UNIVERSIDAD DEL VALLE

FACULTAD DE CIENCIAS NATURALES Y EXACTAS

DEPARTAMENTO DE MATEMTICAS

CURSO:
CODIGO:
PREREQUISITO:
INTENSIDAD HORARIA:
PERIODO ACADMICO:
PROFESOR:

MODELOS LINEALES I
111038M
INFERENCIA ESTADSTICA (111035M)
ALGEBRA LINEAL AVANZADA (111024M)
5 HORAS/SEMANA PRESENCIALES
Agosto - Diciembre 2015
Diego Alejandro Tovar Rios, BSc.

OBJETIVO GENERAL
Al finalizar el curso, el estudiante estar en la capacidad de construir modelos que expliquen el comportamiento de una
variable de inters a partir de un conjunto de variables explicativas. Adems, aprender a utilizar estos modelos para la
toma de decisiones.
OBJETIVOS ESPECFICOS

Comprender la construccin terica de los modelos lineales.

Aplicar adecuadamente los mtodos de estimacin aprendidos en el curos de Inferencia Estadstica para estimar
los parmetros del modelo lineal general.
Plantear y probar correctamente las hiptesis acerca de los parmetros del modelo lineal general.
Entender los procedimientos para validar los supuestos del modelo.
Identificar la importancia de una seleccin de variables y aplicar el mtodo adecuado para esta seleccin.

CONTENIDO
1. Distribucin de formas cuadrticas
Distribucin chi-cuadrado no central.
Distribucin F no central y T no central.
Distribucin de ciertas formas cuadrticas en variables normales.
Independencia de formas lineales y formas cuadrticas.
Valor esperado de formas cuadrticas.
2. Modelos
Modelos Matemticos. Modelos probabilsticos. Modelos estadsticos.
Modelos Lineales. Variables en los modelos estadsticos. Tipos de modelos lineales: modelo lineal
general, modelo lineal de regresin, modelo lineal de diseo y el modelo lineal de componentes de
varianza.
3. El modelo lineal general: Estimacin
Caractersticas de un modelo lineal general. Supuestos para el modelo lineal general.
Estimacin de los parmetros del modelo. Mtodo de mxima verosimilitud. Propiedades de los
estimadores. Estimacin por el mtodo de los Mnimos Cuadrados. Teorema de Gauss.Markov.
El modelo lineal generalizado.
Mnimos Cuadrados Ponderados.
Estimacin por intervalos. Intervalos de confianza. Intervalos de prediccin. Estimacin utilizando datos
centrados.
Coeficientes estandarizados.

4. El modelo lineal general: Pruebas de hiptesis

Importancia de las pruebas de hiptesis en un modelo lineal general.
Estadstica de prueba para H0:H=h vs. H0:Hh.
Mtodo de la razn de verosimilitud generalizada.
Casos especiales en las pruebas de hiptesis.
Anlisis de varianza.
La estadstica F parcial.
Pruebas de hiptesis y anlisis de varianza utilizando datos centrados.
Coeficiente de determinacin R2 y su interpretacin.
5. Seleccin de variables.
Importancia de la seleccin de variables.
Mtodos de todas las regresiones (allregressions).
La estadstica Cp de Mallows. La estadstica PRESS.
Mtodo de seleccin hacia adelante (forward).
Mtodo de seleccin paso a paso (stepwise).
Mtodo de eliminacin hacia atrs (backward).
6. Validacin de los supuestos en el modelo lineal general
Supuestos en el modelo lineal general. Importancia de la validacin de los supuestos.
Residuos, propiedades. Residuos estandarizados y estudentizados.
Anlisis grfico de los residuos para detectar deficiencias en el modelo.
Deteccin y tratamiento de puntos atpicos (outliers).
Una prueba para falta de ajuste.
Heterocedasticidad. Prueba de Barlett.
Prueba de Durbin Watson.
METODOLOGA
Se emplear el mtodo inductivo-deductivo. En las clases magistrales se presenta la teora con ejemplos de aplicacin que
permitir al estudiante desarrollar los ejercicios propuestos por el docente y que se discutirn en talleres programados
previamente. El taller se debe dirigir de modo que sea el estudiante quien presente las dudas en la solucin de los
problemas y el profesor acta como una gua en la consolidacin del conocimiento.

EVALUACIN
Dos exmenes parciales

50% c/u

Cada examen parcial tendr su respectivo examen opcional.

BIBLIOGRAFA

Montgomery, Douglas C., Elizabeth A. Peck, and G. Geoffrey Vining. Introduction to linear regression
analysis. Vol. 821. Wiley, 2012.
Graybill, Franklin A. Theory and applications of the linear mode. Duxbury, 2000.

Graybill, Franklin A. An introduction to linear statistical models. Vol. 1. New York: McGraw-Hill,
1961.
Draper, Norman Richard, Harry Smith, and Elizabeth Pownell. Applied regression analysis. Vol. 3.
New York: Wiley, 1966.
Neter, John, William Wasserman, and Michael H. Kutner. Applied linear statistical models. Vol. 4.
Chicago: Irwin, 1996.
Seber, George AF, and Alan J. Lee. Linear regression analysis. Vol. 936. John Wiley & Sons, 2012.