Estudia
- Artes y humanidades
-
Ciencias
- Máster Erasmus Mundus en Recursos Biológicos Marinos
- Máster Universitario en Análisis de Datos para la Inteligencia de Negocios
- Máster Universitario en Biotecnología Alimentaria
- Máster Universitario en Biotecnología Aplicada a la Conservación y Gestión Sostenible de Recursos Vegetales
- Máster Universitario en Biotecnología del Medio Ambiente y la Salud
- Máster Universitario en Ciencias Analíticas y Bioanalíticas
- Máster Universitario en Conservación Marina
- Máster Universitario en Física Avanzada: Partículas, Astrofísica, Nanofísica y Materiales Cuánticos
- Máster Universitario en Modelización e Investigación Matemática, Estadística y Computación*
- Máster Universitario en Química Teórica y Modelización Computacional
- Máster Universitario en Química y Desarrollo Sostenible
- Máster Universitario en Recursos Geológicos e Ingeniería Geológica
- Ciencias de la salud
- Ciencias sociales y jurídicas
- Ingeniería y arquitectura
- Información, acceso y becas
Modelos Lineales Generalizados
- Clases Expositivas (7 Hours)
- Prácticas de Laboratorio (9.25 Hours)
- Prácticas de Aula/Semina (6 Hours)
Se trata de una asignatura que junto con las asignaturas Series Temporales y Econometría Financiera, configura el módulo 4 del plan de estudios, denominado "Modelos Econométricos" que es de carácter mixto y se corresponde con 10.5 ECTS, 3 de los cuales se imparten en el primer semestre, los correspondientes a esta asignatura, y los restantes 7.5 en el segundo.
Conocimientos de probabilidad e inferencia básicas, así como de software estadístico.
Las competencias que se trabajan con esta asignatura son:
Básicas:
CB6. Poseer y comprender conocimientos que aporten una base u oportunidad de ser originales en el desarrollo y/o aplicación de ideas, a menudo en un contexto de investigación.
CB7. Que los estudiantes sepan aplicar los conocimientos adquiridos y su capacidad de resolución de problemas en entornos nuevos o poco conocidos dentro de contextos más amplios (o multidisciplinares) relacionados con su área de estudio.
CB8. Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios.
CB9. Que los estudiantes sepan comunicar sus conclusiones y los conocimientos y razones últimas que las sustentan a públicos especializados y no especializados de un modo claro y sin ambigüedades.
CB10. Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.
Generales:
CG1. Aplicar los conceptos y técnicas matemáticas y estadísticas relevantes para la extracción de conocimiento útil a partir del análisis de datos en las organizaciones corporativas.
CG2. Adquirir las destrezas necesarias para incorporarse a equipos de trabajo en la empresa o a grupos de investigación competitivos en el ámbito de la Estadística y la Inteligencia Empresarial.
CG3. Capacidad para transmitir a otros miembros de la organización el uso de herramientas analíticas en los negocios.
CG4. Capacidad para gestionar la información y manejar herramientas informáticas adecuadas para la resolución de los problemas surgidos en los ámbitos de la Inteligencia Empresarial y de la Estadística.
CG5. Planificar estrategias para alcanzar los objetivos propuestos en el ámbito del análisis de datos para extraer información valiosa para la organización utilizando
convenientemente los recursos disponibles para ello.CG6. Interpretar los resultados obtenidos a partir de los modelos estadísticos y empresariales y su aplicación en distintos ámbitos profesionales, además de redactar informes en base a las conclusiones obtenidas.
CG7. Capacidad para el pensamiento científico con actitudes asociadas al desarrollo de los métodos matemáticos como son: el cuestionamiento de las ideas intuitivas, el análisis crítico de las afirmaciones, la capacidad de análisis y de síntesis de ideas nuevas y complejas, o la toma de decisiones racionales.
CG8. Identificar y evaluar nuevas herramientas analíticas para resolver nuevos problemas en los ámbitos de la inteligencia de los negocios y la organización social.
CG9. Representar y resolver un problema real complejo (en ambiente de incertidumbre o riesgo) mediante modelización predictiva adecuada en el campo del análisis de datos para la inteligencia de negocios (entorno socioeconómico y empresarial).
CG12. Reunir, depurar y transformar los datos que almacena la empresa en información estructurada y coherente para contrastar hipótesis que traten de responder a cuestiones dentro del ámbito de la inteligencia de negocios.
Específicas:
- CE1. Utilizar las técnicas matemáticas y estadísticas que sirven como base para la
comprensión de otras materias y para la elaboración de modelos analíticos de riesgo necesarios en el ámbito de la gestión empresarial o gestión pública. - CE5. Utilizar las herramientas y modelos avanzados de la matemática financiera para
valorar operaciones, activos financieros y contratos derivados. - CE6. Tomar decisiones financieras basadas en la asignación temporal de recursos y en la valoración de activos financieros.
- CE7. Comprender, desarrollar y aplicar los modelos de valoración de riesgos.
- CE9. Utilizar correctamente los programas de ordenador que ayuden a la resolución de los modelos analíticos de datos que aparecen en la práctica profesional e interpretar los resultados.
- CE10. Redactar informes relativos al conocimiento derivado de los datos que aparecen en su ámbito de actuación con precisión, orden y claridad.
- CE12. Comprender, plantear, formular y resolver aquellos problemas susceptibles de ser abordados a través de modelos estadísticos en distintos ámbitos de gestión.
Los resultados de aprendizaje que se pretende que alcancen los estudiantes a través de su trabajo en el desarrollo de esta asignatura son:
- Demostrar conocimientos para estimar modelos empíricos, realizar predicciones e interpretar dichos modelos desde un punto de vista económico.
- Plantear problemas de interés en el ámbito de la Economía y emplear los modelos lineales generalizados para solucionarlos.
- Manejar con soltura software econométrico.
- Trasladar al lenguaje estadístico los problemas que en el campo de la economía requieren el uso de los modelos dinámicos.
- Introducción a los modelos econométricos.
- Modelo lineal general. Hipótesis necesarias y su incumplimiento.
- Indicadores de bondad de ajuste.
- Inferencia a partir del modelo lineal.
- Generalización del modelo lineal.
- Análisis de casos reales con software estadístico.
Actividades presenciales:
El desarrollo de las clases se basa en la combinación de la exposición de los contenidos teóricos por parte del profesor y la realización de ejercicios prácticos por parte de los estudiantes. El desarrollo de estas clases se apoya principalmente en presentaciones que, con antelación, están a disposición de los estudiantes en la web de la asignatura en el Campus Virtual. También se encuentran allí los enunciados de los ejercicios que tienen que realizar y el listado de tareas a entregar.
La mayoría de los ejercicios están basados en datos reales y serán analizados con la ayuda del software estadístico R y paquetes específicos del mismo para modelos lineales. Una pequeña parte de los ejercicicios propuestos serán de índole más teórica.
El estudiante debe combinar presencialmente las partes expositivas llevadas a cabo por el profesor, con la realización de tareas presenciales. Además, puede consultar las dudas que le vayan surgiendo tanto durante el desarrollo de las clases, como haciendo uso de las tutorías del profesor.
De forma excepcional, si las condiciones sanitarias lo requieren, se podrán incluir actividades de docencia no presencial. En cuyo caso, se informará al estudiantado de los cambios efectuados.
Actividades no presenciales:
El estudiante dispondrá de diferentes materiales en el campus virtual de la asignatura con el fin de orientar y facilitar el estudio de los contenidos del temario. Deberá completar las actividades realizadas en el aula con otras más globales que serán realizadas de forma no presencial. Para ello, se les ofrecerá la posibilidad de realizar, siempre que lo consideren oportuno, tutorías por vía electrónica, como complemento a las clásicas tutorías presenciales.
El cuadro siguiente presenta una aproximación a la distribución horaria del trabajo presencial y no presencial del alumno en la asignatura:
Temas | Horas totales | Trabajo presencial | Trabajo no presencial | |||||
Clases Expositivas | Prácticas de aula | Prácticas de laboratorio | Sesiones de evaluación | Total | Individual | Total | ||
1 | 6,75 | 0,75 | 0,5 | 1 | 2,25 | 4,5 | 4,5 | |
2 | 28,25 | 2,5 | 2,75 | 3 | 8,25 | 20 | 20 | |
3 | 24 | 2 | 2 | 3 | 7 | 17 | 17 | |
4 | 15 | 1 | 1 | 2 | 4 | 11 | 11 | |
Sesión de evaluación | 1 | 1 | 1 | |||||
TOTAL | 75 | 6,25 | 6,25 | 9 | 1 | 22,5 | 52,5 | 52,5 |
Un resumen de la distribución del trabajo presencial y no presencial atendiendo a sus distintas modalidades es este:
Modalidades | Horas | % | Totales | |
Presenciales | Clases expositivas | 6,25 | 8,33% | 22,5 (30%) |
Prácticas de aula | 6,25 | 8,33% | ||
Prácticas de laboratorio | 9 | 12% | ||
Sesiones de evaluación | 1 | 1,33% | ||
No presenciales | Trabajo individual | 52,5 | 70% | 52,5 (70%) |
Total | 75 | 100% | 100% |
Código ético de la Universidad de Oviedo
Todas las actividades propuestas se realizarán con el máximo respeto a todas las personas y colectivos y en particular, con el firme compromiso de cumplimiento con el Código ético de la Universidad de Oviedo.
Durante el curso se realizarán dos pruebas presenciales. La asignatura se puede aprobar por evaluación continua, si el alumno obtiene al menos un 5 (sobre 10 puntos) en cada una de estas pruebas parciales. En este caso, la nota final será la media de esas dos calificaciones.
Por otro lado, si el alumno se presentase a al menos una de las pruebas pero no obtuviese al menos un 5 (sobre 10) en ambas (y no se presentase a la prueba final), la calificación final de la convocatoria será el mínimo entre 4 y la media de las dos calificaciones intermediaciones, entendiendo que la calificación es de 0 (sobre 10) en la prueba a la que no se haya presentado. Ejemplo 1: si un alumno obtiene un 10 (sobre 10) en el primer control y no se presenta al segundo ni al examen final de la asignatura, su calificación en esa convocatoria será 4 (suspenso). Ejemplo 2: si un alumno se presenta a ambas pruebas y obtiene en ellas un 6 (sobre 10) y un 1 (sobre 10) y no se presenta a la prueba final, su calificación en esa convocatoria será 3,5 (suspenso).
En cualquier caso, existirá una prueba escrita presencial final sobre contenidos teóricos y prácticos de la asignatura, para los alumnos que prefieran esta opción. Esa prueba se realizará con ordenador, para valorar de forma adecuada la parte práctica de la asignatura y, si el alumno opta por ella, supondrá el 100% de la nota final en la asignatura, siendo necesario obtener al menos 5 puntos (sobre 10) en la misma para superar la materia.
Evaluación diferenciada
En el caso de evaluación diferenciada, el estudiante puede superar la asignatura con una prueba escrita final con la que puede obtener el 100% de la calificación. Por esta vía, la calificación final será la nota obtenida en dicha prueba, siendo necesario obtener al menos 5 puntos (sobre 10) en la misma para superar la asignatura.
Convocatorias extraordinarias
En el caso de convocatorias distintas a la ordinaria de primer semestre, el estudiante puede superar la asignatura con un examen final teórico-práctico con el cual puede obtener el 100% de la calificación. En estas convocatorias la calificación final será la nota obtenida en el mencionado examen, siendo necesario obtener al menos 5 puntos (sobre 10) en el mismo para superar la asignatura.
De forma excepcional, si las condiciones sanitarias lo requieren, se podrán incluir métodos de evaluación no presencial. En cuyo caso, se informará al estudiantado de los cambios efectuados.
Los alumnos dispondrán de apuntes de la asignatura que se irán publicando en la plataforma de enseñanza virtual de la Universidad de Oviedo: www.campusvirtual.uniovi.es. Si el alumno desea completar la información contenida en esos apuntes, puede consultar entre otros, la siguiente bibliografía:
- Alan Agresti: "Categorical Data Analysis". Wiley 2002.
- Michael J. Crawley. "The R Book". Wiley 2007.
- Christopher Manning: "Logistic Regression (with R)".
- Peter McCullagh y John A. Nelder: "Generalized Linear Models". Chapman Hall 1989.
- Daniel Peña: "Regresión y Diseño de Experimentos". Alianza Editorial 2002.
- Laura A. Thompson: "S-PLUS (and R) Manual to Accompany Agresti's Categorical Data Analysis.