Profesor | Francisco Sánchez Villarreal | lu mi vi | 18 a 19 |
Ayudante | Santiago Lara Jiménez | ma ju | 18 a 19 |
Ayudante | José Oscar Rosales Vergara | ma ju | 18 a 19 |
MODELOS NO PARAMÉTRICOS Y REGRESIÓN
(ESTADÍSTICA II)
Profesor Francisco Sánchez Villarreal
Ayudante Santiago Lara Jiménez
Presentación.
La investigación y desarrollo en torno a la estadística inferencial se orienta a métodos llamados paramétricos, tales métodos de estimación y procedimientos de pruebas de hipótesis se apoyan en una serie de supuestos para su aplicación. Sin embargo los estudios e investigaciones cuyas observaciones no siempre cumplen con los supuestos necesarios para la aplicación de pruebas clásicas, motivaron la investigación en el terreno de procedimientos inferenciales que no se apoyaran en esos supuestos y coadyuvarán a conclusiones científicamente válidas.
La estadística no paramétrica se desarrolló rápidamente debido a que sus procedimientos cumplen en general con las siguientes ventajas:
Dinámica del curso.
El curso está diseñado para la modalidad a distancia.
Para la gestión de archivos de vídeo, documentos y demás materiales se usará la herramienta Google Classroom cuya clave de acceso es 3nloag6.
Para las clases en línea se usará la plataforma de vídeo Zoom, la liga de acceso se enviará previamente.
Se usará la cuenta de correo estadistica.fciencias.unam@gmail.com como respaldo de envío de tareas, exámenes y retroalimentación de las mismas.
Recursos didácticos.
Notas del Curso en PDF.
Archivos de ejercicios de clase y tareas en Excel.
Archivos de código fuente en R (scripts) y datos en formato CSV.
Copias en PDF de materiales adicionales.
Temario.
1. Modelo Lineal Simple
1.1 Fundamentos y propiedades
1.2 Estimadores de mínimos cuadrados
1.3 Teorema de Gauss Markov
1.4 Ejemplos y aplicaciones
1.5 Transformaciones para linealización
1.6 Coeficiente de correlación y determinación
2. Modelo Lineal General
2.1 Fundamentos y propiedades
2.2 Estimadores de mínimos cuadrados
2.3 Teorema de Gauss Markov para el Modelo Lineal General
2.4 Matriz de varianzas y covarianzas
2.5 Estimación por máxima verosimilitud
2.6 Inferencia sobre los parámetros
2.7 Análisis de varianza en regresión
2.8 Coeficientes de correlación múltiple, simple y parcial
2.9 Coeficiente de determinación R² ajustado por grados de libertad
2.10 ANOVA en regresión múltiple
2.11 Predicción puntual y por intervalos
2.12 Violaciones a supuestos del Modelo (Colinealidad, Heteroscedasticidad, Independencia)
3. Modelos No Paramétricos
3.1 Introducción
3.2 Niveles de medición
3.3 Pruebas para Dos grupos relacionados (Signos, Wilcoxon)
3.4 Pruebas para Dos grupos independientes (Prueba U, Prueba de la Mediana)
3.5 Pruebas para K grupos independientes (ANOVA de Kruskal Wallis)
3.6 Prueba para K grupos relacionados (Prueba de Friedman)
3.7 Análisis de tablas de contingencia
3.8 Pruebas de bondad de ajuste (Kolmogorov, Jarque Bera, Ji cuadrada)
Bibliografía:
Johnston, J . Dinardo J. Econometric Methods . Mc Graw Hill. 4ª Edición. 1997.USA
Novales, A. Econometría. Mc Graw Hill. 2ª Edición. 2000. España
Conover, William, J. 1999. Practical Nonparametric Statistics. Ed. John Wiley & Sons. New York.
Hollander, M. 1999. Nonparametric Statistical Methods. Ed. John Wiley & Sons. New York.
Siegel, Sidney, 1992. Estadística No Paramétrica Aplicada a las Ciencias de la Conducta. Ed. Trillas, México.
Referencias de R para diferentes pruebas.
Criterios de evaluación.
30% Cada semana se dejarán 2 tareas para ser entregadas en formato PDF mediante el correo del curso. Estas tareas se deben entregar los jueves de la semana siguiente, para ser consideradas como oportunas.
20% Trabajos especiales de investigación y aplicación
50% Cuestionarios para 2 exámenes parciales (25% c/u) para ser resueltos en 24 horas.
La mecánica para la entrega y envío de exámenes es la siguiente:
Se les notifica la calificación después de una semana.