UNIVERSIDAD NACIONAL AGRARIA LA MOLINA

Escuela de Post Grado

SILABO
I.
1.1
1.2
1.3
1.4
1.5
1.6
1.7

DATOS GENERALES
Curso:
Regresin Aplicada
Maestra:
Estadstica Aplicada
Cdigo:
EP7115
Crdito:
2-2-3
Requisitos:
Ninguno
Profesor:
MS Carlos Lpez de Castilla Vsquez
Aula virtual:
http://posgrado.lamolina.edu.pe/login/index.php

II.

SUMILLA
El curso Regresin Aplicada est orientado a brindar metodologas
estadsticas que permitan expresar y analizar la relacin existente entre
una variable dependiente y una o varias variables independientes.
Asimismo en el curso se presentan alternativas para conjunto de datos
de regresin que no cumplen con los supuestos del anlisis. Para el
desarrollo del curso se har uso del programa estadstico R.

III.

OBJETIVOS GENERALES
Al finalizar el curso el estudiante estar en condiciones de aplicar el
anlisis de regresin para estimar un modelo que permita explicar de
manera apropiada el comportamiento de la variable de inters usando
los paquetes estadsticos R.

IV.

OBJETIVOS ESPECIFICOS
Al finalizar el curso el estudiante estar en capacidad de:
Estimar un modelo de regresin, realizar el proceso de estimacin por
intervalos y establecer pruebas de hiptesis sobre sus parmetros.
Realizar el proceso de estimacin usando la regresin ponderada y los
modelos polinomiales.
Incluir variables predictoras cualitativas a travs del uso de variables
indicadoras.
Elegir la transformacin adecuada de la variable respuesta y de las
variables predictoras que permitan cumplir con los supuestos del
anlisis.
Aplicar las tcnicas de anlisis de residuales para detectar violaciones
de los supuestos del anlisis de regresin y sus medidas remediales.
Realizar el anlisis de Influencia para detectar los casos influyentes,
as como las sugerencias de tratamiento.
Aplicar las tcnicas de seleccin de variables para obtener el mejor
modelo.

UNIVERSIDAD NACIONAL AGRARIA LA MOLINA

Escuela de Post Grado
V.

CONTENIDO

Semana 1:
Captulo I: Diagrama de Dispersin y Regresin
Introduccin. Diagrama de dispersin. Funcin media. Funcin variancia.
Grficos de resumen. Herramientas para observar un diagrama de
dispersin. Tamao. Transformaciones. Suavizadores para la funcin
media. Matrices de dispersin.
Lectura:
Weisberg, S. Cap. 1
Semana 2:
Captulo II: Regresin Lineal Simple
Introduccin. Estimacin por mnimos cuadrados ordinarios. Estimando
la variancia. Propiedades de los estimadores.
Comparando modelos. Anlisis de variancia. La prueba F. Interpretando
el valor p. Potencia de la prueba. El coeficiente de determinacin.
Lectura:
Weisberg, S. Cap. 2
Semana 3
Captulo II: Regresin Lineal Simple
Intervalos de confianza y pruebas de hiptesis. El intercepto. La
pendiente. Prediccin. Valores estimados. Intervalos de confianza. Los
residuales. Grficos de residuales.
Lectura:
Weisberg, S. Cap. 2
Semana 4:
Captulo III: Regresin Mltiple
Introduccin. Agregando un trmino. Explicando la variabilidad. Grafico
de variable aadida.
Modelo de regresin lineal mltiple. Trminos y predictores. Mnimos
cuadrados ordinarios. Data y notacin matricial. Matriz de variancia
covariancia para los errores. Estimadores por mnimos cuadrados
ordinarios. Propiedades de los estimadores.
Lectura:
Weisberg, S. Cap. 3
Semana 5:
Captulo III: Regresin Mltiple
Anlisis de variancia. El coeficiente de determinacin. Hiptesis sobre
uno de los trminos. Relacin con el estadstico t. Grficos de variable
aadida. Tabla de anlisis de variancia secuencial.
Prediccin y valores estimados.
Lectura:
Weisberg, S. Cap. 3

UNIVERSIDAD NACIONAL AGRARIA LA MOLINA

Escuela de Post Grado

Semana 6:
Captulo IV: Regresin Ponderada y Falta de Ajuste
Mnimos cuadrados ponderados. Falta de ajuste con variancia conocida
y desconocida.
Prueba F General. Regiones conjuntas de confianza.
Lectura:
Weisberg, S. Cap. 5
Semana 7:
Captulo V: Regresin Polinomial y Factores
Regresin Polinomial. Polinomios con varios predictores.
Factores. Comparacin de lneas de regresin.
Lectura:
Weisberg, S. Cap. 6
Semana 8:
Examen Parcial
Semana 9:
Captulo VI: Transformaciones
Transformaciones y diagramas de dispersin. Transformaciones
potencia. Transformando solo la variable predictora. Transformando solo
la variable respuesta. El mtodo de Box y Cox.
Lectura:
Weisberg, S. Cap. 7
Semana 10:
Captulo VI: Transformaciones
Transformaciones y matrices de dispersin. Seleccin automtica para
los predictores. Transformando la variable respuesta. Transformaciones
para variables no positivas.
Lectura:
Weisberg, S. Cap. 7
Semana 11:
Captulo VI: Los residuales
Los residuales. Diferencias entre los errores y residuales. La matriz hat.
Residuales cuando el modelo es correcto. Residuales cuando el modelo
es incorrecto.
Lectura:
Weisberg, S. Cap. 8

UNIVERSIDAD NACIONAL AGRARIA LA MOLINA

Escuela de Post Grado

Semana 12:
Captulo VI: Los residuales
Variancia no constante. Transformaciones para estabilizar la variancia.
Un diagnstico para variancia constante. Grficos para evaluar el
modelo.
Chequeando la funcin media. Chequeando la funcin variancia.
Lectura:
Weisberg, S. Cap. 8
Semana 13:
Captulo V: Outliers y valores influenciales
Outliers. Una prueba para detectarlos. Casos influnciales. Distancia de
Cook. Otras medidas de influencia. Supuesto de normalidad.
Lectura:
Weisberg, S. Cap. 9
Semana 14:
Captulo VI: Seleccin de variables
Multicolinealidad y variancias. Seleccin de variables. Mtodos
computacionales intensivos. Seleccin de los mejores subconjuntos.
Lectura:
Weisberg, S. Cap. 10
Semana 15:
Presentacin y exposicin de trabajo final.
Semana 16:
Examen Final
VI.

METODOLOGA
Las clases se realizarn mediante exposiciones terico-prcticas. Se
plantearn trabajos individuales que debern ser ingresados en el aula
virtual del curso. Cada estudiante contar con un equipo de cmputo
con los programas estadsticos R y Minitab. En las clases se har uso
de pizarra, proyector de can y los recursos disponibles en el aula
virtual.

VII. EVALUACIN
Examen Parcial
Examen Final
Trabajos Encargados
Trabajo Final con Exposicin.

30%
30%
20%
20%

UNIVERSIDAD NACIONAL AGRARIA LA MOLINA

Escuela de Post Grado

VIII. FUENTES DE INFORMACIN

8.1
Bibliografa Bsica:
Weisberg, S. (2005). Applied Linear Regression. 3rd edition John Wiley
& Sons Inc. Hoboken. New Jersey.
Montgomery Douglas, Peck Elizabeth y Vining Geoffrey (2001).
Introduction to Linear Regression Analysis, Tercera edicin, John Wiley
& sons, New York.
8.2
Bibliografa Complementaria:
Acua Fernndez, Edgar (2002). Anlisis de Regresin, Departamento
de Matemticas de La Universidad
de Puerto Rico, Recinto
Universitario
de
Mayagez.
http://math.upr.clu.edu/~edgar/class6205.html.
Faraway Julian (2002). Practical Regression and Anova using R,
http://cran.r-project.org/.