Portafolio: Modelos No Paramétricos y de Regresión Lineal

Este repositorio recopila tareas, prácticas y proyectos desarrollados a lo largo del semestre en la asignatura Modelos No Paramétricos y de Regresión Lineal, bajo la guía del profesor Gonzalo Pérez (UNAM).

El objetivo es aplicar y reforzar técnicas estadísticas para el análisis de datos, cubriendo desde el ajuste e interpretación de modelos de regresión hasta métodos de estimación no paramétrica.

Contenido principal

• Regresión lineal simple y múltiple

  • Supuestos y diagnóstico del modelo.
  • Interpretación de parámetros.
  • Estimación por mínimos cuadrados y máxima verosimilitud.
  • Propiedades de los estimadores (insesgadez, varianza mínima, BLUE).
  • Intervalos de confianza y pruebas de hipótesis.

• Modelos con variables categóricas

  • Variables indicadoras (dummies).
  • Interpretación en diferentes parametrizaciones.

• Métodos de estimación no paramétrica

  • Regresión por núcleos (kernel regression).
  • Suavizamiento y splines.
  • Selección de parámetros de suavizamiento (bandwidth).

• Evaluación y validación de modelos

  • Verificación de supuestos.
  • Análisis gráfico de residuos.
  • Medidas de bondad de ajuste.

• Aplicaciones prácticas

  • Implementación en R de modelos paramétricos y no paramétricos.
  • Visualización de datos y resultados.
  • Ejemplos aplicados a datos económicos y biométricos.

Tecnologías y herramientas

• Lenguaje: R
• Paquetes principales: ggplot2, dplyr, stats, MASS
• Áreas estadísticas:
  • Modelos de regresión paramétrica y no paramétrica.
  • Inferencia estadística.
  • Visualización de datos.

---