modelos_avanzados
Modelos Estadísticos Avanzados
Curso de posgrado para el doctorado en Cs. Biológicas de la Universidad Nacional de Córdoba.
Este curso se dictará del 3 al 14 de agosto de 2026 en forma presencial el aula 700-701 del Centro Nacional PLM (frente al estacionamiento de la FCEFyN, Ciudad Universitaria).
El horario de cursado es de 9:00 a 13:30. Se debe asistir con su propia computadora personal y los softwares R y RStudio instalados y en su última versión. Se sugiere descargar previamente los siguientes paquetes: ape, blmeco, car, caret, class, cluster, ClusterR, emmeans, e1071, fpc, factoextra, gamm4, geodata, ggeffects, ggmap, ggplot2, glmmTMB, glmnet, gratia, gstat, ILRS2, lme4, lmtest, lmerTest, MASS, mclust, mgcv, nlme, OpenStreetMap, pbkrtest, performance, pscl, randomForest, RLRsim, ROCR, sp, tree, tidygam, vegan y viridis.
Descarga del material práctico
Links útiles
- Ayuda general GLMM (de Ben Bolker) Link
- Introducción a modelos mixtos Link
- Modelos mixtos con correlaciones Link
- An Introduction to Statistical Learning (gratis) Link
- The Elements of Statistical Learning (gratis) Link
- Introduction to Generalized Additive Models with R and mgcv (Video de Gavin Simpson) Link
- What’s new in GAM (Video de Gavin Simpson) Link
- Introduction to statistical learning (videos del curso) Link
Cronograma simplificado.
El curso consta de clases teóricas, ejercicios y laboratorio de análisis de datos grupal.
Día 1.
- Teórico: Contenido de la materia. Los modelos estadísticos como hipótesis estadísticas y el test o selección simultánea de múltiples hipótesis estadísticas empleando la Teoría de la Información. Link
- Práctico: Ejercicios de LM y nivelación en R. Link
Día 2.
- Teórico: Componentes de los GLM: predictor lineal de las variables explicativas, función de enlace y errores aleatorios. Modelos lineales generalizados con estructura de errores binomial.Link 1 - Link 2
- Práctico: Ejercicios de distribución binomial. Link
Día 3.
- Teórico: Datos de conteos (Poisson y Binomial Negativa). Sobredispersión de GLM para datos discretos: diagnóstico y soluciones. Modelos de mezcla (mixture models) para datos con exceso de ceros. Link
- Práctico: Ejercicios para datos de conteo. Link
Día 4.
- Teórico: Definición de efectos fijos y efectos aleatorios y su interpretación biológica. Uso de los Modelos Lineares Generalizados Mixtos (GLMM) para modelar restricciones de aleatorización de unidades muestrales y el diseño experimental. El ajuste de los GLMM por Máximo de Verosimilitud Restringido (REML). Test de efectos y selección de modelos en los GLMM. Link
- Práctico: Ejercicios de GLMM. Link
Día 5.
- Teórico: Autocorrelación espacial y temporal. Como detectarla y que tipo de modelos aplicar para incluir la correlación en los modelos. Link
- Práctico: Ejercicios para datos con autocorrelación. Link
Día 6.
- Teórico: Los Modelos Aditivos Generalizados (GAM) como generalizaciones no paramétricas y no lineales de los GLM. Componentes de un GAM: función lineal, estructura de los errores, función de enlace y función de suavizado. Utilidad y limitaciones de los GAM ilustrada con ejemplos. Validación y evaluación de la calidad del ajuste en GAM y GAMM. Link
- Práctico: Ejercicios de GAM. Link
Día 7.
- Teórico: Introducción al Machine Learning. Datos de entrenamiento, prueba y validación. Ejemplos en ciencia de la aplicación de este tipo de modelos. Regresión logística/SVM/Random forest. Análisis discriminante. ¿Qué son las redes neuronales? Concepto. Link
- Práctico: Presentación de un problema para resolver aplicando un modelo de aprendizaje supervisado. Link
Día 8.
- Práctico: Lectura e interpretación de publicaciones científicas.
- Práctico: Continúa el desarrollo de la parte práctica y presentaciones a cargo de los estudiantes. Link
Día 9.
- Teórico: Aprendizaje No Supervisado. Datos etiquetados vs. no etiquetados. Gaussian admixture, K-medias, Clustering, Dbscan. Link
- Práctico: Ejercicios con modelos de aprendizaje no supervisado. Link
Día 10.
Evaluación: presentaciones orales con datos propios, habiendo aplicado alguno de los modelos que vimos durante el desarrollo del curso.