• English
  • Youtube
  • Facebook
  • Twitter
  • Linkedin
  • Instagram
  • tiktok

Matemáticas y Estadística Plan 2019. (Plan a extinguir)

Grado y Doble Grado. Curso 2023/2024.

MODELOS DE REGRESIÓN - 805529

Curso Académico 2023-24

Datos Generales

SINOPSIS

COMPETENCIAS

Generales
CG1 - Comprender y utilizar las técnicas y modelos de la Estadística con el lenguaje matemático adecuado.
CG3 - Conocer los teoremas y modelos clásicos en distintas áreas de la Matemática y de la Estadística.
CG4 - Asimilar la definición de nuevos objetos matemático-estadísticos, en términos de otros ya conocidos, y ser capaz de utilizar
dichos objetos en diferentes contextos.
Transversales
CT1 - Haber demostrado poseer y comprender conocimientos en el área de las Matemáticas y la Estadística, partiendo de la base de
la educación secundaria general, y alcanzando un nivel que, si bien se apoya en libros de texto avanzados, incluye también algunos
aspectos que implican conocimientos procedentes de la vanguardia de dicha área.
CT2 - Saber aplicar sus conocimientos a su trabajo o vocación de una forma profesional y que posean las competencias que suelen
demostrarse por medio de la elaboración y defensa de argumentos y la resolución de problemas dentro del área de la Estadística,
con base en las Matemáticas.
CT3 - Tener la capacidad de reunir e interpretar datos relevantes (dentro del área de la Estadística y las Matemáticas y de alguno de
sus campos de aplicación) para emitir juicios que incluyan una reflexión sobre temas relevantes de índole social, científica o ética.
CT5 - Haber desarrollado aquellas habilidades de aprendizaje necesarias para emprender estudios posteriores con un alto grado de
autonomía.
Específicas
CE1 - Proponer, analizar, validar e interpretar modelos de situaciones en las que se presenten fenómenos estocásticos utilizando las
herramientas estadístico-matemáticas más adecuadas.
CE2 - Resolver problemas de Estadística mediante herramientas matemáticas e informáticas.
CE3 - Utilizar aplicaciones informáticas de análisis estadístico, cálculo numérico y simbólico, visualización gráfica, optimización u
otras para resolver problemas estadísticos.

ACTIVIDADES DOCENTES

Clases teóricas
Sesiones académicas teóricas.
Clases prácticas
Sesiones académicas de problemas.
Laboratorios
Prácticas en el Aula de Informática
Otras actividades
Prácticas informáticas.
Trabajos tutorizados por el profesor. Exposición de trabajos complementarios.

Presenciales

2,4

No presenciales

3,6

Semestre

5

Breve descriptor:

Herramientas y técnicas estadísticas e informáticas para la construcción de modelos de regresión que permitan analizar y plasmar de manera cuantitativa la relación entre una variable respuesta de interés y una o varias variables explicativas.

Requisitos

Se recomienda haber cursado con aprovechamiento la asignatura "Estadística".

Objetivos

Presentación de modelos y técnicas en regresión.
Estudio de métodos descriptivos e inferenciales en regresión.
Conocimiento de técnicas de ajuste, diagnóstico y validación.
Uso del software R

 

Contenido

1. Modelo de regresión lineal simple y múltiple.
2. Diagnóstico y validación. Desviación de las hipótesis usuales.
3. Selección de variables. Criterios de comparación de modelos.
4. Regresión paramétrica no lineal.
5. Regresión con respuesta discreta: modelo logístico, modelo de Poisson, otros modelos.
6. Modelos lineales generalizados.
7. Regresión no paramétrica: Técnicas usuales. Selección del parámetro de suavizado.
8. Software estadístico aplicado al análisis de regresión.

Evaluación

Examen teórico-práctico: 80%
Trabajos prácticos/prácticas en el Laboratorio: 20%.
Esta ponderación se mantiene tanto para la convocatoria ordinaria como para la extraordinaria.
Nota: El resultado del examen teórico-práctico sobre 10 debe ser superior a 4 para ser considerado en la calificación final.
En el caso excepcional de que no fuera posible la presencialidad en esta asignatura, y con el correspondiente permiso de Decanato, se sustituirán las clases presenciales por clases on-line a través de Google Meet o similar.

Bibliografía

Montgomery, D.C., Peck, E.A. y Vining, G. (2007). Introduction to Linear Regression Analysis. John Wiley.

Bibliografía Complementaria:
Chatterjee, S., Hadi, A. S. (2013) Regression Analysis by Example. 5th ed. Wiley
Draper, Smith (1998). Applied regression analysis. Wiley
Sheater, S.J. (2009). A Modern Approach to Regression with R. Springer.
Weisberg, S. (2005). Applied Linear Regression. 3rd ed. Wiley.

Otra información relevante

Material del curso disponible en Campus Virtual.

Estructura

MódulosMaterias
No existen datos de módulos o materias para esta asignatura.

Grupos

Clases teóricas
GrupoPeriodosHorariosAulaProfesor
Grupo único04/09/2023 - 15/12/2023LUNES 11:00 - 12:00B15JUAN TINGUARO RODRIGUEZ GONZALEZ
LUNES 12:00 - 13:00B15JUAN TINGUARO RODRIGUEZ GONZALEZ


Clases prácticas
GrupoPeriodosHorariosAulaProfesor
Grupo único04/09/2023 - 15/12/2023MARTES 11:00 - 12:00B15EVA ROMERO RAMOS
JUAN TINGUARO RODRIGUEZ GONZALEZ
MARTES 12:00 - 13:00INF4 Aula de InformáticaEVA ROMERO RAMOS
JUAN TINGUARO RODRIGUEZ GONZALEZ