REGRESIÓN LINEAL APLICADA.

Tamaño: px

Comenzar la demostración a partir de la página:

Download "REGRESIÓN LINEAL APLICADA."

Alejandra Maidana Moreno
hace 6 años
Vistas:

DES: Ingeniería UNIVERSIDAD AUTÓNOMA DE CHIHUAHUA Clave: 08MSU007H FACULTAD INGENIERÍA Clave: 08USU053W PROGRAMA DEL CURSO: REGRESIÓN LINEAL APLICADA.

1 DES: Ingeniería UNIVERSIDAD AUTÓNOMA DE CHIHUAHUA Clave: 08MSU007H FACULTAD INGENIERÍA Clave: 08USU053W PROGRAMA DEL CURSO: REGRESIÓN LINEAL APLICADA. Programa(s) Educativo(s): Ingeniería Matemática Tipo de materia: Clave de la materia: Semestre: 5 Área en plan de estudios: Créditos Total de horas por semana: Obligatoria CI506 Ciencias de la Ing. Teoría: Práctica Taller: Laboratorio: Prácticas complementarias: Trabajo extra clase: Total de horas semestre: 6 Fecha de actualización: 23 de Julio de 2006 Clave y Materia requisito: CI02 Propósitos del Curso: El propósito de este curso es que el estudiante describa y aplique los conceptos de la regresión lineal simple y múltiple para la solución de problemas estadísticos aplicados a problemas de ingeniería. Al final del curso el estudiante será capaz de: Describir y aplicar los conceptos de la regresión lineal simple. Describir y aplicar los conceptos de la regresión lineal múltiple. Modelar procesos estadísticos mediante la regresión lineal sencilla y múltiple para la solución de problemas de ingeniería. COMPETENCIAS Para todas las unidades: Ciencias Básicas de la Ingeniería. Ciencias de la Ingeniería Física y Matemática. Uso de Información. Solución de Problemas. Trabajo en equipo. CONTENIDOS (Unidades, Temas y Subtemas) I. REGRESIÓN LINEAL SIMPLE. I. Construcción de un modelo de regresión Lineal simple. I.2 Estimación de mínimos cuadrados. I.3 Estimación de 2. I. Propiedades de estimadores de mínimos cuadrados. I.5 Comparación de modelos: Análisis de varianza. I.6 El coeficiente de determinación, R 2. I.7 Intervalos de confianza y pruebas. I.8 Los residuales. RESULTADOS DE APRENDIZAJE (Por Unidad) Forma de construir un modelo de regresión lineal simple así como los datos básicos que se obtienen dentro de dicho modelo y que sirven para el análisis posterior.

2 II. REGRESIÓN MÚLTIPLE. II. Adición de un predictor a un modelo de regresión simple. II. Regresión en notación matricial. II. El análisis de varianza. II. Adición de graficas de variables. II. Regresión a través del origen. III. OBTENCIÓN DE CONCLUSIONES. III. Interpretación de estimadores de para- Metros. III.2 Modelos de muestreo. III.3 Predictores medidos con error. Al modelo de regresión lineal simple se le agregan más variables y mediante nuevos métodos se analiza la información obteniendo errores y parámetros necesarios para su comprensión. Dado los parámetros y errores se efectúa su interpretación mediante intervalos de confianza y se procede a tomar una muestra mediante los tipos de muestreo y tomando en cuenta el error muestral. IV. MINIMOS CUADRADOS PONDERADOS, PRUEBA DE FALTA DE AJUSTE, PRUEBAS-F GENERALES E INTERVA- LOS DE CONFIANZA. IV. Mínimos cuadrados generalizados y ponderados. IV.2 Prueba de falta de ajuste, varianza conocida. IV.3 Prueba de falta de ajuste, varianza desconocida. IV. Prueba-F general. IV.5 Regiones de confianza conjuntas. Teniendo los datos de la muestra se analizan mediante el método de mínimos cuadrados, se aprende a ajustar la información en caso de así necesitarlo y mediante la prueba F se decide si se acepta el modelo propuesto o se rechaza; si ocurre el primero se dan los intervalos de confianza mínimos. V. RESIDUALES E INFLUENCIA. V. Los residuales. V.2 Los extremos. V.3 Influencia de casos. De cada análisis realizado se podrán obtener valores residuales los cuales servirán para obtener algunas graficas. VI. SÍNTOMAS Y REMEDIOS. VI. Graficas de dispersión. VI.2 Varianza inconstante. VI.3 No-linealidad. VI. Transformación de la respuesta. VI.5 Transformación de los predictores. VI.6 Suposición de normalidad. Ya teniendo el análisis se obtienen los predictores y la respuesta que se desee; así como realizar graficas de dispersión y verificar la linealidad de dicho modelo. VII. CONSTRUCCIÓN DE MODELOS I : DEFINICIÓN DE NUEVOS PREDIC- TORES. VII. Regresión polinomial. VII.2 Dicotomías. VII.3 Policotomias. VII. Comparación de líneas de regresión. VII.5 Escalamiento de variables. VII.6 Transformaciones lineales y componentes principales. Ya hecho lo de la unidad anterior se construye el modelo de regresión se dan conclusiones en base a la comparación y reflexión de los datos. 2

3 VIII. COLINEALIDAD Y SELECCIÓN DE VARIABLES. VIII. Definicion de colinealidad y su problematica. VIII.2 Medicion de la colinealidad. VIII.3 Selección de variables. VIII. Suposicion y notación. VIII.5 Seleccion de subconjuntos sobre bases sustantivas. VIII.6 Determinacion de subconjuntos I. Metodo de pasos. VIII.7 Criterio para seleccionar un subconjunto. VIII.8 Determinacion de subconjuntos II. Todas las regresiones posibles. identificar las causas de la multicolinealidad y algunos de sus efectos sobre la inferencia. I. PREDICCION. I. Realizacion de predicciones. I.2 Interpolacion vs. extrapolacion I.3 Escalamiento y selección de modelo. El alumno podrá realizar predicciones en base al modelo seleccionado.. DATOS INCOMPLETOS.. Perdidas aleatorias..2 Datos incompletos al capturar o al eli- Minar..3 Estimadores de máxima posibilidad su- Poniendo normalidad.. Perdida de correlacion de observaciones..5 Recomendaciones generales. reconocer el modelo adecuado para datos incompletos y realizar las observaciones pertinentes a dicho modelo. I. ESTIMACIÓN SIN MINIMOS CUADRA- DOS, I. Regresion robusta. I.2 Regresion de estimadores ponderados. distinguir entre la regresión lineal robusta y el método de mínimos cuadrados y utilizarla de manera adecuada. II. GENERALIZACIÓN DE LA REGRE- SION LINEAL. II. Regresion no-lineal. II.2 Regresion logística. II.3 Modelos lineales generalizados. El alumno conocerá de manera general la regresión no lineal e identificara los modelos adecuados para cada tipo de regresión. 3

4 METODOLOGÍA. Para cada Unidad, se presenta una introducción por parte del maestro, utilizando un organizador previo temático. 2. Se entrega el material gráfico para su lectura Se diseña un cuestionario para el manejo de los contenidos y debe entregarse una copia al maestro al inicio de la clase, este producto se utiliza para la discusión de tema por equipo y para el resto del grupo. 3. La discusión y el análisis se propicia a partir del planteamiento de una situación problemática, dónde el estudiante aporte alternativas de solución o resolver un ejercicio dónde aplique conceptos ya analizados.. Se complementa cada tema de unidad con la utilización de los paquetes computacionales de simulación tales como, Minitab, SAS, SSPS, Matlab y/o Matemática. Métodos Centrado en la tarea Estrategias Trabajo de equipo en la elaboración de tareas, planeación, organización, cooperación en la obtención de un producto para presentar en clase. Inductivo Observación Comparación Experimentación Deductivo Aplicación Comprobación Demostración. Sintético Recapitulación Definición Resumen Esquemas Modelos matemáticos Conclusión Técnicas Lectura Lectura comentada Expositiva Debate dirigido Diálogo simultáneo Material de Apoyo didáctico: Recursos Manual de Instrucción Minitab, SAS, SSPS, MATLAB y/ó MATEMÁTICA. Materiales gráficos: artículos, libros, diccionarios, etc. Cañón electrónico Rotafolio Pizarrón, pintarrones Proyector de acetatos

5 EVIDENCIAS DE DESEMPEÑO Se entrega por escrito: Elaboración de resúmenes. Cuestionarios. Contenidos de exposiciones. Trabajos escritos con estructura IDC (Introducción, desarrollo conclusión). Exámenes escritos. Producto de problemas resueltos con Minitab, SAS, SSPS, MATLAB y/o MATEMÁTICA. Verificación visual por parte del maestro: Resolución de problemas en clase. CRITERIOS DE DESEMPEÑO Los resúmenes deberán abarcar la totalidad del contenido programado para dicha actividad. Los cuestionarios se reciben si están completamente contestados, no debe faltar pregunta sin responder. Las exposiciones deberán presentarse en un orden lógico. Introducción resaltando el objetivo a alcanzar, desarrollo temático, responder preguntas y aclarar dudas y finalmente concluir. Entregar actividad al grupo para evaluar el contenido expuesto. Los trabajos se reciben si cumplen con la estructura requerida, es muy importante reportar la s referencias bibliográficas al final en estilo APA. FUENTES DE INFORMACIÓN (Bibliografía/Lecturas por unidad) APPLIED LINEAR REGRESIÓN. Sanford Weisberg. John Wiley & Sons. EVALUACIÓN DE LOS APRENDIZAJES (Criterios e instrumentos) Se toma en cuenta para integrar calificaciones parciales: 3 exámenes parciales escritos donde se evalúa conocimientos, comprensión y aplicación. Con un valor del 30%, 30% y 0% respectivamente La acreditación del curso se integra: Exámenes parciales: 70% Laboratorios y/o prácticas: 20% Cuestionarios, resúmenes, participación en exposiciones, discusión individual, por equipo y grupal 0%. Asistencia: 0% Nota: para acreditar el curso se deberá tener calificación apro batoria tanto en la teoría como en las prácticas. La calificación mínima aprobatoria será de 6.0 Cronograma del Avance Programático S e m a n a s 0 Unidades de aprendizaje I. REGRESIÓN LINEAL SIMPLE. II. REGRESIÓN MÚLTIPLE. III. OBTENCIÓN DE CONCLUSIONES IV. MINIMOS CUADRADOS PONDERADOS, ETC V. RESIDUALES E INFLUENCIA. VI. SÍNTOMAS Y REMEDIOS. VII. CONSTRUCCIÓN DE MODELOS I VIII. COLINEALIDAD Y SELECCIÓN DE VARIAB. I. PREDICCION.. DATOS INCOMPLETOS I. ESTIMACIÓN SIN MINIMOS CUADRADOS, II. GENERALIZACIÓN DE LA REGRES. LIN. 5

Documentos relacionados

DISEÑO DE EXPERIMENTOS

DISEÑO DE EXPERIMENTOS UNIVERSIDAD AUTÓNOMA DE CHIHUAHUA Clave: 08MSU007H FACULTAD INGENIERÍA Clave: 08USU4053W PROGRAMA DEL CURSO: DISEÑO DE EPERIMENTOS DES: INGENIERÍA Programa(s) Educativo(s): Ingeniería Matemática. Tipo