Actuaría (plan 2015) 2022-1

Optativas, Modelos Lineales

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.