2019/2020
Modelización Avanzada
Código: 104865
Créditos ECTS: 6
Titulación |
Tipo |
Curso |
Semestre |
2503852 Estadística Aplicada |
OB |
3 |
2 |
Uso de idiomas
- Lengua vehicular mayoritaria:
- catalán (cat)
- Algún grupo íntegramente en inglés:
- No
- Algún grupo íntegramente en catalán:
- Sí
- Algún grupo íntegramente en español:
- No
Prerequisitos
Modelos lineales, inferencia estadística y cálculo de probabilidades.
Objetivos y contextualización
Aprender diferentes estrategias de modelización para el análisis de datos, tanto por lo que refiere a la parte teórica como sus aplicaciones.
Competencias
- Analizar datos mediante la aplicación de métodos y técnicas estadísticas, trabajando con datos de diversas tipologías.
- Aplicar el espíritu crítico y el rigor para validar o refutar argumentos tanto propios como de otras personas.
- Diseñar un estudio estadístico o de investigación operativa para la resolución de un problema real.
- Evaluar de manera crítica y con criterios de calidad el trabajo realizado.
- Formular hipótesis estadísticas y desarrollar estrategias para confirmarlas o refutarlas.
- Interpretar resultados, extraer conclusiones y elaborar informes técnicos en el campo de la estadística.
- Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado.
- Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio.
- Que los estudiantes tengan la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su área de estudio) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética.
- Resumir y descubrir patrones de comportamiento en la exploración de los datos.
- Seleccionar y aplicar procedimientos más apropiados para la modelización estadística y el análisis de datos complejos.
- Utilizar correctamente un amplio espectro del software y lenguajes de programación estadísticos, escogiendo el más apropiado para cada análisis y ser capaz de adaptarlo a nuevas necesidades.
- Utilizar eficazmente la bibliografía y los recursos electrónicos para obtener información.
Resultados de aprendizaje
- Analizar datos mediante otros modelos para datos complejos (datos funcionales, datos de recuento, etc.).
- Analizar datos mediante técnicas de inferencia usando software estadístico.
- Aplicar el espíritu crítico y el rigor para validar o refutar argumentos tanto propios como de otros.
- Elaborar informes técnicos específicos del ámbito de la modelización estadística.
- Establecer las hipótesis experimentales de la modelización.
- Evaluar de manera crítica y con criterios de calidad el trabajo realizado.
- Identificar las etapas en los problemas de modelización.
- Identificar las suposiciones estadísticas asociadas a cada procedimiento.
- Modificar ligeramente el software existente si el modelo estadístico propuesto lo requiere.
- Que los estudiantes puedan transmitir información, ideas, problemas y soluciones a un público tanto especializado como no especializado.
- Que los estudiantes sepan aplicar sus conocimientos a su trabajo o vocación de una forma profesional y posean las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro de su área de estudio.
- Que los estudiantes tengan la capacidad de reunir e interpretar datos relevantes (normalmente dentro de su área de estudio) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética.
- Utilizar eficazmente bibliografía y recursos electrónicos para obtener información.
- Validar los modelos utilizados mediante técnicas de inferencia adecuadas.
Contenido
La asignatura tendrá tres partes diferenciadas donde se presentarán tres estrategias de modelización estadística, que contemplarán (1) el modelo de regresión logística, (2) los modelos lineales mixtos con efectos aleatorios y (3) los árboles de regresión y clasificación.
Metodología
En las clases de teoría se explicarán los conceptos y su aplicación y en las clases de prácticas se verá como realizar de forma adecuada el análisis estadístico de datos reales con R.
Evaluación
La asignatura se evaluará mediante la realización de tres exámenes parciales (EP1, EP2 y EP3) y tres proyectos de análisis de datos (PAD1, PAD2 i PAD3). A partir de estos elementos se calculará la nota de la asignatura como sigue:
NOTA= 0.7 * (EP1+EP2+EP3)/3 + 0.3 * (PAD1+PAD2+PAD3)/3
Tambien se tendrá en cuenta la actitud y participación en clase.
Si (EP1+EP2+EP3)/3 <5 o falta alguna de las notas de los EPs o PADs será necesario presentarse al examen final.
Actividades de evaluación
Título |
Peso |
Horas |
ECTS |
Resultados de aprendizaje |
Examen 1 |
23.33% |
7
|
0,28 |
1, 2, 3, 6, 4, 5, 7, 8, 9, 10, 11, 12, 13, 14
|
Examen 2 |
23.33% |
7
|
0,28 |
1, 2, 3, 6, 4, 5, 7, 8, 9, 10, 11, 12, 13, 14
|
Examen 3 |
23.34% |
6
|
0,24 |
1, 2, 3, 6, 4, 5, 7, 8, 9, 10, 11, 12, 13, 14
|
Trabajo práctico |
30% |
30
|
1,2 |
1, 2, 3, 6, 4, 5, 7, 8, 9, 10, 11, 12, 13, 14
|
Bibliografía
Venables, W. & Ripley, B. (2002). Modern Applied Statistics with S-PLUS. Springer
Faraway, J. (2006). Extending the Linear Model with R. Chapman & Hall.
Hosmer, D.W.; Lemeshow, S. & Sturdivant, R.X. (2013) Applied Logistic Regression. 3rd ed. Wiley.
Pinheiro JC & Bates D (2000) Mixed-Effects Models in S and S-PLUS. Springer.
T Hastie, R Tibshirani, J Friedman. (2009) The Elements of Statistical Learning. Data
Mining, Inference and Prediction, Springer, New York.