Herramientas Estadísticas para la Competitividad y la Innovación

Módulo 1: Análisis de datos y aplicaciones de estadística descriptiva

• Introducción al análisis de datos en la mejora de la competitividad.

• Cómo convertir datos en información, en conocimiento y en decisiones.

• Términos en estadística: variable, valor, dato, población, muestra, individuo.

• Estadística descriptiva: media, mediana, moda, desviación y varianza.

• Estadística aplicada al ámbito de empresas.

• Taller: casos prácticos de estadística descriptiva con datos reales.

Módulo 2: Herramientas estadísticas básicas I

• Hoja de registro: herramienta para obtener datos e información relevante.

• Gráfica de Pareto: guía para actuar en lo prioritario y reducir costos.

• Estratificación: técnica para clasificar ideas, problemas y causas.

• Taller: caso de análisis de Pareto para aislar factores de mejora.

Módulo 3: Herramientas estadísticas básicas II

• Diagrama Causa-Efecto: herramienta para identificar la causa raíz.

• Histograma: práctica visual para medir la variación y sesgo de los datos.

• Gráficas de Control: detección de tendencias y patrones en los datos.

• Taller: caso práctico de gráfica X-R para el control estadístico de procesos.

Módulo 1: Bases de probabilidad y muestreo estadístico

• Cómo calcular la probabilidad de un evento o resultado.

• Distribuciones de probabilidad: normal, t de Student, binomial.

• Aplicación del límite central en estadística para comparar desempeño.

• Cómo determinar el tamaño de la muestra en pruebas de campo.

• Taller: ejercicios prácticos de probabilidad aplicada en la mejora de procesos.

Módulo 2: Inferencia estadística en la implementación de proyectos

• Distribución de los datos en un proyecto de mejora: distribución, sesgo y curtosis.

• Análisis inferencial en estadística y estimación de intervalos de confianza.

• Cómo interpretar el error alfa y el error beta en las estimaciones.

• Taller: ejercicios prácticos para identificar el tipo de distribución de una muestra y ejemplos de estimación por intervalos en pruebas de campo.

Módulo 3: Pruebas de hipótesis

• Selección de pruebas de hipótesis en función de los datos disponibles.

• Aplicación de pruebas t de Student y Z para distintos tamaños de muestra.

• Cómo preparar pruebas de comparación entre dos muestras de un proceso.

• Taller: ejercicios prácticos de pruebas de hipótesis con interpretación en grupo.

Módulo 1: Análisis de varianza (Prueba ANOVA)

• Guía para analizar el efecto combinado de dos variables de proceso.

• Cómo aplicar e interpretar ANOVA de un factor para varianzas iguales.

• Aplicación de ANOVA al diseño experimental y a los sistemas de medición.

• Análisis de varianza de dos factores con réplica: aplicación e interpretación.

• Taller: ejercicio práctico de ANOVA con interpretación en grupo.

Módulo 2: Regresión simple, múltiple y autocorrelación

• Cómo preparar los datos para analizar el efecto entre factores.

• Obtención de la regresión simple y la regresión múltiple.

• Correlación, autocorrelación, análisis de varianza y descarte de factores.

• Pruebas de bondad de ajuste y análisis gráfico de residuos.

• Taller: ejercicio práctico de regresión múltiple en proyectos de mejora.

Módulo 3: Análisis de series temporales y detección de patrones

• Análisis de prospectiva y planeación con el uso de series de tiempo.

• Componentes básicos: tendencia, estacionalidad, ciclos y aleatoriedad.

• Aplicación práctica de las series de tiempo en proyecciones y pronósticos.

• Taller: ejemplo de series temporales en un pronóstico con estacionalidad.

Módulo 4: Introducción al diseño de experimentos

• Arreglos factoriales completos en diseño de experimentos.

• Diseño factorial fraccionado: el caso Taguchi.

• Cómo elegir el arreglo que mejor se adapta al experimento.

• Taller: ejemplo de un diseño Taguchi paso a paso.