Última actualización: 30/04/2019


Curso Académico: 2019/2020

Modelos de Regresión
(17758)
Titulación: Máster Universitario en Estadística para la Ciencia de Datos (345)
Escuela de Ingeniería y Ciencias Básicas


Coordinador/a: DURBAN REGUERA, MARIA LUZ

Departamento asignado a la asignatura: Departamento de Estadística

Tipo: Obligatoria
Créditos: 3.0 ECTS

Curso:
Cuatrimestre:




Materias que se recomienda haber superado
Probabilidad Inferencia Estadística Programación en R
Competencias que adquiere el estudiante y resultados del aprendizaje.
COMPETENCIAS QUE EL ESTUDIANTE ADQUIERE CON ESTA MATERIA CG1 Capacidad para aplicar las técnicas de análisis y representación de la información, con el fin de poderla adaptar a problemas reales. CG2 Capacidad para identificar el modelo estadístico más adecuado para cada problema real y saberlo aplicar para el análisis, diseño y solución del mismo. CG7 Aplicar las técnicas avanzadas de análisis y representación de la información, con el fin de poderla adaptar a problemas reales. CE5 Aplicar los fundamentos estadísticos avanzados para el desarrollo y el análisis de problemas reales, que involucren la predicción de una variable respuesta. CE9 Identificar correctamente el tipo de análisis estadístico correspondiente a unos objetivos y datos determinados. CE10 Aplicar la modelización estadística en el tratamiento de problemas relevantes en el ámbito científico. RESULTADOS DE APRENDIZAJE QUE ADQUIERE EL ESTUDIANTE Adquisición de conocimientos sobre: 1) modelos lineales; 2) modelos lineales generalizados; 3) modelos aditivos generalizados
Descripción de contenidos: Programa
Modelos de Regresión 1) Modelo de regresión múltiple: Estimación. Inferencia. Diagnóstico. 2) Introducción a los modelos lineales generalizados: Familia exponencial. Estimación. Inferencia. Diagnóstico. 4) Regresión Logística, Multinomial, Ordinal, Poisson 3) Modelos aditivos generalizado: Métodos de suavizado. Splines penalizados. Estimación. Selección de parámetro de suavizado
Actividades formativas, metodología a utilizar y régimen de tutorías
AF1 Clases teórica AF2 Clases prácticas AF5 Tutorías AF6 Trabajo en grupo AF7 Trabajo individual del estudiante AF8 Pruebas de evaluación presencial Código actividad Nº Horas totales Nº Horas Presenciales % Presencialidad Estudiante AF1 88 88 100 AF2 40 40 100 AF4 40 40 100 AF5 36 36 100 AF6 80 0 0 AF7 304 0 0 AF8 12 12 100 TOTAL MATERIA 600 204 34 METODOLOGÍAS DOCENTES FORMATIVAS DEL PLAN REFERIDAS A MATERIAS MD1 Exposiciones en clase del profesor con soporte de medios informáticos y audiovisuales, en las que se desarrollan los conceptos principales de la materia y se proporciona la bibliografía para complementar el aprendizaje de los alumnos. MD3 Resolución de casos prácticos, problemas, etc.¿ planteados por el profesor de manera individual o en grupo MD5 Elaboración de trabajos e informes de manera individual o en grupo
Sistema de evaluación
  • Peso porcentual del Examen Final 0
  • Peso porcentual del resto de la evaluación 100
Bibliografía básica
  • Annette J. Dobson, Adrian G. Barnett . An Introduction to Generalized Linear Models. CRC Press. 2018
  • Julian J. Faraway. Extending the Linear Model with R: Generalized Linear, Mixed Effects and Nonparametric Regression Models. CRC Press. 2016
  • Michael H. Kutner, Chris J. Nachtsheim, John Neter. Applied Linear Regression Models. McGraw-Hill Higher Education. 2003
  • P. McCullagh, John A. Nelder. Generalized Linear Models. CRC Press. 1989
  • Simon Wood. Generalized Additive Models: An Introduction with R. Chapman & Hall/CRC Texts in Statistical Science. 2017

El programa de la asignatura y la planificación semanal podrían sufrir alguna variación por causa de fuerza mayor debidamente justificada o por eventos académicos comunicados con antelación.