Actuaría (plan 2015) 2021-1

Optativas, Modelos Lineales

MODELOS LINEALES 2020-1

Profesor: Ma. Susana Barrera Ocampo

Ayudante: Aguilar Hernández Erick Eduardo

Durante el curso se estudiarán las principales técnicas para el análisis de datos a través de modelos lineales así como sus fundamentos matemáticos y sus aplicaciones potenciales, utilizando un paquete de cómputo como SPSS y Python.

Código del google classroom: tyj5vjw

TEMARIO

1 Regresión lineal múltiple

• El modelo lineal múltiple y sus supuestos.
• Ajuste por mínimos cuadrados.
• Método de máxima verosimilitud.
• Propiedades de los estimadores.
• Diagnósticos del modelo.
• Intervalos de confianza.
• Pruebas de hipótesis.
• Predicción.

2 Selección de modelos

• Correlación múltiple y parcial.
• Procedimientos de selección de variables.
• Transformación de variables.

3 Análisis de varianza: Bloques al Azar

• El modelo completo de Bloques al azar
• Pruebas de hipótesis.
• Intervalos de confianza para las diferencias de medias en prueba de Scheffé

4 Análisis de varianza de una vía: caso balanceado

• El modelo de una via
• Funciones estimables
• Estimación de parámetros
• La prueba de hipótesis de igualdad de k medias
• Contrastes

5 Análisis de varianza de dos vías: caso balanceado

• El modelo de dos vías
• Funciones estimables
• Estimadores de combinaciones lineales del vector de parámetros y de la varianza
• Pruebas de hipótesis.
• Esperanza de cuadrados medios

6. Introducción a Redes Neuronales

• 1 La Neurona desde el punto de vista de la biología y artificial
• 2 Modelos de Neurona Supervisada
• 3. Entradas y salidas, Pesos sinápticos
• 4 Funciones de activación de la neurona
• 5 Arquitectura de una red neuronal
• 6 Aprendizaje Supervisado y No Supervisado
• 7 Fase de entrenamiento
• 8 Perceptrón
• 9 Variables de Entrada

Forma de calificación en clases en línea

• Tareas por tema (6 temas) 60%
• Exposiciones de trabajos 40%.

Modo de trabajo

• Debido a la contingencia las sesiones serán en línea, se usará como herramienta principal el ambiente de google classroom, aquellos interesados en el curso deberán ingresar preferentemente con su cuenta de ciencias usando el código que aparece en este documento donde se publicarán los enlaces las videoconferencias.
• Se entregarán Notas de clase, se realizarán exposiciones en power point, ejercicios en Excel, SPSS y Phython.
• El alumno conocerá el ambiente de Excel, Phyton y SPSS
• Al tratarse de una opativa avanzada del área de pribabilidad y estadística, para un mejor aprovechamiento del curso se recomienda haber tomado las asignaturas de Probabilidad II y Estadística II.

Bibliografía

• Chatterjee, S. and Price, B. (1991). Regression Analysis by Example. (2nd Ed). Wiley, New York.
• Daniel, C. and Wood, F. S. (1980). Fitting Equations to Data: Analysis of Multifactor Data. (2nd Ed). Wiley, New York.
• Draper, N. and Smith, H. (1981). Applied Regression Analysis. (2nd Ed). Wiley, New York.
• Johnston, J. (1975). Métodos de Econometría. Vicens-Vives, Barcelona.
• Montgomery, D. C. and Peck, E. A. (1992). Introduction to Linear Regression Analysis. (2nd Ed). Wiley, New York.
• Neter, J. Wasserman, W. and Kutner, M. H. (1990). Applied Linear Statistical Models. (3rd Ed). Irwin, Boston, MA.
• Seber, G. A. F. (1977). Linear Regression Analysis. Wiley, New York.
• Weisberg, S. (1985). Applied Linear Regression. Second Edition. Wiley, New York.