DOC: Docencia TIS: Trabajo independiente significativo TPS: Trabajo profesional supervisado
Ninguno.
Conocer los tipos de muestreo bsicos y las distribuciones en el muestreo en las situaciones ms
habituales y deducir las distribuciones ms usuales derivadas de la ley normal y su uso en la
inferencia estadstica.
Entender el concepto de confianza de un intervalo, conocer como se construyen y calcularlos en
las situaciones ms habituales incluyendo el clculo del tamao muestral necesario para garantizar
un nivel de confianza y una precisin dadas.
Entender la metodologa general de las pruebas de hiptesis incluyendo los posibles errores y la
importancia del tamao de la muestra para tomar decisiones con una base estadstica adecuada.
Entender los modelos lineales de regresin y saber realizar estimaciones, validaciones e
interpretaciones de los resultados obtenidos.
Entender los modelos lineales de anlisis de la varianza junto con la descomposicin de la
varianza total en las diferentes sumas de cuadrados y resolver algunos de los diseos ms
sencillos con uno y dos factores fijos o aleatorios.
Tiempo: 8 HRS.
Nombre: ESTADISTICA 4.1. Muestras aleatorias
4 INFERENCIAL 4.2.1.Muestreo aleatorio simple de universo
finito
4.2.2. Muestreo aleatorio estratificado de
Objetivo: El alumno examinar y Universo infinito
conocer laimportancia del muestreo 4.2. Estadsticas y distribuciones muestrales
aleatorio y su aplicacinpara realizar 4.2.1 Distribuciones muestrales
Inferencias. 4.2.2. Poblaciones finitas
4.3. Teorema de lmite central
4.4. Distribucin Ji cuadrada
Tiempo: 4 HRS. 4.5. Distribucin F
Tiempo: 4 HRS.
Tiempo: 4 HRS.
10 Nombre: PROCESOS
ESTOCASTICOS 10.1.-Descripcin de series de tiempo
Objetivo: El alumno aprender la 10.2.- Modelos AR, MA y ARMA
importancia de la modelacin de 10.3.- Metodologa de Box-Jenkins
procesos aleatorios en el espacio y en 10.4.-Modelos ARIMA
el tiempo para la prediccin de 10.5.-Grficas de control por atributos y por
eventos inciertos, as como aplicacin variables
prctica.
Tiempo: 4 HRS.
Evaluacin escrita
Ejercicios complementarios extra clase. Problemarios.
Tomar en cuenta la participacin en clase.
Tomar en cuenta para la calificacin, la solucin de problemas de tarea.
Calificar trabajos de investigacin y revisin de literatura.
Evaluar casos reales y presentar informe de resultados.
Sugerencias de evaluacin
Anlisis de lecturas de artculos de revistas especializadas en el tema.
Realizacin de tareas de los diferentes temas y subtemas estudiados en el curso.
Elaboracin y presentacin del proyecto final.
Box, G.E.P., Hunter, J.S. & Hunter, W.G. (2011). Statistics for Experimenters: Design, Innovation
and Discovery, 2nd. Ed. Wiley, USA.
Casella, G.; Berger, Roger L. Statistical inference. 2nd ed. Duxbury: Pacific Grove, 2002.
De Groot, Morris H; Schervish, Mark J. Probability and statistics. 3rd. ed. Boston [etc.]: Addison-
Wesley, cop. 2002. ISBN
DeGroot, Morris; Schervish, Mark. Probability and statistics. 4th ed. Pearson, 2012. ISBN
0321500466.
DEVORE JAY L. (2012). PROBABILIDAD Y ESTADISTICA PARA INGENIERIA Y CIENCIAS, 8
Edicin, CENGAGE LEARNING, Mexico.
Evans, Michael; Rosenthal, Jeffrey S. Probability and statistics : the science of uncertainty. 2nd ed.
New York: W.H. Freeman and Company, cop. 2010. ISBN 1-4292-2462-2.
Hines W. Montgomery D. C. (2008). "Probabilidad y Estadstica para Ingeniera", Editorial
Continental, Mexico.
JOHNSON RICHARD A. (2012). PROBABILIDAD Y ESTADISTICA PARA INGENIEROS, 8
Edicin, Editorial PEARSON EDUCACION DE MEXICO
LEVINE DAVID M., (2014), ESTADSTICA PARA ADMINISTRACIN, 1 Edicin, PEARSON
EDUCACION DE MEXICO.
LIND DOUGLAS A. (2010).ESTADISTICA APLICADA A LOS NEGOCIOS Y LA ECONOMIA,
Edicin: 15, Editorial: MCGRAW HILL, Mexico.
MINITAB, STATISTICA, ETC. (PAQUETES DE SOFTWARE).
Montgomery C.D.(2012). Introduction to Statistical Quality Control, 7th Edition, John Willey and
Sons, Inc., USA.
Montgomery D.C. (2010). Design and Analysis of Experiments. 6. Ed. John Wiley & Sons, USA.
NEWBOLD PAUL. (2013). ESTADSTICA PARA ADMINISTRACIN Y ECONOMA, Edicin: 8,
Editorial: PEARSON EDUCACION DE MEXICO.
Ryan, T. P. ( 1989 ). Statistical Methods for Quality Improvement, 1st.Edition, John Wiley and
Sons, New York.
Snchez, P., Baraza, X., Reverter, F. y Vegas, E. Mtodos Estadsticos Aplicados. Texto docente
311. Barcelona: UB, 2006.
WALPOLE RONALD E. (2012). PROBABILIDAD Y ESTADISTICA PARA INGENIERIA Y
CIENCIAS, Editorial: PEARSON EDUCACION DE MEXICO, Edicin: 9.
STATGRAPHICS
SPSS.
STATICA
R
MINITAB
Versin libre de Statmedia: http://www.ub.edu/stat/GrupsInnovacio/Statmedia/demo/Statmedia.htm
9.- Actividades propuestas
Unidad Actividad
El estudiante podr:
I 1) Plantear estrategias de anlisis de datos a partir del anlisis inicial de datos hasta
llegar al anlisis definitivo.
2) Escribir reportes tcnicos de resultados.
3) Realizar presentaciones orales de resultados.
Etapas de una investigacin estadstica.
I.1 Formulacin del Problema.
I.2 Recoleccin de Datos.
I.3 Estrategia de anlisis de datos: Anlisis inicial de datos y anlisis definitivo de datos.
I.4 Presentacin de resultados: Presentacin oral, escritura de reporte tcnico
2.1.- El espacio muestral y sus elementos
II 2.2.-Representacin numrica de los sucesos elementales. Variables aleatorias
2.3.-Caracterizacin de una variable aleatoria. Funcin de distribucin.
2.4.-Propiedades de la funcin de distribucin
2.5.-Clasificacin de las variables aleatorias
2.6.-Definicin de variable aleatoria discreta
2.7.-Caracterizacin a travs de la funcin de densidad o de probabilidad
2.8.-Variables aleatorias continuas y Funcin de densidad continua
3.1.-Fenmenos deterministas y fenmenos aleatorios, Sucesos.
III 3.2.-Funcin de probabilidad
3.3.- Diferentes funciones de probabilidad para una misma experiencia aleatoria?
3.4.-Cmo se calculan las probabilidades
3.5.-Probabilidad condicionada
3.6.-Sucesos dependientes y sucesos independientes
3.7.-Teorema de Bayes y Experimentos mltiples
4.1. Definicin
IV 4.2. Principales tipos de muestreo
4.3. Muestreo aleatorio simple
4.4. Distribuciones en el muestreo
4.4.1. Distribuciones exactas y asintticas
4.4.2. Distribuciones de los principales estadsticos en el muestreo: muestreo en
poblaciones normales;
4.4.3. Distribuciones derivadas de la normal
V 5.- Introduccin
10.1 Distribucin de muestras
10.2 Distribucin de medias de muestras (mtodo terico)
10.3 Distribucin de medias de muestras (mtodo emprico) y el teorema del lmite
central
10.4 Distribucin de proporciones de muestras
VI 6.1.-Definicin
6.2.-Enunciado formal
6.3.-Propiedades
6.4.- Ley de los grandes nmeros
6.5.- Distribucin normal
6.6.- Teorema de De Moivre-Laplace
VII 7.1.- Introduccin a las distribuciones multivariantes
7.2.- La funcin de distribucin conjunta
7.3.-Priopiedades
7.4.- Probabilidades marginales
7.5.- Funcin de densidad conjunta
7.6.-Ejemplos aplicados, Graficas y uso de software.
7.7.- Independencia, Covarianza y correlacin y la distribucin normal bivariante
VIII 8.1. ANOVA de un factor
8.1.1. Modelo lineal del ANOVA de un factor
8.1.2. Hiptesis del modelo, Tipos de efectos y Diagnosis del modelo
8.2. ANOVA de dos factores
8.2.1. Diseo en bloques aleatorizados
8.2.2. Diseo de dos factores fijos con interaccin
8.2.3. Interpretacin de la interaccin
8.2.4. Modelo con factores aleatorios, Modelo con factores fijos y aleatorios.
8.3.- Anlisis de la varianza
8.4.-Modelos de la covarianza y Modelo lineal general
IX 9.1. Planteamiento general
9.2. Estimacin de parmetros y contraste de hiptesis
9.3. El modelo de regresin lineal simple
9.3.1. Estimacin de parmetros
9.3.2. Diagnosis del modelo y Contraste de hiptesis en regresin
9.3.4. Comparacin de modelos de regresin
9.3.5. Relacin entre regresin y correlacin
9.3.6. Tcnicas de suavizado
9.4. El modelo de regresin mltiple
9.4.1. Estimacin de parmetros
9.4.2. Diagnosis del modelo e Inferencia en regresin mltiple
X 10.1.-Grficas de series de tiempo: Tendencia, variacin estacional, variacin cclica,
variacin aleatoria (ruido blanco).
10.2.-Funcin de autocorrelacin muestral
10.3.-Funcin de autocorrelacin parcial muestral.
10.4.-Describir los componentes de una serie de tiempo como la tendencia y la
variacin estacional.
10.5.-Identificar, estimar, hacer el diagnstico y la prediccin de un modelo AR, MA,
ARMA, ARI, IMA, ARIMA o SARIMA para una serie de tiempo.
10.6. Concepto de proceso bajo control, el concepto de fabricacin por variables y por
atributos, Interpretacin de grficos de control, Determinacin de la capacidad del
proceso, Los grficos de Carol como herramientas de mejora del proceso, Planes de
muestreo, Grficos CUSUM y EWMA.
XI 11.1. Introduccin, concepto de estimador, tipos de estimacin: puntual y por intervalos
11.2. Propiedades de los estimadores puntuales: consistencia, sesgo, eficiencia,
varianza mnima (cota de Cramer- Rao), suficiencia, error cuadrtico medio.
11.3. Principales tcnicas de obtencin de estimadores: momentos, mxima
verosimilitud, estimacin mnimo cuadrtica, Bayes
11.4. Mtodos de estimacin por remuestreo: Bootstrap, Jacknife
11.5. Construccin de intervalos
11.6. Importancia del nivel de confianza y del tamao de muestra
11.7.- Principales intervalos e intervalos de confianza asintticos