CG1 - Aprender a aplicar los conocimientos adquiridos y a explotar su potencial para la resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) en el tratamiento estadístico-computacional de la información.
CG2 - Elaborar adecuadamente y con originalidad argumentos motivados y proyectos de trabajo, redactar planes, así como formular hipótesis y conjeturas razonables en su área de especialización.
CG3 - Integrar los conocimientos adecuados y enfrentarse a la complejidad de emitir juicios en función de criterios, de normas externas o de reflexiones personales justificadas
CG4 - Comunicar y presentar públicamente ideas, procedimientos o informes de investigación, así como asesorar a personas u organizaciones en el tratamiento estadístico-computacional de la información. La presentación de estas ideas debe transmitir de forma clara y precisa las conclusiones de forma que sean entendidas tanto por el especialista como por el profano en temas estadístico-computacionales.
CG7 - Saber abstraer en un modelo matemático las propiedades y características esenciales de un problema real reconociendo su rango de aplicabilidad y limitaciones.

CT1 - Saber aplicar sus conocimientos a su trabajo o vocación de una forma profesional y poseer las competencias que suelen demostrarse por medio de la elaboración y defensa de argumentos y en la resolución de problemas y estudio de casos. Esto implica, más concretamente: Integrar creativamente conocimientos y aplicarlos a la resolución de problemas complejos, perseguir objetivos de calidad en el desarrollo de su actividad profesional, adquirir capacidad para la toma de decisiones y de dirección de recursos humanos, ser capaz de mostrar creatividad, iniciativa y espíritu emprendedor para afrontar los retos de su actividad, valorar la importancia de los métodos estadístico-computacionales en el contexto industrial, económico, administrativo, medio ambiental y social.
CT2 - Tener la capacidad de reunir e interpretar datos relevantes para emitir juicios que incluyan una reflexión sobre temas relevantes de índole científica, tecnológica y empresarial. Demostrar razonamiento crítico y gestionar información científica y técnica de calidad, bibliografía, bases de datos especializadas y recursos accesibles a través de Internet.

CE1 - Adquisición de una formación sólida y rigurosa en temas avanzados de Estadística, Matemática computacional, Modelos estocásticos y Metodología de la toma de Decisiones aplicadas al tratamiento de la Información.
CE2 - Capacidad para planificar la resolución de un problema en función de las herramientas de que se disponga y, en su caso, de las restricciones de tiempo y recursos.
CE3 - Capacidad para utilizar aplicaciones informáticas estadísticas, de cálculo numérico y simbólico, visualización gráfica, optimización u otras para resolver problemas con un elevado grado de complejidad.
CE4 - Desarrollar habilidades de aprendizaje en Estadística Computacional y Matemáticas, así como en sus respectivas aplicaciones, que permitan al alumno continuar estudiando y profundizando en la materia de modo autónomo, así como el desarrollo profesional con un alto grado de independencia.
CE5 - Resolver problemas y casos reales planteados en el tratamiento estadístico-computacional de la información generada en los ámbitos de la ciencia, la tecnología y la sociedad mediante habilidades de modelización matemática, estimación y computación.
CE7 - Capacidad de utilización de herramientas de búsqueda de recursos bibliográficos, así como manejo, gestión y análisis de grandes bases de datos.

Software
R.

Metodología docente
‐ Método expositivo.
‐ Prácticas de ordenador.
‐ Realización de trabajos y presentación de forma autónoma por parte de los alumnos.

3

2

 Modelización de datos categóricos

Conocimientos de Probabilidad y Estadística. Inferencia Estadística

• Saber seleccionar la técnica de análisis de datos categóricos adecuada.
  
• Capacidad para modelizar datos categóricos con las técnicas estudiadas. 
  
• Saber interpretar los resultados obtenidos de los diferentes análisis en problemas aplicados.
  
• Manejar procedimientos de R dedicados al análisis de datos categóricos.

 

 

1.  Introducción al Análisis de Datos Categóricos
2.  Análisis de tablas de contingencia.
3.  Modelos Lineales Generalizados
4.  Regresión Lógistica Avanzada
5.  Regresión Logística Multinomial
6.  Modelos Log-Lineales para tablas de Contingencia
7.  Introducción a Métodos Bayesianos

La nota se establecerá en función de los siguientes criterios:
- 25% Asistencia y participación en clase.
- 75% Entrega y presentación de una práctica.

1. Agresti A. An Introduction to Categorical Data Analysis. Wiley
2. Agresti A. (2008) Categorical Data Analysis. Weley
3. Anderson Erling B Introduction to the Statistical Analysis of Categorical Data. Wiley
4. Ato. M.; López J. (1999). Análisis Estadístico para datos categóricos. Síntesis.
5. David W. Hoserm, Stantely Lemeshow Applied Logistic Regression. Wiley
6. Lloyd, C.J. (1999) Statistical Analysis of Categorical Data. Wiley

Profesor:
Marina Mendiburu-Eliçabe
Despacho 305-I, Facultad de Matemáticas, 913945105,
mmendibu@ucm.es