Titulació | Tipus | Curs |
---|---|---|
2503852 Estadística Aplicada | OB | 3 |
Podeu consultar aquesta informació al final del document.
Coneixements d'estadística descriptiva i inferència. És imprescindible un curs previ de Models Lineals.
L'objectiu de l'assignatura és ampliar l'ús de combinacions lineals d'un conjunt de predictors per reduir la incertesa d'una variable de resposta. En particular, treballarem l'ús de models paramètrics, més enllà de la llei normal, per a la variable resposta. A més, en aquest entorn de modelització més genèric, aprofundirem en com incloure informació, per exemple, informació sobre el disseny de l'experiment.
1- Selecció de models i Regularització en regressió Lineal múltiple
Selecció de subconjunts: Selecció per passos, i selecció de model òptim segons diferents criteris ( Cp, AiC, BiC...)
Mètodes de regularització: Ridge i regressió LASSO. Selecció del paràmetre d'afinació dels mètodes de regularització.
2.- Models Lineals Generalitzats
Regressió logística. El model logístic. Estimació dels coeficients de regressió. Prediccions.
Regressió logística múltiple i LASSO.
Regressió de Poisson
3.- Models d'efectes Aleatoris, Models Mixtes.
4. Més enllà de la linealitat
Regressió per segments
Splines
Models Additius generalitzats (GAM)
Títol | Hores | ECTS | Resultats d'aprenentatge |
---|---|---|---|
Tipus: Dirigides | |||
Pràctiques amb ordinador | 50 | 2 | CM09, CM10, KM12, KM13, SM11, SM12, SM13, SM14 |
Teoria | 50 | 2 | CM09, CM10, KM12, KM13, SM11, SM12, SM13, SM14 |
Tipus: Supervisades | |||
problemes/exercicis per resoldre | 16 | 0,64 | CM09, KM12, KM13, SM11, SM12, SM13, SM14 |
Tipus: Autònomes | |||
Preparació Examens | 10 | 0,4 | CM09, KM13, SM11, SM12, SM13, SM14 |
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.
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 | Pes | Hores | ECTS | Resultats d'aprenentatge |
---|---|---|---|---|
Examen Final | 40% | 4 | 0,16 | CM09, KM13, SM11, SM12, SM13, SM14 |
Examen Parcial | 30% | 4 | 0,16 | CM09, KM13, SM11, SM12, SM13, SM14 |
Pràctiques (entregues o controls) | 30% | 16 | 0,64 | CM09, CM10, KM12, KM13, SM11, SM12, SM13, SM14 |
En la modalitat d'avaluació continuada, l’assignatura s’avaluarà amb lliuraments de treballs (entregues d’exercicis, controls de problemes i/o pràctiques) i 2 examens. Per obtenir la nota ponderada d'avaluació continuada cal tenir un mínim de 3/10 en cadascuna de les parts.
L’alumnat que s’hagi acollit a la modalitat d’avaluació única haurà de realitzar una avaluació que consistirà en un examen de teoria, una prova de problemes i el lliurament informes de pràctiques seleccinades del curs. L'avaluació dels lliuraments pot requerir una entrevista d'avaluació amb el professor. La qualificació de l’estudiant serà la mitjana ponderada de les tres activitats anteriors, on l’examen suposarà el 45% de la nota, la prova 45% i els lliuraments el 10%.
Si la nota final no arriba a 5, l’estudiant té una altra oportunitat de superar l’assignatura mitjançant l’examen de recuperació que se celebrarà en la data que fixi la coordinació de la titulació. En aquesta prova es podrà recuperar el 70% de la nota corresponent a la teoria i els problemes. La part de lliuraments de pràctiques no és recuperable.
Linear Mixed-Effects Models Using R A Step-by-Step Approach / by Andrzej Gałecki, Tomasz Burzykowski https://bibcercador.uab.cat/permalink/34CSUC_UAB/1eqfv2p/alma991010402935906709
Lee, Y., Nelder, J. and Pawitan, Y. (2006). Generalized Linear Models with Random Effects. Chapman & Hall. London.
John E. Freund, Irwin Miller, Marylees Miller. (2000) Estadística matemática con aplicaciones. Pearson Educación. (existeix castellà)
McCullagh, P. and Nelder, J. (1992). Generalized Linear Models. Chapman & Hall. London.
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.
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.
R Core Team. R: A language and environment for statistical computing. R
Foundation for Statistical Computing, Vienna, Austria. URL
https://www.R-project.org/.
Nom | Grup | Idioma | Semestre | Torn |
---|---|---|---|---|
(PLAB) Pràctiques de laboratori | 1 | Català/Espanyol | primer quadrimestre | tarda |
(TE) Teoria | 1 | Català/Espanyol | primer quadrimestre | tarda |