¿Por dónde vamos?

 

Desde esta página se puede seguir el ritmo de la clase. Todas las semanas se actualizará con la materia explicada en clase, así como los ejercicios resueltos y las prácticas realizadas.

Fecha	Materia explicada
27-09-2006	Repaso de estadística básica: Estadística descriptiva: Estudio de cada variable por separado (gráficos resumen, medidas numéricas, valores atípicos). Estudio conjunto de dos variables (diagrama de dispersión, covarianza, correlación y ajustes por mínimos cuadrados. Matriz de covarianzas y matriz de correlaciones. Variables aleatorias: Concepto de variable aleatoria, tipos de v.a. (discretos y continuos), algunos modelos continuos (modelo Normal y Exponencial). Introducción a la Inferencia: Intervalos de confianza y contrastes de hipótesis paramétricos. Interpretación del p-valor en un contraste de hipótesis.
28-09-2006	Comienza el Tema 1: Regresión Múltiple Planteamiento del modelo de Regresión Lineal Simple y Múltiple. Transformaciones sobre modelos linealizables. Hipótesis del modelo. Planteamiento del modelo en forma matricial. Estimación de los parámetros del modelo. Distribución de los estimadores.
04-10-2006	Contrastes de hipótesis sobre los coeficientes de regresión: prueba de significación de la regresión y contrastes sobre coeficientes individuales. Predicciones: intervalos de confianza para la respuesta promedio e intervalos de predicción. El coeficiente de determinación múltiple y el coeficiente de determinación corregido (o ajustado). Validación del modelo de regresión múltiple: hipótesis de Normalidad de la variable respuesta y de los residuos (histograma, gráficos P-P o Q-Q y contrastes no paramétrico de Kolmogorov-Smirnoff); hipótesis de homocedasticidad, es decir, residuos con varianzas iguales (diagrama de dispersión de los residuos frente a los valores ajustados); hipótesis de independencia entre los residuos (estadístico de Durbin-Watson, gráfico  temporal de los residuos en función del orden de recopilación de datos). Transformaciones de Box-Cox. El problema de la Multicolinealidad: El factor de varianza inflada (VIF).
11-10-2006	PRÁCTICA 1: INTRODUCCIÓN AL SPSS Y REPASO DE ESTADÍSTICA BÁSICA
18-10-2006	Recordatorio de la clase anterior. Detección de observaciones influyentes: residuos distanciados, valores de influencia y distancia de Cook. Métodos de selección del "mejor" modelo de regresión: 1) Mejor subconjunto de regresores: criterios del R cuadrado y del R cuadrado ajustado. 2) Regresión por pasos: las correlaciones parciales y los p-valores de entrada y salida. 3) Regresión hacia delante 4) Regresión hacia atrás Ejemplo de aplicación.
19-10-2006	Comienza el Tema 2: Análisis de Componentes Principales Introducción: objetivo del análisis. Solución gráfica para el caso de datos bidimensionales. Obtención de las componentes principales. Propiedades de las componentes principales. Ejemplo de aplicación.
25-10-2006	PRÁCTICA 2: REGRESIÓN LINEAL MÚLTIPLE CON SPSS
26-10-2006	Resolución de problemas de regresión lineal múltiple con SPSS (problemas propuestos).
02-11-2006	Criterios de selección del número de componentes principales. Interpretación de las componentes principales (gráfico de saturaciones). Ejemplo de aplicación. Comienza el Tema 3: Análisis Factorial Introducción: objetivo del análisis. El modelo de Análisis Factorial: factores comunues, cargas factoriales y perturbaciones específicas. Hipótesis del modelo, propiedades y unicidad. Métodos de estimación del modelo Factorial: método de las componentes principales. Otros métodos: ejes principales, máxima verosimilitud, etc. Comparación entre los distintos métodos. Criterios de selección del número de factores a retener.
08-11-2006	Contrastes en el Modelo Factorial. Análisis previo: contraste de esfericidad de Barlett y medidas de adecuación muestral. Análisis posterior (bondad del ajuste): comparación entre correlaciones observadas y reproducidas; estudio de las comunalidades. Rotación de los factores: rotaciones ortogonales (Varimax, Quartimax y Equamax); rotaciones oblicuas. Interpretación de los factores y gráfico de saturaciones. Cálculo de las puntuaciones factoriales. PRÁCTICA 3: COMPONENTES PRINCIPALES Y ANÁLISIS FACTORIAL CON SPSS
09-11-2006	Comienza el Tema 4: Análisis de Conglomerados o Análisis Cluster Introducción: objetivo del análisis. Planteamiento del problema: selección de las observaciones y de las variables del problema. Medidas de distancia y de similitud: caso de variables cuantitativas continuas; caso de variables binarias. Métodos jerárquicos (aglomerativos) de clasificación. Tipos de enlace: vecino más próximo, vecino más lejano, enlace medio, método del centroide y método de Ward. El dendograma. Determinación del número de grupos. Métodos de partición: el algoritmo de las k-medias. Determinación del número de grupos. Clasificación de variables.
15- 11-2006	PRÁCTICA 4: ANÁLISIS CLUSTER CON SPSS
16- 11-2006	SESIÓN DE PRÁCTICAS: RESOLUCIÓN DE PROBLEMAS DE ANÁLISIS MULTIVARIANTE CON SPSS
22-11-2006	Comienza el Tema 6: Conceptos Básicos y Análisis Clásico de Series Temporales Concepto de serie temporal. Gráfico temporal. Componentes de una serie temporal: Tendencia, Ciclo, Estacionalidad y componente Irregular. Concepto de ruido blanco. Esquemas de integración: aditivo, multiplicativo y mixto. ¿Cómo determinar el esquema de integración?. Análisis de la Tendencia de una serie: ajuste por mínimos cuadrados, diferenciación de la serie, método de las medias móviles.
23-11-2006	Aplicaciones de las medias móviles. Análisis de la Estacionalidad. Desestacionalización de una serie: método de la razón a la media móvil y método de la diferencia a la media móvil. Determinación de los factores estacionales o Índices de Variación Estacional. Determinación de un modelo predictivo o modelo determinista en análisis clásico. Medidas de error asociadas a un modelo predictivo: error cuadrático medio y error absoluto medio. PRÁCTICA 5: ANÁLISIS CLÁSICO DE SERIES TEMPORALES CON SPSS
29-11-2006	SESIÓN DE PRÁCTICAS: RESOLUCIÓN DE PROBLEMAS DE ANÁLISIS CLÁSICO DE SERIES TEMPORALES CON SPSS
30-11-2006	Comienza el Tema 7: Métodos básicos en la predicción de series: alisado exponencial Características de los métodos de Alisado Exponencial. Alisado exponencial simple. Método de Holt. Método de Holt-Winters. Interpretación de los parámetros de alisado.
01-12-2006	PRÁCTICA 6: MÉTODOS DE ALISADO EXPONENCIAL CON SPSS
13-12-2006	SESIÓN DE PRÁCTICAS: REPASO DE PROBLEMAS DE ANÁLISIS MULTIVARIANTE CON SPSS
20-12-2006	Comienza el Tema 8: Procesos Estocásticos y Modelos ARIMA Concepto de proceso estocástico. Características de un proceso: función de medias, varianzas, covarianzas y correlaciones. Las series temporales como realizaciones de un proceso estocástico. Procesos estocásticos estacionarios. El autocorrelograma. Procesos Lineales Estacionarios: Ruido Blanco, AR(p), MA(q), ARMA(p,q). Procesos Lineales No Estacionarios: modelos ARIMA(p,d,q). Identificación y validación del modelo. Predicciones.
21-12-2006	PRÁCTICA 7: DETERMINACIÓN DE MODELOS ARIMA CON SPSS
10-01-2007	SESIÓN DE PRÁCTICAS: RESOLUCIÓN DE PROBLEMAS ARIMA CON SPSS
11- 01-2007	SESIÓN DE PRÁCTICAS: REPASO DE PROBLEMAS DE SERIES TEMPORALES CON SPSS
17-01-2007	Comienza el Tema 9: Introducción a la Fiabilidad de sistemas Concepto de fiabilidad. Función de supervivencia y función de razón de fallo. Tipos de envejecimiento: creciente en razón de fallo, decreciente en razón de fallo y constante en razón de fallo. La curva de bañera. Distribuciones usuales en fiabilidad: exponencial y Weibull. Datos censurados: tipos de censuras. Fiabilidad de sistemas: sistemas en serie, sistemas en paralelo y sistemas mixtos. Propiedades. Sistemas k-out-of-n.