Actuaría (plan 2015) 2022-1
Optativas, Modelos Lineales
Grupo 9263, 60 lugares. 22 alumnos.
MODELOS LINEALES 2022-1
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.
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 Áboles de regresión
-
Conceptos básicos de un árbol de regresión
-
Medidas de impureza.
-
Criterios para la generación de ramas y nodos
-
Podas
-
Ajuste y validación de arboles de regresión.
4 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
5 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
6 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
7. Introducción a Redes Neuronales
-
La Neurona desde el punto de vista de la biología y artificial
-
Modelos de Neurona Supervisada
-
Entradas y salidas, Pesos sinápticos
-
Funciones de activación de la neurona
-
Arquitectura de una red neuronal
-
Aprendizaje Supervisado y No Supervisado
-
Fase de entrenamiento
-
Perceptrón
-
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 y registrarse en el siguiente documento para ser agergados al classroom y sesiones de videoconferencia.
-
Agenda ModelosLineales 2022-I
-
El dia miercoles 25 de agosto tendremos una videconferencia por google meet de 5:00 - 6:00 donde expondremos la dinámica del curso, pueden unirse con el siguiente enlace: https://meet.google.com/jys-yiho-euj
-
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.