Encabezado Facultad de Ciencias
Presentación

Actuaría (plan 2015) 2022-2

Sexto Semestre, Modelos no Paramétricos y de Regresión

Grupo 9223, 85 lugares. 59 alumnos.
Profesor Gonzalo Pérez de la Cruz lu mi vi 17 a 18
Ayudante Leonardo Daniel de la Cruz Cuaxiloa ma ju 17 a 18
Ayudante Jazmín Alejandra Martínez Guerrero ma ju 17 a 18
Ayudante Ana Itzel Méndez Olivares ma ju 17 a 18

 

Ayudantes:

Leonardo Daniel de la Cruz Cuaxiloa

Jazmín Alejandra Martínez Guerrero

Ana Itzel Méndez Olivares

El curso se dará en línea usando Meet y Classroom. Las sesiones se grabarán y también se subirán notas.

No se aceptan oyentes. La invitación al classroom del curso se envió al correo registrado en el sistema el domingo 13 de febrero; en caso de no recibir la invitación, favor de mandar un correo especificando el correo "ciencias.unam.mx" que usarán para el curso.

El día 14 de febrero se realizará la presentación del curso en el horario de clase.

Para obtener y actualizar correo, revisar el link siguiente: http://computo.fciencias.unam.mx/manualesUsuario/manualesCorreo.php

Se recomienda: Haber cursado Inferencia Estadística. Interés por aprender R.

Temas por cubrir en el curso.

  • Análisis de regresión lineal simple y múltiple.
    • Estimación e inferencia.
    • Ejemplos de problemas ANOVA y ANCOVA.
  • Estadística No Paramétrica

    • Pruebas de Bondad de Ajuste

      ¿Se puede asumir que la muestra proviene de una cierta distribución?

    • Pruebas de aleatoriedad.

      ¿Se puede asumir que los datos observados son aleatorios?

    • Pruebas sobre la igualdad de dos o más poblaciones

      ¿Se puede asumir que dos poblaciones tienen la misma distribución?

    • Medidas de asociación

      ¿Existe una asociación entre pares de variables (numéricas, ordinales)?

Se seguirá el temario de la materia: https://www.fciencias.unam.mx/sites/default/files/temario/1639.pdf

También se mostrará el uso del paquete R para ejemplificar varios temas del curso y se dará acceso a DataCamp https://www.datacamp.com/ a quienes deseen profundizar.

Evaluación

  • Tres tarea-exámenes. Cada uno tiene un valor de 3 puntos de la calificación. Las tareas se pueden hacer de forma individual o por equipos de máximo tres integrantes.

  • Se darán al menos 72 horas para resolver cada tarea-examen, este periodo incluye una sesión de ayudantía/clase para comentar sobre dudas, por ejemplo, el lunes se sube al classroom y se entrega el miércoles.
  • Se realizará un examen individual (presencial o con cámara y micrófono encendidos). Este examen consistirá en resolver un par de ejercicios similares a las tarea-exámenes y tendrá una duración de máximo 2 horas. La asignación del tema (tarea-examen) será aleatoria. Este examen tiene valor de 1 punto de la calificación, pero si no se tiene calificación aprobatoria, la calificación final será no aprobatoria.

  • En algunas clases, se dejarán ejercicios que deberán resolverse en alrededor de 30 minutos. Estos ejercicios de clase son opcionales e individuales; la entrega a tiempo y de forma correcta de la solución equivale a una décima adicional sobre promedio final aprobatorio de los exámenes. Máximo 1 punto adicional por estos ejercicios.

Notas sobre la evaluación

  • La calificación promedio final, incluyendo los ejercicios de clase, se redondea al entero más cercano a partir de 6, siempre que se tenga promedio mayor o igual a 6 en los exámenes, en otro caso es NA.

  • Se puede presentar examen final renunciando a la calificación final previa obtenida, siempre que se haya aprobado al menos un examen parcial.

  • Se califica con NP en actas únicamente cuando el número de exámenes presentados es menor a 2.

Referencias básicas

  • Gibbons, J. D. y Chakraborti, S. (2011). Nonparametric statistical inference. CRC Press.
  • Kutner, M., Nachtsheim, C., Neter, J. y Li, W. (2005). Applied Linear Statistical Models. McGraw-Hill.
  • Montgomery, D., Peck, E.A. y Vining, G.G. (2012). Introduction to Linear Regression Analysis. Wiley.
  • Seber, G.A.F. y Lee, A. (2003). Linear Regression Analysis. Wiley.
  • Sprent, P. y Smeeton, N. (2007). Applied Nonparametric Statistical Methods. Chapman and Hall/CRC.

Otras referencias

  • Agresti, A. (2015). Foundations of linear and generalized linear models. Wiley.
  • Agresti, A. y Kateri M. (2021). Foundations of Statistics for Data Scientists. CRC Press.
  • Conover, W. J. (1999). Practical Nonparametric statistics. USA. Wiley & Sons
  • Dobson, A. y Barnett, A. (2018). An introduction to generalized linear models. CRC Press.
  • Fox, J. (2015) Applied Regression Analysis and Generalized Linear Models. Sage Publications, Thousand Oaks, California.
  • Graybill, F. A. y Iyer, H. K. (1994). Regression Analysis: Concepts and Applications. Duxbury Press.
  • Hollander M., Wolfe, D. y Chicken, E. (2014). Nonparametric Statistical Methods. Wiley.
  • Searle, S.R. (1971). Linear Models. Wiley.
  • Sheskin, D. (2011). Handbook of parametric and nonparametric statistical procedures. Chapman and Hall.
  • Weisberg, S. (2014). Applied Linear Regression. John Wiley & Sons.

 


Hecho en México, todos los derechos reservados 2011-2016. Esta página puede ser reproducida con fines no lucrativos, siempre y cuando no se mutile, se cite la fuente completa y su dirección electrónica. De otra forma requiere permiso previo por escrito de la Institución.
Sitio web administrado por la Coordinación de los Servicios de Cómputo de la Facultad de Ciencias. ¿Dudas?, ¿comentarios?. Escribenos. Aviso de privacidad.