UNIVERSIDAD NACIONAL DE COLOMBIA

FACULTAD DE CIENCIAS
DEPARTAMENTO DE ESTADÍSTICA
MAESTRÍA EN ESTADÍSTICA
SEGUNDO SEMESTRE DE 2020

Asignatura: Modelos Lineales.

Código: 2007315.
Modalidad: Teórico.
Intensidad Horaria: 4 horas presénciales – semana.
Profesor: Oscar Orlando Melo Martinez.
Email: oomelom@unal.edu.co
Atención a estudiantes: Martes y jueves de 11:00 a 13:00. Oficina 302 edificio 405.

OBJETIVOS

1. Conocer los procedimientos estadísticos y técnicas que son usadas en el

modelamiento de fenómenos.
2. Llevar a cabo algunos desarrollos teóricos y aplicaciones con el fin de modelar
fenómenos en casos donde las variables tengan algún tipo de asociación.
3. Aplicar los métodos estadísticos utilizados para el ajuste de un modelo de regresión
lineal simple y múltiple, examinando la bondad de ajuste del modelo y realizando las
inferencias sobre los parámetros involucrados en el análisis.

METODOLOGÍA.

Se realizaran clases magistrales sobre tópicos considerados básicos en el desarrollo del

programa. Previamente se deben leer los temas por el estudiante para lo cual se dejaran en
Dropbox las temáticas del curso con al menos un día de antelación a la clase. Se procurara
llevar a cabo una gran gama de aplicaciones teniendo como soporte computacional
especialmente R, Statgraphics, SAS y Minitab.

Práctica con datos reales: El alumno debe conformar un grupo para buscar un grupo de
investigación o lugar relacionado con su área de interés donde se requiera la aplicación de
los contenidos del curso, con el objetivo de realizar durante el semestre el planteamiento,
recolección y análisis de información REAL. Además deberá presentar un informe de los
resultados obtenidos. El informe deberá ser presentado: (1) de manera escrita en impreso y
en Dropbox o Moodle (sin virus), (2) de manera verbal a través de una exposición de
máximo 15 minutos en la fecha estipulada.
 CONTENIDO TEMÁTICO DEL CURSO.

Capitulo 1. Introducción y teoría básica.

Introducción a los modelos lineales. Definición del modelo. Modelos de regresión. Modelos
de análisis de varianza: modelo de efectos fijos y modelo de efectos aleatorios. Modelo
superparametrizado y modelo de medias de celdas.

Capítulo 2. Distribución de formas lineales y cuadráticas.

Distribución normal multivariada. Distribuciones marginales y condicionales. Distribución
t, ji-cuadrado y F no centrales. Distribución e independencia de formas lineales y
cuadráticas. Ejemplificación con modelos superparametrizados y de medias de celdas.

Capitulo 3. Estimación e Inferencia en modelos lineales.

Caracterización de los modelos lineales. Problema de ajuste de un modelo. Modelo de
Gauss-Markov normal. Estimabilidad en modelos lineales. Mejores estimadores lineales
insesgados (MELIS). Descomposición de las sumas de cuadrados. Teorema de Cochran.
Hipótesis lineal general.

Capitulo 4. Pruebas e intervalos de confianza.

Restricción en las soluciones y restricción en los parámetros. Modelos lineales
reparametrizados. Estimación por intervalos y regiones de confianza en modelos
superparametrizados y modelos de medias de celdas.

Capitulo 5. Regresión simple.

Introducción. Regresión en función de una variable. Estimación e inferencia. Examen de
residuales (outliers, puntos extremos e influyentes.

Capitulo 6. Regresión múltiple.

Introducción. Ajuste de los modelos de regresión múltiple. Correlación parcial y selección
de variables. Mínimos cuadrados generalizados y ponderados. Ecuaciones normales
reducidas. Nociones sobre análisis de residuos.

Capítulo 7. Modelos de análisis de varianza.

Modelos de rango incompleto, caso balanceado y desbalanceado con énfasis en modelos
cruzados y jerárquicos. Modelos de efectos fijos, aleatorios y mixtos. Estimabilidad en
subconjuntos lineales de parámetros. Modelos de efectos fijos a una y dos vías de
clasificación.

Capitulo 8. Introducción a los modelos lineales generalizados.

Introducción. Modelos probit y logístico. Estimación e inferencia.

BIBLIOGRAFÍA

1. Agresti, A. 2012. Categorical Data Analysis. 3rd Edition. Wiley.

2. Carmona, F. 2003. Modelos Lineales. Universidad de Barcelona. Barcelona.
3. Christensen, R. 1997. Log-linear Models and Logistic Regression. Springer Texts in
Statistics. Springer-Verlag. Second Edition.
4. Cook, R. D. 1977. Detection of influential observations in linear regression.
Tecnometrics. 19. 15-17.
5. Cook, R.D. and Weisberg, S. 1982. Residuals and Influence in Regression. Chapman
and Hall.
6. Cordeiro, G. M. 1986. Modelos lineares generalizados. VII-SINAPE CAMPINAS.
7. Crowder, M. J. and Hand, D. J. 1990. Analysis of repeated measures. Chapman and
Hall.
8. Demetrio, C. G. 1993. Modelos lineares generalizados na expimentacao. Agronómica.
Porto Alegre.
9. Dobson, A. J. 2002. An Introduction to Generalized Linear Models. Chapman and Hall.
10. Dodge, Y. 1985. Analysis of experiments with missing data. John Wiley and Sons.
11. Draper, N. and Smith, H. 1998. Applied regression analysis. John Wiley and Sons.
12. Fahrmeir, L., Tutz, G. 1994. Multivariate statistical modeling based on generalized
linear models. Springer-Verlag,New York.
13. Faraway, J. J. 2006. Extending the Linear Model with R: Generalized Linear, Mixed
Effects and Nonparametric Regression Models. Chapman and Hall/CRC.
14. Fox, J. 1984. Linear statistical models and related topics. John Wiley.
15. Fox, J. 1997. Applied Regression Analysis, Linear Models, and Related Methods. Sage.
16. Freud, R. J. 1980. The case of missing cell. The American Statistician. Vol 34. 2-5.
17. Graybill, F. A. 1961. An introduction to linear statistical models. McGraw Hill.
18. Graybill, F. A. 1976. Theory and application of linear models. Duxbury.
19. Guttman, I. 1982. Linear models an introduction. John Wiley.
20. Hinkelman, K. and Kempthorne, O. 1994. Design and analysis of experiments. John
Wiley and Sons.
21. Hocking, R. R. and Speed, M. A. 1975. Full rank analysis of some linear model
problem. JASA 70, 706-712.
22. Hocking, R. R. 1984. Linear models. McMillan.
23. Hocking, R. R. 1985. The analysis of linear models. Monterrey C. A. Brookscole.
24. Hocking, R. R. 2003. Methods and applications of linear models. John Wiley and Sons.
25. Henderson, C. R. 1984. Applications of linear models in animal breeding. Guelph
University.
26. Henderson, H. V. and Searle, S. R. 1981. On deriving the inverse of some of matrices.
SIAM Review. 53-60.
27. Iemma, A. F. 1984. Modelos Lineales – uma introduccao. Londrina Parana.
28. Jorgensen, B. 1993. The theory of linear models. Chapman Hall.
29. Kirk, R. 1968. Experimental design procedures for behavioral sciences. Wadswoth
Editores.
30. Lee, Y. and Nelder, J. and Pawitan, Y. 2006. Generalized Linear Models with Random
Effects. Chapman & Hall. London.
31. Lindsey, J. K. 1997. Applying Generalized Linear Models. Springer.
32. Little, R. J. and Rubin, D. B. 1987. Statistical analysis with missing data. John Wiley
and Sons.
33. López, L. A. y Rincón. L. F. 1999. Notas de clase de modelos lineales. Universidad
Nacional de Colombia, Bogotá.
34. López, L. A. y Melo, O. O. 2020. Modelos Lineales – Notas de clase. Universidad
Nacional, Bogotá.
35. Madsen, H. and Thyregod, P. 2011. Introduction to General and Generalized Linear
Models. Chapman & Hall/CRC
36. Magnus and Neudeker. 1990. Matrix differential calculus with calculus in statistics and
econometrics. John Wiley and Sons.
37. Margolis, M. S. 1979. Perpendicular projections and elementary statistics. The
American Statistician. Vol 131-135.
38. McCullagh, P. and Nelder, J. A. 1989. Generalized Linear Models. Chapman and Hall.
39. Méndez, I. 1976. Modelos estadísticos lineales, interpretación y aplicaciones.
CONACYT, México.
40. Montgomery, D. C. and Peck, E. A. 1982. Introduction to linear regression analysis.
John Wiley.
41. Neter, J. and Wasserman. 1977. Applied linear statistical models, regression analysis of
variance and experimental design. John Wiley.
42. Peña, D. 1989. Estadística. Modelos y métodos. Vol. 2, Modelos lineales y series
temporales. Alianza Universidad Textos.
43. Potthoff, R. F. and Roy, S. N. 1964. Generalized multivariate analysis of variance
model useful especially for growth curve problems. Biometrika. 51, 3 and 4.
44. Raghavarao, D. 1971. Construction and combinatorial problems in design of
experiments. John Wiley.
45. Rao, C. R. 1965. Linear statistical inference and their applications. John Wiley.
46. Scheffe, H. 1987. The analysis of variance. John Wiley and Sons.
47. Searle, S. R. 1966. The linear hypothesis a general theory. Griffin London.
48. Searle, S. R. 1971. Linear models. John Wiley.
49. Searle, S. R. 1976. Linear regression analysis. John Wiley.
50. Searle, S. R. 1982. Matrix algebra with applications in statistics. John Wiley.
51. Searle, S. R. 1987. Linear models for unbalanced data. John Wiley and Sons.
52. Seber, G. A. F. 1977. Linear Regression Analysis. John Wiley.

FORMA DE EVALUACIÓN

 Dos parciales con valor de 20% cada uno.

 Un examen final con valor de 30%.
 Ejercicios de práctica sobre los temas tratados en el curso, con valor del 20%.
 Trabajo Final y Exposición, con valor del 10%.

Fechas de evaluación:
Primer parcial: 29 de septiembre de 2020.
Segundo parcial: 5 de noviembre de 2020.
Examen final: 10 de diciembre de 2020.
Trabajo final: 15 de diciembre 2020.