Actuaría (plan 2015) 2020-2

Optativas, Seminario de Estadística I

Requisitos

Haber cursado y aprobado Inferencia estadística (Estadística I) y Modelos no Paramétricos y de Regresión (Estadística II).

Evaluación

• 50% tareas, prácticas y exámenes. (Las tareas y prácticas pequeñas para entregar la siguiente clase. A lo largo del curso habrá entre 4-5 de cada una)

• 30% Proyecto (evaluación escrita)

• 20% Presentación del proyecto (evaluación oral)

Temario

Revisión de conocimientos básicos de R

• Elementos Básicos de R: Consola, Script, Librerías y CRAN.

• Manipulación y Creación de Objetos

• Lectura y exportación de archivos, csv, txt, etc.

• Gráficas: Histogramas, Pie Charts, Dispersión, Box Plot. - Introducción a la librería “ggplot2”.

• Funciones Estadísticas y Simulación de Densidades.

Programación avanzada en R

• Creación de funciones

• Visualización de datos

• Documentos ejecutivos

• Dashboards

Regresión Lineal y Logística

• Regresión lineal simple

• Regresión lineal múltiple

• Regresión Logística

• Modelos lineales generalizados

• Selección de Modelos Criterios AIC, BIC y divergencia de Kullback-Leibler

Estadística no paramétrica y técnicas de calibración

• Estadísticos muestrales

• Curvas CAP y ROC

• Information Value

• Matriz de confusión

• Boostrap

• Validación cruzada

Modelos avanzados de regresión

• Regresión polinomial

• Redes Neuronales

• Regresión de Soporte Vectorial

• Arboles de regresión

• Random Forest

Modelos de clasificación

• K-Medias

• Clusterización jerárquica

• Arboles de clasificación

• Random Forest

• Máquinas de Soporte Vectorial

Bibliografía

• The Art of R Programming. no starch press, 1a edición. N. Matloff.

• Machine Learning: The Art and Science of Algorithms that Make Sense of Data. Cambridge, 1a edición. P. Flatch.

• An Introduction to Statistical Learning with applications in R. Springer, 1a edición. G. James, D. Witten, T. Hastie and R. Tibshirani.

• The Elements of Statistical Learning. Data Mining, Inference, and Prediction, 2nd ed., Springer. T. Hastie, R. Tibshirani, J. Friedman.

• Statistical Learning with Sparsity. The lasso and generalizations. Chapman and Hall, T. Hastie, R. Tibshirani, M. Wainwright.

• Machine Learning, Neural and Statistical Classification. D. Michie, D.J. Spiegelhalter, C.C. Taylor.

• Applied Multivariate Statistical Analysis. Wiley, 6ta edición. R. Johnson y D. Wichern.

• An Introduction to Applied Multivariate Analysis with R. Springer, 1a edición. B. Everitt y T. Horton.