<= Atrás     Docencia > Ingeniero Industrial > Métodos Estadísticos Avanzados Home Mapa Contactar Buscar Ayuda
 

Métodos Estadísticos Avanzados
(Curso 2006-2007)

Código Sigma: 16054
Carácter: Optativa
Curso:
Ciclo:
Cuatrimestre:
Créditos: 7,5

Objetivos: El objetivo de la asignatura será que el alumno conozca y profundice en diversas técnicas estadísticas frecuentemente utilizadas en el contexto de los procesos industriales y de Ingeniería. El carácter de la asignatura tratará de ser eminentemente aplicado y, con tal fin, se explicará el manejo de un paquete informático estadístico que permita la implementación práctica a problemas reales lo visto en la asignatura

Evaluación: La nota final será la suma de las calificaciones obtenidas tras un examen escrito (hasta un total de 8 puntos) y un examen de prácticas en el Aula de Informática (hasta un total de 2 puntos).
El examen escrito será de problemas (un problema por bloquey el valor de cada problema será aproximadamente proporcional al tiempo dedicado a dicho bloque en clase).
Tanto en el examen escrito como de prácticas se podrá utilizar resumen-formulario (hasta 5 folios).

Prerrequisitos:
Descriptor:

Programa:

  1. Repaso y extensión del modelo de regresión
    • Modelo de Regresión
      - Hipótesis de los modelos y escritura matricial.
      - Estimación y propiedades.
      - Análisis de la varianza. Obtención de las distribuciones.
    • Violación de hipótesis y posibles soluciones
      - Test de falta de ajuste.
      - Propiedades de los residuales. Outliers y puntos de influencia.
      - Heterocedasticidad. Regresión con pesos y transformaciones.
      - No linealidad. Modelos intrinsecamente lineales. Transformaciones.
      - Fallo de la hipótesis de normalidad. Transformaciones de Box-Cox.
      - Errores correlados. Mínimos cuadrados generalizados.
      - Multicolinealidad. Regresión RIDGE.
      - Métodos de selección de variables.
    • Extensiones al modelo de regresión
      - Añadir variables explicativas categóricas al modelo de regresión. ANCOVA.
      - Modelos con variable respuesta categórica. Regresión logística.
      - Regresión robusta y no paramétrica.
  2. Análisis de la varianza y diseño de experimentos
    • Análisis de la varianza monocriterio
      - Experimento, diseño y análisis.
      - Modelo de un factor fijo. Tabla ANOVA.
      - Compararación de medias. Contrastes ortogonales.
      - Comparación de medias a posteri.
      - Efectos aleatorios.
      - Potencia del Análisis de la Varianza.
    • Diseños de experimentos clásicos
      - Diseños completamente aleatorizados.
      - Diseño en bloques aleatorizados.
      - Cuadrados latinos.
      - Modelos factoriales. Interacción.
      - Diseños2 elevado a la k. Confusión en bloques y replicación fraccional.
      - Cálculo de esperanzas de las sumas de cuadarados. Pseudotests.
      - Factores anidados.
  3. Análisis multivariante de datos
    • Métodos factoriales
      - Métodos gráficos exploratorios.
      - Análisis en Componentes Principales. Interpretación.
      - Problema de la multicolinealidad en regresión y ACP.
      - Análisis de Correspondencias Simples.
    • Análisis discriminante y clasificación
      - Análisis discriminante.
      - Clasificación jerárquica y no jerárquica.
      - Scaling clásico.
  4. Series temporales
    • Técnicas descriptivas. Componentes
      - Transformación de datos. Diferenciación y medias móviles. Filtros lineales.
    • Procesos estacionarios
      - Autocorrelación. Correlogramas y Correlogramas parciales.
      - Procesos Autorregresivos y de Media Móvil. Procesos ARIMA
    • Predicción
  5. Otros tópicos
Actividades: Las prácticas (1 hora semanal) se harán en el Aula de Informática y se utilizará el paquete estadístico STATISTICA (Statsoft Inc.)

Bibliografía:

  • Abascal, E. y Grande, I. (1989). Métodos Multivariantes para la Investigación Comercial. Ariel Economía.
  • Aluja Banet, T. y Morineau, A. (1999). Aprender de los Datos. El Análisis de Componentes Principales. Una aproximación desde el Data Mining. EUB.
  • Box, G.E.P. y Jenkins, G.M.. (1976). Time Series Analysis: Forecasting and Control. Holden Day.
  • Flury, B. y Riedwyl, H. (1988). Multivariate Statistics. A practical approach. Chapman and Hall.
  • Hicks, C.R. (1982). Fundamental Concepts in Design of Experiments. Sanders College Publishing.
  • Lebart, L., Morineau, A. y Warwick, K.M. (1984). Multivariate Descriptive Statistical Analysis. Wiley.
  • Makridakis, S. y Wheelwright, S.C. (1998). Forecasting. Methods and applications. Holden Day.
  • Montgomery, D.C.y Runger, G.C. (1996). Probabilidad y Estadística Aplicadas a la Ingeniería. McGraw Hill
  • Myers, R.H. (1990). Classical and Modern Regression with Applications. PWS-Kent.
  • Peña, D. (1992). Estadística. Modelos y Métodos Vol. 2. Modelos Lineales y Series Temporales. Editorial Alianza Universidad.
  • Prat, A., Tort-Martorell, X., Grima, P y Pozueta, L. (1995). Métodos Estadísticos. Control y Mejora de la Calidad. UPC.
  Última actualización : 01/12/06