* Competencias básicas
- CB6: Poseer y comprender los conocimientos que proporcionan una base u oportunidad para ser original en el desarrollo y/o aplicación de las ideas, a menudo en un contexto de investigación.
- CB9: Que los estudiantes sepan cómo comunicar sus conclusiones y el conocimiento y las razones últimas que las sustentan a audiencias especializadas y no especializadas de una manera clara e inequívoca.
- CB10: Que los estudiantes tengan las habilidades de aprendizaje que les permitan continuar estudiando de manera que sean en gran medida autodirigidos o autónomos.
* Competencias generales
- CG1: Capacidad de aplicar las técnicas de análisis y representación de la información, para adaptarla a problemas reales.
- CG4: Sintetizar las conclusiones obtenidas del análisis de datos y presentarlas de forma clara y convincente en un entorno bilingüe (español e inglés) tanto escrito como oral.
- CG5: Ser capaz de generar nuevas ideas (creatividad) y anticiparse a nuevas situaciones, en los contextos de análisis de datos y toma de decisiones.
- CG6: Utilizar las habilidades sociales para el trabajo en equipo y para relacionarse con los demás de forma autónoma.
- CG7: Aplicar técnicas avanzadas de análisis y representación de información, para adaptarla a problemas reales.
* Competencias específicas
- CE1: Aplicar en el desarrollo de métodos de análisis de problemas reales, conocimientos avanzados de inferencia estadística.
- CE2: Usar software libre como R y Python para la implementación de análisis estadísticos.
- CE5: Aplicar los fundamentos estadísticos avanzados para el desarrollo y análisis de problemas reales, que implican la predicción de una respuesta variable.
- CE6: Aplicar modelos no paramétricos para la interpretación y predicción de fenómenos aleatorios.
- CE10: Aplicar la modelización estadística en el tratamiento de problemas relevantes en el campo científico.
* Resultados del aprendizaje
Adquisición de conocimientos sobre: 1) fundamentos estadístico-matemáticos del modelo de regresión lineal; 2) comparación y selección de modelos de regresión; 3) extensiones del modelo de regresión lineal (penalización, modelos no lineales, modelos con reducción de la dimensión, modelos lineales generalizados, etc.); 4) adaptaciones de los modelos lineales generalizados para trabajar con big data.
