(MMC203)

Modelamiento Estadístico Predictivo

Markdown Construcción y evaluación de modelos estadísticos para la predicción y clasificación de datos.

01 Fechas importantes

13 Abr 2026	Inicio del semestre	★ ✕
07 Jul 2026	Examen parcial	★ ✕
04 Ago 2026	Examen final	★ ✕
10 Ago 2026	Publicación de notas finales	★ ✕

+ Añadir fecha

02 Contenido del curso

Markdown ## Unidad 1 — Fundamentos de modelo lineal (S. Camiz) - Regresión lineal simple - Análisis de componentes principales - Regresión lineal múltiple - Propiedades estadísticas de los estimadores - Predicción --- ## Unidad 2 — Selección de modelos y su calidades estadísticas (S. Camiz) - Selección de modelos - Falta de ajuste - Análisis de residuos --- ## Unidad 3 — Modelos lineales generalizados y aplicaciones (A. de la Cruz) - Introducción a modelos lineales generalizados - Inferencia en modelos lineales generalizados - Regresión binaria para clasificación - Modelos para datos de conteo ## Unidad 4 — Métodos de aprendizaje supervisado para clasificación (A. de la Cruz) - Árboles de decisión - Máquinas de soporte vectorial (SVM) - Random Forest (RF) - Evaluación de modelos de clasificación

03 Bibliografía y recursos

Markdown ## Bibliografía básica - Abbott, D. *Applied predictive analytics: principles and techniques for the professional data analyst*. Wiley, 2014. - James G., Witten D., Hastie T., Tibshirani R. *An introduction to statistical learning: with applications in R*. Springer, 2013. - Kuhn M. y Johnson K. *Applied Predictive Modeling*. Springer, 2018. - Kroese, D. y Chan, J. *Statistical Modeling and Computation*. Springer, 2025. --- ## Bibliografía complementaria - Manly B.F. *Randomization, bootstrap and Monte Carlo methods in biology*. Chapman and Hall, 2007. --- ## Recursos en línea - [R Manuals](https://cran.r-project.org/manuals.html) - [Pandas User Guide](https://pandas.pydata.org/docs/user_guide/index.html) - [NumPy Documentation](https://numpy.org/doc/)