Profesor | Ma. Susana Barrera Ocampo | lu mi vi | 17 a 18 | P105 |
Ayudante | Erick Eduardo Aguilar Hérnandez | ma ju | 17 a 18 | P105 |
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.
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 Árboles 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 árboles de regresión.
4 Regresión Logística
El modelo logístico y sus supuestos
Estimación de parámetros.
Diagnóstico de parámetros.
Métricas de clasificación binaria.
Puntos de corte.
5 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
6 Análisis de varianza de una vía: caso balanceado
El modelo de una vía
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
Evaluacion
Evaluaciones escritas por tema 50%.
Tareas 25%.
Exposiciones de trabajos 25%
Modo de trabajo
Presencial, pero 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 agregados al classroom.
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 optativa avanzada del área de probabilidad y estadística, para un mejor aprovechamiento del curso se recomienda haber tomado las asignaturas de Probabilidad II y Estadística II.
La aceptacion de oyentes se condicionara a las condiciones del aula dando preferencia a inscritos con el objetivo de mantener distancia razonable entre alunos y profesores.
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.