Información detallada de curso |
Primer semestre 2019
Abr 25, 2024 |
|
 |
||
| Código y Nombre de la Asignatura: EST 1051 - ANALISIS DE DATOS EN INGENIERIA II |
|
División Académica:
División de Ingenierías
Departamento Académico: Dpto. Ingeniería Industrial EST 7042 Calificación mínima de 3.0 o EST 1040 Calificación mínima de 3.0 Número de créditos: Intensidad horaria (semanal para nivel pregrado y total para nivel postgrado): 2.000 Horas de Teoría 2.000 Horas de Laboratorio Niveles: Educación Superior Pregrado Tipos de Horario: Teoría y Laboratorio En esta asignatura se continúa con el estudio de los métodos y herramientas de análisis estadístico, necesarios para la descripción, control y pronóstico de los procesos empresariales (tanto para producción de bienes como para la prestación de servicios). En este segundo curso se cubren modelos no paramétricos, modelos de regresión avanzados, series de tiempo estocásticas y modelos de elección discreta. 3. JUSTIFICACION En la actualidad, la variabilidad de los procesos de las empresas implica la incorporación de la incertidumbre acerca de su comportamiento. Con el fin de tratar con el hecho inevitable de que los procesos industriales no son determinísticos, es necesario que el ingeniero industrial moderno cuente con las herramientas adecuadas que le permitan describir y analizar estos procesos con el fin de tomar las respectivas decisiones con un menor grado de incertidumbre y, por ende, un menor riesgo. Este curso sienta bases conceptuales para posteriores desarrollos de metodologías de control y mejora de procesos en asignaturas siguientes. 4. OBJETIVOS 4.1. OBJETIVO GENERAL Manipular herramientas de análisis de datos y construcción de modelos para pronósticos que le permitan reducir la incertidumbre y el riesgo en el proceso de toma de decisiones. 4.2. OBJETIVOS ESPECIFICOS Reconocer la técnica estadística apropiada que permita resolver la problemática planteada. Interpretar los resultados de los modelos aplicados y hacer los ajustes del caso 5. RESULTADOS DE APRENDIZAJE Al finalizar el curso, los estudiantes deben estar en capacidad de: Identificar cuando es posible aplicar métodos no paramétricos para pruebas de hipótesis sobre medias. Aplicar el método no paramétrico apropiado para pruebas de hipótesis y construcción de intervalos de confianza. Encontrar modelos de regresión que describan una relación entre una variable respuesta y un conjunto de variables explicativas. Validar los supuestos del modelo de regresión y hacer las correcciones a las que haya lugar. Reconocer entre varios modelos de regresión el que mejor comportamiento descriptivo y predictivo tiene. Encontrar modelos de series de tiempo homocedásticos aplicando el procedimiento pertinente. Identificar, entre varios modelos de series de tiempo propuestos, el que mejor comportamiento descriptivo y predictivo tiene. Interpretar resultados de los modelos construidos. Utilizar paquetes estadísticos para el análisis de datos. 6. CONTENIDO Parte 1. Modelos de Regresión Avanzados Introducción al Modelo de Regresión Lineal Simple: Correlación, estimación e interpretación. Modelo de Regresión Lineal Múltiple: Estimación, inferencia, predicción y verificación de supuestos. Análisis de multicolinealidad. Procedimiento de "todas las regresiones posibles". Criterios de selección de modelos. Métodos de selección automática de modelos. Regresión No. Lineal: Formulación, estimación, inferencia y validación de supuestos. Parte 2. Modelos Lineales Generalizados Introducción Regresión Logística: Introducción, estimación, interpretación, inferencia y aplicaciones. Regresión Poisson: Introducción, estimación, interpretación, inferencia y aplicaciones. Parte 3. Introducción a Series de Tiempo Series de tiempo estacionarias y no estacionarias. Métodos de pronóstico: Descomposición, Suavizamiento y Metodología Box-Jenkins. Función de autocorrelación y función de autocorrelación parcial. Identificacíon de procesos AR(p) y MA(q). Procesos ARMA(p,q) y ARIMA(p, d, q). Pruebas de estacionariedad. Validación de supuestos. Calidad de pronósticos: indicadores y método de validación cruzada. Parte 4. Métodos No Paramétricos Prueba de signos y prueba de rangos con signos Prueba de suma de rangos de Wilcoxon Prueba de Kruskal Wallis 7. OPCIONES METODOLOGICAS - ACTIVIDADES DE APRENDIZAJE Exposiciones por parte del profesor sobre cada uno de los tópicos del programa con la participación de los estudiantes. Sesiones complementarias donde ponen en práctica los conceptos aprendidos, empleando herramientas computacionales. 8. EVALUACION Primer parcial: 25% Segundo parcial: 15% Tercer parcial: 20% Examen final: 20% Trabajos, quices y talleres: 20% 9. BIBLIOGRAFIA Conover, W. J. Practical Nonparametric Statistics, 3rd edition, John Wiley & Sons. Montgomery, Douglas & George Runger. Probabilidad y Estadística aplicada a la Ingeniería. 2da edición. Limusa Wiley. Kutner, Nachtsheim, Neter. Applied Linear Regression Models. McGraw-Hill. Fourth Edition Walpole, Myers. Probabilidad y Estadística para Ingeniería & Ciencias. Octava Edición. Pearson. Bowerman. Pronósticos, Series de Tiempo y Regresión, un enfoque aplicado. Thompson. Brockwell, Peter. Introduction to time series and forecasting. Springer Text in Statistics. Springer. Milton, Susan. Jesse Arnold. Probabilidad y Estadística con aplicaciones para ingeniería y ciencias computacionales. 4ta Edición. McGraw-Hill. Levine, Krehbiel, Berenson. Business Statistics. Fourth Edition. Pearso |
| Regresar a Anterior | Nueva búsqueda |
|