INSTITUTO UNIVERSITARIO PUEBLA

INSTITUTO UNIVERSITARIO PUEBLAHOJA:1DE5

ASIGNATURA: ANLISIS DE REGRESIN.

PROGRAMA ACADMICO: LICENCIATURA EN INGENIERIA INDUSTRIAL

TIPO EDUCATIVO: INGENIERIAMODALIDAD: MIXTA

SERIACIN: NINGUNACLAVE DE LA ASIGNATURA: 126

CICLO: QUINTO CUATRIMESTRE

HORAS CON DOCENTEHORAS INDEPENDIENTESTOTAL DE HORASCRDITOS

54741288

TOTAL DE HORAS EN EL PERODO: ______54_________

OBJETIVO GENERAL DE LA ASIGNATURA:Conocer, comprender y utilizar los conceptos relacionados con anlisis de regresin y de series de tiempo, en el contexto de la optimizacin de procesos.

VNCULOS DE LA ASIGNATURA CON LOS OBJETIVOS GENERALES DEL CURRICULUM: Es importante conocer los diferentes modelos y sus desempeos 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 mecnico administrador, y postgrado en ingeniera industrial, sistemas y calidad.JESUS ADRIAN BALLESTEROS XICOTENCATL

NOMBRE Y FIRMA DEL RESPONSABLE DEL PROGRAMA ACADMICO01 DE ABRIL DE 2006

FECHA DE ELABORACININSTITUTO UNIVERSITARIO PUEBLAHOJA:2DE5

ASIGNATURA: ANLISIS DE REGRESIN.DEL PROGRAMA ACADMICO: LICENCIATURA EN INGENIERIA INDUSTRIALHORAS

ESTIMADASTEMAS Y SUBTEMASOBJETIVOS DE LOS TEMAS

181. INTRODUCCIN A LOS MODELOS DE PRONSTICOS

1.1 Definicin de pronstico y de modelo.

1.2 Caractersticas de los modelos de pronsticos.

1.3 Clasificacin de los modelos de pronsticos.

1.4 Marco conceptual de un modelo de pronsticos.

1.5 Criterios de desempeo de los modelos de pronsticos.

1.6 Usos y aplicaciones de los modelos de pronsticos.

Aplicar las diferentes tcnicas de pronsticos a corto, mediano y largo plazo. Modelos de pronsticos. Medicin del error.

182. MODELOS DE REGRESIN

2.1 Definicin de regresin, correlacin, ecuacin de prediccin, optimizacin, modelos lineales, modelos no lineales.

2.2 Usos de los modelos de regresin.

2.3 Regresin lineal simple.

2.3.1 Modelo de regresin lineal simple.

2.3.2 Estimacin de parmetros por los mtodos de mnimos cuadrados.

2.3.3 Anlisis de varianza, explicacin de los elementos que lo componen y determinacin de usos y aplicaciones.

2.3.4 Prueba de hiptesis para la ecuacin de regresin.

2.3.5 Prueba de hiptesis para los parmetros individuales.

2.3.6 Intervalo de confianza de los parmetros de la ecuacin de regresin.

2.3.7 Intervalo de confianza de la respuesta media de la variable independiente.

2.3.8 Intervalo de confianza de la prediccin de nuevas observaciones de la variable independiente.

2.3.9 Coeficiente de determinacin, coeficiente de determinacin ajustado y coeficiente de correlacin.

2.3.10 Supuestos de la regresin lineal.

Revisar los principales modelos de economas abiertas, prestando especial atencin a la teora asinttica, con especial referencia a los modelos de regresin

INSTITUTO UNIVERSITARIO PUEBLAHOJA:3DE5

HORAS

ESTIMADASTEMAS Y SUBTEMASOBJETIVOS DE LOS TEMAS

2.3.11 Pruebas de normalidad de los residuos: grfica de los residuos en papel probabilstico normal, prueba de bondad de ajuste, prueba Smirnov-Kolmogorov.

2.3.12 Prueba de independencia de los residuos mediante el estadstico Durbin-Watson.

2.3.13 Anlisis grfico de residuales para probar la homocedasticidad.

2.3.14 Identificacin de "outliers" mediante errores estandarizados y PRESS.

2.3.15 Transformacin de variables.

2.4 Regresin lineal mltiple.

2.4.1 Modelo de regresin lineal mltiple

2.4.2 Estimacin de parmetros por los mtodos de mnimos cuadrados.

2.4.3 Prueba de hiptesis para la ecuacin de regresin.

2.4.4 Prueba de hiptesis para los parmetros individuales.

2.4.5 Prueba F parcial.

2.4.6 Intervalo de confianza de los parmetros de la ecuacin de regresin.

2.4.7 Intervalo de confianza de la respuesta media de la variable independiente.

2.4.8 Intervalo de confianza de la prediccin de nuevas observaciones de la variable independiente.

2.4.9 Coeficiente de determinacin, coeficiente de determinacin ajustado y coeficiente de correlacin.

2.4.10 Supuestos de la regresin lineal.

2.4.11 Pruebas de normalidad de los residuos: grfica de los residuos en papel probabilstico normal, prueba de bondad de ajuste, prueba Smirnov-Kolmogorov.

2.4.12 Prueba de independencia de los residuos mediante el estadstico Durbin-Watson.

2.4.13 Anlisis grfico de residuales para probar la homocedasticidad.

2.4.14 Identificacin de "outliers" mediante errores estandarizados y PRESS.

2.4.15 Definicin de multicolinealidad.

2.4.16 Fuentes de multicolinealidad.

2.4.17 Efectos de la multicolinealidad.

INSTITUTO UNIVERSITARIO PUEBLAHOJA:4DE5

HORAS

ESTIMADASTEMAS Y SUBTEMASOBJETIVOS DE LOS TEMAS

2.4.18 Diagnstico de la multicolinealidad.

2.4.19 Mtodos para tratar la multicolinealidad.

2.5 Regresin polinomial.

2.5.1 Modelos polinomiales en una variable.

2.5.2 Estimacin de parmetros por el mtodo de mnimos cuadrados.

2.5.3 Prueba F parcial para evaluar la contribucin de los trminos polinomiales.

2.5.4 Posibles problemas al utilizar regresin polinomial.

2.6 Seleccin de variables.

2.6.1 Problema de elaboracin de modelos.

2.6.2 Procedimiento de todas las posibles regresiones.

2.6.3 Bsqueda dirigida en t.

2.6.4 Regresin por pasos.

2.6.5 Seleccin hacia adelante.

2.6.6 Seleccin hacia atrs

183. MODELOS DE SERIES DE TIEMPO

3.1 Definicin de una serie de tiempo y clasificacin de los diferentes patrones de series de tiempo.

3.2 Modelos de pronsticos para series de tiempo.

3.3 Metodologa Box-Jenkins para series de tiempo no estacionales.

3.3.1 Series de tiempo estacionaria u horizontales.

3.3.2 Transformacin a una serie de tiempo estacionaria.

3.3.3 Identificacin del modelo.

3.3.4 Estimacin de parmetros del modelo.

3.3.5 Verificacin del modelo.

3.3.6 Utilizacin del modelo para pronosticar.

3.4 Metodologa Box-Jenkins para series de tiempo estacionales.

3.4.1 Identificacin del modelo.

3.4.2 Estimacin de parmetros del modelo.

3.4.3 Verificacin del modelo.

3.4.4 Utilizacin del modelo para pronosticar. Lograr que el alumno conozca y maneje las propuestas principales de la teora y sus soluciones; anlisis de series de tiempo y modelos lineales.

INSTITUTO UNIVERSITARIO PUEBLAHOJA:5DE5

ASIGNATURA: ANLISIS DE REGRESIN.DEL PROGRAMA ACADMICO: LICENCIATURA EN INGENIERIA INDUSTRIALEXPERIENCIA DE APRENDIZAJE (METODOLOGA):

1. Exposicin de los temas por parte del profesor, aplicacin del tema expuesto, realizacin 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, utilizacin de equipo computacional y consulta de fuentes bibliogrficas.

BIBLIOGRAFA (AUTOR, TTULO, EDITORIAL, EDICIN):1. Douglas C. Montgomery y Elizabeth A. Peck, Introduction to linear regression analisys, Wiley, 2a. edicin, 1992. LIBROS DE CONSULTA. 2. Bruce L. Bowerman y Richard T. O'Connell, Time series forecasting: unified concepts and computer implementation, Duxbury Press, 2a. edicin, 1987.

RECURSOS DIDCTICOS:

Proyector de acetatos

Can

Computadora

NORMAS Y PROCEDIMIENTO DE EVALUACIN:

Exmenes parciales (3) 45%Tareas 15%Casos integradores (2) 20%1. Regresin.

2.Series de tiempo

Examen Final 20%

PAGE 5