Aquesta versió de la guia docent és provisional fins que no finalitzi el període d’edició de les guies del nou curs.

Logo UAB

Models Lineals 2

Codi: 104861 Crèdits: 6
2025/2026
Titulació Tipus Curs
Estadística Aplicada OB 3

Professor/a de contacte

Nom:
Llorenç Badiella Busquets
Correu electrònic:
llorenc.badiella@uab.cat

Equip docent

Jordi Joan Tur Escandell

Idiomes dels grups

Podeu consultar aquesta informació al final del document.


Prerequisits

Coneixements d'estadística descriptiva, probabilitat i inferència estadística. És imprescindible un curs previ de models lineals. 


Objectius

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 mitjançant models mixtos contemplant efectes aleatoris i estructures de covariances.


Resultats d'aprenentatge

  1. CM09 (Competència) Valorar l'adequació dels models amb la utilització i interpretació correcta d'indicadors i gràfics.
  2. CM10 (Competència) Modificar el programari existent, si el model estadístic proposat ho requereix, o crear un nou programari, si és necessari.
  3. KM13 (Coneixement) Detectar interaccions, col·linealitat i importància entre variables explicatives.
  4. SM11 (Habilitat) Analitzar els residus d'un model estadístic.
  5. SM12 (Habilitat) Interpretar els resultats obtinguts per a formular conclusions sobre les hipòtesis experimentals.
  6. SM13 (Habilitat) Comparar el grau d'ajust entre diversos models estadístics.
  7. SM14 (Habilitat) Utilitzar gràfics de visualització de l'ajust i de l'adequació del model.

Continguts

0. Repàs de Models Lineals

1. Models lineals generalitzats

  • Funció link, família exponencial, funció canònica.
  • Respostes binàries: Regressió logística.
  • Respostes de recompte: Regressió de Poisson.
  • Regressió per respostes contínues positives: Regressió Gamma
 
2. Models Mixtos amb factor aleatoris
  • Dades correlacionades i efectes aleatoris
  • Un factor aleatori
  • Diversos factors aleatoris
  • Pendents aleatòries
3. Models Mixtes per a estructures de covariàncies
  • Estructures de covariances
  • Modelización general
4. Models lineals generalizats mixtos
 

Activitats formatives i Metodologia

Títol Hores ECTS Resultats d'aprenentatge
Tipus: Dirigides      
Pràctiques amb ordinador 50 2
Teoria 50 2
Tipus: Supervisades      
problemes/exercicis per resoldre 16 0,64
Tipus: Autònomes      
Preparació Examens 10 0,4

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, perquè els alumnes completin les enquestes d'avaluació de l'actuació del professorat i d'avaluació de l'assignatura.


Avaluació

Activitats d'avaluació continuada

Títol Pes Hores ECTS Resultats d'aprenentatge
Examen Final 50 4 0,16 CM09, KM13, SM11, SM12, SM13, SM14
Examen Parcial 25 4 0,16 CM09, KM13, SM11, SM12, SM13, SM14
Pràctiques (entregues o controls) 25 16 0,64 CM10, KM13, SM11, SM12, SM13, SM14

Avaluació continuada:

Pràctiques 25%

Examen Parcial 25% 

Examen Final 50% (Nota mínima 4)

Reavaluació:

Examen Reavaluació 100%

Avaluació única:

L’alumnat que s’hagi acollit a la modalitat d’avaluació única haurà de realitzar una prova final que consistirà en un examen on hi podran haver qüestions de teoria, problemes, i pràctiques. Aquesta prova es realitzarà el mateix dia, hora i lloc que es realitzi la prova de l'Examen Final. Qui no es presenti a dita prova sense causa justificada, obtindrà la qualificació de NO AVALUABLE. Si s'obté una nota inferior a 5, es podrà recuperar el mateix dia, hora i lloc que l'Examen de Reavaluació.

 


Bibliografia

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.


Programari

R Core Team. R: A language and environment for statistical computing. R
Foundation for Statistical Computing, Vienna, Austria. URL
https://www.R-project.org/.


Grups i idiomes de l'assignatura

La informació proporcionada és provisional fins al 30 de novembre de 2025. A partir d'aquesta data, podreu consultar l'idioma de cada grup a través d’aquest enllaç. Per accedir a la informació, caldrà introduir el CODI de l'assignatura

Nom Grup Idioma Semestre Torn
(PLAB) Pràctiques de laboratori 1 Català primer quadrimestre tarda
(TE) Teoria 1 Català primer quadrimestre tarda