Titulación | Tipo | Curso | Semestre |
---|---|---|---|
2503852 Estadística Aplicada | OB | 3 | 1 |
Conocimientos básicos de estadística descriptiva e inferencial. Es imprescindible un curso previo de Modelos Lineales.
El objetivo del curso es el aprendizaje supervisado con un enfoque en los métodos de regresión y clasificación. El plan de estudios incluye la revisión de conceptos de regresión lineal y polinómica, regresión logística y análisis discriminante lineal; selección de modelos y métodos de regularización (Ridge y LASSO); modelos no lineales tales como: splines y modelos aditivos generalizados, entre otros.
1. Regresión lineal
⦁ Regresión lineal simple
⦁ Regresión lineal múltiple
⦁ Ampliación de los modelos lineales.
2. Métodos de Clasificación
⦁ Introducción de los métodos de clasificación.
⦁ Regresión logística. El modelo logístico. Estimación de los coeficientes de regresión. Predicciones.
⦁ Regresión logística múltiple
⦁ Análisis discriminante lineal.
⦁ Análisi discriminante cuadrático.
3. Selección de modelos y Regularización.
⦁ Selección de subconjuntos: Selección por pasos, y selección de modelo óptima.
⦁ Métodos de Regularización: Ridge y regresión LASSO. Selección del parámetro de afinación de los métodos de regularización.
⦁ Métodos de reducción de dimensionalidad: Análisis de componentes principales (PCA) y mínimos cuadrados parciales (PLS).
4. Más allá de la linealidad
⦁ Regresión polinomial
⦁ Regressión Step-wise
⦁ Splines
⦁ Modelos aditivos generalizados (GAM)
*A menos que las restricciones impuestas por las autoridades sanitarias obliguen a una priorización o reducción de estos contenidos.
La asignatura tiene, a lo largo del cuatrimestre, dos horas semanales de teoría y problemas más dos horas semanales de prácticas. El material del curso (apuntes de teoría, listas de problemas y enunciados de prácticas) estará disponible en el campus virtual, de manera progresiva a lo largo del curso.
*La metodología docente propuesta puede experimentar alguna modificación en función de las restricciones a la presencialidad que impongan las autoridades sanitarias.
Nota: se reservarán 15 minutos de una clase dentro del calendario establecido por el centro o por la titulación para que el alumnado rellene las encuestas de evaluación de la actuación del profesorado y de evaluación de la asignatura o módulo.
Título | Horas | ECTS | Resultados de aprendizaje |
---|---|---|---|
Tipo: Dirigidas | |||
Prácticas en ordenador | 50 | 2 | 1, 2, 3, 5, 11, 10, 9, 15, 16, 19, 23, 25, 28, 26 |
Teoría | 50 | 2 | 1, 2, 3, 4, 5, 11, 6, 7, 8, 10, 12, 9, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 28, 26, 27, 29 |
Tipo: Supervisadas | |||
problemas/ejercicios para resolver | 16 | 0,64 | 3, 5, 11, 12, 23, 25, 28, 27 |
Tipo: Autónomas | |||
Preparación Exámenes | 10 | 0,4 | 3, 5, 11, 16, 21, 25 |
PR: Entrega de las prácticas que se indiquen lo largo del curso. Valoración de PR: 4 puntos sobre 10. Esta parte NO es recuperable.
P1: Prueba parcial 1 (teoría, problemas y prácticas). Valoración de P1: 2 puntos sobre 10.
P2: Prueba parcial 2 (teoría, problemas y prácticas). Valoración de P2: 4 puntos sobre 10.
Para que un examen se tenga en cuenta a la hora de calcular la nota final es necesario obtener una nota mínima de 3.5 puntos. La Nota final será: Nota Final = PR + P1 + P2. En enero habrá día asignado para hacer una prueba final, PF, que permite la recuperación de P1 y P2 (6 puntos sobre 10) para los alumnos que no hayan aprobado el curso o se quiera mejorar la nota. En caso de que se haga el examen final, la nota final será: Nota Final = PR + PF.
*La evaluación propuesta puede experimentar alguna modificación en función de las restricciones a la presencialidad que impongan las autoridades sanitarias.
Título | Peso | Horas | ECTS | Resultados de aprendizaje |
---|---|---|---|---|
Parcial 1 | 20% | 4 | 0,16 | 1, 2, 3, 4, 5, 11, 6, 7, 8, 10, 12, 9, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 28, 26, 27, 29 |
Parcial 2 | 40% | 4 | 0,16 | 1, 2, 3, 4, 5, 11, 6, 7, 8, 10, 12, 9, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 28, 26, 27, 29 |
Prácticas | 40% | 16 | 0,64 | 3, 5, 11, 10, 9, 15, 16, 19, 21, 22, 23, 25, 28, 27 |
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.
Lenguaje de programación R