Está en la página 1de 4

UNIVERSIDAD DE LOS ANDES

FACULTAD DE CIENCIAS ECONMICAS Y SOCIALES (FACES)


MAESTRA EN ECONOMA. MENCIN ECONOMA CUANTITATIVA
PROGRAMA DE LA ASIGNATURA

ANLISIS ESTADSTICOS MULTIVARIANTES

Unidades Crdito: tres (3)


Profesor Responsable: Colmenares Gerardo
OBJETIVO GENERAL:
Dar a conocer los distintos mtodos utilizados en el anlisis multivariante para facilitar
la comprensin de informacin compleja y su tratamiento en problemas relativos a la
economa.
Objetivos Especficos
-

Incorporar en los programas de investigacin que actualmente se desarrollan en el

postgrado en Economa, modelos cuantitativos que ayuden a resolver problemas de


clasificacin y prediccin mediante el empleo de tcnicas multivariantes y de
inteligencia artificial.
-

Mediante un curso tutorial, se ofrecern recursos para la generacin de un trabajo

de investigacin con nfasis en clasificacin o pronstico. El programa incluir una


introduccin al Algebra Lineal y Matlab, Anlisis de Componentes Principales, Anlisis
Discriminante, Regresin Logstica, Modelos de Redes Neuronales (Modelos Lineales
TLU, Modelos no lineales Backpropagation y RBF)

CONTENIDO PROGRAMTICO:

1. Geometra y Datos.
Referencias:
Gilbert Strang. (1993). Introduction to linear algebra. Wellesley-Cambridge Press.
Bernard Kolman. (1999). Algebra lineal. Prentice Hall
Ecuaciones lineales y matrices
Determinantes
Vectores R2 y Rn
Anlisis Multivariante y Aplicaciones Programa Gerardo Colmenares

Espacios vectoriales
Vectores y valores propios Matlab y lgebra lineal. Introduccin.Comandos y
programas en Matlab. Diseo de aplicaciones.Vectores, Matrices y funciones especiales
en Matlab.

2. Anlisis de Componentes Principales (ACP).


Referencias:
I. T. Jolliffe. Principal Component Analysis. Springer-Verlag.
Subhash Sharma. (1996). Applied Multivariate Techniques. JohnWilley & Sons.
Joseph F. Hair, Jr., Rolph E. Anderson, Ronald L. Tatham y William
C. Black. Anlisis Multivariante. Quinta edicin. Prentice Hall.
Gerardo Colmenares L. Notas del curso de postgrado (Captulo 2 y Captulo 5)
Geometra. ACP como tcnica de reduccin de dimensin.
Objetivos del ACP.
Enfoque analtico. Procedimiento general de cmputo. SVD de la matriz de datos.
Estructura de la matriz de covarianza y de la matriz de correlacin.
Cmo usar el ACP en Matlab y en SAS. Interpretacin de las salidas. El uso de los
scores.
Aplicaciones. Redes Autoasociativas.

3. Anlisis Discriminante. Clasificacin.


Introduccin. Geometra.
Enfoque analtico. Seleccin de la variable discriminante. La funcin discriminante y
clasificacin.

4. Regresin Logstica.

5. Redes Neuronales.
Introduccin
Analoga con las neuronas biolgicas
Anlisis Multivariante y Aplicaciones Programa Gerardo Colmenares
Concepto y objetivo de las redes neuronales artificiales
Un modelo bsico de RN(s) artificiales
Aplicacin de las RN(s) artificiales. Algoritmo de entrenamiento:

Supervisado y No supervisado
La entrada de datos a los modelos de RN(s) artificiales.
Coleccin y procesamiento de datos. Casos, variables y muestras.
Ejemplos de tratamiento de variables con datos numricos y no numricos.
Modelos de prediccin basados en redes neuronales. Perceptrn.
RN(s) multicapas. Algoritmo BACKPROPAGATION (Retropropagacin).
Funcin de Base Radial RBF. Regresin vs.
Bacpropagation. Clasificacin vs. Backpropagation. Clasificacin vs. RBF.
Analogas entre la Estadstica y las Redes Neuronales

6. Preprocesamiento de Datos y ACP.


Introduccin.
Preprocesamiento de datos en RN(s). Reduccin de datos y variables. Seleccin de
muestras. Reduccin de variables mediante componentes principales
Viabilidad de las tcnicas de preprocesamiento. Entrenamiento.
Verificacin mediante datos operacionales.

7. Ejercicios Prcticos.
Construccin de modelos de redes neuronales usando Matlab.
Modelos prediccin
Preprocesamiento de datos
Construccin de la red
Entrenamiento del modelo
Pruebas del modelo
Generalizacin del modelo
Aplicaciones especiales. 1
Neurosolutions for Excel
1 Todas las aplicaciones son marcas registradas y estn disponibles en versiones beta o
a travs de programas demo en la WEB.
Anlisis Multivariante y Aplicaciones Programa Gerardo Colmenares
SAS
Statistica Neural Networks

ESTRATEGIAS DE EVALUACIN

Ejercicios: 20%
Proyecto (Artculo de Investigacin): 80%
BIBLIOGRAFIA
-

Neural Networks. A Comprehensive Foundation. Simon Hayki n. Macmillan

Publishing.
-

Neurocomputing. Robert Hecht-Nielsen. Addison Wesley

Principal Component Analysis. I. T. Jolliffe. Springer-Verlag

Fischbach, Gerald (1992). Mind and Brain. Scientific American. 48-52.

Hinton Geoffrey. (1992) How Neural Networks Learn from Experience. Scientific

American. 145-151.
-

Bernard Kolman. (1999). Algebra lineal. Prentice Hall

Gilbert Strang. (1993). Introduction to linear algebra. Wellesley-Cambridge Press.

Joseph F. Hair, Jr., Rolph E. Anderson, Ronald L. Tatham y William C. Black.

Anlisis Multivariante. Quinta edicin. Prentice Hall.


-

Subhash Sharma. (1996). Applied Multivariate Techniques. John Willey & Sons.

Donald F. Morrison. (1990). Multivariate Statistical Methods. McGraw-Hill