MISIN Formar profesionales altamente capacitados, desarrollar investigacin y realizar actividades de extensin en Matemticas y Computacin, as como en sus diversas

aplicaciones.

MODELOS DE REGRESIN

ESPECIALIZACIN EN ESTADSTICA

2010

Curso de Especializacin en Estadstica

ESPECIALIZACIN EN ESTADSTICA Objetivo general del plan de estudios Formar especialistas de alto nivel capaces de aplicar los principales mtodos estadsticos para el anlisis de datos, as como de comprender los conceptos matemticos necesarios para la aplicacin correcta de dichos mtodos. Objetivos especficos Formar especialistas capaces de: 1. Comprender los conceptos matemticos requeridos para la aplicacin de las diversas tcnicas estadsticas con un enfoque ms aplicado que terico; 2. Planear y disear experimentos o identificar modelos estadsticos apropiados para los problemas propios de su rea; 3. Proponer soluciones a problemas previamente identificados, mediante mtodos estadsticos cuya utilidad ha sido demostrada en los diversos campos de la investigacin; 4. Ofrecer asesora estadstica a instituciones pblicas, privadas y centros de investigacin que requieran recolectar, analizar e interpretar datos; y 5. Apoyar a las instituciones educativas, en lo que respecta al contenido estadstico, en la superacin de la calidad de la enseanza de la estadstica en los distintos niveles educativos.

MODELOS DE REGRESIN Asignatura: Obligatoria Horas totales: 75 Horas tericas: 75 Horas prcticas: 0 Crditos: 10 Objetivo general Al finalizar el curso, el alumno ser capaz de: 1. 2. 3. 4. 5. Interpretar correctamente el concepto de modelo de regresin lineal; Utilizar las tcnicas estadsticas para verificar los supuestos del modelo; Aplicar los modelos de regresin lineal y logstica para diversos casos; Seleccionar la mejor ecuacin de regresin; y Aplicar otros mtodos estadsticos multivariados como generalizacin del modelo de regresin lineal.

Pgina 2 de 6

Curso de Especializacin en Estadstica

Descripcin del curso Dentro de los aspectos importantes a considerar en cualquier proceso de investigacin estn: la adecuada identificacin de las variables que estn actuando en el proceso, la relacin que guardan estas entre s y con la respuesta esperada del experimento, establecer un modelo matemtico de esa relacin que nos permita efectuar predicciones de acuerdo con diferentes valores de las variables del proceso, hacer inferencias respecto de los parmetros del modelo, categorizar las variables por su importancia identificando las que son superfluas y establecer conclusiones adecuadas con base en los resultados obtenidos; las tcnicas de regresin nos permiten efectuar los procesos citados anteriormente. En este curso se estudian los conceptos bsicos de regresin, proporcionando ejemplos de sus aplicaciones ms frecuentes, poniendo especial atencin en el anlisis de la regresin lineal mltiple, sus pruebas de hiptesis, intervalos de confianza y diagnsticos. Se estudian la relacin entre las diferentes variables presentes en un experimento a travs de las correlaciones. Se da una introduccin a la regresin logstica estableciendo los casos en los cuales se utiliza. En el desarrollo del curso se procurar que los estudiantes trabajen con datos de casos reales, de preferencia propuestos por ellos mismos, as como la utilizacin de un paquete estadstico. Antecedentes acadmicos deseables Asignatura Taller de Anlisis Exploratorio de Datos Seminario de Estadstica en la Investigacin Contenidos - Estadstica descriptiva. - Bondad de ajuste. - Protocolo de investigacin - Ejecucin del experimento - Recoleccin y anlisis estadstico de los datos - Tipos de reporte de resultados - Variables aleatorias y distribuciones - Estimacin puntual - Intervalos de confianza - Pruebas de hiptesis

Inferencia Estadstica

Contenido 1. REGRESIN LINEAL SIMPLE. 20 horas

Objetivo: Al concluir la unidad el alumno: i) interpretar la relacin de una variable independiente con una variable respuesta utilizando el modelo de regresin lineal simple (con o sin intercepto), ii) realizar inferencias respecto de los parmetros del modelo, iii) verificar el cumplimiento de los supuestos asociados con el modelo de regresin lineal simple. 1.1. 1.2. 1.3. El modelo de regresin lineal simple Estimadores de mnimos cuadrados de los parmetros del modelo. Inferencias respecto a los parmetros del modelo
Pgina 3 de 6

Curso de Especializacin en Estadstica

1.4. 1.5. 1.6. 1.7. 1.8. 1.9.

1.3.1. Prueba de hiptesis 1.3.2. Intervalos de Confianza Inferencias respecto a la recta de regresin 1.4.1. Intervalos de confianza 1.4.2. Intervalos de prediccin Anlisis de varianza del modelo 1.5.1. Coeficiente de determinacin R2 Modelo sin intercepto Prueba de falta de ajuste Verificacin de supuestos 1.8.1. Mtodos grficos 1.8.2. Mtodos analticos Transformaciones 18 horas

2. REGRESIN LINEAL MLTIPLE.

Objetivo: Al concluir la unidad el alumno: i) interpretar la relacin entre varias variables independientes con una variable respuesta utilizando el modelo de regresin lineal mltiple, ii) realizar las inferencias asociadas a los parmetros del modelo mltiple, iii) aplicar las pruebas de hiptesis asociadas al modelo mltiple, iv) aplicar el modelo polinomial en los casos requeridos y como extensin del modelo de regresin lineal mltiple. 2.1. 2.2. 2.3. 2.4. 2.5. 2.6. 3. El modelo de regresin lineal mltiple Estimadores de mnimos cuadrados del vector de parmetros del modelo 2.2.1. Esperanza y varianza de los estimadores 2.2.2. Intervalos de confianza de los estimadores Pruebas de hiptesis 2.3.1. Prueba de significacin de la regresin 2.3.2. Prueba de significacin para la adicin de variables El modelo de regresin polinomial 2.4.1. Prueba de falta de ajuste Modelos de regresin con interaccin Puntos lejanos (outliers) CORRELACIONES. 15 horas

Objetivo: Al concluir la unidad el alumno: i) interpretar la asociacin lineal entre una variable respuesta y una o ms variables independientes, tanto paramtricas como no paramtricas, ii) identificar la multicolinealidad entre variables independientes, iii) determinar un modelo de regresin lineal para variables no paramtricas. 3.1. 3.2. 3.3. Correlacin lineal simple Inferencias respecto del coeficiente de correlacin lineal simple 3.2.1. Pruebas de hiptesis 3.2.2. Intervalos de confianza Correlaciones mltiple y parcial 3.3.1. Pruebas de hiptesis

Pgina 4 de 6

Curso de Especializacin en Estadstica

3.4. 3.5.

Multicolinealidad 3.4.1. Deteccin 3.4.2. Fuentes y efectos de la multicolinealidad Regresin y correlacin no paramtrica 3.5.1. Coeficiente de correlacin de Spearman 3.5.2. Regresin no paramtrica COMPARACIN DE MODELOS DE REGRESIN. 12 horas

4.

Objetivo: Al concluir la unidad el alumno: i) interpretar la asociacin lineal entre una variable respuesta y una o ms variables independientes, tanto paramtricas como no paramtricas, ii) identificar la multicolinealidad entre variables independientes, iii) determinar un modelo de regresin lineal para variables no paramtricas. 4.1. Seleccin del mejor modelo de regresin 4.1.1. Criterios para la seleccin del modelo 4.1.2. Mtodos para la seleccin de variables (todas las regresiones posibles, backward, forward, stepwise) Variables indicadoras 4.2.1. Pruebas de hiptesis para la igualdad de modelos 10 horas

4.2.

5. ELEMENTOS DE REGRESIN LOGSTICA.

Objetivo: Al concluir la unidad el alumno: i) conocer y comprender el modelo logstico, ii) aplicar el modelo logstico para relacionar una variable con respuesta binaria con un conjunto de variables independientes, iii) interpretar los parmetros del modelo utilizando la razn de momios. 5.1. 5.2. 5.3. Modelo de regresin logstica para variable con respuesta binaria Estimacin de los parmetros del modelo Interpretacin de los parmetros (razn de momios)

Recursos didcticos Notas de curso, material de apoyo didctico, equipo audiovisual y software estadstico. Metodologa de la enseanza Las clases sern con un enfoque prctico a partir del cual se desarrollarn los elementos tericos correspondientes. Al inicio de cada tema, con base en casos de estudio, se discutirn los mtodos y los elementos tericos bsicos respectivos. Se enfatizar la importancia del tema en las aplicaciones y su relacin con las asignaturas correspondientes de la Especializacin en Estadstica y la disciplina. En lo posible se trabajar con datos de casos reales, se identificar los elementos del tema en consideracin y se enfatizar la interpretacin de los resultados. En donde sea pertinente se utilizar un paquete estadstico y se indicar su importancia como herramienta en el anlisis estadstico de datos.

Pgina 5 de 6

Curso de Especializacin en Estadstica

Estrategias de enseanza Exposicin, interrogatorio, resolucin de ejercicios en clase y tareas, discusin dirigida, proyectos individuales o grupales y utilizacin de software estadstico Criterio de evaluacin Menor o igual Exmenes parciales: 60 puntos Tareas y proyectos: 60 puntos La suma de la puntuacin ser igual a 100. La calificacin mnima aprobatoria es 80 puntos. Bibliografa 1. 2. Drapper, N.R. y Smith, H. (1998). Applied Regression Analysis. 3 ed. John Wiley. Dunn, O.J. y Clark, V.A. (1987). Applied Statistics: Analysis of Variance and Regression. 2 ed. John Wiley and Sons. Nueva York. 3. Cook, R.D. y Weiberg, S. (1999). Applied Regression Including Computing and Graphics. John Wiley and Sons. 4. Chatterjee S. y Price B. (1991). Regression Analysis by Example. 2 ed. John Wiley and Sons. Nueva York. 5. Hollander, M. y Wolfe, D. (1999). Nonparametrics Statistical Methods, 2a. ed. John Wiley and Sons. 6. Hosmer, D.W. y Lemeshow S. (1989). Applied Logistic Regression. John Wiley and Sons. Nueva York. 7. Kleinbaum, D.G., Kupper, L.L., Muller, K.E. y Nizam, (1998). Applied Regression Analysis and Multivariate Methods. Duxbury Press. 8. Kleinbaum, D.G. y Klein, M. (2002). Logistic Regression A Self-Learning Text. 2a. ed. Springer. 9. Montgomery, D.C. y Peck, E.A. (1992). Introduction to Linear Regression Analysis. John Wiley. 10. Neter, J., Nachtsheim, C. y Kutner, M.H. (2004). Applied Linear Regression Models. 4 ed. Mc Graw Hill. 11. Sprent, P. y Smeeton, N.C. (2001). Applied Nonparametric Statistical Methods. 3a. ed. Chapman and Hall. 12. Weisberg, S. (1985). Applied Linear Regression. 2 ed. John Wiley and Sons, Nueva York.

Perfil profesiogrfico del profesor Especialista en Estadstica, preferentemente con maestra o doctorado y experiencia docente, de investigacin o de trabajo en el rea. Elaboraron: M.C. Josefina Irene Peniche Ayora M.C. Mara Didora Kantn Chm E.E. Luis Alberto Reyna Peraza Fecha de elaboracin: Junio de 2010.

Pgina 6 de 6