Asignatura: Estadstica Aplicada en Diseo de Experimentos

Nombre de la asignatura: Estadstica Aplicada en Diseo de Experimentos

LGAC: Administracin del Desarrollo Empresarial, Gestin e innovacin en las organizaciones,

Innovacin y administracin del capital intelectual

Tiempo de dedicacin del estudiante a las actividades de :

DOC: 48 TIS: 20 TPS: 100 Horas totales: 168 Crditos: 6

DOC: Docencia TIS: Trabajo independiente significativo TPS: Trabajo profesional supervisado

1.- Historial de la asignatura

Fecha revisin / Participantes Observaciones cambios o

actualizacin justificacin
Nuevo programa de la Maestra en
Instituto Agosto de 2014 Ingeniera en el Consejo Acadmico
de Posgrado.
Se adopta ntegramente del
catlogo de asignaturas bsicas
delos planes de estudio de Maestra
en Ingeniera de laDireccin de
Estudios de Posgradoe
Investigacin de los Institutos
Tecnolgicos

2.- Pre requisitos y correquisitos.

Ninguno.

3.- Objetivo de la asignatura:

Aplicar mtodos para el anlisis estadstico y validacin de datos experimentales. El Curso

pretende, como objetivos generales, que el alumno llegue a dominar el lenguaje comn en la
inferencia estadstica proporcionando una base terica y prctica que permita no solo la utilizacin
y comprensin de la mayora de tcnicas estadsticas sino tambin que capacite al alumno para la
adquisicin, autnoma o guiada, de nuevas metodologas. El alumno ser capaz de aplicar los
conceptos de estadstica descriptiva e Inferencial en la solucin deproblemas industriales e
investigacin y diseo de experimentos.

4.- Aportacin al perfil del graduado.

Esta asignatura contribuye a la formacin analtica, crtica, responsable y propositiva en el

egresado ante los retos que enfrentan las empresas y las instituciones de tomar decisiones para la
administracin eficaz yel desarrollo empresarial. El alumno aprender Estadstica para diseo de
experimentos y podr aplicar el conocimiento cientfico parala solucin de problemas reales que
enfrentan las empresas e instituciones, con las cuales seguramenteestar estrechamente
relacionado en el desempeo de su vida profesional. Se asume un conocimiento por parte del
alumno de los conceptos bsicos de la teora de la probabilidad. En particular el alumno debe
conocer y saber trabajar con los principales modelos probabilsticos discretos y continuos: Poisson,
Binomial, Exponencial, Uniforme, Normal. En concreto se debe ser capaz de utilizar las funciones
acumulativas de distribucin y funciones de densidad o masa de probabilidad para el clculo de
probabilidades y de los principales parmetros poblaciones de las distribuciones. Dentro de los
parmetros se presupone el conocimiento de las principales propiedades de la esperanza y la
varianza. Finalmente es importante conocer y entender las implicaciones del teorema central del
lmite. Como propsitos especficos tenemos los siguientes:

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.

5.- Contenido temtico:

Unidad Temas Subtemas

Nombre:INTRODUCCION 1.1.- La estadstica como ciencia
1 1.2.- Problemas que resuelve la estadstica
Objetivo:El alumno conocer y 1.3.-El mtodo estadstico
examinar los conceptos 1.4.-Notas sobre la historia de la estadstica
fundamentales de probabilidad y 1.5.-El clculo de probabilidades
estadstica 1.6.-La estadstica hasta el siglo XIX
1.7.-El nacimiento de la estadstica actual
Tiempo: 4 HRS. 1.8.-La expansin de la estadstica
1.9.-Lecturas recomendadas
Nombre: ANALISIS DEL ERROR
2 2.1.-Variables aleatorias unidimensionales
Objetivo: El alumno conocer y 2.2.-Funcin de distribucin y de densidad
examinar losconceptos de 2.3.-Variables aleatorias discretas y continuas
distribuciones de probabilidad 2.4.-Probabilidad condicional
Tiempo: 4 HRS. 2.5.-Independencia de variables aleatorias

Nombre: PROBABILIDAD 3.1.-Distribuciones de probabilidad discretas

3 3.1.1.-Binomial
Objetivo: : El alumno estudiar los 3.1.2.-Geomtrica
fenmenos aleatorios, resolviendo 3.1.3.-Hipergeomtrica
problemas utilizando los tres 3.1.4.-PoIsson
enfoques, subjetivo, frecuencial y 3.2 Distribuciones de probabilidad continuas
clsico, para comprender conceptos 3.2.1 Normal
fundamentales que le permitan 3.2.2Exponenclal
asociar a la Probabilidad y a sus 3.2.3 Lognormal
reglas directamente con la Inferencia 3.3 Uso de Software
Estadstica.

Tiempo: 8 HRS.
 Nombre: ESTADISTICA
4 INFERENCIAL
Objetivo: El alumno examinar y
conocer laimportancia del muestreo
aleatorio y su aplicacinpara realizar
Inferencias.
Tiempo: 4 HRS.
Nombre: DISTRIBUCIONES LIMITES
5 5.1 Valor esperado de una variable aleatoria
Objetivo:El alumno examinar y
conocer losconceptos de muestreo y
sus aplicaciones
Tiempo: 4 HRS.
6 Nombre: TEOREMA DEL LIMITE
CENTRAL
Objetivo: Conocer las caractersticas
y propiedades del Teorema
Central del Lmite Central, utilizando
ejemplos y ejercicios.
Tiempo: 4 HRS.
7 Nombre: VARIABLES ALEATORIAS
MULTIDIMENSIONALES
Objetivo: Extender la definicin de
variable aleatoria al caso
bidimensional, as como todas las
funciones necesarias para su estudio.
Estudiar, adems de la distribucin
conjunta, las distribuciones
marginales y condicionadas
Tiempo: 4 HRS.
8 Nombre: ANALISIS DE VARIANZA Y
COVARIANZA
Objetivo: 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: 4 HRS.
4.1. Muestras aleatorias
4.2.1.Muestreo aleatorio simple de universo
finito
4.2.2. Muestreo aleatorio estratificado de
Universo infinito
4.2. Estadsticas y distribuciones muestrales
4.2.1 Distribuciones muestrales
4.2.2. Poblaciones finitas
4.3. Teorema de lmite central
4.4. Distribucin Ji cuadrada
4.5. Distribucin F
5.2 Varianza de una variable aleatoria
5.3 Covarianza
5.4 Funcin generatriz de momentos
6.1.- El teorema central del lmite
6.2.-Introduccin al teorema central del lmite
6.3.-Sumas de variables aleatorias
6.4.-Definicin de convergencia en ley
6.5.- Enunciado del teorema central del lmite
(Lindeberg y Levy)
6.6.- Casos particulares ms relevantes
6.7.-Interpretacin del teorema central del lmite
6.8.- Acerca de las variables aproximadamente
normales.
7.1.- Distribuciones marginales y conjuntas
7.2.-Caracterizacin de una variable aleatoria a
travs de parmetros
7.3.-Esperanza de una variable aleatoria
discreta de Distribuciones Multivariables.
7.4.-Esperanza de una variable aleatoria
continua de Distribuciones Multivariables.
7.5.-Propiedades de la esperanza matemtica
7.6.-Varianza de una variable aleatoria de
Distribuciones Multivariables.
7.8.-Momentos de orden k
8.1. ANOVA de un factor
8.1.1. Modelo lineal del ANOVA de un factor
8.1.2. Hiptesis del modelo
8.1.3. Tipos de efectos
8.1.4. Diagnosis del modelo
8.1.5. Comparaciones mltiples
8.2. ANOVA de dos factores
8.2.1. Diseo en bloques aleatorizados
8.2.2. Diseo de dos factores fijos e interaccin
8.2.3. Interpretacin de la interaccin
8.2.4. Modelo con factores aleatorios
8.2.5. Modelo con factores fijos y aleatorios.
 9 Nombre: ANALISIS DEREGRESION
SIMPLE Y MULTIPLE
Objetivo: El alumno aprender a
modelar la relacin entre variables
mediante la regresin, su Importancia,
y aplicacin para la prediccin de
eventos inciertos.
9.1 Regresin lineal simple.
9.2 El mtodo de los mnimos cuadrados.
9.3 Inferencia con regresin.
9.4 Correlacin e inferencia en correlacin.
9.5 Aptitud del modelo.
9.6-Uso del modelo de regresin para
prediccin

Tiempo: 4 HRS.

10 Nombre: PROCESOS
ESTOCASTICOS
Objetivo: El alumno aprender la
importancia de la modelacin de
procesos aleatorios en el espacio y en
el tiempo para la prediccin de
eventos inciertos, as como aplicacin
prctica.
10.1.-Descripcin de series de tiempo
10.2.- Modelos AR, MA y ARMA
10.3.- Metodologa de Box-Jenkins
10.4.-Modelos ARIMA
10.5.-Grficas de control por atributos y por
variables

Tiempo: 4 HRS.

11 Nombre: ESTIMADORES 11.1-Propiedades de los estimadores

(Insesgado, Consistente, insesgado de var.
Objetivo: El alumno examinar y Mnima).
conocer laimportancia de la 11.2.-Mtodos: a) Mxima verosimilitud; b)
estimacin puntual y por intervalos Momentos.
deconfianza, as como su aplicacin 11.3.-Seleccin del tamao de la muestra
para realizarInferencias. 11.4.-Estimacin por intervalos de confianza. a)
De la media con varianza conocida; b) De la
media con varianza desconocida; e) De la
Tiempo: 4 HRS. desviacin Estndar; d) De la diferencia de
medidas con varianzas conocidas; de la
diferencia de medidas con varianzas
desconocidas pero iguales; No
necesariamente iguales y datos apareados, f)
De la razn de desviaciones estndar.
11.5.-Uso de software.

6.- Metodologa de desarrollo del curso.

-Exposicin de los temas y demostraciones en clase por parte del maestro.

-Realizacin por el alumno de: tareas, demostraciones, investigacin bibliogrfica y prcticas
-Adems, asistencia a conferencias sobre temas relacionados con el curso como consulta de los
paquetes computacionales en los centros de multimedios.
-Exposicin en clase con solucin de ejercicios
-Plantear problemas acordes al perfil de la carrera
-Motivar al alumno a que participe de manera activa en clase
-Utilizar paquetes de software (MINITAB,STATISTICA, etc.).
-Organizar sesiones extraclase para la solucin de problemas.
-Leer de manera consistente el libro fijado como texto.
-Investigacin documental de aplicaciones diversas segn perfil de la carrera.
Clases tericas de las diez unidades mencionadas en el programa de estudios.
7.- Sugerencias de evaluacin.

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.

8.- Bibliografa y software de apoyo.

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

10.- Nombre y firma del catedrtico responsable.