1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: (Créditos) SATCA 1 Estadística Avanzada Ingeniería Industrial OPF-1303 3-2-5 2.- PRESENTACIÓN Caracterización de la asignatura. Esta asignatura aporta al perfil del egresado en ingeniería industrial la capacidad de conocer y aplicar las diferentes herramientas de Estadística Avanzada principalmente modelos de regresión lineal múltiple y polinomiales para su aplicación en la industrial manufacturera y de servicios haciendo uso de software de estadística MINITAB y STATGRAPHICS. 3.- COMPETENCIAS A DESARROLLAR Competencias específicas: Adquirir conocimientos generales y específicos, principales conceptos y métodos de la formulación de modelos de regresión múltiple. Todo con el propósito de enfocarse en los hechos vitales; en los problemas y causas importantes e identificar dónde, cómo, cuándo y con que frecuencia se presentan los problemas. Analizar los datos precedentes de las guías claves de negocio, para así identificar las fuentes de variabilidad, analizar su estabilidad y pronosticar su Competencias genéricas 1- Competencias instrumentales: Capacidad de análisis y síntesis Conocimientos generales básicos estadística descriptiva e inferencial Conocimientos básicos de la carrera Comunicación oral y escrita en su propia lengua Habilidades básicas de manejo de la computadora usando software minitab y statgraphics Habilidades de gestión de información(habilidad para buscar y analizar información proveniente de 1 Sistema de asignación y transferencia de créditos académicos
desempeño. Detectar con rapidez, oportunidad y a bajo costo anormalidades en los procesos y sistemas de medición (monitoreo eficaz). Ser objetivos en la planeación y toma de decisiones, expresar los hechos en forma de datos y evaluar objetivamente el impacto de acciones de mejora. Analizar lógica, sistemáticamente y ordenadamente la búsqueda de mejoras. fuentes diversas 2-Competencias interpersonales: Trabajo en equipo Habilidad para trabajar en un ambiente laboral Compromiso ético 3-Competencias sistémicas: Capacidad de aplicar los conocimientos en la práctica Habilidades de investigación Capacidad de aprender 4.- HISTORIA DEL PROGRAMA Lugar y fecha de elaboración o revisión Instituto Tecnológico Superior de Monclova, Participantes Representantes de los Institutos Tecnológicos de: Representantes de la academia de ingeniería industrial Observaciones (cambios y justificación) 5.- OBJETIVO(S) GENERAL(ES) DEL CURSO (competencias específicas a en el curso) Conocer y aplicar los métodos estadísticos avanzados de regresión y correlación para la determinación de un modelo que mejor ajuste a los datos a ser analizados y realizar un pronóstico para la mejor toma de decisiones.
6.- COMPETENCIAS PREVIAS Conocer las herramientas de estadística básicas. Conocer los conocimientos de estadística inferencial. Interpretar, analizar, integrar y evaluar datos e información. Conocer el uso de los paquetes estadísticos MINITAB y STATGRAPHICS 7.- TEMARIO Unidad Temas Subtemas 1 Regresión lineal múltiple 1.1 Estimación de los modelos del parámetro 1.2 Pruebas de hipótesis en regresión lineal múltiple. 1.3 Intervalos de Confianza en regresión múltiple. 1.4 Predicción de nuevas observaciones 1.5 Exploración oculta en la regresión múltiple. 2 Comprobación de la adecuación del modelo 2.1 Introducción 2.2 Análisis de residuales 2.3 La estadística PRESS 2.4 Detección y tratamiento de puntos atípicos 2.5 Falta de ajuste del modelo de regresión 2.6 Prueba formal de la falta de ajuste
3 Diagnóstico para balanceo e influencia. 3.1 Importancia de detectar observaciones influyentes 3.2 Balanceo 3,3 Medidas de influencia: la D de Cook 3.4 Medidas de influencia: DFFITS y DFBETAS 3.5 Una medida de eficiencia del modelo 3.6 Detección de grupos de observaciones influyentes 3.7 Tratamiento de observaciones influyentes. 4 Modelos Polinomiales de regresión 1.1 4.1 Introducción 4.2 Modelos polinomiales de una variable 4.3 Principios básicos 4.4 Ajuste polinomial 4.5 Regresión no parametrica 4.6 Modelos polinomiales con dos o más variables 4.7 Polinomios ortogonales 4.8 Variables indicadoras 4.9 Selección de variable y formación del modelo 5 Multicolinealidad 5.1Introducción 5.2 Fuentes de multicolinealidad 5.3 Efectos de multicolinealidad 5.4 Diagnóstico de multicolinealidad 5.5 Métodos para manejar multicolinealidad 5.6 Recolección de datos adicionales
5.7 Reespecificación del modelo 5.8 Regresión Ridge 5.9 Comparación y evaluación de estimadores sesgados. 6 Regresión Robusta 6.1 La necesidad de una regresión robusta 6.2 Estimadores M 6.3 Propiedades de los estimadores robustos. 6.4 Puntos de quiebre 6.5 Eficiencia 6.6 Reseña de otros estimadores robustos de regresión. 6.7 Introducción a la regresión no lineal 7 Validación de los Modelos de Regresión 7.1 Introducción 7.2 Técnicas de validación 7.3 Análisis de los coeficientes y valores predichos del modelo 7.4 Recolección de nuevos datos-corridas de confirmación 7.5 División de los datos 7.6 Datos obtenidos con experimentos planeados
8.- SUGERENCIAS DIDÁCTICAS (desarrollo de competencias genéricas) Propiciar actividades de búsqueda, selección y análisis de información en distintas fuentes. Propiciar el uso de las nuevas tecnologías en el desarrollo de los contenidos de la asignatura. Relacionar los contenidos con el medio ambiente, así como con las practicas con un enfoque sustentable Fomentar las actividades grupales que propicien la comunicación Propiciar, en el estudiante, el desarrollo de actividades intelectuales de inducción-deducción y análisis-síntesis, las cuales lo encaminan hacia la investigación, la aplicación de conocimientos en la solución de problemas industriales Utilizar software MINITAB y STATGRAPHICS. 9.- SUGERENCIAS DE EVALUACIÓN La evaluación de la asignatura se hará con base en desempeños: Exámenes escritos Consulta y exposición de temas por parte de los alumnos Trabajo en equipo Practicas en software 10.- UNIDADES DE APRENDIZAJE Unidad 1: Regresión lineal múltiple los siguientes Comprender que mediante el uso adecuado de la recolección de datos e información se pueden obtener modelos de regresión adecuados para pronósticos. Definición de la metodología de recolección de datos e información y su aplicación como primera parte en las herramientas de estadística inferencial.
Unidad 2: Comprobación de la adecuación del modelo Identificar que una vez que el modelo se construye es importante probar para determinar si ajustan bien los datos y si se satisfacen las suposiciones que sirven de base al análisis de regresión Probar la significancia general, estudiar las pruebas de significancia de los coeficientes y cálculo de residuales, examinar el error estándar de la estimación y observar el coeficiente de determinación. Unidad 3: Diagnóstico para balanceo e influencia Identificar mediante software los puntos atípicos e influyentes que determine dicho software ser eliminados Realizar Calculo de medidas de influencia Cook, medidas de influencia: DFFITS y DFBETAS. Una medida de eficiencia del modelo y Detección de grupos de observaciones influyentes Unidad 4: Modelos Polinomiales de regresión Identificar un modelo polinomial (segundo orden o mayor) Potencias cuadradas, cúbicas o mayores, superficies curvilíneas. Realizar cálculos de Modelos polinomiales de una variable, sus principios básicos, ajuste polinomial
Unidad 5: Multicolinealidad Identificar que puede surgir en el análisis de regresión múltiple la multicolinealidad que se presenta cuando dos o más variables independientes de un modelo están altamente correlacionada. Realizar pruebas para detectar la Multicolinealidad, Efecto y diagnóstico, así como calcular el factor de inflación de la varianza (VIF) Unidad 6: Regresión Robusta Identificar que cuando evidencia existen una o varias observaciones heterogéneas que influyen en la estimación del modelo, la regresión robusta es una alternativa a la regresión por mínimos cuadrados ordinarios. Cálculo de estimadores M, Propiedades de los estimadores robustos. Puntos de quiebre, eficiencia y Reseña de otros estimadores robustos de regresión.
Unidad 7: Validación de los Modelos de Regresión Identificar todos los indicadores para la validación de un modelo desde linealidad, homocedasticidad, independencia, normalidad, etc. Desarrollar las técnicas de validación, análisis de los coeficientes y valores predichos, recolección de nuevos datos y confirmación del modelo. 11.- FUENTES DE INFORMACIÓN 1.- INTRODUCCIÓN AL ANÁLISIS DE REGRESIÓN LINEAL AUTOR: MONTGOMERY-PECK-VINING EDITORIAL CECSA 2.- PROBABILIDAD Y ESTADISTICA PARA INGENIERIA WILLIAM MENDENHALL EDITORIAL CENGAGE LEARNING 3.- PROBABILIDAD Y ESTADÍSTICA PARA INGENIERÍA Y CIENCIAS JAV L DEVORE EDITORIAL CENGAGE LEARNING