P. 1
Modelos de Regresion

Modelos de Regresion

|Views: 4|Likes:
Publicado porOmar Perez Mora

More info:

Published by: Omar Perez Mora on Sep 12, 2013
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

09/17/2014

pdf

text

original

MISIÓN Formar profesionales altamente capacitados, desarrollar investigación y realizar actividades de extensión en Matemáticas y Computación, así como en sus

diversas aplicaciones.

MODELOS DE REGRESIÓN

ESPECIALIZACIÓN EN ESTADÍSTICA

2010

Seleccionar la mejor ecuación de regresión. MODELOS DE REGRESIÓN Asignatura: Obligatoria Horas totales: 75 Horas teóricas: 75 Horas prácticas: 0 Créditos: 10 Objetivo general Al finalizar el curso. 3. y Aplicar otros métodos estadísticos multivariados como generalización del modelo de regresión lineal. Proponer soluciones a problemas previamente identificados. analizar e interpretar datos. en la superación de la calidad de la enseñanza de la estadística en los distintos niveles educativos. Objetivos específicos Formar especialistas capaces de: 1. mediante métodos estadísticos cuya utilidad ha sido demostrada en los diversos campos de la investigación. 4. Apoyar a las instituciones educativas. 3. 5. 2. Aplicar los modelos de regresión lineal y logística para diversos casos. Ofrecer asesoría estadística a instituciones públicas. Planear y diseñar experimentos o identificar modelos estadísticos apropiados para los problemas propios de su área. Comprender los conceptos matemáticos requeridos para la aplicación de las diversas técnicas estadísticas con un enfoque más aplicado que teórico.Curso de Especialización en Estadística ESPECIALIZACIÓN EN ESTADÍSTICA Objetivo general del plan de estudios Formar especialistas de alto nivel capaces de aplicar los principales métodos estadísticos para el análisis de datos. así como de comprender los conceptos matemáticos necesarios para la aplicación correcta de dichos métodos. 2. Utilizar las técnicas estadísticas para verificar los supuestos del modelo. el alumno será capaz de: 1. Página 2 de 6 . en lo que respecta al contenido estadístico. Interpretar correctamente el concepto de modelo de regresión lineal. 4. privadas y centros de investigación que requieran recolectar. y 5.

Variables aleatorias y distribuciones . ii) realizará inferencias respecto de los parámetros del modelo.Tipos de reporte de resultados . En el desarrollo del curso se procurará que los estudiantes trabajen con datos de casos reales. de preferencia propuestos por ellos mismos. 1.Estadística descriptiva.2. Se estudian la relación entre las diferentes variables presentes en un experimento a través de las correlaciones.Curso de Especialización en Estadística Descripción del curso Dentro de los aspectos importantes a considerar en cualquier proceso de investigación están: la adecuada identificación de las variables que están actuando en el proceso.Estimación puntual .Intervalos de confianza . establecer un modelo matemático de esa relación que nos permita efectuar predicciones de acuerdo con diferentes valores de las variables del proceso. las técnicas de regresión nos permiten efectuar los procesos citados anteriormente. . la relación que guardan estas entre sí y con la respuesta esperada del experimento. 1.Bondad de ajuste.Ejecución del experimento . intervalos de confianza y diagnósticos.Protocolo de investigación . sus pruebas de hipótesis. así como la utilización de un paquete estadístico. 1. . categorizar las variables por su importancia identificando las que son superfluas y establecer conclusiones adecuadas con base en los resultados obtenidos. Se da una introducción a la regresión logística estableciendo los casos en los cuales se utiliza. proporcionando ejemplos de sus aplicaciones más frecuentes. Antecedentes académicos deseables Asignatura Taller de Análisis Exploratorio de Datos Seminario de Estadística en la Investigación Contenidos . REGRESIÓN LINEAL SIMPLE. Inferencias respecto a los parámetros del modelo Página 3 de 6 .Pruebas de hipótesis Inferencia Estadística Contenido 1. poniendo especial atención en el análisis de la regresión lineal múltiple.1. En este curso se estudian los conceptos básicos de regresión.Recolección y análisis estadístico de los datos . hacer inferencias respecto de los parámetros del modelo. iii) verificará el cumplimiento de los supuestos asociados con el modelo de regresión lineal simple.3. El modelo de regresión lineal simple Estimadores de mínimos cuadrados de los parámetros del modelo. 20 horas Objetivo: Al concluir la unidad el alumno: i) interpretará la relación de una variable independiente con una variable respuesta utilizando el modelo de regresión lineal simple (con o sin intercepto).

2.4. Intervalos de confianza 1.2. 2. Esperanza y varianza de los estimadores 2.2. Pruebas de hipótesis Página 4 de 6 . 1.4.7. Correlación lineal simple Inferencias respecto del coeficiente de correlación lineal simple 3. 3. 1. Coeficiente de determinación R2 Modelo sin intercepto Prueba de falta de ajuste Verificación de supuestos 1.3. REGRESIÓN LINEAL MÚLTIPLE. Intervalos de confianza de los estimadores Pruebas de hipótesis 2.1.1.5.4. Intervalos de confianza Correlaciones múltiple y parcial 3.1.Curso de Especialización en Estadística 1.8. Prueba de falta de ajuste Modelos de regresión con interacción Puntos lejanos (outliers) CORRELACIONES.1.6.3.1.1. 15 horas Objetivo: Al concluir la unidad el alumno: i) interpretará la asociación lineal entre una variable respuesta y una o más variables independientes. 2.6.4. 1.1. 2. Intervalos de Confianza Inferencias respecto a la recta de regresión 1. Prueba de significación de la regresión 2.2. 2.4. Métodos gráficos 1.3.3.2.3.8. Intervalos de predicción Análisis de varianza del modelo 1. iii) determinará un modelo de regresión lineal para variables no paramétricas. 1. 3.2. Objetivo: Al concluir la unidad el alumno: i) interpretará la relación entre varias variables independientes con una variable respuesta utilizando el modelo de regresión lineal múltiple.1. iii) aplicará las pruebas de hipótesis asociadas al modelo múltiple.2.3. ii) identificará la multicolinealidad entre variables independientes.8. 2. Métodos analíticos Transformaciones 18 horas 2. 3.2. Pruebas de hipótesis 3.1. 3. 1. iv) aplicará el modelo polinomial en los casos requeridos y como extensión del modelo de regresión lineal múltiple.2.1. tanto paramétricas como no paramétricas.9.2.2.3. Prueba de significación para la adición de variables El modelo de regresión polinomial 2.2. El modelo de regresión lineal múltiple Estimadores de mínimos cuadrados del vector de parámetros del modelo 2. Prueba de hipótesis 1.1.5. 1.5. ii) realizará las inferencias asociadas a los parámetros del modelo múltiple.2.

Modelo de regresión logística para variable con respuesta binaria Estimación de los parámetros del modelo Interpretación de los parámetros (razón de momios) Recursos didácticos Notas de curso. 3. se identificará los elementos del tema en consideración y se enfatizará la interpretación de los resultados.2. 5. forward. 4. 5. 5. equipo audiovisual y software estadístico. Coeficiente de correlación de Spearman 3. Objetivo: Al concluir la unidad el alumno: i) interpretará la asociación lineal entre una variable respuesta y una o más variables independientes.5.1.1. iii) interpretará los parámetros del modelo utilizando la razón de momios.Curso de Especialización en Estadística 3. En donde sea pertinente se utilizará un paquete estadístico y se indicará su importancia como herramienta en el análisis estadístico de datos. Pruebas de hipótesis para la igualdad de modelos 10 horas 4. En lo posible se trabajará con datos de casos reales. iii) determinará un modelo de regresión lineal para variables no paramétricas. Regresión no paramétrica COMPARACIÓN DE MODELOS DE REGRESIÓN.5. tanto paramétricas como no paramétricas. Detección 3. backward. stepwise) Variables indicadoras 4. material de apoyo didáctico. 5.2. Criterios para la selección del modelo 4.2. Multicolinealidad 3.2.4.1.1. se discutirán los métodos y los elementos teóricos básicos respectivos.3. con base en casos de estudio.1. Al inicio de cada tema. Se enfatizará la importancia del tema en las aplicaciones y su relación con las asignaturas correspondientes de la Especialización en Estadística y la disciplina.2. Selección del mejor modelo de regresión 4.1. ii) aplicará el modelo logístico para relacionar una variable con respuesta binaria con un conjunto de variables independientes. ii) identificará la multicolinealidad entre variables independientes. Página 5 de 6 . Objetivo: Al concluir la unidad el alumno: i) conocerá y comprenderá el modelo logístico.4. Metodología de la enseñanza Las clases serán con un enfoque práctico a partir del cual se desarrollarán los elementos teóricos correspondientes. ELEMENTOS DE REGRESIÓN LOGÍSTICA.4.5. Fuentes y efectos de la multicolinealidad Regresión y correlación no paramétrica 3.2.1. 12 horas 4. Métodos para la selección de variables (todas las regresiones posibles.1.

E. John Wiley. 2ª ed.W. L. y Peck. Página 6 de 6 . Sprent. John Wiley and Sons.. Applied Statistics: Analysis of Variance and Regression.A. Duxbury Press. M. Nueva York. y Smith. ed. Bibliografía 1. John Wiley and Sons. Neter.G. Luis Alberto Reyna Peraza Fecha de elaboración: Junio de 2010. 3ª ed.C. J. y Weiberg.D. Applied Regression Including Computing and Graphics. Nueva York. 2a. y Lemeshow S. proyectos individuales o grupales y utilización de software estadístico Criterio de evaluación Menor o igual Exámenes parciales: 60 puntos Tareas y proyectos: 60 puntos La suma de la puntuación será igual a 100. (1999). (1989). Kleinbaum. M.R. de investigación o de trabajo en el área. M.L. O. 9. Nueva York. discusión dirigida. María Diódora Kantún Chím E.G. Perfil profesiográfico del profesor Especialista en Estadística. (1985). ed. Nachtsheim. S. preferentemente con maestría o doctorado y experiencia docente. 3.C. D. y Clark. (2004). 4ª ed. interrogatorio. y Klein.. 2. D. D. 2ª ed. Logistic Regression A Self-Learning Text.J. Applied Logistic Regression. (1992).C.H. Dunn. John Wiley and Sons. D. R. (1999). 8.A. Nueva York. (2001). 11. John Wiley. K. 12. 10. 4.Curso de Especialización en Estadística Estrategias de enseñanza Exposición. y Price B. Hosmer. 3a. S. y Kutner. Regression Analysis by Example. 2ª ed.. Applied Linear Regression Models. Cook. (1991). John Wiley and Sons. Nonparametrics Statistical Methods. 5. Kleinbaum.E. y Wolfe. Springer. Chapman and Hall. Mc Graw Hill. Muller. N. (1987). Introduction to Linear Regression Analysis.C. 6. John Wiley and Sons. D. (1998). Applied Regression Analysis and Multivariate Methods. Josefina Irene Peniche Ayora M. 7. Drapper. Hollander.E. y Nizam. (1998). John Wiley and Sons. H. Applied Regression Analysis. Elaboraron: M. Weisberg. V. C. Applied Linear Regression. 2a. Chatterjee S. resolución de ejercicios en clase y tareas. P. La calificación mínima aprobatoria es 80 puntos. N. Applied Nonparametric Statistical Methods. ed. Kupper. (2002). Montgomery. y Smeeton.

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->