MAT-266: An

alisis de Regresi
on

Objetivo General
El objetivo del curso es proporcionar elementos basicos e inferenciales del modelo de regresion
lineal, posteriormente se describir
a la estimacion e inferencia en modelos no lineales. En el
transcurso de la disciplina, algunas tecnicas de diagnostico seran discutidas.
Pre-requisitos: MAT-031
o MAT-041 o MAT-042.
Gran parte del curso utilizar
a el ambiente de programacion y software estadstico R, disponible
en cran.r-project.org. Si usted no es familiar con R, puede consultar los manuales en PDF
incluidos con el programa o bien el libro: Venables, W. and Ripley, B. (2002). Modern Applied
Statistics with S. Springer, New York.
Contenidos tem
aticos
1. Enfoque General de Regresi
on Lineal, Regresion Lineal M
ultiple, Analisis de Varianza.
Columnas Ortogonales en la Matriz de predictores, Contraste F Parciales y Secuenciales,
Contraste de una Hip
otesis Lineal General, Mnimos Cuadrados Ponderados, Uso de Software.
2. An
alisis de Residuos, Gr
aficos de Residuos, Estadsticas para el Analisis de Residuos, Correlaci
on entre Residuos. Correlacion Serial, Graficos v/s Tiempo. Test Durbin-Watson.
Detecci
on de Observaciones influyentes, Uso de Software.
3. Extensi
on de Modelos, Modelos Polinomiales, Modelos que involucran transformaciones,
Familias de Transformaciones, Extension de Variables, Polinomios Ortogonales.
4. Selecci
on de Variables, Todas las Regresiones Posibles, Regresion del Mejor Subconjunto,
Procesos de Eliminaci
on y de Inclusion de Variables.
5. Aplicaciones a Problemas de Dise
no Experimental, Clasificacion a un Criterio, Clasificacion
a m
as de un Criterio.
6. Variables Binarias y Regresi
on Logstica, Estadstico de Razon de Log-verosimilitud, Regresi
on Logstica General.
Referencias
Dobson, A.J. (2002). An Introduction to Generalized Linear Models. Chapman and Hall, Boca
Raton.
Hocking, R. (1996). Methods and Applications of Linear Models. Wiley, New York.
Seber, G.A.F. (1977). Linear Regression Analysis. Wiley, New York.
Weisberg, S. (2005). Applied Linear Regression, 3nd edition. Wiley, New York.