Descripción: En esta tesis se estudia el procedimiento de reducción de la dimensión para observaciones multivariadas conocido como Regresión Inversa Partida (Sliced Inverse Regression, SIR) propuesto por K. C. Li (18). En ella demostramos que el algoritmo desarrollado por Li (18) para resolver el problema de la regresión inversa partida es equivalente a obtener las coordenadas discriminantes correspondientes a la partición (slicing) de las covariables de acuerdo a los valores que toma la variable respuesta en cada observación. Por otro lado, probamos que dicho algoritmo proporciona los mismos resultados que estimar por máxima verosimilitud el subespacio que contiene a las medias de los grupos derivados de la partición, suponiendo normalidad y una misma matriz de covarianza. La utilidad de este enfoque subyace en poder enmarcar al estimador en una estrategia de máxima verosimilitud, lo cual permite aplicarle al mismo los resultados conocidos para este método general de estimación. A la vez, permite encontrar una vía alternativa a las ya propuestas (Gather et al. 10, 11) para obtener un método robusto de estimación.