REGRESION - 523374
- Descripción :En este curso el alumno desarrollara la teoria basica de los modelos de regresion y aprendera tecnicas estadisticas en analisis de datos en relacion con varias variables.
La asignatura aporta al desarrollo de las siguientes competencias del perfil de egreso del estudiante:
- Interactuar en grupos multidisciplinarios, trabajando en equipo e interiorizandose de materias relativas a otras areas.
- Modelar estadisticamente problemas, en el contexto de la disciplina de origen.
- Analizar datos mediante las herramientas estadisticas e informaticas adecuadas.
- Presentar los resultados y conclusiones del analisis en forma clara, ordenada y atractiva, utilizando un lenguaje comprensible en el contexto de la disciplina.
- Resultados aprendizaje esperados :El alumno sera capaz de:
- Identificar y caracterizar un modelo de regresion lineal.
- Seleccionar el modelo adecuado a los datos que se pretende estudiar.
- Modelar la dependencia lineal entre una variable respuesta (dependiente) y una o mas variables explicativas (independientes).
- Aplicar la metodologia y tecnicas adecuadas para el estudio de relaciones entre varias variables.
- Hacer inferencias sobre sucesos futuros y tomar decisiones en el contexto del analisis de regresion lineal simple y multiple.
- Interpretar correctamente los parametros que aparecen en modelos de regresion y realizar inferencias respecto a ellos.
- Utilizar algun paquete estadistico adecuado para los analisis de regresion lineal.
- Contenidos :1. Regresion lineal simple: Metodo de minimos cuadrados, estimacion de parametros, estimacion de la varianza del error, intervalos de confianza y de prediccion, prueba F general.
2. Validacion del modelo de regresion lineal simple: analisis de residuos, diagnosticos, transformaciones, datos influyentes.
3. Regresion lineal multiple: Notacion matricial, estimacion de parametros, prediccion, efecto de interaccion, uso de variables indicadoras, seleccion de variables.
4. Validacion del modelo de regresion lineal multiple: multicolinealidad, diagnosticos, datos influyentes.
5. Otros modelos: Minimos cuadrados ponderados. Regresion Ridge. Modelo de regresion logistica. Regresion robusta. Bootstrap. Regresion no parametrica.
6. Analisis de datos discretos: Tablas de contingencia, pruebas chi-cuadrado.
- Metodología :la metodologia incluira clases expositivas, y clases practicas en laboratorio computacional, sesiones de trabajo supervisado.
Tanto los laboratorios computacionales, como las sesiones de trabajo y de evaluacion tienen requisito de asistencia completa (100%). - Evaluación :Los instrumentos a utilizar en la evaluacion de la asignatura son:
- Tareas o proyectos: 20% (Informes 10%; Exposicion oral 10%).
- Certamenes escritos: 80% (35% Evaluacion 1; 45% Evaluacion 2). - Facultad :CS FISICAS Y MATEMATICAS
- Departamento :ESTADISTICA
- Creditos :4
- Cupos :22
- Campus :CONCEPCION