Sunteți pe pagina 1din 5

INSTITUTO UNIVERSITARIO PUEBLA

HOJA:

DE

ASIGNATURA: ANLISIS DE REGRESIN.


PROGRAMA ACADMICO: LICENCIATURA EN INGENIERIA INDUSTRIAL
TIPO EDUCATIVO: INGENIERIA
MODALIDAD: MIXTA
SERIACIN: NINGUNA
CLAVE DE LA ASIGNATURA: 126
CICLO:
QUINTO CUATRIMESTRE
HORAS CON
DOCENTE
54

HORAS
INDEPENDIENTES
74

TOTAL DE
HORAS
128

CRDITOS
8

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 ACADMICO
01 DE ABRIL DE 2006
FECHA DE ELABORACIN

INSTITUTO UNIVERSITARIO PUEBLA

HOJA:

ASIGNATURA: ANLISIS DE REGRESIN.


DEL PROGRAMA ACADMICO: LICENCIATURA
INDUSTRIAL

EN

DE

INGENIERIA

HORAS
ESTIMADAS

TEMAS Y SUBTEMAS

OBJETIVOS DE LOS TEMAS

18

1. 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.

18

2. 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 PUEBLA


HORAS
ESTIMADAS

HOJA:

TEMAS Y SUBTEMAS

DE

OBJETIVOS 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 DurbinWatson.
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 DurbinWatson.
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 PUEBLA


HORAS
ESTIMADAS

18

HOJA:

TEMAS Y SUBTEMAS
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
3. 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.

DE

OBJETIVOS DE LOS TEMAS

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 PUEBLA

HOJA:

ASIGNATURA: ANLISIS DE REGRESIN.


DEL PROGRAMA ACADMICO: LICENCIATURA
INDUSTRIAL

EN

DE

INGENIERIA

EXPERIENCIA 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%

S-ar putea să vă placă și