ANALISIS ESTADISTICO

UNIVERSIDAD DE LA FRONTERA

DIRECCIÓN ACADÉMICA DE POSTGRADO Programa de la Asignatura

I.- IDENTIFICACIÓN DE LA ASIGNATURA

Nombre de la Asignatura : ANALISIS ESTADISTICO

Código ^{: PCNE59}

Programa : Doctorado en Ciencias de Recursos Naturales

Horas : 4

Calidad : Electivo

Tipo de formación : Especialidad Carácter : Teórico/Práctico

Régimen : Semestral

Académico : Dr. Christian Salas Eljatib

II.- DESCRIPCIÓN DE LA ASIGNATURA

Esta asignatura busca proveer herramientas estadísticas, tanto teóricas, conceptuales y computacionales, para el análisis, modelación, e interpretación de datos. El rango de aplicación del curso es bastante amplio, pero se ejemplifican los conceptos teóricos con datos comúnmente empleados en problemas de los recursos naturales y biotecnología, siendo los modelos estadísticos de regresión lineal parte central de la asignatura.

El estudiante al finalizar el curso estará capacitado para entender los conceptos fundamentales sobre inferencia y modelación estadística.

Este curso de nivel intermedio no será cubierto a un nivel muy teórico, sin embargo, la motivación de los variados modelos y métodos serán orientados más hacia un entendimiento teórico de los principios fundamentales que en un curso introductorio.

III.- OBJETIVOS

(a) Comprender los métodos de estimación de máxima verosimilitud y de los mínimos cuadrados (b) Conocer y comprender los modelos estadísticos de regresión lineal simple y múltiple, así como de

regresión logística con especial énfasis en su ajuste, inferencia estadística y evaluación.

(c) Utilizar un programa y entorno de programación computacional estadístico

(d) Valorar el uso de modelos estadísticos para el análisis de datos en los recursos naturales y biotecnología.

IV.- RECURSOS METODOLÓGICOS

Se utilizarán clases expositivas, las cuales serán complementadas con trabajo computacional en el software y ambiente estadístico R (R. Development Core Team 2010). Usualmente se entregará material de lectura

básico y especializado el cual deberá ser revisado por el alumno como base para discusión en clases. El alumno deberá resolver tareas que requerirán análisis computacional mediante R. Para finalizar la asignatura se realizará un estudio de caso donde cada alumno desarrollará un tema a su elección aplicando los conocimientos adquiridos. Comunicación vía E-mail con el profesor es esperada y recomendada para resolver consultas puntuales.

Se dará énfasis al autoaprendizaje y aprendizaje colaborativo. Con el fin de asegurar el aprendizaje de los estudiantes, la asignatura tendrá actividades extra aula con tecnología virtual e-learning, a través de la plataforma campusvirtual (e.g., entrega de apuntes, ejercicios y otros).

Se dispondrá de un horario de atención por parte del profesor, para las consultas de los estudiantes de forma presencial y en la modalidad e-learning.

V.- EVALUACION

(a) Ponderaciones. Se contempla la realización de dos pruebas escritas^a con una ponderación de 25%

cada una de ellas (50% total), evaluaciones escritas cortas (tests) y/o tareas (20% total), y elaboración de un documento con el proyecto final^e de la asignatura (30%).

(b) Descripción general de tipo de evaluaciones. En el informe final (proyecto) se deberá aplicar los conceptos explicados durante el curso. Los tests y tareas abordarán tanto aspectos teóricos así como también ejercicios para resolver. El proyecto debe involucrar un análisis estadístico de un set de datos de interés del alumno, el cual deberá ser acordado con el Profesor. El informe del

proyecto debe ser redactado siguiendo normas de escritura científico-técnico. Las evaluaciones son de carácter acumulativo en términos de contenidos.

(c) Las evaluaciones son individuales. A menos que se indique lo contrario, el desarrollo de cada evaluación es individual, en caso de dudas si bien es esperada la discusión entre alumnos, consultas puntuales deberán ser dirigidas al profesor.

(d) Asistencia. La asistencia a actividades lectivas debe ser superior o igual a un 70%.

(e) Atrasos en la entrega de actividades a ser calificadas. Es importante destacar que el atraso en al entrega de cualquier tarea y/o informe será penalizado a una razón de punto por día de atraso.

(f) Aprobación. De acuerdo a la normativa de nuestra universidad , la nota mínima de aprobación en programas de postgrado es de un 5.0

(g) Sobre plagio. El plagio es el uso de un trabajo, idea o creación de otra persona, sin citar la

apropiada referencia y constituye una falta ética grave. En esta asignatura no se aceptará plagio en pruebas, tareas o test, ni en informes y quien lo cometa será evaluado con la nota mínima (1.0) y se arriesga a sanciones académicas.

VI.- CONTENIDOS

Unidad 1. Introducción a R

 ¿Qué es R? e importancia de procesamiento computacional en estadística

 Explorando datos, estadística descriptiva y gráficos Unidad 2. Estadística básica

 Variables aleatorias y distribuciones

 Valor esperado y varianza Unidad 3. Estimación

 Estimación

 Sesgo y precisión

 Intervalos de confianza

Unidad 4. Métodos de estimación

 Mínimos cuadrados (LS)

 Máxima verosimilitud (ML) Unidad 5.Regresión lineal

 Regresión lineal simple (SLR)

 Ajuste de un modelo de regresión

 Estadísticos e inferencia de un modelo de regresión

 Regresión lineal múltiple (MLR) Unidad 6. Evaluación de modelos ajustados

 Observaciones influyentes, errores.

 Supuestos

 Comparación de modelos Unidad 7. Otros modelos de regresión

 Variables indicadoras

 Modelos de diseños experimentales

 Modelo de regresión logística (Tópico opcional)

VII.- BIBLIOGRAFIA BASICA:

 Bergerud WA. 1996. Introduction to logistic regression models with worked forestry examples.

Biometrics Information Handbook Nº7, Ministry of Forests Research Program, Victoria, B.C.., Canada. 147 p

 Canavos GC. 1988. Probabilidad y Estadística. Aplicaciones y Métodos. México, D.F. Mexico.

McGrow-Hill. 651 p

 Ellison AM, B Dennis. 1996. Paths to statistical fluency for ecologists. Frontiers in Ecology and the Environment 8(7): 362-370

 Farji-Brener A.G. 2009. ¿Ecólogos o ególogos) Cuando las ideas someten a los datos. Ecología Austral 19:167-172

 Gregoire TG, M Köhl. 2000. Statistical ecology and forest biometry. Environmental and Ecological Statistics 7:213-216

 Gregoire TG. 2001. Biometry in the 21^st century: Whither statistical inference? In Rennolls K (ed.) Preccedings of IUFRO 4.11 Conference “Forest Biometry, Modelling and Information Science”.

Greenwich, England. University of Greenwich. P. 15 p.

 King G, L Zeng. 2001. Logistic regression in rare events data. Political Analysis 9:137-163

 Maddala G. 1996. Introducción a la Econometría. México D.F., México. Prentice-Hall Hispanoamericana, S.A. 715 p.

 R. Development Core Team. 2010. R: a language and environment for statistical computing.

Available from http://www. R-project.org [version 2.12.0]. R. Foundation for Statistical Computing, Vienna, Austria

 Salas C. 2008. ¿Por qué comprar un programa estadístico si existe R? Ecología Austral 18(2):223- 231

 Venables WN, DM Smith, R. Development Core Team. 2002. An introduction to R. Notes on R: A programming environment for data analysis and graphics. ISBN 3-901167-55-2, 99 p

 Weisberg S. 2005. Applied Linear Regression. 3^rd edition. USA. Wiley-Interscience. 310 p.

RECOMENDADA:

Revistas científicas disponibles en WOS:Ecology and the Environment, Environmental and Ecological Statistics, Ecología Austral.