Titulació | Tipus | Curs | Semestre |
---|---|---|---|
2503852 Estadística Aplicada | OB | 3 | 1 |
Coneixements bàsics d'estadística descriptiva i inferencial. És imprescindible un curs previ de Models Lineals.
L'objectiu del curs és l’aprenentatge supervisat amb un enfocament en els mètodes de regressió i classificació. El pla d'estudis inclou regressió lineal i polinòmica, regressió logística i anàlisi discriminant lineal; selecció de models i mètodes de regularització (ridge i LASSO); així com models no lineals; regression polinòmiques, splines i models additius generalitzats.
1. Regressió lineal
⦁ Regressió lineal simple
⦁ Regressió lineal múltiple
⦁ Ampliació dels models lineals.
2. Mètodes de Classificació
⦁ Introducció dels mètodes de classificació.
⦁ Regressió logística. El model logístic. Estimació dels coeficients de regressió. Prediccions.
⦁ Regressió logística múltiple
⦁ Anàlisi discriminant lineal.
⦁ Anàlisi discriminant quadràtic.
3. Selecció de models i Regularització.
⦁ Selecció de subconjunts: Selecció per passos, i selecció de model òptim.
⦁ Mètodes de regularització: Ridge i regressió LASSO. Selecció del paràmetre d'afinació dels mètodes de regularització.
⦁ Mètodes de reducció de dimensionalitat: Anàlisi de components principals (PCA) i mínims quadrats parcials (PLS).
4. Més enllà de la linealitat
⦁ Regressió polinomica
⦁ Regressió Step-wise
⦁ Splines
⦁ Models additius generalitzats (GAM)
*Llevat que les restriccions imposades per les autoritats sanitàries obliguin a una priorització o reducció d’aquests continguts.
El material del curs (apunts de teoria, llistes de problemes i enunciats de pràctiques) estarà disponible al campus virtual, de manera progressiva al llarg del curs.
*La metodologia docent proposada pot experimentar alguna modificació en funció de les restriccions a la presencialitat que imposin les autoritats sanitàries.
Nota: es reservaran 15 minuts d'una classe, dins del calendari establert pel centre/titulació, per a la complementació per part de l'alumnat de les enquestes d'avaluació de l'actuació del professorat i d'avaluació de l'assignatura/mòdul.
Títol | Hores | ECTS | Resultats d'aprenentatge |
---|---|---|---|
Tipus: Dirigides | |||
Pràctiques amb ordinador | 50 | 2 | 1, 2, 3, 5, 6, 10, 12, 15, 16, 19, 23, 25, 26, 27 |
Teoria | 50 | 2 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29 |
Tipus: Supervisades | |||
problemes/exercicis per resoldre | 16 | 0,64 | 3, 5, 6, 11, 23, 25, 26, 28 |
Tipus: Autònomes | |||
Preparació Examens | 10 | 0,4 | 3, 5, 6, 16, 21, 25 |
PR: Lliurament de les pràctiques que s'indiquin al llarg del curs. Valoració de PR: 4 punts sobre 10. Aquesta part NO és recuperable.
P1: Prova parcial 1 (teoria, problemes i pràctiques). Valoració de P1: 2 punts sobre 10.
P2: Prova parcial 2 (teoria, problemes i pràctiques). Valoració de P2: 4 punts sobre 10.
Per a que un examen es tingui en compte a l'hora de calcular la nota final és necessari obtenir una nota mínima de 3.5 punts. La Nota final serà: Nota Final = PR + P1 + P2. Al gener es té un dia assignat per fer una prova final, PF, que permet només la recuperació de P1 i P2 (6 punts sobre 10) pels alumnes que no hagin aprovat per curs. Cas que es faci la prova de síntesi, la nota final serà: Nota Final = PR + PF.
Atenció: Sense perjudici d'altres mesures disciplinàries que s'estimin oportunes, i d'acord amb la normativa acadèmica vigent, es qualificaran amb un zero les irregularitats comeses per l'estudiant que puguin conduir a una variació de la qualificació d'un acte d'avaluació. Per tant, plagiar, copiar o deixar copiar una pràctica o qualsevol altra activitat d'avaluació implicarà suspendre-la amb un zero i no es podrà recuperar en el mateix curs acadèmic. Si aquesta activitat té una nota mínima associada, aleshores l'assignatura quedarà suspesa.
Tanmateix, l’avaluació proposada pot experimentar alguna modificació en funció de les restriccions a la presencialitat que imposin les autoritats sanitàries.
Títol | Pes | Hores | ECTS | Resultats d'aprenentatge |
---|---|---|---|---|
Parcial 1 | 20% | 4 | 0,16 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29 |
Parcial 2 | 40% | 4 | 0,16 | 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29 |
Pràctiques | 40% | 16 | 0,64 | 3, 5, 6, 10, 12, 15, 16, 19, 21, 22, 23, 25, 26, 28 |
Montgomery, D. Peck, A. Vining, G.; Introduction to Linear Regression Analysis. Wiley. 2001.
Christopher Hay-Jahans; An R Companion to Linear Statistical Models. Chapman and Hall, 2012.
John Fox and Sandord Weisberg; An R Companion to Applied Regression, 2nd edition, Sage Publications, 2011.
Daniel Peña; Regresión y diseño de Experimentos, Alianza Editorial (Manuales de Ciencias Sociales), 2002.
Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani; An Introduction to Statistical Learning, Springer texts in Statistics, 2013.
La docència virtual ha posat de manifest la importància de poder disposar de recursos online. Tenint en compte que durant aquests mesos les editorials han posat en obert molt contingut, i que a més es disposa de la plataforma a prova de llibres digitals (50.000 llibres accessibles - https://mirades.uab.cat/ebs/), us demanem que, en la mesura de les vostres possibilitats, feu un esforç per tal que les Guies Docents del curs 2020/2021 incrementin les referències de documents digitals. En aquest enllaç, trobareu una infografia que ha preparat el Servei de Biblioteques per facilitar la localització de llibres electrònics: https://ddd.uab.cat/record/22492
Llenguatge de programació R