You are on page 1of 4

UNIVERSIDAD ITIAN

LICENCIATURA EN INGENIERIA INDUSTRIAL Y EN SISTEMAS

NOMBRE DE LA ASIGNATURA O UNIDAD DE APRENDIZAJE

ANÁLISIS DE REGRESIÓN

CICLO CLAVE DE LA ASIGNATURA

QUINTO CUATRIMESTRE LII0530

OBJETIVO(S) GENERAL(ES) DE LA ASIGNATURA:


Que el alumno conozca, comprenda y utilice diferentes herramientas
estadísticas para la optimización de procesos, que le sirvan de apoyo
para la toma de decisiones.

TEMAS Y SUBTEMAS.

1. INTRODUCCIÓN A LOS MODELOS DE PRONÓSTICOS.


1.1. Definición de pronóstico y de modelo.
1.2. Características de los modelos de pronósticos.
1.3. Clasificación de los modelos de pronósticos.
1.4. Marco conceptual de un modelo de pronósticos.
1.5. Criterios de desempeño de los modelos de pronósticos.
1.6. Usos y aplicaciones de los modelos de pronósticos.

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 mínimos

1
cuadrados.
2.3.3. Análisis de varianza, explicación de los elementos que la
componen y determinación de uso 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.
2.3.11. Pruebas de la normalidad de residuos: gráfica de
residuos en papel probabilístico normal, prueba de la bondad
de ajuste, prueba -Smirnov-Kolmogrorov.
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
2.4.10. Supuestos de la regresión lineal.
2.4.11. Pruebas de normalidad de los residuos: gráfica de
residuos en papel probabilístico normal, prueba de la bondad
de ajuste, prueba -Smirnov-Kolmogrorov.
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. Transformación de variables.
2.4.16. Definición de multicolinealidad.
2.4.17. Fuentes de multicolinealidad.
2.4.18. Efectos de la multicolinealidad.
2.4.19. Diagnóstico de 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 la 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 delante.
2.6.6. Selección hacia atrás.

3. MODELOS DE SERIES EN TIEMPO.


3.1. Definición de una serie de tiempo y clasificación de los
diferentes -patrones de las 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
3.3.2. 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.

ACTIVIDADES DE APRENDIZAJE:
- Exposición de los temas por parte del maestro, aplicación del tema
expuesto a un problema específico, realización de tareas y
proyectos que refuerzen lo visto en clase.
- Utilizar en las tareas y proyectos los recursos computacionales de
la institución.
- Trabajo en grupo que implique la consulta de fuentes bibliográficas
y la exposición del trabajo en clase.

CRITERIOS Y PROCEDIMIENTOS DE EVALUACION Y


ACREDITACION:
- Exámenes parciales (3) 60% (20% c/u)
- Trabajo en grupo 20%
- Examen final 20%
-----------
- Total 100%