INSTITUTO UNIVERSITARIO PUEBLA HOJA: 1 DE 5 PROGRAMA ACADÉMICO: LICENCIATURA EN INGENIERIA INDUSTRIAL TIPO EDUCATIVO: INGENIERIA MODALIDAD: MIXTA SERIACIÓN: NINGUNA CLAVE DE LA ASIGNATURA: 126 CICLO: QUINTO CUATRIMESTRE CON TOTAL DE CRÉDITOS DOCENTE INDEPENDIENTES 54 74 128 8 TOTAL DE EN EL PERÍODO: 54 OBJETIVO GENERAL DE LA ASIGNATURA: Conocer, comprender y utilizar los conceptos relacionados con análisis de regresión y de series de tiempo, en el contexto de la optimización de procesos. VÍNCULOS DE LA ASIGNATURA CON LOS OBJETIVOS GENERALES DEL CURRICULUM: Es importante conocer los diferentes modelos y sus desempeños de estos y los conceptos para que el alumno aprenda el contenido de la materia. PERFIL DEL DOCENTE REQUERIDO: Profesor con carrera de ingeniero industrial y de sistemas o ingeniero mecánico administrador, y postgrado en ingeniería industrial, sistemas y calidad. JESUS ADRIAN BALLESTEROS XICOTENCATL NOMBRE Y FIRMA DEL RESPONSABLE DEL PROGRAMA ACADÉMICO 01 DE ABRIL DE 2006 FECHA DE ELABORACIÓN 1
INSTITUTO UNIVERSITARIO PUEBLA HOJA: 2 DE 5 DEL PROGRAMA ACADÉMICO: LICENCIATURA EN INGENIERIA INDUSTRIAL 18 1. INTRODUCCIÓN A LOS MODELOS DE PRONÓSTICOS 1.1 Definición de pronóstico y de modelo. 1.2 Características de los modelos de 1.3 Clasificación de los modelos de 1.4 Marco conceptual de un modelo de 1.5 Criterios de desempeño de los modelos de 1.6 Usos y aplicaciones de los modelos de 18 2. MODELOS DE REGRESIÓN 2.1 Definición de regresión, correlación, ecuación de predicción, optimización, modelos lineales, modelos no lineales. 2.2 Usos de los modelos de regresión. 2.3 Regresión lineal simple. 2.3.1 Modelo de regresión lineal simple. 2.3.2 Estimación de parámetros por los métodos de mínimos cuadrados. 2.3.3 Análisis de varianza, explicación de los elementos que lo componen y determinación de usos y aplicaciones. 2.3.4 Prueba de hipótesis para la ecuación de regresión. 2.3.5 Prueba de hipótesis para los parámetros individuales. 2.3.6 Intervalo de confianza de los parámetros de la ecuación de regresión. 2.3.7 Intervalo de confianza de la respuesta media de la variable independiente. 2.3.8 Intervalo de confianza de la predicción de nuevas observaciones de la variable independiente. 2.3.9 Coeficiente de determinación, coeficiente de determinación ajustado y coeficiente de correlación. 2.3.10 Supuestos de la regresión lineal. Aplicar las diferentes técnicas de pronósticos a corto, mediano y largo plazo. Modelos de Medición del error. Revisar los principales modelos de economías abiertas, prestando especial atención a la teoría asintótica, con especial referencia a los modelos de regresión 2
INSTITUTO UNIVERSITARIO PUEBLA HOJA: 3 DE 5 2.3.11 Pruebas de normalidad de los residuos: gráfica de los residuos en papel probabilístico normal, prueba de bondad de ajuste, prueba Smirnov-Kolmogorov. 2.3.12 Prueba de independencia de los residuos mediante el estadístico Durbin- Watson. 2.3.13 Análisis gráfico de residuales para probar la homocedasticidad. 2.3.14 Identificación de "outliers" mediante errores estandarizados y PRESS. 2.3.15 Transformación de variables. 2.4 Regresión lineal múltiple. 2.4.1 Modelo de regresión lineal múltiple 2.4.2 Estimación de parámetros por los métodos de mínimos cuadrados. 2.4.3 Prueba de hipótesis para la ecuación de regresión. 2.4.4 Prueba de hipótesis para los parámetros individuales. 2.4.5 Prueba F parcial. 2.4.6 Intervalo de confianza de los parámetros de la ecuación de regresión. 2.4.7 Intervalo de confianza de la respuesta media de la variable independiente. 2.4.8 Intervalo de confianza de la predicción de nuevas observaciones de la variable independiente. 2.4.9 Coeficiente de determinación, coeficiente de determinación ajustado y coeficiente de correlación. 2.4.10 Supuestos de la regresión lineal. 2.4.11 Pruebas de normalidad de los residuos: gráfica de los residuos en papel probabilístico normal, prueba de bondad de ajuste, prueba Smirnov-Kolmogorov. 2.4.12 Prueba de independencia de los residuos mediante el estadístico Durbin- Watson. 2.4.13 Análisis gráfico de residuales para probar la homocedasticidad. 2.4.14 Identificación de "outliers" mediante errores estandarizados y PRESS. 2.4.15 Definición de multicolinealidad. 2.4.16 Fuentes de multicolinealidad. 2.4.17 Efectos de la multicolinealidad. 3
INSTITUTO UNIVERSITARIO PUEBLA HOJA: 4 DE 5 2.4.18 Diagnóstico de la multicolinealidad. 2.4.19 Métodos para tratar la multicolinealidad. 2.5 Regresión polinomial. 2.5.1 Modelos polinomiales en una variable. 2.5.2 Estimación de parámetros por el método de mínimos cuadrados. 2.5.3 Prueba F parcial para evaluar la contribución de los términos polinomiales. 2.5.4 Posibles problemas al utilizar regresión polinomial. 2.6 Selección de variables. 2.6.1 Problema de elaboración de modelos. 2.6.2 Procedimiento de todas las posibles regresiones. 2.6.3 Búsqueda dirigida en t. 2.6.4 Regresión por pasos. 2.6.5 Selección hacia adelante. 2.6.6 Selección hacia atrás 18 3. MODELOS DE SERIES DE TIEMPO 3.1 Definición de una serie de tiempo y clasificación de los diferentes patrones de series de tiempo. 3.2 Modelos de pronósticos para series de tiempo. 3.3 Metodología Box-Jenkins para series de tiempo no estacionales. 3.3.1 Series de tiempo estacionaria u horizontales. 3.3.2 Transformación a una serie de tiempo estacionaria. 3.3.3 Identificación del modelo. 3.3.4 Estimación de parámetros del modelo. 3.3.5 Verificación del modelo. 3.3.6 Utilización del modelo para pronosticar. 3.4 Metodología Box-Jenkins para series de tiempo estacionales. 3.4.1 Identificación del modelo. 3.4.2 Estimación de parámetros del modelo. 3.4.3 Verificación del modelo. 3.4.4 Utilización del modelo para pronosticar. Lograr que el alumno conozca y maneje las propuestas principales de la teoría y sus soluciones; análisis de series de tiempo y modelos lineales. 4
INSTITUTO UNIVERSITARIO PUEBLA HOJA: 5 DE 5 DEL PROGRAMA ACADÉMICO: LICENCIATURA EN INGENIERIA INDUSTRIAL EXPERIENCIA DE APRENDIZAJE (METODOLOGÍA): 1. Exposición de los temas por parte del profesor, aplicación del tema expuesto, realización de tareas y proyectos que refuercen lo visto en clase. 2. Se recomienda que las tareas y proyectos se utilicen los apoyos computacionales con los que cuenta el Campus. 3. Realizar tareas y proyectos que impliquen trabajo en grupo, utilización de equipo computacional y consulta de fuentes bibliográficas. BIBLIOGRAFÍA (AUTOR, TÍTULO, EDITORIAL, EDICIÓN): 1. Douglas C. Montgomery y Elizabeth A. Peck, Introduction to linear regression analisys, Wiley, 2a. edición, 1992. LIBROS DE CONSULTA. 2. Bruce L. Bowerman y Richard T. O'Connell, Time series forecasting: unified concepts and computer implementation, Duxbury Press, 2a. edición, 1987. RECURSOS DIDÁCTICOS: Proyector de acetatos Cañón Computadora NORMAS Y PROCEDIMIENTO DE EVALUACIÓN: Exámenes parciales (3) 45% Tareas 15% Casos integradores (2) 20% 1. Regresión. 2.Series de tiempo Examen Final 20% 5