site/lep2cpp/ Los objetivos de la asignatura son dar a conocer los aspectos fundamentales de los lenguajes de programacin C y C++, la programacin orientada a objetos (POO) -- paradigma de programacin dominante en el desarrollo de aplicaciones informticas-- apoyndonos en C++ y su correspondiente aplicacin en el desarrolo de aplicaciones informticas del mbito de la ingeniera, Correo electrnico ana.fferreiro@udc.es jose.garcia.rodriguez@udc.es carlos.vazquez.cendon@udc.es
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Programacin imperativa tradicional en C/C++ Conocer las diferencias entre la programacin imperativa tradicional y la programacin orientada a objetos. Comprender los conceptos bsicos POO (clases, objetos, etc), as como comprender las propiedades bsicas de la POO (herencia, polimorfismo, sobrecarga, etc) Desarrollar cdigo (implementado en C++) flexible y reutilizable apoyndonoes en la POO. Contidos Temas Introduccin al entorno de programacin C/C++ Tipos de datos bsicos y derivados. Estructuras de control. Punteros, Funciones. Archivos de cabecera. Subtemas Competencias da titulacin
Programacin en C
Introduccin a la programacin orientada a objetos (POO) Clases y objetos. Jerarqua de claes y herencia. Polimorfismo. Sobrecarga de operadores. Mtodos virtuales. Planificacin
Programacin orientada a objetos en C++
A Horas
B Horas non
C (A+B) Horas
presenciais

0 0 0
totais
Sesin maxistral Prcticas de laboratorio Traballos tutelados
10 18 47
10 18 47
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Sesin maxistral Descricin En las clases tericas se explicar la sintaxis del lenguaje de programacin C/C++, se abordar la Programacin Orientada a Objetos, as como la sintaxis para expresar los conceptos de la POO en C++ Clases de prcticas tuteladas en las que los alumnos podrn en prctica mediante pequeos ejercicios los conceptos vistos en las clases tericas. Se intecalarn las explicaciones tericas con las prcticas, con el objetivo de facilitar el aprendizaje. Proyectos y ejercicios a realizar individualmente por el alumno para profundizar en la comprensin de la materia. Atencin personalizada Metodoloxas Sesin maxistral Prcticas de laboratorio Descricin
Traballos tutelados
Avaliacin Metodoloxas Traballos tutelados Descricin Cada alumno tendr que presentar dos proyectos en el que se abordarn aspectos relacionados con los contenidos desarrollados a los largo del curso. Cualificacin 100
Observacins avaliacin A lo largo del curso cada alumno tendr que presentar dos proyectos, donde se aborden la mayor parte de lo contenidos desarrollados a lo largo del curso. Estos trabajos supondrn el 100% de la nota final. Fontes de informacin Bibliografa bsica Hall
B.W. Kernighan, D.M. Ritchie (1991). El lenguaje de programacin C (2 ed.). Prentice
Harvey M. Deitel, Paul J. Deitel (2009). C++ : cmo programar (6 ed.). Pearson Educacin Bjarne Stroustrup ([2001] (2007 reimp.)). El Lenguaje de programacin C++ . Addison-
Wesley Iberoamericana, Bruce Eckel (2000). Thinking in C++: Introduction to Standard C++, Volume One (2nd Edition) (Vol 1). Disponible Online Bruce Eckel (2003). Thinking in C++: Introduction to Standard C++, Volume One (2nd Edition) (Vol 2). Disponible Online Los libros de Brucke Eckel pueden descargarse de forma gratuita de la web: http://mindview.net/Books/TICPP/ThinkingInCPP2e.html Bibliografa complementaria
Scott Meyers (2005). Effective C++ 55 specific ways to improve your programs and designs (3 ed). Addison-Wesley, Walter Savitch (2004). Problem Solving with C++: The Object of Programming, Fifth Edition . Addison-Wesley British Standards Institute (2005). C++ estndar. Anaya. Serie de programacin J.D. Garca, J.M. Prez, L.M. Snchez, J. Carretero, F. Garca (2004). Problemas resueltos de Programacin en Lenguaje C++. Thomson
Materias que continan o temario Linguaxes e Contornos de Programacin I/614455104
Observacins Es recomendable tener experiencia de programacin en otros lenguajes de programacin y en particular haber cursado la asignatura de "Lenguajes y entornos de programacin I". Al alumno debe orientar el estudio de la asignatura en el mbito de la prctical, puesto que la mejor tcnica para adquirir destreza de cualquier lenguaje de programacin es la prctica del mismo. Por ello se recomienda completar el mayor nmero posible de las prcticas propuestas y tambin experimentar por cuenta propia.
Datos Identificativos Asignatura Titulacin Descriptores Mtodos Numricos en Optimizacin MESTRADO UNIVERSITARIO EN ENXEARA MATEMTICA Crditos 3 Idioma Departamento Coordinacin Profesorado Web Matemticas Vazquez Cendon, Carlos Vazquez Cendon, Carlos Correo carlos.vazquez.cendon@udc.es electrnico Cr. tericos 2 Cr. prcticos 1 Tipo Troncal Curso Primeiro Perodo 2 cuadrimestre Ciclo Cdigo 614455210
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Mtodos Numricos II MESTRADO UNIVERSITARIO EN ENXEARA MATEMTICA Crditos 3 Idioma Departamento Coordinacin Profesorado Casteln Matemticas Cendan Verdes, Jose Jesus Cendan Verdes, Jose Jesus Vazquez Cendon, Carlos Web http://https://campusvirtual.udc.es/moodle/ jesus.cendan.verdes@udc.es Correo electrnico carlos.vazquez.cendon@udc.es Cr. tericos 2 Cr. prcticos 1 Tipo Troncal Curso Primeiro Perodo 1 cuadrimestre Ciclo Cdigo 614455211
Descricin xeral En esta asignatura se presentan mtodos numricos para resolver grandes sistemas de ecuaciones lineales y no lineales, y para calcular los autovalores de grandes sistemas.
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) 1. Conocer los formatos de almacenamiento de matrices huecas en el ordenador, sus ventajas e inconvenientes. Ser capaz de utilizarlos correctamente y de escoger el ms adecuado segn el mtodo numrico que se emplee. Competencias da titulacin AM3 BP1 BI1 BM1 BM2 BM3 BP1 BI1 BM1 BM2 BM3 BP1 BI1 BM1 BM2 BM3 BP1 BI1 BM1 BM2 BM3 BP1 BI1 BM1 BM2 BM3 BI1 BM1 BM3 AM3 BP1 BI1 BM1 BM3 BP1 BI1 BM1
2. Dado un sistema de ecuaciones lineales de gran tamao, ser capaz de determinar el mtodo iterativo ms apropiado para su resolucin.
AM3
3. Ser capaz de utilizar una tcnica de precondicionamiento con un mtodo iterativo para resolver un sistema de ecuaciones lineales.
AM3
4. Conocer mtodos numricos eficientes para resolver sistemas de ecuaciones no lineales de gran tamao, y para calcular los autovalores y autovectores de una matriz.
AM3
5. Ser capaz de utilizar el paquete de clculo MatLab de forma eficiente para resolver los problemas que se estudian en la asignatura.
AM4 AM5
6. Tener una buena disposicin para la resolucin de problemas.
7. Ser capaz de valorar la dificultad de un problema.
8. Ser capaz de buscar en la bibliografa, leer y comprender la informacin necesaria para resolver un problema dado.
AM3 AM4
BM2 BM3 Contidos Temas 1. Formatos de almacenamiento de matrices huecas en el ordenador 2. Resolucin numrica de grandes sistemas de ecuaciones lineales Subtemas Almacenamientos perfil, CSR, CSC y aleatorio. Eleccin del formato. Mtodos de descenso: el mtodo de gradiente conjugado (CG). Los mtodos CGNR y CGNE. Mtodos de Krylov. Tcnicas de precondicionamiento. Revisin del mtodo de Newton. Estrategias para la convergencia global. Mtodos de Newton-Krylov. Mtodo de Broyden. Localizacin de autovalores. Condicionamiento de un problema de autovalores. Mtodos de la potencia. Iteracin del cociente de Rayleigh. El mtodo QR.
3. Resolucin numrica de grandes sistemas de ecuaciones no lineales
4. Aproximacin numrica de autovalores y autovectores
Planificacin
A Horas presenciais
7 2 3 0 12 0 0

10.5 1 0 2 18 12 5

17.5 3 3 2 30 12 5
Prcticas de laboratorio Presentacin oral Proba obxectiva Resumo Sesin maxistral Solucin de problemas Traballos tutelados
2.5
2.5
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Prcticas de laboratorio Descricin En las prcticas de laboratorio se muestra cmo resolver con Matlab los problemas estudiados en las sesiones magistrales. Los alumnos debern presentar oralmente las conclusiones del trabajo tutelado que hayan realizado. La presentacin se tendr en cuenta en la evaluacin. Se trata del examen final de la asignatura y consta de dos partes. En la primera, se propone la realizacin de una serie de ejercicios y se plantean cuestiones de ndole terica. En la segunda parte, los alumnos debern resolver un caso prctico haciendo uso de los comandos y programas de que dispongan en Matlab o bien, implementando los algoritmos necesarios.
Presentacin oral
Proba obxectiva
Resumo
En algn tema de la asignatura, se requerir la realizacin de una tabla resumen de los mtodos estudiados. Este resumen se tendr en cuenta en la evaluacin. En las sesiones magistrales el profesor presenta los contenidos tericos de la asignatura, ayudndose de ejemplos ilustrativos con el fin motivar a los alumnos y de ayudar a la comprensin y asimilacin de los contenidos. El profesor se apoyar en presentaciones dinmicas que los alumnos se podrn descargar con antelacin del entorno virtual de la asignatura (en su defecto, se les har llegar por e-mail). A lo largo del curso, los alumnos deben resolver varias hojas de problemas que entregarn al profesor. Estos problemas se tienen en cuenta en la evaluacin. Los alumnos debern realizar un trabajo en el que utilizarn los conocimientos adquiridos en la asignatura para resolver un problema aplicado. Este trabajo se tiene en cuenta en la evaluacin. Atencin personalizada Metodoloxas Descricin Los alumnos pueden consultar con los profesores de la materia las dudas que les surjan en la solucin de problemas y realizacin de prcticas de laboratorio y trabajos tutelados.
Sesin maxistral
Traballos tutelados
Prcticas de laboratorio Solucin de problemas Traballos tutelados
Avaliacin Metodoloxas Prcticas de laboratorio Presentacin oral Proba obxectiva Resumo Solucin de problemas Se valorar la claridad con que se expongan las ideas y conclusiones del trabajo realizado. Prueba en la que se evalan los conocimientos tericos y prcticos adquiridos por el alumno. Se valorar la capacidad de sntesis del alumno. Se valorar presentadas. la correccin y claridad de las soluciones Descricin Cualificacin 10 10 50 5 10
Traballos tutelados
Se valorar la capacidad del alumno para aplicar los conceptos y mtodos estudiados en la asignatura as como su capacidad de aprendizaje autnomo y de razonamiento crtico, su creatividad y la originalidad del trabajo presentado.
15
Saad, Y. (2003). Iterative Methods for Sparse Linear Systems. SIAM Kelley, C.T: (2003). Solving Nonlinear Equations with Newtons Method. SIAM Barrett, R., Berry, M., Chan, T.F., Demmel, J., Donato, J., Dongarra, J., Eijkhout, V., Pozo, R., Ro (1994). Templates for the solution of linear systems: building blocks for iterative methods. SIAM Trefethen, L., Bau, D. (1997). Numerical Linear Algebra. SIAM
El Templates est disponible en la pgina web www.netlib.org/templates/templates.pdf Bibliografa complementaria
Lascaux, P. y Thodor, R. (2000). Analyse numrique matricielle applique lart de lingnieur, 1- Mthodes directes. Dunod Epperson, J.F. (2007). An introduction to numerical methods and analysis. John Wiley &
Sons
Demmel, J.W. (1997). Applied Numerical Linear Algebra. SIAM van der Vorst, H.A. (2003). Iterative Krylov Methods for Large Linear Systems. Cambridge University Press Golub, G.H. y van Loan, C.F. (1996). Matrix Computations. John Hopkins University Press Saad, Y. (1992). Numerical Methods for Large Eigenvalue Problems. Manchester University Press Dennis Jr., J.E. y Schnabel, R.B. (1996). Numerical Methods for Unconstrained Optimization and Nonlinear Equations. SIAM
Recomendacins Materias que se recomenda ter cursado previamente Elementos Finitos I/614455102 Elementos Finitos II/614455208 Clculo Paralelo/614455202
Materias que se recomenda cursar simultaneamente Mtodos Numricos I/614455106
Observacins Se recomienda estudiar los contenidos presentados en la asignatura a medida que stos se vayan explicando, realizar los ejercicios y trabajos prcticos propuestos, aprovechar las tutoras y consultar la bibliografa.
Datos Identificativos Asignatura Titulacin Descriptores Mtodos Numricos para Ecuacins Diferenciais Ordinarias (EDO) MESTRADO UNIVERSITARIO EN ENXEARA MATEMTICA Crditos 3 Idioma Departamento Coordinacin Profesorado Web Matemticas Vazquez Cendon, Carlos Vazquez Cendon, Carlos Correo carlos.vazquez.cendon@udc.es electrnico Cr. tericos 2 Cr. prcticos 1 Tipo Troncal Curso Primeiro Perodo 1 cuadrimestre Ciclo Cdigo 614455212
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Modelos Matemticos en Acstica MESTRADO UNIVERSITARIO EN ENXEARA MATEMTICA Crditos 6 Idioma Departamento Coordinacin Profesorado Matemticas Hervella Nieto, Luis Maria Hervella Nieto, Luis Maria Prieto Aneiros, Andrs Vazquez Cendon, Carlos Web luis.hervella@udc.es Correo andres.prieto@udc.es electrnico carlos.vazquez.cendon@udc.es Cr. tericos 4.5 Cr. prcticos 1.5 Tipo Troncal Curso Primeiro Perodo 2 cuadrimestre Ciclo Cdigo 614455213
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Competencias da titulacin AM1 AM2 AM3 AM6 AM7 AM7 BM1 BP1 BI1 BM2 Contidos Temas Subtemas 1.1. Introduccin. Oscilador armnico. 1.2. Elementos bsicos de lgebra y clculo, vectorial y tensorial. 1.3. Cinemtica. 1.4. Masa y momentos. 1.5. Leyes constitutivas. 1.6. Modelos lineales. 1.7. Vibraciones de medios continuos. 1.8. Elementos de acstica estructural (elastoacstica). 2.1. Modelos unidimensionales. 2.2. Ecuacin de ondas 1D. 2.3. Rgimen armnico. 2.4. Condiciones de contacto. Modelos para medios delgados. 2.5. Propagacin de ondas armnicas planas en un medio multicapa. 3.1. Acstica ambiental. 3.2. Sistemas de visualizacin acstica. 4.1. Ecuacin de ondas 3D. 4.2. Soluciones armnicas. Ecuacin de Helmholtz 3D. 5.1. El problema de Helmholtz en un dominio acotado. 5.2. El problema elastoacstico. 5.3. El problema de Helmholtz en un dominio no acotado.
Tema 1. Modelizacin.
Tema 2. Propagacin acstica en el caso unidimensional.
Tema 3. Elementos de acstica aplicada. Tema 4. Propagacin acstica en 3 dimensiones.
Tema 5. Resolucin numrica.
Planificacin
A Horas presenciais
42 3 1

84 0 20

126 3 21
Sesin maxistral Proba de resposta mltiple Solucin de problemas
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Descricin As clases impartiranse por videoconferencia s campus de A Corua, Santiago e Vigo. O profesor, coa axuda de documentos informticos, explicar a asignatura. En calquera momento os alumnos podern intervir para acrarar as sas dvidas. finalizar a asignatura realizarase unha proba, que os alumnos podern levar libros e/ou apuntamentos, onde se mostrarn os coecementos adquiridos durante o curso. longo da asignatura deixaranse exercicios relativos explicado que debern ser resoltos polo alumnado nun prazo adecuado. Atencin personalizada Metodoloxas Sesin maxistral Solucin de problemas Descricin Se prestar apoyo a cada alumno para la realizacin de ejercicios derivados de la materia. Dicho apoyo podr ser no presencial (consultas por correo electrnico) o bien presencial.
Sesin maxistral
Avaliacin Metodoloxas Sesin maxistral Descricin Se valorar la asistencia a las clases magistrales, as como la participacin de cada alumno en las mismas. Se realizar un examen de toda la materia. Se permitir la utilizacin de apuntes y libros relacionados con la misma. Durante el curso se indicarn una serie de ejercicios que los alumnos debern presentar tras su finalizacin de manera individual. Cualificacin 20
40
40
Fontes de informacin
Bibliografa bsica
M.E. Gurtin (1981). An Introduction to Continuum Mechanics. Academic Press, San Diego F. Ihlenburg (1998). Finite Element Analysis of Acoustic Scattering. Springer-Verlag,
Berlin
York
H.J.-P. Morand, R. Ohayon (1995). Fluid-Structure Interaction. John Wiley & Sons, New
D.T. Blackstock (2000). Fundamentals of Physical Acoustics. John Wiley & Sons, New York R. Dautray, J.L. Lions (1990). Mathematical Analysis and Numerical Methods for Science and Technology. Springer-Verlag, Berln F. Fahy (1994). Sound and Structural Vibration: Radiation, Transmission and Response. Academic Press, London Bibliografa complementaria Recomendacins Materias que se recomenda ter cursado previamente
Datos Identificativos Asignatura Titulacin Descriptores Modelos Matemticos en Ciencias Medioambientais MESTRADO UNIVERSITARIO EN ENXEARA MATEMTICA Crditos 6 Idioma Departamento Coordinacin Profesorado Web Matemticas Vazquez Cendon, Carlos Vazquez Cendon, Carlos Correo carlos.vazquez.cendon@udc.es electrnico Cr. tericos 4.5 Cr. prcticos 1.5 Tipo Troncal Curso Primeiro Perodo 1 cuadrimestre Ciclo Cdigo 614455214
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Modelos Matemticos en Electromagnetismo e ptica MESTRADO UNIVERSITARIO EN ENXEARA MATEMTICA Crditos 6 Idioma Departamento Coordinacin Profesorado Web Matemticas Vazquez Cendon, Carlos Vazquez Cendon, Carlos Correo carlos.vazquez.cendon@udc.es electrnico Cr. tericos 4.5 Cr. prcticos 1.5 Tipo Troncal Curso Primeiro Perodo 1 cuadrimestre Ciclo Cdigo 614455215
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Modelos Matemticos en Finanzas MESTRADO UNIVERSITARIO EN ENXEARA MATEMTICA Crditos 6 Idioma Departamento Coordinacin Profesorado Web Casteln Matemticas Vazquez Cendon, Carlos Vazquez Cendon, Carlos Correo carlos.vazquez.cendon@udc.es electrnico Cr. tericos 4.5 Cr. prcticos 1.5 Tipo Troncal Curso Primeiro Perodo 2 cuadrimestre Ciclo Cdigo 614455216
http://www.dma.uvigo.es/master/curso1112/pdf/programas/m2fin9.pdf
Descricin xeral Se pretende que el alumno conozca los modelos y mtodos matemticos ms utilizados para la valoracin de productos financieros derivados ms usuales.
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) 1. Conocer el funcionamiento de los productos financieros, de tipo opciones y de tipo bonos, ms usuales 2. Conocer las herramientas de clculo estocstico necesarias para la valoracin 3. Conocer la metodologa de matemticos de tipo BlackScholes cobertura dinmica para estableces modelos Competencias da titulacin AM1 AM7 AM2 AM7 AM2 AM3 AM6 AM7 AM1 AM2 AM7 AM3 AM4 AM6 AM7 AM1 AM2 AM3 AM7 Contidos Temas 1. Mercados financieros y productos financieros derivados. 2. Valor actualizado de productos sin riesgo. 3. Clculo Estocstico. Modelos de precios de activos con riesgo. 4. Tcnica de cobertura dinmica y modelos de BlackScholes. 5. Modelos BlackScholes para opciones y bonos con un factor estocstico 6. Modelos BlackScholes para opciones y bonos con dos factores estocsticos 7. Riesgos financieros: estadsticos de riesgos, simulacin histrica, ajuste de modelos, backtesting. Subtemas BP1 BM3 BI1 BP1 BI1
4. Dado un producto financiero, saber obtener el modelo de BlackScholes adecuado.
BP1 BI1 BM1 BM3 BP1 BI1
5. Conocer los mtodos numricos adecuados para resolver los modelos de BlackScholes de cada producto (con uno o dos factores estocsticos)
6. Conocer algunos modelos de riesgo financiero
BP1 BI1 BM1 BM2
Planificacin
A Horas presenciais
42 0 4 0

0 60 4 36

42 60 8 36
Sesin maxistral Solucin de problemas Proba obxectiva Solucin de problemas
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Descricin - Se entrega previamente a las sesiones un documento .pdf con las transparencias que se expondrn en clases - Se usar tablet PC y sistema de videoconferencia para la imparticin de la sesin magistra a los alumnos de los tres campus - Se fomentar intervencin de los alumnos con preguntas y se resolvern dudas o ilustrarn comentarios mediante aplicacion Windows Journal - En los documentos .pdf que se exponen aparecen ejercicios sencillos para la revisin y aplicacin de conceptos - Adems se indican referencias bibliogrficas donde se pueden encontrar ejercicios relacionados con la materia expuesta Se entregan al alumno enunciados de varios problemas para que los resuela, pudiendo utilizar las transparencias que se han expuesto en clase Se dejan al alumno problemas o para que resuelva en casa, algunos son ms cortos y otros requieren una mayor dedicacin Atencin personalizada Metodoloxas Solucin de problemas Descricin Tutoras por correo electrnico o presenciales a horas concertadas entre el alumno y el profesor
Sesin maxistral
Proba obxectiva Solucin de problemas
Avaliacin Metodoloxas Proba obxectiva Descricin Se realizar una prueba escrita de aplicacin prctica de los conocimientos impartidos en fecha fijada con una fecha adicional para recuperacin de la misma Se valorarn los ejercicios propuestos en clases para su realizacin fuera de clases Cualificacin 50
50
Fontes de informacin
Bibliografa bsica
T.Mikosch (1998). Elementary Stochastic Calculus with Finance in View . World Scientific (Singapur) J.C.Hull (2000). Futures and Other Derivatives . PrenticeHall Inc., (New Jersey) P.Wilmott, S.Howison, J.Dewynne (1996). Option Pricing: Mathematical Models and Computation . Oxford Financial Press (Oxford) A.J. McNeal, R. Frey, P. Embrecht (2005 ). Quantitative Risk Management . Princeton Series in Finance P.Wilmott, S.Howison, J.Dewynne (1996). The Mathematics of Financial Derivatives, A Student Introduction. Cambridge University Press (Cambridge)
P.G.Zhang (1998). Exotic Options, A guide to second generation options. World Scientific (Singapur) Y.K.Kwok (1998). Mathematical Models of Financial Derivatives . Springer Finance, Springer (Singapur) R.Seydel (2002). Tools for Computational Finance . SpringerVerlag (Berlin)
Materias que continan o temario Ecuacins en Derivadas Parciais I/614455101 Mtodos Numricos I/614455106
Observacins Adems del estudio de la materia a medida que se va impartiendo la leccin magistral, se recomienda la realizacin de los ejercicios y trabajo de modo continuado, utilizando, si es preciso, la bibliografa recomendada
Datos Identificativos Asignatura Titulacin Descriptores Modelos Matemticos en Mecnica de Fludos MESTRADO UNIVERSITARIO EN ENXEARA MATEMTICA Crditos 6 Idioma Departamento Coordinacin Profesorado Web Matemticas Vazquez Cendon, Carlos Vazquez Cendon, Carlos Correo carlos.vazquez.cendon@udc.es electrnico Cr. tericos 4.5 Cr. prcticos 1.5 Tipo Troncal Curso Primeiro Perodo 1 cuadrimestre Ciclo Cdigo 614455217
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Modelos Matemticos en Mecnica de Slidos MESTRADO UNIVERSITARIO EN ENXEARA MATEMTICA Crditos 6 Idioma Departamento Coordinacin Profesorado Web Matemticas Vazquez Cendon, Carlos Vazquez Cendon, Carlos Correo carlos.vazquez.cendon@udc.es electrnico Cr. tericos 4.5 Cr. prcticos 1.5 Tipo Troncal Curso Primeiro Perodo 2 cuadrimestre Ciclo Cdigo 614455218
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Redes de Computadores e Computacin Distribuda MESTRADO UNIVERSITARIO EN ENXEARA MATEMTICA Crditos 3 Idioma Departamento Coordinacin Profesorado Web Matemticas Vazquez Cendon, Carlos Vazquez Cendon, Carlos Correo carlos.vazquez.cendon@udc.es electrnico Cr. tericos 1 Cr. prcticos 2 Tipo Troncal Curso Primeiro Perodo 2 cuadrimestre Ciclo Cdigo 614455219
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Software Profesional en Acstica MESTRADO UNIVERSITARIO EN ENXEARA MATEMTICA Crditos 6 Idioma Departamento Coordinacin Profesorado Web Matemticas Vazquez Cendon, Carlos Vazquez Cendon, Carlos Correo carlos.vazquez.cendon@udc.es electrnico Cr. tericos 1 Cr. prcticos 5 Tipo Troncal Curso Primeiro Perodo 2 cuadrimestre Ciclo Cdigo 614455220
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Software Profesional en Electromagnetismo e ptica MESTRADO UNIVERSITARIO EN ENXEARA MATEMTICA Crditos 6 Idioma Departamento Coordinacin Profesorado Web Matemticas Vazquez Cendon, Carlos Vazquez Cendon, Carlos Correo carlos.vazquez.cendon@udc.es electrnico Cr. tericos 1 Cr. prcticos 5 Tipo Troncal Curso Primeiro Perodo 2 cuadrimestre Ciclo Cdigo 614455221
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Software Profesional en Finanzas MESTRADO UNIVERSITARIO EN ENXEARA MATEMTICA Crditos 6 Idioma Departamento Coordinacin Profesorado Web Casteln Matemticas Vazquez Cendon, Carlos Vazquez Cendon, Carlos Correo carlos.vazquez.cendon@udc.es electrnico Cr. tericos 1 Cr. prcticos 5 Tipo Troncal Curso Primeiro Perodo 2 cuadrimestre Ciclo Cdigo 614455222
http://www.dma.uvigo.es/MASTER/curso1011/pdf/programas/spfin9.pdf
Descricin xeral Se pretende que el alumno conozca las herramientas de software ms utilizadas en relacin con los modelos estudiados, as como ser capaz de elaborar software propio.
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Tener una visin panormica de la oferta de software financiero existente en el mercado Competencias da titulacin AM4 AM5 AM6 AM7 AM4 AM5 AM6 AM3 AM4 AM5 AM1 AM4 AM5 AM6 AM1 AM4 AM5 AM6 AM1 AM4 AM5 AM6 BP1 BM3
Saber manejarse con Excel para utilizarlo con soltura en la resolucin eficiente de algunos problemas financieros estudiados en la asignatura de modelos Conocer algunas herramientas especficas de Matlab para la valoracin de productos y situaciones financieras Ser capaz de elaborar software financiero original en el entorno de programacin Matlab, utilizando si es necesario los toolboxes de finanzas
BP1 BM3 BP1 BI1 BM3 BP1 BI1 BM3 BP1 BI1 BM3 BP1 BI1 BM3
Ser capaz de elaborar software financiero que requiera la interaccin entre Matlab y Excel, utilizando adems la herramienta Excellink
Implementar software financiero en otros lenguajes como Fortran o C++
Contidos Temas Una panormica de las herramientas de software profesional en finanzas Introduccin a Excel orientado a su utilizacin en finanzas Herramientas especficas de Matlab en finanzas Interaccin Excel VBA Matlab: Excel Link Elaboracin de software financiero en Excel y Matlab Elaboracin de software financiero en otros lenguajes y/o entornos Subtemas
Planificacin
A Horas presenciais
21 0 21 0 4

42 28 0 30 4

63 28 21 30 8
Prcticas a travs de TIC Solucin de problemas Sesin maxistral Traballos tutelados Solucin de problemas
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Prcticas a travs de TIC Solucin de problemas Descricin Se resolvern ejemplos con ayuda del ordenador y se practicarn los comandos de las distintas herramientas de software con ejemplos financieros El alumno deber resolver algunas de las cuestiones y problemas que permiten practicar el uso de las herramientas de software Se describir la utilizacin de las herramientas de software (Excell, Matlab, etc) pra la resolucin de modelos y problemas financieros, algunos de ellos estudiados en la asignatura de modelos matemticos en finanzas Se encargarn trabajos o proyectos que consisten en resolver problemas financieros utilizando las distintas herramientas de software que se han explicado Se plantearn problemas de valoracion financiera mediante las heramientas de software explicadas para su resolucin presencial 25% Atencin personalizada Metodoloxas Prcticas a travs de TIC Traballos tutelados Descricin Adems de las consultas en clase, se atendern de modo personalizado las dudas que los alumnos planteen por correo electrnico o en horas de tutoria previamente concertadas.
Sesin maxistral
Traballos tutelados
Avaliacin Metodoloxas Traballos tutelados Descricin Se encargarn trabajos o proyectos que consisten en resolver problemas financieros utilizando las distintas herramientas de software que se han explicado Se plantearn problemas de valoracion financiera mediante las heramientas de software explicadas para su resolucin presencial Cualificacin 75
25
(2005). Financial Derivatives Toolbox Users Guide . The Math Works Inc., (2005). Financial Toolbox Users Guide . The Math Works Inc.,
Materias que continan o temario Modelos Matemticos en Finanzas/614455216 Linguaxes e Contornos de Programacin I/614455104
Observacins Dada la naturaleza eminentemente prctica del curso, se recomienda la asistencia a las clases
Datos Identificativos Asignatura Titulacin Descriptores Software Profesional en Fludos MESTRADO UNIVERSITARIO EN ENXEARA MATEMTICA Crditos 6 Idioma Departamento Coordinacin Profesorado Web Matemticas Vazquez Cendon, Carlos Vazquez Cendon, Carlos Correo carlos.vazquez.cendon@udc.es electrnico Cr. tericos 1 Cr. prcticos 5 Tipo Troncal Curso Primeiro Perodo 2 cuadrimestre Ciclo Cdigo 614455223
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Software Profesional en Medio Ambiente MESTRADO UNIVERSITARIO EN ENXEARA MATEMTICA Crditos 6 Idioma Departamento Coordinacin Profesorado Web Matemticas Vazquez Cendon, Carlos Vazquez Cendon, Carlos Correo carlos.vazquez.cendon@udc.es electrnico Cr. tericos 1 Cr. prcticos 5 Tipo Troncal Curso Primeiro Perodo 2 cuadrimestre Ciclo Cdigo 614455224
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Software Profesional en Slidos MESTRADO UNIVERSITARIO EN ENXEARA MATEMTICA Crditos 6 Idioma Departamento Coordinacin Profesorado Web Matemticas Vazquez Cendon, Carlos Vazquez Cendon, Carlos Correo carlos.vazquez.cendon@udc.es electrnico Cr. tericos 1 Cr. prcticos 5 Tipo Troncal Curso Primeiro Perodo 2 cuadrimestre Ciclo Cdigo 614455225
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Volumes Finitos MESTRADO UNIVERSITARIO EN ENXEARA MATEMTICA Crditos 3 Idioma Departamento Coordinacin Profesorado Web Matemticas Vazquez Cendon, Carlos Vazquez Cendon, Carlos Correo carlos.vazquez.cendon@udc.es electrnico Cr. tericos 2 Cr. prcticos 1 Tipo Troncal Curso Primeiro Perodo 1 cuadrimestre Ciclo Cdigo 614455226
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Modelos de Probabilidade MESTRADO UNIVERSITARIO EN TCNICAS ESTATSTICAS Crditos 6 Idioma Casteln Cr. tericos 4 Cr. prcticos 2 Tipo Troncal Curso Primeiro Perodo 1 cuadrimestre Ciclo Cdigo 614468103
Departamento Matemticas Coordinacin Profesorado Web Descricin xeral Francisco Fernandez, Mario Francisco Fernandez, Mario http://dm.udc.es/profesores/mario/ Se pretende que aquellos alumnos con poca formacin en teora de la probabilidad y estadstica matemtica profundicen en estos conceptos, imprescindibles para la comprensin de la mayora de los cursos que se ofertan en el programa de postgrado. Correo electrnico mario.francisco@udc.es
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Soltura en el manejo de la teora de la probabilidad y las variables aleatorias. Capacidad de interpretar adecuadamente los distintos tipos de convergencia de variables aleatorias y aproximaciones lmite. Competencias da titulacin AM1 AM1 AM2 AM3
Contidos Temas Subtemas Experimentos y sucesos. lgebras y sigma-lgebras de sucesos. Definicin de probabilidad. Probabilidad condicionada e independencia de sucesos. Teorema de de Bayes Definicin de variable aleatoria y propiedades. Funciones de distribucin. Tipos de variables aleatorias. Variables aleatorias continuas. Variables aleatorias discretas. Esperanza de una variable aleatoria. Momentos de una variable aleatoria. Varianza y desviacin tpica. Funcin generatriz de momentos. Variables aleatorias discretas notables: Bernouilli, Binomial, Poisson... Variables aleatorias continuas notables: Uniforme, Exponencial, Normal... Variable aleatoria real n-dimensional. Funcin de distribucin. Distribuciones marginales y condicionadas. Vector de medias y matriz de varianzas-covarianzas. Independencia de variables aleatorias. Distribuciones notables multidimensionales. Nocin de sucesin de variables aleatorias. Tipos de convergencia. Leyes de los grandes nmeros.
Conceptos bsicos de probabilidad.
Momentos de una variable aleatoria (esperanza y varianza). Funcin generatriz de momentos.
Teoremas lmite.
Teorema central del lmite. Planificacin
A Horas presenciais
1 30 10 2 7

0 60 25 0 0

1 90 35 2 7
15
15
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Descricin Se realizar una presentacin de la asignatura, donde adems de describir los principales datos de la misma, se establecer un debate con los estudiantes para conocer su formacin inicial y las expectativas que tienen al cursar esta asignatura. Se realizarn clases magistrales donde el profesor explicar, con la ayuda de medios audiovisuales adecuadoas (ordenador portatil y can de vdeo), los principales contenidos de la asignatura. Se fomentar en todo momento el debate entre los alumnos y entre los alumnos y el profesor. Teniendo en cuenta el carcter aplicado que se le quiere dar a la asignatura, una parte fundamental ser la resolucin de problemas por parte del profesor y de los alumnos. Los problemas sern proporcionados con antelacin en boletines de problemas, para lo que se utilizar el correo electrnico o alguna plataforma virtual de apoyo a la docencia. Par evaluar al alumno se realizar una prueba de respuesta mltiple que cubrir el contenido de la asignatura. Teniendo en cuenta que la docencia de la asignatura se realiza por video conferencia, con alguna regularidad se establecern debates virtuales entre alumnos situados en los tres centors donde los alumnos asisten a clase. Atencin personalizada Metodoloxas Solucin de problemas Descricin Para la resolucin de problemas ser importante atender personalmente a los alumnos ante las posibles dudas que puedan surgir. Esta atencin servir tambin, por una parte, al profesor para detectar posibles problemas en la metodologa utilizada para impartir la asignatura y, por otra, a los alumnos para consolidar conocimientos tericos y para expresar sus inquietudes acerca de la asignatura.
Sesin maxistral
Debate virtual
Avaliacin Metodoloxas Solucin de problemas Descricin Se revisarn los problemas propuestos por el profesor de Cualificacin 20
manera continua a lo largo del curso. Los alumnos debern resolver en las clases estos problemas, adems en la atencin personalizada el profesor podr detectar el conocimiento adquirido por parte de los alumnos Se realizar una prueba de repuesta mltiple al final del curso que perimitir de forma objetiva e individual los conocimientos adquiridos por parte del alumno. Las preguntas versarn tanto de aspectos tericos como prcticos, siendo posible que algunas de las cuestiones se refiera al maejo de software estadstico, por lo que para su realizacin sera necesario que los alumnos dispusieran de un ordenador.
80
Fontes de informacin Bibliografa bsica Wiley
Rohatgi, V.K. (1976). An Introduction to Probability Theory an Mathematical Statistics.
Cao, R., Francisco, M., Naya, S., Presedo, M.A., Vzquez, M., Vilar, J.A. y Vilar, J.M. (2005). Introduccin a la Estadstica y sus aplicaciones. Ediciones Pirmide (Grupo Anaya) Bibliografa complementaria
Chung, K.L. (1974). A Course in Probability Theory. Academic Press Rudin, W.R. (1985). Anlisis Real y Complejo. Alambra Vlez Ibarrola, R y Garca Prez, A. (1993Clculo de Probabilidades y Estadstica Matem). Clculo de Probabilidades y Estadstica Matemtica. UNED De Groot, M.H. (1988). Probabilidad y Estadstica.. Addison Wesley Karr, A.F. (1993). Probability. Springer-Verlag
Recomendacins Materias que se recomenda ter cursado previamente Estatstica Aplicada/614427104 Teora da Probabilidade/614427101
Datos Identificativos Asignatura Titulacin Descriptores Estatstica Aplicada MESTRADO UNIVERSITARIO EN TCNICAS ESTATSTICAS Crditos 6 Idioma Casteln Cr. tericos 3 Cr. prcticos 3 Tipo Troncal Curso Primeiro Perodo 1 cuadrimestre Ciclo Cdigo 614468104
Departamento Matemticas Coordinacin Profesorado Web Descricin xeral Lombarda Cortia, Mara Jos Lombarda Cortia, Mara Jos http://eio.usc.es/pub/mte/ En la comunidad gallega no existe, actualmente, ninguna titulacin universitaria especfica de Estadstica. La nica conexin con el conocimiento superior de la Estadstica es la actual orientacin de Estadstica en los ltimos cursos de la licenciatura de Matemticas en la Universidad de Santiago. Por tanto, teniendo en cuenta este punto de partida y la gran cantidad de personal de diversas disciplinas que pide apoyo en el conocimiento estadstico para sus anlisis, en el mundo de la ingeniera, de las finanzas, de la biomedicina, etc, esta asignatura forma parte de un POP que trata de cumplir los requisitos necesarios para incorporar aquellos alumnos que quieran complementar sus estudios acadmicos, o que por otro lado necesiten un mayor conocimiento profesional de las tcnicas estadsticas. Correo electrnico maria.jose.lombardia@udc.es
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Se pretende que los alumnos pertenecientes a este curso sepan comprender los fundamentos de la Inferencia Estadstica, conociendo las condiciones de aplicacin de las diversas pruebas estadsticas, paramtricas y no paramtricas, comprobando, con los procedimientos adecuados, el cumplimiento de tales condiciones en casos concretos. Tambin debern aprender a enjuiciar la correcta aplicacin de las pruebas estadsticas en situaciones de investigacin concreta. Para ello, aparte de los conocimientos tericos fundamentales, sabrn manejar el software adecuado (R) para sacar las conclusiones prcticas necesarias. Contidos Temas Subtemas Introduccin. Clasificacin de los mtodos de inferencia estadstica: paramtrica y no paramtrica, clsica y bayesiana. Conceptos generales. Muestreo en poblaciones finitas: muestreo aleatorio simple, muestreo sistemtico, muestreo estratificado, muestreo por conglomerados, muestreo polietpico y muestreo no aleatorio. Introduccin. Conceptos generales. Distribuciones relacionadas con la Normal: Chi-Cuadrado, t-Student y Fisher-Snedecor. Estimacin puntual: Propiedades deseables de los estimadores, estimacin de la media de una poblacin, estimacin de la varianza de una poblacin, estimacin de una proporcin para muestras grandes y procedimientos para la construccin de estimadores. Introduccin. Obtencin de intervalos de confianza usando estadsticos pivotales. Intervalos de confianza para la media y la varianza basados en una muestra para poblaciones normales. Intervalos de confianza para la diferencia de medias y cociente de varianzas basados en dos muestras para poblaciones normales. Intervalos de confianza para muestras no normales y muestras grandes. Competencias da titulacin AM1 AM2 AM3 BM1 BM2 BM3 CM1 CM2 CM3 CM4 CM5 CM6 CM7 CM8
Determinacin del tamao muestral. Mtodos aproximados: desigualdad de Tchebychev. Mtodo Bootstrap. Intervalos de confianza bayesianos. Introduccin. Tipos de hiptesis. Tipos de error. Metodologa: regiones de aceptacin-rechazo, potencia de un contraste, valor crtico o pvalor y probabilidad de ambos errores. Etapas en la resolucin de un contraste. Contrastes no aleatorizados. Contastes aleatorizados: Lema de Neyman-Pearson, Teorema de Karlin-Rubin y Teorema de Lehmann. Test de razn de verosimilitudes.
Contrastes paramtricos de una poblacin normal: contrastes para la media con varianza conocida, contrastes para la media con varianza desconocida y contrastes para la varianza. Contrastes paramtricos de dos poblaciones normales: contrastes para la diferencia de medias con muestras independientes, contrastes para la diferencia de medias con 5. Contrastes de muestras apareadas y contrastes para el cociente de varianzas. hiptesis paramtricos. Contrastes para muestras no normales y muestras grandes: contrastes para una media, contrastes para una proporcin y contrastes para la diferencia de dos proporciones. Contrastes para estimadores mximo verosmiles con muestras grandes. Relacin entre intervalos de confianza y contrastes de hiptesis. Hiptesis estructurales. Contrastes de localizacin: test de los signos y test de Wilcoxon de los rangos signados. Contrastes de bondad de ajuste: test Chi-cuadrado, test Kolgorov-Smirnov, test ShapiroWilk, test asimetra y curtoris. Contrastes de independencia: contastes basados en rachas, el contraste de Ljung-Box. Contrastes de homogeneidad: test de valores atpicos, test Chi-Cuadrado para tablas de contigencia. Planificacin
A Horas presenciais
26 22 8 2

39 33 12 0

65 55 20 2
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Sesin maxistral Prcticas de laboratorio Solucin de problemas Proba de resposta mltiple Descricin Se impartirn clases magistrales de forma presencial o por videoconferencia. Se harn presentaciones con ordenador. Se realizarn prcticas con el software estadstico R. Se plantearn problemas de cada bloque especfico de contenido. Se propondrn preguntas referidas a la parte terica y prctica de la materia. Atencin personalizada
Descricin Los problemas propuestos y las dudas que le puedan surgir al alumno acerca de los contenidos se atendern de manera individual.
Avaliacin Metodoloxas Prcticas de laboratorio Proba de resposta mltiple Descricin Se deber interpretar y saber solucionar mediante el uso del software estadstico R. cuestiones Cualificacin 40 60
Se plantearn cuestiones tericas y prcticas referidas a los contenidos del curso
Observacins avaliacin La evaluacin se realizar por medio de una prueba escrita al final de curso as como la realizacin de prcticas propuestas por el profesor a lo largo del curso. La prueba escrita ser de carcter prctico para evaluar el conocimiento adquirido sobre la materia. Fontes de informacin Bibliografa bsica
Cao, R., Francisco, M., Naya, S., Presedo, M.A., Vzquez, M., Vilar, J.A. y Vilar, J.M. (2001). Introduccin a la Estadstica y sus aplicaciones. Ediciones Pirmide (Grupo Anaya) Ugarte, M.D., Militino A.F. and Arnholt, A.T. (2008). Probability and statistics with R. CRC Press, Taylor&Francis Group.
Canavos, G.C. (1989). Probabilidad y Estadstica. Aplicaciones y mtodos. McGraw-Hill Devore, J.L. (2005). Probabilidad y Estadstica para Ingeniera y Ciencias. 6 Ed. Thomson Freund, J.E., Miller, I. y Miller, (2000). Estadstica matemtica con aplicaciones.. Prentice Hall. 4 Edicin Mendenhall, W. y Sincich, T. (1997). Probabilidad y estadstica para ingeniera y ciencias. . Prentice Hall. 4 Edicin Navidi, W. (2006). Estadstica para Ingenieros y Cientficos. McGraw-Hill Pea, D. (2000). Estadistica. Modelos y metodos. 1 Fundamentos. Alianza Editorial Walpole, R.E. y Myers, R.H. (1999). Probabilidad y Estadstica para Ingenieros. Prentice
Hall
R Development Core Team (1999). Introduction to R. http://www.r-project.org/
Recomendacins Materias que se recomenda ter cursado previamente Estatstica non Paramtrica/614427109 Mostraxe/614427110 Control Estatstico da Calidade/614427121 Tcnicas de Remostraxe/614427122 Contrastes de Especificacin/614427123
Materias que se recomenda cursar simultaneamente Modelos de Probabilidade/614427103
Observacins Para superar con xito la materia es aconsejable la asistencia a las clases, siendo fundamental el seguimiento diario del trabajo realizado en el aula y la realizacin de trabajos prcticos propuestos a lo largo del curso. Tambin es recomendable haber cursado al menos una materia de estadstica bsica en una titulacin de grado precedente. Recursos para el aprendizaje: Bibliografa, apuntes y ordenador. Uso del repositorio de material docente del mster
Datos Identificativos Asignatura Titulacin Descriptores Series de Tempo MESTRADO UNIVERSITARIO EN TCNICAS ESTATSTICAS Crditos 5 Idioma Departamento Coordinacin Profesorado Web Matemticas Aneiros Perez, German Aneiros Perez, German http://eio.usc.es/pub/mte/ Correo german.aneiros@udc.es electrnico Cr. tericos 2.5 Cr. prcticos 2.5 Tipo Troncal Curso Primeiro Perodo 2 cuadrimestre Ciclo Cdigo 614468111
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Comprender tcnicas del anlisis de series de tiempo Capacidad crtica sobre las posibilidades y limitaciones de las tcnicas del anlisis de series de tiempo Capacidad de identificar y resolver problemas que requieran el uso de tcnicas del anlisis de series de tiempo Capacidad de manejar software comercial (fundamentalmente el software libre R) para analizar series de tiempo Contidos Temas 1. Anlisis descriptivo de una serie de tiempo. 2. Series de tiempo y procesos estocsticos. 3. Modelos BoxJenkins. 4. Tpicos adicionales. Subtemas Introduccin. El concepto de serie de tiempo: Ejemplos. Descomposicin clsica de una serie de tiempo: Ejemplos. Introduccin. El concepto de proceso estocstico: Ejemplos. Definiciones asociadas a un proceso estocstico. La descomposicin de Wold. Introduccin. Procesos ARMA: Construccin e identificacin. Procesos ARIMA: Construccin e identificacin. Procesos ARIMA estacionales: Construccin e identificacin. Estimacin. Diagnosis. Seleccin del modelo. Prediccin. Aplicacin a datos reales. Anlisis de intervencin. Valores atpicos. Regresin dinmica. Planificacin Competencias da titulacin AM1 AM2 AM1 AM2 AM3 AM3
A Horas presenciais
20 20 1.5

30 30 0

50 50 1.5
Sesin maxistral Prcticas de laboratorio Proba de resposta mltiple
Solucin de problemas Proba de ensaio
1.5 0
0 15
1.5 15
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Sesin maxistral Descricin El profesor desarrollar en clase los contenidos del Temario. Para ello, se apoyar en la proyeccin de transparencias (su versin en pdf estar disponible on-line). El profesor desarrollar en clase distintos tipos de aplicaciones a datos reales de la teora previamente expuesta. Para ello, introducir las herramientas especficas de que dispone el paquete estadstico R. Posteriormente, ser el alumno el que desarrolle otras aplicaciones con la ayuda de un ordenador. Uno de los requisitos para aprobar la asignatura ser la superacin de una prueba de respuesta mltiple. Ms informacin sobre dicha prueba puede ser vista en la Seccin 7: Evaluacin. Uno de los requisitos para aprobar la asignatura ser resolver un problema de carcter prctico. Para ello, ser necesaria la utilizacin del paquete estadstico R (utilizado en las clases prcticas). Ms informacin sobre este punto puede ser vista en la Seccin 7: Evaluacin. Uno de los requisitos para aprobar la asignatura ser la correcta realizacin y entrega, en las fechas indicadas, de prcticas propuestas por el profesor. Para ello, ser necesaria la utilizacin del paquete estadstico R (utilizado en las clases prcticas). Ms informacin sobre este punto puede ser vista en la Seccin 7: Evaluacin. Atencin personalizada Metodoloxas Sesin maxistral Prcticas de laboratorio Descricin Cualquier duda que se le presente al alumno a lo largo de las horas presenciales tratar de ser resuelta instantneamente por parte del profesor. Sin embargo, es posible que otras dudas surjan una vez que el estudiante profundice en la materia en el transcurso de horas no presenciales. En este caso, resulta conveniente que el alumno haga uso de las tutoras individualizadas.
Proba de ensaio
Avaliacin Metodoloxas Prcticas de laboratorio Descricin El material que se permitir utilizar en la prueba de respuesta mltiple (apuntes, bibliografa,) depender del grado de asistencia a clase del alumno. (Se Proba de resposta mltiple realizar con la presencia del profesor) 40 Cualificacin 0
Estar formada por una prueba tipo test de conocimientos terico-prcticos. (Se realizar con la presencia del profesor)
Consistir en el anlisis de una serie de tiempo. Para ello, se contar con la ayuda del paquete estadstico R (utilizado en clase). El material que se permitir utilizar en la prueba de respuesta mltiple (apuntes, bibliografa,) depender del grado de asistencia a clase del alumno. (Se realizar sin la presencia del profesor)
30
Sesin maxistral Proba de ensaio
0 30
Realizacin y entrega, en las fechas indicadas, de prcticas propuestas por el profesor. Para ello, se contar con la ayuda del paquete estadstico utilizado en clase.
Cowpertwait, P.S.P. y Metcalfe, A.V. (2009). Introductory Time Series with R.. Springer Pea, D. (2005). Anlisis de Series Temporales.. Alianza Editorial Cryer, J.D. y Chan, K-S. (2008). Time Series Analysis. With Applications in R.. Springer (2 edicin)
Brockwell, P.J. y Davis, R.A. (2002). Introduction to Time Series and Forecasting.. Springer (2 edicin) Gonzlez, M. y del Puerto, I.M. (2009). Series Temporales.. Coleccin manuales uex-60 Shumway, R.H. y Stoffer, D.S. (2006). Time Series Analysis and Its Applications. With R Examples.. Springer (2 edicin)
Recomendacins Materias que se recomenda ter cursado previamente Modelos de Probabilidade/614468103 Estatstica Aplicada/614468104 Modelos de Regresin/614468105
Datos Identificativos Asignatura Titulacin Descriptores Deseo e Anlise de Experimentos MESTRADO UNIVERSITARIO EN TCNICAS ESTATSTICAS Crditos 5 Idioma Departamento Matemticas Coordinacin Profesorado Web Descricin xeral Vilar Fernandez, Jose Antonio Vilar Fernandez, Jose Antonio http://eio.usc.es/pub/mte/ Introducir al alumno en los principios bsicos de la planificacin experimental, proporcionar un amplio abanico de modelos estadsticos para el anlisis de datos procedentes de experimentos planificados y adquirir destreza en el manejo de las tcnicas de inferencia, enfatizando lo apropiado de su uso en funcin de los objetivos buscados y de sus condiciones de aplicabilidad. Complementar el aprendizaje de aspectos tericos y metodolgicos con apoyo de software. Correo electrnico jose.vilarf@udc.es Cr. tericos 2.5 Cr. prcticos 2.5 Tipo Troncal Curso Primeiro Perodo 2 cuadrimestre Ciclo Cdigo 614468112
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Dominar os principios bsicos para a axeitada planificacin dun experimento. Coecer un amplo espectro de modelos clsicos para describir os datos procedentes da planificacin experimental, identificando as condicins axeitadas de aplicacin. Manexar tcnicas estatsticas para a anlise de datos en cada deseo. Obter os coecementos precisos para unha anlise crtica e rigorosa dos resultados da experimentacin e do posterior anlise. Competencias da titulacin AM1 AM2 AM2 AM3 AM2 AM3 AM1 BM3 CM1 CM4 CM6 CM7 CM8 CM3 BM1 BM2 BM2 BM3 CM6 CM3 CM5 CM6
Complementar a aprendizaxe dos aspectos metodolxicos co apoio do software.
AM3
BM1 BM2
Contidos Temas 1. Principios bsicos do deseo de experimentos. Subtemas 1.1. 1.2. 1.3. 1.4. Introduccin: Ventaxes da planificacin experimental; fontes de variabilidade. Tres principios bsicos. Etapas na planificacin dun experimento. Un exemplo real. Algns deseos experimentais estndar.
2. Deseos cunha fonte de variacin.
2.1. Introduccin: Aleatorizacin. 2.2. Modelo para un deseo completamente aleatorizado: Estimacin dos parmetros, anlise da varianza, inferencia de contrastes e medias. 2.3. Mtodos de comparacins mltiples. 2.4. Comprobacin da idoneidade do modelo. 2.5. Alternativas anlise da varianza. 3.1. Introduccin: Aleatorizacin; Significado da interaccin. 3.2. Modelos matemticos para dous ou mis factores tratamento: Modelo factorial completo; modelo de efectos principais. 3.3. Estimacin, anlise da varianza, inferencia de contrastes. 3.4. Tamaos mostrais.
3. Deseos factoriais.
3.5. Comprobacin da idoneidade do modelo. 4.1. Efectos aleatorios: Compoentes da varianza. Exemplos. 4.2. Modelos matemticos para deseos con efectos aleatorios: Estimacin e anlise da varianza. 4.3. Tamaos mostrais. 4.4. Comprobacin da idoneidade do modelo. 4.5. Modelos mixtos: Estimacin e anlise da varianza. 5.1. Introduccin: Modelos matemticos. 5.2. Estimacin, anlise da covarianza, inferencia de contrastes. 5.3. Comprobacin da idoneidade do modelo. 6.1. Xeralidades. 6.2. Deseos en bloques completos. Modelos, estimacin, anlise da varianza, inferencia de contrastes. 6.3. Deseos en bloques incompletos: Deseos en bloques incompletos balanceados; deseos divisibles en grupos; deseos cclicos. Modelos, estimacin, anlise da varianza, inferencia de contrastes. 6.4. Deseos fila-columna: Deseos en cadrado latino; deseos Youden; deseos cclicos e outros deseos fila-columna. Modelos, estimacin, anlise da varianza, inferencia de contrastes. 6.5. Algunhas alternativas anlise da varianza. 7.1. 7.2. 7.3. 7.4. 8.1. 8.2. 8.3. 8.4. 9.1. 9.2. 9.3. 9.4. 9.5. Introduccin. Deseo xerrquico en das etapas. Deseo xerrquico en M etapas. Deseos xerrquicos e factores tratamento cruzados. Introduccin: Contexto experimental. Estructuras de dependencia entre as medidas repetidas. Proba de esfericidade de Mauchly. Anlise univariante e multivariante. O deseo 2 ao cadrado. O deseo 2 ao cubo. O deseo xeral 2 elevado a k. Adicin de puntos centrais ao deseo 2 elevado a k. Algoritmo de Yates. Planificacin
4. Deseos factoriais: Modelos aleatorios e mixtos.
5. Anlise da covarianza.
6. Deseos en bloques.
7. Deseos xerarquizados ou anidados.
8. Deseos de medidas repetidas.
9. Deseos factoriais a dous niveis.
A Horas presenciais
20 0 3 20

30 15 0 30

50 15 3 50
Sesin maxistral Estudo de casos Proba obxectiva Solucin de problemas
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Sesin maxistral Estudo de casos Descricin Sesiones dirigidas a la la exposicin de los conceptos tericos y metodolgicos, impartidas con apoyo de diversos recursos didcticos, incluyendo presentaciones y software especfico (fundamentalmente R). Cada alumno individualmente desarrollara problemas concretos con apoyo de los
mtodos estudiados. Proba obxectiva Solucin de problemas Examen escrito de conocimientos. Alumnos y profesor resolvern conjuntamente listados de problemas facilitados previamente con el objeto de familiarizarse con la aplicacin prctica de conceptos, mtodos y software expuestos en las sesiones magistrales. Atencin personalizada Metodoloxas Estudo de casos Solucin de problemas Descricin a) Resolucin de dudas en la resolucin de problemas y casos de estudio en el transacurso de la actividad docente presencial. b) Asesoramiento individualizado para el desarrollo de los trabajos prcticos que realizar cada estudiante a propuesta del profesor.
Proba obxectiva
70
Berger, P.D. y Maurier, R.E. (2002). Experimental Design With Applications in Management, Engineering, and the Sciences. Belmont, CA: Duxbury Press Coob, G.W. (1998). Introduction to Design and Analysis of Experiments. Springer-Verlag Prat, A., Tort-Martorell, X., Groma, P. y Pozueta, L. (1997). Mtodos estadsticos. Control y mejora de la calidad. Edicions UPC (Universitat Politcnica de Catalunya) Gibbons, J.D. y Chakraborti, S. (1992). Nonparametric Statistical Inference, 3a. Ed.. Marcel Dekker, New York Box, G.E.P., Hunter, W.G. y Hunter, J.S. (2005). Statistics for Experimenters: Design, Innovation, and Discovery. 2a. Ed. Wiley, New York. Cox, D. y Reid, N. (2000). The Theory of the Design of Experiments. Monographs on Statistics and Applied Probability. Chapman & Hall CRC Press
Vikneswaran (2005) An R companion to "Experimental Design'' URL http://CRAN.R-project.org/doc/contrib/Vik-neswaran-ED-companion.pdf. Recomendacins Materias que se recomenda ter cursado previamente
Datos Identificativos Asignatura Titulacin Descriptores Simulacin Estatstica MESTRADO UNIVERSITARIO EN TCNICAS ESTATSTICAS Crditos 5 Idioma Departamento Coordinacin Profesorado Web Descricin xeral Casteln Matemticas Fernndez Casal, Rubn Fernndez Casal, Rubn http://eio.usc.es/pub/mte/ Se pretende que el alumno adquiera destreza en la identificacin de problemas reales que pueden ser resueltos por la simulacin, as como en dicha resolucin utilizando la citada aproximacin por simulacin. Para ello se tratar de que el alumno conozca el funcionamiento de los principales algoritmos de generacin de nmeros aleatorios uniformes, as como mtodos para simular las distribuciones de probabilidad ms habituales en la prctica (tanto discretas como continuas y en el caso uni o multidimensional) siendo capaz de implementarlos en algn lenguaje de alto nivel. Tambin se pretende introducir al alumno en las principales tcnicas de simulacin para problemas reales: simulacin esttica y dinmica (por cuantos o por eventos, sta ltima), reduccin de la variablidad en la simulacin, reduccin de la dependencia y de los problemas de estabilizacin. Correo ruben.fcasal@udc.es electrnico Cr. tericos 2.5 Cr. prcticos 2.5 Tipo Troncal Curso Primeiro Perodo 2 cuadrimestre Ciclo Cdigo 614468113
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Capacidade crtica sobre as posibilidades e limitacins das tcnicas de simulacin. Competencias da titulacin AM1 AM2 AM3 AM1 AM2 AM3 AM3 CM3 CM6 CM8
Comprensin das tcnicas bsicas de simulacin.
Capacidade de identificar problemas que requiran o deseo de experimentos de simulacin e resolvelos mediante a sa implementacin en linguaxes de programacin de alto nivel como R ou Matlab. Capacidade de manexar algn tipo de software (paquetes estatsticos ou follas de clculo, como R ou excel) para levar a cabo estudos de simulacin. Contidos Temas Subtemas
CM3
1. Introduccin. 2. Generacin de nmeros pseudoaleatorios uniformes en (0,1). 3. Mtodos universales para la generacin de variables continuas. 4. Mtodos universales para la generacin de variables discretas. 5. Mtodos especficos para generacin de distribuciones notables. 6. Simulacin de distribuciones multidimensionales. 7. Diseo de experimentos de simulacin. 8. Integracin y optimizacin Monte Carlo. 9. Introduccin a los mtodos de cadenas de Markov Monte Carlo.
1. Introduccin. Conceptos de sistema real, modelo y definicin de simulacin. Experimentacin real y simulacin. Simulacin necesaria e innecesaria. Ventajas e inconvenientes de la simulacin. Contenidos de la asignatura. 2. Generacin de nmeros pseudoaleatorios uniformes en (0,1). Introduccin. Propiedades deseables de un generador de nmeros pseudoaleatorios
uniformes. Mtodos de los cuadrados medios y de Lehmer. Mtodos congruenciales. Medidas estadsticas de calidad de un generador de nmeros pseudoaleatorios. 3. Mtodos universales para la generacin de variables continuas. Mtodo de inversin. Mtodo de aceptacin/ rechazo y sus variantes. 4. Mtodos universales para la generacin de variables discretas. Mtodo de la transformacin cuantil. Algoritmos basados en bsqueda secuencial. Algoritmos basados en rboles binarios. rboles de Huffman. Mtodo de la tabla gua. Mtodos de truncamiento. 5. Mtodos especficos para generacin de distribuciones notables. Distribuciones continuas: normal, chi-cuadrado de Pearson, t de Student, F de Snedecor, exponencial, Weibull, gamma, beta, logstica, Pareto. Distribuciones discretas: equiprobable, binomial, geomtrica, binomial negativa, Poisson. 6. Simulacin de distribuciones multidimensionales. Mtodo de las distribuciones condicionadas. Mtodo de aceptacin/rechazo. Mtodos de codificacin o etiquetado. Mtodos especficos para simular la normal multivariante. 7. Diseo de experimentos de simulacin. Diferencias y similitudes con la experimentacin real. Simulacin esttica y dinmica. Simulacin por eventos y por cuantos. Tcnicas de reduccin de la varianza. Problemas de estabilizacin y dependencia. Ejemplos prcticos. 8. Integracin y optimizacin Monte Carlo. Integracin Monte Carlo. Muestreo de importancia. Optimizacin Monte Carlo. Temple simulado. Algoritmos genticos de optimizacin. 9. Introduccin a los mtodos de cadenas de Markov Monte Carlo. Muestreo de Gibbs. Algoritmo Metropolis Hastings. Planificacin
A Horas presenciais
18 18 2 0

27 27 0 25

45 45 2 25
Sesin maxistral Prcticas de laboratorio Proba obxectiva Traballos tutelados
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Sesin maxistral Descricin Presentacin dos aspectos relevantes de cada tema includo no programa da materia, de modo que os alumnos poidan abordar as tarefas propostas nas prcticas de laboratorio. Empregarnse diferentes ferramentas de software libre (principalmente o paquete R, pero tamn recursos web, applets, ...) para ilustrar a aplicacin na prctica das metodoloxas explicadas nas clases tericas e tamn co fn de facilitar a resolucion dos traballos prcticos propostos. Ademais facilitarse un guin das prcticas onde se describirn os distintos exercicios a realizar. Proba escrita para a avaliacin da aprendizaxe que constar dunha parte terica e doutra prctica. Traballos prcticos propostos para que o alumno poida resolvelos con axuda de programas informticos. Unha vez resoltos, o alumno deber presentar e discutir a solucin que aplicou. Atencin personalizada Metodoloxas Sesin maxistral Prcticas de laboratorio Traballos tutelados Descricin Atencin ao alumno tanto durante o desenvolvemento das clases coma nos horarios de titoras.
Proba obxectiva
Traballos tutelados
Avaliacin Metodoloxas Sesin maxistral Prcticas de laboratorio Traballos tutelados Descricin Avaliaranse os coecementos adquiridos mediante a realizacin dunha proba escrita. Avaliaranse os coecementos adquiridos mediante a realizacin dunha proba escrita. Presentacin dos traballos resoltos. Cualificacin 30 30 40
Cao, R. (2002). Introduccin a la simulacin y a la teora de colas. Netbiblo Robert, C.P. y Casella G. (2010). Introducing Monte Carlo Methods with R. Springer Jones, O., Maillardet, R. y Robinson A. (2009). Introduction to Scientific Programming and Simulation Using R. CRC Gentle, J.E. (2003). Random number generation and Monte Carlo methods. SpringerVerlag
Bratley, P. (1990). A guide to simulation. Springer-Verlag
Evans, M. y Swartz, T. (2000). Approximating integrals via Monte Carlo and . Oxford University Press Robert, C.P. y Casella, G. (2004). Monte Carlo statistical methods. Springer-Verlag Devroye, L. (1986). Non-uniform random variate generation. Springer-Verlag Ross, S.M. (1999). Simulacin. Prentice Hall Ripley, B.D. (1987). Stochastic Simulation. Wiley
Datos Identificativos Asignatura Titulacin Descriptores Introducin Teora de Xogos MESTRADO UNIVERSITARIO EN TCNICAS ESTATSTICAS Crditos 5 Idioma Casteln Cr. tericos 4 Cr. prcticos 1 Tipo Troncal Curso Primeiro Perodo 2 cuadrimestre Ciclo Cdigo 614468118
Departamento Matemticas Coordinacin Profesorado Web Descricin xeral Garca Jurado, Ignacio Garca Jurado, Ignacio http://dm.udc.es/profesores/ignacio El objetivo de este curso es presentar los principales modelos, conceptos y resultados de la teora de juegos, as como algunas aplicaciones de dicha teora en las ciencias sociales, con especial nfasis en la economa. Correo electrnico ignacio.garcia.jurado@udc.es
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Conocimiento de los resultados tericos incluidos en el programa Competencias da titulacin AM1 AM3 BM1 BM3 CM1 CM2 CM3 CM4 CM5 CM6 CM7 CM8 CM1 CM2 CM3 CM4 CM5 CM6 CM7 CM8 CM1 CM2 CM3 CM4 CM5 CM6 CM7 CM8
Capacidad para aplicar correctamente los conocimientos obtenidos a la modelizacin y resolucin de problemas de toma de decisiones en interaccin con otros decisores
AM2 AM3
BM1 BM2 BM3
Competencia para utilizar los conocimientos adquiridos en el anlisis interpretacin de los problemas surgidos en el mbito de las ciencias sociales
la
AM2
BM1 BM2 BM3
Contidos Temas Introduccin a la teora de la utilidad. Juegos en forma estratgica. Juegos en forma extensiva. Modelos de negociacin Subtemas Utilidad ordinal, utilidad lineal. Definicin, equilibrio de Nash, estrategias mixtas en juegos finitos, juegos bimatriciales, juegos bipersonales de suma nula, juegos matriciales, refinamientos del equilibrio de Nash. Definicin, equilibrio de Nash, equilibrio perfecto en subjuegos. La solucin de Nash, la solucin de Kalai-Smorodinski.
simple. Juegos cooperativos. Introduccin a los juegos TU, el core, el valor de Shapley. Planificacin
A Horas presenciais
28 7 2

48 35 0

76 42 2
Sesin maxistral Solucin de problemas Proba obxectiva
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Sesin maxistral Solucin de problemas Proba obxectiva Descricin Clases impartidas con pizarra electrnica y can de vdeo. Se utilizar tambin el sistema de vdeoconferencia. Se fomentar la participacin de los alumnos en las clases. Se pondr a disposicin de los alumnos los apuntes de la asignatura. En algunas sesiones resolveremos problemas en grupo. Se tratar de un examen de problemas. Atencin personalizada Metodoloxas Sesin maxistral Solucin de problemas Descricin En todos los casos se tratar de adaptarse a las peculiaridades de los alumnos a la hora de desarrollar cada una de las metodologas. En particular, en las sesiones de tutoras de atencin personalizada se intentar conocer mejor a cada alumno y ayudarle a resolver las dificultades que puedan surgirle en la realizacin de este curso.
Avaliacin Metodoloxas Sesin maxistral Solucin de problemas Proba obxectiva Descricin La asistencia y participacin en las sesiones magistrales se valorar hasta con diez puntos. La asistencia y participacin en las sesiones de solucin de problemas se valorar hasta con diez puntos. La prueba objetiva ser un examen de problemas en el que los alumnos podrn hacer uso de los libros y apuntes que deseen. Cualificacin 10 10 80
complementaria Recomendacins Materias que se recomenda ter cursado previamente
Datos Identificativos Asignatura Titulacin Descriptores Control Estatstico da Calidade MESTRADO UNIVERSITARIO EN TCNICAS ESTATSTICAS Crditos 5 Idioma Departamento Coordinacin Profesorado Web Matemticas Naya Fernandez, Salvador Naya Fernandez, Salvador http://eio.usc.es/pub/mte/ Correo salvador.naya@udc.es electrnico Cr. tericos 3 Cr. prcticos 2 Tipo Curso Perodo 1 cuadrimestre Ciclo Cdigo 614468121
Troncal Segundo
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Se busaca que el alumno adquiera los conocimientos y competencias sobre control estadstico de la calidad, tanto desde sus aplicaciones en la industria y administracin como a nivel de investigacin en nuevas lneas. Se emplear un enfoque prctico y aplicado. En este sentido, se dar prioridad a la adquisicin de conceptos y mtodos aplicados sobre las demostraciones matemticas excesivamente formalistas. Contidos Temas Subtemas a) Breve resea histrica del control de calidad. b) Estado del arte y nuevos retos. c) Presentacin y motivacin de problemas reales del control estadstico de procesos. Causas asignables y no asignables. b) Las siete herramientas de Isikawa. c) La filosofa de Deming y Juran en el aseguramiento de la calidad. d) Metrologa y control estadstico de procesos. a) Grficos de control y contraste de hiptesis. b) Riesgos del vendedor y comprador. c) Subgrupos racionales. d) Anlisis de patrones en un grfico de control. a) Lmites de tolerancia y capacidad del proceso. b) Grficos tipo Shewhart por variables. c) Curva caracterstica de operacin (OC) y longitud media de racha (ARL) en el control por variables. d) Optimizacin de grficos de control. e) Ejercicios. a) El control de fabricacin para la fraccin de disconformes. b) Grficos np y p. Grficos de control c y u. c) Curvas caractersticas en el control por atributos. d) Seleccin entre control por variables y atributos. e) Ejercicios. a) Estudio de la capacidad mediante histogramas y grficos de control. b) Determinacin de los lmites naturales de tolerancia y su repercusin en la capacidad. c) ndices bsicos de capacidad y estudio comparativo. d) Ejercicios. a) Grficos de Medias individuales. Grficos CUSUM. Competencias da titulacin AM1 BM1 BM2 BM3 CM3 CM7
b) Grficos de control de Medias ponderadas (EWMA). c) Alternativas estadsticas a los grficos de control. Filosofa del Control Ingenieril de Procesos y del Precontrol. d) Introduccin a la Metodologa Seis Sigma. a) Descripcin de un problema multivariante de procesos. b) Los grficos T2 de Hotelling. c) Grfico MEWMA multivariante. d) Uso de tcnicas alternativas multivariantes: componentes principales y grficos no paramtricos basados en data depth. e) Ejercicios. a) Fundamentos estadsticos de los planes de muestreo. b) Plan de muestreo por atributos. c) Plan de muestreo por variables. d) Controles secuenciales. e) Curva caracterstica para un plan de muestreo. f) Nivel de calidad aceptable y Calidad media de salida. g) Las normas MIL-STD-105 y MIL-STD-414 y sus correspondientes extensiones (ANSI/ASQC/ISO). h) Ejercicios. a) Relacin entre fiabilidad y calidad. b) Tipo de datos y modelos para la fiabilidad industrial. c) Pruebas de vida aceleradas (ALT) y Modelos para degradacin. a) Diseos factoriales y superficies de respuesta. b) Ejemplos de aplicacin de diseos usados en el control de procesos. c) Ejercicios y casos prcticos. a) La librera qcc de R para control de calidad. b) Libreras especficas para fiabilidad (SPLIDA). c) Comparativa con otros programas: Statgraphics, SPSS, S-Plus. Planificacin
A Horas presenciais
10 2 3 40 1 1

20 4 3 40 0 1

30 6 6 80 1 2
Prcticas a travs de TIC Presentacin oral Proba obxectiva Sesin maxistral Solucin de problemas Traballos tutelados
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Prcticas a travs de TIC Descricin Se emplearan distintos paquetes estadstico que el estudiante deber conocer y manejar (principalmente el R) para su aplicacin al control de calidad. El estudiante deber presentar un trabajo al final de curso, consiste en la aplicacin de los mtodos de control de calidad y fiabilidad a un problema real o bien a un cojunto de datos proporcionados por el profesor. La presentacin tendr una duracin de 20 a 30 minutos.
Presentacin oral
Proba obxectiva Sesin maxistral Solucin de problemas
Se realizar por medio de una prueba escrita tipo test sobre conceptos bsicos estudiados en el curso. Esta prueba puntuar un 60% en la nota final. La mayora de los temas sern expuestos mediante leccin magistral. El alumno tendr acceso a las presentaciones en la Web del master. Se realizarn sesiones de resolucin de problemas en pizarra para completar las prcticas de laboratorio con ordenador. Aquellos alumnos que deseen presentar un trabajo tutelado relacionado con esta materia se les proporcionar un tema especfio y su correspondiente asesoramiento. Atencin personalizada
Traballos tutelados
Metodoloxas Prcticas a travs de TIC Sesin maxistral Solucin de problemas
Descricin En las clases magistrales se fomentar en todo momento el debate entre los alumnos y entre los alumnos y el profesor. Para la resolucin de problemas ser importante atender personalmente a los alumnos ante las posibles dudas que puedan surgir. Esta atencin servir tambin, por una parte, al profesor para detectar posibles problemas en la metodologa utilizada para impartir la asignatura y, por otra, a los alumnos para consolidar conocimientos tericos y para expresar sus inquietudes acerca de la asignatura. Es tambin fundamental la atencin personalizada al estudiante durante las clases de prcticas de laboratorio, sobre todo hasta que no se familiarice con el software estadstico a utilizar.
Avaliacin Metodoloxas Prcticas a travs de TIC Presentacin oral Descricin Se realizarn prcticas con paquetes estadsticos. Se presentar un tema al final del curso, elegido por el alumno y relacinado con la materia en el que se apliquen conceptos fundamentales del control estadstico. Se propondr una prueba escrita tipo test sobre conceptos bsicos estudiados en el curso. Solucin de problema en clase. Se dar la posibilidad de realizar un trabajo tutelado. Cualificacin 5 15
Proba obxectiva Solucin de problemas Traballos tutelados
60 5 15
Fontes de informacin Bibliografa bsica Sons.
Meeker W. y Escobar L. ( 1998). Statistical Methods for Reliability Data. . Wiley &
Carot V. (1998). Control estadstico de la Calidad. . Edita Universidad Politcnica de Valencia Montgomery D. (2009). Introduction to Statistical Quality Control. . Wiley & Sons Juran J. y Godfrey B. (2001). Manual de Calidad (tomos I y II).. McGrawHill. Box, G.E.P. y Luceo A. (1997). Statistical Control by Monitoring and Feedback Adjustment.. Wiley. New York. Bibliografa complementaria Recomendacins
Datos Identificativos Asignatura Titulacin Descriptores Tcnicas de Remostraxe MESTRADO UNIVERSITARIO EN TCNICAS ESTATSTICAS Crditos 5 Idioma Casteln Galego Ingls Departamento Matemticas Coordinacin Profesorado Web Descricin xeral Cao Abad, Ricardo Cao Abad, Ricardo http://dm.udc.es/profesores/ricardo/ Se pretende que el alumno adquiera destreza en la identificacin de situaciones en las que los mtodos de remuestreo son herramientas inferenciales adecuadas para resolver problemas reales. Para ello se tratar de que el alumno conozca el funcionamiento de las principales tcnias de remuestreo, entre las que se destaca el mtodo bootstrap, as como sus aplicaciones en los principales mbitos de la estadstica. Asimismo se persigue que el alumno sea capaz de disear e implementar en ordenador planes de remuestreo adecuados para un amplio abanico de situaciones. Correo electrnico ricardo.cao@udc.es Cr. tericos 3 Cr. prcticos 2 Tipo Troncal Curso Segundo Perodo 1 cuadrimestre Ciclo Cdigo 614468122
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Capacidad crtica sobre las posibilidades y limitaciones de las tcnicas de remuestreo. Competencias da titulacin AM1 AM2 AM3 BM1 BM2 CM1 CM2 CM3 CM4 CM6 CM7 CM8 CM1 CM2 CM3 CM4 CM6 CM7 CM8 CM1 CM2 CM3 CM4 CM6 CM7 CM8 CM1 CM2 CM3 CM4 CM5 CM6 CM7 CM8
Comprender tcnicas de remuestreo en diversos contextos inferenciales.
AM1 AM2
BM1 BM2 BM3
Capacidad de identificar y resolver problemas inferenciales que requieran el uso de tcnicas de remuestreo, mediante el diseo de planes de remuestreo.
AM1 AM2 AM3
BM1 BM2 BM3
Capacidad de manejar de diverso software estadstico (fundamentalmente el software libre R) para utilizar mtodos de remuestreo ya incorporados o implementar otros nuevos.
AM1 AM2 AM3
BM1 BM2 BM3
Contidos
Temas
Subtemas rdenes de convergencia. Limitaciones de la inferencia estadstica clsica. Simulacin y mtodos de Monte Carlo. Estimacin no paramtrica de la densidad. Motivacin del principio Bootstrap. El Bootstrap uniforme. Clculo de la distribucin Bootstrap: distribucin exacta y distribucin aproximada por Monte Carlo. Ejemplos. Aplicacin del Bootstrap a la estimacin de la precisin y el sesgo de un estimador. Ejemplos. Motivacin del mtodo Jackknife. Estimacin Jackknife de la precisin y el sesgo de un estimador. Relacin Bootstrap/Jackknife en dicha estimacin. Ejemplos. Estudios de simulacin. Modificaciones del Bootstrap uniforme: Bootstrap paramtrico, simetrizado, suavizado, ponderado y sesgado. Discusin y ejemplos. Validez de la aproximacin Bootstrap. Ejemplos. Aplicacin del Bootstrap a la construccin de intervalos de confianza: Mtodos percentil, percentil-t, percentil-t simetrizado. Ejemplos. Estudios de simulacin. El Bootstrap de un modelo de regresin. Wild Bootstrap. El Bootstrap en la estimacin del error de prediccin. El Bootstrap en poblaciones finitas. Ejemplos. Estudios de simulacin. Motivacin y principales resultados. Aplicaciones del Bootstrap iterado. Correccin del sesgo de un estimador. Correccin del error de cobertura de un intervalo de confianza. Estudios de simulacin. Introduccin a la estimacin no paramtrica de curvas. Bootstrap y estimacin de la densidad. Aproximacin Bootstrap de la distribucin del estimador de ParzenRosenblatt. El Bootstrap en la seleccin del parmetro de suavizado. Aproximacin Bootstrap de la distribucin del estimador de NadarayaWatson. Distintos mtodos de remuestreo y resultados para ellos. Introduccin a los datos censurados. Remuestreos Bootstrap en presencia de censura. Relaciones entre ellos. Introduccin a las condiciones de dependencia y modelos habituales de datos dependientes. Modelos paramtricos de dependencia. Situaciones de dependencia general: el Bootstrap por bloques, el Bootstrap estacionario y el mtodo del submuestreo. Modelos de dependencia paramtrica. Situaciones de dependencia general. Planificacin
1. Preliminares.
2. El mtodo Bootstrap.
3. Algunas aplicaciones del mtodo Bootstrap.
4. El mtodo Jackknife.
5. Modificaciones del Bootstrap
6. El Bootstrap en la construccin de intervalos de confianza.
7. Otras aplicaciones del Bootstrap.
8. Iteracin del principio Bootstrap.
9. El Bootstrap y la estimacin no paramtrica de curvas.
10. Bootstrap y estimacin de la funcin de regresin.
11. El Bootstrap con datos censurados.
12. El Bootstrap en la estimacin con datos dependientes.
13. El Bootstrap para la prediccin con datos dependientes.
A Horas presenciais
autnomo
Presentacin oral Prcticas a travs de TIC Proba de resposta mltiple Solucin de problemas 30 5 1 4 36 25 10 8 66 30 11 12
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Presentacin oral Prcticas a travs de TIC Proba de resposta mltiple Solucin de problemas Descricin Presentacin con transparencias por videoconferencia aos tres campus Implementacin de algoritmos de remostraxe Proba de reposta mltiple sobre conceptos. Deseo de plans de remostraxe. Clculo de nesgos e varianzas dos anlogos bootstrap. Atencin personalizada Metodoloxas Prcticas a travs de TIC Solucin de problemas Descricin Asistencia e participacin nas clases tericas. Exame escrito de mltiple opcin. Participacin en prcticas e seminarios. Suposto prctico a realizar polo alumno.
Avaliacin Metodoloxas Prcticas a travs de TIC Proba de resposta mltiple Descricin Traballo orixinal de simulacin sobre o bootstrap nalgn contexto de inters Proba de comprensin dos conceptos impartidos. Cualificacin 40 60
Observacins avaliacin Para superar a materia ser necesario obter unha calificacin de alomenos 5 sobre 10 no conxunto da materia. Na oportunidade de xullo os alumnos podern liberarse de facer as probas correspondentes nas que a sa calificacin na oportunidade de xaneiro fora de alomenos 4 sobre 10. Para obter a calificacin de NON PRESENTADO na primeira oportunidade (xaneiro-febreiro), os alumnos non se podern ter presentado a ningunha das probas avaliables que figuran arriba. Para obter a calificacin de NON PRESENTADO en xullo, os alumnos non se podern ter presentado exame final desa data. Fontes de informacin Bibliografa bsica
Bibliografa bsica Davison, A.C. and Hinkley, D.V. (1997). Bootstrap Methods and their Application. Cambridge University Press.
Efron, B. (1979). Bootstrap Methods: Another look at the Jackknife. Ann. Statist., 7, 1-26. Efron, B. and Tibshirani, R.J. (1993). An Introduction to the Bootstrap. Chapman and Hall. Shao, J. and Tu, D. (1995). The Jackknife and Bootstrap. Springer Verlag.
Bibliografa complementaria Akritas, M. G. (1986). Bootstrapping the Kaplan--Meier estimator. J. Amer. Statist. Assoc. 81, 1032-1038. Bickel, P.J. and Freedman, D.A. (1981). Some asymptotic theory for the bootstrap. Ann. Statist. 12, 470-482. Bhlmann, P. (1997). Sieve bootstrap for time series. Bernoulli 3, 123-148. Cao, R. (1990). rdenes de convergencia para las aproximaciones normal y bootstrap en la estimacin no paramtrica de la funcin de densidad. Trabajos de Estadstica, vol. 5, 2, 23-32. Cao, R. (1991). Rate of convergence for the wild bootstrap in nonparametric regression. Ann. Statist. 19, 2226-2231. Cao, R. and Prada-Snchez, J.M. (1993). Bootstrapping the mean of a symmetric population. Statistics & Probability Letters 17, 43-48. Cao, R. (1993). Bootstrapping the mean integrated squared error. Jr. Mult. Anal. 45, 137-160. Cao, R. (1999). An overview of bootstrap methods for estimating and predicting in time series. Test, 8, 95-116. Cao, R. and Gonzlez-Manteiga, W. (1993). Bootstrap methods in regression smoothing. J. Nonparam. Statist. 2, 379-388. Efron, B. (1981). Censored data and the bootstrap. J. Amer. Statist. Assoc. 76, 312-319. Efron, B. (1982). The Jackknife, the Bootstrap and other Resampling Plans. CBMS-NSF. Regional Conference series in applied mathematics. Efron, B. (1983). Estimating the error rate of a prediction rule: improvements on cross-validation. J. Amer. Stat. Assoc. 78, 316-331. Efron, B. and Tibshirani, R. (1986). Bootstrap methods for standard errors, confidence intervals, and other measures of statistical accuracy. Statistical Science 1, 54-77.
Efron, B. (1987). Better Bootstrap confidence intervals (with discussion), J. Amer. Stat. Assoc. 82, 171-200. Efron, B. (1990). More Efficient Bootstrap Computations. J. Amer. Stat. Assoc. 85, 79-89. Freedman, D.A. (1981). Bootstrapping regression models. Ann. Statist. 9, 6, 1218-1228. Gonzlez-Manteiga, W. y Prada-Snchez, J.M. (1985). Una aplicacin de los mtodos de suavizacin no paramtricos en la tcnica Bootstrap. Proceedings Jornadas Hispano-Lusas de Matemticas. Murcia. Garca-Jurado, I. Gonzlez-Manteiga, W., Prada-Snchez, J.M., FebreroBande, M. and Cao, R. (1995). Predicting using Box-Jenkins, nonparametric and bootstrap techniques. Technometrics 37, 303-310. Gonzlez-Manteiga, W., Prada-Snchez, J.M. and Romo, J. (1994). The Bootstrap-A Review. Computational Statistics, 9, 165-205. Hall, P. (1986). On the bootstrap and confidence intervals. Ann. Statist. 14, 1431-1452. Hall, P. (1988-a). Theoretical comparison of bootstrap confidence intervals. Ann. Statist. 16, 927-953. Hall, P. (1988-b). Rate of convergence in bootstrap approximations. Ann. Probab. 16, 4, 1665-1684. Hall. P. (1992). The Bootstrap and Edgeworth Expansion. Springer Verlag. Hall, P. and Martin, M.A. (1988). On bootstrap resampling and iteration. Biometrika 75, 661-671. Hrdle, W. and Marron, J. S. (1991). Bootstrap simultaneous error bars for nonparametric regression. Ann. Statist. 19, 778-796. Knsch, H.R. (1989). The jackknife and the bootstrap for general stationary observations. Ann. Statist. 17, 1217-1241. Lombarda, M.J., Gonzlez-Manteiga, W. and Prada-Snchez, J.M. (2003). Bootstrapping the Chambers-Dunstan estimate of a finite population distribution function. J. Stat. Plan. Infer., 116, 367-388. Mammen, E. (1992). When does Bootstrap Work?. Springer Verlag. Navidi, W. (1989). Edgeworth expansions for bootstrapping regression models. Ann. Statist. 17, 4, 1472-1478.
Politis, D.N. and Romano, J.R. (1994). The stationary bootstrap. J. Amer. Statist. Assoc. 89, 1303-1313. Politis, D.N. and Romano, J.R. (1994). Limit theorems for weakly dependent Hilbert space valued random variables with application to the stationary bootstrap. Statist. Sin. 4, 461-476. Politis, D.N., Romano, J.P. and Wolf, M. (1999). Subsampling. Springer Verlag. Prada-Snchez, J.M. and Otero-Cepeda, X.L. (1989). The use of smooth bootstrap techniques for estimating the error rate of a prediction rule. Comm. Statist .-Simula., 18(3), 1169-1186. Prada-Snchez, J.M. and Cotos-Yez, T. (1997). A Simulation Study of Iterated and Non-iterated Bootstrap Methods for Bias Reduction and Confidence Interval Estimation. Comm. Statist .-Simula., 26(3), 927-946. Reid, N. (1981). Estimating the median survival time. Biometrika 68, 601608. Stine, R.A. (1987). Estimating properties of autoregressive forecasts. J. Amer. Statist. Assoc. 82, 1072-1078. Thombs, L.A. and Schucany, W.R. (1990). Bootstrap prediction intervals for autoregression. J. Amer. Statist. Assoc. 85, 486-492. Wu, C.-F. J. (1986). Jackknife, bootstrap and other resampling methods in regression analysis. Ann. Statist. 14, 1261-1350.
Recomendacins Materias que se recomenda ter cursado previamente Estatstica Matemtica/614468102 Modelos de Probabilidade/614468103 Estatstica Aplicada/614468104 Modelos de Regresin/614468105 Anlise Exploratoria de Datos (data mining)/614468106 Estatstica non Paramtrica/614468109 Simulacin Estatstica/614468113
Materias que continan o temario Contrastes de Especificacin/614468123 Datos Funcionais/614468124 Proxecto Fin de Carreira ou Traballo Tutelado/614468128
Datos Identificativos Asignatura Titulacin Descriptores Modelos Interactivos da Investigacin Operativa MESTRADO UNIVERSITARIO EN TCNICAS ESTATSTICAS Crditos 5 Idioma Departamento Matemticas Coordinacin Profesorado Carpente Rodriguez, Maria Luisa Carpente Rodriguez, Maria Luisa Lorenzo Freire, Silvia Web Descricin xeral luisa.carpente@udc.es Correo electrnico silvia.lorenzo@udc.es Cr. tericos 4 Cr. prcticos 1 Tipo Troncal Curso Segundo Perodo 1 cuadrimestre Ciclo Cdigo 614468125
http://eio.usc.es/pub/mte/index.php?option=com_content&task=view&id=35&Itemid= El objetivo de este curso es profundizar en los modelos, conceptos y resultados de la teora de juegos no cooperativos, as como presentar y analizar algunos modelos que estudian la competencia o la cooperacin en problemas de optimizacin en los que interaccionan varios agentes.
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Conocimiento de los resultados tericos incluidos en el programa. Capacidad para aplicar correctamente los resultados obtenidos a la modelizacin y resolucin de problemas de toma de decisiones en interaccin con otros decisores. Competencia para utilizar los conocimientos adquiridos en el anlisis y la interpretacin de los problemas surgidos en el mbito de las ciencias sociales y de la ingeniera. Contidos Temas Competencia y cooperacin en modelos de inventario. Competencia y cooperacin en modelos de redes. Competencia y cooperacin en modelos de colas. Competencia y cooperacin en problemas de planificacin. Juegos con informacin incompleta Subastas. Subtemas Modelos cooperativos de inventario. Modelos no cooperativos de inventario. Modelos cooperativos de redes. Modelos no cooperativos de redes. Modelos cooperativos de colas. Modelos no cooperativos de colas. Modelos cooperativos de planificacin. Modelos no cooperativos de planificacin. Equilibrio bayesiano. Tipos de subastas. Ejemplos. Planificacin Competencias da titulacin AM2 AM1 AM2 AM3 AM1 AM2 AM3 BM3 CM1
CM1 CM2 CM6
A Horas presenciais
Sesin maxistral Aprendizaxe colaborativa Proba mixta Solucin de problemas
28 10 2 0
42 15 0 20
70 25 2 20
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Sesin maxistral Aprendizaxe colaborativa Proba mixta Solucin de problemas Descricin Los temas que componen la materia se explicarn de manera presencial y se dejar al alumno un guin de estas presentaciones. Algunos de los problemas se propondrn para ser solucionados y presentados en grupo. El alumno tendr que solucionar problemas propuestos relacionados con el contenido de la materia. Adems presentar oralmente uno de estos ejercicios. Se entregarn boletines de ejercicios que el alumno tendr que ir solucionando a lo largo del curso. Atencin personalizada Metodoloxas Aprendizaxe colaborativa Descricin El alumno podr preguntar al profesor sobre las pautas y fuentes bibliogrficas adecuadas para realizar el trabajo propuesto.
Avaliacin Metodoloxas Proba mixta Aprendizaxe colaborativa Descricin Se valorar sobre 7 puntos. Se dar un mximo de 3 puntos a la prueba en grupo. Cualificacin 70 30
Osborne, M. y Rubinstein, A. (1994). A Course in Game Theory. . The MIT Press Curiel, I. (1997). Cooperative Game Theory and Applications.. Kluwer Fudenberg, D. y Tirole, J. (1991). Game Theory. The MIT Press Tijs, S. (2003). Introduction to Game Theory. . Hindustan Book Agency. Borm, P., Hamers, H. y Hendrickx, R. (2001). Operations Research Games: A Survey. . Springer
Krishna, V. (2002). Auction Theory. Academic Press
Borm, P. y Peters, H. (2002). Chapters on Game Theory. Kluwer Mas-Colell, A., Whinston, M.D. y Green, J.R. (1995). Microeconomic Theory. . Oxford University Press Stability and Perfection of Nash Equilibria (1991). Stability and Perfection of Nash Equilibria. Springer-Verlag Hassin, R. y Haviv, M. (2003). To Queue or not to Queue. Kluwer
Materias que se recomenda cursar simultaneamente Xogos Cooperativos/614468126
Materias que continan o temario Introducin Teora de Xogos/614468118
Datos Identificativos Asignatura Titulacin Descriptores Modelos de Probabilidade MESTRADO UNIVERSITARIO EN TCNICAS ESTATSTICAS (Plan 2011) Crditos 6 Idioma Casteln Cr. tericos 4 Cr. prcticos 2 Tipo Troncal Curso Primeiro Perodo Ciclo Cdigo 614493001
Departamento Matemticas Coordinacin Profesorado Francisco Fernandez, Mario Aneiros Perez, German Francisco Fernandez, Mario Web Descricin xeral http://dm.udc.es/profesores/mario/ Se pretende que aquellos alumnos con poca formacin en teora de la probabilidad y estadstica matemtica profundicen en estos conceptos, imprescindibles para la comprensin de la mayora de los cursos que se ofertan en el programa de postgrado. german.aneiros@udc.es Correo electrnico mario.francisco@udc.es
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Soltura en el manejo de la teora de la probabilidad y las variables aleatorias. Capacidad de interpretar adecuadamente los distintos tipos de convergencia de variables aleatorias y aproximaciones lmite. Competencias da titulacin AM1 AM1 AM2 AM3
Contidos Temas Subtemas Experimentos y sucesos. lgebras y sigma-lgebras de sucesos. Definicin de probabilidad. Probabilidad condicionada e independencia de sucesos. Teorema de de Bayes Definicin de variable aleatoria y propiedades. Funciones de distribucin. Tipos de variables aleatorias. Variables aleatorias continuas. Variables aleatorias discretas. Esperanza de una variable aleatoria. Momentos de una variable aleatoria. Varianza y desviacin tpica. Funcin generatriz de momentos. Variables aleatorias discretas notables: Bernouilli, Binomial, Poisson... Variables aleatorias continuas notables: Uniforme, Exponencial, Normal... Variable aleatoria real n-dimensional. Funcin de distribucin. Distribuciones marginales y condicionadas. Vector de medias y matriz de varianzas-covarianzas. Independencia de variables aleatorias. Distribuciones notables multidimensionales. Nocin de sucesin de variables aleatorias. Tipos de convergencia.
Conceptos bsicos de probabilidad.
Momentos de una variable aleatoria (esperanza y varianza). Funcin generatriz de momentos.
Teoremas lmite.
Leyes de los grandes nmeros. Teorema central del lmite. Planificacin
A Horas presenciais
1 30 10 2 7

0 60 25 0 0

1 90 35 2 7
15
15
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Descricin Se realizar una presentacin de la asignatura, donde adems de describir los principales datos de la misma, se establecer un debate con los estudiantes para conocer su formacin inicial y las expectativas que tienen al cursar esta asignatura. Se realizarn clases magistrales donde el profesor explicar, con la ayuda de medios audiovisuales adecuadoas (ordenador portatil y can de vdeo), los principales contenidos de la asignatura. Se fomentar en todo momento el debate entre los alumnos y entre los alumnos y el profesor. Teniendo en cuenta el carcter aplicado que se le quiere dar a la asignatura, una parte fundamental ser la resolucin de problemas por parte del profesor y de los alumnos. Los problemas sern proporcionados con antelacin en boletines de problemas, para lo que se utilizar el correo electrnico o alguna plataforma virtual de apoyo a la docencia. Par evaluar al alumno se realizar una prueba de respuesta mltiple que cubrir el contenido de la asignatura. Teniendo en cuenta que la docencia de la asignatura se realiza por video conferencia, con alguna regularidad se establecern debates virtuales entre alumnos situados en los tres centors donde los alumnos asisten a clase. Atencin personalizada Metodoloxas Solucin de problemas Descricin Para la resolucin de problemas ser importante atender personalmente a los alumnos ante las posibles dudas que puedan surgir. Esta atencin servir tambin, por una parte, al profesor para detectar posibles problemas en la metodologa utilizada para impartir la asignatura y, por otra, a los alumnos para consolidar conocimientos tericos y para expresar sus inquietudes acerca de la asignatura.
Sesin maxistral
Debate virtual
Se revisarn los problemas propuestos por el profesor de manera continua a lo largo del curso. Los alumnos debern resolver en las clases estos problemas, adems en la atencin personalizada el profesor podr detectar el conocimiento adquirido por parte de los alumnos Se realizar una prueba de repuesta mltiple al final del curso que perimitir de forma objetiva e individual los conocimientos adquiridos por parte del alumno. Las preguntas versarn tanto de aspectos tericos como prcticos, siendo posible que algunas de las cuestiones se refiera al maejo de software estadstico, por lo que para su realizacin sera necesario que los alumnos dispusieran de un ordenador.
20
80
Cao, R., Francisco, M., Naya, S., Presedo, M.A., Vzquez, M., Vilar, J.A. y Vilar, J.M. (2005). Introduccin a la Estadstica y sus aplicaciones. Ediciones Pirmide (Grupo Anaya) Rohatgi, V.K. (1976). An Introduction to Probability Theory an Mathematical Statistics.
Wiley Bibliografa complementaria
Chung, K.L. (1974). A Course in Probability Theory. Academic Press De Groot, M.H. (1988). Probabilidad y Estadstica.. Addison Wesley Karr, A.F. (1993). Probability. Springer-Verlag Rudin, W.R. (1985). Anlisis Real y Complejo. Alambra Vlez Ibarrola, R y Garca Prez, A. (1993Clculo de Probabilidades y Estadstica Matem). Clculo de Probabilidades y Estadstica Matemtica. UNED
Materias que continan o temario Estatstica Aplicada/614493002 Teora da Probabilidade/614493018
Datos Identificativos Asignatura Titulacin Descriptores Estatstica Aplicada MESTRADO UNIVERSITARIO EN TCNICAS ESTATSTICAS (Plan 2011) Crditos 6 Idioma Casteln Cr. tericos 3 Cr. prcticos 3 Tipo Troncal Curso Primeiro Perodo Ciclo Cdigo 614493002
Departamento Matemticas Coordinacin Profesorado Lombarda Cortia, Mara Jos Aneiros Perez, German Lombarda Cortia, Mara Jos Web Descricin xeral http://http://www.udc.es/dep/mate/mte/ En la comunidad gallega no existe, actualmente, ninguna titulacin universitaria especfica de Estadstica. La nica conexin con el conocimiento superior de la Estadstica es la actual orientacin de Estadstica en los ltimos cursos de la licenciatura de Matemticas en la Universidad de Santiago. Por tanto, teniendo en cuenta este punto de partida y la gran cantidad de personal de diversas disciplinas que pide apoyo en el conocimiento estadstico para sus anlisis, en el mundo de la ingeniera, de las finanzas, de la biomedicina, etc, esta asignatura forma parte de un POP que trata de cumplir los requisitos necesarios para incorporar aquellos alumnos que quieran complementar sus estudios acadmicos, o que por otro lado necesiten un mayor conocimiento profesional de las tcnicas estadsticas. german.aneiros@udc.es Correo electrnico maria.jose.lombardia@udc.es
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) El estudiante ser capaz de comprender la importancia de la Inferencia Estadstica como herramienta de obtencin de informacin sobre la poblacin en estudio, a partir del conjunto de datos observados de una muestra representativa de sta. Para ello deber reconocer la diferencia entre estadstica paramtrica y no paramtrica. Competencias da titulacin AM1 AM2 AM6 AM7 AM9 AM10 AM11 AM12 AM13 AM15 AM1 AM2 AM6 AM7 AM9 AM10 AM11 AM12 AM13 AM15 AM1 AM2 AM3 AM6 AM7 AM9 AM10 AM11 AM12 AM13 AM15 BM1 BM2 BM3 BM4 BM6 BM7 BM9 BM10 CM1 CM2 CM3 CM4 CM5 CM6 CM7 CM8
Se deber comprender la utilidad y manejar los mtodos de estimacin paramtricos, los contrastes de hiptesis parmetricos y no paramtricos.
BM1 BM2 BM3 BM4 BM6 BM7 BM9 BM10
CM1 CM2 CM3 CM4 CM5 CM6 CM7 CM8
El estudiante ser capaz de manejar diverso software comercial (paquetes estadsticos y hojas de clculo) e interpretar los resultados que proporcionan stos en los correspondientes estudios prcticos.
BM3 BM4 BM6 BM7 BM9 BM10
CM1 CM2 CM3 CM4 CM5 CM6 CM7 CM8
Contidos Temas 0. Conceptos previos Subtemas Definiciones bsicas de estadstica. Variable aleatoria. Caractersticas bsicas. Introduccin. Clasificacin de los mtodos de inferencia estadstica: paramtrica y no paramtrica, clsica y bayesiana. Conceptos generales. Muestreo en poblaciones finitas: muestreo aleatorio simple, muestreo sistemtico, muestreo estratificado, muestreo por conglomerados, muestreo polietpico y muestreo no aleatorio. Introduccin. Conceptos generales. Distribuciones relacionadas con la Normal: Chi-Cuadrado, t-Student y Fisher-Snedecor. Estimacin puntual: Propiedades deseables de los estimadores, estimacin de la media de una poblacin, estimacin de la varianza de una poblacin, estimacin de una proporcin para muestras grandes y procedimientos para la construccin de estimadores. Introduccin. Obtencin de intervalos de confianza usando estadsticos pivotales. Intervalos de confianza para la media y la varianza basados en una muestra para poblaciones normales. Intervalos de confianza para la diferencia de medias y cociente de varianzas basados en dos muestras para poblaciones normales. Intervalos de confianza para muestras no normales y muestras grandes. Determinacin del tamao muestral. Mtodos aproximados: desigualdad de Tchebychev. Mtodo Bootstrap. Introduccin. Tipos de hiptesis. Tipos de error. Metodologa: regiones de aceptacin-rechazo, potencia de un contraste, valor crtico o pvalor y probabilidad de ambos errores. Etapas en la resolucin de un contraste. Contrastes no aleatorizados. Contastes aleatorizados: Lema de Neyman-Pearson, Teorema de Karlin-Rubin y Teorema de Lehmann. Test de razn de verosimilitudes.
Contrastes paramtricos de una poblacin normal: contrastes para la media con varianza conocida, contrastes para la media con varianza desconocida y contrastes para la varianza. Contrastes paramtricos de dos poblaciones normales: contrastes para la diferencia de medias con muestras independientes, contrastes para la diferencia de medias con 5. Contrastes de muestras apareadas y contrastes para el cociente de varianzas. hiptesis paramtricos. Contrastes para poblaciones no normales y muestras grandes: contrastes para una media, contrastes para una proporcin y contrastes para la diferencia de dos proporciones para muestras independientes y muestras apareadas. Relacin entre intervalos de confianza y contrastes de hiptesis. Introduccin. Contrastes de localizacin: test de los signos y test de Wilcoxon de los rangos signados. Contrastes de bondad de ajuste: test Chi-cuadrado, test Kolmogorov-Smirnov, test Shapiro-Wilk, test asimetra y curtoris. Contrastes de independencia: contrastes basados en rachas, el contraste de Ljung-Box. Contrastes de homogeneidad: test de valores atpicos, test Chi-Cuadrado para tablas de contingencia. Planificacin
A Horas presenciais
20 20 10 2

40 30 20 0

60 50 30 2
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Sesin maxistral Prcticas de laboratorio Solucin de problemas Proba de resposta mltiple Descricin Se impartirn clases magistrales de forma presencial o por videoconferencia. Se harn presentaciones con ordenador. Se realizarn prcticas con el software estadstico R. Se plantearn problemas de cada bloque especfico de contenido. Se realizar una prueba final referidas a la parte terica y prctica de la materia. Atencin personalizada Metodoloxas Solucin de problemas Descricin Los problemas propuestos y las dudas que le puedan surgir al alumno acerca de los contenidos se atendern de manera individual.
Avaliacin Metodoloxas Proba de resposta mltiple Prcticas de laboratorio Descricin Se plantearn cuestiones tericas y prcticas referidas a los contenidos del curso Se deber interpretar y saber solucionar cuestiones mediante el uso de un software estadstico. Cualificacin 60 40
Cao, R., Francisco, M., Naya, S., Presedo, M.A., Vzquez, M., Vilar, J.A. y Vilar, J.M. (2001). Introduccin a la Estadstica y sus aplicaciones. Ediciones Pirmide (Grupo Anaya) Ugarte, M.D., Militino A.F. and Arnholt, A.T. (2008). Probability and statistics with R. CRC Press, Taylor&Francis Group
Canavos, G.C. (1989). Probabilidad y Estadstica. Aplicaciones y mtodos. McGraw-Hill Freund, J.E., Miller, I. y Miller, M. (2000). Estadstica matemtica con aplicaciones. Prentice Hall. 6 Edicin Navidi, W (2006). Estadstica para Ingenieros y Cientficos. McGraw-Hill Pea, D. (2000). Modelos y mtodos. 1 Fundamentos. Alianza Editorial R Development Core Team (2000). Introduction to R. http://www.r-project.org/ Walpole, R.E. y Myers, R.H. (2005). Probabilidad y Estadstica para Ingenieros. Prentice
Hall
Materias que se recomenda cursar simultaneamente Modelos de Probabilidade/614427103 Anlise Exploratoria de Datos/614493004
Materias que continan o temario Modelos de Regresin/614493003 Estatstica Non Paramtrica/614493007 Mostraxe/614493008 Series de Tempo/614493009 Simulacin Estatstica/614493011 Tcnicas de Remostraxe/614493022
Datos Identificativos Asignatura Titulacin Descriptores Modelos de Regresin MESTRADO UNIVERSITARIO EN TCNICAS ESTATSTICAS (Plan 2011) Crditos 6 Idioma Departamento Coordinacin Profesorado Web Matemticas Aneiros Perez, German Aneiros Perez, German http://eio.usc.es/pub/mte/ Correo german.aneiros@udc.es electrnico Cr. tericos 3 Cr. prcticos 3 Tipo Troncal Curso Primeiro Perodo Ciclo Cdigo 614493003
A Horas presenciais
Materias que se recomenda cursar simultaneamente Modelos de Probabilidade/614493001 Estatstica Aplicada/614493002
Datos Identificativos Asignatura Titulacin Descriptores Anlise Exploratoria de Datos MESTRADO UNIVERSITARIO EN TCNICAS ESTATSTICAS (Plan 2011) Crditos 6 Idioma Departamento Coordinacin Profesorado Web Matemticas Aneiros Perez, German Aneiros Perez, German http://eio.usc.es/pub/mte/ Correo german.aneiros@udc.es electrnico Cr. tericos 3 Cr. prcticos 3 Tipo Troncal Curso Primeiro Perodo Ciclo Cdigo 614493004
A Horas presenciais
Materias que se recomenda cursar simultaneamente Modelos de Probabilidade/614493001 Estatstica Aplicada/614493002
Datos Identificativos Asignatura Titulacin Descriptores Programacin Linear e Enteira MESTRADO UNIVERSITARIO EN TCNICAS ESTATSTICAS (Plan 2011) Crditos 6 Idioma Departamento Coordinacin Profesorado Web Matemticas Aneiros Perez, German Aneiros Perez, German http://eio.usc.es/pub/mte/ Correo german.aneiros@udc.es electrnico Cr. tericos 3 Cr. prcticos 3 Tipo Troncal Curso Primeiro Perodo Ciclo Cdigo 614493005
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Procesos Estocsticos MESTRADO UNIVERSITARIO EN TCNICAS ESTATSTICAS (Plan 2011) Crditos 5 Idioma Departamento Coordinacin Profesorado Web Matemticas Aneiros Perez, German Aneiros Perez, German http://eio.usc.es/pub/mte/ Correo german.aneiros@udc.es electrnico Cr. tericos 2.5 Cr. prcticos 2.5 Tipo Curso Perodo Ciclo Cdigo 614493006
Troncal Primeiro2 Mestrado Segundo cuadrimestre Oficial
A Horas presenciais
Fontes de informacin Bibliografa bsica Bibliografa complementaria Recomendacins Materias que se recomenda ter cursado previamente Modelos de Probabilidade/614493001 Estatstica Aplicada/614493002
Datos Identificativos Asignatura Titulacin Descriptores Estatstica Non Paramtrica MESTRADO UNIVERSITARIO EN TCNICAS ESTATSTICAS (Plan 2011) Crditos 5 Idioma Departamento Coordinacin Profesorado Web Matemticas Aneiros Perez, German Aneiros Perez, German http://eio.usc.es/pub/mte/ Correo german.aneiros@udc.es electrnico Cr. tericos 2.5 Cr. prcticos 2.5 Tipo Curso Perodo Ciclo Cdigo 614493007
A Horas presenciais
Fontes de informacin Bibliografa bsica Bibliografa complementaria Recomendacins Materias que se recomenda ter cursado previamente Modelos de Probabilidade/614493001 Estatstica Aplicada/614493002 Modelos de Regresin/614493003
Datos Identificativos Asignatura Titulacin Descriptores Mostraxe MESTRADO UNIVERSITARIO EN TCNICAS ESTATSTICAS (Plan 2011) Crditos 5 Idioma Departamento Coordinacin Profesorado Web Matemticas Aneiros Perez, German Aneiros Perez, German http://eio.usc.es/pub/mte/ Correo german.aneiros@udc.es electrnico Cr. tericos 2.5 Cr. prcticos 2.5 Tipo Curso Perodo Ciclo Cdigo 614493008
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Series de Tempo MESTRADO UNIVERSITARIO EN TCNICAS ESTATSTICAS (Plan 2011) Crditos 5 Idioma Departamento Coordinacin Profesorado Web Matemticas Aneiros Perez, German Aneiros Perez, German http://eio.usc.es/pub/mte/ Correo german.aneiros@udc.es electrnico Cr. tericos 2.5 Cr. prcticos 2.5 Tipo Curso Perodo Ciclo Cdigo 614493009
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Comprender tcnicas del anlisis de series de tiempo Capacidad crtica sobre las posibilidades y limitaciones de las tcnicas del anlisis de series de tiempo Capacidad de identificar y resolver problemas que requieran el uso de tcnicas del anlisis de series de tiempo Capacidad de manejar software comercial (fundamentalmente el software libre R) para analizar series de tiempo Contidos Temas Subtemas Competencias da titulacin AM1 AM2 AM1 AM2 AM3 AM3
1. Anlisis descriptivo Introduccin. El concepto de serie de tiempo: Ejemplos. Descomposicin clsica de una de una serie de tiempo. serie de tiempo: Ejemplos. 2. Series de tiempo y procesos estocsticos. 3. Modelos BoxJenkins. 4. Tpicos adicionales. Introduccin. El concepto de proceso estocstico: Ejemplos. Definiciones asociadas a un proceso estocstico. La descomposicin de Wold. Introduccin. Procesos ARMA: Definicin e identificacin. Procesos ARIMA: Definicin e identificacin. Estimacin y diagnosis. Seleccin del modelo y prediccin. Aplicacin a datos reales. Procesos ARIMA estacionales. Aplicacin a datos reales. Anlisis de intervencin. Valores atpicos. Regresin con series de tiempo. Planificacin
A Horas presenciais
20 20 1.5 1.5

30 30 0 0

50 50 1.5 1.5
Sesin maxistral Prcticas de laboratorio Proba de resposta mltiple Solucin de problemas
Proba de ensaio
15
15
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Sesin maxistral Descricin El profesor desarrollar en clase los contenidos del Temario. Para ello, se apoyar en la proyeccin de transparencias (su versin en pdf estar disponible on-line). El profesor desarrollar en clase distintos tipos de aplicaciones a datos reales de la teora previamente expuesta. Para ello, introducir las herramientas especficas de que dispone el paquete estadstico R. Posteriormente, ser el alumno el que desarrolle otras aplicaciones con la ayuda de un ordenador. Uno de los requisitos para aprobar la asignatura ser la superacin de una prueba de respuesta mltiple. Ms informacin sobre dicha prueba puede ser vista en la Seccin 7: Evaluacin. Uno de los requisitos para aprobar la asignatura ser resolver un problema de carcter prctico. Para ello, ser necesaria la utilizacin del paquete estadstico R (utilizado en las clases prcticas). Ms informacin sobre este punto puede ser vista en la Seccin 7: Evaluacin. Uno de los requisitos para aprobar la asignatura ser la correcta realizacin y entrega, en las fechas indicadas, de prcticas propuestas por el profesor. Para ello, ser necesaria la utilizacin del paquete estadstico R (utilizado en las clases prcticas). Ms informacin sobre este punto puede ser vista en la Seccin 7: Evaluacin. Atencin personalizada Metodoloxas Sesin maxistral Prcticas de laboratorio Descricin Cualquier duda que se le presente al alumno a lo largo de las horas presenciales tratar de ser resuelta instantneamente por parte del profesor. Sin embargo, es posible que otras dudas surjan una vez que el estudiante profundice en la materia en el transcurso de horas no presenciales. En este caso, resulta conveniente que el alumno haga uso de las tutoras individualizadas.
Proba de ensaio
Avaliacin Metodoloxas Descricin (Se Proba de ensaio realizar sin la presencia del profesor) 30 Cualificacin
Realizacin y entrega, en las fechas indicadas, de prcticas propuestas por el profesor. Para ello, se contar con la ayuda del paquete estadstico utilizado en clase. El material que se permitir utilizar en la prueba de respuesta mltiple (apuntes, bibliografa,) depender del grado de asistencia a clase del alumno. (Se realizar con la presencia del profesor)
Sesin maxistral
Consistir en el anlisis de una serie de tiempo. Para ello, se contar con la ayuda del paquete estadstico R (utilizado en clase). El material que se permitir utilizar en la prueba de respuesta mltiple (apuntes, bibliografa,) depender del grado de asistencia a clase del alumno. (Se realizar con la presencia del profesor)
30
Prcticas de laboratorio Proba de resposta mltiple
0 40
Estar formada por una prueba tipo test de conocimientos terico-prcticos.
Cowpertwait, P.S.P. y Metcalfe, A.V. (2009). Introductory Time Series with R.. Springer Pea, D. (2005). Anlisis de Series Temporales.. Alianza Editorial Cryer, J.D. y Chan, K-S. (2008). Time Series Analysis. With Applications in R.. Springer (2 edicin)
Gonzlez, M. y del Puerto, I.M. (2009). Series Temporales.. Coleccin manuales uex-60 Brockwell, P.J. y Davis, R.A. (2002). Introduction to Time Series and Forecasting.. Springer (2 edicin) Shumway, R.H. y Stoffer, D.S. (2006). Time Series Analysis and Its Applications. With R Examples.. Springer (2 edicin)
Recomendacins Materias que se recomenda ter cursado previamente Modelos de Probabilidade/614493001 Estatstica Aplicada/614493002
Datos Identificativos Asignatura Titulacin Descriptores Deseo e Anlise de Experimentos MESTRADO UNIVERSITARIO EN TCNICAS ESTATSTICAS (Plan 2011) Crditos 5 Idioma Departamento Matemticas Coordinacin Profesorado Vilar Fernandez, Jose Antonio Aneiros Perez, German Vilar Fernandez, Jose Antonio Web Descricin xeral http://eio.usc.es/pub/mte/ Introducir al alumno en los principios bsicos de la planificacin experimental, proporcionar un amplio abanico de modelos estadsticos para el anlisis de datos procedentes de experimentos planificados y adquirir destreza en el manejo de las tcnicas de inferencia, enfatizando lo apropiado de su uso en funcin de los objetivos buscados y de sus condiciones de aplicabilidad. Complementar el aprendizaje de aspectos tericos y metodolgicos con apoyo de software. german.aneiros@udc.es Correo electrnico jose.vilarf@udc.es Cr. tericos 2.5 Cr. prcticos 2.5 Tipo Troncal Curso PrimeiroSegundo Perodo Ciclo Cdigo 614493010
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Dominar os principios bsicos para a axeitada planificacin dun experimento. Coecer un amplo espectro de modelos clsicos para describir os datos procedentes da planificacin experimental, identificando as condicins axeitadas de aplicacin. Manexar tcnicas estatsticas para a anlise de datos en cada deseo. Obter os coecementos precisos para unha anlise crtica e rigorosa dos resultados da experimentacin e do posterior anlise. Competencias da titulacin AM1 AM2 AM2 AM3 AM2 AM3 AM1 BM3 CM1 CM4 CM6 CM7 CM8 CM3 BM1 BM2 BM2 BM3 CM6 CM3 CM5 CM6
Complementar a aprendizaxe dos aspectos metodolxicos co apoio do software.
AM3
BM1 BM2
Contidos Temas 1. Principios bsicos do deseo de experimentos. Subtemas 1.1. 1.2. 1.3. 1.4. Introduccin: Ventaxes da planificacin experimental; fontes de variabilidade. Tres principios bsicos. Etapas na planificacin dun experimento. Un exemplo real. Algns deseos experimentais estndar.
2. Deseos cunha fonte de variacin.
2.1. Introduccin: Aleatorizacin. 2.2. Modelo para un deseo completamente aleatorizado: Estimacin dos parmetros, anlise da varianza, inferencia de contrastes e medias. 2.3. Mtodos de comparacins mltiples. 2.4. Comprobacin da idoneidade do modelo. 2.5. Alternativas anlise da varianza. 3.1. Introduccin: Aleatorizacin; Significado da interaccin. 3.2. Modelos matemticos para dous ou mis factores tratamento: Modelo factorial completo; modelo de efectos principais. 3.3. Estimacin, anlise da varianza, inferencia de contrastes.
3. Deseos factoriais.
3.4. Tamaos mostrais. 3.5. Comprobacin da idoneidade do modelo. 4.1. Efectos aleatorios: Compoentes da varianza. Exemplos. 4.2. Modelos matemticos para deseos con efectos aleatorios: Estimacin e anlise da varianza. 4.3. Tamaos mostrais. 4.4. Comprobacin da idoneidade do modelo. 4.5. Modelos mixtos: Estimacin e anlise da varianza. 5.1. Introduccin: Modelos matemticos. 5.2. Estimacin, anlise da covarianza, inferencia de contrastes. 5.3. Comprobacin da idoneidade do modelo. 6.1. Xeralidades. 6.2. Deseos en bloques completos. Modelos, estimacin, anlise da varianza, inferencia de contrastes. 6.3. Deseos en bloques incompletos: Deseos en bloques incompletos balanceados; deseos divisibles en grupos; deseos cclicos. Modelos, estimacin, anlise da varianza, inferencia de contrastes. 6.4. Deseos fila-columna: Deseos en cadrado latino; deseos Youden; deseos cclicos e outros deseos fila-columna. Modelos, estimacin, anlise da varianza, inferencia de contrastes. 6.5. Algunhas alternativas anlise da varianza. 7.1. 7.2. 7.3. 7.4. 8.1. 8.2. 8.3. 8.4. 9.1. 9.2. 9.3. 9.4. 9.5. Introduccin. Deseo xerrquico en das etapas. Deseo xerrquico en M etapas. Deseos xerrquicos e factores tratamento cruzados. Introduccin: Contexto experimental. Estructuras de dependencia entre as medidas repetidas. Proba de esfericidade de Mauchly. Anlise univariante e multivariante. O deseo 2 ao cadrado. O deseo 2 ao cubo. O deseo xeral 2 elevado a k. Adicin de puntos centrais ao deseo 2 elevado a k. Algoritmo de Yates. Planificacin
4. Deseos factoriais: Modelos aleatorios e mixtos.
5. Anlise da covarianza.
6. Deseos en bloques.
7. Deseos xerarquizados ou anidados.
8. Deseos de medidas repetidas.
9. Deseos factoriais a dous niveis.
A Horas presenciais
20 0 3 20

30 15 0 30

50 15 3 50
Sesin maxistral Estudo de casos Proba obxectiva Solucin de problemas
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Sesin maxistral Descricin Sesiones dirigidas a la la exposicin de los conceptos tericos y metodolgicos, impartidas con apoyo de diversos recursos didcticos, incluyendo presentaciones y software especfico (fundamentalmente R).
Estudo de casos Proba obxectiva Solucin de problemas
Cada alumno individualmente desarrollara problemas concretos con apoyo de los mtodos estudiados. Examen escrito de conocimientos. Alumnos y profesor resolvern conjuntamente listados de problemas facilitados previamente con el objeto de familiarizarse con la aplicacin prctica de conceptos, mtodos y software expuestos en las sesiones magistrales. Atencin personalizada
Metodoloxas Estudo de casos Solucin de problemas
Descricin a) Resolucin de dudas en la resolucin de problemas y casos de estudio en el transacurso de la actividad docente presencial. b) Asesoramiento individualizado para el desarrollo de los trabajos prcticos que realizar cada estudiante a propuesta del profesor.
Proba obxectiva
70
Berger, P.D. y Maurier, R.E. (2002). Experimental Design With Applications in Management, Engineering, and the Sciences. Belmont, CA: Duxbury Press Box, G.E.P., Hunter, W.G. y Hunter, J.S. (2005). Statistics for Experimenters: Design, Innovation, and Discovery. 2a. Ed. Wiley, New York. Coob, G.W. (1998). Introduction to Design and Analysis of Experiments. Springer-Verlag Cox, D. y Reid, N. (2000). The Theory of the Design of Experiments. Monographs on Statistics and Applied Probability. Chapman & Hall CRC Press Gibbons, J.D. y Chakraborti, S. (1992). Nonparametric Statistical Inference, 3a. Ed.. Marcel Dekker, New York Prat, A., Tort-Martorell, X., Groma, P. y Pozueta, L. (1997). Mtodos estadsticos. Control y mejora de la calidad. Edicions UPC (Universitat Politcnica de Catalunya)
Vikneswaran (2005) An R companion to "Experimental Design'' URL http://CRAN.R-project.org/doc/contrib/Vik-neswaran-ED-companion.pdf. Recomendacins Materias que se recomenda ter cursado previamente
Datos Identificativos Asignatura Titulacin Descriptores Simulacin Estatstica MESTRADO UNIVERSITARIO EN TCNICAS ESTATSTICAS (Plan 2011) Crditos 5 Idioma Departamento Coordinacin Profesorado Casteln Matemticas Fernndez Casal, Rubn Aneiros Perez, German Fernndez Casal, Rubn Web Descricin xeral http://eio.usc.es/pub/mte/ Se pretende que el alumno adquiera destreza en la identificacin de problemas reales que pueden ser resueltos por la simulacin, as como en dicha resolucin utilizando la citada aproximacin por simulacin. Para ello se tratar de que el alumno conozca el funcionamiento de los principales algoritmos de generacin de nmeros aleatorios uniformes, as como mtodos para simular las distribuciones de probabilidad ms habituales en la prctica (tanto discretas como continuas y en el caso uni o multidimensional) siendo capaz de implementarlos en algn lenguaje de alto nivel. Tambin se pretende introducir al alumno en las principales tcnicas de simulacin para problemas reales: simulacin esttica y dinmica (por cuantos o por eventos, sta ltima), reduccin de la variablidad en la simulacin, reduccin de la dependencia y de los problemas de estabilizacin. german.aneiros@udc.es Correo electrnico ruben.fcasal@udc.es Cr. tericos 2.5 Cr. prcticos 2.5 Tipo Curso Perodo Ciclo Cdigo 614493011
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Capacidade crtica sobre as posibilidades e limitacins das tcnicas de simulacin. Competencias da titulacin AM1 AM2 AM3 AM1 AM2 AM3 AM3 CM3 CM6 CM8
Comprensin das tcnicas bsicas de simulacin.
Capacidade de identificar problemas que requiran o deseo de experimentos de simulacin e resolvelos mediante a sa implementacin en linguaxes de programacin de alto nivel como R ou Matlab. Capacidade de manexar algn tipo de software (paquetes estatsticos ou follas de clculo, como R ou excel) para levar a cabo estudos de simulacin. Contidos Temas 1. Introduccin. 2. Generacin de nmeros pseudoaleatorios uniformes en (0,1). 3. Mtodos universales para la generacin de variables continuas. 4. Mtodos universales para la generacin de variables discretas. 5. Mtodos especficos para generacin de distribuciones notables. 6. Simulacin de distribuciones multidimensionales. 7. Diseo de experimentos de simulacin. 8. Integracin y optimizacin Monte Carlo. 9. Introduccin a los mtodos de cadenas de Markov Monte Carlo. Subtemas
CM3
1. Introduccin. Conceptos de sistema real, modelo y definicin de simulacin. Experimentacin real y simulacin. Simulacin necesaria e innecesaria. Ventajas e inconvenientes de la simulacin. Contenidos de la asignatura. 2. Generacin de nmeros pseudoaleatorios uniformes en (0,1).
Introduccin. Propiedades deseables de un generador de nmeros pseudoaleatorios uniformes. Mtodos de los cuadrados medios y de Lehmer. Mtodos congruenciales. Medidas estadsticas de calidad de un generador de nmeros pseudoaleatorios. 3. Mtodos universales para la generacin de variables continuas. Mtodo de inversin. Mtodo de aceptacin/ rechazo y sus variantes. 4. Mtodos universales para la generacin de variables discretas. Mtodo de la transformacin cuantil. Algoritmos basados en bsqueda secuencial. Algoritmos basados en rboles binarios. rboles de Huffman. Mtodo de la tabla gua. Mtodos de truncamiento. 5. Mtodos especficos para generacin de distribuciones notables. Distribuciones continuas: normal, chi-cuadrado de Pearson, t de Student, F de Snedecor, exponencial, Weibull, gamma, beta, logstica, Pareto. Distribuciones discretas: equiprobable, binomial, geomtrica, binomial negativa, Poisson. 6. Simulacin de distribuciones multidimensionales. Mtodo de las distribuciones condicionadas. Mtodo de aceptacin/rechazo. Mtodos de codificacin o etiquetado. Mtodos especficos para simular la normal multivariante. 7. Diseo de experimentos de simulacin. Diferencias y similitudes con la experimentacin real. Simulacin esttica y dinmica. Simulacin por eventos y por cuantos. Tcnicas de reduccin de la varianza. Problemas de estabilizacin y dependencia. Ejemplos prcticos. 8. Integracin y optimizacin Monte Carlo. Integracin Monte Carlo. Muestreo de importancia. Optimizacin Monte Carlo. Temple simulado. Algoritmos genticos de optimizacin. 9. Introduccin a los mtodos de cadenas de Markov Monte Carlo. Muestreo de Gibbs. Algoritmo Metropolis Hastings. Planificacin
A Horas presenciais
18 18 2 0

27 27 0 25

45 45 2 25
Sesin maxistral Prcticas de laboratorio Proba obxectiva Traballos tutelados
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Sesin maxistral Descricin Presentacin dos aspectos relevantes de cada tema includo no programa da materia, de modo que os alumnos poidan abordar as tarefas propostas nas prcticas de laboratorio. Empregarnse diferentes ferramentas de software libre (principalmente o paquete R, pero tamn recursos web, applets, ...) para ilustrar a aplicacin na prctica das metodoloxas explicadas nas clases tericas e tamn co fn de facilitar a resolucion dos traballos prcticos propostos. Ademais facilitarse un guin das prcticas onde se describirn os distintos exercicios a realizar. Proba escrita para a avaliacin da aprendizaxe que constar dunha parte terica e doutra prctica. Traballos prcticos propostos para que o alumno poida resolvelos con axuda de programas informticos. Unha vez resoltos, o alumno deber presentar e discutir a solucin que aplicou. Atencin personalizada Metodoloxas Sesin maxistral Prcticas de laboratorio Traballos tutelados Descricin Atencin ao alumno tanto durante o desenvolvemento das clases coma nos horarios de titoras.
Proba obxectiva
Traballos tutelados
Avaliacin Metodoloxas Sesin maxistral Prcticas de laboratorio Traballos tutelados Descricin Avaliaranse os coecementos adquiridos mediante a realizacin dunha proba escrita. Avaliaranse os coecementos adquiridos mediante a realizacin dunha proba escrita. Presentacin dos traballos resoltos. Cualificacin 30 30 40
Gentle, J.E. (2003). Random number generation and Monte Carlo methods. SpringerVerlag Robert, C.P. y Casella G. (2010). Introducing Monte Carlo Methods with R. Springer Cao, R. (2002). Introduccin a la simulacin y a la teora de colas. Netbiblo Jones, O., Maillardet, R. y Robinson A. (2009). Introduction to Scientific Programming and Simulation Using R. CRC
Devroye, L. (1986). Non-uniform random variate generation. Springer-Verlag Bratley, P. (1990). A guide to simulation. Springer-Verlag Ross, S.M. (1999). Simulacin. Prentice Hall Ripley, B.D. (1987). Stochastic Simulation. Wiley Evans, M. y Swartz, T. (2000). Approximating integrals via Monte Carlo and . Oxford University Press Robert, C.P. y Casella, G. (2004). Monte Carlo statistical methods. Springer-Verlag
Datos Identificativos Asignatura Titulacin Descriptores Anlise Multivariante MESTRADO UNIVERSITARIO EN TCNICAS ESTATSTICAS (Plan 2011) Crditos 5 Idioma Departamento Coordinacin Profesorado Web Matemticas Aneiros Perez, German Aneiros Perez, German http://eio.usc.es/pub/mte/ Correo german.aneiros@udc.es electrnico Cr. tericos 2.5 Cr. prcticos 2.5 Tipo Curso Perodo Ciclo Cdigo 614493012
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Estatstica Espacial MESTRADO UNIVERSITARIO EN TCNICAS ESTATSTICAS (Plan 2011) Crditos 5 Idioma Departamento Coordinacin Profesorado Web Matemticas Aneiros Perez, German Aneiros Perez, German http://eio.usc.es/pub/mte/ Correo german.aneiros@udc.es electrnico Cr. tericos 2.5 Cr. prcticos 2.5 Tipo Curso Perodo Ciclo Cdigo 614493013
A Horas presenciais
Fontes de informacin Bibliografa bsica Bibliografa complementaria Recomendacins Materias que se recomenda ter cursado previamente Modelos de Probabilidade/614493001 Estatstica Aplicada/614493002 Anlise Exploratoria de Datos/614493004
Datos Identificativos Asignatura Titulacin Descriptores Fiabilidade e Modelos Biomtricos MESTRADO UNIVERSITARIO EN TCNICAS ESTATSTICAS (Plan 2011) Crditos 5 Idioma Departamento Coordinacin Profesorado Web Matemticas Aneiros Perez, German Aneiros Perez, German http://eio.usc.es/pub/mte/ Correo german.aneiros@udc.es electrnico Cr. tericos 2.5 Cr. prcticos 2.5 Tipo Curso Perodo Ciclo Cdigo 614493014
A Horas presenciais
Fontes de informacin Bibliografa bsica Bibliografa complementaria Recomendacins Materias que se recomenda ter cursado previamente Modelos de Probabilidade/614493001 Estatstica Aplicada/614493002 Modelos de Regresin/614493003
Datos Identificativos Asignatura Titulacin Descriptores Redes e Planificacin MESTRADO UNIVERSITARIO EN TCNICAS ESTATSTICAS (Plan 2011) Crditos 5 Idioma Departamento Coordinacin Profesorado Web Matemticas Aneiros Perez, German Aneiros Perez, German http://eio.usc.es/pub/mte/ Correo german.aneiros@udc.es electrnico Cr. tericos 2.5 Cr. prcticos 2.5 Tipo Curso Perodo Ciclo Cdigo 614493015
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Introduccin Teora de Xogos MESTRADO UNIVERSITARIO EN TCNICAS ESTATSTICAS (Plan 2011) Crditos 5 Idioma Casteln Cr. tericos 4 Cr. prcticos 1 Tipo Troncal Curso PrimeiroSegundo Perodo Ciclo Cdigo 614493016
Departamento Matemticas Coordinacin Profesorado Garca Jurado, Ignacio Aneiros Perez, German Garca Jurado, Ignacio Web Descricin xeral http://dm.udc.es/profesores/ignacio El objetivo de este curso es presentar los principales modelos, conceptos y resultados de la teora de juegos, as como algunas aplicaciones de dicha teora en las ciencias sociales, con especial nfasis en la economa. german.aneiros@udc.es Correo electrnico ignacio.garcia.jurado@udc.es
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Conocimiento de los resultados tericos incluidos en el programa Competencias da titulacin AM1 AM2 AM3 AM4 AM11 AM15 AM1 AM2 AM3 AM4 AM15 AM1 AM2 AM3 AM4 AM15 BM1 BM2 BM9 BM10 CM2
Capacidad para aplicar correctamente los conocimientos obtenidos a la modelizacin y resolucin de problemas de toma de decisiones en interaccin con otros decisores
BM1 BM2 BM9 BM10 BM1 BM2 BM9 BM10
CM2
Competencia para utilizar los conocimientos adquiridos en el anlisis interpretacin de los problemas surgidos en el mbito de las ciencias sociales
la
CM2
Contidos Temas Introduccin a la teora de la utilidad. Juegos en forma estratgica. Juegos en forma extensiva. Modelos de negociacin simple. Juegos cooperativos. Subtemas Utilidad ordinal, utilidad lineal. Definicin, equilibrio de Nash, estrategias mixtas en juegos finitos, juegos bimatriciales, juegos bipersonales de suma nula, juegos matriciales, refinamientos del equilibrio de Nash. Definicin, equilibrio de Nash, equilibrio perfecto en subjuegos. La solucin de Nash, la solucin de Kalai-Smorodinski. Introduccin a los juegos TU, el core, el valor de Shapley. Planificacin
A Horas presenciais
28 7 2

48 35 0

76 42 2
Sesin maxistral Solucin de problemas Proba obxectiva
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Sesin maxistral Solucin de problemas Proba obxectiva Descricin Clases impartidas con pizarra electrnica y can de vdeo. Se utilizar tambin el sistema de vdeoconferencia. Se fomentar la participacin de los alumnos en las clases. Se pondr a disposicin de los alumnos los apuntes de la asignatura. En algunas sesiones resolveremos problemas en grupo. Se tratar de un examen de problemas. Atencin personalizada Metodoloxas Sesin maxistral Solucin de problemas Descricin En todos los casos se tratar de adaptarse a las peculiaridades de los alumnos a la hora de desarrollar cada una de las metodologas. En particular, en las sesiones de tutoras de atencin personalizada se intentar conocer mejor a cada alumno y ayudarle a resolver las dificultades que puedan surgirle en la realizacin de este curso.
Avaliacin Metodoloxas Solucin de problemas Proba obxectiva Sesin maxistral Descricin La asistencia y participacin en las sesiones de solucin de problemas se valorar hasta con diez puntos. La prueba objetiva ser un examen de problemas en el que los alumnos podrn hacer uso de los libros y apuntes que deseen. La asistencia y participacin en las sesiones magistrales se valorar hasta con diez puntos. Cualificacin 10 80 10
J. Gonzlez-Daz, I. Garca-Jurado, M.G. Fiestras-Janeiro (2010). An Introductory Course on Mathematical Game Theory. American Mathematical Society G. Owen (1995). Game Theory. Academic Press
Bibliografa
complementaria Recomendacins Materias que se recomenda ter cursado previamente
Materias que continan o temario Modelos Interactivos da Investigacin Operativa/614493025 Xogos Cooperativos/614493026
Datos Identificativos Asignatura Titulacin Descriptores Colas e Inventarios MESTRADO UNIVERSITARIO EN TCNICAS ESTATSTICAS (Plan 2011) Crditos 5 Idioma Departamento Coordinacin Profesorado Web Matemticas Aneiros Perez, German Aneiros Perez, German http://eio.usc.es/pub/mte/ Correo german.aneiros@udc.es electrnico Cr. tericos 4 Cr. prcticos 1 Tipo Curso Perodo Ciclo Cdigo 614493017
A Horas presenciais
Fontes de informacin Bibliografa bsica Bibliografa complementaria Recomendacins Materias que se recomenda ter cursado previamente Modelos de Probabilidade/614493001
Datos Identificativos Asignatura Titulacin Descriptores Teora da Probabilidade MESTRADO UNIVERSITARIO EN TCNICAS ESTATSTICAS (Plan 2011) Crditos 5 Idioma Departamento Coordinacin Profesorado Web Matemticas Aneiros Perez, German Aneiros Perez, German http://eio.usc.es/pub/mte/ Correo german.aneiros@udc.es electrnico Cr. tericos 2.5 Cr. prcticos 2.5 Tipo Curso Perodo Ciclo Cdigo 614493018
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Estatstica Matemtica MESTRADO UNIVERSITARIO EN TCNICAS ESTATSTICAS (Plan 2011) Crditos 5 Idioma Departamento Coordinacin Profesorado Web Matemticas Aneiros Perez, German Aneiros Perez, German http://eio.usc.es/pub/mte/ Correo german.aneiros@udc.es electrnico Cr. tericos 2.5 Cr. prcticos 2.5 Tipo Curso Perodo Ciclo Cdigo 614493019
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Enxeera Financeira MESTRADO UNIVERSITARIO EN TCNICAS ESTATSTICAS (Plan 2011) Crditos 5 Idioma Departamento Coordinacin Profesorado Web Matemticas Aneiros Perez, German Aneiros Perez, German http://eio.usc.es/pub/mte/ Correo german.aneiros@udc.es electrnico Cr. tericos 3.8 Cr. prcticos 1.2 Tipo Curso Perodo Ciclo Cdigo 614493020
A Horas presenciais
Fontes de informacin Bibliografa bsica Bibliografa complementaria Recomendacins Materias que se recomenda ter cursado previamente Modelos de Probabilidade/614493001 Estatstica Aplicada/614493002 Modelos de Regresin/614493003 Series de Tempo/614493009
Datos Identificativos Asignatura Titulacin Descriptores Control Estatstico da Calidade MESTRADO UNIVERSITARIO EN TCNICAS ESTATSTICAS (Plan 2011) Crditos 5 Idioma Departamento Coordinacin Profesorado Matemticas Naya Fernandez, Salvador Aneiros Perez, German Naya Fernandez, Salvador Web german.aneiros@udc.es Correo electrnico salvador.naya@udc.es Cr. tericos 3 Cr. prcticos 2 Tipo Curso Perodo Ciclo Cdigo 614493021
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Los objetivos generales de la materia son dar a conocer los conceptos y tcnicas del Control Estadstico de la Calidad, el mbito donde pueden aplicarse y los beneficios que proporcionan. Para ello se proporcionar al alumnado las competencias necesarias para la aplicacin exitosa de esta metodologa y se procurar que comprenda la finalidad, resultados y beneficios del control estadstico, as como de sus requerimientos Contidos Temas Subtemas a) Breve resea histrica del control de calidad. b) Estado del arte y nuevos retos. c) Presentacin y motivacin de problemas reales del control estadstico de procesos. Causas asignables y no asignables. b) Las siete herramientas de Isikawa. c) La filosofa de Deming y Juran en el aseguramiento de la calidad. d) Metrologa y control estadstico de procesos. a) Grficos de control y contraste de hiptesis. b) Riesgos del vendedor y comprador. c) Subgrupos racionales. d) Anlisis de patrones en un grfico de control. a) Lmites de tolerancia y capacidad del proceso. b) Grficos tipo Shewhart por variables. c) Curva caracterstica de operacin (OC) y longitud media de racha (ARL) en el control por variables. d) Optimizacin de grficos de control. e) Ejercicios. a) El control de fabricacin para la fraccin de disconformes. b) Grficos np y p. Grficos de control c y u. c) Curvas caractersticas en el control por atributos. d) Seleccin entre control por variables y atributos. e) Ejercicios. a) Estudio de la capacidad mediante histogramas y grficos de control. b) Determinacin de los lmites naturales de tolerancia y su repercusin en la capacidad. c) ndices bsicos de capacidad y estudio comparativo. d) Ejercicios. Competencias da titulacin
a) Grficos de Medias individuales. Grficos CUSUM. b) Grficos de control de Medias ponderadas (EWMA). c) Alternativas estadsticas a los grficos de control. Filosofa del Control Ingenieril de Procesos y del Precontrol. d) Introduccin a la Metodologa Seis Sigma. a) Descripcin de un problema multivariante de procesos. b) Los grficos T2 de Hotelling. c) Grfico MEWMA multivariante. d) Uso de tcnicas alternativas multivariantes: componentes principales y grficos no paramtricos basados en data depth. e) Ejercicios. a) Fundamentos estadsticos de los planes de muestreo. b) Plan de muestreo por atributos. c) Plan de muestreo por variables. d) Controles secuenciales. e) Curva caracterstica para un plan de muestreo. f) Nivel de calidad aceptable y Calidad media de salida. g) Las normas MIL-STD-105 y MIL-STD-414 y sus correspondientes extensiones (ANSI/ASQC/ISO). h) Ejercicios. a) Relacin entre fiabilidad y calidad. b) Tipo de datos y modelos para la fiabilidad industrial. c) Pruebas de vida aceleradas (ALT) y Modelos para degradacin. a) Diseos factoriales y superficies de respuesta. b) Ejemplos de aplicacin de diseos usados en el control de procesos. c) Ejercicios y casos prcticos. a) La librera qcc de R para control de calidad. b) Libreras especficas para fiabilidad (SPLIDA). c) Comparativa con otros programas: Statgraphics, SPSS, S-Plus. Planificacin
A Horas presenciais
10 3 40 2 1 1

20 3 40 4 0 1

30 6 80 6 1 2
Prcticas a travs de TIC Proba obxectiva Sesin maxistral Presentacin oral Solucin de problemas Traballos tutelados
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Prcticas a travs de TIC Proba obxectiva Sesin maxistral Descricin Se emplearan distintos paquetes estadstico que el estudiante deber conocer y manejar (principalmente el R) para su aplicacin al control de calidad. Se realizar por medio de una prueba escrita tipo test sobre conceptos bsicos estudiados en el curso. Esta prueba puntuar un 60% en la nota final. La mayora de los temas sern expuestos mediante leccin magistral. El alumno
tendr acceso a las presentaciones en la Web del master. El estudiante deber presentar un trabajo al final de curso, consiste en la aplicacin de los mtodos de control de calidad y fiabilidad a un problema real o bien a un cojunto de datos proporcionados por el profesor. La presentacin tendr una duracin de 20 a 30 minutos. Se realizarn sesiones de resolucin de problemas en pizarra para completar las prcticas de laboratorio con ordenador. Aquellos alumnos que deseen presentar un trabajo tutelado relacionado con esta materia se les proporcionar un tema especfio y su correspondiente asesoramiento. Atencin personalizada Metodoloxas Prcticas a travs de TIC Sesin maxistral Solucin de problemas Descricin En las clases magistrales se fomentar en todo momento el debate entre los alumnos y entre los alumnos y el profesor. Para la resolucin de problemas ser importante atender personalmente a los alumnos ante las posibles dudas que puedan surgir. Esta atencin servir tambin, por una parte, al profesor para detectar posibles problemas en la metodologa utilizada para impartir la asignatura y, por otra, a los alumnos para consolidar conocimientos tericos y para expresar sus inquietudes acerca de la asignatura. Es tambin fundamental la atencin personalizada al estudiante durante las clases de prcticas de laboratorio, sobre todo hasta que no se familiarice con el software estadstico a utilizar.
Presentacin oral
Traballos tutelados
Avaliacin Metodoloxas Traballos tutelados Solucin de problemas Proba obxectiva Descricin Se dar la posibilidad de realizar un trabajo tutelado. Solucin de problema en clase. Se propondr una prueba escrita tipo test sobre conceptos bsicos estudiados en el curso. Se presentar un tema al final del curso, elegido por el alumno y relacinado con la materia en el que se apliquen conceptos fundamentales del control estadstico. Se realizarn prcticas con paquetes estadsticos. Cualificacin 15 5 60
Presentacin oral Prcticas a travs de TIC
15 5
Fontes de informacin Bibliografa bsica Sons.
Meeker W. y Escobar L. ( 1998). Statistical Methods for Reliability Data. . Wiley &
Montgomery D. (2009). Introduction to Statistical Quality Control. . Wiley & Sons Box, G.E.P. y Luceo A. (1997). Statistical Control by Monitoring and Feedback Adjustment. . . Wiley. New York. Carot V. (1998). Control estadstico de la Calidad. . Edita Universidad Politcnica de Valencia Juran J. y Godfrey B. (2001). Manual de Calidad (tomos I y II).. McGrawHill. Bibliografa complementaria
Recomendacins Materias que se recomenda ter cursado previamente Modelos de Probabilidade/614493001 Anlise Exploratoria de Datos/614493004 Contrastes de Especificacin/614493023
Materias que se recomenda cursar simultaneamente Deseo e Anlise de Experimentos/614493010 Fiabilidade e Modelos Biomtricos/614493014
Datos Identificativos Asignatura Titulacin Descriptores Tcnicas de Remostraxe MESTRADO UNIVERSITARIO EN TCNICAS ESTATSTICAS (Plan 2011) Crditos 5 Idioma Casteln Galego Ingls Departamento Matemticas Coordinacin Profesorado Cao Abad, Ricardo Aneiros Perez, German Cao Abad, Ricardo Web Descricin xeral http://dm.udc.es/profesores/ricardo/ Se pretende que el alumno adquiera destreza en la identificacin de situaciones en las que los mtodos de remuestreo son herramientas inferenciales adecuadas para resolver problemas reales. Para ello se tratar de que el alumno conozca el funcionamiento de las principales tcnias de remuestreo, entre las que se destaca el mtodo bootstrap, as como sus aplicaciones en los principales mbitos de la estadstica. Asimismo se persigue que el alumno sea capaz de disear e implementar en ordenador planes de remuestreo adecuados para un amplio abanico de situaciones. german.aneiros@udc.es Correo electrnico ricardo.cao@udc.es Cr. tericos 3 Cr. prcticos 2 Tipo Troncal Curso PrimeiroSegundo Perodo Ciclo Cdigo 614493022
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Capacidad crtica sobre las posibilidades y limitaciones de las tcnicas de remuestreo. Competencias da titulacin AM1 AM2 AM3 BM1 BM2 CM1 CM2 CM3 CM4 CM5 CM6 CM7 CM8 CM1 CM2 CM3 CM4 CM5 CM6 CM7 CM8 CM1 CM2 CM3 CM4 CM5 CM6 CM7 CM8 CM1 CM2 CM3 CM4 CM5 CM6 CM7 CM8
Comprender tcnicas de remuestreo en diversos contextos inferenciales.
AM1 AM2
BM1 BM2 BM3
Capacidad de identificar y resolver problemas inferenciales que requieran el uso de tcnicas de remuestreo, mediante el diseo de planes de remuestreo.
AM1 AM2 AM3
BM1 BM2 BM3
Capacidad de manejar de diverso software estadstico (fundamentalmente el software libre R) para utilizar mtodos de remuestreo ya incorporados o implementar otros nuevos.
AM1 AM2 AM3
BM1 BM2 BM3
Contidos Temas Subtemas rdenes de convergencia. Limitaciones de la inferencia estadstica clsica. Simulacin y mtodos de Monte Carlo. Estimacin no paramtrica de la densidad. Motivacin del principio Bootstrap. El Bootstrap uniforme. Clculo de la distribucin Bootstrap: distribucin exacta y distribucin aproximada por Monte Carlo. Ejemplos. Aplicacin del Bootstrap a la estimacin de la precisin y el sesgo de un estimador. Ejemplos. Motivacin del mtodo Jackknife. Estimacin Jackknife de la precisin y el sesgo de un estimador. Relacin Bootstrap/Jackknife en dicha estimacin. Ejemplos. Estudios de simulacin. Modificaciones del Bootstrap uniforme: Bootstrap paramtrico, simetrizado, suavizado, ponderado y sesgado. Discusin y ejemplos. Validez de la aproximacin Bootstrap. Ejemplos. Aplicacin del Bootstrap a la construccin de intervalos de confianza: Mtodos percentil, percentil-t, percentil-t simetrizado. Ejemplos. Estudios de simulacin. El Bootstrap de un modelo de regresin. Wild Bootstrap. El Bootstrap en la estimacin del error de prediccin. El Bootstrap en poblaciones finitas. Ejemplos. Estudios de simulacin. Motivacin y principales resultados. Aplicaciones del Bootstrap iterado. Correccin del sesgo de un estimador. Correccin del error de cobertura de un intervalo de confianza. Estudios de simulacin. Introduccin a la estimacin no paramtrica de curvas. Bootstrap y estimacin de la densidad. Aproximacin Bootstrap de la distribucin del estimador de ParzenRosenblatt. El Bootstrap en la seleccin del parmetro de suavizado. Aproximacin Bootstrap de la distribucin del estimador de NadarayaWatson. Distintos mtodos de remuestreo y resultados para ellos. Introduccin a los datos censurados. Remuestreos Bootstrap en presencia de censura. Relaciones entre ellos. Introduccin a las condiciones de dependencia y modelos habituales de datos dependientes. Modelos paramtricos de dependencia. Situaciones de dependencia general: el Bootstrap por bloques, el Bootstrap estacionario y el mtodo del submuestreo. Modelos de dependencia paramtrica. Situaciones de dependencia general. Planificacin
1. Preliminares.
2. El mtodo Bootstrap.
3. Algunas aplicaciones del mtodo Bootstrap.
4. El mtodo Jackknife.
5. Modificaciones del Bootstrap
6. El Bootstrap en la construccin de intervalos de confianza.
7. Otras aplicaciones del Bootstrap.
8. Iteracin del principio Bootstrap.
9. El Bootstrap y la estimacin no paramtrica de curvas.
10. Bootstrap y estimacin de la funcin de regresin.
11. El Bootstrap con datos censurados.
12. El Bootstrap en la estimacin con datos dependientes.
13. El Bootstrap para la prediccin con datos dependientes.
A Horas
B Horas non
C (A+B) Horas
presenciais

36 25 10 8
totais
Presentacin oral Prcticas a travs de TIC Proba de resposta mltiple Solucin de problemas
30 5 1 4
66 30 11 12
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Presentacin oral Prcticas a travs de TIC Proba de resposta mltiple Solucin de problemas Descricin Presentacin con transparencias por videoconferencia aos tres campus Implementacin de algoritmos de remostraxe Proba de reposta mltiple sobre conceptos. Deseo de plans de remostraxe. Clculo de nesgos e varianzas dos anlogos bootstrap. Atencin personalizada Metodoloxas Prcticas a travs de TIC Solucin de problemas Descricin Asistencia e participacin nas clases tericas. Exame escrito de mltiple opcin. Participacin en prcticas e seminarios. Suposto prctico a realizar polo alumno.
Avaliacin Metodoloxas Prcticas a travs de TIC Proba de resposta mltiple Descricin Traballo orixinal de simulacin sobre o bootstrap nalgn contexto de inters Proba de comprensin dos conceptos impartidos. Cualificacin 40 60
Observacins avaliacin Para superar a materia ser necesario obter unha calificacin de alomenos 5 sobre 10 no conxunto da materia.Na oportunidade de xullo os alumnos podern liberarse de facer as probas correspondentes nas que a sa calificacin na oportunidade de xaneiro fora de alomenos 4 sobre 10.Para obter a calificacin de NON PRESENTADO na primeira oportunidade (xaneiro-febreiro), os alumnos non se podern ter presentado a ningunha das probas avaliables que figuran arriba. Para obter a calificacin de NON PRESENTADO en xullo, os alumnos non se podern ter presentado exame final desa data. Fontes de informacin Bibliografa bsica
Bibliografa bsica Davison, A.C. and Hinkley, D.V. (1997). Bootstrap Methods and their
Application. Cambridge University Press. Efron, B. (1979). Bootstrap Methods: Another look at the Jackknife. Ann. Statist., 7, 1-26. Efron, B. and Tibshirani, R.J. (1993). An Introduction to the Bootstrap. Chapman and Hall. Shao, J. and Tu, D. (1995). The Jackknife and Bootstrap. Springer Verlag.
Bibliografa complementaria Akritas, M. G. (1986). Bootstrapping the Kaplan--Meier estimator. J. Amer. Statist. Assoc. 81, 1032-1038. Bickel, P.J. and Freedman, D.A. (1981). Some asymptotic theory for the bootstrap. Ann. Statist. 12, 470-482. Bhlmann, P. (1997). Sieve bootstrap for time series. Bernoulli 3, 123-148. Cao, R. (1990). rdenes de convergencia para las aproximaciones normal y bootstrap en la estimacin no paramtrica de la funcin de densidad. Trabajos de Estadstica, vol. 5, 2, 23-32. Cao, R. (1991). Rate of convergence for the wild bootstrap in nonparametric regression. Ann. Statist. 19, 2226-2231. Cao, R. and Prada-Snchez, J.M. (1993). Bootstrapping the mean of a symmetric population. Statistics & Probability Letters 17, 43-48. Cao, R. (1993). Bootstrapping the mean integrated squared error. Jr. Mult. Anal. 45, 137-160. Cao, R. (1999). An overview of bootstrap methods for estimating and predicting in time series. Test, 8, 95-116. Cao, R. and Gonzlez-Manteiga, W. (1993). Bootstrap methods in regression smoothing. J. Nonparam. Statist. 2, 379-388. Efron, B. (1981). Censored data and the bootstrap. J. Amer. Statist. Assoc. 76, 312-319. Efron, B. (1982). The Jackknife, the Bootstrap and other Resampling Plans. CBMS-NSF. Regional Conference series in applied mathematics. Efron, B. (1983). Estimating the error rate of a prediction rule: improvements on cross-validation. J. Amer. Stat. Assoc. 78, 316-331. Efron, B. and Tibshirani, R. (1986). Bootstrap methods for standard errors, confidence intervals, and other measures of statistical accuracy. Statistical
Science 1, 54-77. Efron, B. (1987). Better Bootstrap confidence intervals (with discussion), J. Amer. Stat. Assoc. 82, 171-200. Efron, B. (1990). More Efficient Bootstrap Computations. J. Amer. Stat. Assoc. 85, 79-89. Freedman, D.A. (1981). Bootstrapping regression models. Ann. Statist. 9, 6, 1218-1228. Gonzlez-Manteiga, W. y Prada-Snchez, J.M. (1985). Una aplicacin de los mtodos de suavizacin no paramtricos en la tcnica Bootstrap. Proceedings Jornadas Hispano-Lusas de Matemticas. Murcia. Garca-Jurado, I. Gonzlez-Manteiga, W., Prada-Snchez, J.M., FebreroBande, M. and Cao, R. (1995). Predicting using Box-Jenkins, nonparametric and bootstrap techniques. Technometrics 37, 303-310. Gonzlez-Manteiga, W., Prada-Snchez, J.M. and Romo, J. (1994). The Bootstrap-A Review. Computational Statistics, 9, 165-205. Hall, P. (1986). On the bootstrap and confidence intervals. Ann. Statist. 14, 1431-1452. Hall, P. (1988-a). Theoretical comparison of bootstrap confidence intervals. Ann. Statist. 16, 927-953. Hall, P. (1988-b). Rate of convergence in bootstrap approximations. Ann. Probab. 16, 4, 1665-1684. Hall. P. (1992). The Bootstrap and Edgeworth Expansion. Springer Verlag. Hall, P. and Martin, M.A. (1988). On bootstrap resampling and iteration. Biometrika 75, 661-671. Hrdle, W. and Marron, J. S. (1991). Bootstrap simultaneous error bars for nonparametric regression. Ann. Statist. 19, 778-796. Knsch, H.R. (1989). The jackknife and the bootstrap for general stationary observations. Ann. Statist. 17, 1217-1241. Lombarda, M.J., Gonzlez-Manteiga, W. and Prada-Snchez, J.M. (2003). Bootstrapping the Chambers-Dunstan estimate of a finite population distribution function. J. Stat. Plan. Infer., 116, 367-388. Mammen, E. (1992). When does Bootstrap Work?. Springer Verlag. Navidi, W. (1989). Edgeworth expansions for bootstrapping regression
models. Ann. Statist. 17, 4, 1472-1478. Politis, D.N. and Romano, J.R. (1994). The stationary bootstrap. J. Amer. Statist. Assoc. 89, 1303-1313. Politis, D.N. and Romano, J.R. (1994). Limit theorems for weakly dependent Hilbert space valued random variables with application to the stationary bootstrap. Statist. Sin. 4, 461-476. Politis, D.N., Romano, J.P. and Wolf, M. (1999). Subsampling. Springer Verlag. Prada-Snchez, J.M. and Otero-Cepeda, X.L. (1989). The use of smooth bootstrap techniques for estimating the error rate of a prediction rule. Comm. Statist .-Simula., 18(3), 1169-1186. Prada-Snchez, J.M. and Cotos-Yez, T. (1997). A Simulation Study of Iterated and Non-iterated Bootstrap Methods for Bias Reduction and Confidence Interval Estimation. Comm. Statist .-Simula., 26(3), 927-946. Reid, N. (1981). Estimating the median survival time. Biometrika 68, 601608. Stine, R.A. (1987). Estimating properties of autoregressive forecasts. J. Amer. Statist. Assoc. 82, 1072-1078. Thombs, L.A. and Schucany, W.R. (1990). Bootstrap prediction intervals for autoregression. J. Amer. Statist. Assoc. 85, 486-492. Wu, C.-F. J. (1986). Jackknife, bootstrap and other resampling methods in regression analysis. Ann. Statist. 14, 1261-1350.
Recomendacins Materias que se recomenda ter cursado previamente Estatstica Matemtica/614468102 Modelos de Probabilidade/614468103 Estatstica Aplicada/614468104 Modelos de Regresin/614468105 Anlise Exploratoria de Datos (data mining)/614468106 Estatstica non Paramtrica/614468109 Simulacin Estatstica/614468113
Materias que continan o temario Contrastes de Especificacin/614468123 Datos Funcionais/614468124
Proxecto Fin de Carreira ou Traballo Tutelado/614468128
Datos Identificativos Asignatura Titulacin Descriptores Contrastes de Especificacin MESTRADO UNIVERSITARIO EN TCNICAS ESTATSTICAS (Plan 2011) Crditos 5 Idioma Departamento Coordinacin Profesorado Web Matemticas Aneiros Perez, German Aneiros Perez, German http://eio.usc.es/pub/mte/ Correo german.aneiros@udc.es electrnico Cr. tericos 2.5 Cr. prcticos 2.5 Tipo Curso Perodo Ciclo Cdigo 614493023
A Horas presenciais
Fontes de informacin Bibliografa bsica Bibliografa complementaria Recomendacins Materias que se recomenda ter cursado previamente Modelos de Probabilidade/614493001 Estatstica Aplicada/614493002 Modelos de Regresin/614493003 Estatstica Non Paramtrica/614493007
Materias que se recomenda cursar simultaneamente Tcnicas de Remostraxe/614493022
Datos Identificativos Asignatura Titulacin Descriptores Datos Funcionais MESTRADO UNIVERSITARIO EN TCNICAS ESTATSTICAS (Plan 2011) Crditos 5 Idioma Departamento Coordinacin Profesorado Web Matemticas Aneiros Perez, German Aneiros Perez, German http://eio.usc.es/pub/mte/ Correo german.aneiros@udc.es electrnico Cr. tericos 3 Cr. prcticos 2 Tipo Curso Perodo Ciclo Cdigo 614493024
A Horas presenciais
Fontes de informacin Bibliografa bsica Bibliografa complementaria Recomendacins Materias que se recomenda ter cursado previamente Modelos de Probabilidade/614493001 Estatstica Aplicada/614493002 Modelos de Regresin/614493003 Anlise Multivariante/614493012
Datos Identificativos Asignatura Titulacin Descriptores Modelos Interactivos da Investigacin Operativa MESTRADO UNIVERSITARIO EN TCNICAS ESTATSTICAS (Plan 2011) Crditos 5 Idioma Departamento Matemticas Coordinacin Profesorado Carpente Rodriguez, Maria Luisa Aneiros Perez, German Carpente Rodriguez, Maria Luisa Lorenzo Freire, Silvia Web Descricin xeral german.aneiros@udc.es Correo luisa.carpente@udc.es electrnico silvia.lorenzo@udc.es Cr. tericos 4 Cr. prcticos 1 Tipo Troncal Curso PrimeiroSegundo Perodo Ciclo Cdigo 614493025
http://eio.usc.es/pub/mte/index.php?option=com_content&task=view&id=35&It El objetivo de este curso es profundizar en los modelos, conceptos y resultados de la teora de juegos no cooperativos, as como presentar y analizar algunos modelos que estudian la competencia o la cooperacin en problemas de optimizacin en los que interaccionan varios agentes.
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Conocimiento de los resultados tericos incluidos en el programa. Capacidad para aplicar correctamente los resultados obtenidos a la modelizacin y resolucin de problemas de toma de decisiones en interaccin con otros decisores. Competencia para utilizar los conocimientos adquiridos en el anlisis y la interpretacin de los problemas surgidos en el mbito de las ciencias sociales y de la ingeniera. Contidos Temas Competencia y cooperacin en modelos de inventario. Competencia y cooperacin en modelos de redes. Competencia y cooperacin en modelos de colas. Competencia y cooperacin en problemas de planificacin. Juegos con informacin incompleta Subastas. Subtemas Modelos cooperativos de inventario. Modelos no cooperativos de inventario. Modelos cooperativos de redes. Modelos no cooperativos de redes. Modelos cooperativos de colas. Modelos no cooperativos de colas. Modelos cooperativos de planificacin. Modelos no cooperativos de planificacin. Equilibrio bayesiano. Tipos de subastas. Ejemplos. Planificacin Competencias da titulacin AM2 AM1 AM2 AM3 AM1 AM2 AM3 BM3 CM1
CM1 CM2 CM6
A Horas presenciais
autnomo
Sesin maxistral Aprendizaxe colaborativa Proba mixta Solucin de problemas 28 10 2 0 42 15 0 20 70 25 2 20
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Sesin maxistral Aprendizaxe colaborativa Proba mixta Solucin de problemas Descricin Los temas que componen la materia se explicarn de manera presencial y se dejar al alumno un guin de estas presentaciones. Algunos de los problemas se propondrn para ser solucionados y presentados en grupo. El alumno tendr que solucionar problemas propuestos relacionados con el contenido de la materia. Adems presentar oralmente uno de estos ejercicios. Se entregarn boletines de ejercicios que el alumno tendr que ir solucionando a lo largo del curso. Atencin personalizada Metodoloxas Aprendizaxe colaborativa Descricin El alumno podr preguntar al profesor sobre las pautas y fuentes bibliogrficas adecuadas para realizar el trabajo propuesto.
Avaliacin Metodoloxas Proba mixta Aprendizaxe colaborativa Descricin Se valorar sobre 7 puntos. Se dar un mximo de 3 puntos a la prueba en grupo. Cualificacin 70 30
Borm, P., Hamers, H. y Hendrickx, R. (2001). Operations Research Games: A Survey. . Springer Curiel, I. (1997). Cooperative Game Theory and Applications.. Kluwer Fudenberg, D. y Tirole, J. (1991). Game Theory. The MIT Press Osborne, M. y Rubinstein, A. (1994). A Course in Game Theory. . The MIT Press Tijs, S. (2003). Introduction to Game Theory. . Hindustan Book Agency.
Borm, P. y Peters, H. (2002). Chapters on Game Theory. Kluwer Hassin, R. y Haviv, M. (2003). To Queue or not to Queue. Kluwer Krishna, V. (2002). Auction Theory. Academic Press Mas-Colell, A., Whinston, M.D. y Green, J.R. (1995). Microeconomic Theory. . Oxford University Press Stability and Perfection of Nash Equilibria (1991). Stability and Perfection of Nash Equilibria. Springer-Verlag
Recomendacins Materias que se recomenda ter cursado previamente Programacin Linear e Enteira/614493005 Introduccin Teora de Xogos/614493016
Materias que se recomenda cursar simultaneamente Xogos Cooperativos/614493026
Datos Identificativos Asignatura Titulacin Descriptores Xogos Cooperativos MESTRADO UNIVERSITARIO EN TCNICAS ESTATSTICAS (Plan 2011) Crditos 5 Idioma Departamento Coordinacin Profesorado Web Matemticas Aneiros Perez, German Aneiros Perez, German http://eio.usc.es/pub/mte/ Correo german.aneiros@udc.es electrnico Cr. tericos 3.3 Cr. prcticos 1.7 Tipo Curso Perodo Ciclo Cdigo 614493026
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Programacin Matemtica MESTRADO UNIVERSITARIO EN TCNICAS ESTATSTICAS (Plan 2011) Crditos 5 Idioma Departamento Coordinacin Profesorado Web Matemticas Aneiros Perez, German Aneiros Perez, German http://eio.usc.es/pub/mte/ Correo german.aneiros@udc.es electrnico Cr. tericos 4 Cr. prcticos 1 Tipo Curso Perodo Ciclo Cdigo 614493027
A Horas presenciais
Fontes de informacin Bibliografa bsica Bibliografa complementaria Recomendacins Materias que se recomenda ter cursado previamente Programacin Linear e Enteira/614493005
Datos Identificativos Asignatura Titulacin Descriptores Traballo Fin de Mestrado MESTRADO UNIVERSITARIO EN TCNICAS ESTATSTICAS (Plan 2011) Crditos 10 Idioma Departamento Coordinacin Profesorado Matemticas Aneiros Perez, German Aneiros Perez, German Carpente Rodriguez, Maria Luisa Lorenzo Freire, Silvia Web http://eio.usc.es/pub/mte/ german.aneiros@udc.es Correo luisa.carpente@udc.es electrnico silvia.lorenzo@udc.es Cr. tericos 5 Cr. prcticos 5 Tipo Curso Perodo Ciclo Cdigo 614493028
Troncal Segundo
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Planificacin estratxica de sistemas de informacin Mestrado Universitario en Enxeara Informtica (plan 2012) Crditos 6 Idioma Departamento Coordinacin Profesorado Web Computacin Matemticas Bamonde Rodriguez, Sebastian Bamonde Rodriguez, Sebastian Correo sebastian.bamonde@udc.es electrnico Cr. tericos 6 Cr. prcticos 0 Tipo Troncal Curso Primeiro Perodo Ciclo Cdigo 614502001
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Competencias da titulacin AP1 AP2 BP1 BP2 BP3 BP4 BP5 BP6 BP7 BP8 BP9 CP1 CP2 CP3 CP4 CP5 CP6 CP7 CP8
Contidos Temas Subtemas
Planificacin
A Horas presenciais
25 10 1 20

20 36 3 30

45 46 4 50
Estudo de casos Traballos tutelados Presentacin oral Sesin maxistral
Metodoloxas Metodoloxas Estudo de casos Traballos tutelados Presentacin oral Sesin maxistral Atencin personalizada Metodoloxas Descricin Descricin
Avaliacin Metodoloxas Traballos tutelados Presentacin oral Descricin Cualificacin 80 20
Fontes de informacin Bibliografa bsica Hall
Alberto R. Lardent (2001). Sistemas de Informacin para la Gestin Empresarial. Prentice
Spewak / Zachman (1993). Enterprise Architecture Planning. John Wiley Andreu/Ricart/Valor (1990). Planif. Estrateg, de Tecnolgas y SI en la Empresa. IESE M.Summer (2005). Enterprise Resource Planning. Prentice Hall Bibliografa complementaria Recomendacins Materias que se recomenda ter cursado previamente
Datos Identificativos Asignatura Titulacin Descriptores Informtica como servizo Mestrado Universitario en Enxeara Informtica (plan 2012) Crditos 6 Idioma Casteln Galego Ingls Departamento Electrnica e Sistemas Matemticas Tecnoloxas da Informacin e as Comunicacins Coordinacin Pardo Martnez, Xon Carlos Profesorado Arregui Alvarez, Iigo Carneiro Diaz, Victor Manuel Gestal Pose, Marcos Lpez Taboada, Guillermo Pardo Martnez, Xon Carlos Web Descricin xeral O obxectivo principal desta materia darlle a coecer ao alumno un novo paradigma de computacin distribuda, o Cloud Computing (Computacin na Nube), e proporcionarlle unha visin das sas posibilidades de utilizacin no mbito empresarial. Os sistemas de Cloud Computing permite externalizar os recursos de computacin dunha organizacin a un terceiro provedor, permitindo un aprovisionamento e liberacin rpidos, transparentes, seguros e baratos dos devanditos recursos a travs de Internet. Esta flexibilidade na xestin da computacin, unida ao modelo de pago por uso dispoible nos clouds pblicos, permiten que as empresas poidan despregar rapidamente aplicacins informticas sobre sistemas que adaptan os seus recursos eficientemente en funcin do ciclo de vida natural do negocio, cos consecuentes aforros de custos e melloras na produtividade. Con todo, o seu uso tamn supn un importante reto para as empresas, que deben coecer as vantaxes e inconvintes desta tecnoloxa antes de decidir decantarse cara sa adopcin, xa que isto implica cambios significativos que afectan ao seu modelo de negocio. Doutra banda, as tecnoloxas baseadas na virtualizacin que se utilizan nos clouds pblicos tamn poden aplicarse nos centros de clculo privados das empresas para conseguir unha xestin mis eficiente, engadndolle moitas das caractersticas que proporcionan os clouds pblicos ao tempo que a informacin sensible permanece baixo o control da organizacin. Mediante as actividades previstas nesta materia o alumno coecer os conceptos bsicos e problematicas asociadas co Cloud Computing desde o punto de vista empresarial, proporcionarselle informacin sobre casos de xito no seu uso en contornas empresariais e, para coecer de primeira man a tecnoloxa, realizar prcticas sobre Clouds pblicos, desplegando e usando infraestructuras e plataformas virtualizadas e executando aplicacins distribudas desenvolvidas aplicando un novo modelo de programacin: o modelo Map/Reduce, modelo que soportado polos principais proveedores de servizos Cloud. Cr. tericos 6 Cr. prcticos 0 Tipo Troncal Curso Primeiro Perodo Ciclo Cdigo 614502004
inigo.arregui@udc.es
victor.carneiro@udc.es Correo marcos.gestal@udc.es electrnico guillermo.lopez.taboada@udc.es xoan.pardo@udc.es
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Coecer e utilizar os servizos que ofrecen clouds pblicos como Amazon EC2, Google Apps ou Microsoft Azure para a configuracin de infraestructuras virtuais e o despliegue de aplicacins. Coecer os casos de uso mais habituais na integracin de tecnoloxas Cloud en contornas empresariais. Coecer os estndares oficiais e de facto utilizados, as coma os emerxentes, no mbeto das tecnoloxas Cloud. Coecer as tecnoloxas, estndares, aspectos legais e problematicas relacionados coa xestin da seguridade e a privacidade no uso de clouds pblicos. Competencias da titulacin AP5 BP1 CP6
AP5 AP9 AP5 AP9 AP5 AP9
BP1 BP9 BP5 BP9
CP6 CP6 CP8
Coecer os modelos de custos que se aplican no uso de clouds pblicos. Coecer e utilizar o modelo de programacin Map/Reduce para desenvolver aplicacins distribuidas e desplegalas sobre infraestructuras de cloud pblicas. Habilidade para a procura, seleccin e manexo de recursos (bibliografa, software, etc.) relacionados coa computacin Cloud.
AP5 AP9 AP9 AP10
BP5 BP1 BP5
CP6
CP2 CP7 CP8
Contidos Temas Subtemas Conceptos xerais Tecnoloxas de virtualizacin Capas: SaaS, PaaS, IaaS Estndares Casos de estudo Retos e oportunidades Infraestructura como Servizo (IaaS): p.e. Amazon Web Services Plataforma como Servizo (PaaS): p.e. Google Apps, Microsoft Azure Aplicacin como Servizo (SaaS) Modelo de programacin Map/Reduce Privacidade e proteccin de datos. Aspectos legais. Modelos de facturacin de servizos. Planificacin
Tema 1. Introducin
Tema 2. Capas Tema 3. Desenvolvimento de aplicacins Tema 4. Cloud na contorna empresarial
A Horas presenciais
24 20 0 3

10 60 30 0

34 80 30 3
Sesin maxistral Prcticas a travs de TIC Traballos tutelados Proba obxectiva
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Descricin Nas que se expor o contido terico do temario inclundo exemplos ilustrativos e co soporte de medios audiovisuais. O alumno dispor do material de apoio (apuntamentos, copias das transparencias, artigos, etc.) con anterioridade e o profesor promover unha actitude activa, recomendando a lectura previa dos puntos do temario a tratar en cada clase, as como realizando preguntas que permitan aclarar aspectos concretos e deixando cuestins abertas para a reflexin do alumno. As sesins maxistrais complementaranse coa realizacin de conferencias nas que se traer algn experto externo para tratar algun tema puntual con maior profundidade. Nas que o alumno ver o funcionamento na prctica dalgns dos contidos tericos vistos nas clases maxistrais. Nestas prcticas o alumno utilizar diferentes ferramentas (clouds pblicos, contornas de programacin
Sesin maxistral
Map/Reduce, etc) propostas polo profesor que lle permitirn aprofundar e afianzar os seus coecementos sobre diferentes aspectos da computacin Cloud. As prcticas estarn prantexadas de maneira que faciliten a sa realizacin semi-presencial a aqueles alumnos que non poidan acudir s sesins presenciais. Ademais das prcticas bsicas que todos os alumnos tern que facer, propoeranse prcticas adicionais que os alumnos interesados podern realizar de maneira opcional. Proposta de traballos para a sa resolucin individual e non presencial por parte dos alumnos. Estes traballos sern opcionais e permitiranlles aos alumnos interesados en facelos aprofundar en aspectos do temario que lles interesen especialmente e que non se puideran tratar co detalle suficiente durante as sesins maxistrais. Ao final das sesins maxistrais propoerselle aos alumnos a realizacin dunha pequena proba tipo test. Para aqueles alumnos que non poidan asistir, resrvase a posibilidade de realizar unha proba nica sobre os contidos tratados nas sesins maxistrais. Atencin personalizada Metodoloxas Prcticas a travs de TIC Traballos tutelados Descricin A atencin personalizada durante as prcticas servir para orientar e comprobar o traballo que os alumnos vaian realizando segundo as indicacins que se lles proporcionen, dependendo da prctica concreta da que se trate. Para a realizacin dos traballos tutelados os profesores proporcionarn as indicacins iniciais necesarias, bibliografa para consulta e realizarn un seguimento dos avances que o alumno vaia realizando para ofrecer as orientacins pertinentes en cada caso, de modo que se asegure a calidade dos traballos de acordo aos criterios que se indiquen. Todos os profesores da materia proporn ademais un horario de titoras no que os alumnos podern resolver calquera dbida relacionada co desenvolvemento da mesma. Recomendarase aos alumnos a asistencia a titoras como parte fundamental do apoio aprendizaxe.
Traballos tutelados
Proba obxectiva
Avaliacin Metodoloxas Sesin maxistral Descricin Ao final de cada sesin maxistral realizarase unha pequena proba obxectiva tipo test sobre os contidos tratados nesa sesin. As prcticas da materia consistirn en diferentes actividades relacionadas co uso de clouds pblicos e a programacin de aplicacins Map/Reduce. Haber prcticas de realizacin obligatoria (o 30% da nota total da materia) e prcticas voluntarias (o 10% da nota total da materia). Os traballos tutelados sern opcionais e sobre algn tema a convenir entre o alumno e o profesor. A proba obxectiva resrvase para aqueles alumnos que non poideran asistir s sesins maxistrais. Consistir en preguntas tipo test sobre os contidos tratados nesas sesins. O seu valor ser o mesmo que o dos tests realizados nas sesins maxistrais (40% da nota total da materia). Cualificacin 40
40
Traballos tutelados
20
Proba obxectiva
Observacins avaliacin Co traballo obligatorio que ten que realizar o alumno (probas tipo test e prcticas obligatorias) pode conseguirse ata un 70% da nota total da materia. O 30% restante pode conseguirse mediante actividades voluntarias: un 10% con prcticas de programacin Map/Reduce e un 20% realizando un traballo tutelado. Para a segunda oportunidade (convocatoria de xullo) aplicaranse os mesmos criterios de avaliacin. Os alumnos tern a posibilidade de realizar unha proba obxectiva tipo test sobre os contidos tratados nas sesins maxistrais e unha segunda data de entrega das prcticas e traballos tutelados. Fontes de informacin
bsica
1. 2. 3.
John Rothon (2011, 2 ed). Cloud Computing Explained: Implementation Handbook for Enterprises. Recursive Press. Toby Velte, Anthony Velte, Robert C. Elsenpeter (2009). Cloud Computing, A Practical Approach. McGraw-Hill. Tom White (2011, 2 ed). Hadoop: The Definitive Guide. MapReduce for the Cloud. OReilly.
1.
Bernard Golden (2008). Virtualization For Dummies. Willey.
Materias que continan o temario Planificacin estratxica de sistemas de informacin/614502001 Calidade. seguridade e auditora informtica/614502003 Deseo de sistemas de informacin/614502007 Intelixencia de negocio/614502009 Recuperacin da informacin e web semntica/614502010 Traballo fin de mestrado/614502012
Datos Identificativos Asignatura Titulacin Descriptores Interaccin. grficos e multimedia Mestrado Universitario en Enxeara Informtica (plan 2012) Crditos Cr. tericos 6 Idioma Casteln 6 Cr. prcticos 0 Tipo Troncal Curso Primeiro Perodo Ciclo Cdigo 614502008
Departamento Electrnica e Sistemas Matemticas Tecnoloxas da Informacin e as Comunicacins Coordinacin Profesorado Dorado de la Calle, Julian Amor Lopez, Margarita Dafonte Vazquez, Jose Carlos Dapena Janeiro, Adriana Dorado de la Calle, Julian Ferreiro Ferreiro, Ana Mara Garca Naya, Jos Antonio Padron Gonzalez, Emilio Jose Web Descricin xeral Asignatura orientada a adquirir contidos innovadores e tcnicos nas reas de interaccin coa computadora (novos paradigmas e tecnoloxas de interaccin), nos grficos por computadora (coma xeracin de grficos avanzados en distintas plataformas coma a web) e tecnoloxas multimedia (dende hardware, codificacin ata xestin de contidos de audio e vdeo). margarita.amor@udc.es carlos.dafonte@udc.es adriana.dapena@udc.es Correo julian.dorado@udc.es electrnico ana.fferreiro@udc.es jose.garcia.naya@udc.es emilio.padron@udc.es
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Capacidad para entender e incorporar sistemas de interaccin Hombre-Mquina Competencias da titulacin AP13 AP14 AP15 AP13 AP14 AP15 AP10 AP13 AP10 AP13 AP14 AP15 BP1 BP4 BP1 BP3 BP4 BP1 BP1 BP3 BP4 CP2 CP2 CP8 CP2 CP8
Capacidad para entender estndares sobre grficos y ser capaz de aplicacarlos en el desarrollo de programas de visualizacin o con una importante componente grfica Capacidad de comprender y utilizar mtodos numricos en computacin grfica Capacidad de comprender e incorporar componentes de audio y vdeo de forma eficiente en sistemas informticos
Contidos Temas Nuevas tcnicas de interaccin hombremquina Estndares de animacin y programacin grfica en WEB Herramientas de visualizacin Mtodos numricos para computacin grfica Subtemas Kinect, EyeTracking WebGL, flash, HTML5 3D Rendering Geometra eucldea aplicada a la visualizacin y representacin de curvas y superficies paramtricas en 3d Integracin con mtodos de Monte Carlo
Audio/Vdeo
Introduccin a las tecnologas multimedia. Vdeo para multimedia Estndares de vdeo para multimedia Audio para multimedia MPEG4 Visual H.264/AVC H.264/SVC Planificacin
A Horas presenciais
30 2 26

30 18 39

60 20 65
Prcticas de laboratorio Proba obxectiva Sesin maxistral
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Prcticas de laboratorio Proba obxectiva Sesin maxistral Descricin Descripcin dos contidos prcticos. Se lle prantexar os alumnos exercicios ou prcticas para resolver na clase. Exame de preguntas largas ou curtas para avaliar a comprensin dos contidos tericos. Exposicin dos contidos tericos da materia. Atencin personalizada Metodoloxas Sesin maxistral Descricin En horas de tutora e seguimento dos traballos prcticos
Avaliacin Metodoloxas Prcticas de laboratorio Proba obxectiva Descricin Prcticas feitas no horario de docencia prctica, puntuadas coa metade na nota global. Exame de preguntas de desenrrolo, cortas ou test, que suponr a metade da nota global Cualificacin 50 50
Observacins avaliacin A nota mnima para aprobar ser un 5 obtido coa suma das notas de exame e prcticas sen ter que obter un mnimo en cada unha delas. Fontes de informacin
bsica
Nuevas tcnicas de interaccin hombre-mquina Meet the Kinect: An Introduction to Programming Natural User Interfaces, S. Kean, J. Hall y P. Perry (Ed. Apress) Eye Tracking: A comprehensive guide to methods and measures. Kenneth Holmqvist, Marcus Nystrom, Richard Andersson, Richard Dewhurst, Halszka Jarodzka, Joost van de Weijer. Estndares de animacin y programacin grfica en WEB Foundation HTML5 Canvas: For Games and Entertainment. Rob Hawkes (Ed. friendsofED) HTML5 Canvas. Steve Fulton y Jeff Fulton (Ed. O'Reilly) WebGL Beginner's Guide. Diego Cantor y Brandom Jones (Ed. Packt Publishing) Professional WebGL Programming: Developing 3D Graphics for the Web. Andreas Anyuru (Ed. Wrox) 3D Rendering Pharr, Matt and Humphreys, Greg. Physically Based Rendering, Second Edition: From Theory To Implementation. 2010. Morgan Kaufmann Publishers Inc. An introduction to ray tracing. 1989. Academic Press Ltd. Shirley, Peter and Morley, R. Keith. Realistic Ray Tracing. 2003. A. K. Peters, Ltd Mtodos numricos para computacin grfica "Curves and Surfaces for Computer Graphics". D. Salomon. Springer, 2005. Audio/Vdeo Rummel, Manuel. Produccin de Vdeo Digital para Multimedia. Ediciones Paraninfo, Madrid, 2001 Fries, Bruce. Audio digital prctico (medios digitales y creatividad). Anaya Multimedia, Madrid, 2005 Wootton, Cliff. Compresin de audio y vdeo (medios digitales y creatividad). Anaya Multimedia, Madrid, 2006 T. Wiegand, G. Sullivan, G. Bjontegaard, A. Luthra, Overview of H.264/AVC Video Coding Standard, IEEE Transanctions on Circuits and Systema for Video Technology, pp. 560-576, 2003 H. Schwarz, D. Marpe, T. Wiegand, Overview of the Scalable Video Coding Extension of the H.264/AVC Standard, IEEE Transanctions on Circuits and Systema for Video Technology, pp. 1103-1120, 2007
Bibliografa complementaria Bethencourt, Toms. Televisin Digital. Coleccin Beta. Temas Audiovisuales, Madrid, 2001 Watkinson, John. El Arte del Vdeo Digital. Instituto Oficial de RTVE. Madrid,1992 Pohlmann K.C. Principios del audio digital, McGraw Hill, 2002 Snchez J.M. Fotografa digital, Anaya Multimedia, 2003 Zabaleta, Iaki. Tecnologa de la Informacin Audiovisual. Bosch Comunicacin, Barcelona, 2003
Crespo, Julio. DVD, DIVX y Otros Formatos de Vdeo Digital. Anaya Multimedia, Madrid, 2003 Martnez, Jos. Manual bsico de tecnologa audiovisual y tcnicas decreacin, emisin y difusin de contenidos. Paids, Barcelona, 2004 Recomendacins Materias que se recomenda ter cursado previamente
Datos Identificativos Asignatura Titulacin Descriptores Clculo GRAO EN ENXEARA INFORMTICA Crditos 6 Idioma Casteln Cr. tericos 6 Cr. prcticos 0 Tipo Troncal Curso Primeiro Perodo 1 cuadrimestre Ciclo Cdigo 614G01003
Departamento Matemticas Coordinacin Profesorado Cendan Verdes, Jose Jesus Arregui Alvarez, Iigo Cendan Verdes, Jose Jesus Ferreiro Ferreiro, Ana Mara Garcia Abel, Marta Hervella Nieto, Luis Maria Iglesias Otero, Maria Teresa Web Descricin xeral http://http://dm.udc.es/elearning/ En esta asignatura se explican conceptos del anlisis de funciones reales de una variable real (continuidad, derivabilidad, integracin, ...) y series (numricas, de potencias, ...), con aplicaciones en problemas reales de optimizacin y aproximacin de funciones. Correo electrnico inigo.arregui@udc.es jesus.cendan.verdes@udc.es ana.fferreiro@udc.es marta.gabel@udc.es luis.hervella@udc.es maria.teresa.iotero@udc.es
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Saber analizar funciones de una variable real: - Lmites, continuidad, derivacin, optimizacin y representacin grfica - Integracin definida e indefinida, y su aplicacin al clculo de longitudes, superficies y volmenes - Aproximacin mediante series de potencias Competencias da titulacin A1 A3 A64 B9 B10 B11 B12 C2 C3 C4 C6 C7 C8 C2 C3 C4 C6 C7 C8
Saber utilizar una aplicacin informtica de clculo simblico y computacional para el desarrollo de los contenidos de la asignatura
A1 A3 A64
B9 B10 B11 B12
Contidos Temas Subtemas Conjuntos de nmeros. Funciones reales de variables real Funciones elementales Lmite de una funcin en un punto Continuidad Mtodo de biseccin Derivabilidad Derivada de funciones elementales Extremos relativos y absolutos Teoremas de clculo diferencial Aplicaciones inmediatas de la derivacin Derivadas sucesivas Teorema de Taylor Interpolacin de Lagrange Derivacin implcita, paramtrica y logartmica
Funciones reales de una variable real
Clculo diferencial de funciones reales de una variable real
- Mtodo de Newton-Raphson La integral de Riemann Mtodos elementales para el clculo de primitivas Integrales impropias Aplicaciones de la integral Introduccin a las ecuaciones diferenciales. Integracin numrica
Clculo integral de funciones reales de una variable real
Series numricas y de potencias
- Sucesiones de nmeros - Series de nmeros. Series de nmeros positivos - Series de potencias - Conceptos generales - Clculo diferencial e integral - Sucesiones y series Planificacin
Clculo con Matlab
A Horas presenciais
30 20 10 3

39 30 15 3

69 50 25 6
Sesin maxistral Prcticas de laboratorio Seminario Proba mixta
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Descricin - Con ayuda del can de video, se proyectarn transparencias (facilitadas previamente a los alumnos) que contendrn un guin de la asignatura - Se explicar la teora apoyndose en la pizarra y aportando ejemplos clarificadores - Se usarn applets creados explcitamente para la asignatura y otros disponibles en internet para ilustrar algunos aspectos de la materia - Se ensear el uso del paquete informtico Matlab, con el que se usarn o implementarn herramientas del clculo simblico y numrico - Se resolvern, con la ayuda de Matlab, problemas de la asignatura - Se resolvern dudas de los alumnos, as como trabajos y ejercicios que sern de los boletines de problemas o propuestos por el profesor Se realizar un examen escrito - Consistir en una coleccin de cuestiones tericas y de problemas (del mismo tipo que los propuestos en los seminarios y en los boletines de ejercicios) Atencin personalizada Metodoloxas Prcticas de laboratorio Seminario Descricin - La diversidad del alumnado y de su formacin hace recomendable una orientacin, que podra llevarse a cabo en el marco de una accin tutorial - En las prcticas de laboratorio, el profesor presente en el aula ayudar a los alumnos en el desarrollo de estas prcticas, instruyndoles en el manejo del paquete informtico Matlab y ayudndoles a comprender algunos aspectos
Sesin maxistral
Seminario
Proba mixta
tericos y prcticos de la asignatura - Durante los seminarios, el profesor ayudar a los alumnos en la resolucin de ejercicios tericos y de aplicacin.
Avaliacin Metodoloxas Prcticas de laboratorio Seminario Proba mixta Descricin Resolucin de problemas de la asignatura con la ayuda de Matlab Resolucin de trabajos y ejercicios de teora de la materia y sus aplicaciones. Examen de teora y ejercicios de la materia Cualificacin 30 10 60
Observacins avaliacin La evaluacin de la asignatura consta de dos partes: 1.- La primera parte consiste en la realizacin de un examen de teora y ejercicios de la materia (en las fechas aprobadas por la Junta de Facultad) que puntuar un mximo de seis puntos. 2.- La segunda parte corresponde a los seminarios y las prcticas de ordenador, a los que se les asignarn uno y tres puntos respectivamente. Dicha calificacin se obtendr mediante la realizacin de ejercicios, trabajos, memoranda y/ o exmenes realizados a lo largo del cuatrimestre o al final del mismo Fontes de informacin Bibliografa bsica
A. Garca, A. Lpez, G. Rodrguez, S. Romero, A. De La Villa (2002). Clculo (vol. 1). CLAGSA R.T. Smith, R.B. Minton (2003). Clculo 1. McGraw-Hill G.L. Bradley, K.J. Smith (1998). Clculo 1. Prentice Hall J. Stewart (2001). Clculo de una variable. Thomson Learning M.T. Iglesias Otero (2011). MatLab para Clculo en una variable. Andavira
F. Gallindo Soto, J. Sanz Gil, L.A. Tristn Vega (2003). Gua prctica de Clculo Infinitesimal en una variable real. Thomson A. Estvez Andreu, J. Enciso Pizarro (2005). Matemticas (serie "Aprueba tu examen con Schaum"). McGraw-Hill V. Tomeo Perucha, I. Ua Jurez, J. San Martn Moreno (2005). Problemas resueltos de Clculo en una variable. Thomson
Recomendacins Materias que se recomenda ter cursado previamente Estatstica/614G01008
Observacins Se recomienda haber cursado las materias de Matemticas en el Bachillerato
Datos Identificativos Asignatura Titulacin Descriptores Estatstica GRAO EN ENXEARA INFORMTICA Crditos 6 Idioma Departamento Coordinacin Profesorado Casteln Matemticas Costa Bouzas, Julian Aneiros Perez, German Costa Bouzas, Julian Fernndez Casal, Rubn Lombarda Cortia, Mara Jos Lorenzo Freire, Silvia Presedo Quindimil, Manuel Antonio Vilar Fernandez, Juan Manuel Web Descricin xeral Estadstica descriptiva. Anlisis exploratorio de datos. Probabilidad. Modelos de probabilidad. Inferencia estadstica. german.aneiros@udc.es julian.costa@udc.es ruben.fcasal@udc.es Correo maria.jose.lombardia@udc.es electrnico silvia.lorenzo@udc.es manuel.antonio.presedo.quindimil@udc.es juan.vilar@udc.es Cr. tericos 6 Cr. prcticos 0 Tipo Troncal Curso Primeiro Perodo 2 cuadrimestre Ciclo Cdigo 614G01008
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Saber modelizar probabilistas. en contextos aleatorios sencillos empleando herramientas Competencias da titulacin A1 B9 B10 B11 B12 C2 C3 C4 C6 C7 C8 C2 C3 C4 C6 C7 C8 C2 C3 C4 C6 C7 C8
Saber analizar datos mediante tcnicas descriptivas y realizar inferencia de caractersticas poblacionales a partir de informacin parcial, obtenida con muestreo aleatorio, mediante tcnicas estadsticas.
A1
B9 B10 B11 B12
Saber utilizar herramientas informticas auxiliares a la Estadstica: paquetes estadsticos y lenguajes de programacin con orientacin estadstica; y saber interpretar de forma crtica los resultados obtenidos.
A1
B9 B10 B11 B12
Contidos Temas Probabilidad Subtemas Definicin de probabilidad. Propiedades Probabilidad condicionada. Teorema de Bayes Variables aleatorias discretas Variables aleatorias continuas Teorema central del lmite Simulacin Distribuciones de frecuencias
Variables aleatorias
Estadstica descriptiva
Representaciones grficas Medidas de posicin y de dispersin Introduccin Estimacin puntual Intervalos de confianza Contrastes de hiptesis paramtricos Contrastes de hiptesis no paramtricos Regresin lineal simple Regresin no lineal Planificacin
Inferencia estadstica
Regresin simple
A Horas presenciais
30 20 10 4

48 16 10 0

78 36 20 4
Sesin maxistral Prcticas de laboratorio Seminario Proba mixta
12
12
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Sesin maxistral Descricin El alumno recibir clases magistrales en las que el profesor, con la ayuda de los medios audiovisuales pertinentes, expondr los contenidos terico-prcticos de la asignatura. Se fomentar en todo momento la participacin y el debate. Las prcticas de laboratorio se impartirn en un laboratorio informtico. Se aprender a utilizar el programa gratuito de orientacin estadstica y grfica R, se aprendern sus estructuras de programacin y se realizarn estudios estadsticos de datos, tanto reales como simulados. Los seminarios reforzarn tanto el carcter aplicado de la asignatura como su interactividad. Los alumnos podrn exponer sus dudas e inquietudes referidas a la materia, y tendrn la oportunidad de realizar, con la gua del profesor, problemas similares a los de los exmenes. Adems, con una atencin muy individualizada, podrn complementar las prcticas de laboratorio. El alumno deber demostrar su dominio de los aspectos tericos de la materia y su capacidad para la resolucin de problemas del mbito de la probabilidad y de la estadstica. Atencin personalizada Metodoloxas Sesin maxistral Prcticas de laboratorio Seminario Descricin Para un adecuado seguimiento de la materia, es importante que el alumno consulte con el profesor los avances que se van realizando progresivamente a lo largo del curso, y sus inquietudes al respecto, para que el profesor pueda ofrecer las orientaciones necesarias en cada caso para ayudarle a consolidar los conocimientos adquiridos y asegurar la calidad de los resultados globales. Esta atencin personalizada le servir tambin al profesor para detectar posibles deficiencias en la metodologa utilizada al impartir la materia y avanzar en el objetivo de la mejora continua.
Seminario
Proba mixta
Avaliacin Metodoloxas Descricin El alumno elaborar ejercicios de las prcticas de laboratorio diseadas especficamente para evaluar su seguimiento de la materia. La correcta cumplimentacin de estos ejercicios ser supervisada por el profesor en el aula. A lo largo del curso, el alumno demostrar su inters por la materia y su dominio de la misma realizando dos pruebas escritas (controles), cada una con una calificacin mxima del 10%. Las dos pruebas se correspondern con los temas 1 y 2 de la asignatura. El alumno elaborar una memoria original a lo largo del curso (memoria de las prcticas de laboratorio). La primera parte del examen final de la materia, con un valor del 20%, consistir en responder por escrito preguntas sobre la memoria. La segunda parte del examen final, con un valor del 50%, consistir en realizar una prueba escrita terico-prctica. Cualificacin
10
Seminario
20
Proba mixta
70
Observacins avaliacin El alumno acabar el perodo de clases con un mximo de un 30% de la calificacin, que obtendr a travs de dos controles escritos (10% cada uno) y de la evaluacin de las prcticas de laboratorio (10%). El da del examen final (cuya fecha establece la Facultad en su programacin anual) el alumno se examinar por escrito de la memoria de las prcticas de laboratorio (20%); para esa prueba, el alumno deber llevar consigo la propia memoria impresa; la memoria ser original del alumno; el alumno entregar un copia digital de la memoria antes del da del examen, conforme al plazo y procedimiento que se anunciarn con suficiente antelacin; no entregar en plazo la memoria equivaldr a la renuncia de su evaluacin. Ese mismo da realizar, tambin por escrito, la segunda parte del examen final de la materia (50%), en la que tendr que responder a preguntas tericas, resolver cuestiones terico-prcticas, y calcular la solucin de diversos problemas; para esta prueba el alumno slo podr llevar consigo el material que se autorice de forma expresa (del tipo de bolgrafo o calculadora). La nota obtenida el da del examen final (70% = 20% + 50%) se reescalar de forma que el alumno tenga la oportunidad de sacar la calificacin mxima de 100 puntos ( 100%), aun cuando no haya sido capaz de consolidar la totalidad de los 30 puntos que se podan obtener previos a este da. Fontes de informacin Bibliografa bsica
Cao, R., Francisco, M., Naya, S., Presedo, M.A., Vzquez, M., Vilar, J.A. y Vilar, J.M. (2001). Introduccin a la Estadstica y sus aplicaciones. Ediciones Pirmide Ugarte, M.D., Militino, A.F., Arnholt, A.T. (2008). Probability and Statistics with R. Chapman and Hall/CRC
Devore, J.L. (2005). Probabilidad y Estadstica para Ingeniera y Ciencias. Thomson Gonick, L. y Smith, W. (2001). estatstica en caricaturas!. SGAPEIO Hernndez, V., Ramos, E. y Yez, I. (2007). Probabilidad y sus aplicaciones en Ingeniera Informtica. Ediciones Acadmicas Horgan, J.M. (2009). Probability with R. An Introduction with Computer Science Applications. Wiley Montgomery, D.C. y Runger, G.C. (2004). Probabilidad y Estadstica aplicadas a la Ingeniera. McGraw-Hill R Development Core Team (2000). Introduccin a R. http://www.r-project.org/
Recomendacins Materias que se recomenda ter cursado previamente Clculo/614G01003
Datos Identificativos Asignatura Titulacin Descriptores Xestin de Proxectos GRAO EN ENXEARA INFORMTICA Crditos 6 Idioma Casteln Cr. tericos 6 Cr. prcticos 0 Tipo Troncal Curso Terceiro Perodo 1 cuadrimestre Ciclo Cdigo 614G01021
Departamento Matemticas Tecnoloxas da Informacin e as Comunicacins Coordinacin Profesorado Andrade Garda, Javier Andrade Garda, Javier Carpente Rodriguez, Maria Luisa Garca Jurado, Ignacio Surez Garaboa, Sonia Maria Web Descricin xeral Esta asignatura aborda aspectos altamente relevantes para cualquier graduado en ingeniera informtica: la planificacin de proyectos y su seguimiento, as como la gestin de riesgos y la programacin lineal y entera aplicada a la planificacin de proyectos. Por ltimo, tambin se introduce la gestin de las configuraciones software. Ms concretamente, se busca que el alumno entienda que el proceso de ingeniera debe estar gobernado, entre otros, fundamentalmente por criterios de organizacin y de gestin. Correo electrnico javier.andrade@udc.es luisa.carpente@udc.es ignacio.garcia.jurado@udc.es sonia.suarez@udc.es
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Saber realizar la planificacin de un proyecto, la gestin de sus recursos y sus riesgos, as como el seguimiento del mismo. Competencias da titulacin A8 A22 A29 A49 A50 B1 B3 B4 B6 B7 B8 B9 B10 B11 B12 B13 B14 B15 B16 B1 B3 B4 B6 B7 B9 B10 B11 B12 B13 B14 B15 B16 B3 B4 B6 B7 B9 C1 C3 C4 C6 C7
Conocer tcnicas de modelado y optimizacin de proyectos, determinacin del camino crtico, nivelacin y asignacin de recursos.
A1 A8 A22 A49 A64
C1 C3 C4 C6 C7
Saber utilizar herramientas de apoyo a la planificacin y gestin de proyectos.
A46 A52 A56
C3 C4 C6 C7
B10 B11 B12 B13 B14 B16 B17 Aprender tcnicas efectivas de comunicacin interpersonal y de negociacin. A9 A29 B1 B4 B9 B10 B11 B12 B13 B14 B16 C1 C4
Planificacin
A Horas presenciais
20 2 2 30 8

20 12 10 30 16

40 14 12 60 24
Prcticas de laboratorio Presentacin oral Proba obxectiva Sesin maxistral Traballos tutelados
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Prcticas de laboratorio Presentacin oral Proba obxectiva Sesin maxistral Traballos tutelados Atencin personalizada Metodoloxas Prcticas de laboratorio Presentacin oral Descricin Descricin
Sesin maxistral Traballos tutelados
Avaliacin Metodoloxas Proba obxectiva Prcticas de laboratorio Presentacin oral Descricin Cualificacin 60 40 0
Fontes de informacin Bibliografa bsica Bibliografa complementaria Recomendacins Materias que se recomenda ter cursado previamente Estatstica/614G01008 Administracin e Xestin de Organizacins/614G01009 lxebra/614G01010 Proceso Software/614G01019
Materias que se recomenda cursar simultaneamente Aseguramento da Calidade/614G01028 Aseguramento da Calidade/614G01223
Materias que continan o temario Proxectos de Dsenvolvemento Software/614G01087
Datos Identificativos Asignatura Titulacin Descriptores Xestin de Proxectos GRAO EN ENXEARA INFORMTICA Crditos 6 Cr. tericos 3 Cr. prcticos 3 Tipo Troncal Curso Perodo Ciclo Cdigo 614G01203
Curso de 1 Grao Adaptacin cuadrimestre Enxeeiros Tc. en Informtica
Idioma Departamento Coordinacin Profesorado Matemticas Tecnoloxas da Informacin e as Comunicacins Hernandez Almaraz, Joaquin Carpente Rodriguez, Maria Luisa Garca Jurado, Ignacio Hernandez Almaraz, Joaquin Web luisa.carpente@udc.es Correo ignacio.garcia.jurado@udc.es electrnico joaquin.hernandeza@udc.es
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Saber realizar a planificacin dun proxecto, a xestin dos seus recursos e os seus riscos, as como o seguimento deste. Competencias da titulacin A8 A29 A49 A50 B1 B3 B4 B6 B7 B8 B9 B10 B11 B12 B13 B14 B15 B16 B1 B3 B4 B6 B7 B9 B10 B11 B12 B13 B14 B15 B16 B3 B4 B6 B7 B9 B10 B11 B12 B13 B14 C1 C3 C4 C6 C7
Coecer tcnicas de modelado e optimizacin de proxectos, determinacin do camio crtico, nivelacin e asignacin de recursos.
A1 A8 A49 A64
C1 C3 C4 C6 C7
Saber utilizar ferramentas de apoio planificacin e xestin de proxectos.
A46 A52 A56
C3 C4 C6 C7
B16 B17 Contidos Temas Subtemas Tema Tema Tema Tema Tema 1. 2. 3. 4. 5. Modelos de programacin lineal e aplicacins Programacin lineal enteira Xestin de proxectos Planificacion de Proxectos Xestin de riscos
Teora
Prctica
Exercicios de programacin lineal e enteira Prctica de programacin lineal e enteira Prctica de planificacin e seguimento de proxectos: Redaccin do anteproxecto Prctica de planificacin e seguimento de proxectos: Realizacin do anteproxecto
Planificacin
A Horas presenciais
2 21 6 14

12 42 24 28

14 63 30 42
Proba obxectiva Sesin maxistral Traballos tutelados Prcticas de laboratorio
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Proba obxectiva Sesin maxistral Descricin Exame escrito para valorar os coecementos tericos e prcticos adquiridos ao longo do curso. O mtodo maxistral empregarase para a presentacin dos coecementos tericos relacionados cos distintos temas O traballo autnomo e en grupo tutelado permite aos alumnos levar a prctica, a travs de exercicios e prcticas relativas a proxectos propostos por eles mesmos, os coecementos adquiridos ao longo do curso. O traballo autnomo fundamentalmente permite aos alumnos o desenvolvemento detallado das prcticas e o coecemento e manexo das ferramentas informticas de soporte anteriormente mencionadas. As clases de prcticas dedicaranse a realizar as prcticas e exercicios vinculados ao temario exposto a travs do mtodo maxistral, manexando ferramentas informticas de soporte Atencin personalizada Metodoloxas Sesin maxistral Descricin Combinarase o mtodo expositivo maxistral coas prcticas sobre ordenador, nas que se conxurar o traballo autnomo e en grupo tutelado.
Traballos tutelados
Traballos tutelados Prcticas de laboratorio
O mtodo maxistral empregarase para a presentacin dos coecementos tericos relacionados cos distintos temas. As clases de prcticas dedicaranse a realizar as prcticas e exercicios vinculados ao temario exposto a travs do mtodo maxistral, manexando ferramentas informticas de soporte. O traballo autnomo e en grupo tutelado permite aos alumnos levar a prctica, os coecementos adquiridos ao longo do curso. En todo momento se fomentar a participacin dos alumnos.
Avaliacin Metodoloxas Descricin Valorarase: Memoria entregada da Nivel tcnico da - Completitud, claridade e xustificacins Dominio dos coecementos - Participacin activa na prctica. prctica. prctica. da prctica. adquiridos. Cualificacin
30
Proba obxectiva
Dominio dos coecementos tericos e prcticos da materia a travs dun exame escrito individual. A parte terica da proba supn o 40% desta.
70
O obxectivo da avaliacin constatar que os alumnos posen as competencias fundamentais necesarias e realizarase en dous momentos temporais distintos: - Unha vez finalizada as prcticas, tanto de de planificacin e seguimento de proxectos, como de programacin lineal e/ou enteira. A Prctica Prctica Ao nota finalizar final de o cada curso, alumno mediante obterase escrito planificacin de e seguimento lineal un segundo exame o escrito a individual. continuacin: 70%. 20%. 10%
indicado
Exame de
individual: de e/ou proxectos: enteira:
programacin
Para aprobar a materia preciso obter unha puntuacin global mnima de 5 puntos sobre 10 e cumprir as seguintes restricins: necesario ter un mnimo de 4.5 puntos sobre 10 na prctica.
- necesario ter un mnimo de 4.5 puntos sobre 10 no exame escrito individual. En caso de que non se cumprise algn mnimo dos dous anteriores, a nota que figurar para a materia ser a da prctica, se esta non estivese aprobada, ou a do exame en caso de que a prctica si se tivese aprobado. Aspectos a ter en conta:
- Os grupos de alumnos para realizar as prcticas formaranse baixo as directrices dos profesores.
- Na avaliacin da prctica de planificacin e seguimento de proxectos valorarase o nivel tcnico do traballo e a completitud, claridade e exposicin deste. - A nota asignada prctica de planificacin e seguimento de proxectos inicialmente ser a que reciban todos os membros do grupo que a defendan, sen prexuzo de modificacin sobre a base da participacin activa individual de cada un. - Na prctica de programacion lineal e/ou enterea, valorarase a capacidade de modelar unha situacin de conflito nun proxecto e resolvela, mediante o software recomendado, as como interpretar de xeito axeitado a devandita solucin. Os alumnos que non superen a materia tern que demostrar a correcta adquisicin das competencias fundamentais desta mediante a realizacin dun novo exame suxeito s restricins indicadas anteriormente. Ademais, aqueles alumnos que non superasen a prctica de planificacin e seguimento de proxectos debern refacela ata que esta cumpra cos requisitos mnimos esixidos, sendo entregada para a sa avaliacin por parte dos profesores e defensa con data lmite o da do exame da segunda oportunidade.
- Ingeniera del software. Un enfoque prctico. Roger S. Pressman. 7 edicin. McGraw-Hill. - Software engineering. Ian Sommerville. 9 edicin. Addison-Wesley. - Desarrollo y gestin de proyectos informticos. Steve McConnell. McGraw-Hill. - IEEE standard for software configuration management plans. Estndar IEEE 828-1990. - IEEE guide to software configuration management. Gua IEEE 10421987. - Planificacin asistida por ordenador: Microsoft Office Project Professional 2010. Javier Andrade Garda y Sonia M. Surez Garaboa. Manual de Profesores. - Manuales de usuario de la herramienta MS-Project 2010. - Gestin de proyectos. Ted Klastorin.Alfaomega grupo editorl. 2010. - "Investigacin operativa". Quintn Martn Martn. Pearson educacin. 2003. - "Investigacin operativa. Problemas y ejercicios resueltos". Quintn Martn Martn; M Teresa Santos Martn; Yanira del Rosario de Paz Santana. Pearson educacin. 2005. - "Programacin Matemtica". Salazar Gonzalez, J.J.. Ediciones Diaz de Santos. 2001.
- Ingeniera del software. Aspectos de gestin. Tomo 1: Conceptos bsicos, teora, ejercicios y herramientas. Romn Lpez-Cortijo y Garca y Antonio de Amescua Seco. Instituto Ibrico de la Industria del Software (www.iiis.es). - Project management prctico. Tcnicas, herramientas y documentos. J. Eduardo Caamao. Ed. Crculo rojo-Docencia (www.pmpractico.com) - Interfaces, tcnicas y prcticas. MTRICA versin 3. Ministerio de las Administraciones Pblicas: http://www.csi.map.es/csi/metrica3/. - Software Engineering Institute (SEI): http://www.sei.cmu.edu/. - European Software Institute (ESI): http://www.esi.es/. - "Programacin lineal y flujo en redes".Bazaraa M Limusa. 2005. - "Investigacin de operaciones".Winston W..Paraninfo. 2005.
Observacins
A materia ten un carcter eminentemente prctico, polo que fundamental que os alumnos saiban aplicar os coecementos tericos aprendidos prctica
Datos Identificativos Asignatura Titulacin Descriptores DOCUMENTACIN E ESTADSTICA SANITARIA GRAO EN FISIOTERAPIA Crditos 6 Idioma Casteln Galego Departamento Fisioterapia Matemticas Coordinacin Paseiro Ares, Gustavo Profesorado Bello Rodriguez, Olalla Estevez Perez, Maria Graciela Jacome Pumar, Maria Amalia Paseiro Ares, Gustavo Quintela Del Rio, Alejandro Web Descricin xeral El propsito de la asignatura es ofrecer los fundamentos conceptuales necesarios para entender de una manera adecuada ciertos fenmenos a los que se hace continua referencia en el resto de asignaturas de grado: el fenmeno de la informacin, el del conocimiento, la bsqueda de informacin, el anlisis estadstico de la informacin y las nuevas tecnologas. Se trata de una asignatura en la que se hace hincapi en la reflexin crtica sobre estos fenmenos. Los contenidos son transversales, con la intencin de que el estudiante integre las herramientas necesarias para recuperar y manejar la informacin de una forma eficiente; y de esta forma solucionar los problemas que se planteen en las asignaturas terico-prcticas y clnicas de la titulacin. Con el estudio de esta asignatura se pretende que los estudiantes de fisioterapia conozcan los conceptos y procedimientos bsicos para el aprendizaje de habilidades y estrategias de obtencin de informacin, diseo para la recogida de datos y anlisis estadstico de los mismos, permitindoles identificar los elementos bsicos que intervienen en un contexto de flujo informativo. Correo electrnico Cr. tericos 4 Cr. prcticos 2 Tipo Troncal Curso Cuarto Perodo 1 cuadrimestre Ciclo Cdigo 651G01028
olalla.bello@udc.es graciela.estevez.perez@udc.es maria.amalia.jacome@udc.es gustavo.paseiro@udc.es alejandro.quintela@udc.es
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Justificar la necesidad de la documentacin en relacin al crecimiento de la informacin cientfica existente, definirla y formular sus objetivos. Desarrollar los factores claves que configuran la Sociedad de la Informacin. Identificar las perspectivas internacionales de la iniaciativa eEurope en relacin a la Sociedad de la Informacin en el mbito de la salud y las perspectivas nacionales en la Accin Info XXI. Describir los diversos tipos de fuentes de informacin. Manejar los diversos tipos de documentos primarios y secundarios aplicables a las Ciencias de la Salud. Analizar las caractersticas formales de las fuentes primarias en papel y electrnicas. Manejar las principales formas de acceso a las revistas en papel y electrnicas. Delimitar sus principales ventajas e inconvenientes, y establecer sus criterios de evaluacin en Ciencias de la Salud. Manejar la normativa Vancouver. Establecer la estructura, el estilo y enumerar las faltas frecuentes de las secciones Competencias da titulacin A12 A12 A12 B11 B15 B11 B15 B11 B15 B11 B15 B11 B15 C3 C7 C3
A12 A12
A12 A12
B11 B15 B11
C3 C6 C3
Introduccin, Material y Mtodos, Resultados, Discusin, Conclusin y Bibliografa en la elaboracin de un artculo cientfico en Ciencias de la Salud. Enunciar la descripcin bibliogrfica y sus principales caractersticas. Emplear los modos ms habituales de citar y construir las referencias bibliogrficas en Ciencias de la Salud. Delimitar la importancia de la obtencin de informacin en la sociedad actual y describir los conceptos fundamentales de la recuperacin de informacin orientada a las Ciencias de la Salud. Definir la estrategia general de la bsqueda bibliogrfica, manejar una hoja de control de la bsqueda y localizacin de las fuentes de informacin y escoger las herramientas para su recuperacin. Definir y emplear el concepto de tesauro destacando la importancia de los tesaurus en ciencias de la salud tipo MeSh y los encabezamientos de materias y desarrollar el concepto de filtro metodolgico como herramienta para recuperar informacin de calidad. Definir el concepto de Base de Datos. Emplear los tipos de Bases de Datos aplicables a las Ciencias de la Salud y analizar sus principales caractersticas. Identificar la literatura cientfica en funcin de la rapidez de su envejecimiento y calcular la obsolescencia de la documentacin mediante la Vida media y el ndice de Price. Analizar el concepto de dispersin de la literatura cientfica, definir la ley de Bradford de dispersin de la literatura cientfica y justificar sus principales aplicaciones. Manejar la red como recurso de informacin en Ciencias de la Salud. A12
B15 B11 B15 B11 B15 B11 B15 B11 B15
C6 C7 C3 C6 C7 C3 C6 C7 C3 C6 C7 C3 C6 C7 C3 C6 C7 C3 C6 C7
A12
A12
A12
B11 B15 B11 B15
A12
A12
B11 B15 B9 B11 B15
C3 C6 C7 C3 C6 C7 C8 C6 C7 C8 C6 C7 C8
situar la realidad de las Ciencias de la Salud dentro del modelo basado en evidencias, conocer sus pros y sus contras as como sus posibles aplicaciones a la prctica profesional del fisioterapeuta. Analizar datos mediante tcnicas descriptivas y realizar inferencia de las caractersticas de las poblaciones a partir de informacin parcial obtenida por muestreo aleatorio. Utilizar herramientas informticas auxiliares a la Estadstica e interpretar los resultados obtenidos.
A11 A12
A12
A12
Contidos Temas BLOQUE DE DOCUMENTACIN Unidad I: DE LA SOCIEDAD DE LA INFORMACIN AL DOCUMENTO CIENTFICO 1.1.- Definicin de Documentacin 1.2.- Las Tecnologas de la Informacin y Comunicacin y la Sociedad de la Informacin 1.3.- La normativa e-Europe 1.4.- El plan de accin Espaa.es 2.1.- Las habilidades de informacin y la tecnologa documental 2.2.- Normas sobre la alfabetizacin en informacin 3.1. Introduccin a las fuentes de informacin 3.2. Clasificacin segn el soporte en que se transmite la informacin. 3.3. Clasificacin segn la facilidad de acceso al contenido. 3.4. Clasificacin segn el nivel de informacin proporcionado. 3.5. Clasificacin segn la posibilidad de acceso a las fuentes publicadas. 3.6. Clasificacin segn su temtica Subtemas
Tema 1.- La documentacin y la sociedad de la informacin
Tema 2.- La Alfabetizacin Informacional
Tema 3.- Fuentes de informacin bibliogrfica
Tema 4.- El sistema de informacin Unidad II: PUBLICACIN DE ARTCULOS CIENTFICOS EN CIENCIAS DE LA SALUD
4.1. La cadena documental 4.2. El anlisis y la recuperacin del contenido
Tema 5.- Las revistas cientficas en Ciencias de la Salud
5.1.- Las revistas en papel. Ventajas e inconvenientes 5.2.- Las revistas electrnicas. Ventajas e inconvenientes
Tema 6.- Requisitos de uniformidad para la presentacin de originales en revistas cientficas en Ciencias de la Salud: Normativa Vancouver 7.1. Introduccin. Estructura, estilo y faltas frecuentes. 7.2. Material y mtodos. Estructura, estilo y faltas frecuentes. 7.3. Resultados. Estructura, estilo y faltas frecuentes. 7.4. Discusin. Estructura, estilo y faltas frecuentes. 7.5. Conclusin. Estructura, estilo y faltas frecuentes. 7.6. Bibliografa. Objetivos, estructura, estilo y faltas frecuentes
Tema 7.- Estructura de un trabajo cientfico.
Unidad III: LA RECUPERACIN DE LA INFORMACON 8.1.- Definicin del proceso de bsqueda y recuperacin de la informacin 8.2.- Descripcin de los elementos que intervienen en el proceso 8.3.- Estrategia general de la bsqueda segn la fuente utilizada 8.4.- Fases del proceso 9.1.- Control del vocabulario en la recuperacin de la informacin 9.2.- Definicin del lenguaje documental. Tipologa. 9.3.- Los tesaurus 10.1.- Las bases de datos: tipologa, estructuracin y funcin. 10.2.- La bsqueda de artculos o informes biomdicos. 10.3.- Los buscadores. Caractersticas, evaluacin y uso. 10.4.- Nuevos modelos de recuperacin de la informacin: el modelo espacio vectorial. 11.1.- Valoracin crtica de la investigacin. Tema 11: Evaluacin de la recuperacin y los vicios informacionales. 11.2.- Importancia de los hallazgos. 11.3.- Anlisis documental. 11.4.- Vicios Informacionales. 12.1 Anlisis del impacto de las publicaciones cientficas. 12.2 Obsolescencia de los artculos cientficos. Tema 12: Introduccin a la Bibliometra 12.3 Indicadores bibliomtricos. 12.4 Los colegios invisibles. Tema 13: Diseminacin Selectiva de Informacin
Tema 8: Introduccin al proceso de bsqueda y recuperacin de informacin
Tema 9: El lenguaje y la recuperacin de la informacin
Tema 10: Sistemas de recuperacin de la informacin
13.1.- Diseminacin y utilizacin de la investigacin. 13.2.- Barreras a la utilizacin. Unidad IV: INTERNET PARA FISIOTERAPEUTAS Tema 14.- Introduccin a Internet. Historia Tema 15.- Herramientas de Internet. Navegacin. Correo electrnico 16.1.- El paciente Internet Positivo. Tema 16.- Valoracin de la calidad de la informacin sanitaria en Internet 16.2.- La telemedicina
17.1. Metodologa de bsqueda. 17.2. Guas de prctica clnica en Internet Tema 17.- Bsquedas en Internet 17.3.- Principales Bases de datos.
18.1. Buscadores especializados en Ciencias de la Salud. 18.2. Metabuscadores y multibuscadores en Salud Tema 18.- Recursos de salud para fisioterapeutas. 18.3. Repertorios 18.4. Portales electrnicos
Tema 19.- La biblioteca virtual Unidad V: FISIOTERAPIA BASADA EN LA EVIDENCIA 20.1. Definicin de evidencia y su aplicacin 20.2. Niveles de evidencia 20.3. Pasos clave en el proceso Tema 20.- Introduccin a la Fisioterapia Basada en la Evidencia. 20.4. Criterios de valoracin de artculos sobre tratamiento, diagnstico o pronstico. 20.5. Problemas de un modelo basado en evidencias.
Tema 21.- El proceso de bsqueda de informacin en Fisioterapia Basada en la Evidencia.
21.1. Planificacin de preguntas contestables 21.2. Las revisiones sistemticas. 22.1. Herramientas Basadas en Evidencias 22.2. Base de datos Cochrane
Tema 22.- Recursos de Fisioterapia basada en la evidencia.
BLOQUE DE ESTADISTICA I. ESTADSTICA DESCRIPTIVA. 1. Conceptos generales. 2. Distribuciones de frecuencias. 3. Representaciones grficas. 4. Medidas caractersticas: medidas de posicin, de dispersin y de forma. 1. Vectores estadsticos. 2. Distribuciones de frecuencias.
Descripcin estadstica de una variable
Descripcin estadstica conjunta de varias variables.
3. Representaciones grficas. 4. Medidas caractersticas: vector de medias, matriz de varianzas y covarianzas. 5. Regresin lineal. Correlacin. II. INFERENCIA ESTADSTICA. 1. Introduccin a la probabilidad y variables aleatorias de inters. 2. Conceptos generales. 1. Concepto de intervalo de confianza. 2. Intervalos de confianza para parmetros de una y dos poblaciones. 1. Conceptos generales. 2. Procedimiento general del contraste de hiptesis. Nivel crtico o p-valor 3. Contraste de hiptesis para una y varias poblaciones.
Introduccin a la inferencia estadstica.
Contrastes de hiptesis.
Planificacin
A Horas presenciais
6 10 2 6 8 8 1 7.5 1.5

0 0 40 6 24 16 3 7.5 1.5

6 10 42 12 32 24 4 15 3
Sesin maxistral Prcticas a travs de TIC Traballos tutelados Discusin dirixida Sesin maxistral Solucin de problemas Proba de resposta mltiple Prcticas a travs de TIC Proba obxectiva
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Descricin Exposicin oral complementada con el uso de medios audiovisuales y la introduccin de algunas preguntas dirigidas a los estudiantes, con la finalidad de transmitir conocimientos y facilitar el aprendizaje. La clase magistral es tambin conocida como conferencia, mtodo expositivo o leccin magistral. Esta ltima modalidad se suele reservar a un tipo especial de leccin impartida por un profesor en ocasiones especiales, con un contenido que supone una elaboracin original y basada en el uso casi exclusivo de la palabra como va de transmisin de la informacin a la audiencia. Metodologa que permite al alumnado aprender de forma efectiva, a travs de actividades de carcter prctico la teora de un mbito de conocimiento,
Sesin maxistral
mediante la utilizacin de las tecnologas de informacin e las comunicaciones. Las TIC suponen un excelente soporte y canal para el tratamiento de la informacin y aplicacin prctica de conocimientos, facilitando el aprendizaje y el desarrollo de habilidades por parte del alumnado. Metodologa diseada para promover el aprendizaje autnomo de los estudiantes, bajo la tutela del profesor y en escenarios variados (acadmicos y profesionales). Se refiere prioritariamente al aprendizaje del cmo hacer las cosas. Constituye una opcin basada en la asuncin por los estudiantes de la responsabilidad por su propio aprendizaje. Este sistema de enseanza se basa en dos elementos bsicos: el aprendizaje independiente de los estudiantes y el seguimiento de este aprendizaje por el profesor-tutor. Tcnica de dinmica de grupos en la que los miembros de un grupo discuten de forma libre, informal y espontnea sobre un tema, aunque pueden estar coordinados por un moderador. Exposicin oral sobre los conceptos bsicos de estadstica. Se llevar a cabo con el uso de medios audiovisuales y paquetes estadsticos. Resolucin de problemas sobre estadstica descriptiva e inferencia estadstica. Prueba de respuesta mltiple sobre los conceptos de la parte de estadstica. Se realizar en la fecha fijada oficialmente para la realizacin del examen final. Prcticas (a realizar con un paquete estadstico) sobre la parte de estadstica. Prueba objetiva en la que se evaluar de forma prctica la realizacin de ejercicios de estadstica, con ayuda de un paquete estadstico.
Traballos tutelados
Discusin dirixida
Sesin maxistral Solucin de problemas Proba de resposta mltiple Prcticas a travs de TIC Proba obxectiva
Atencin personalizada Metodoloxas Prcticas a travs de TIC Traballos tutelados Descricin Mediante pequeo grupo o tutora individualizada, el profesor guiar el proceso de realizacin del trabajo como metodologa no presencial, basndose en las prcticas realizadas durante la asignatura
Avaliacin Metodoloxas Prcticas a travs de TIC Traballos tutelados Proba de resposta mltiple Proba obxectiva Descricin Manejo de la informacin recibida para la elaboracin del trabajo tutelado Elaboracin de trabajos relacionado con la bsqueda de informacin. Proba de resposta mltiple da parte de Estatstica Realizacin prctica, con ayuda de un paquete estadstico, de ejercicios de Estadstica. Cualificacin 10 40 15 35
Observacins avaliacin Para superar a materia ser necesario obter unha calificacin mnima de 3.5 sobre 10 no conxunto das probas de cada parte (documentacin e estatstica) e ademis obter unha calificacin final de alomenos 5 sobre 10 no conxunto da materia. Na oportunidade de xullo os alumnos podern liberarse de facer as probas correspondentes parte de estatstica nas que a sa calificacin na oportunidade de xaneiro fora de alomenos 4 sobre 10. Para obter a calificacin de NON PRESENTADO na primeira oportunidade (xaneiro-febreiro), os alumnos non se podern ter presentado a ningunha das probas avaliables que figuran arriba. Para obter a calificacin de NON PRESENTADO en xullo, os alumnos non se podern ter presentado ao exame final desa data. En cursos sucesivos, o alumno deber examinarse de novo de todas as partes que computan na evaluacin, anda que as tivera aprobadas de cursos anteriores. Fontes de informacin
bsica
CAO ABAD, R. y otros (2001). Introduccin a la estadstica y sus aplicaciones. Ed. Pirmide.
Bibliografa complementaria GONICK, L. Y SMITH, W. (2001).A estatstica en caricaturas! SGAPEIO. DE LA HORRA NAVARRO, J. (2001). Estadstica Aplicada. 2 Edicin. Daz de Santos. MARTN, A. A. Y LUNA, J. C. (1999). Bioestadstica para las Ciencias de la Salud. 4 Edicin revisada. Ediciones Norma. MILTON, J. S. (2001). Estadstica para Biologa y Ciencias de la Salud.3 edicin. McGraw-Hill. Recomendacins Materias que se recomenda ter cursado previamente
Datos Identificativos Asignatura Titulacin Descriptores Estatstica Aplicada a Ciencias da Sade MSTER EN ASISTENCIA E INVESTIGACIN SANITARIA Crditos 3 Idioma Casteln Galego Departamento Matemticas Coordinacin Profesorado Web Descricin xeral Cao Abad, Ricardo Cao Abad, Ricardo http://dm.udc.es/profesores/ricardo Estatstica aplicada s ciencias da sade Obxectivos da materia: Coecer as tcnicas estatsticas bsicas para a anlise de datos procedentes das ciencias da sade, identificar o mbito de aplicacin de cada unha, comprender as hipteses estructuris requeridas polos distintos modelos e diagnosticar o posible incumplimento das mesmas. Correo electrnico ricardo.cao@udc.es Cr. tericos 2.5 Cr. prcticos 0.5 Tipo Troncal Curso Primeiro Perodo 1 cuadrimestre Ciclo Cdigo 653419125
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Coecer as tcnicas estatsticas bsicas para a anlise de datos procedentes das ciencias da sade, identificar o mbito de aplicacin de cada unha, comprender as hipteses estruturais requiridas polos distintos modelos e diagnosticar o posible incumprimento das mesmas. Competencias da titulacin AM1 AM2 AM5 BM1 BM2 BM3 BM4 BM5 BM6 BM12 BM14 CM1 CM2 CM3 CM4 CM6 CM7 CM8
Contidos Temas Subtemas CLASES PRCTICAS-SEMINARIOS Anlise de supostos prcticos coa axuda dos paquetes estatsticos SPSS e R. Os alumnos impartirn seminarios nos que desenvolvern e comentarn un suposto prctico no que tern que propor un plan de mostraxe, obter os datos correspondentes e analizalos, mediante un dos paquetes estatsticos usados no curso, facendo uso dalgunha das tcnicas expostas nas clases tericas.
CLASES TERICAS T1. Introducin Estatstica: conceptos bsicos. T2. Contrastes de hipteses e intervalos de confianza. T3. Regresin linear simple e mltiple. T4. Regresin loxstica. T5. Introducin anlise de supervivencia. T6. Modelo de Cox.
Planificacin
A Horas presenciais
autnomo
Sesin maxistral Prcticas de laboratorio Estudo de casos Proba de resposta mltiple Presentacin oral 10 10 1 1 1 20 10 8 8 4 30 20 9 9 5
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Sesin maxistral Prcticas de laboratorio Estudo de casos Proba de resposta mltiple Presentacin oral Descricin Clases tericas. Prcticas en ordenador con software estatstico. Supostos prcticos. Analises de datos. Proba dos conceptos tericos impartidos. Seminarios impartidos polos alumnos. Atencin personalizada Metodoloxas Prcticas de laboratorio Estudo de casos Proba de resposta mltiple Presentacin oral Descricin Asistencia e participacin nas clases tericas. Exame escrito de mltiple opcin. Participacin en prcticas e seminarios. Suposto prctico a realizar polo alumno.
Avaliacin Metodoloxas Prcticas de laboratorio Estudo de casos Proba de resposta mltiple Presentacin oral Descricin Realizacin de prcticas de anlise de datos. Traballo de personal de modelizacin e anlise de datos. Proba breve na que se avalan os conceptos tericos da materia. Presentacin do suposto prctico realizado polo alumno. Cualificacin 10 20 50 20
Ricardo Cao, Mario Francisco, Salvador Naya, Manuel Presedo, Margarita Vzquez, Jos A. Vilar e Juan (2001). Introduccin a la Estadstica y sus Aplicaciones. Ediciones Pirmide Juan M. Vilar Fernndez (2006). Modelos Estadsticos Aplicados. Publicacins da UDC
Woolson, R. F.; Clarke, W. R (2002). Statistical Methods for the Analysis of Biomedical Data. Wiley Dupont, W. D. (2002). Statistical Modeling for Biomedical Researchers. Cambridge University Press Bibliografa complementaria Recomendacins Materias que se recomenda ter cursado previamente
Datos Identificativos Asignatura Titulacin Descriptores Estatstica Aplicada MESTRADO UNIVERSITARIO EN CIENCIA E TECNOLOXA EN TERMALISMO E BALNEOTERAPIA Crditos 3 Idioma Casteln Galego Departamento Matemticas Coordinacin Profesorado Web Descricin xeral Cao Abad, Ricardo Cao Abad, Ricardo http://dm.udc.es/profesores/ricardo Estatstica aplicada s ciencias da sade Obxectivos da materia: Coecer as tcnicas estatsticas bsicas para a anlise de datos procedentes das ciencias da sade, identificar o mbito de aplicacin de cada unha, comprender as hipteses estructuris requeridas polos distintos modelos e diagnosticar o posible incumplimento das mesmas. Correo ricardo.cao@udc.es electrnico Cr. tericos 1.8 Cr. prcticos 1.2 Tipo Troncal Curso Primeiro Perodo Ciclo Cdigo 653483020
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Coecer as tcnicas estatsticas bsicas para a anlise de datos procedentes das ciencias da sade, identificar o mbito de aplicacin de cada unha, comprender as hipteses estruturais requiridas polos distintos modelos e diagnosticar o posible incumprimento das mesmas. Competencias da titulacin AM9 AM11 BM1 BM2 BM3 BM4 BM5 BM6 BM7 BM8 BM9 BM11 BM13 BM14 BM15 BM16 BM17 BM18 BM19 CM3 CM4 CM6 CM7 CM8
Contidos Temas Subtemas CLASES PRCTICAS-SEMINARIOS Anlise de supostos prcticos coa axuda dos paquetes estatsticos SPSS e R. Os alumnos impartirn seminarios nos que desenvolvern e comentarn un suposto prctico no que tern que propor un plan de mostraxe, obter os datos correspondentes e analizalos, mediante un dos paquetes estatsticos usados no curso, facendo uso dalgunha das tcnicas expostas nas clases tericas.
Planificacin
C (A+B)
Horas presenciais
Horas non presenciais / traballo autnomo

20 10 8 8 4
Horas totais
Sesin maxistral Prcticas de laboratorio Estudo de casos Proba de resposta mltiple Presentacin oral
10 10 1 1 1
30 20 9 9 5
Avaliacin Metodoloxas Proba de resposta mltiple Estudo de casos Prcticas de laboratorio Presentacin oral Descricin Proba breve na que se avalan os conceptos tericos da materia. Traballo de personal de modelizacin e anlise de datos. Realizacin de prcticas de anlise de datos. Presentacin do suposto prctico realizado polo alumno. Cualificacin 30 20 20 30
Observacins avaliacin Para superar a materia ser necesario obter unha calificacin de alomenos 5 sobre 10 no conxunto da materia. Na oportunidade de xullo os alumnos podern liberarse de facer as probas correspondentes nas que a sa calificacin na oportunidade de xaneiro fora de alomenos 4 sobre 10. Para obter a calificacin de NON PRESENTADO na primeira oportunidade (xaneiro-febreiro), os alumnos non se podern ter presentado a ningunha das probas avaliables que figuran arriba. Para obter a calificacin de NON PRESENTADO en xullo, os alumnos non se podern ter presentado exame final desa data.
Juan M. Vilar Fernndez (2006). Modelos Estadsticos Aplicados. Publicacins da UDC Ricardo Cao, Mario Francisco, Salvador Naya, Manuel Presedo, Margarita Vzquez, Jos A. Vilar e Juan (2001). Introduccin a la Estadstica y sus Aplicaciones. Ediciones Pirmide Dupont, W. D. (2002). Statistical Modeling for Biomedical Researchers. Cambridge University Press Woolson, R. F.; Clarke, W. R (2002). Statistical Methods for the Analysis of Biomedical Data. Wiley
Datos Identificativos Asignatura Titulacin Descriptores Estatstica Aplicada a Ciencias da Sade Mestrado Universitario en Asistencia e Investigacin Sanitaria (plan 2012) Crditos 3 Idioma Casteln Galego Departamento Matemticas Coordinacin Profesorado Web Descricin xeral Cao Abad, Ricardo Cao Abad, Ricardo http://dm.udc.es/profesores/ricardo Estatstica aplicada s ciencias da sade Obxectivos da materia: Coecer as tcnicas estatsticas bsicas para a anlise de datos procedentes das ciencias da sade, identificar o mbito de aplicacin de cada unha, comprender as hipteses estructuris requeridas polos distintos modelos e diagnosticar o posible incumplimento das mesmas. Correo ricardo.cao@udc.es electrnico Cr. tericos 2.1 Cr. prcticos 0.9 Tipo Troncal Curso Primeiro Perodo Ciclo Cdigo 653862206
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Coecer as tcnicas estatsticas bsicas para a anlise de datos procedentes das ciencias da sade, identificar o mbito de aplicacin de cada unha, comprender as hipteses estruturais requiridas polos distintos modelos e diagnosticar o posible incumprimento das mesmas. Contidos Temas Subtemas CLASES PRCTICAS-SEMINARIOS Anlise de supostos prcticos coa axuda dos paquetes estatsticos SPSS e R. Os alumnos impartirn seminarios nos que desenvolvern e comentarn un suposto prctico no que tern que propor un plan de mostraxe, obter os datos correspondentes e analizalos, mediante un dos paquetes estatsticos usados no curso, facendo uso dalgunha das tcnicas expostas nas clases tericas. Competencias da titulacin AM1 AM2 AM4 BM1 BM3 BM4 CM3 CM4 CM6 CM8
Planificacin
A Horas presenciais
10

20

30
Sesin maxistral
Prcticas de laboratorio Estudo de casos Proba de resposta mltiple Presentacin oral
10 1 1 1
10 8 8 4
20 9 9 5
Avaliacin Metodoloxas Proba de resposta mltiple Estudo de casos Prcticas de laboratorio Presentacin oral Descricin Proba breve na que se avalan os conceptos tericos da materia. Traballo de personal de modelizacin e anlise de datos. Realizacin de prcticas de anlise de datos. Presentacin do suposto prctico realizado polo alumno. Cualificacin 30 20 20 30
Observacins avaliacin Para superar a materia ser necesario obter unha calificacin de alomenos 5 sobre 10 no conxunto da materia. Na oportunidade de xullo os alumnos podern liberarse de facer as probas correspondentes nas que a sa calificacin na oportunidade de xaneiro fora de alomenos 4 sobre 10. Para obter a calificacin de NON PRESENTADO na primeira oportunidade (xaneiro-febreiro), os alumnos non se podern ter presentado a ningunha das probas avaliables que figuran arriba. Para obter a calificacin de NON PRESENTADO en xullo, os alumnos non se podern ter presentado exame final desa data. Fontes de informacin Bibliografa bsica
Woolson, R. F.; Clarke, W. R (2002). Statistical Methods for the Analysis of Biomedical Data. Wiley
Dupont, W. D. (2002). Statistical Modeling for Biomedical Researchers. Cambridge University Press Ricardo Cao, Mario Francisco, Salvador Naya, Manuel Presedo, Margarita Vzquez, Jos A. Vilar e Juan (2001). Introduccin a la Estadstica y sus Aplicaciones. Ediciones Pirmide Juan M. Vilar Fernndez (2006). Modelos Estadsticos Aplicados. Publicacins da UDC Bibliografa complementaria Recomendacins Materias que se recomenda ter cursado previamente
Datos Identificativos Asignatura Titulacin Descriptores Estatstica GRAO EN TERAPIA OCUPACIONAL Crditos 6 Idioma Casteln Cr. tericos 3 Cr. prcticos 3 Tipo Troncal Curso Primeiro Perodo Ciclo Anual Cdigo 653G01102
Departamento Ciencias da Sade Matemticas Coordinacin Profesorado Muiz Garcia, Javier Fernndez Casal, Rubn Muiz Garcia, Javier Web Descricin xeral Esta asignatura pretende el desarrollo de competencias que permitan al alumnado comprender y aplicar los conocimientos y tcnicas estadsticas, como herramienta bsica de la investigacin clnica, en Terapia Ocupacional. Correo electrnico ruben.fcasal@udc.es javier.muniz.garcia@udc.es
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Capacidad para aplicar el mtodo cientfico para constatar la efectivdad de los mtodos de intervencin, evaluar los mtodos de trabajo aplicados y difundir los resultados. Capacidad de demostrar y mantener que la actuacin profesional se ajusta a estndares de calidad y que la prctica est basada en la evidencia. Demostrar continuamente el proceso de aprendizaje y cambios en la Terapia Ocupacional. Competencias da titulacin A3
A13 A13 A26 A27 A35 A13 A25 A26 A27 A30 A13 A25 A26 A32 A33 A27 B36
Identificar la necesidad de investigar y buscar publicaciones relacionadas con la ocupacin, la Terapia Ocupacional y/o la ciencia ocupacional y formular preguntas de investigacin relevantes
Demostrar habilidades en la propia bsqueda, el examen crtico y la integracin de la literatura cientfica y otra informacin relevante
Capacidad para aplicar el mtodo cientfico para constatar la efectividad de los mtodos de intervencin, evaluar los mtodos de trabajo aplicados y difundir los resultados. Interpretar, analizar, sintetizar y criticar los hallazgos de investigacin
A13 A25 A26 A27 A32
B1 B2 B3 B22
C6
Contidos Temas Tema 1. Introduccin Subtemas Objeto de la Estadstica. Introduccin histrica. Aplicacin a las Ciencias de la Salud. Tipos de variables: cualitativas y cuantitativas (discretas y continuas). Concepto de proporcin.
Tema 2. Estadstica descriptiva y anlisis exploratorio de datos Tema 3. Nociones elementales de probabilidad Tema 4. Distribuciones de probabilidad
Medidas de centralizacin, dispersin y forma. Representaciones grficas. Estadstica descriptiva de dos variables conjuntas: el coeficiente de correlacin de Pearson. Probabilidad condicionada. Regla del producto, regla de las probabilidades totales, regla de Bayes. Aplicaciones en el pensamiento clnico. Conceptos de funcin de masa de probabilidad, funcin de densidad de probabilidad, funcin de distribucin, funcin de supervivencia, funcin de riesgo (tasa de fallo) y funcin de riesgo acumulativo. Concepto de riesgo. Distribuciones discretas: distribucin de Bernoulli, binomial, de Poisson y uniforme discreta. Distribuciones continuas: uniforme en un intervalo y normal. Distribuciones asociadas a la normal: chi-cuadrado, t de Student, F de Snedecor-Fisher. Muestra y poblacin. Estadsticos y estimadores. Muestreo y tipos. Variabilidad del proceso de muestreo. Sesgo, varianza y error cuadrtico medio de un estimador. Estimacin de medias y varianzas poblacionales. Estimacin de proporciones. Eleccin del tamao muestral. Intervalos de confianza para la media en poblaciones normales y para una proporcin. Intervalos de confianza para la diferencia de medias en poblaciones normales. Intervalos de confianza para diferencias de proporciones. Muestras de datos independientes y muestras de datos apareados. Contrastes de hiptesis para la media en poblaciones normales y para una proporcin. Contrastes de hiptesis para la diferencia de medias en poblaciones normales. Contrastes de hiptesis para diferencias de proporciones. Muestras de datos independientes y muestras de datos apareados. El concepto del pvalor: significacin estadstica e importancia clnica. Tablas 2 x 2. Contrastes de homogeneidad para tablas de contingencia. Medidas de asociacin. Medidas de ocurrencia de la enfermedad: prevalencia, incidencia, riesgo relativo, riesgo atribuible y odds ratio. Tipos de estudios. Pruebas de diagnstico. Evaluacin de la calidad de una prueba. Sensibilidad y especificidad. Valores predictivos.
Tema 5. Algunas distribuciones de probabilidad notables
Tema 6. Introduccin a la Inferencia Estadstica
Tema 7. Intervalos de confianza
Tema 8. Contrastes de hiptesis
Tema 9. Tablas de contingencia Tema 10. Conceptos de investigacin clnicoepidemiolgica de base estadstica de especial inters en las Ciencias de la Salud
Planificacin
A Horas presenciais
21 7 1 7

63 14 10 14

84 21 11 21
Sesin maxistral Prcticas a travs de TIC Proba de resposta mltiple Seminario
13
13
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Descricin Exposicin oral complementada con el uso de medios audiovisuales y la introduccin de algunas preguntas dirigidas a los estudiantes, con la finalidad de transmitir conocimientos y facilitar el aprendizaje. Se expondrn los principales conceptos estadsticos facilitando la documentacin
Sesin maxistral
adicional e indicando la fuentes bibliogrficas donde el estudiante podr completar la adquisicin de dichos conocimientos. Se realizarn supuestos prcticos, con datos reales, que sern analizados, en ordenador, por medio de un paquete estadstico. Prcticas a travs de TIC Gracias a esta metologa esl estudiante y aplicar y pondr en prctica los conocimientos adquiridos, facilitando el aprendizaje y el desarrollo de habilidades por parte del alumnado. Esta prueba permitir evaluar el grado de adquisicin de conocimientos. Con ayuda del paquete estadstico el estudiante realizar supuestos propuestos por el profesor. Se trata de una metologa que permite evaluar las competencias del estudiante a la hora de aplicar y poner en prctica los conocimientos adquiridos. Atencin personalizada Metodoloxas Prcticas a travs de TIC Proba de resposta mltiple Seminario Descricin La atencin personalizada se har, globalmente, mediante tutoras personalizadas directas y virtuales, individuales y grupales.
Seminario
Avaliacin Metodoloxas Prcticas a travs de TIC Descricin Trabajos individuales o en grupos en los que se desarrollarn supuestos prcticos mediante el uso de un paquete estadstico Prueba en la que se evaluar el dominio de los conceptos estadsticos bsicos. Se propondrn casos y ejercicions que sern desarrollados por los estudiantes y puestos en comn en seminarios. Cualificacin 25
Proba de resposta mltiple Seminario
50 25
Observacins avaliacin Incluir: - Evaluacin continuada mediante la realizacin de trabajos individuales o en grupos en prcticas a travs de TIC (25%), as como casos y ejercicios propuestos por el profesor (25%). - Examen final de la asignatura que incluir preguntas de opcin mltiple con respuesta razonada de manera breve, preguntas de respuesta desarrollada y problemas (50%). Los aspectos y criterios que se tendrn en consideracin al evaluar las actividades que se harn entorno a dicha metodologa son la asistencia, participacin y compromiso individual y grupal, coherencia de los contenidos abordados, conocimientos demostrados en los exmenes tericos y prcticos y competencias referidas para esta asignatura. El sistema de calificaciones se expresar mediante calificacin numrica de acuerdo con lo establecido en el art. 5 del Real Decreto 1125/2003 de 5 de septiembre (BOE 18 de septiembre), por el que se establece el sistema europeo de crditos y el sistema de calificaciones en las titulaciones universitarias de carcter oficial y validez en todo el territorio nacional Sistema de calificaciones: 0-4.9=Suspenso 56.9=Aprobado 7-8.9=Notable 9-10=Sobresaliente 9-10 Matrcula de Honor (Graciable) Fontes de informacin Bibliografa bsica
Gonick, L. e Smith, W. (2001). estatstica en caricaturas!. Lugo. SGAPEIO Martn, A. A. y Luna, J. C. (1999). Bioestadstica para las Ciencias de la Salud. Ediciones Norma Cobo, E., Muoz, P. y Gonzlez, J.A. (2007). Bioestadstica para no estadsticos. Barcelona. Elsevier Masson Hulley, S.B., Cummings, S.M., Browner, W.S., Grady, D.G. y Newman, T.B. (2007). Diseo de investigaciones clnicas. Barcelona. Wolters Kluwer-Lippincott Williams & Wilkins
Milton, J. S. (2001). Estadstica para Biologa y Ciencias de la Salud. McGraw-Hill Gonick, L. y Smith, W. (1999). La estadstica en comic. Barcelona. Zendrera Zariquiey Cao, R., Labora, A., Naya, S. e Ros, M. (2001). Mtodos estatsticos e numricos. A Corua. Baia Edicins Bibliografa complementaria
Silva Ayaguer, L. C. (1997). Cultura estadstica e investigacin cientfica en el campo de la salud: una mirada crtica. Madrid. Ediciones Daz de Santos Pea, D. (2001). Fundamentos de estadstica. Madrid. Alianza Universidad Cao, R., Francisco, M., Naya, S., Presedo, M.A., Vzquez, M., Vilar, J.A. y Vilar, J.M. (2001). Introduccin a la Estadstica y sus aplicaciones. Madrid. Ediciones Pirmide Jaisingh, Ll. (2000). Statistics for the utterly confused. New York. Mc Graw-Hill
Datos Identificativos Asignatura Titulacin Descriptores Mtodos Numricos e Informtica ARQUITECTO TCNICO EN EXECUCIN DE OBRAS Crditos 6 Idioma Departamento Coordinacin Profesorado Web Matemticas Gomez Bermudez, Carlos Gomez Bermudez, Carlos Correo carlos.gbermudez@udc.es electrnico Cr. tericos 3 Cr. prcticos 3 Tipo Troncal Curso Segundo Perodo Ciclo Anual Cdigo 670001225
A Horas presenciais
0

0

0
Traballos tutelados
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Traballos tutelados Atencin personalizada Metodoloxas Traballos tutelados Descricin Descricin
Avaliacin
Metodoloxas Traballos tutelados
Descricin
Cualificacin 0
Observacins avaliacin A nota final estar composta polos seguintes apartados: 1: Prcticas de Laboratorio (Ata 7 puntos). Avaliarase alumno a partires dun seguemento individualizado do desenrolo das prcticas. 2: Participacin na clase (Ata 3 puntos). Avaliarase alumno a partires da resolucin de problemas e da explicacin e depuracin do cdigo empregado. NOTA FINAL: 1+2 Fontes de informacin Bibliografa bsica
Grossman, S. (1995 ). Algebra Lineal con Aplicaciones . McGraw-Hill de Burgos, J. (2006). Algebral Lineal . McGraw-Hill Rouault, Jacques-Deric (2005/06). Bioscilab. CNRS, INRIA Larson; Hostetler; Edwards (2005). Clculo (vols. I y II). McGraw-Hill Garca, A. y otros (2002). Clculo I. CLAGSA Garca, A. y otros (2002). Clculo II. CLAGSA Spiegel, M. (1993). Clculo Superior . McGraw-Hill Gmez, C. (1999 ). Engineering and Scientific Computing with Scilab. Birkhauser Caro, A.; Seplveda, C. (2004 ). Fundamentos de Scilab y aplicaciones. Licencia GNUFDL Allaire, G.; Kaber, S.M. (2002). Introduction Scilab. Exercices pratiques d'algbre linaire. CNRS, INRIA Schelter; Rguez. Riotorto, M. y otros (2004 ). Manual de Maxima. Licencia GNU-GPL Ayres, F. (1993). Matrices . McGraw-Hill Urroz, G. (2001). Numerical and Statistical Methods with Scilab for Sciences and Engineering. Booksurge Sallet, G. (2004 ). Ordinary Differential Equations with Scilab . U. de Metz, GNUFDL INRIA de la Villa, A. y otros (2002). Problemas de Algebra . CLAGSA Glasner y Moses (2005). The Computer Algebra Program Maxima. A Tutorial. Licencia GNUFDL Ney; Tateman; Moses; Yapp (2004). The Maxima Book. Licencia GNUFDL Mora Escobar, Hctor (2005). Ttulo Autor Editorial Ano . U. Nal. de Colombia Pinon, Bruno (2004/05). Une introduction Scilab. U. Henri Poincar
Materias que continan o temario Clculo Matemtico/670001111 lxebra Lineal/670001113
Datos Identificativos Asignatura Titulacin Descriptores Planificacin e xestin da investigacin: tcnicas Mestrado Universitario en Tecnoloxas de Edificacin Sostible (plan 2012) Crditos 3 Idioma Departamento Anlise Econmica e Administracin de Empresas Fsica Matemticas Nogueira Lopez, Pedro Fernando Ferreiro Ferreiro, Ana Mara Garcia del Valle, Alejandro Nogueira Lopez, Pedro Fernando Web ana.fferreiro@udc.es Correo alejandro.garcia.delvalle@udc.es electrnico pedro.nogueira@udc.es Cr. tericos 1.5 Cr. prcticos 1.5 Tipo Troncal Curso Primeiro Perodo Ciclo Cdigo 670503001
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Principios da enxeara do risco e fiabilidade estrutural Mestrado Universitario en Tecnoloxas de Edificacin Sostible (plan 2012) Crditos 3 Idioma Departamento Coordinacin Profesorado Construcins Arquitectnicas Matemticas Mosquera Rey, Emilio Mosquera Rey, Emilio Presedo Quindimil, Manuel Antonio Web emilio.mosquera@udc.es Correo electrnico manuel.antonio.presedo.quindimil@udc.es Cr. tericos 1.5 Cr. prcticos 1.5 Tipo Troncal Curso Primeiro Perodo Ciclo Cdigo 670503014
Planificacin
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Mtodos de clculo estrutural e metodoloxa probabilstica Mestrado Universitario en Tecnoloxas de Edificacin Sostible (plan 2012) Crditos 3 Idioma Departamento Coordinacin Profesorado Construcins Arquitectnicas Matemticas Mosquera Rey, Emilio Mosquera Rey, Emilio Presedo Quindimil, Manuel Antonio Web emilio.mosquera@udc.es Correo electrnico manuel.antonio.presedo.quindimil@udc.es Cr. tericos 3 Cr. prcticos 0 Tipo Troncal Curso Primeiro Perodo Ciclo Cdigo 670503015
Planificacin
A Horas presenciais
Datos Identificativos Asignatura Titulacin Descriptores Matemticas I GRAO EN ENXEARA DE EDIFICACIN Crditos 6 Idioma Departamento Coordinacin Profesorado Matemticas Outon Soto, Aurelio Luis Blanco Garcia, Covadonga Gomez Bermudez, Carlos Outon Soto, Aurelio Luis Tarrio Tobar, Ana Dorotea Web Descricin xeral Esta materia impartese no primeiro cuadrimestre do primeiro curso da titulacin formando parte do 60 crditos bsicos do titulo de Grao. por elo una materia de tipo xeral, na que se trata de darlle os alumnos/as unhos coecementos bsicos de matemticas e da sua apliacacin en carreiras tcnicas. validable en calquera outra carreira da rama cientifico-tecnico covadonga.blanco@udc.es carlos.gbermudez@udc.es Correo electrnico aurelio.outon@udc.es ana.dorotea.tarrio.tobar@udc.es Cr. tericos 2 Cr. prcticos 4 Tipo Troncal Curso Primeiro Perodo 1 cuadrimestre Ciclo Cdigo 670G01001
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Afianzar os coecementos de Clculo que posee o alumno e cubrir as posibles lagoas en relacin con algns contidos bsicos, fomentando a interrelacin entre teora e prctica. Adquirir os conceptos bsicos e tcnicas fundamentais do clculo, relacionar ditos conceptos entre s e dominar a terminoloxa propia da materia. Competencias da titulacin A1 B1 B3 B5 B7 B1 B5 B7 B12 B14 B1 B3 B5 C3 C6 C7 C8 C3 C6 C7 C8 C1 C3 C6 C7 C8 C3 C4 C6 C7 C8 C3 C4 C5 C6 C7 C8
A1
Conseguir capacidade de abstraccin a partir do concreto e aplicar os resultados abstractos s situacins concretas.
A1 A8 A9
Coecer algns modelos matemticos indispensables no plantexamento e resolucin de problemas relacionados coa construcin.
A1 A8 A9 A19 A1 A8 A9
B1 B3 B5 B6 B7 B1 B2 B3 B4 B5 B6 B7 B25 B26 B1 B3 B4
Tomar conciencia de que os coecementos, aptitudes, capacidades e destrezas que se desenvolven co estudo de esta materia polo alumnado, son fundamentais para a sa actividade estudantl no transcurso da sa fomacin, as como na sa futura actividade profesional
Afianzar e profundizar nos coecemestos de estatstica e probabilidade
A1 A8 A9
C1 C3 C4
B5 B6 B7 Contidos Temas Subtemas
C7 C8
BLOQUE 01.- FUNCINS DUNHA E VARIAS VARIABLES REAIS.
TEMA 1.- FUNCINS DE UNHA VARIABLE REAL 1.1.- Definicin e conceptos bsicos 1.2.- Lmite dunha funcin nun punto. Propiedades. Operacins. Lmites infinitos e no infinito. Infinitsimos 1.3.- Continuidade. Discontinuidades. Propiedades das funcins continuas 1.4.- Derivada. Propiedades. Interpretacin xeometrica. Regra da cadea. Polinomio de Taylor 1.5.- Interpolacin TEMA 2.- FUNCINS DE VARIAS VARIABLES REAIS 2.1.- Definicins e conceptos bsicos 2.2.- Lmites. Propiedades. Operacins. 2.3.- Continuidade. 2.4.- Diferenciacin. Derivadas parciais. Propiedades. 2.5.- Plano tanxente e recta normal 2.6.- Regra da cadea 2.7.- Extremos relativos, con e sen ligaduras. Multiplicadores de Lagrange TEMA 3.- INTEGRACIN DE FUNCINS DE UNHA VARIABLE 3.1.- Concepto de primitiva. Propiedades. 3.2.- Mtodos de integracin. Clculo de primitivas. 3.3.- Integrais impropias 34.- Aplicacins xeomtricas. reas, volumes, lonxitudes 3.5.- Integracin numrica
BLOQUE 02.- INTEGRACIN DE FUNCINS .
TEMA 4.- INTEGRAIS DOBRES E TRIPLES 4.1.- Integracin mltiple. 4.2.- Integrais iteradas. Integrais dobres. Cambio de variable:coordenadas polares. 4.3.- Integrais triples. Cambio de variable: coordenadas cilndrica esfericas 4.4.- Aplicacins TEMA 5.- ECUACINS DIFERENCIAIS. 5.1.- Definicin e conceptos bsicos 5.2.- Ecuacions de primeira orde: Variables separadas, Homoxneas, Exactas, Lineais. Variacin de parmetros. 5.3.- Mtodos numricos de resolucin: Euler, Runge-Kutta TEMA 6.- ESTATSTICA V.1.- Estatstica descriptiva dunha variable. V.2.- Conceptos previos. Tboas de frecuencias. V.3.- Representacins grficas. Medidas caractersticas, posicin, dispersin V.4.- Estatstica descriptiva de varias variables. V.5.- Variable estatstica bidimensional. Distribucins de frecuencias. Representacins grficas. Regresin e correlacin
BLOQUE 03.- ECUACINS DIFERENCIAIS. MTODOS NUMRICOS DE RESOLUCIN.
BLOQUE 04.- ESTATSTICA E PROBABILIDADE
TEMA 7.- PROBABILIDADE VI.1.- Probabilidade. Experimento aleatorio. Espacio mostral. Sucesos. Definicin de probabilidade. VI.2.- Probabilidade condicionada. Independencia de sucesos. Regras do producto e das probabilidades totales. Teorema de Bayes VI.3.- Distribucins de probabilidade. Variable aleatoria discreta e continua. Esperanza e varianza. VI.4.- Distribucin binomial. Distribucin normal. VI.5.- Introduccin inferencia estatstica
Planificacin
A Horas
B Horas non
C (A+B) Horas
presenciais

40.5 0 6 0 0.5 40.5
totais
Discusin dirixida Proba de resposta breve Traballos tutelados Solucin de problemas Prcticas a travs de TIC Sesin maxistral
27 1 2 3 0.5 27
67.5 1 8 3 1 67.5
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Discusin dirixida Proba de resposta breve Descricin Resolucin de exercicios e problemas na aula de maneira participativa (0.9 ECTS). Consistir nunha proba final na que o alumno/a tera que responder a un exame tipo test (con 4 respostas alternativas) ou cuestins breves Ao longo do curso o alumno/a deber entregar o profesor/a traballos consistentes en respostar a catro ou cinco conceptos tericos e a resolucin de exercicios (problemas) relacionados cos temas vistos ata ese intre No exame final o alumno/a deber resolver catro ou cinco exercicios, relacionados cos coecementos expostos e adquiridos ao longo do curso Como parte da avaliacin continua, os alumnos/as debern respostar a unha ser de cuestin facendo uso da plataforma Moodle Na aula, por parte do profesor/a, farase unha exposicin dos contidos da asignatura Atencin personalizada Metodoloxas Discusin dirixida Descricin Tutoras individualizadas e avaliacin (probas escritas, probas prcticas de laboratorio e presentacin e defensa individual ou en grupo dos traballos acadmicos):
Traballos tutelados
Solucin de problemas Prcticas a travs de TIC Sesin maxistral
Avaliacin Metodoloxas Proba de resposta breve Descricin Consisitir nun cuestionario que conter diversas cuestins Os alumnos realizarn "traballos" ao longo do cuatrimestre, consistentes en respostar a unha serie de conceptos tericos e a resolucin dunha coleccin de problemas. Ditos traballos seran entregados ao profesor, para a sa correcin e debate Consistir na realizacin dun exame, ao final do cuatrimestre, que constar diversos problemas (exercicios prticos) Como parte da avaliacin continua, os alumnos/as debern respostar a unha ser de cuestin facendo uso da plataforma Moodle Cualificacin 30
Traballos tutelados
20
30
20
Observacins avaliacin O alumno/a ser evaluado a travs dunha "evaluacin continua" que constar de das partes A) PRIMEIRA PARTE: Ao longo do curso os alumnos/as debern realizar unha serie de traballos, resolucin de boletins de problemas e cuestionarios presenciais. Valorarase a sa participacin activa: Asistencia (activa) as clases, entrega de traballos, realizacin de probas a travs do Moodle etc. B) SEGUNDA PARTE: Consistir na realizacin dunha proba "Exame" que conter preguntas tericas e prcticas. A calificacin final ser a suma do 60% da proba terico-prctica final e do 40% do curso. Para que ambas notas se sumen ten que conseguir en cada parte, a lo menos, o 33% de sa valoracin. Si o alumno/a participa en algunha das tarefas programadas ao longo do curso, necesariamente ser evaluado ao final do mesmo. En ningn caso se lle calificar como Non Presentado SEGUNDA OPORTUNIDADE: Para a evaluacin da asignatura na 2 oportunidade, (Xullo) seguirnse os mesmos criterios Fontes de informacin Bibliografa bsica
Agustn de la Villa, (2002). CLCULO (TEORA Y PROBLEMAS, VOL.1 Y 2, . CLAGSA Burden, Richard L. (1998). ANALSIS NUMRICO. Mxico: Thomson Fernndez, C., Vzquez, Fco. y otros., (2002). CLCULO DIFERENCIAL DE VARIAS VARIABLE. Thompson Aires, Frank. (1992). CLCULO DIFERENCIAL E INTEGRAL. . McGraw-Hill Frank Ayres, Jr (2010). Clculo (5 edicin). Mc-Graw-Hill Burgos, Juan de (2007). CLCULO INFINITESIMAL DE UNA VARIABLEA. Madrid: GarcaMaroto Burgos, Juan de (2002). CLCULO INFINITESIMAL DE VARIAS VARIABLEA). Madrid: Garca-Maroto Larson - Hostetler (1999). CLCULO Y GEOMETRA ANALTICA. Mc Graw Hill Aires, Frank. (1991). ECUACIONES DIFERENCIALES. Mxico: MaGraw_Hill Garca Merayo, Flix (1997). MTODOS NUMERICOS EN FORMA DE EJERCICIOS. Universidad Pontificia de Comillas Miller, Irwin R (1992). Probabilidad y Estadstica para Ingenieros. Mexico:Prentice Hall
Snchz Ruiz, Luis M. (2008). CLCULO MATEMTICO CON APLICACIONES. Valencia:Editprial de la UPV Adams, Robert A. (2009). CLCULO. Madrid:Prentice Hall
Simmon, George F. (2002). CLCULO Y GEOMETRA ANALTICA. Mc Graw-Hill Simmons, George F. (1996). ECUACIONES DIFERENCIALES CON APLICACIONES Y NOTAS HISTRICAS. Madrid: McGraw-Hill Bonet Solves, J. (2009). FUNDAMENTOS MATEMTICOS EN ARQUITECTURA. Valencia: Editorial de la UPV
Materias que se recomenda cursar simultaneamente Matemticas II/670G01006
Observacins
O ideal que os alumnos/as que acedan a estes estudos de Grao trouxeran unha formacin matemtica ampla, cousa que non ocorre, non solo cos que proveen de Bacharelato e anda menos con os que proveen de outro tipo de estudos. Por conseguinte recomendable que o alumno/a que pense matricularse no Grado de "Enxeeiro de Edificacin" se pa ao da en contidos bsicos das Matemticas do Bachalerato
Datos Identificativos Asignatura Titulacin Descriptores Matemticas II GRAO EN ENXEARA DE EDIFICACIN Crditos 6 Idioma Departamento Coordinacin Profesorado Matemticas Gomez Bermudez, Carlos Blanco Garcia, Covadonga Gomez Bermudez, Carlos Outon Soto, Aurelio Luis Tarrio Tobar, Ana Dorotea Web covadonga.blanco@udc.es carlos.gbermudez@udc.es Correo electrnico aurelio.outon@udc.es ana.dorotea.tarrio.tobar@udc.es Cr. tericos 2 Cr. prcticos 4 Tipo Troncal Curso Primeiro Perodo 2 cuadrimestre Ciclo Cdigo 670G01006
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Afianzar os coecementos de lxebra, xeometra e xeometra diferencial e estatstica que posee o alumno e cubrir as posibles lagoas en relacin con algns contidos bsicos, fomentando a interrelacin entre teora e prctica. Competencias da titulacin A1 B1 B2 B3 B5 B6 B7 B12 B1 B2 B3 B4 B5 B6 B7 B12 B1 B2 B3 B4 B5 B6 B7 B12 C1 C3 C4 C5 C6 C7 C8 C1 C2 C3 C4 C5 C6 C7 C8 C1 C2 C3 C4 C5 C6 C7 C8
Adquirir os conceptos bsicos e tcnicas fundamentais do clculo, relacionar ditos conceptos entre s e dominar a terminoloxa propia da materia.
A1 A8
Coecer algns modelos matemticos indispensables no plantexamento e resolucin de problemas relacionados coa construcin.
A1 A8
Contidos Temas Subtemas I.1.- Espazos vectoriais. Definicins e propiedades bsicas. Subespazos. I.2.- Combinacin linear de vectores. Bases, dimensin. I.3.- Ecuacins dun subespacio. Interseccin e suma de subespacios. I.4.- Aplicacins lienais. Definicins e conceptos bsicos. Ncleo, imaxe, propiedades. II.1.- Matrices. Definicins. Matriz asociada a unha aplicacin. Operacins con matrices. Matriz de cambio de base. II.2.- Determinantes. Definicins e propiedades bsicas. Clculo da inversa
TEMA I.- CONCEPTOS BSICOS DE LXEBRA LINEAR
TEMA II.- MATRICES E DETERMINANTES
dunha matriz. Rango dunha matriz. III.1.- Sistemas de ecuacins lineais. Definicins e conceptos bsicos. Condicins de compatibilidade. Teorema de Rouch-Frobenius. Resolucin de sistemas: Regra de Cramer. Mtodo de Gauss. III.2.- Solucin de sistemas, mtodos iterativos. Mtodos de Jacobi e de Gauss-Seidel. Norma dunha matriz. Converxencia dos mtodos iterativos. Acotacin do erro. IV.1. Vectores propios e valores propios IV. 2. Diagonalizacin dunha matriz V.1.- Xeometria afn. Sistemas de referencia, coordenadas. Cambio de coordenadas no plano e no espacio. V.2.- Ecuacins da recta. Posicins relativas de rectas. V.3.- Ecuacins do plano. Posicins relativas de planos. Posicins relativas de rectas e planos. Feixes de rectas e de planos. V.4.- Xeometria eucldea. Producto escalar. Ortonormalizacin. Producto vectorial. Producto mixto. V.5.- Aplicacins Xeometra. Distancias: entre puntos, dun punto a unha recta, dun punto a un plano. Entre rectas. Dunha recta a un plano. Entre planos. VI.1.- Transformacins ortogonais.Definicins e propiedades bsicas. VI.2.- Clasificacin de transformacins en R2 e en R3. VI.3.- Formas cuadrticas. Definicins e propiedades bsicas. VIariedades cuadrticas. VI.4.- Cnicas. Clasificacin. VI.5.- Cudricas. Ecuacin reducida. Clasificacin. VII.1.- Curvas no espacio euclideo. Recta tanxente, lonxitude dunha curva. VII.2.- Triedro de Frenet, curvatura e torsion. Caracterizacion de curvas planas. VII.3.- Nocion de superficie. Plano tanxente. Primeira Forma Fundamental. Area dunha superficie. VII.4.- Segunda Forma Fundamental. Curvatura Total Aplicacins multilineales. Tensores nunha superficie Planificacin
TEMA III.- SISTEMAS DE ECUACINS LINEAIS.
TEMA IV.- DIAGONALIZACIN
TEMA V.- XEOMETRA AFN E EUCLDEA NO ESPACIO
TEMA VI.- TRANSFORMACINS ORTOGONAIS E SIMETRAS
TEMA VII.- XEOMETRA DIFERENCIAL DE CURVAS E SUPERFICIES. TENSORES
A Horas presenciais
1 27 27 3 2

0 40.5 40.5 0 4

1 67.5 67.5 3 6
Proba de resposta breve Discusin dirixida Sesin maxistral Solucin de problemas Traballos tutelados
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Proba de resposta breve Discusin dirixida Descricin Consistir nunha proba final na que o alumno/a tera que responder a un exame con preguntas de resposta breve. Resolucin de exercicios e problemas na aula de maneira participativa (0.9
ECTS). Sesin maxistral Na aula, por parte do profesor/a, farase unha exposicin dos contidos da asignatura. Tanto da parte terica coma da practica No exame final o alumno/a deber resolver catro ou cinco exerccios, relacionados cos coecementos expostos e adquiridos ao longo do curso Ao longo do curso o alumno/a deber entregar ao profesor/a traballos consistentes en respostar conceptos tericos e a resolucin de exercicios (problemas) relacionados cos temas vistos ata ese intre Ademais poder pedirse a resolucin fora da aula de exercicios prcticos, para ser entregados e explicados ao profesor, e que sern avaliados, no apartado de traballos tutelados. Atencin personalizada Metodoloxas Discusin dirixida Descricin Tutoras individualizadas e evaluacin (probas escritas, probas prcticas de laboratorio, e presentacin e defensa individual ou en grupo dos traballos acadmicos):
Traballos tutelados
Avaliacin Metodoloxas Proba de resposta breve Solucin de problemas Descricin Consistir nun exame de cuestins tericas de resposta breve. Consistir na realizacin dun exame, ao final do cuadrimestre, que constar de 4 ou 5 problemas (exercicios prcticos) Os alumnos realizarn traballos, ao longo do cuadrimestre, consistentes en responder a unha serie de conceptos tericos e na resolucin dunha coleccin de problemas. Ditos traballos teen que ser entregados ao profesor, por todo o grupo, para a sa correccin e debate, individualmente ou en grupo. Cualificacin 30 30
Traballos tutelados
40
Observacins avaliacin O alumno/a ser evaluado a travs dunha "evaluacin continua" que constar de das partes A) PRIMEIRA PARTE: Ao longo do curso os alumnos/as debern realizar unha serie de traballos, resolucin de boletins de problemas e cuestionarios presenciais. Valorarase a sa participacin activa: Asistencia (activa) as clases, entrega de traballos, realizacin de probas a travs do Moodle etc. B) SEGUNDA PARTE: Consistir na realizacin dunha proba "Exame" que conter preguntas tericas e prcticas. A calificacin final ser a suma do 60% da proba terico-prctica final e do 40% do curso. Para que ambas notas se sumen ten que conseguir en cada parte, a lo menos, o 33% de sa valoracin. Si o alumno/a participa en algunha das tarefas programadas ao longo do curso, necesariamente ser evaluado ao final do mesmo. En ningn caso se lle calificar como Non Presentado SEGUNDA OPORTUNIDADE: Para a evaluacin da asignatura na 2 oportunidade, (Xullo) seguirnse os mesmos criterios Fontes de informacin
Bibliografa bsica
J. Garca Cabello (2005). LGEBRA LINEAL. SUS APLICACIONES EN ECONOMA, INGENIERAS Y OTRAS CIENCIAS. Delta publicaciones Larson - Hostetler (1994). CLCULO Y GEOMETRA ANALTICA. Ma Graw Hill Martn Gonzlez, Germn (2007). INTRODUCCIN A LA ESTADSTICA. Valencia: Universidad Catlica Conte Winter (1992). MTODOS Y ALGORITMOS BSICOS DEL LGEBRA NUMRICA. Revert Danielso, D.A., Addison (1992). VECTORS AND TENSORS IN EGINEERIN AND PHISICS. Wesley Rojo,Jess. Martn, Isabel (2004). Ejercvicios y problemas de lgebra Lineal. Mc Graw Hill
Datos Identificativos Asignatura Titulacin Descriptores Estudos mtricos de informacin MESTRADO UNIVERSITARIO EN CIENCIAS DOCUMENTAIS NO CONTORNO DIXITAL Crditos 3 Idioma Departamento Coordinacin Profesorado Web Descricin xeral Casteln Matemticas Naya Fernandez, Salvador Naya Fernandez, Salvador http://www.udc.es Mtodos y tcnicas de investigacin principales en los Estudios mtricos de informacin. Aplicaciones Correo salvador.naya@udc.es electrnico Cr. tericos 1 Cr. Tipo prcticos 2 Troncal Curso Primeiro Perodo 1 cuadrimestre Ciclo Cdigo 710477001
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Formar a los alumnos en los principios tericos y metodolgicos de los Estudios mtricos de informacin, en el sentido amplio del trmino Competencias da titulacin AI2 AI4 AI5 AI6 AI12 AI8 AI12 AI14 AI15 BI1 BI2 BI3 BI4 BI5 BI9 BI16 BI5 BI7 BI17 CM8
Conocer los mtodos y tcnicas de investigacin principales en los Estudios mtricos de informacin
Fomentar la participacin activa en clase y el trabajo en equipo para facilitar la asimilacin de contenidos terico-prcticos; as como, incentivar el uso de las tutoras para favorecer el aprendizaje prestando al alumno una atencin personalizada. Contidos Temas Subtemas
AI11
CM5 CM7
I. Anlisis exploratorio de datos en documentacin
1.1. Conceptos generales de estadstica y bibliometra. 1.2. Medidas caractersticas: medidas de posicin, de dispersin y de forma. 1.3. Vectores estadsticos. 1.4. Regresin y correlacin. 1.5. Representaciones grficas. 1.6. Medidas estadsticas en documentacin. 2.1. Conceptos generales. 2.2. Introduccin al muestreo. Muestreo aleatorio simple. 2.3. Concepto de estimador puntual. 2.4. Concepto de intervalo de confianza. 2.5. Intervalos de confianza para la media, la varianza y una proporcin en una poblacin. 2.6. Introduccin al contraste de hiptesis. 3.1. Principales indicadores bibliomtricos. 3.2. Indices de calidad en documentacin. Factor de impacto.
II. Inferencia estadstica
III. Introduccin a la Minera de datos en documentacin.
3.3. Uso de Software libre para bibliometra y documentacin. Planificacin
A Horas presenciais
10 5 2 2

13 20 12 8

23 25 14 10
Sesin maxistral Traballos tutelados Prcticas a travs de TIC Recensin bilbiogrfica
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Descricin La sesin magistral es una modalidad de enseanza basada en la exposicin terica por parte del profesor como va de transmisin de conocimientos fundamentales sobre la materia. Se trata de hacer una exposicin oral complementada con el uso de medios audiovisuales y la introduccin de algunas preguntas dirigidas a los estudiantes, con la finalidad de transmitir conocimientos y facilitar el aprendizaje. La clase magistral es tambin conocida como conferencia o mtodo expositivo o leccin magistral. Esta ltima modalidad se suele reservar a un tipo especial de leccin impartida por un profesor en ocasiones especiales, con un contenido que supone una elaboracin original y basada en el uso casi exclusivo de la palabra como va de transmisin de la informacin a la audiencia. Metodologa diseada para promover el aprendizaje autnomo de los estudiantes; basada en la asuncin por parte de los estudiantes de la responsabilidad de su propio aprendizaje bajo la tutela del profesor y en escenarios variados (acadmicos y profesionales). Est referida prioritariamente al aprendizaje del cmo hacer las cosas.Constituye una opcin basada en la asuncin por los estudiantes de la responsabilidad por su propio aprendizaje. Este sistema de enseanza se basa en dos elementos bsicos: el aprendizaje independiente de los estudiantes y el seguimiento de este aprendizaje por el profesor-tutor. Metodologa que permite al alumnado aprender de forma efectiva, a travs de actividades de carcter prctico (demostraciones, simulaciones, anlisis de datos mediante paquetes estadsticos, etc) la teora de un mbito de conocimiento, mediante la utilizacin de las tecnologas de informacin e las comunicaciones. Las TIC suponen un excelente soporte y canal para el tratamiento de la informacin y aplicacin prctica de conocimientos, facilitando el aprendizaje y el desarrollo de habilidades por parte del alumnado. Lecturas fundamentales sobre la materia con realizacin de recensin por parte del alumno. Atencin personalizada Metodoloxas Sesin maxistral Traballos tutelados Descricin Resolucin de dudas, aclaraciones, etc. Anlisis y valoracin crtica de literatura cientfica.
Sesin maxistral
Traballos tutelados
Recensin bilbiogrfica
Ayuda a su planteamiento y seguimiento. Seguimiento personalizado de cada una de las fases de los trabajos de curso planteados (individuales o en grupo). Acompaamiento del alumnado con explicacin de lo que se va a visitar y relevancia. Seguimiento directo y continuado del alumno que permita registrar de forma personalizada cualquier variable que nos de indices para evaluar o comprobar su correcta integracin en la dinmica del curso. Tutela y coordinacin de actividades planteadas, resolucin de dudas, explicaciones adicionales, etc.
Avaliacin Metodoloxas Sesin maxistral Descricin Explicacin terica de temas nucleares o nociones bsicas de la materia. La asistencia por parte del alumnado a estas sesiones es obligatoria y computa en la calificacin final. Metodologa diseada para promover el aprendizaje autnomo, y en grupo, de los estudiantes; basada en la asuncin por los estudiantes de la responsabilidad por su propio aprendizaje bajo la tutela del profesor y en escenarios variados (acadmicos y profesionales). Est referida prioritariamente al aprendizaje del cmo hacer las cosas. Incluida la presentacin que los alumnos hacen de los diferentes trabajos tutelados. Versa sobre cuestiones fundamentales de la materia utilizando las TIC, principalmente el empleo de programas de estadstica para el tratamiento de la informacin. Mediante pequeo grupo o tutora individualizada, el profesor guiar el proceso de realizacin del trabajo como metodologa no presencial, basndose en las prcticas realizadas durante la asignatura. Cualificacin 20
Traballos tutelados
40
40
Observacins avaliacin La presentacin por parte del alumno de los trabajos de curso planteados en la asignatura deber hacerse como mximo en la fecha oficial del examen de la asignatura para cada una de las convocatorias a las que se presente. Fontes de informacin Bibliografa bsica
Cao R., Franciso M, Naya S., Presedo M., Vzquez M., Vilar J.A. y Vilar J.M. (2001). Introduccin a la Estadstica y sus aplicaciones. . Editorial Pirmide Cao, R, Labora, A., Naya, S. y Ros, M. (2001). Mtodos estatsticos e numricos.. Editorial Baia. Ferreiro Alez, L. (1993). Bibliometra: Anlisis bivariante. . Madrid: Eypasa Callon, M., Courtial, J. P., Penan, Herv. (1995). Cienciometra: la medicin de la actividad cientfica, de la bibliometra a la vigilancia tecnolgica.. Gijn: Trea http://www.google.com/intl/es/analytics/ (). . http://www.r-project.org/ (). . Joachims T. (1998). Advances in Kernel Methods- Support Vector Learning. . MIT Press, pp 169-184. Josefa Marn Fernndez (2000). Estadstica Aplicada a las Ciencias de la Documentacin.. DM (Diego Marin. Librero Editor)
Jos Hernndez Orallo, M.Jos Ramrez Quintana, Csar Ferri Ramrez. (2004). INTRODUCCIN A LA MINERA DE DATOS. Editorial Pearson. Bibliografa complementaria
FABA PREZ, C. y otros. (2004). Fundamentos y tcnicas cibermtricas. Mrida: Junta de Extremadura GORBEA PORTAL, S. . (2005). Modelo terico para el estudio mtrico de la informacin documental.. Gijn: Trea. MALTRS BARBA, B. (2003.). Los indicadores bibliomtricos: fundamentos y aplicacin al anlisis de la Ciencia. . Gijn: Trea,
Datos Identificativos Asignatura Titulacin Descriptores Estatstica GRAO EN INFORMACIN E DOCUMENTACIN Crditos 6 Idioma Departamento Coordinacin Profesorado Web Casteln Matemticas Tarrio Saavedra, Javier Tarrio Saavedra, Javier Correo javier.tarrio@udc.es electrnico Cr. tericos 3 Cr. prcticos 3 Tipo Curso Perodo 2 cuadrimestre Ciclo Cdigo 710G02018
Troncal Segundo
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Conocer las medidas descriptivas y representaciones grficas de datos ms usuales. Habilidad en sintetizar y analizar descriptivamente y grficamente un conjunto de datos. Conocimiento del concepto de probabilidad, reglas del clculo probabilstico y modelos probabilsticos ms usuales. Conocimiento de las tcnicas de inferencia bsicas y habilidad en el clculo e interpretacin de intervalos de confianza y contraste de hiptesis en una y dos poblaciones. Capacidad de aplicar herramientas informticas para el desarrollo y la explotacin de sistemas de informacin. Integrar los conocimientos tericos y prcticos como va para el desarrollo de un conocimiento y pensamiento reflexivo y totalizador respecto a la Estadstica. Contidos Temas Tema 1. Estadstica descriptiva de una variable unidimensional. Tema 2. Estadstica descriptiva de una variable bidimensional. Subtemas Objeto de la Estadstica. Conceptos generales. Tabulacin y representacin grfica de datos. Medidas descriptivas de los datos. Concepto de proporcin y nmeros ndices. Estadstica descriptiva de dos variables conjuntas. Relacin de dependencia entre variables cualitativas. Relacin de dependencia entre variables cuantitativas: regresin lineal simple. Nmeros ndices. ndices simples y compuestos. Indicadores en bibliotecas y documentacin. ndices empleados en las bases de datos del ISI (Journal Citation Report). Nuevas alternativas: ndice H. Introduccin al anlisis descriptivo de series cronolgicas. Series de crecimiento acelerado y otros procesos bibliomtricos: la ley de la ventaja acumulada de Price. Modelos estadsticos empleados en Documentacin. La distribucin de las palabras en los textos: la ley de Zipf. Modelizacin del proceso. Refinamiento del modelo. Ecuacin de Both-Federowicz, ecuacin de Brookes, ecuacin generalizada de Mandelbrot. Conceptos bsicos. Operaciones con sucesos. Regla de Laplace. Propiedades de la probabilidad. Probabilidad condicionada. Regla del producto, regla de las probabilidades totales, regla de Bayes. Aplicaciones a problemas de documentacin. Competencias da titulacin A1 A2 A4 A9
A5 B8
C3
Tema 3. Nmeros ndices y series cronolgicas en documentacin.
Tema 4. Conceptos de investigacin de base estadstica de especial inters en las Ciencias de la Informacin y Documentacin. Tema 5. Nociones elementales de probabilidad.
Tema 6. Variables aleatorias discretas y continuas. Tema 7. Introduccin a la Inferencia Estadstica. Tema 8. Fuentes de informacin estadstica.
Definicin variable aleatoria. Variables aleatorias discretas. Distribucin Binomial y distribucin de Poisson. Variables aleatorias discretas. Distribucin normal. Introduccin. Intervalos de Confianza. Contrastes de Hiptesis. Organizacin de la estadstica oficial en el mbito nacional e internacional (agencias de la ONU, Euroestat, INE, IGE, etc.). Principales estadsticas en el mbito socioeconmico (estadsticas demogrficas, sociales, de empleo, econmicas...). Planificacin
A Horas presenciais
5 2 10 22 2

2 10 20 66 10

7 12 30 88 12
Prcticas a travs de TIC Proba de resposta mltiple Seminario Sesin maxistral Proba obxectiva
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Descricin Se realizarn supuestos prcticos, con datos reales, que sern analizados, en ordenador, por medio de un paquete estadstico. Prcticas a travs de TIC Gracias a esta metologa el estudiante aplicar y pondr en prctica los conocimientos adquiridos, facilitando el aprendizaje y el desarrollo de habilidades por parte del alumnado. Esta prueba permitir evaluar el grado de adquisicin de conocimientos del alumno a mediados del cuatrimestre. Sirve como orientacin en su proceso de aprendizaje. Se trabajar en grupos sesiones de problemas que permitirn poner en prctica los conocimientos tericos adquiridos. Exposicin oral complementada con el uso de medios audiovisuales y la introduccin de algunas preguntas dirigidas a los estudiantes, con la finalidad de transmitir conocimientos y facilitar el aprendizaje. Se expondrn los principales conceptos estadsticos facilitando la documentacin adicional e indicando la fuentes bibliogrficas donde el estudiante podr completar la adquisicin de dichos conocimientos. Examen final de los contenidos tericos y prcticos del bloque consistente en preguntas cortas y/o resolucin de problemas. Atencin personalizada Metodoloxas Prcticas a travs de TIC Descricin La atencin personalizada se har, globalmente, mediante tutoras
Seminario
Sesin maxistral
Proba obxectiva
Proba de resposta mltiple Seminario Proba obxectiva
personalizadas directas y virtuales, individuales y grupales.
Avaliacin Metodoloxas Seminario Proba obxectiva Prcticas a travs de TIC Proba de resposta mltiple Descricin Resolucin de problemas propuestos por el profesor por grupos de alumnos. Consistir en un examen de preguntas a desarrollar as como preguntas con respuestas mltiples de 2 horas de duracin. Trabajo en grupos en los que se desarrollarn supuestos prcticos mediante el uso de un paquete estadstico. Prueba corta a lo largo del cuatrimestre en las que se evaluar la progresin del alumno. Cualificacin 10 70 10 10
Observacins avaliacin El examen final de la asignatura incluir preguntas tericas y prcticas de opcin mltiple, aunque tambin podr darse la posibilidad de la inclusin de preguntas de respuesta desarrollada y problemas (70%). Los aspectos y criterios que se tendrn en consideracin al evaluar las actividades de las Prcticas a travs de la TIC y seminarios, son la asistencia, participacin y compromiso individual y grupal, coherencia de los contenidos abordados, conocimientos demostrados y competencias referidas para esta asignatura. El sistema de calificaciones se expresar mediante calificacin numrica de acuerdo con lo establecido en el art. 5 del Real Decreto 1125/2003 de 5 de septiembre (BOE 18 de septiembre), por el que se establece el sistema europeo de crditos y el sistema de calificaciones en las titulaciones universitarias de carcter oficial y validez en todo el territorio nacional Sistema de calificaciones: 0-4.9=Suspenso 5-6.9=Aprobado 7-8.9=Notable 9-10=Sobresaliente 9-10 Matrcula de Honor (Graciable) Fontes de informacin Bibliografa bsica
Marn, J. (1999). Estadstica Aplicada a las Ciencias de la Documentacin. Murcia: Diego Marn Editor Egghe, L. y Rousseau, R. (1990). Introduction to Infometrics. Quantitative Methods in Library, Documentation and Information Science. Amsterdam: Elsevier Cao, R., Labora, A., Naya, S. e Ros, M. (2001). Mtodos estatsticos e numricos. A Corua: Baa Edicins Moya, F., Lpez, J. y Garca C. (1996). Tcnicas Cuantitativas Aplicadas a la Biblioteconoma y Documentacin. Madrid: Sntesis Cao, R., Francisco, M., Naya, S., Presedo, M.A., Vzquez, M., Vilar, J.A. y Vilar, J.M. (2001). Introduccin a la Estadstica y sus aplicaciones. Madrid: Ediciones Pirmide Stephen, P. and Hornby, S. (1997). Simple statistics for library and information professionals. London: Library Association Publishing Pea, D. (2001). Fundamentos de estadstica. Madrid: Alianza
Gonick, L. e Smith, W. (2001). A estatstica en caricaturas!. Lugo: SGAPEIO Judit Bar-Ilan (2008). Informetrics at the beginning of the 21st centuryA review. Journal of Informetrics: ELSEVIER
S. Alonso, F.J. Cabrerizo, E. Herrera-Viedma ,F.Herrera (2009). h-Index: A review focused in its variants, computation and standardization for different scientific fields. Journal of Informetrics: ELSEVIER
Datos Identificativos Asignatura Titulacin Descriptores Clculo Infinitesimal ENXEEIRO NAVAL E OCENICO Crditos 12 Idioma Galego Cr. tericos 6.5 Cr. prcticos 5.5 Tipo Troncal Curso Primeiro Perodo Ciclo Anual Cdigo 730112103
Departamento Matemticas Coordinacin Profesorado Web Descricin xeral Nesta asignatura persguese un doble obxetivo: fomentar o desenvolvemento das capacidades lxicodeductivas do alumnado e proporcionar os coecementos necesarios para o estudio doutras materias especficas da carreira e do mbito profesional. Nesta asignatura presntanse as bases do clculo diferencial e integral de funcins dunha e de varias variables. Constite unha primeira aproximacin Clculo e senta as bases para resolver problemas que surxen nunha gran variedade de mbitos e, en particular, en diversas asignaturas da titulacin (como Fsica, Mecnica de Fluidos, Mtodos Numricos). Merino Gayoso, Eugenio Eduardo Merino Gayoso, Eugenio Eduardo Correo electrnico eugenio.merino@udc.es
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Dominio dos coecementos bsicos de funcins de unha e de varias variables: lmite, continuidade, derivadas parciais e diferenciabilidade, integral de funcins de unha, das e de tres variables sobre conxuntos elementis, sobre curvas e sobre superficies e teoremas do clculo vectorial. Capacidade para aplicar os coecementos tericos da asignatura a procesos estudados noutras asignaturas: Fsica, Mecnica, Estatstica, Electromagnetismo, Mecnica de Fluidos, Transferencia de Calor... Competencias da titulacin A1 A4 A5 B1 B2 B3 B10 B12 B1 B2 B3 B10 B11 B12 B15 B18 B2 B3 B5 B9 B10 B11 B12 B18 B1 B10 B11 B15 B18 C1 C2
A2 A3 A4 A5
C1 C2
Capacidade para aplicar os mtodos matemticos e de razonamento a outras situacins do mbito cientfico e tcnico
A2 A3 A4 A5 A6 A7 A8 A2 A4 A5
C1 C2
Dominio do significado xeomtrico subxacente ao formalismo matemtico empregado.
C1 C2
Contidos Temas 1. A recta real. Subtemas 1.1 Construccin intuitiva dos nmeros reais.
1.2 Topoloxa de R. Desigualdades. 2.1 Sucesin de nmeros reais. 2. Sucesins de nmeros reais. 2.2 Lmite dunha sucesin. 2.3 Sucesins de Cauchy. 2.4 Criterios de convergencia (Stolz, media aritmtica, media geomtrica, raz). 3.1 Funcin real de variable real. 3.2 Lmite dunha funcin nun punto. 3. Funcins reais de variable real. 3.3 Lmites infinitos e lmites no infinito. 3.4 Clculo de lmites. Lmite secuencial. 3.5 Continuidade de funcins reais de variable real. 3.6 Teorema de Bolzano. 4.1 Derivada dunha funcin real de variable real nun punto. Interpretacins geomtrica e fsica da derivada. 4.2 Regra da cadea. 4.3 Aplicacins da derivada. Aproximacin lineal. 4. Derivada dunha funcin real de variable real. 4.4 Teoremas do valor medio. 4.5 Derivadas de orde superior. 4.6 Estudio grfico de funcins (dominio, simetras, asntotas, crecemento e decrecemento, mximos e mnimos, concavidade, puntos de inflexin). 4.7 Regra de l'Hopital. Frmula de Taylor. 5.1 Integral de Riemann dunha funcin nun intervalo. Interpretacin geomtrica da integral. 5. Clculo integral en una variable. 5.2 Primitiva dunha funcin real de variable real. Mtodos de clculo de primitivas. 5.3 Teoremas fundamentais de clculo integral. Regra de Barrow. 6. Aplicacins da integral. 7. Integrais impropias. 6.1 Clculo de reas e volmenes de revolucin. 7.1 Integrais impropias de primeira e de segunda especie. 7.2 Criterios de convergencia de integrais impropias. 8.1 Serie numrica. 8. Series numricas. 8.2 Suma dunha serie. 8.3 Criterios de converxencia de series (do cociente, da raiz, de Raabe, de Duhamel, de Pringsheim, logartmico, integral). 9.1 Serie de funcins reais de variable real. 9. Series de funcins. 9.2 Convergencia puntual e uniforme dunha serie de funcins. 9.3 Series de potencias. Radio de converxencia. 10.1 Vectores en R2 e en R3 Producto escalar e producto vectorial. 10. O espacio eucldeo. 10.2 Coordenadas cilndricas e esfricas. 10.3 O espacio Rn. 11.1 Grficas, conxuntos de nivel. 11. Funcins reais de varias variables. 11.2 Lmite dunha funcin de varias variables nun punto. 11.3 Continuidade de funcins de varias variables. 11.4 Derivadas respecto dun vector e derivadas parciais.
11.5 Diferenciabilidade. Regra da cadea. Gradientes. 12.1 Derivadas parciais iteradas. 12.2 Frmula de Taylor. Mximos e mnimos de funcins de varias variables. 12. Derivadas de orde superior. 12.3 Extremos condicionados e multiplicadores de lagrange. 12.4 Teorema da funcin implcita e terorema da funcin inversa. 13. Campos vectoriais. 13.1 Diverxencia e rotacional. Laplaciano. 14.1 Integral doble como un volumen. 14.2 Principio de Cavalieri. 14. Integrais dobles e triples. 14.3 Integral doble nun rectngulo. Teorema de Fubini. 14.4 Integral doble nun recinto mais xeral. 14.5 Integral triple sobre rexins elementais. 15.1 Teorema de cambio de variable. 15. Frmula de cambio de variable 15.2 Integris en coordenadas polares, cilndricas e esfricas. e aplicacins da integral. 15.3 Clculo de valores medios, centros de masas e momentos de inercia. 16.1 Integrais longo de trayectorias e integrais de lnea. 16. Integrais sobre curvas e superficies. 16.2 Superficies parametrizadas. rea dunha superficie. 16.3 Integrais de funcins escalares e vectoriasis sobre superficies. 17.1 Teorema de Green 17. Teoremas de integracin do anlisis vectorial. 17.2 teorema de Gauss ou da divergencia 17.3 Teorema de Stokes. Planificacin
A Horas presenciais
3 75 60 0 60 16

0 0 0 64 0 16

3 75 60 64 60 32
Proba obxectiva Sesin maxistral Solucin de problemas Traballos tutelados Seminario Prcticas a travs de TIC
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas
Metodoloxas Proba obxectiva
Descricin Se trata do examen final da asignatura. Proporase a realizacin dunha serie de exercicios, similares a os propostos nos boletns de problemas. Tamn se podrn realizar cuestins de ndole terica Nas leccins maxistrais o profesor presentar os contidos tericos da asignatura, axudndose de exemplos ilustrativos co fin de motivar s alumnos e de axudar comprensin e asimilacin dos contidos. O profesor apoiarase en presentacins dinmicas que os alumnos podern descargar con antelacin do entorno virtual da asignatura. comenzo de cada tema, pondrase a disposicin dos alumnos un boletn de problemas. Durante as sesins de problemas, o profesor ou os alumnos resolvern algunhos destos problemas no encerado. Tamn se podrn resolver problemas que non aparezan no boletn: O profesor resolver problemas que considere de especial inters, as como aqueles que os alumnos soliciten. O objexivo destas sesins axudar comprensin das tcnicas presentadas en cada tema. Resolucin de problemas propostos polo profesor mediante boletns. O alumno deber preparar pola sa conta, c apoio do profesor, temas de consolidacin e ampliacin dos contidos tericos do programa. Ademais todos os alumnos debern expoer estes traballos en presencia dos compaeiros. Os alumnos debern utilizar aplicaciones informticas que permitan, mediante clculos aplicados ou representacins grficas, comprender e asentar mellor os coecementos tericos e prcticos da asignatura. Atencin personalizada
Sesin maxistral
Traballos tutelados Seminario
Metodoloxas Solucin de problemas Traballos tutelados Seminario Prcticas a travs de TIC
Descricin Durante as clases prcticas de problemas, o profesor atender as dudas que os alumnos plantexen en relacin coa realizacion de cada problema
Avaliacin Metodoloxas Descricin Trtase dunha proba de examen de resposta aberta na que se evaan os coecementos tericos e a capacidade de resolucin de problemas do alumno. Desarrllase por escrito e de modo presencial nas datas aprobadas pola Xunta de Facultade para a realizacin dos exames finis da asignatura. Cualificacin
Proba obxectiva
100
Traballos tutelados Seminario Prcticas a travs de TIC
0 0 0
N. Piskunov (2002). Clculo Diferencial e Integral. Limusa A. Garca Lpez et al. (2002). CALCULO II: TEORIA Y PROBLEMAS DE FUNCIONES DE VARIAS VARIABLES. Madrid, Clagsa F. Coquillat (1997). CALCULO INTEGRAL: METODOLOGIA Y PROBLEMAS. TEBAR FLORES
J. Marsden-A. Tromba (2006). CALCULO VECTORIAL. Pearson, Addison Wesley. J. Marsden-A. Weinstein. (1985). CALCULUS I, II, III. Springer-Verlag Bombal-Rodrguez-Vera. (1994). PROBLEMAS DE ANLISIS MATEMTICO. Alfa Centauro I. Ua Jurez, J. San Martn Moreno, V. Tomeo Peruch (2007). Problemas Resueltos de Clculo en Varias Variables. Thomson Bibliografa complementaria Recomendacins Materias que se recomenda ter cursado previamente
Materias que se recomenda cursar simultaneamente Fundamentos Fsicos de la Ingeniera/730112102 lgebra Lineal/730112104
Datos Identificativos Asignatura Titulacin Descriptores Estadstica ENXEEIRO NAVAL E OCENICO Crditos 5 Idioma Departamento Coordinacin Profesorado Web Matemticas Naya Fernandez, Salvador Naya Fernandez, Salvador Correo salvador.naya@udc.es electrnico Cr. tericos 2.5 Cr. prcticos 2.5 Tipo Curso Perodo 1 cuadrimestre Ciclo Cdigo 730112205
Troncal Segundo
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Participacin en proxectos multidisciplinares de enxeara naval e ocenica. Modelar matematicamente sistemas e procesos complexos de todos os mbitos da Enxeara Naval e Ocenica. Modelizar matemtica e computacin en centros tecnolxicos e de enxeara naval e ocenica. Resolver problemas de forma efectiva. Capacidade para encontrar e manexar a informacin. Analizar e descompoer procesos. Utilizar as ferramentas bsicas das tecnoloxas da informacin e as comunicacins (TIC) necesarias para o exercicio da sa profesin e para a aprendizaxe ao longo da sa vida. Contidos Temas Descripcin estadstica de una variable. Subtemas Conceptos generales. Distribuciones de frecuencias. Representaciones grficas. Medidas caractersticas. Vectores estadsticos. Regresin lineal. Correlacin. Conceptos generales. Definicin axiomtica de Kolmogorov. Asignacin de probabilidades: regla de Laplace. Definicin de probabilidad condicionada. Independencia de sucesos. Teoremas del producto, de la probabilidad total y de Bayes. Concepto de variable aleatoria unidimensional. Variables aleatorias discretas y continuas. Transformacin de variables aleatorias. Medidas caractersticas de una variable aleatoria. Desigualdad de Tchebychev. Variables aleatorias discretas notables: Distribucin uniforme discreta. Distribucin de A8 A1 A1 Competencias da titulacin A1 A2 A3 B2 B2 B5 B3 B16 B3 C2 C3 C3 C2 B1
Descripcin estadstica de varias variables.
Probabilidad.
Probabilidad condicionada.
Variables aleatorias unidimensionales. Distribuciones notables
discretas.
Bernoulli. Distribucin binomial. Distribucin geomtrica. Distribucin binomial negativa. Distribucin de Poisson. Distribucin Hipergeomtrica Variables aleatorias continuas notables: normal. El teorema central del lmite. Aproximacin entre distribuciones. Distribucin chi-cuadrado de Pearson. Distribucin t de Student. Distribucin F de Fisher-Snedecor. Conceptos generales. Muestreo. Generacin de variables aleatorias. Concepto de estimador puntual. La distribucin en el muestreo de un estimador puntual. Propiedades de los estimadores. Mtodos de obtencin de estimadores. Estimador puntual de la media. Estimador puntual de la varianza. Estimador puntual de una proporcin. Concepto de intervalo de confianza. Intervalos de confianza para la media. Intervalo de confianza para la varianza. Intervalo de confianza para una proporcin. Intervalos de confianza para la diferencia de medias. Intervalo de confianza para el cociente de varianzas. Intervalo de confianza para la diferencia de proporciones. Conceptos generales. Nivel crtico y nivel de significacin de un contraste. Potencia de un contraste. Procedimiento general de contraste de hiptesis. Contrastes para la media. Contraste para la varianza. Contraste para una proporcin. Contrastes para la diferencia de medias. Contraste para el cociente de varianzas. Contraste para la diferencia de proporciones. Contrastes de posicin. Contrastes de bondad de ajuste. Contrastes de independencia. Contrastes de homogeneidad. Introduccin al control estadstico de la calidad. Control por atributos. Control por variables. Control de recepcin. Control de procesos en un astillero.
Distribuciones notables continuas. Introduccin a la inferencia estadstica. Estimacin puntual.
Contraste de hiptesis
Control estadstico de la calidad. Aplicacin en Ingeniera Naval.
Planificacin
A Horas presenciais
34.4 2.5 10 2.5 3 0.5

51.6 2.5 10 2.5 4.5 0.25

86 5 20 5 7.5 0.75
Sesin maxistral Proba obxectiva Prcticas de laboratorio Actividades iniciais Prcticas a travs de TIC Debate virtual
0.75
0.75
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Descricin Se realizarn clases magistrales donde el profesor explicar, con la ayuda de medios audiovisuales adecuadoas (ordenador portatil y can de vdeo), los principales contenidos de la asignatura. Se fomentar en todo momento el debate entre los alumnos y entre los alumnos y el profesor. Se realizar una prueba al finalizar el curso que consistir en la realizacin de una serie de ejercicos prcticos y la reolucin de una prueba de respuesta mltiple. Parte de las clases prcticas se realizarn en un laboratorio informtico, donde con la ayuda de un software estadstico (Statgraphics) se realizarn distintas prcticas con datos reales o simulados que habrn sido proporcionadas con
Sesin maxistral
Proba obxectiva
anterioridad al estudiante. Se realizar una presentacin de la asignatura, donde adems de describir los principales datos de la misma, se establecer un debate con los estudiantes para conocer su formacin inicial y las expectativas que tienen al cursar esta asignatura. Teniendo en cuenta el carcter aplicado que se le quiere dar a la asignatura, una parte fundamental ser la resolucin de problemas por parte del profesor y de los alumnos. Los problemas sern proporcionados con antelacin en boletines de problemas, para lo que se utilizar el correo electrnico o alguna plataforma virtual de apoyo a la docencia. Se propondrn debates por parte del profesor sobre temas relacionados con la actualidad y la estadstica para despertare el espritu crtico del alumnado. Atencin personalizada Metodoloxas Sesin maxistral Proba obxectiva Actividades iniciais Descricin Se realizarn clases magistrales donde el profesor explicar, con la ayuda de medios audiovisuales adecuadoas (ordenador portatil y can de vdeo), los principales contenidos de la asignatura. Se fomentar en todo momento el debate entre los alumnos y entre los alumnos y el profesor. Para la resolucin de problemas ser importante atender personalmente a los alumnos ante las posibles dudas que puedan surgir. Esta atencin servir tambin, por una parte, al profesor para detectar posibles problemas en la metodologa utilizada para impartir la asignatura y, por otra, a los alumnos para consolidar conocimientos tericos y para expresar sus inquietudes acerca de la asignatura. Es tambin fundamental la atencin personalizada al estudiante durante las clases de prcticas de laboratorio, sobre todo hasta que no se familiarice con el software estadstico a utilizar.
Debate virtual
Avaliacin Metodoloxas Proba obxectiva Descricin se har un examen tipo test de 20 preguntas del curso y la resolucin de uno o dos problemas. Se realizarn prcticas en el aula de informtica, en donde el alumno tendr que aplicar los conceptos estudiados en clase a problemas prcticos con un programa estadstico. Cualificacin 65
35
Fontes de informacin Bibliografa bsica Bibliografa complementaria Recomendacins Materias que se recomenda ter cursado previamente Clculo Infinitesimal/730112103 lgebra Lineal/730112104
Materias que continan o temario Fiabilidade Estatstica/730112623
Datos Identificativos Asignatura Titulacin Descriptores Fiabilidade Estatstica ENXEEIRO NAVAL E OCENICO Crditos 3.5 Idioma Departamento Coordinacin Profesorado Matemticas Naya Fernandez, Salvador Naya Fernandez, Salvador Tarrio Saavedra, Javier Web salvador.naya@udc.es Correo electrnico javier.tarrio@udc.es Cr. tericos 2.5 Cr. prcticos 1 Tipo Troncal Curso CuartoQuinto Perodo 2 cuadrimestre Ciclo Cdigo 730112623
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Se pretende proporcionar los conocimientos bsicos que sobre fiabilidad debe tener el futuro Ingeniero. Se emplear un enfoque prctico y aplicado. En este sentido, se dar prioridad a la adquisicin de conceptos y mtodos aplicados sobre las demostraciones matemticas excesivamente formalistas. Competencias da titulacin A1 A3 A5 B2 B3 B10 B12 B22 C3
Contidos Temas Tema 1. Inferencia Estadstica Subtemas 1.1. Estimacin puntual. 1.2. Estimacin por intervalos de confianza. 1.3. Contraste de hiptesis. 2.1. 2.2. 2.3. 2.4. 2.5. 2.6. 2.7. 2.8. 2.9. Introduccin. El control de fabricacin por variables. El control de fabricacin por atributos. El control de fabricacin por nmero de defectos. Los grficos de control. Principios bsicos del diseo de experimentos. Modelos de diseo de experimentos para Ingeniera. Planes de muestreo. El control estadstico de calidad en Ingeniera Naval.
Tema 2. Control Estadstico de Calidad.
Tema 3. Conceptos de fiabilidad.
3.1. Introduccin. Ejemplos de datos de fiabilidad. 3.2. Censura. 3.3. Funciones de inters en fiabilidad. 3.4. Mtodos de inferencia no paramtricos. 3.5. Modelizacin del tiempo de fallo. 3.6. Mtodos de inferencia paramtricos: el mtodo de mxima verosimilitud. 4.1. 4.2. 4.3. 4.4. rboles de fallos: FMEA y FMECA. Diseo de experimentos para aumentar la fiabilidad. Fiabilidad en Ingeniera Naval. Software para fiabilidad. Planificacin
Tema 4. Otros temas de fiabilidad.
A Horas
B Horas non
C (A+B) Horas
presenciais

32 15 10 4
totais
Sesin maxistral Proba de resposta mltiple Prcticas a travs de TIC Traballos tutelados
16 1.5 5 4
48 16.5 15 8
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Sesin maxistral Proba de resposta mltiple Descricin Exposicin oral complementada con el uso de medios audiovisuales y la introduccin de algunas preguntas dirigidas a los estudiantes, con la finalidad de transmitir conocimientos y facilitar el aprendizaje. Esta prueba permitir evaluar el grado de adquisicin de conocimientos. Se realizarn supuestos prcticos, con datos reales, que sern analizados, en ordenador, por medio de un paquete estadstico. Prcticas a travs de TIC Gracias a esta metologa el estudiante aplicar y pondr en prctica los conocimientos adquiridos, facilitando el aprendizaje y el desarrollo de habilidades por parte del alumnado Consistir en el resumen de un artculo de investigacin relacionado con la asignatura, valorando la comprensin del mismo por parte del alumnado. Atencin personalizada Metodoloxas Sesin maxistral Descricin La atencin personalizada se har mediante tutoras personalizadas.
Traballos tutelados
Avaliacin Metodoloxas Proba de resposta mltiple Traballos tutelados Descricin La prueba consistir en un examen de tipo test (entre 10 y 20 cuestiones). Se tendr en cuenta la comprensin del articulo de investigacin analizado. Cualificacin 70 30
Meeker, W. y Escobar L. (1998). Statistical Methods of Reliability Data. Wiley Montgomery, D.C. (2009). Statistical Quality Control. Wiley
Bibliografa
complementaria Recomendacins Materias que se recomenda ter cursado previamente Estadstica/730112205
Materias que se recomenda cursar simultaneamente Xestin da Calidade/730112608
Datos Identificativos Asignatura Titulacin Descriptores Clculo Infinitesimal I ENXEEIRO INDUSTRIAL Crditos 5.5 Idioma Casteln Cr. tericos 3.5 Cr. prcticos 2 Tipo Troncal Curso Primeiro Perodo 1 cuadrimestre Ciclo Cdigo 730211102
Departamento Matemticas Coordinacin Profesorado Web Descricin xeral Nesta asignatura persguese un doble obxetivo: fomentar o desenvolvemento das capacidades lxicodeductivas do alumno e proporcionar os coecementos necesarios para o estudo doutras materias especficas da carreira e do mbito profesional. Presntanse as bases do clculo diferencial e integral de funcins dunha variable. Constite unha primeira aproximacin Clculo e senta as bases para resolver problemas que surxen nunha gran variedade de mbitos e, en particular, en diversas asignaturas da titulacin (como Fsica, Mecnica de Fluidos, Mtodos Numricos, Ecuacins diferenciis). Garca Rodrguez, Jos Antonio Garca Rodrguez, Jos Antonio Correo electrnico jose.garcia.rodriguez@udc.es
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Familiarizarse co linguaxe propio do Clculo Infinitesimal Competencias da titulacin A2 A3 A5 B1 B2 B3 B4 B8 B11 B13 B15 B1 B2 B3 B4 B8 B10 B11 B13 B15 B18 B21 B22 B1 B2 B3 B4 B8 B10 B11 B12 B13 B15 B1 B3 B4 C1 C2 C6 C7
Entender as caractersticas bsicas do plantexamento e resolucin dun problema matemtico facento uso das ferramentas que nos proporciona o clculo Infinitesimal Ser capaz de valorar a dificultade dun problema e de elexir o mtodo de clculo estudiado mis axeitado para a sa resolucin. Ter unha boa disposicin para a resolucin de problemas
A2 A3 A5
C1 C7 C8
Ser capaz de empregar a bibliografa e as ferramentas TIC disponibles para atopar a informacin necesaria para resolver un problema dado.
A2 A3 A5
C1 C3 C7
Dominio dos coecementos bsicos de funcins de una variable: lmite, continuidade, derivada, integral de funcins dunha variable Comprender a importancia da derivada como razn de cambio dunha magnitude (fsica, qumica, econmica) e valorar a sa
A2 A3 A5
utilidade para formular problemas matemticamente. Comprender o significado da integral e a sa interpretacin e uso para formular diversos problemas. Saber aplicar a integral para o clculo de reas planas e de superficies de revolucin, volumes de slidos, momentos de inercia.
B8 B10 B11 B12 B13 B15 A2 A3 A5 B1 B3 B10 B11 B15 C1 C3
Contidos Temas Subtemas 1.1. Relacins nun conxunto: Producto cartesiano. Relacin binaria. Relecin de Orden. Elementos notables dunha relacin de orde. Axioma de existencia de extremos nun conxunto acotado. 1.2. Desigualdades. Propiedades das desigualdades. 1. O Conxunto dos nmeros reais. 1.3. Valor absoluto: Definicin. Propiedades. Desigualdades notables: Schwarz, CauchySchwarz, Minkowsky. 1.4. Nocins bsicas: Espacio Topolxico. Conxuntos Abertos, pechados. Entorno. Punto de acumulacin, conxunto derivado. 2.1 Sucesin de nmeros reais. 2.2 Lmite dunha sucesin. 2. Sucesins de nmeros reais. 2.3 Sucesins de Cauchy. 2.4 Criterios de convergencia (Stolz, media aritmtica, media geomtrica, raz). 3.1 Funcin real de variable real. 3.2 Lmite dunha funcin nun punto. 3.3 Lmites infinitos e lmites no infinito. 3. Lmite de funcins. 3.4 Clculo de lmites. Lmite secuencial. 3.5 Continuidade de funcins reais de variable real. 3.6 Teorema de Bolzano. Teorema dos valores intermedios.
4.1. Definicin. Derivadas laterais. Continuidade e derivabilidade. Derivadas de orde superior, clase dunha funcin. Interpretacin xeomtrica e fsica da derivada. Derivadas das operacins elementais con funcins, e de funcins elementais. 4.2 Regra da cadea. Derivada da funcin inversa. Derivadas de funcins dadas en forma paramtrica. Diferencial. Aplicacins. 4. Derivacin. 4.3. Teoremas do valor medio: Teorema de Rolle. Teorema do valor medio de Lagrange. 4.4. Lmites indeterminados, regra de L'Hpital. Outras formas de indeterminacin. 4.3 Polinomio de Taylor. 4.4. Estudio local de funcins derivables. Determinacin de extremos. Representacin grfica de funcins dadas en forma explcita e paramtrica. 5.1. Integral dunha funcin acotada: Particins dun itervalo, propiedades. Sumas de Riemann. Integral de Riemann. Propiedades das funcins integrables. Criterios de integrabilidade. Propiedades das funcins integrables. 5.2. Teoremas de: Valor medio, fundamental do Clculo, regra de Barrow.
5. Integracin.
5.3. Primitiva. Tcnicas de clculo de primitivas. 5.4. Aplicacins da integral: Clculo de reas planas. reas de corpos de revolucin. Curva rectificable, lonxitude dun arco. Volume dun corpo de revolucin. Volume dun corpo de seccin coecida. Teoremas de Pappus-Guldin. 5.5. Integral impropia: Definicins. Criterio de converxencia de Cauchy. Converxencia de integris de integrando non negativo, criterios de comparacin: maiorante, cociente, paso lmite. Converxencia absoluta e condicional. 5.5. Integris elpticas. 6.1. Sumas parciais. Converxencia. Caso da serie armnica. lxebra de series. Criterio de converxencia de Cauchy. Supresin ou adicin de termos. Series xeomtricas. 6. Series de nmeros reais. 6.2. Series de termos positivos. Criterios de comparacin con outra serie: da maiorante, do cociente, por paso lmite. Criterios que implican unha nica serie: do cociente, da raz, de Raabe, de Pringsheim, criterio da integral. 6.3. Series alternadas: Definicin. Criterio de Leibniz. 6.4. Series de termos arbitrarios: Converxencia absoluta e condicional. Propiedades. 7.1. Sucesins de funcins. Dominio de converxencia. Converxencia puntual e uniforme. Condicin de Cauchy. Continuidade, derivabilidade, e integrabilidade do lmite dunha sucesin de funcins. 7. Sucesins e series de funcins. 7.2. Series de funcins. Dominio de converxencia. Converxencia puntual e uniforme. Criterio M de Weierstrass. Continuidade, derivabilidade, e integrabilidade de series de funcins. 7.3. Series de potencias. Intervalo e radio de converxencia. Determinacin do radio de converxencia. Converxencia uniforme. Propiedades da suma dunha serie de potencias: continuidade, derivabilidade, e integrabilidade. Desenrolo dunha funcin en serie de potencias.
Planificacin
A Horas presenciais
3 30 32 0 15

0 0 32 12 7.5

3 30 64 12 22.5
Proba obxectiva Sesin maxistral Solucin de problemas Traballos tutelados Prcticas a travs de TIC
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Descricin Trtase do examen final da asignatura. Proporase a realizacin dunha serie de exercicios, similares a os propostos nos boletns de problemas. Tamn se podrn realizar cuestins curtas de ndole terica para avaliar a comprensin dos conceptos da asignatura Nas leccins maxistrais o profesor presentar os contidos tericos da asignatura, axudndose de exemplos ilustrativos co fin de motivar s alumnos e de axudar
Proba obxectiva
Sesin maxistral
comprensin e asimilacin dos contidos. O profesor apoiarase en presentacins dinmicas que os alumnos podern descargar con antelacin do entorno virtual moodle da asignatura. comenzo de cada tema, pondrase a disposicin dos alumnos un boletn de problemas. Durante as sesins de problemas, o profesor ou os alumnos resolvern algunhos destos problemas no encerado. Tamn se podrn resolver problemas que non aparezan no boletn: O profesor resolver problemas que considere de especial inters, as como aqueles que os alumnos soliciten. O objexivo destas sesins axudar comprensin das tcnicas presentadas en cada tema. Resolucin de problemas propostos polo profesor mediante boletns. Os alumnos debern utilizar aplicaciones informticas que permitan, mediante clculos aplicados ou representacins grficas, aproximar numricamente sumas de series, integris definidas, volumes, etc O obxetivo destas prcticas ser comprender e asentar mellor os coecementos tericos e prcticos da asignatura axudndose do ordenador para levar a cabo os clculos. Atencin personalizada Metodoloxas Solucin de problemas Traballos tutelados Prcticas a travs de TIC Descricin Durante as clases prcticas de problemas, o profesor atender as dudas que os alumnos plantexen en relacin coa realizacion de cada problema En sesins de tutoras o profesor atender a todas aquelas dbidas que podan surxir para a elaboracin dos traballos tutelados. Nas prcticas TIC mostrarase s alumnos cmo empregar a aplicacin informtica que se vai empregar mediante exemplos que sirvan de gua posterior para a realizacin das prcticas que os alumnos tern que entregar.
Traballos tutelados
Avaliacin Metodoloxas Descricin Trtase dunha proba de examen de resposta aberta na que se evaan os coecementos tericos e a capacidade de resolucin de problemas do alumno. Desarrllase por escrito e de modo presencial nas datas aprobadas pola Xunta de Facultade para a realizacin dos exames finis da asignatura. O alumno ter que presentar unha coleccin de problemas resoltos, seleccionados dentre os propostos en boletns entrgados polo profesor O alumno ter que entregar unhas prcticas facendo uso das ferramentas informticas presentadads na asignatura Cualificacin
Proba obxectiva
80
Traballos tutelados
10
10
Demidovich, B (1976). 5000 problemas de Anlisis Matemtico. Madrid. Paraninfo Piskounov, N. (1977). Clculo Diferencial e Integral. Mosc. Mir Garca, A. et al. (2007). Clculo I. Teora y Problemas de Anlisis Matemtico en Una Variable. Madrid. Clagsa Burgos Romn, Juan de (2007). Clculo infinitesimal de una variable. Madrid. McGraw-Hill Soler, M., Bronte, R., Marchante, L. (1992). Clculo infinitesimal e integral. Madrid
Garca Castro, F., Gutirrez Gmez, A. (1990-1992). Clculo Infinitesimal. I-1,2. Pirmide. Madrid Tbar Flores, E. (1977). Clculo Infinitesimal. I-II. Madrid. Tbar Flores Coquillat, F (1997). Clculo Integral. Madrid. Tebar Flores Spiegel, M. R. (1991). Clculo Superior. Madrid. McGraw-Hill Marsden, J. Weinstein, A. (1985). Calculus. I-II. NY. Springer Salas, L., Hille, E., Etgen, G. (2003). Calculus. vol I.. Madrid. Revert De Diego, B. (1991). Ejercicios de Anlisis: Clculo diferencial e intergral (primer curso de escuelas tcnicas superiores y facultades de ciencias). Madrid. Deimos Fernndez Via, J. A., Snchez Maes, E. (1994). Ejercicios y Complementos de Anlisis Matemtico, I. Madrid. Tecnos Varios (1990). Problemas de Clculo Infinitesimal. Madrid. R.A.E.C. Bibliografa complementaria Recomendacins Materias que se recomenda ter cursado previamente lxebra Lineal/730211101 Teora de Estruturas II/730211312 Clculo Infinitesimal I/730211102 Fsica I/730211104 Fsica II/730211106 Ecuacins Diferenciais/730211107 Clculo Infinitesimal II/730211108 Mecnica Fundamental I/730211205 Mtodos Simblicos e Numricos/730211206 Estatstica/730211209 Mecnica de Fludos/730211302 Mtodos Matemticos/730211304 Teora de Estruturas I/730211305 Fsica Nuclear/730211313
Materias que se recomenda cursar simultaneamente lxebra Lineal/730211101 Fsica I/730211104
Observacins Recomndase seguir as indicacins dos profesores da materia e levar a asignatura da. Esto facilitar a realizacin dos problemas e a preparacin do exame final.
Datos Identificativos Asignatura Titulacin Descriptores Clculo Infinitesimal II ENXEEIRO INDUSTRIAL Crditos 5.5 Idioma Departamento Coordinacin Profesorado Web Galego Matemticas Merino Gayoso, Eugenio Eduardo Merino Gayoso, Eugenio Eduardo Correo eugenio.merino@udc.es electrnico Cr. tericos 2 Cr. prcticos 3.5 Tipo Troncal Curso Primeiro Perodo 2 cuadrimestre Ciclo Cdigo 730211108
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Dominio dos coecementos bsicos de funcins de varias variables: lmite, continuidade, derivadas parciais e diferenciabilidade, integral de funcins de das e de tres variables sobre conxuntos elementais, sobre curvas e sobre superficies e teoremas do clculo vectorial. Capacidade para aplicar os coecementos tericos da asignatura a procesos estudados noutras asignaturas: Fsica, Mecnica, Estatstica, Electromagnetismo, Mecnica de Fluidos, Transferencia de Calor... Competencias da titulacin A2 A4 A5 B1 B2 B3 B10 B12 B1 B2 B3 B10 B11 B12 B15 B18 B2 B3 B5 B9 B10 B11 B12 B18 B1 B10 B11 B15 B18 C1 C2
A2 A3 A4 A5
C1 C2
Capacidade para aplicar os mtodos matemticos e de razonamento a outras situacins do mbito cientfico e tcnico.
A2 A3 A4 A5 A6 A7 A8 A2 A4 A5
C1 C2
C1 C2
Contidos Temas Subtemas 1.11.21.31.41.52.12.22.32.4Vectores en espazos de dimensin 2 ou 3 Estrutura de espazo vectorial Producto escalar Producto vectorial Coordenadas non cartesianas Grafo de f Conxuntos de nivel Lmite nun punto Continuaidade
1- O espazo R^n
2- Funcins de n variables
3- Diferenciacin I
3.13.23.33.43.53.64.14.24.34.44.55.15.25.35.45.55.66.16.26.36.46.56.67.17.37.47.57.68.18.28.38.48.58.69.19.29.39.49.5-
Derivadas parciais Plano tanxente ao grafo de f Aproximacin linear Diferenciabilidade Matriz Jacobiana Propiedades da diferencial Gradiente dunha funcin escalar Derivada direccional Direccin mxima de crecemento Derivadas parciais de orde superior Teorema de Taylor Extremos locais Test da primeira derivada Matriz Hessiana e test da segunda derivada Extremos condicionados, Teorema de Lagrange Teoremas das funcins implcita e inversa Derivacin das funcins implcita e inversa Integral dunha funcin escalar de das variables Principio de Cavalieri Integral iterada Conxuntos elementais Cambio de variable na integral doble Aplicacins da integral doble Integral dunha funcin escalar de tres variables Conxuntos elementais Integral tripla en conxuntos elementais Cambio de variable na integral tripla Aplicacins da integral tripla Curvas parametrizadas no plano e no espazo. Integral de lia de funcins escalares Integral de lia de funcins vectoriais Cambio da parametrizacin Integral de lia de gradientes Teorema de Green Superficie parametrizada S Vectores tanxentes a S res dunha superficie parametrizada Integral sobre S dunha funcin escalar Integral sobre S dunha funcin escalar Diverxencia e Rotacional dunha funcin Teorema de Gauss ou da Diverxencia Teorema de Stokes Aplicacins
4- Diferenciacin II
5- Extremos, funcins implcita e inversa
6- Integral doble
7- Integral tripla
8- Traxectorias, integral de lia
9- Superficies parametrizadas, integrais sobre superficies
10- Osteoremas do Clculo Vectorial
10.110.210.310.4Planificacin
A Horas presenciais
40 60 0 10

0 0 17.5 0

40 60 17.5 10
Presentacin oral Solucin de problemas Traballos tutelados Proba obxectiva
10
10
Metodoloxas Metodoloxas Descricin Presentacin por parte do profesor dos contidos bsicos da parte terica de cada tema. Esta presentacin farase de modo esquemtico e orientado tanto correcta comprensin dos contidos como sa utilidade prctica nesta ou noutras asignaturas da carreira. Os alumnos debern solucionar pola sa conta problemas propostos polo profesor e encamiados consolidacin dos coecementos tericos e s aplicacins prcticas en calquera rea. Traballos encamiados a que o alumno amplie e consolide os contidos de cada tema que o profesor presente oralmente de modo esquemtico. Estes traballos deben servir tamn para que o alumno se afaga ao coecemento e o uso dos medios bibliogrficos proporcionados. Proba escrita na que o alumo debe amosar o dominio e a competencia acadados durante o desenvolvemento da asignatura. Dependendo do caso esta proba pode realizarse con ou sen axuda de material bibliogrfico. Atencin personalizada Metodoloxas Solucin de problemas Descricin Os alumnos debern solucionar pola sa conta problemas prcticos sobre os contidos da asignatura. Ainda que esta proba debe servir tamen para que o alumno se afaga a superar obstculos pola sa conta coa axuda do material bibliogrfico proprcionade, necesario un seguimento por parte do profesor tanto de orientacin xeral sobre os mtodos tiles na solucin de problemas como de resolucin de dvidas relativas s cuestins concretas de cada problema. Para elo a disponibilidade do profesor debe ser continua e individualizada, atendendo a cda alumno por separado regularmente e sempre que ste o considere necesario.
Presentacin oral
Traballos tutelados
Proba obxectiva
Avaliacin Metodoloxas Solucin de problemas Traballos tutelados Proba obxectiva Proba escrita de coecemento e dominio tanto da parte terica como da parte prctica dos contidos da asignatura. Descricin Cualificacin 0 0 100
J. Marsden e A. Tromba (2005). Clculo Vectorial. Madrid T. Apostol (1991). Calculus, vol 2. Barcelona
J. Marsden e M. Hoffman (1998). Anlisis clsico elemental. Delaware A. Garca, A. Lpez, G. Rodrguez, S. Romero e A. de la Villa (1996). Clculo II. Teora y problemas de funciones de varias variables. Madrid F. Coquillat (1997). Clculo Integral, metodologa y problemas. Madrid J. Marsden e A. Weinstein (1985). Calculus I, II e III. New York
F. Bombal, L. Marn e G. Vera (1982). Problemas de Anlisis Matemtico, 1,2 e 3. Madrid I. Ua Jurez, J. San Martn Moreno, V. Tomeo Peruch (2007). Problemas Resueltos de Clculo en Varias Variables. Thomson
Recomendacins Materias que se recomenda ter cursado previamente lxebra Lineal/730211101
Materias que continan o temario lxebra Lineal/730211101 Clculo Infinitesimal I/730211102
Datos Identificativos Asignatura Titulacin Descriptores Anlise estatstica de datos Mestrado Universitario en Materiais Complexos: Anlise Trmica e Reoloxa (plan 2012) Crditos 3 Idioma Departamento Coordinacin Profesorado Ingls Matemticas Naya Fernandez, Salvador Francisco Fernandez, Mario Naya Fernandez, Salvador Web http://www.udc.es mario.francisco@udc.es Correo electrnico salvador.naya@udc.es Cr. tericos 1.5 Cr. Tipo prcticos 1.5 Troncal Curso Primeiro Perodo Ciclo Cdigo 730495005
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Formar a los alumnos en los principios tericos y metodolgicos para la investigacin cuantitativa, en el sentido del anlisis estadstico de los datos. Conocer las tcnicas estadsticas ms habituales en el mbito biosanitario. Competencias da titulacin AI4 AI4 BI7 BI2 BI3 BI4 BI5 BI10 CI6
Fomentar la participacin activa en clase y el trabajo en equipo con anlisis de datos de inters para facilitar la asimilacin de contenidos terico-prcticos de otras materias del mster relacionas; as como, incentivar el uso de las tutoras para favorecer el aprendizaje prestando al alumno una atencin personalizada. Contidos Temas Subtemas
AI4
I. Anlisis exploratorio de datos
1.1. Introduccin a la bioestadstica 1.1.1 Resumen numrico de datos: Medidas caractersticas: medidas de posicin, de dispersin y de forma. 1.1.2. Vectores estadsticos. 1.2. Regresin y correlacin. 1.3. Representaciones grficas. 2.1. Modelo de regresin lineal simple. 2.2. Elementos de un modelo de regresin. 2.2.1.El modelo lineal. 2.2.2. Estimacin de los parmetros por mnimos cuadrados. 2.2.3. Propiedades de los estimadores. 2.2.4. Inferencia sobre los parmetros. 2.3. Validacin de un modelo de regresin. 2.4. Herramientas informticas para el estudio de la regresin. 3.1. 3.2. 3.3. 3.4. 3.5. 3.6. Principios bsicos del diseo de experimentos. Etapas en la plani?cacin de un experimento. Diseos con una fuente de variacin. El modelo ANOVA. Diseos con varios factores. Diseos factoriales. Diseos factoriales y superficies de respuesta. Aplicaciones de diseos de experimentos a materiales complejos.
II. Modelos de Regresin
III. Diseo y Anlisis de Experimentos.
Planificacin
A Horas presenciais
10 5 2 2

13 20 12 8

23 25 14 10
Sesin maxistral Traballos tutelados Prcticas a travs de TIC Proba obxectiva
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Descricin La sesin magistral es una modalidad de enseanza basada en la exposicin terica por parte del profesor como va de transmisin de conocimientos fundamentales sobre la materia. Se trata de hacer una exposicin oral complementada con el uso de medios audiovisuales y la introduccin de algunas preguntas dirigidas a los estudiantes, con la finalidad de transmitir conocimientos y facilitar el aprendizaje. La clase magistral es tambin conocida como conferencia o mtodo expositivo o leccin magistral. Esta ltima modalidad se suele reservar a un tipo especial de leccin impartida por un profesor en ocasiones especiales, con un contenido que supone una elaboracin original y basada en el uso casi exclusivo de la palabra como va de transmisin de la informacin a la audiencia. Metodologa diseada para promover el aprendizaje autnomo de los estudiantes; basada en la asuncin por parte de los estudiantes de la responsabilidad de su propio aprendizaje bajo la tutela del profesor y en escenarios variados (acadmicos y profesionales). Est referida prioritariamente al aprendizaje del cmo hacer las cosas.Constituye una opcin basada en la asuncin por los estudiantes de la responsabilidad por su propio aprendizaje. Este sistema de enseanza se basa en dos elementos bsicos: el aprendizaje independiente de los estudiantes y el seguimiento de este aprendizaje por el profesor-tutor. Metodologa que permite al alumnado aprender de forma efectiva, a travs de actividades de carcter prctico (demostraciones, simulaciones, anlisis de datos mediante paquetes estadsticos, etc) la teora de un mbito de conocimiento, mediante la utilizacin de las tecnologas de informacin e las comunicaciones. Las TIC suponen un excelente soporte y canal para el tratamiento de la informacin y aplicacin prctica de conocimientos, facilitando el aprendizaje y el desarrollo de habilidades por parte del alumnado. Lecturas fundamentales sobre la materia con realizacin de recensin por parte del alumno. Atencin personalizada Metodoloxas Sesin maxistral Traballos tutelados Descricin Resolucin de dudas, aclaraciones, etc. Anlisis y valoracin crtica de literatura cientfica. Ayuda a su planteamiento y seguimiento. Seguimiento personalizado de cada una de las fases de los trabajos de curso
Sesin maxistral
Traballos tutelados
Proba obxectiva
planteados (individuales o en grupo). Acompaamiento del alumnado con explicacin de lo que se va a visitar y relevancia. Seguimiento directo y continuado del alumno que permita registrar de forma personalizada cualquier variable que nos de indices para evaluar o comprobar su correcta integracin en la dinmica del curso. Tutela y coordinacin de actividades planteadas, resolucin de dudas, explicaciones adicionales, etc.
Avaliacin Metodoloxas Sesin maxistral Descricin Explicacin terica de temas nucleares o nociones bsicas de la materia. La asistencia por parte del alumnado a estas sesiones es obligatoria y computa en la calificacin final. Metodologa diseada para promover el aprendizaje autnomo, y en grupo, de los estudiantes; basada en la asuncin por los estudiantes de la responsabilidad por su propio aprendizaje bajo la tutela del profesor y en escenarios variados (acadmicos y profesionales). Est referida prioritariamente al aprendizaje del cmo hacer las cosas. Incluida la presentacin que los alumnos hacen de los diferentes trabajos tutelados. Versa sobre cuestiones fundamentales de la materia utilizando las TIC, principalmente el empleo de programas de estadstica para el tratamiento de la informacin. Mediante pequeo grupo o tutora individualizada, el profesor guiar el proceso de realizacin del trabajo como metodologa no presencial, basndose en las prcticas realizadas durante la asignatura. Cualificacin 20
Traballos tutelados
20
20
Proba obxectiva
40
Observacins avaliacin La presentacin por parte del alumno de los trabajos de curso planteados en la asignatura deber hacerse como mximo en la fecha oficial del examen de la asignatura para cada una de las convocatorias a las que se presente. Fontes de informacin Bibliografa bsica
Cao R., Franciso M, Naya S., Presedo M., Vzquez M., Vilar J.A. y Vilar J.M. (2001). Introduccin a la Estadstica y sus aplicaciones. . Editorial Pirmide Jos Hernndez Orallo, M.Jos Ramrez Quintana, Csar Ferri Ramrez. (2004). INTRODUCCIN A LA MINERA DE DATOS. Editorial Pearson. Faraway, J.J. (2004). Linear models with R. . Chapman and Hall. Ugarte L. Militino A. and Arnholt A. (2007). Probability and Statistics with R. CRC Press Draper, N.R. y Smith, H. (1998). Applied Regression Analysis.. Wiley. Greene, W. Pea, D. (2002). Regresin y diseo de experimentos. . Alianza Editoria Venables, W.N. y Ripley, B.D. (2002). Modern applied statistics with S. . Springer http://www.r-project.org/ (). . Vikneswaran (2005). An R companion to Experimental Design. URL http://CRAN.Rproject.org/doc/contrib/Vikneswaran-ED-companion.pdf.
Bibliografa complementaria Sons
Montgomery, D.C. (2009). Design and Analysis of Experiments. 7th Edition,. J. Wiley and
Box, G.E.P., Hunter, W.G. y Hunter J.S. (2005). Statistics for Experimenters: Design, Innovation, and Discovery. 2nd. Edition, . Wiley, New York
Datos Identificativos Asignatura Titulacin Descriptores CLCULO GRAO EN ARQUITECTURA NAVAL Crditos 6 Idioma Departamento Coordinacin Profesorado Casteln Galego Matemticas Merino Gayoso, Eugenio Eduardo Brozos Vzquez, Miguel Merino Gayoso, Eugenio Eduardo Web http://campusvirtual.udc.es/moodle miguel.brozos.vazquez@udc.es Correo electrnico eugenio.merino@udc.es Cr. tericos 6 Cr. prcticos 0 Tipo Troncal Curso Primeiro Perodo 1 cuadrimestre Ciclo Cdigo 730G01101
Descricin xeral Nesta materia estudiarnse fundamentalmente cuestins relativas o clculo en varias variables: topoloxa; continuidade, diferenciabilidade e integracin de funcins.
Competencias da titulacin Cdigo Competencia Resultados de aprendizaxe Competencias de materia (Resultados de aprendizaxe) Familiarizarse coa linguaxe propia do Clculo Infinitesimal Entender as caractersticas bsicas do plantexamento dun problema matemtico facento uso das ferramentas que nos proporciona o Clculo Infinitesimal. Ser capaz de valorar a dificultade dun problema e de elexir o mtodo de clculo estudiado mis axeitado para a sa resolucin. Ter unha boa disposicin para a resolucin de problemas. Ser capaz de empregar a bibliografa e as ferramentas TIC disponibles para atopar a informacin necesaria para resolver un problema dado. Coecer e dominar as operacins bsicas con nmeros complexos. Coecer o significado xeomtrico subxacente ao formalismo matemtico empregado. Ser capaz de representar no plano e no espacio empregando distintos sistemas de coordenadas Dominar os coecementos bsicos de funcins de varias variables: conxuntos de nivel, lmite, continuidade Comprender a importancia da derivada parcial como razn de cambio dunha magnitude (fsica, qumica, econmica) e valorar a sa utilidade para formular problemas matematicamente. Comprender o significado da integral e a sa interpretacin e uso para formular diversos problemas. Saber aplicar a integral para o clculo de reas planas, reas de superficies de revolucin e volumes de slidos. Contidos Temas Subtemas O conxunto dos nmeros complexos. Operacins: suma, producto. Mdulo. Forma Exponencial. Operacins en forma exponencial. Producto escalar, norma e distancia. Clasificacin de puntos e conxuntos. Competencias da titulacin
O corpo dos nmeros complexos
Topoloxa en R^n
Topoloxa en R: conxunto acotado, supremo, nfimo, mximo e mnimo. Coordenadas polares, cilndricas e esfricas. Funcins escalares e vectoriais. Conxuntos de nivel. Continuidade. Continuidade en compactos. Derivada direccional. Derivadas parciais: propiedades e clculo prctico. Diferencial dunha funcin. Relacin entre diferencial e derivadas parciais. Vector gradiente, relacin coas derivadas direccionais. Derivadas parciais de orde superior. Matriz Jacobiana. Teorema de Taylor para funcins reais e escalares. Puntos crticos, clasificacin. Matriz Hessiana. Extremos condicionados: reduccin da dimensin, mtodos dos multiplicadores de Lagrange. Sumas de Riemann. Funcins integrables. Teoremas de clculo integral: Teorema do Valor Medio, Teorema Fundamental e Regra de Barrow. Clculo de primitivas. Interpolacin polinmica. Integracin numrica: mtodo de Simpson. Clculo de volumes. Integrais dobres. Integrais triples. Cambio de variables nas integrais dobres e triples. Aplicacins das integrais: clculo de reas e volumes. Prcticas c programa de software libre MAXIMA
Funcins de varias variables
Diferenciacin de funcins vectoriais
Aplicacins da diferenciacin de funcins vectoriais
Integracins de funcins reais
Integracin mltiple
Apndice: Programa de clculo matemtico MAXIMA
Planificacin
A Horas presenciais
30 20 8 4

45 30 0 9

75 50 8 13
Sesin maxistral Solucin de problemas Proba obxectiva Obradoiro
*Os datos que aparecen na tboa de planificacin son de carcter orientativo, considerando a heteroxeneidade do alumnado Metodoloxas Metodoloxas Sesin maxistral Descricin Exposicin oral complementada co uso de medios audiovisuais e a introducin de algunhas preguntas dirixidas aos estudantes, coa finalidade de transmitir coecementos e facilitar a aprendizaxe. Tcnica mediante a que se ten que resolver unha situacin problemtica concreta e exercicios aplicados da materia, a partir dos coecementos que se traballaron.
Proba obxectiva
Proba escrita utilizada para a avaliacin da aprendizaxe, cuxo trazo distintivo a posibilidade de determinar se as respostas dadas son ou non correctas. Constite un instrumento de medida, elaborado rigorosamente, que permite avaliar coecementos, capacidades, destrezas, rendemento, aptitudes, actitudes, intelixencia, etc. Modalidade formativa orientada aplicacin de aprendizaxes na que se poden combinar diversas metodoloxas/probas (exposicins, simulacins, debates, solucin de problemas, prcticas guiadas, etc) a travs da que o alumnado desenvolve tarefas eminentemente prcticas sobre un tema especfico, co apoio e supervisin do profesorado. Atencin personalizada
Obradoiro
Metodoloxas
Descricin
Avaliacin Metodoloxas Descricin Proba escrita que utilizada para a avaliacin da aprendizaxe. A probra constar de tres partes, a primeira realizarase no periodo previsto para os exames parciais e incluir a materia explicada ata entn. Esta parte ser eliminatoria e recuperable. A segunda parte realizarase no periodo usual de exames finais. O peso destas das partes ser do 90% da nota final. A terceira parte consistir nunha proba relativa ao uso do programa de clculo MAXIMA onde o alumno amose a sa capacidade para resolver problemas dos contidos da asignatura mediante o uso do programa. O peso desta terceira parte ser do 10% da nota final. Cualificacin
Proba obxectiva
100
Salas, L., Hille, E., Etgen, G. (2003). Calculus. vol I.. Madrid. Revert Piskounov, N. (1977). Clculo Diferencial e Integral. Mosc. Mir Marsden, J. Weinstein, A. (1985). Calculus. I-II. NY. Springer Garca, A. et al. (2007). Clculo I. Teora y Problemas de Anlisis Matemtico en Una Variable. Madrid. Clagsa Garca Castro, F., Gutirrez Gmez, A. (1990-1992 ). Clculo Infinitesimal. I-1,2. Pirmide. Madrid Fernndez Via, J. A., Snchez Maes, E. (1994). Ejercicios y Complementos de Anlisis Matemtico, I. Madrid. Tecnos Demidovich, B (1976). 5000 problemas de Anlisis Matemtico. Madrid. Paraninfo De Diego, B. (1991). Ejercicios de Anlisis: Clculo diferencial e intergral (primer curso de escuelas tcnicas superiores y facultades de ciencias). Madrid. Deimos Coquillat, F (1997). Clculo Integral. Madrid. Tebar Flores Burgos Romn, Juan de (2007). Clculo infinitesimal de una variable. Madrid. McGraw-Hill
Salas, L., Hille, E., Etgen, G. (2003). Calculus. vol II. . Madrid. Revert Soler, M., Bronte, R., Marchante, L. (1992). Clculo infinitesimal e integral. Madrid Spiegel, M. R. (1991). Clculo Superior. Madrid. McGraw-Hill Tbar Flores, E. (1977). Clculo Infinitesimal. I-II . Madrid. Tbar Flores Varios (1990). Problemas de Clculo Infinitesimal . Madrid. R.A.E.C. Bibliografa complementaria As seguintes pxinas web poden resultar de interese para o estudio da materia: www.intmath.com www.ies.co.jp/math/java/ http://demonstrations.wolfram.com/ http://dm.udc.es/elearning/
www.intmath.com www.ies.co.jp/math/java/ http://193.146.36.49/mat1

Análisis Bioestadística Avanzada

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Análisis Bioestadística Avanzada

Загружено:

Авторское право:

Доступные форматы

Matemticas

B Horas non presenciais / traballo autnomo

C (A+B) Horas totais

Recomendacins Materias que se recomenda ter cursado previamente Matemticas/610212106

Materias que se recomenda cursar simultaneamente

Materias que continan o temario Anlise Bioestatstica/610212304

Deseo e Anlise de Experimentos

Introduccin Anlise Multivariante

B Horas non presenciais / traballo autnomo

C (A+B) Horas totais

Materias que se recomenda cursar simultaneamente

Materias que continan o temario

Observacins - Estudar a materia de forma gradual - Facer uso das titoras

Troncal Primeiro2 Segundo- cuadrimestre Terceiro

Idioma Departamento Coordinacin Profesorado Web

B Horas non presenciais / traballo autnomo

C (A+B) Horas totais

JOHNSON, R. A. Y BAHTTACHARIYA, G. K. (1992). Statistical Principes and Methods. . J.

Materias que se recomenda cursar simultaneamente

Materias que continan o temario

Observacins - Estudar a materia de forma gradual - Facer uso das titoras

B Horas non presenciais / traballo autnomo

C (A+B) Horas totais

Traballos tutelados Proba mixta Sesin maxistral Solucin de problemas

Metodoloxas Traballos tutelados

Materias que se recomenda cursar simultaneamente

Materias que continan o temario

B Horas non presenciais / traballo autnomo

C (A+B) Horas totais

Materias que se recomenda cursar simultaneamente

Materias que continan o temario

B Horas non presenciais / traballo autnomo

C (A+B) Horas totais

Prcticas de laboratorio Sesin maxistral Proba mixta Traballos tutelados

Prcticas de laboratorio Traballos tutelados

Materias que se recomenda cursar simultaneamente

Materias que continan o temario Bioinformtica/610475104

graciela.estevez.perez@udc.es ana.gonzalez.tizon@udc.es andres.martinez@udc.es

TEMA 4. LOS CROMOSOMAS X E Y EN ANLISIS FORENSE.

TEMA 7. ANLISIS BIOESTADSTICO EN GENTICA FORENSE.

TEMARIO DE PRCTICAS DE LABORATORIO, PIZARRA Y ORDENADOR.

B Horas non presenciais / traballo autnomo

C (A+B) Horas totais

Portafolios do alumno Lecturas

Xenmica e Protemica/610475103 Bioinformtica/610475104

Materias que se recomenda cursar simultaneamente Aspectos legais e ticos en Biotecnoloxa/610475203

Materias que continan o temario PROXECTO FIN DE MSTER/610475006 PRCTICAS EXTERNAS/610475007

2 Mestrado cuadrimestre Oficial

B Horas non presenciais / traballo autnomo

C (A+B) Horas totais

Atencin personalizada Metodoloxas Descricin

Avaliacin Metodoloxas Descricin Cualificacin

Materias que se recomenda cursar simultaneamente

Materias que continan o temario

B Horas non presenciais / traballo autnomo

C (A+B) Horas totais

Sesin maxistral Solucin de problemas Traballos tutelados Proba de resposta mltiple

Proba de resposta mltiple

Avaliacin Metodoloxas Descricin Cualificacin

Sesin maxistral Proba de resposta mltiple Traballos tutelados Solucin de problemas

LARSON (2006). CALCULO. McGrawHill

Recomendacins Materias que se recomenda ter cursado previamente

Materias que se recomenda cursar simultaneamente