Presentación y evaluación:

1. Se considerará que un estudiante concurre a una convocatoria cuando participa en actividades que le permiten obtener cuando menos un 50% de la evaluación final.

2. La prueba final de conocimientos tendrá carácter obligatorio. Constará de dos partes: una con cuestiones de corte teórico y otra más aplicada y orientada a la resolución de problemas. Será necesario aprobar las dos partes de este examen para superar la materia.

3. La calificación final obtenida se conservará entre las oportunidades (ordinaria y extraordinaria) dentro de la convocatoria de cada curso.

Segunda oportunidad (prueba de julio)

El peso de la evaluación continua en la segunda oportunidad (prueba de julio) será el mismo que en la evaluación ordinaria, un 40%. En la segunda oportunidad de evaluación se realizará un examen y la nota final será el máximo de tres cantidades: la nota de la evaluación de la primera oportunidad, la nota del nuevo examen y la media ponderada del nuevo examen (60%) y la evaluación continua (40%).

Resultados de aprendizaje	Competencias del título
Conocer los conceptos generales de la regresión.		B2 B3 B7 B8 B9 B10
Conocer técnicas de regresión no paramétricas.	A17 A18 A20	B2 B8 B9	C1
Entender la importancia de llevar a cabo una diagnosis de un modelo de regresión.	A17 A18 A20	B2 B3 B8 B9	C1
Saber estimar los parámetros de modelos de regresión lineal simple, múltiple y logístico	A17 A18 A20		C1
Ser capaz de interpretar los resultados y hacer predicciones utilizando modelos de regresión.	A17 A18	B2 B3 B7 B8 B9 B10
Ser capaz de aplicar las principales técnicas de regresión a conjuntos de datos reales o simulados.	A17 A20	B2 B3 B8 B9	C1
Saber manejar con soltura programas informáticos avanzados de análisis estadístico.	A20	B2 B3 B7 B8 B9 B10	C1

Tema	Subtema
1. Regresión Lineal Simple (RLS). Metodología e Inferencia	1.1 Conceptos generales de regresión 1.2 El modelo RLS. Estimación de los parámetros. Propiedades 1.3 El coeficiente de correlación
2. Regresión Lineal Simple. Diagnosis y Predicción.	2.1 Diagnosis del modelo RLS. Análisis de residuos: linealidad, homocedasticidad, normalidad e independencia 2.2 Observaciones atípicas e influyentes en el modelo RLS 2.3 Transformaciones para conseguir linealidad 2.4 Predicción con el modelo RLS
3. Regresión Lineal Múltiple (RLM). Metodología e Inferencia	3.1 El modelo RLM. Hipótesis básicas del modelo 3.2 Estimación de los parámetros. Propiedades de los estimadores 3.3 Tabla ANOVA. Contraste de la F 3.4 Correlación en regresión múltiple
4. Regresión Lineal Múltiple. Diagnosis y Predicción	4.1 El problema de la multicolinealidad. Definición, efectos, identificación y tratamiento 4.2 Diagnosis del modelo RLM. Análisis de residuos: error de especificación, homocedasticidad, normalidad e independencia 4.3 Robustez del modelo. Observaciones atípicas e influyentes en el modelo RLM 4.4 Predicción con el modelo RLM 4.5 Selección del modelo de regresión. Regresión paso a paso 4.6 Regresión polinómica 4.7 Regresión con variables cualitativas. Variables ficticias
5. Modelo de Regresión con respuesta cualitativa	5.1 Formulación de modelos con respuesta cualitativa 5.2 El modelo logístico 5.3 Estimación y contrastes en el modelo logístico 5.4 Diagnosis del modelo
6. Regresión no paramétrica	6.1 Introducción a los métodos de suavización en regresión 6.2 Estimación núcleo, el estimador de Nadaraya-Watson 6.3 El estimador polinómico local 6.4 Selección del parámetro de suavizado 6.5 Estimadores de tipo spline 6.6 Extensiones. El modelo semiparamétrico (modelo parcialmente lineal). El modelo aditivo

Metodologías / pruebas	Competéncias	Horas presenciales	Horas no presenciales / trabajo autónomo	Horas totales
Sesión magistral	A17 A18 B3 B8 B9 B10	30	30	60
Prácticas a través de TIC	A17 A18 A20 B2 B3 B8 B9 C1	20	20	40
Seminario	A18 A20 B2 B3 B8 C1	10	10	20
Solución de problemas	A17 A18 A20 B2 B7 B9 C1	0	20	20
Prueba objetiva	A17 A18 A20 B2 B9 C1	6	0	6

Atención personalizada		4	0	4

(*)Los datos que aparecen en la tabla de planificación són de carácter orientativo, considerando la heterogeneidad de los alumnos

Metodologías	Descripción
Sesión magistral	Se introducirán los fundamentos teóricos de la materia y las principales técnicas para su aplicación en la práctica. Se pondrá particular atención a las condiciones estructurales requeridas para su aplicación y a la diagnosis y evaluación de los modelos ajustados. Su utilidad se ilustrará con ejemplos específicos de diferentes áreas de conocimiento, enfatizando sus ventajas y limitaciones. Se promoverá la participación de los estudiantes.
Prácticas a través de TIC	Se presentarán problemas específicos y los procedimientos de resolución poniendo en práctica conceptos y algoritmos expuestos en las sesiones magistrales. Se tratará de sesiones interactivas donde los problemas propuestos se resolverán con ayuda de scripts con código libre del software R. El docente apoyará y supervisará la puesta en práctica de los conocimientos adquiridos por los estudiantes.
Seminario	Se propondrán cuestiones y ejercicios para discusión y realización conjuntamente con los estudiantes.
Solución de problemas	Se propondrán ejercicios para la realización por parte de los estudiantes de forma individual.
Prueba objetiva	Pruebas objetivas de evaluación de conocimientos.

Metodologías	Competéncias	Descripción	Calificación
Prueba objetiva	A17 A18 A20 B2 B9 C1	Existirán varias pruebas escritas de conocimientos: -- Pruebas parciales una vez que se terminen bloques temáticos relevantes. Consistirán en exámenes escritos. Los resultados de estas pruebas formarán parte de la evaluación continua y computarán hasta un 25% de la calificación. -- Una prueba de conocimientos final. Será un examen escrito que constará de cuestiones teórico-prácticas sobre los contenidos de la materia. Será obligatorio y supondrá el 60% de la calificación.	85
Solución de problemas	A17 A18 A20 B2 B7 B9 C1	La participación activa en las clases y la resolución y entrega de ejercicios propuestos a lo largo del curso formará parte de la evaluación continua. Computará hasta el 15% de la calificación.	15

Observaciones evaluación
*Presentación y evaluación: 1. Se considerará que un estudiante concurre a una convocatoria cuando participa en actividades que le permiten obtener cuando menos un 50% de la evaluación final. 2. La prueba final de conocimientos tendrá carácter obligatorio. Constará de dos partes: una con cuestiones de corte teórico y otra más aplicada y orientada a la resolución de problemas. Será necesario aprobar las dos partes de este examen para superar la materia. 3. La calificación final obtenida se conservará entre las oportunidades (ordinaria y extraordinaria) dentro de la convocatoria de cada curso. Segunda oportunidad (prueba de julio)* El peso de la evaluación continua en la segunda oportunidad (prueba de julio) será el mismo que en la evaluación ordinaria, un 40%. En la segunda oportunidad de evaluación se realizará un examen y la nota final será el máximo de tres cantidades: la nota de la evaluación de la primera oportunidad, la nota del nuevo examen y la media ponderada del nuevo examen (60%) y la evaluación continua (40%).

Básica	Hosmer, D.W., Lemeshow, S. y Sturdivant, R.X. (2013). Applied logistic regression . John Wiley & Sons Faraway, J.J. (2006). Extending the Linear Model with R: Generalized Linear, Mixed Effects and Nonparametric Regression Models. Chapman and Hall Montgomery, D.C., Peck, E.A. y Vining, G.G. (2012). Introduction to linear regression analysis . Wiley Wand M.P. y Jones M.C. (1995). Kernel Smoothing. Chapman and Hall/CRC Faraway, J.J. (2015). Linear models with R . Chapman and Hall Vilar Fernández, J.M. (2006). Modelos estadísticos aplicados. Universidade da Coruña, Servizo de Publicacións Ritz, C. y Streibig, J.C. (2008). Nonlinear regression with R. Springer Peña, D. (2002). Regresión y diseño de experimentos. Alianza Editorial

Complementária	Sheather, S.J. (2009). A modern approach to regression with R. Springer Agresti, A. (1996). An introduction to categorical data analysis. Wiley Fox, J. y Weisberg, S. (2011). An R companion to applied regression. SAGE Publications Bowman A.W. y Azzalini A. (1997). Applied Smoothing Techniques for Data Analysis. Oxford University Press Wood, S.N. (2006). Generalized Additive Models: An introduction with R. Chapman and Hall/CRC Fan J. y Gijbels I. (1996). Local polynomial modelling and its applications. Chapman and Hall/CRC Venables, W.N. y Ripley, B.D. (2010). Modern applied statistics with S . Springer

Otros comentarios
La asistencia regular a las clases es altamente recomendable en orden a seguir el desarrollo del programa y participar en la evaluación continua.