A continuación, en el mismo orden de la Figura 8.1, se presentan

Anuncio
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
Descargar