Plan de estudios del programa MÉTODOS ESTADÍSTICOS 2012-2013 MODULO I. Iniciación al pensamiento estadístico cursos Probabilidad básica e inferencia estadística Estadística Exploratoria e inferencia básica Métodos no paramétricos Profesor titular José Luis Colorado Hernández Yesenia Zavaleta Sánchez Lourdes Velasco Vázquez MODULO II. Análisis de datos cursos Diseño y análisis de muestreo Diseño y análisis de estudios experimentales Regresión lineal Análisis Multivariante I Profesor titular Claudio Rafael Castro López Jesús Hernández Suárez Diana E. Valderrabano Velasco Aurora Montano Rivas MODULO III. Modelación Cursos Modelación de datos discretos Series de tiempo Profesor titular Sergio Juárez Cerrillo Sergio Hernández González MODULO IV. Área de aplicación cursos Optativa 1 Optativa 2 Profesor titular Profesor invitado Profesor invitado MODULO V. Diseño y realización del trabajo de titulación cursos Elaboración de protocolo Desarrollo del documento recepcional Presentación del documento recepcional Profesor titular María Luisa Hdez. Maldonado María Luisa Hdez. Maldonado María Luisa Hdez. Maldonado Figura 8.1 Asignaturas y profesores titulares A continuación, en el mismo orden de la Figura 8.1, se presentan los programas de cada asignatura. Programas de estudios Nombre de la Experiencia Educativa: Probabilidad Básica e Inferencia Estadística Número de créditos: ___6__ Intensidad semanal: ___15___ Total de horas: ___60___ Horas teóricas: __30_____ Horas prácticas: ___ 30____ Modalidad: ____Curso____ Justificación: La base de la modelación estadística y de los métodos y procedimientos inferenciales es la probabilidad, por lo que el desarrollo de un pensamiento basado en una serie de conceptos y reglas básicas de la teoría matemática de la probabilidad, así como una serie de habilidades para plantear y resolver problemas de probabilidad utilizando las diferentes definiciones y enfoques, permitirá una preparación fundamental para desarrollar competencias en la aplicación de la metodología estadística. Por otro lado, el estudio sistemático del enfoque de modelación estadística requiere del dominio del álgebra de distribuciones y de funciones de densidad de probabilidad, así como el dominio de los conceptos básicos de la teoría clásica de distribuciones de estadísticos muéstrales, que derivan en las principales distribuciones probabilísticas utilizadas para los procesos la inferencia estadística en general (Z, t, y F). Objetivo: Desarrollar en el participante el pensamiento probabilístico y de inferencia estadística básicos, que se expresan en competencias para plantear y resolver problemas utilizando los principios, conceptos y reglas de la probabilidad y de la teoría básica de las distribuciones del muestreo. Competencias a desarrollar: 1. Plantear y resolver problemas en el ámbito de diferentes disciplinas que impliquen la aplicación de los principios, conceptos y reglas de la probabilidad básica, realizando interpretaciones válidas de los resultados, utilizando los diferentes enfoques de interpretación. 2. Desarrollar y expresar esquemas conceptuales en el marco de problemas reales, donde se ponga de manifiesto el pensamiento probabilístico. 3. Aplicar apropiadamente las reglas y procedimientos de la teoría clásica de distribuciones muéstrales en la deducción de resultados básicos de la inferencia estadística, contextualizados en el marco de problemas de las diferentes disciplinas. 4. Diseñar y desarrollar discursos válidos donde se establezca la relación fundamental entre la teoría de la probabilidad y la de la inferencia estadística, contextualizándolos en el ámbito de las diferentes disciplinas. Contenidos temáticos: TEMAS Y SUBTEMAS I. Conceptos Básicos y Álgebra de Eventos. I.1 Fenómenos aleatorios y espacio muestral. I.2 Álgebra de eventos en espacios muéstrales finitos. I.2 Función de probabilidad. I.3. Probabilidad condicional y regla de Bayes. I.4. Independencia. II. Variables Aleatorias y Distribuciones de Probabilidad II.1. Variable aleatoria y distribución de probabilidad. II.2. Variables aleatorias discretas y variables aleatorias continuas. II.3. Funciones de variables aleatorias. II.4. Momentos de variables aleatorias. Horas Referencias 6T,4P 1, 2, 3, 4, 5 12T,12P 1, 2, 3, 4, 5 6T,8P 1, 2, 3, 4, 5 6T,6P 1, 2, 3, 4, 5 II.5. Valor esperado y varianza. III.1 Distribuciones discretas. III.1. Bernoulli. III.2. Binomial. III.3. Geométrica. III.4. Poisson. III.5. Binomial negativa. III.6 Hipergeométrica. III. Algunas Distribuciones Continuas III.1 Distribución Uniforme. III.2. Distribución Beta. III.3. Distribución Exponencial. III.4. Distribución Gamma. III.5. Distribución Normal. IV. Distribuciones Muéstrales IV.1. Muestras aleatorias. IV.2. Estadísticos. IV.3. Teorema Central del Límite. IV.4. Distribuciones derivadas del muestreo. IV.4.1. Distribución ji-cuadrada. IV.4.2. Distribución t. IV.4.3. Distribución F. Actividades de aprendizaje: 1. Los temas deben ser presentados en conferencias previamente preparadas con apoyos visuales, de preferencia a partir de presentaciones en Power Point. 2. Los estudiantes deben realizar actividades de estudio independiente o en equipos utilizando la bibliografía y los materiales que les deben ser entregados con antelación. 3. Los estudiantes deben realizar ejercicios y prácticas supervisadas utilizando el software estadístico disponible. 4. Los estudiantes deben realizar presentaciones de ejercicios resueltos, ilustraciones y aplicaciones de los temas revisados en las conferencias y estudiados independientemente. Estas sesiones deberán ser planeadas y coordinadas por el instructor del curso, y preferentemente propiciar el trabajo en equipo. 5. Cada uno de los estudiantes debe desarrollar un trabajo final, con un contenido y en una forma determinados, que muestre sus competencias para aplicar el pensamiento probabilístico y de la teoría de distribuciones en el ámbito de su disciplina o desempeño laboral. Evaluación de desempeño: Se proponen los siguientes criterios y procedimientos de evaluación: 1. Considerar la participación activa (sesiones de preguntas) en las conferencias (15%). 2. Valorar las prácticas y ejercicios realizados bajo supervisión (15%). 3. Evaluar la presentación oral de las prácticas, ejercicios e ilustraciones realizadas en equipos (20%). 4. Valorar significativamente la realización del trabajo final, para el que debe existir lineamientos y una guía que especifique claramente el procedimiento y los elementos para su elaboración (50%). Referencias: 1. Freud, J.E. y Walpole, R.E. (1990). Estadística Matemática con Aplicaciones, Prentice-Hall. 2. Mendehall, W., Sheaffer R. Y Wackerly, D. (1986). Estadística Matemática con Aplicaciones. Grupo Editorial Iberoamericano. 3. Torres, P. (1989) Probabilidad Discreta. Textos Universitarios, U.V. 4. Walpole R.F. y Myers, R.H. (1992). Proba 5. DeGroot M.H. (1988) Probabilidad y Estadística. Adisson-Wesley. Nombre de la Experiencia Educativa: Estadística Exploratoria e Inferencia Básica Número de créditos: ___6___ Intensidad semanal: ___15___ Total de horas: ___60___________ Horas teóricas: _____Curso_______ Justificación: ____30___ Horas Prácticas: ___30___ Modalidad: El proceso de investigación que va desde la recopilación de datos hasta la utilización de los modelos probabilísticos para efectuar inferencias estadísticas, es la base de la aplicación de los métodos básicos; el objetivo de la mayoría de las investigaciones estadísticas es realizar una inferencia con respecto a uno o más parámetros de la población. Estas inferencias se expresan en una de dos maneras, como estimación de los parámetros respectivos o como pruebas de hipótesis referentes a sus valores. El estudio de estas dos maneras de hacer inferencia permitirá una preparación para desarrollar competencias en la aplicación de la metodología estadística, siempre que la utilización de estos procedimientos se haga en el marco de los problemas reales. Objetivo: Preparar al participante para que desarrolle las competencias que le permitan una apropiada aplicación de los métodos básicos de inferencia estadística, contextualizados en el marco de problemas reales de las distintas disciplinas. Competencias a desarrollar: 1. Plantear y resolver problemas en el ámbito de diferentes disciplinas que impliquen la aplicación de los métodos básicos de la inferencia estadística, realizando interpretaciones válidas de los resultados, deduciendo conclusiones y recomendaciones válidas. 2. Desarrollar y expresar esquemas conceptuales en el marco de problemas reales, donde se ponga de manifiesto la aplicación de los métodos básicos de la inferencia estadística. 3. Aplicar apropiadamente los métodos básicos de la inferencia estadística, contextualizados en el marco de problemas de las diferentes disciplinas. 4. Diseñar y desarrollar discursos válidos donde se establezca el pensamiento estadístico expresado en la apropiada aplicación de los métodos básicos de la inferencia estadística. Contenidos temáticos: TEMAS Y SUBTEMAS Horas Referencias 4T,4P 1, 2, 4 I. Análisis Exploratorio e Inicial de Datos I.1 Escalas de medición. I.2 Descripción de datos. I.3 Medidas de tendencia central. I.4 Medidas de dispersión. I.5 Histogramas y diagramas de caja. I.6 Diagramas de dispersión. I.7 Coeficiente de correlación. II. Inferencia Estadística II.1 Modelos estadísticos. II.2 Inferencia usando modelos de probabilidad. II.3 Estimación puntual y por intervalo. II.3.1 Estimadores insesgados. II.3.2 Estimadores consistentes. II.3.3 Error estándar. II.3.4 Eficiencia, eficiencia relativa. II.3.5 Estimadores de máxima verosimilitud. II.3.6 La función de verosimilitud. II.3.7 Error estándar del estimador de máxima verosimilitud. II.3.8 Intervalos de confianza. II.4 Pruebas de significancia. II.4.1 Valores p. II.5 Inferencia Bayesiana. II.5.1 Distribución a priori. II.5.2 Distribución posterior. II.5.3 Intervalos plausibles. II.5.4 Pruebas de hipótesis. II.5.5 Factores de Bayes. 20T,12P 1, 2, 4 6T,14P 1, 2, 3, 4, 5 III. Inferencia Estadística III.1 Inferencia bajo normalidad. III.2 Inferencia para una media. III.3 Inferencia para dos medias independientes. III.4 Inferencia para dos medias pareadas. III.5 Inferencia para una proporción. III.6 Inferencia para dos proporciones. III.7 Inferencia para una varianza. III.8 Inferencia para dos varianzas. Actividades de aprendizaje: 1. Los temas deben ser presentados en conferencias previamente preparadas con los apoyos visuales, de preferencia a partir de presentaciones en Power Point. 2. Los estudiantes deben realizar actividades de estudio independiente o en equipos utilizando la bibliografía y los materiales que les deben ser entregados con antelación. 3. Los estudiantes deben realizar ejercicios y prácticas supervisadas utilizando el software estadístico disponible. 4. Los estudiantes deben realizar presentaciones de ejercicios resueltos, ilustraciones y aplicaciones de los temas revisados en las conferencias y estudiados independientemente. Estas acciones deberán ser planeadas y coordinadas por el instructor del curso, y preferentemente propiciar el trabajo en equipo. 5. Cada uno de los estudiantes debe desarrollar un trabajo final, con un contenido y en una forma determinados, que muestre sus competencias para aplicar los métodos básicos de inferencia estadística en el ámbito de su disciplina o desempeño laboral. Evaluación de desempeño: 1. Considerar la participación activa (sesiones de preguntas) en las conferencias (15%). 2. Valorar las prácticas y ejercicios realizados bajo supervisión (15%). 3. Evaluar la presentación oral de las prácticas, ejercicios e ilustraciones realizadas en equipo (20%). 4. Valorar significativamente la realización del trabajo final, para el que debe existir lineamientos y una guía que especifique claramente el procedimiento y los elementos para su elaboración (50%). Referencias: 1. Andrew, F. S. and Charles, J. M. (1988). Statistics and Data Analysis an Introduction. John Wiley & Sons Inc. 2. Larry, J. K. (1998). Exploring Statitics a Modern Introduction to Data Analysis an Inference, Second Edition, Duxbury Press, USA. 3. Robert, M. Bethea and Benjamin, S. D. (1985). Statistical Methods for Engineers and Scientistics, Second Edition, Marcel Dekker, Inc. New York and Basel. Nombre de la Experiencia Educativa: Métodos no paramétricos Número de créditos: ___5___Intensidad semanal: __15____ Total de horas: ___45___ Horas teóricas: __15___ Horas Prácticas: _30___ Modalidad: ___Curso–Taller____ Justificación: Los recursos de la estadística para la ciencia pueden considerarse como un conjunto de herramientas conceptuales que poseen sus propias condiciones de aplicación y pautas de uso. Los procedimientos no paramétricos o de distribución libre se usan con mayor frecuencia por los analistas de datos. Existen muchas aplicaciones en la ciencia y la ingeniería donde los datos se reportan no como valores de un continuo sino más bien en una escala ordinal tal que es bastante natural asignar rangos a los datos. Así los participantes podrán aplicar los métodos más idóneos para el correcto análisis de datos relevantes mediante un paquete estadístico y la interpretación de los resultados. Objetivo: Preparar al participante para que desarrolle las competencias que le permitan una apropiada aplicación de los métodos de estadística no paramétrica, contextualizados en el marco de problemas reales de las distintas disciplinas. Competencias a desarrollar: 1. Presentar los aspectos importantes y los procedimientos de la estadística no paramétrica. 2. Aplicar adecuadamente los métodos no paramétricos en el marco de problemas reales 3. Desarrollar y expresar procedimientos y estrategias generales en el marco de problemas reales, donde se ponga de manifiesto la aplicación de estos métodos. Contenidos temáticos: TEMAS Y SUBTEMAS Horas I. Introducción a los métodos no paramétricos 1T, 1P I.1Estadistica no paramétrica I.2 Hipótesis de localización y escala II. pruebas de bondad de ajuste 2T, 3P II.1 Prueba ji-cuadrada II.2 Prueba Kolmogorov-Smirnov II.3 Prueba Lilliefors II.4 Prueba de Cramer-Von Mises III. Método para una muestra 2T, 5P III.1 Prueba binomial para una proporción III.1.1 Estimación por intervalo III.2 Prueba del signo III.2.1 Estimación por intervalo III.3 Pruebas de rangos con signo de Wilconxon III.3.1 Estimación por intervalo III.4 Prueba de rachas IV. Método para dos muestras 4T, 8P Referencias IV.1 Muestras Relacionadas IV.1.1 Prueba de Wilconxon para observaciones pareadas IV.1.1.1 Estimación por intervalo IV.1.2 Prueba de McNemar IV.2 Muestras independientes IV.2.1 Prueba de Mann-Whitney IV.2.1.1 Estimación por intervalo IV.2.2 Prueba de Kolmogorov-Smirnov para comparar dos poblaciones IV.2.3 Prueba de Wald-Wolfowitz de rachas IV.2.4 Prueba exacta de Fisher. IV.2.5 Prueba de la mediana. IV.2.6Prueba ji-cuadrada para independencia IV.2.7 Prueba ji-cuadrada para homogeneidad V. Método para tres o más muestras 4T, 8P V.1 Muestra Relacionadas V.1.1 Prueba de Friedman para análisis de varianza de dos entradas V.1.2 Prueba Q de Cochran V.1.3 Comparaciones múltiples V.1.3.1 Estimación por intervalo V.1 Muestra independientes V.1.1 Prueba de la mediana V.1.2 Prueba de Kruskall-Wallis V.1.3 Método de Dunn VI.1 Medidas de asociación 2T, 5P VI.1 Medidas de asociación VI.2 Coeficiente de correlación de Spearman VI.2.1 Estimación por intervalos VI.3 Coeficiente de Kendall de concordancia VI.3.1 Estimación por intervalos VI.4 Pruebas de significancia Rho VI.5 Tau de Kendall. Actividades de aprendizaje: 1. Los temas serán presentados por especialistas de la materia. 2. Los estudiantes desarrollarán actividades de estudio independiente y preparación de sesiones donde revisarán a profundidad los resultados teóricos, metodológicos e ilustraciones. 3. Los estudiantes desarrollarán y presentarán avances en el marco de su proyecto de investigación, puede ser de su trabajo recepcional. 4. Solución de problemas reales, dentro del área en que el estudiantes se desarrolle. Evaluación de desempeño: 1. Se tomará en cuenta las asistencias, participación y exposición de los estudiantes (15%). 2. Se evaluará la presentación y el material escrito entregado para cada sesión a cargo del estudiante (35%). 3. La presentación final de la aplicación de los métodos no paramétricos a datos reales en el marco de un proyecto, puede ser de su trabajo recepcional y/o algún artículo, será un producto altamente significativo del curso (50%) Referencias: 1. Daniel, W. (1990) Applied Nonparametric Statistics, 2nd ed. PWS Kent: Boston. 2. Lehmann, E.L. (1975). Nonparametrics: Statistical Methods Based on Ranks. Holden Day; San Francisco 3. Conover, W.J. (1999). Practical Nonparametric Statistics, 3rd Edition. Wiley; New York. 4. Hollander, M., and Wolfe, D.A. (1972). Nonparametric Statistical Methods. Wiley; New York. 5. Myles, H. and Douglas, A. W. (1999). Nonparametric Statistical Methods, Second Edition, John, Wiley. 6. Spren, P. and Smeton, N.C. (2001). Applied Nonparametric statistical Methods, Third Edition, Chapman&Hall/CRC. Nombre de la Experiencia Educativa: Diseño y Análisis de Muestreo Número de créditos: ___5___ Intensidad semanal: ___15___ Total de horas: ___60___ ______ Horas teóricas: ___15___ Horas Prácticas: ___45___ Modalidad: ____CursoTaller____ Justificación: Diseñar un muestreo, aunque se reduce a decidir cuántas unidades de estudio se obtendrán y de qué forma se hará su obtención, tiene una implicación del conocimiento y manejo de conceptos y procedimientos que conforman el diseño muestral. En este sentido, el diseño de una muestra representativa y de suficiente tamaño para contestar las preguntas de investigación es una actividad fundamental en múltiples aplicaciones de la metodología estadística, tanto en ciencias biológicas como sociales. Objetivo: Garantizar que el participante adquiera la formación de competencias para diseñar y conducir apropiadamente muestreos en el marco de estudios e investigaciones factuales. Competencias a desarrollar: 1. Identificar los principios, procedimientos y conceptos clave del diseño muestral en el marco de investigaciones factuales. 2. Aplicar apropiadamente las estrategias del probabilístico y no probabilístico en casos concretos de investigación factuales. 3. Diseñar y desarrollar discursos válidos y técnicamente correctos que presenten en una visión crítica las estrategias de diseño muestral. Contenidos temáticos: TEMAS Y SUBTEMAS I. Horas Referencias Introducción a las técnicas de muestreo I.1 conceptos básicos I.2 fases de un estudio de muestreo I.3 Planteamiento de un problema de muestreo 2T,2P I.4 consideraciones en la elaboración de un cuestionario II. Diseños de Muestreo probabilísticos II.1 Muestreo Aleatorio Simple (MAS). II.1.1 Estructura de la población y esquema de muestreo. II.1.2 Estimación puntual y por intervalo de medias, proporciones y totales. II.1.3 Tamaño de muestra para media, total y proporción. II.2 Muestreo Sistemático. 6T,20P 1,2,3,4 II.2.1 Estructura de la población y esquema de muestreo. II.2.2 Estimación puntual y por intervalo. II.3 Uso de variables auxiliares II.3.1 Estimación de razón. II.3.2 Estimación de regresión. II.4 Muestreo Aleatorio Estratificado (MAE). II.4.1 Estructura de la población y esquema de muestreo. II.4.2 Principio de estratificación. II.4.3 Estimación puntual y por intervalo. II.4.4 Determinación y asignación de tamaño de muestra. II.4.5 Precisión relativa del MAE con respecto al MAS. II.5 Muestreo por Conglomerado en una Etapa. II.5.1 Estructura de la población y esquema de muestreo. II.5.2 conglomerados de tamaños iguales II.5.2.1 Estimación puntual y por intervalo de medias, proporciones y totales II.5.2.2 Determinación de tamaño de muestra II.5.3 Conglomerados de tamaños diferentes II.5.3.1 Estimación puntual y por intervalo de medias, proporciones y totales. II.5.3.2 Determinación de tamaño de muestra II.6 Muestreo por Conglomerados en dos Etapas. II.6.1 Estructura de la población y esquema de muestreo. II.6.2 Estimación puntual y por intervalo II.6.3 Determinación del tamaño de la muestra III. Diseño de Muestreo no Probabilísticos III.1 muestreo por cuotas III.2 muestreo bola de nieve III.3 muestreo por redes III.4 muestreo por conveniencia III.5 muestreo causal IV. 5T, 16P Proyecto de aplicación IV.1 Planteamiento y objetivos de un problema IV.1.1 El marco conceptual y objetivo del muestreo. IV.1.2 Población de referencia, de muestreo y unidades de estudio. IV.2 Variables a medir y elaboración del cuestionario. IV.2.1 validación del instrumento 2T,7P 1,2,3,4 Actividades de aprendizaje: 1. Los temas deben ser presentados en conferencias previamente preparadas con apoyos visuales, de preferencia a partir de presentaciones de Power Point. 2. Los estudiantes deben realizar actividades de estudio independiente o en equipos utilizando la bibliografía y los materiales que les deben ser entregados con antelación. 3. Los estudiantes deben realizar prácticas supervisadas de diseño de estudios muéstrales, las que posteriormente deben ser presentadas y discutidas en grupo, bajo la planeación y coordinación del instructor. 4. Cada estudiante debe realizar un trabajo final que presente un diseño muestral en el contexto de un estudio o investigación factual, con un contenido y forma predeterminados. Evaluación de desempeño: Se proponen los siguientes criterios y procedimientos de evaluación: 1. Considerar la participación activa (sesiones de preguntas) en las conferencias (15%). 2. Valorar las prácticas y ejercicios realizados bajo supervisión (15%). 3. Evaluar la presentación oral de las prácticas, ejercicios e ilustraciones realizadas en equipos (20%). 4. Valorar significativamente la realización del trabajo final, para el que debe existir lineamientos y una guía que especifique claramente el procedimiento y los elementos para su elaboración (50%). Referencias: 1. Sharon L. (2000). Muestreo: Diseño y análisis. International Thompson Editores. 2. Pérez, L. (2000). Técnicas de muestreo estadístico teoría, práctica y aplicaciones informáticas. RA – MA Editorial. 3. Azorín, P. y Sánchez C. Métodos y aplicaciones de muestreo. Madrid, Alianza 4. Cochran, G. (1971). Técnicas de muestreo. CECSA, México. 5. Raj, D. (1979). La estructura de las encuestas por muestreo. Fondo de cultura económica. México. 6. Raj, D. (1980). Teoría de muestreo. Fondo de cultura económica. México. 7. Kish, L (1979). Muestreo de encuestas. Trillas México. Nombre de la Experiencia Educativa: Diseño de Estudios Experimentales Número de créditos: ___5___ Intensidad semanal: ___15___ Total de horas: ___60__ Horas teóricas: ___15___ Horas Prácticas: ___45___ Modalidad: ___Curso–Taller____ Justificación: El diseño del experimento es una actividad que es fundamental en la aplicación de la metodología estadística a los estudios experimentales, ya que debe seguirse directamente de los objetivos y preguntas de investigación y tener en cuenta las restricciones o dificultades prácticas en el análisis empírico de la relación causa efecto bajo estudio. El diseño de un experimento estadístico define el tipo de modelo que habrá de usarse para los análisis y su adecuada conducción condiciona la validez de los supuestos. Es una actividad donde el conocimiento estadístico es fundamental, pero sólo en conjunción con un conocimiento profundo del fenómeno bajo estudio. Objetivo: Garantizar que el participante maneje los conocimientos, las habilidades y genere los elementos de creatividad que le permitan el diseño estadístico de experimentos en el marco de investigaciones experimentales. Competencias a desarrollar: 1. Identificar los principios y procedimientos así como los conceptos clave del diseño estadístico de experimentos en investigaciones factuales. 2. Aplicar correctamente las estrategias de diseño experimental en casos concretos de investigaciones factuales concretas. 3. Diseñar y desarrollar discursos técnicamente correctos que presenten en una visión crítica los diferentes planes y diseños experimentales. Contenidos temáticos: TEMAS Y SUBTEMAS Horas Referencias 2T,5P 1,2,8,9,10 I. Fases de una Investigación Experimental I.1 El marco teórico y la relación causa-efecto bajo estudio. I.2 Las preguntas de investigación y la hipótesis. I.3 Identificación de factores, niveles y tratamientos. I.4 La unidad experimental, la variable respuesta y los métodos de medición. I.5 La planeación del experimento I.6 El desarrollo del experimento. I.7 El análisis del experimento. I.8 El reporte y la difusión de resultados. II. Principios Estadísticos de la Experimentación II.1 Replicación. II.2 Aleatorización. II.3 Control local 2T,10P 3,6,8,11 4T,12P 3,4,5,6,8,11,12 7T,18P 3,8 III. Diseños Experimentales Simples III.1 Diseño completamente al azar. III.2 Diseño en bloques completos al azar. III.3 Diseño en cuadros latinos. IV. Experimentos Factoriales IV.1 Factoriales completos. IV.2 Factores 2k. IV.3 Factores 3k. IV.4 Factorial fraccionado IV.5 Parcelas divididas IV.6 Superficies de respuesta Actividades de aprendizaje: 1. Los temas deben ser presentados en conferencias previamente preparadas con apoyos visuales, de preferencia a partir de presentaciones de Power Point. 2. Los estudiantes deben realizar actividades de estudio independiente o en equipos utilizando la bibliografía y los materiales que les deben ser entregados con antelación. 3. Los estudiantes deben realizar prácticas supervisadas de diseño de estudios experimentales, las que posteriormente deben ser presentadas y discutidas en grupo, bajo la planeación y coordinación del instructor. 4. Cada estudiante debe realizar un trabajo final que presente un diseño experimental en el contexto de un estudio o investigación factual, con un contenido y forma predeterminados. Evaluación de desempeño: Se proponen los siguientes criterios y procedimientos de evaluación: 1. Considerar la participación activa (sesiones de preguntas) en las conferencias (15%). 2. Valorar las prácticas y ejercicios realizados bajo supervisión (15%). 3. Evaluar la presentación oral de las prácticas, ejercicios e ilustraciones realizadas en equipos (20%). 4. Valorar significativamente la realización del trabajo final, para el que debe existir lineamientos y una guía que especifique claramente el procedimiento y los elementos para su elaboración (50%). Referencias: 1. Box, G.E.P., Hunter, W.G., Hunter, J.S. (1993). Estadística para investigadores. Edit Reverté, Madrid, España. 2. Cobb, G.W. (1997). Introduction to design and analysis of experiments. Springer, Verlag. 3. Cochran, W. and Cox, G. (1992). Experimental Designs, Second Edition, John Wiley & Sons Inc, New York, USA. 4. Hicks, C.R. Turner, K.V. (199). Fundamental Concepts in the Designs of Experiments. Oxford University. Press. 5. Hinkelman, K. and Kempthorne, O. ( ). Design and Analysis of Experiments, Iowa State University Press/Ames. 6. Martínez, G. A. (1988). Diseños Experimentales, Edit. Trillas, México. 7. Mason, R.L., Gunst, R.F., Hess, J.L. (1989). Statistical Design and Analysis of Experiments. Wiley & Sons Inc, New York, USA. 8. Montgomery, D.C. (1991).Diseño y Análisis de Experimentos, Iberoamérica, México. 9. Ott, R.L. (1988). An introduction to statistical methods and data analysis, edit. Duxbury press, Belmont, California, USA. 10. Petersen, R.G. (1985). Design and Analysis of Experiments. Marcel Dekker, New York, USA. 11. Snedecor, G. and Cochran, W. (1994). Statistical Methods, Octava Edición, Iowa State University Press/Ames. 12. Steel, R. y Torrie, J. (1993). Bioestadística: Principios y Procedimientos, Segunda Edición, McGraw-Hill. 13. Cox and N.Reid. (2000) The theory of the design of experiments, Chapman B HALL/CRC. 14. Dean A., Voss, D. (2000) Design and analysis of experiments, Springer. 15. Análisis y diseño de experimentos (2004). Humberto Gutiérrez Pulido, Román de la Vara Salazar. Edit. McGraw Hill-Interamericana S.A de C.V. México. 16. Experimentos: Estrategia y análisis en Ciencia y Tecnología (2003). Eduardo Castaño Tostado, Jorge Domínguez Domínguez, Edit. S y G Editores, S.A. de C.V. México. Nombre de la Experiencia Educativa: Regresión lineal. Número de créditos: ___6____ Intensidad semanal: ___15____ Total de horas: __60__ Horas teóricas: ____30____ Horas Prácticas: ____30____ Modalidad: ____Curso____ Justificación: Un objetivo de la ciencia es encontrar relaciones entre eventos que ocurren en el mundo para poder describirlos, interpretarlos y modelarlos. Por ello los modelos estadísticos lineales se han convertido en un valioso instrumento para las investigaciones en general. Por otro lado, las técnicas de Análisis de Varianza (anova) y regresión Lineal, prevén un esquema adecuado para resolver problemas de una amplia aplicación en muchas disciplinas, la cuales involucra el criterio de prueba de hipótesis de su interés. El curso pondrá de manifiesto los principios estadísticos en los cuáles se basa el anova, ancova y regresión lineal. Así los participantes podrán aplicar los métodos más idóneos para el correcto análisis de datos relevantes mediante un paquete estadístico y la interpretación de los resultados. Objetivo: Proporcionar los conocimientos y habilidades necesarias para el análisis de los modelos de varianza y de regresión lineal más usuales, que le permitan desarrollar estrategias para la interpretación de los resultados utilizando un paquete estadístico. Competencias a desarrollar: 1. Presentar los aspectos importantes y los procedimientos de análisis de los modelos de anova, ancova y regresión. 2. Aplicar apropiadamente los resultados metodológicos de la inferencia estadística de estimación y prueba de hipótesis en el marco de éstos modelos. 3. Desarrollar y expresar procedimientos y estrategias generales en el marco de problemas reales, donde se ponga de manifiesto la aplicación de estos modelos. 4. Diseñar y desarrollar discursos válidos donde se establezca el pensamiento estadístico expresado en la apropiada aplicación de los modelos anova, ancova y regresión. Contenidos temáticos: TEMAS Y SUBTEMAS Horas Referencias 7T, 7P 9,10,11,15 8T, 8P 9,10,11,15 15T,15P 3,7,8,11,14 I. El Modelo de Regresión Lineal Simple I.1 El Modelo de regresión lineal simple. I.2 Estimadores de mínimos cuadrados. I.3 Propiedades de los estimadores. I.4 Inferencia en el modelo de regresión lineal simple. I.4.1 Inferencia para los coeficientes de regresión. I.4.2 Inferencia para la función de regresión. I.4.3 Predicción. II. El Modelo de Regresión Lineal Múltiple II.1 El Modelo de regresión lineal múltiple. II.2 Estimadores de mínimos cuadrados. II.3 Propiedades de los estimadores. II.4 Inferencia en el modelo de regresión lineal simple. II.4.1 Inferencia para los coeficientes de regresión. II.4.2 Inferencia para la función de regresión. II.4.3 Predicción. III. Diagnóstico y Medidas Remédiales III.1 Análisis gráfico de los residuos. III.2 Observaciones de influencia y outliers. III.3 Transformaciones. III.3.1 Transformaciones en la variable respuesta. III.3.2 Transformaciones en las variables explicatorias. III.3.3 Transformaciones a ambos lados. III.3.4 Transformación de Box-Cox. III.4 Colinealidad. III.4.1 Remedio de la Colinealidad. III.5 Proceso de modelación estadística. III.5.1 Selección de variables. Actividades de aprendizaje: 1. Los temas deben ser presentados en conferencias previamente preparadas con los apoyos visuales, de preferencia a partir de presentaciones en Power Point. 2. Los estudiantes deben realizar actividades de estudio independiente o en equipos utilizando la bibliografía y los materiales que les deben ser entregados con antelación. 3. Los estudiantes deben realizar ejercicios y prácticas supervisadas utilizando el software estadístico disponible. 4. Los estudiantes deben realizar presentaciones de ejercicios resueltos, ilustraciones y aplicaciones de los temas revisados en las conferencias y estudiados independientemente. Estas acciones deberán ser planeadas y coordinadas por el instructor del curso, y preferentemente propiciar el trabajo en equipo. 5. Cada uno de los estudiantes debe desarrollar un trabajo final, con un contenido y en una forma determinados, que muestre sus competencias para aplicar los métodos básicos de inferencia estadística en el ámbito de su disciplina o desempeño laboral. Evaluación de desempeño: 1. Considerar la participación activa (sesiones de preguntas) en las conferencias (15%). 2. Valorar las prácticas y ejercicios realizados bajo supervisión (15%). 3. Evaluar la presentación oral de las prácticas, ejercicios e ilustraciones realizadas en equipo (20%). 4. Valorar significativamente la realización del trabajo final, para el que debe existir lineamientos y una guía que especifique claramente el procedimiento y los elementos para su elaboración (50%). Referencias: 1. Box, G.E.P., Hunter, W.G., Hunter, J.S. (1993). Estadística para investigadores. Edit Reverté, Madrid, España. 2. Cobb, G.W. (1997). Introduction to design and analysis of experiments. Springer, Verlag. 3. Cochran, W. and Cox, G.( 1992). Experimental Designs, Second Edition, John Wiley & Sons Inc, New York, USA. 4. Hicks, C.R. Turner, K.V. (199). Fundamental Concepts in the Designs of Experiments. Oxford University. Press. 5. Hinkelman, K. and Kempthorne, O. ( ). Design and Analysis of Experiments, Iowa State University Press/Ames. 6. Martínez, G. A. (1988). Diseños Experimentales, Edit. Trillas, México. 7. Mason, R.L., Gunst, R.F., Hess, J.L. (1989). Statistical Design and Analysis of Experiments. Wiley & Sons Inc, New York, USA. 8. Montgomery, D.C. (1991).Diseño y Análisis de Experimentos, Iberoamérica, México. 9. Montgomery, C. Douglas, Peck, Elizabeth, Vining, G. (2002). Introducción al Análisis de Regresión, 3ª. Edic. CECSA 10. Neter, J; Waeerman, W. and Kutner, M.H. (1990). Applied Linear Statistical Models, 3º Ed. Irwin. 11. Ott, R.L. (1988). An introduction to statistical methods and data analysis, edit. Duxbury press, Belmont, California, USA. 12. Petersen, R.G. (1985). Design and Analysis of Experiments. Marcel Dekker, New York, USA. 13. Snedecor, G. and Cochran, W. (1994). Statistical Methods, Octava Edición, Iowa State University Press/Ames. 14. Steel, R. y Torrie, J. (1993). Bioestadística: Principios y Procedimientos, Segunda Edición, McGraw-Hill. 15. 15. Thomas, P. Ryan. (1997) Modern Regression Methods, Wiley & Sons Inc, New York, USA. Nombre de la Experiencia Educativa: Análisis Multivariante I. Número de créditos: ___6___ Intensidad semanal: ___15___ Total de horas: ___60___ Horas teóricas: ____30____ Horas Prácticas: __30___ Modalidad: _Curso-Taller__ Justificación: El proceso de investigación que va desde la recopilación de datos hasta la utilización de los modelos probabilísticos para efectuar inferencias estadísticas, es la base de la aplicación de los métodos básicos; el objetivo de la mayoría de las investigaciones estadísticas es realizar una inferencia con respecto a uno o más parámetros de la población. Estas inferencias se expresan en una de dos maneras, como estimación de los parámetros respectivos o como pruebas de hipótesis referentes a sus valores. El estudio de estas dos maneras de hacer inferencia permitirá una preparación para desarrollar competencias en la aplicación de la metodología estadística, siempre que la utilización de estos procedimientos se haga en el marco de los problemas reales. Objetivo: Preparar al participante para que desarrolle las competencias que le permitan una apropiada aplicación de los métodos básicos de inferencia estadística, contextualizados en el marco de problemas reales de las distintas disciplinas. Competencias a desarrollar: 1. Plantear y resolver problemas en el ámbito de diferentes disciplinas que impliquen la aplicación de los métodos básicos de la inferencia estadística, realizando interpretaciones válidas recomendaciones válidas. de los resultados, deduciendo conclusiones y 2. Desarrollar y expresar esquemas conceptuales en el marco de problemas reales, donde se ponga de manifiesto la aplicación de los métodos básicos de la inferencia estadística. 3. Aplicar apropiadamente los métodos básicos de la inferencia contextualizados en el marco de problemas de las diferentes disciplinas. estadística, 4. Diseñar y desarrollar discursos válidos donde se establezca el pensamiento estadístico expresado en la apropiada aplicación de los métodos básicos de la inferencia estadística. Contenidos temáticos: TEMAS Y SUBTEMAS I. Horas Referencias 4T,4P 2,3 2T, 2P 3,8 4T, 4P 2,3,4, 9 Introducción al análisis multivariado I.1 El enfoque multivariante I.2 Distribuciones multivariantes 1.2.1 Matriz de datos. 1.2.2 Vector de medias. 1.2.3 Matriz de varianzas y covarianzas 1.3 Valores y vectores característicos 1.4 Combinaciones lineales II. Gráficos Multivariados 1.1 Gráficas de amibas (Blobs). 1.2 Gráfico de estrellas (Stars). 1.3 Gráfico de histogramas. 1.4 Gráfico de perfiles. 1.5 Caritas de Chernoff. III. Análisis de Componentes Principales 1.1 Razones para usar el análisis de componentes principales. 1.2 Objetivo del análisis de componentes principales. 1.3 Análisis de componentes principales con matriz de varianzas y covarianzas. 1.4 Obtención de componentes principales. 1.5 Determinación del número de componentes principales. 1.6 Análisis de componentes principales con la matriz de correlaciones. 1.7 Grafica de los componentes 1.8 Interpretación. VI. Análisis de Factores 1.1 Objetivo del análisis por factores. 1.2 El modelo del análisis de factores. 1.3 Estimación. 6T, 6P 2,3,4,6,13 6T, 6P 3,13 4T, 4P 3,4 4T,4P 3 1.4 Elección de la cantidad apropiada de factores. 1.5 Rotación de los factores. 1.6 Puntajes Scorest 1.7 Estructura de los modelos V. Análisis de Correspondencia Simple y Múltiple 1.1. Caracterización. 1.2. Obtención de los ejes factoriales. 1.3. Interpretación de los resultados en AFC Simple. 1.4. Interpretación de los resultados en AFC Múltiple VI. Análisis Clúster. 1.1 Introducción 1.1 Medidas de semejanza. 1.3 Métodos de agrupación. 1.3.1 Jerárquicos 1.3.2 Aglomerativos 1.4 Métodos de ligamiento 1.5 Determinación del número de grupos. 1.6 Interpretación del dendograma VII. Correlación Canónica. 1.1 Introducción. 1.2 Determinación de las combinaciones lineales. 1.3 Interpretación. Actividades de aprendizaje: 5. Los temas serán presentados por especialistas de la materia y por el coordinador del seminario, en forma de conferencias panorámicas que revisen los temas establecidos. 6. Los estudiantes desarrollarán actividades de estudio independiente y preparación de sesiones donde revisarán a profundidad los resultados teóricos, metodológicos e ilustraciones. Habrá tres sesiones impartidas por estudiantes por cada sesión del coordinador o un especialista. 7. Los estudiantes desarrollarán y presentarán avances en el marco de su proyecto de investigación para la tesis de maestría. 8. Los estudiantes deberán presentar al final de su curso sus resultados del proyecto en una sesión tipo congreso y entregar un artículo en un formato previamente establecido, en idioma inglés, el cual deberá ser revisado y aprobado por el tutor correspondiente. Evaluación de desempeño: 4. Se tomará en cuenta las asistencias, participación y exposición de los estudiantes (15%). 5. Se evaluará la presentación y el material escrito entregado para cada sesión a cargo del estudiante (35%). 6. La presentación final y el artículo serán productos altamente significativos del curso (50%). Referencias: 1. Grande E. I. y Abascal F. E. (1989). Métodos Multivariantes para la Investigación Comercial. Editorial Ariel S.A. 2. Johnson, D. E. (2000). Métodos Multivariados Aplicados al Análisis de Datos. International Thomson Editores. 3. Johnson, R. A. and Wichern D. W. (2002). Applied Multivariate Statistical Analysis. Fith Edition, Prentice Hall. 4. Harris, R.J. (1975). A promer of Multivariate Statistics; Academic Press, New York. 5. Morrison, D. F. (1976). Multivariate Statistical Methodo; McGraw Hill; New York. 6. Mardia K. V., Kent, J. T., Bibby, J. M. (1979). Multivariate Analysis; Academic Press; New York. 7. Kleinbum, D. G., Kupper, L.L. and Muller K.E. (1988). Applied Regresión Analysis and Other Multivariate Methods; WS-KENT; Boston. 8. Jambu, M. (1991). Exploratory and Multivariate Data Analysis, Academic Press, Inc., New York. 9. Morrison, D.F. (1976). Multivariate Statistical Methodo; Third Edition. McGraw Hill; New York. 10. Seber G.A.F. (1990). Multivariate Observations. Wiley, New York. 11. Stat – Soft Inc. (1996). STATISTICA: User guide. (2325 East 13th Street, Tulsa Ok. 74104), USA. 12. Castro J.A. y Galindo M. P. (2000). Estadística Multivariante Análisis de Correlación. Amarú Ediciones. Salamanca. 13. Sharma, S. (1996). Applied Multivariate Techniques Jonh Wiley and Sons, New York, EUA. Nombre de la Experiencia Educativa: Modelación de Datos Discretos Número de créditos: ___4___ Intensidad semanal: ____15____ Total de horas: ___45___ Horas teóricas: ___15___ Horas Prácticas: ____30____ Modalidad: ____Curso-Taller___ Justificación: La revisión de los aspectos metodológicos de uso frecuente en el análisis estadístico de datos discretos, se considera una parte inicial en la cual se estudian los conceptos relacionados con el análisis de tablas de contingencia para dos criterios de clasificación en relación a los conceptos de independencia, homogeneidad y asociación. Además el modelo log-lineal para el estudio de la relación entre variables categóricas mediante su modelación y, por último, se estudia el modelo de regresión logística como una opción más de análisis de relación entre variables categóricas. El curso es de carácter aplicado, con un fuerte énfasis en el uso de la computadora para la implementación del modelo. Este curso estimula un resumen de las técnicas para datos categóricos. Se empieza con una discusión básica de hipótesis que permitan inferenciar tablas de contingencia de doble entrada, usando medidas de asociación semejante a las proporciones, también para tablas de múltiples dirección así como los conceptos de marginal y asociación condicional. Objetivo: Proporcionar los conocimientos y habilidades necesarias para el análisis de los modelos de datos discretos, que le permitan desarrollar estrategias para la interpretación de los resultados utilizando un paquete estadístico. Competencias a desarrollar: 1. Presentar los aspectos importantes y los procedimientos de análisis de los modelos de datos discretos. 2. Aplicar apropiadamente los resultados metodológicos de la inferencia estadística de estimación y prueba de hipótesis en el marco de éstos modelos. 3. Desarrollar y expresar procedimientos y estrategias generales en el marco de problemas reales, donde se ponga de manifiesto la aplicación de estos modelos. 4. Diseñar y desarrollar discursos válidos donde se establezca el pensamiento estadístico expresado en la apropiada aplicación de las técnicas para este tipo de datos. Contenidos temáticos: TEMAS Y SUBTEMAS Horas Referencias 2T,3P 1,2,3,4,5,6 5T,10P 1,2,3,4,5,6 3T,7P 1,2,3,4,5,6,7 5T,10P ,2,3,4,5,6,7 I Tablas de Contingencia I.1 Tablas de contingencia. I.2 Pruebas para independencia y homogeneidad. II Modelo Log-lineal II.1 Modelos log-lineales. II.2 Estimación del modelo. II.3 Inferencia para el modelo. II.4 Aplicaciones. III Modelo de Regresión Logística III.1 El modelo de regresión logística. III.2 Estimación del modelo. III.3 Inferencia para el modelo. III.4 Aplicaciones. IV Modelo de Regresión Poisson IV.1 El modelo de regresión Poisson. IV.2 Estimación del modelo. IV.3 Inferencia para el modelo. IV.4 Aplicaciones. Actividades de aprendizaje: 1. Los temas deben ser presentados en conferencias previamente preparadas con los apoyos visuales, de preferencia a partir de presentaciones en Power Point. 2. Los estudiantes deben realizar actividades de estudio independiente o en equipos utilizando la bibliografía y los materiales que les deben ser entregados con antelación. 3. Los estudiantes deben realizar ejercicios y prácticas supervisadas utilizando el software estadístico disponible. 4. Los estudiantes deben realizar presentaciones de ejercicios resueltos, ilustraciones y aplicaciones de los temas revisados en las conferencias y estudiados independientemente. Estas acciones deberán ser planeadas y coordinadas por el instructor del curso, y preferentemente propiciar el trabajo en equipo. 5. Cada uno de los estudiantes debe desarrollar un trabajo final, con un contenido y en una forma determinados, que muestre sus competencias para aplicar los métodos básicos de modelación de datos discretos en el ámbito de su disciplina o desempeño laboral. Evaluación de desempeño: 1. Considerar la participación activa (sesiones de preguntas) en las conferencias (15%). 2. Valorar las prácticas y ejercicios realizados bajo supervisión (15%). 3. Evaluar la presentación oral de las prácticas, ejercicios e ilustraciones realizadas en equipo (20%). 4. Valorar significativamente la realización del trabajo final, para el que debe existir lineamientos y una guía que especifique claramente el procedimiento y los elementos para su elaboración (50%). Referencias: 1. Agresti, A. (1984) Analysis of Ordinal Data Categorical Data. John Wiley & Sons. 2. Agresti, A. (1990) Categorical Data Analysis. Wiley Series in Probability and Mathematical Statistics. Applied Probability and Statistic, John Wiley & Sons. 3. Agresti, A (1996) An Introduction to Categorical Data Analysis. Wiley Series in Probability and Statistics. Applied Probability and Statistic, John Wiley & Sons. 4. Agresti, A. and Finlay, B (1997) Statistics Methods for the Social Scienciences. Prentice Hall. 5. Erling, B. A. (1997). Introduction to the statistical analysis of categorical data. Springer-Verlag Heidelberg, New York. 6. Freeman, D.H. (1987) Applied categorical data analysis. Marcel Dekker, Kleinbaum d.g. 7. Hosmer, D.W. (1989) Applied logistic regression. John Wiley and Sons, New York. Nombre de la Experiencia Educativa: Series de tiempo Número de créditos: ___4___ Intensidad semanal: __15____ Total de horas: __45____ Horas teóricas: __15___ Horas Prácticas: __30___ Modalidad: ____CursoTaller____ Justificación: El análisis de series de tiempo comprende métodos que ayudan a interpretar una secuencia de datos, observaciones o valores, medios en determinados momentos del tiempo, ordenados cronológicamente y, normalmente, espaciados entre sí de manera uniforme. Este tipo de datos se encuentran en diferentes campos, economía, física, climatología, demografía por mencionar algunos. El análisis de series de tiempo desempeña un papel importante en el análisis requerido para la predicción de eventos futuros. Objetivo: Proporcionar al estudiante los métodos estadísticos que permitan el inferencial) de estos datos temporales. análisis (descriptivo o Competencias a desarrollar: 1. Fundamentación teórica de los procesos estocásticos básico para la construcción de modelos de análisis estadístico de series de tiempo. 2. Conceptualización de las fases básicas en la implementación del modelo ARIMA. 3. Adquisición de los conceptos y fundamentos básicos del análisis espectral de series de tiempo univariadas. 4. Introducción al análisis de series de tiempo por medio de modelos de componentes no observables. Contenidos temáticos: TEMAS Y SUBTEMAS V. 3T,2P Procesos estacionarios II.1 propiedades básicas II.2 modelos Autorregresivos (AR) II.3 modelos de medias móviles (MA) II.4 modelos mixtos (ARMA) II.4.1 la función de autocorrelación y autocorrelación parcial de un proceso arma (p,q) II.5 pronostico con un modelo arma VII. Referencias Introducción a series de tiempo I.1 Definición de una serie de tiempo I.2 componentes de una serie de tiempo I.2.1 estacionalidad I.2.2 Ciclos I.2.3 Variación aleatoria I.2.4 Procesos estacionarios VI. Horas 7T,18P 1,2,3,4 Modelos no estacionarios y estacionales III.1 Modelos ARIMA III.1.1 Metodología de Box-Jenkins III.1.2 Modelos AR, MA , ARMA y ARIMA III.1.3 Funciones de autocorrelación (ACF) y de autocorrelación parcial (PACF) III.1.4 ACF y PACF muestrales III.1.5 Identificación de modelos ARIMA III.1.6 Estimación de modelos ARIMA III.1.7 Diagnóstico y Pronóstico de modelos ARIMA III.2 Modelos ARIMA con estacionalidad III.2.1 Función de Impulso - Respuesta III.2.2 Modelos ARIMA con Intervención 7T, 15P Actividades de aprendizaje: 1. Los temas deben ser presentados en conferencias previamente preparadas con los apoyos visuales, de preferencia a partir de presentaciones en Power Point. 2. Los estudiantes deben realizar actividades de estudio independiente o en equipos utilizando la bibliografía y los materiales que les deben ser entregados con antelación. 3. Los estudiantes deben realizar ejercicios y prácticas supervisadas utilizando el software estadístico disponible. 4. Los estudiantes deben realizar presentaciones de ejercicios resueltos, ilustraciones y aplicaciones de los temas revisados en las conferencias y estudiados independientemente. Estas acciones deberán ser planeadas y coordinadas por el instructor del curso, y preferentemente propiciar el trabajo en equipo. 5. Cada uno de los estudiantes debe desarrollar un trabajo final, con un contenido y en una forma determinados, que muestre sus competencias para aplicar los métodos básicos de inferencia estadística en el ámbito de su disciplina o desempeño laboral. Evaluación de desempeño: Se proponen los siguientes criterios y procedimientos de evaluación: 5. Considerar la participación activa (sesiones de preguntas) en las conferencias (15%). 6. Valorar las prácticas y ejercicios realizados bajo supervisión (15%). 7. Evaluar la presentación oral de las prácticas, ejercicios e ilustraciones realizadas en equipos (20%). 8. Valorar significativamente la realización del trabajo final, para el que debe existir lineamientos y una guía que especifique claramente el procedimiento y los elementos para su elaboración (50%). 9. Duración de los estudios El programa de Especialización en Métodos Estadísticos está diseñado para ser cursado en un máximo de 2 semestres, siendo de dedicación de tiempo completo para el estudiante. Total de horas y créditos del programa MÓDULOS DURACIÓN TOTALES HORAS CRÉDITOS I INICIACION AL PENSAMIENTO ESTADISTICO 165 17 II ANALISI DE DATOS 180 22 III MODELACION 90 8 30 (mínimo) 4 135 9 600 60 IV AREA DE APLICACIÓN V DISEÑO Y REALIZACION DEL TRABAJO DE TITULACION TOTALES Total de horas del programa. Total de horas de experiencias educativas obligatorias 570 Total mínimo de horas de dos experiencias educativas optativas 30 Total mínimo de horas del plan 600 Total de créditos del programa. Total de créditos de experiencias educativas obligatorias Total mínimo de créditos de una experiencia educativa optativa Total mínimo de créditos del plan 56 4 60