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

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

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

2.2. ii) identificará la multicolinealidad entre variables independientes. Prueba de significación para la adición de variables El modelo de regresión polinomial 2. 3.2. iv) aplicará el modelo polinomial en los casos requeridos y como extensión del modelo de regresión lineal múltiple. 3. 1.8.2.7.2.1. Intervalos de Confianza Inferencias respecto a la recta de regresión 1. Coeficiente de determinación R2 Modelo sin intercepto Prueba de falta de ajuste Verificación de supuestos 1. 1.4.4.5.2. 1. Métodos analíticos Transformaciones 18 horas 2. Intervalos de predicción Análisis de varianza del modelo 1.1. iii) determinará un modelo de regresión lineal para variables no paramétricas. 2.5.1.3. Intervalos de confianza 1.9.1. 1.3. iii) aplicará las pruebas de hipótesis asociadas al modelo múltiple.4.3.1. tanto paramétricas como no paramétricas. 2.2. REGRESIÓN LINEAL MÚLTIPLE. 2. 3. ii) realizará las inferencias asociadas a los parámetros del modelo múltiple.4.1. 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.2. Pruebas de hipótesis 3.Curso de Especialización en Estadística 1. 3.4.3.2.3.1.6.6. Prueba de hipótesis 1.2.1.2. El modelo de regresión lineal múltiple Estimadores de mínimos cuadrados del vector de parámetros del modelo 2. 15 horas Objetivo: Al concluir la unidad el alumno: i) interpretará la asociación lineal entre una variable respuesta y una o más variables independientes.1.1.3. 1. 2. Métodos gráficos 1. Esperanza y varianza de los estimadores 2. Correlación lineal simple Inferencias respecto del coeficiente de correlación lineal simple 3. Intervalos de confianza Correlaciones múltiple y parcial 3.3. Intervalos de confianza de los estimadores Pruebas de hipótesis 2.1. 1.8. 2. Prueba de significación de la regresión 2. 2.8.5.2. Pruebas de hipótesis Página 4 de 6 . Prueba de falta de ajuste Modelos de regresión con interacción Puntos lejanos (outliers) CORRELACIONES.

con base en casos de estudio. Criterios para la selección del modelo 4. Selección del mejor modelo de regresión 4. Multicolinealidad 3.2. Objetivo: Al concluir la unidad el alumno: i) interpretará la asociación lineal entre una variable respuesta y una o más variables independientes. Coeficiente de correlación de Spearman 3.3.2. tanto paramétricas como no paramétricas. En donde sea pertinente se utilizará un paquete estadístico y se indicará su importancia como herramienta en el análisis estadístico de datos. se identificará los elementos del tema en consideración y se enfatizará la interpretación de los resultados.1. Página 5 de 6 . 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. iii) interpretará los parámetros del modelo utilizando la razón de momios.1. Al inicio de cada tema. iii) determinará un modelo de regresión lineal para variables no paramétricas. 5. 5.2.1. equipo audiovisual y software estadístico. Pruebas de hipótesis para la igualdad de modelos 10 horas 4.1.Curso de Especialización en Estadística 3. se discutirán los métodos y los elementos teóricos básicos respectivos. 12 horas 4.5.2. stepwise) Variables indicadoras 4. backward.2. Métodos para la selección de variables (todas las regresiones posibles.5. Objetivo: Al concluir la unidad el alumno: i) conocerá y comprenderá el modelo logístico.1. En lo posible se trabajará con datos de casos reales. 4. Se enfatizará la importancia del tema en las aplicaciones y su relación con las asignaturas correspondientes de la Especialización en Estadística y la disciplina. ii) aplicará el modelo logístico para relacionar una variable con respuesta binaria con un conjunto de variables independientes. Detección 3.1. Fuentes y efectos de la multicolinealidad Regresión y correlación no paramétrica 3.1. Metodología de la enseñanza Las clases serán con un enfoque práctico a partir del cual se desarrollarán los elementos teóricos correspondientes.1. 5. material de apoyo didáctico.4.5. forward.4. ii) identificará la multicolinealidad entre variables independientes. 3.2. Regresión no paramétrica COMPARACIÓN DE MODELOS DE REGRESIÓN.4. 5. ELEMENTOS DE REGRESIÓN LOGÍSTICA.

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

Sign up to vote on this title
UsefulNot useful