Maestria-10 Completa

Maestra en Estadstica Aplicada
Carrera acreditada y categorizada "B" por la Comisin Nacional de Evaluacin y Acreditacin Universitaria
(CONEAU) del Ministerio de Educacin, Ciencia y Tecnologa de la Nacin. Resolucin 902/10.
Se dicta de manera conjunta entre la Facultad de Ciencias Econmicas, la Facultad de Ciencias
Agropecuarias y la Facultad de Matemtica, Astronoma y Fsica de la UNC.
Direccin
Julio Di Rienzo
Consejo Acadmico
Secretario General
Dr. Jorge G. Adrover
Mgter. Mara Ins Stmolo
Mgter. Patricia Bertolotto
Msc. Julio Di Rienzo
Mgter. Laura Gonzlez
Ttulo que otorga
Magister en Estadstica Aplicada
Perfil del egresado
El Magister en Estadstica Aplicada ser un graduado acadmico capacitado para desarrollar, en el rea de
su competencia:
- un alto nivel acadmico en Estadstica Aplicada, sustentado en una amplia base de conocimiento de
mtodos estadsticos modernos, incluyendo computacin.
- profundos criterios profesionales para emitir juicios de valor y analizar problemas de naturaleza
variable, fortalecidos por una permanente ejercitacin en problemas de aplicacin.
- actitud y aptitud para la insercin en equipos interdisciplinarios, a travs de una formacin
especfica, obtenida mediante orientaciones.
- habilidad para el desarrollo de experiencias e investigaciones en tpicos novedosos de la Estadstica
Aplicada.
- capacitacin para el asesoramiento estadstico en Ciencia y Tecnologa, en empresas nacionales y
privadas en el mbito de su especializacin.
- adiestramiento en la enseanza de la Estadstica en el nivel de educacin superior en el marco de su
especializacin.
- orientacin hacia el pensamiento crtico e inclinacin por la investigacin y la transferencia de
resultados y conocimientos a la comunidad en general.
Objetivos
La creacin de un Programa de Magister en Estadstica con orientaciones en Biometra, Econometra y
Ciencias Sociales tiene como propsito poner al servicio de la comunidad recursos humanos especializados
para interpretar y utilizar la teora y prctica estadstica contribuyendo al anlisis y modelizacin de
problemas propios de la economa, la industria, las ciencias sociales, biolgicas y ambientales.
Objetivos sociales
Formar recursos humanos para desempearse en las funciones de capacitacin, investigacin y servicios
profesionales en Estadstica.
Objetivos institucionales
Consolidar una estructura a nivel inter-facultad que potencie los recursos materiales y humanos de
distintas unidades acadmicas de la Universidad Nacional de Crdoba orientada al desarrollo de
actividades de formacin, investigacin y transferencia en el rea de la Estadstica, con proyeccin
regional, nacional e internacional.
Objetivos individuales
Propiciar el marco terico necesario para disear experiencias, analizar informacin y tomar decisiones
en condiciones de incertidumbre.
Desarrollar destrezas, habilidades y actitudes necesarias para desempearse en instancias
interdisciplinarias.
Fecha de inscripcin
A partir del 14 noviembre de 2011.
Comienzo
Febrero de 2011.
Duracin
2 aos de cursado ms la elaboracin del trabajo de Tesis.
Modalidad de cursado
Una semana intensiva al mes, de lunes a viernes, a partir de las 8.30 hasta las 17.
Acreditacin
Para la obtencin del grado de Magister en Estadstica Aplicada el candidato deber cumplir los
Pgina 1 de 15 | 15/02/2012
Escuela de Graduados. Facultad de Ciencias Econmicas. Universidad Nacional de Crdoba.
Av. Enrique Barros esq. Los Nogales. Ciudad Universitaria. CP: 5000. Crdoba. Argentina.
Tel/ Fax: (+54 351) 433 4251/52. Correo: graduado@eco.unc.edu.ar
siguientes requisitos:
-Mantenerse registrado de manera continua dentro de la carrera, a travs de matrculas anuales,
independientemente de la acreditacin o cumplimento de crditos en el ciclo lectivo.
Tesis
La tesis consistir en el desarrollo de mtodos estadsticos originales o en la aplicacin de mtodos
conocidos a situaciones novedosas dentro de la orientacin elegida por el candidato.
Requisitos de ingreso
. Ser egresado de una Universidad Argentina, reconocida por autoridad competente, con ttulo
universitario de grado.
. Ser egresado de Universidades Extranjeras con ttulo de nivel equivalente a ttulo universitario de
grado otorgado por la Universidad Nacional de Crdoba, previa aceptacin por parte de los Consejos de
Departamentos de Posgrado de las Facultades participantes o por la vigencia de tratados o convenios
internacionales.
Los candidatos debern tener cierto conocimiento previo en el rea de la Matemtica. Es recomendable el
nivel de lgebra Lineal y Clculo dado por ejemplo por los siguientes textos:
a- lgebra lineal: Yacub, A. & Morre, H.G. Elementary Linear Algebra with Applications. John Wiley &
Sons. 1979 .
b- Clculo: Spivak, M. Calculus. Revert, SA. Barcelona. 1978. 843 pp.
c- Aprobar un exmen de lecto-comprensin en idioma ingls.
Documentacin a presentar:
- Solicitud de admisin dirigida al Director Ejecutivo de la Maestra: MSc. Julio Di Rienzo
- Fotocopia autenticada del ttulo original y certificado analtico de estudios.
- Currculum Vitae.
- Fotocopia de la primera y segunda hoja del DNI.
- Dos fotografas tipo carn.
- Ficha de Preinscripcin. ( Se genera ingresando a la pgina
www.economicas-pg.guarani.unc.edu.ar/preinscripcion)
En caso de presentarse documentacin expedida por organismos extranjeros, sta deber estar legalizada
por la Universidad de origen, el consulado o embajada argentina correspondiente y con el apostillado de
la Haya.
Esta documentacin debe ser presentada en carpeta A4, en forma personal, o por correo a:
Maestra en Estadstica Aplicada. Escuela de Graduados de Ciencias Econmicas, Av. Enrique Barros esquina
Los Nogales, Cdad. Universitaria, CP 5.000 Crdoba.
. Connocer el reglamento de la carrera.
Descargar Reglamento en formato PDF
Alumnos Extranjeros
1. El ciudadano extranjero se inscribe en una carrera de posgrado.
2. La dependencia emitir un certificado de alumno regular (la Direccin Nacional de Migraciones exige
que el certificado diga alumno regular y debe estar firmado por una persona de la dependencia que tenga
su firma registrada en Oficiala Mayor)
3. El interesado deber concurrir a la Secretara Acadmica del Rectorado (los das martes y jueves de
9.00 a 12.00 hs) con el certificado de la dependencia y el pasaporte original.
4. La Secretara de Acadmica dispone de la clave asignada por la Direccin Nacional de Migraciones) para
su inscripcin en el Registro Nacional nico de Requirentes de Extranjeros y emitir la correspondiente
constancia de inscripcin.
5. Ambos documentos (certificado y constancia de Inscripcin) deben ser legalizados en Oficiala Mayor
del Rectorado (de lunes a viernes de 8.00 a 12.00 hs) para ser luego presentado en la Delegacin Crdoba
de la Direccin Nacional de Migraciones.
6. La Secretara Acadmica entregar al alumno extranjero el constancia de inscripcin y una fotocopia de
los trmites que deber continuar ante la Direccin Nacional de Migraciones para obtener la residencia
temporaria (duracin: 2 aos, y es renovable).
Contacto en Secretara Acadmica: Lic. Silvana Tortone stortone@saa.unc.edu.ar
Acreditacin del manejo del idioma espaol mediante la presentacin del CELU
Horarios de atencin
Lunes a viernes de 10.30 a 14.30
Tel: +54 351 4333036
Correo: magister@eco.unc.edu.ar
Aranceles
Aranceles para la cohorte 2012
-Primer ao
Matrcula anual: $ 480.-
La misma deber hacerse efectiva durante el mes de febrero.
Adems de 8 cuotas mensuales de $ 555 cada una (vencimiento de marzo a octubre respectivamente)
-Segundo ao:
Matrcula $ 520 (vencimiento en febrero de 2013) + 8 cuotas mensuales de $ 455 cada una (vencimiento de
marzo a octubre respectivamente)
Pgina 2 de 15 | 15/02/2012
Forma de pago: se realizan planes de pago de hasta cuatro cuotas por cuatrimestre sin recargo.
Becas: se otorgan dos medias becas para docentes de cada una de las Facultades que integran el Magister
(Ciencias Econmicas, Ciencias Agropecuarias, Matemtica, Astronoma y Fsica).
Arancel por curso: variable de acuerdo a la carga horaria de cada materia.
Pgina 3 de 15 | 15/02/2012
Plan de estudio
Primer ao | Primer Cuatrimestre
Clculo
Nancy Stanecka - Patricia Bertolotto
Carga horaria: 40 hs.
Breve descripcin
Este curso tiene por objetivo capacitar al candidato en los conceptos del anlisis matemtico como base
para la comprensin de la teora estadstica. Presenta los fundamentos de la teora de funciones reales y
continuidad, desarrolla los conceptos de lmite, derivacin e integracin.
Contenidos mnimos
Funciones reales. Tipos de funciones. Lmite y continuidad. Funciones de varias variables. Derivacin e
Integracin a una y varias variables. Sucesiones infinitas y series infinitas. Funciones logartmicas y
exponenciales.
Bibliografa:
Spivak, M. (1996). Clculo Infinitesimal. Editorial Revert. Segunda Edicin.
Lang, I. S. (1976). Clculo. Fondo Educativo Interamericano.
Vers, L. y Carral, F. (1989). Clculo. Editorial Interamericana.
Larson, Hostetler y Edwards (1999). Clculo (Volumen II). Mc. Graw Hill. Sexta Edicin.
Williamson, R. Cromwell, R. Trotter, H. (1968).Calculus of Vector Functions. Prentice Hall, 3rd. Edition.
lgebra Lineal
Mgter. Mnica Bocco
Breve descripcin:
La asignatura tiene como propsito fundamental profundizar el aprendizaje de conceptos y tcnicas propias
del lgebra matricial, sistemas de ecuaciones lineales y espacios vectoriales con el fin de afianzar
aspectos tericos y prcticos, con un enfoque direccionado a las aplicaciones estadsticas.
En el curso se aborda el conocimiento y manejo de conceptos, metodologas e instrumentos propios del
lgebra, necesarios para la comprensin y el tratamiento de temas estadsticos. Se pretende adems,
contribuir a homogeneizar el uso de conceptos algebraicos en profesionales provenientes de distinta
formacin universitaria.
Contenidos mnimos:
Matrices y Sistemas de Ecuaciones: Ecuaciones lineales: sistemas y soluciones; lgebra matricial,
Operaciones bsicas entre matrices; Distintos tipos de matrices, Matrices elementales; Particin de una
matriz, Factorizacin LU; Determinantes, Propiedades.
Espacios vectoriales: Vectores, Producto escalar y vectorial. Proyecciones; Espacio vectorial: definicin
y propiedades; Subespacios; Independencia lineal. Bases y dimensiones; Rango y nulidad; Matriz de
correlacin y problemas de mnimos cuadrados; Subespacios y matrices ortogonales; Proceso de
ortogonalizacin de Gram-Schmidt. Factorizacin QR.
Transformaciones Lineales: Aplicaciones lineales: definicin y propiedades; Ncleo e imagen. Isomorfismo;
Representacin matricial. Cambio de base; Transformaciones ortogonales.
Descomposicin de matrices: Diagonalizacin. Autovalores y autovectores; Matrices Hermitianas. Matrices
definidas positivas y negativas; Descomposicin en valores singulares; Pseudoinversa de una matriz.
Pgina 4 de 15 | 15/02/2012
Moore-Penrose.
Bibliografa:
Bsica:
Leon, S. J. (2005). Linear lgebra with applications. 7. Edition. Prentice Hall, Inc. 544pp.
Strang, G. (2005) Linear algebra and its applications, 4 Edition. Ed. Thomson. 496 pp.
Grossman, S. I. (1996) lgebra lineal con aplicaciones. Mc Graw Hill. 623 pp.
Pea, D. (2002) Anlisis de datos multivariantes. Ed. Mc Graw Hill. 529 pp.
De ampliacin:
Gentle, J.E. (2007). Matrix Algebra: Theory, Computations, and Applications in Statistics. Ed. Springer.
528 pp
Kunze, R. y Hoffman,K. (1992) lgebra lineal. Ed, Prentice Hall. 400 pp.
Lang, S. (2004) Algebra lineal, Ed. Springer. 296 pp.
Rao, C.R. (2002) Linear Statistical Inference and Its Applications. 2 Edition. John Wiley & Sons, Inc.
656 pp
Seber, G.A.F. (2007). A Matrix Handbook for Statisticians. Wiley, 559 pp.
Introduccin a las Probabilidades
Dr. Jos Ral Martnez
Breve descripcin
Presenta los fundamentos de la teora de probabilidades analizando fenmenos aleatorios bsicos. Se
desarrollan los elementos y conceptos preliminares de la teora de probabilidades construyendo
herramientas matemticas indispensables para la formulacin de la problemtica estadstica. Se
enfatizarn los fundamentos empricos que originan los conceptos matemticos estimulando al estudiante en
la formulacin probabilstica de problemas.
Contenidos mnimos
Modelos determinsticos y aleatorios. Espacio de probabilidad: espacio muestral, familia de eventos,
medida de probabilidad. Espacios muestrales finitos. Espacios equiprobables: elementos del anlisis
combinatorio. Probabilidad condicional. Ley de probabilidad total y teorema de Bayes. Independencia
estocstica. Variables aleatorias discretas y continuas: casos importantes. Esperanza, varianza,
covarianza y correlacin. Esperanza y varianza condicional: prediccin. Teoremas lmite. Desigualdad de
Chebyshev. Ley de los grandes nmeros. Tipos de convergencia. Teorema Central del Lmite. Aplicaciones.
Determinacin emprica de probabilidades: concepto de simulacin y mtodo de Montecarlo.
Bibliografa:
Gut, Allan (2007). Probability: A Graduate Course (Springers Texts in Statistics).
Gut, Allan (1995). An Intermediate Course in Probability (Springers Texts in Statistics).
Hoel, P., Port, S. and Stone, C. (1971). Introduction to Probability Theory (Norton).
James, Barry (1981). Probabilidade: um Curso em nvel intermedirio. IMPA, Brasil.
Ross, Sheldon (2006). A First Course in Probability. Prentice Hall.
Ross, Sheldon (2007). A Second Course in Probability. Probability Bookstore, Boston.
Introduccin al Anlisis Estadstico
Mgter. Patricia Caro - Mgter. Fernando Garca
Pgina 5 de 15 | 15/02/2012
Breve descripcin
Se presenta un enfoque intuitivo de la estadstica descriptiva e inferencial, enfatizando en la necesidad
de comprender la naturaleza de los fenmenos aleatorios. Se trata tambin de aprender a organizar la
informacin para un tratamiento estadstico, teniendo en cuenta los diferentes tipos de datos y las
herramientas manuales e informticas disponibles para la presentacin de esos datos. Luego se realiza una
resea de los procedimientos bsicos de la inferencia estadstica, con aplicaciones sencillas,
finalizando con una presentacin esquemtica de los mtodos para el anlisis exploratorio de
observaciones multivariadas.
Contenidos mnimos
Distribuciones de variables aleatorias continuas y discretas. Anlisis exploratorio, visualizacin y
resumen de datos. Muestreo. Estimacin y pruebas de hiptesis. Regresin lineal simple y mltiple.
Anlisis de la varianza. Tablas de contingencia. Introduccin a los mtodos exploratorios con datos
multivariantes.
Bibliografa:
Pea, Daniel (2001). Fundamentos de Estadstica. Alianza Editorial, Madrid.
Berenson, Levine y Krehbiel (2001). Estadstica para Administracin. Prentice Hall.
Canavos, G. (1995). Probabilidad y Estadstica: Aplicaciones y Mtodos. Mc Graw Hill.
Meyer, Y. (1993). Probabilidad y Aplicaciones Estadsticas. Fondo Educativo Interamericano.
InfoStat. Manual del Usuario
Bcue Bertaut, Mnica Manual de introduccin a los mtodos factoriales y clasificacin con SPAD- t-
Server dEstadstica Universitat Autonoma de Barcelona http:www.einstein.uab.es/_c_serv_estadistica/
Manuals/manualSPAD.pdf
Taller de Software I (Tutorial)
Dr. Carlos Walter Robledo
Primer ao | Segundo Cuatrimestre
Teora Estadstica I
Mgter. Valeria Rulloni - Dra. Silvia Ojeda
Breve descripcin
Desarrolla los fundamentos de la inferencia estadstica en los modelos paramtricos, presentando mtodos
de estimacin puntual y estudiando las propiedades de los estimadores. Se estudia el comportamiento
asinttico y de muestras finitas de los estimadores.
Contenidos mnimos
Poblacin y muestra. Problemas de estimacin puntual. Familias de distribuciones paramtricas discretas y
continuas. Distribuciones en el muestreo. Estadsticos de orden: su distribucin.
Estimacin puntual. Estimadores suficientes minimales. Estimadores insesgados. Estimadores insesgados de
mnima varianza. Estimadores de mnimos cuadrados y de mxima verosimilitud (EMV). Propiedades. Ejemplos.
Teora asinttica. Convergencia. Varianza asinttica. Informacin. Eficiencia asinttica de los
estimadores de mxima verosimilitud. Teorema Central de Lmite Multivariado. Versin multiparamtrica del
teorema de normalidad asinttica para EMV. Matriz de varianza asinttica en el caso normal y multinomial.
Mtodo delta para el clculo de varianzas asintticas. Cmputo de estimadores de mxima verosimilitud:
mtodo de Newton-Raphson y algoritmo EM.
Pgina 6 de 15 | 15/02/2012
Estimacin por intervalo. Regiones de confianza de nivel exacto. Mtodos pivotal y general. Regiones de
confianza de nivel asinttico. Intervalos asintticos basados en estimadores de mxima verosimilitud.
Bibliografa:
Bickel, P. and Doksum, K. (1977). Mathematical Statistics Basics Ideas and Selected Topics. Prentice
Hall.
Boente, G. y Yohai, V. (2006). Notas de Estadstica. Available a http:/www.dm.ua.ar/materias/estadistica
Canavos, G. (1998). Probabilidad y Estadstica Aplicaciones y Mtodos. McGraw Hill. Interamericana de
Mxico.
Knight, Keith (1999). Mathematical Statistics (Texts in Statistical Science). Chapman and Hall / CRC.
Mukhopadhyay, N. (2000). Probability and Statistical Inference. Statistics Textbooks and Monographs, v
162
Rice, J. (1995). Mathematical Statistics and Data Analysis. Duxburry Press.
Wasserman, Larry (2004) All of Statistics: A Concise Course in Statiscal Inference. Springer.
Modelos Lineales
Msc. Julio Di Rienzo - Mgter. Margot Tablada
Carga horaria:
50 hs.
Breve descripcin
Se estudian procedimientos de estimacin y pruebas de hiptesis para modelos estadsticos lineales
balanceados y no balanceados, tanto para modelos de rango completo, como incompleto. Se presentan y
desarrollan los fundamentos y propiedades estadsticas de distintas formulaciones del modelo lineal. Se
introducen aspectos de modelos lineales mixtos y de su estimacin por mxima verosimilitud y mxima
verosimilitud restringida.
Contenidos mnimos
Modelos Lineales de Rango Completo. Modelos Lineales de Rango Incompleto. Estimacin e Inferencia.
Modelos de Covarianza. Modelo Lineal Mixto.
Bibliografa:
Graybill, F.A. (2000). Theory and Application of the Linear Model. Duxbury Press
Searle S.R. (1997). Linear Models. John Wiley & Sons, Inc.
Johnson R.A. and Wichern D.W. (1992). Applied Multivariate Statistical Analysis. Third Edition. Prentice
Hall.
Timm, N.H. (2002). Applied Multivariate Analysis. Springer.
Stapleton J.H. (1995). Linear Statistical Models. Wiley & Sons, Inc.
Hocking R.R. (1996). Methods and Applications of Linear Models: Regression and the Analysis of Variance.
Wiley & Sons, Inc.
Diseo y Anlisis de Experimentos
Msc. Julio Di Rienzo
Breve descripcin
Pgina 7 de 15 | 15/02/2012
Se desarrollan conceptos fundamentales del diseo experimental: aleatorizacin, repeticiones, estructura
de unidades experimentales y estructuras de tratamiento basadas en cruzamiento y anidamiento de factores.
Se entrena en la aplicacin de modelos de REGRESIN y de ANOVA para diseos experimentales, teniendo como
eje el Modelo Lineal Clsico y el Modelo Lineal Mixto. Tambin se propicia un tratamiento sistemtico
para el anlisis de datos categorizados, mediante tablas de contingencia y estadsticos de asociacin.
Contenidos mnimos
Principio del diseo de estudios observacionales y experimentales. Ajuste de modelos de regresin
mediante modelos lineales y modelos lineales mixtos. Diagnstico. Ajuste de modelos de ANOVA bajo
distintas estructuras de unidades experimentales y de tratamientos mediante modelos lineales y modelos
lineales mixtos. Criterios para evaluacin del ajuste. Datos categorizados. Diseo de muestreo y tablas
de contingencia. Estadsticos de asociacin en tablas de contingencia de dos y tres vas.
Bibliografa:
Agresti, A. (2002). Categorical Data Analysis. John Wiley & Sons, Inc., Hoboken, New Jersey.
Montgomery, D.C. (1991). Diseo y Anlisis de Experimentos. Grupo Editorial Iberoamericana, Tercera
edicin.
Schabenberger, O y Piere, F.J. (2002). Contemporary Statistical Models for the Plant and Soil Sciences.
Ed. Taylor & Francis.
Kuehl, R. (2001). Diseo de Experimentos. Thomson Internacional, Segunda edicin.
Quinn, G.P. y Keough, M.J. (2002). Experimental Design and Data Analysis for Biologist. Cambridge
University Press, U.K.
Draper, N y Smith, H. (1998). Applied Regresin Analysis. Third Edition. J. Wiley & Sons, Inc., N.Y., 705
pp.
Wooldridge, J.M. (2001). Introduccin a la Econometra. Thompson Learning.
Taller de Software II
Breve descripcin
Se espera que el alumno adquiera destreza en el uso de paquetes computacionales que son indispensables
para el anlisis estadstico de datos y para la implementacin y desarrollo de la metodologa
estadstica.
Segundo ao | Primer Cuatrimestre
Proyecto de Anlisis de Datos I (Tutorial)
Mgter. Laura Gonzlez - Dr. Carlos Walter Robledo
Contenidos mnimos:
Se pretende que el alumno desarrolle proyectos de anlisis de datos en el marco de cursos tomados en la
Carrera de Maestra. El propsito es que el alumno lleve adelante el anlisis de conjuntos de datos,
haciendo uso de metodologas aprendidas en el contexto de las materias en cuestin, y bajo la
supervisin de los profesores de los cursos respectivos. Se espera que el alumno desarrolle criterios de
independencia y capacidad critica para la resolucin de esos proyectos, para la implementacin de la
metodologa correspondiente y para la obtencin de conclusiones. Los proyectos desarrollados debern
devolverse en informes escritos que sern correspondientes evaluados.
Pgina 8 de 15 | 15/02/2012
Teora Estadstica II
Dr. Jorge Adrover
Breve descripcin
Se continan con los fundamentos tericos de la inferencia estadstica en los modelos estadsticos
paramtricos (iniciados en Teora Estadstica I), profundizando en el problema de regiones de confianza y
los tests de hiptesis. El nfasis est en los modelos estadsticos paramtricos, pero se presentan
nociones de problemas de inferencia en modelos no paramtricos.
Contenidos mnimos
Inferencia estadstica paramtrica. Evaluacin de intervalos de confianza: longitud e insesgamiento.
Intervalos de confianza uniformemente ms eficaces. Banda de confianza para la funcin de distribucin.
Intervalos de confianza para diferencia de medias de poblaciones normales. Nocin de bootstrap e
intervalos de confianza.
Tests de hiptesis. Hiptesis nula y alternativa. Hiptesis simples y compuestas. Tests determinsticos y
aleatorizados. Nivel y funcin potencia. Tests uniformemente ms potentes. Teora de Neyman-Pearson.
Familias de cociente de verosimilitud montono. Tests uniformemente ms potentes para hiptesis
unilaterales y bilaterales, en el caso de familias normales con varianza desconocidaza. Tests de
independencia. Test de store, test de Wald y test de razn de verosimilitud. Potencia y potencia local.
Comparaciones mltiples.
Inferencia estadstica no paramtrica. Problemas de una muestra: test del signo y test de rangos signados
de Wilcoxon. Problemas de dos muestras: test de Kolmogorov-Smirnov y test de Mann-Whitney-Wilcoxon.
Bibliografa:
Bickel, P. and Doksum, K. (1977). Mathematical Statistics Basics Ideas and Selected Topics. Prentice
Hall.
Boente, G. y Yohai, V. (2006). Notas de Estadstica. Available a http:/www.dm.ua.ar/materias/estadistica
Canavos, G. (1998). Probabilidad y Estadstica Aplicaciones y Mtodos. McGraw Hill. Interamericana de
Mxico.
Hollander, M and Wolfe, D. (1990). Nonparametric Statistical Methods. John Wiley and Sons, New York.
Knight, Keith (1999). Mathematical Statistics (Texts in Statistical Science). Chapman and Hall / CRC.
Mukhopadhyay, N. (2000). Probability and Statistical Inference. Statistics Textbooks and Monographs, v
162
Rice, J. (1995). Mathematical Statistics and Data Analisis. Duxburry Press.
Wasserman, Larry (2004). All of Statistics: A Concise Course in Statiscal Inference. Springer.
Anlisis Multivariado
Dra. Margarita Daz - Mgter. Mara Ins Stmolo
Breve descripcin
En este curso se ensean procedimientos para analizar, representar y resumir informacin cualitativa
multidimensional. Se introduce la base terica del anlisis multivariado y se desarrollan los principales
mtodos respecto a su aplicacin en la prctica del anlisis de datos multivariados. Se ilustran
aplicaciones con bases de datos reales enfatizando la capacitacin en la aplicacin de mtodos de
anlisis multivariado y en la interpretacin y representacin grfica de resultados.
Pgina 9 de 15 | 15/02/2012
Contenidos mnimos
lgebra matricial y vectores aleatorios. Geometra muestral. Distribucin Normal Multivariada. Inferencia
sobre medias multivariadas para varias poblaciones. Anlisis de la estructura de covarianza: Componentes
Principales, Anlisis Factorial, Correlacin Cannica. Clasificacin Supervisada: Mtodos paramtricos
basados en Normalidad. Discriminacin Logstica.
Bibliografa:
Johnson, R.A. y Wichern, D.W. (1992). Applied Multivariate Statistical Analysis, (3ra. ed.), New York,
Prentice-Hall.
Pea, Daniel (2002). Anlisis de datos multivariantes. Madrid, Mc Graw Hill
Anderson, T.W. (1984). An Introduction to Multivariate Statistical Analysis, (2da ed.), New York, Wiley.
Dillon, W., Goldstein, M. (1984). Multivariate Analysis, New York, Wiley.
Hand, D.J. (1997). Construction and Assesment of Classification Rules, Wiley.
Mardia, K.V., Kent, J.T. y Bibby, J.M. (1979). Multivariate Analysis, New York, Academic Press.
Mc Lachan, G.J. (1992). Discriminant Analysis and Statistical Pattern Recognition, Wiley.
Seber,G.A.F. (1984). Multivariate Observations. New Cork, Wiley.
Modelos Lineales Generalizados
Dra. Mara del Pilar Daz
Breve descripcin
Presenta la teora que extiende el tratamiento de los modelos de Gauss-Markov a una familia ms amplia,
unificando un gran nmero de modelos estadsticos clsicos. Se presentan los modelos naturales o patrones
para distintos tipos de datos relacionados principalmente a proporciones y conteos. Desarrolla los
algoritmos de estimacin y generaliza el anlisis de la varianza a travs de desvos apropiados.
Construye las tcnicas de diagnsticos para cada componente del modelo presentado. Aborda tpicos
especficos sobre la construccin de modelos generalizados en las Ciencias Sociales y Naturales.
Contenidos mnimos
Familia Exponencial uniparamtrica. Propiedades de estimadores. Procesos de ajuste de modelos. El modelo
lineal generalizado. Componentes del modelo. Mtodos de estimacin. Procesos de inferencia. Medidas de
bondad de ajuste. Tipos de residuos. Modelos para datos continuos con varianza constante. Modelo de
Regresin Logstica para datos binarios y politmicos. Modelos log-lineales. Superdispersin.
Bibliografa:
Agresti, A. (1996). An Introduction to Categorical Data Analysis. John Wiley and Sons, New York.
Collet, D. (1991). Modelling Binary Data. Chapman and Hall, London.
Cordeiro, G.M. (1986). Modelos Lineales Generalizados. VII SINAPE. Campinas (SP), Brasil.
Daz, M.P.; Demtrio, C.G.B. (1998). Introduccin a los Modelos Lineales Generalizados: Su Aplicacin en
las Ciencias Biolgicas. Screen Edit.
Dobson, A.J. (1990). An Introduction to Generalized Linear Models. Chapman & Hall.
Fahrmeir, L.; Tutz, G. (2001). Multivariate Statistical Modelling Based on Generalized
Linear Models. 2nd. Edition. Springer Verlag, New York.
Heagerty, P.J.; Zeger, S.L. (1996). Marginal Regression Models for Clustered Ordinal
Measurements. Journal of the American Statistical Association, 91, 1024-1036.
Liang, K.Y.; Zeger, S.L. (1986). Longitudinal Data Analysis Using Generalized Linear
Models. Biometrika, 73, 13-22
Lindsey, J.K. (1997). Applying Generalized Linear Models. Springer Verlag.
Pgina 10 de 15 | 15/02/2012
McCullagh, P.; Nelder, J.A. (1989). Generalized Linear Models. 2nd. ed. Chapman &
Hall, London.
Nelder, J.A.; Wedderburn, R.W.M. (1972). Generalized Linear Models. Journal of the
Royal Statistics Society, A, 135, 370-384.
Paula, G.A. (2004). Modelos de Regressao: com apoio computacional. IME (USP), Brasil.
Modelos Estadsticos Avanzados
Dr. Carlos Walter Robledo - Mgter. Laura Gonzlez
Breve descripcin
Presenta aproximaciones metodolgicas para el anlisis de datos correlacionados en el tiempo y/o en el
espacio a travs de modelos para variables aleatorias cuantitativas, tanto continuas como discretas. Se
abordan casos de estudio desde los modelos lineales clsicos hasta los modelos lineales generalizados
mixtos. El curso resume estrategias para el ajuste y la evaluacin de una amplia gama de modelos
estadsticos.
Contenidos mnimos
Datos longitudinales. Correlaciones inducidas y directas en modelos mixtos. Familias de modelos. Modelos
marginales basados en verosimilitud. Ecuaciones de estimacin generalizada. Otros mtodos de estimacin.
Modelos no lineales con datos agrupados. Modelos estadsticos para datos espaciales.
Bibliografa:
Molenberghs, G. and Verbeke, G. (2006). Models for Discrete Longitudinal Data. Springer Series in
Statistics. Springer Science + Business Media, LLC.
Scabenberger, O. and Gotway, C. (2005). Statistical Methods for Spatial Data Anlisis. Text in
Statistical Sciece. Chapman Hall. CRC.
Littell R. C, Milliken A. G, Stroup W. W, Wolfinger R. D, Schabenberger O (2006). SAS for Mixed Models,
Second Edition. SAS Institute Inc., Cary, NC, USA. SAS
Segundo ao | Segundo Cuatrimestre
Optativa I (presencial)
Optativa II (presencial)
Proyecto de Anlisis de Datos II (Tutorial)
Breve descripcin
Consultora Estadstica y Prctica Profesional (Tutorial)
Carga horaria:
Pgina 11 de 15 | 15/02/2012
60 hs
Breve descripcin
La consultora es una actividad integral en el trabajo de un estadstico. El taller pretende entrenar
estudiantes de posgrado en Estadstica Aplicada en la actividad de Consultoria, para promover el
desarrollo de habilidades y destrezas en la consultora estadstica. Representa otra instancia del
proceso de enseanza/aprendizaje, ya que adems de poner en prctica relaciones interpersonales propias
de la consultora estadstica, se involucran contenidos especficos para la resolucin de un problema,
asociado a un proceso de medicin y a un conjunto de datos de inters; para respuestas a un problema
real, planteado por un consultante.
Contenidos mnimos
Tipos de consultantes y consultores. Tipos de asistencia que un consultor estadstico provee. La consulta
como un trabajo. Comunicacin y relaciones interpersonales en el trabajo interdisciplinario. Educacin en
los principios del pensamiento bajo incertidumbre. Fortalezas y debilidades de la perspectiva estadstica
en casos reales.
Bibliografa:
Bangdiwala, S. I. (2001). Training of statisticians worldwide to collaborate as co-investigators within
country clinical epidemiology units: The experience of the Internacional Clinical Epidemiology Network
(INCLEN). In Batanero, C. (Ed). Training researchers in the use of statistics (pp. 265-275). Granada:
Internacional Association for Statistical Education and Internacional Statistiscal Institute.
Belli, G. (2000). The teaching of statistical consulting skills. Paper presented at the Meetings of the
American Educational Research Association, New Orlens.
Derr, J. (2000). Statistical Consulting. A guide to effective communication. Duxbury Press, NY.
Svensson, E. (2001). Important considerations for optimal communication between statisticians and medical
researchers in consulting, teaching and collaborative research,
With focus on the analysis or ordered categorical data. In Batanero, C. (Ed) Training Researchers in the
Use of Statistics (pp 325-338). Internacional Association for Statistical Education and Internacional
Statistical Institute. Printed in Granada, Espaa.
Muestreo
Breve descripcin
Esta asignatura intentar transmitir conocimientos acerca de mtodos prcticos de muestreo con una idea
clara de su fundamento terico. La orientacin estar dirigida a las Ciencias Sociales aunque se fuera
necesario se incluirn temas especficos relacionados con las Ciencias Biolgicas.
Contenidos mnimos
Conceptos bsicos en planes de muestreo. Muestreo aleatorio simple. Muestreo estratificado. Muestreo
sistemtico. Muestreo por conglomerado. Muestreo polietpico. Sesgos ajenos al muestreo. Aplicaciones en
investigaciones sociales y econmicas.
Bibliografa:
Cochran, W.G. (1977) Sampling Techniques, 3rd Edition Wiley, New York.
Kish, Leslie (1995) Survey Sampling, Wiley
Sarndal, Carl Erik, Swensson, Bengt and Wretman, Jan (1992). Model Assisted Survey Sampling. Springer,
Series in Statistics.
Thompson, M. E. (1997). Theory of Sample Surveys. Chapman & Hall.
Pgina 12 de 15 | 15/02/2012
Modelos Lineales Generalizados Mixtos y Latentes
Breve descripcin
Este curso aborda metodologa estadstica referida a las variables latentes; incluyendo situaciones en
donde las verdaderas variables son medidas con error, categorizacin de variables continuas, clases
latentes, esquemas jerrquicos de variabilidad no observada. La modelacin de las variables latentes
puede ser vista como un anlisis de sensibilidad de un anlisis mas simple que no incluye las variables
latentes. Tendr como contenido principal el estudio de los modelos lineales generalizados mixtos,
modelos generalizados multilevel.
Bibliografa:
Rabe-Hesketh, S. and Skrondal, A. (2008), Multilevel and Longitudinal modeling using Stata. STata Press,
Stata Corporation, College Station, TX, USA.
Rabe-Hesketh, S. and Skrondal, A. (2004) Generalized latent variable modeling. Multilevel, Longitudinal
and structural equations models. Chapman & Hall/CRC, Boca Raton, Florida, USA.
Rabe-Hesketh, S., Pickles, A. and Skrondal, A.GLLAMM Manual. U.C. Berkeley Division of Biostatistics
Working Paper Series. Working Paper 160. Download: http://www.bepress.com/ucbbiostat/paper160/
Tercer ao | Primer Cuatrimestre
Series de Tiempo
Dr. Fernando Ferrero
Breve descripcin
Se introduce el estudio de los procesos estocsticos. En primera instancia se revisar la teora
asinttica necesaria, para luego abordar el modelado de series de tiempo estacionarias y no
estacionarias, univariadas y multivariadas. Se abordar el estudio de aplicaciones de modelado de series
de tiempo observadas en el campo de la Economa, de la Climatologa, la Biologa, las Ciencias
Agropecuarias y las Ciencias Sociales.
Contenidos mnimos
Procesos estocsticos continuos y discretos: ruido blanco, procesos gaussianos, procesos de Poisson,
movimiento browniano. Procesos estocsticos estacionarios: sentido fuerte y dbil. Teorema funcional
central del lmite. Distribuciones asociadas a los movimientos brownianos. Modelos ARMA: identificacin,
estimacin (mnimos cuadrados, mxima verosimilitud completa y condicional), validacin. Pruebas de
hiptesis de estacionariedad (KPSS) y no estacionariedad (Dickey-Fuller y Phillips-Perron). Modelos no
estacionarios: ARIMA y de Correccin del Error. Construccin de pronsticos y evaluacin de la capacidad
predictiva de modelos de prediccin.
Bibliografa:
Anderson, T.W. (1971). The Analysis of Time Series, John Wiley, New York.
Box, G.E.P. Jenkins, G.M. (1994). Time Series Analysis, Forecasting and Control, 3rd Edition, Prentice
Hall.
Brockwell, P., Davis, R.A. (1987). Time Series: Theory and Methods, Springer-Verlag.
Chatfield, C. (1989). The Analysis of Time Series: An Introduction, Chapman and Hall, 4th Ed.
Fuller, W.A. (1995). Introduction to Statistical Time Series,2nd Edition, Wiley-Interscience.
Granger, D.W.J.;Newbold, P. (1986) Forecasting Economic Time Series, Academic Press, 2nd Edition.
Pgina 13 de 15 | 15/02/2012
Hamilton, J.D. (1994).Time Series Analysis, Princeton University Press.
Leiva, R. (1995) Introduccin al anlisis de series de tiempo, F.C.E. de la U.N.Cuyo.
Leiva, R., Gei, G. (1998). Matemtica para el anlisis de series de tiempo, Serie cuadernos Nro. 94,
F.C.Econmicas de la U.N. de Cuyo.
Mood, M., Graybill, F., Boes, D. (1976). Introduction to the Theory of Statistics, McGraw Hill.
Wei, W.W.S. (1989). Time Serie Analysis: Univariate and Multivariate Methods, Addison Wesley.
Econometra
Dr. Jos Luis Arrufat Mrquez
Breve descripcin
El listado de tpicos seleccionados para esta materia tiene como objetivo familiarizar al participante
con los mtodos de estimacin de uso frecuente en los modelos multiecuacionales, simultneamente con el
desarrollo de habilidades para la modelizacin de los fenmenos econmicos tanto a nivel micro como
macroeconmico. El nfasis recae en los modelos multivariados por ser stos los ms apropiados para
receptar las cualidades de interdependencia de las variables dependientes en el enfoque sistmico de la
economa.
Contenidos mnimos
El modelo de regresin lineal multivariado; estimacin puntual y el test de hiptesis de las matrices de
parmetros; prediccin; teora muestral subyacente y distribuciones asociadas (Wishart y T2 de
Hoetteling); distribuciones asintticas; heterocedasticidad; multicolinealidad; autocorrelacin;
variables rezagadas y artificiales; forma estructural y reducida del modelo; identificacin de relaciones
estructurales; mtodos de estimacin de las formas estructurales y reducida: variales instrumentales;
mnimos cuadrados indirectos; de segunda y tercera etapa; de informacin limitada; mnima razn de
varianzas; mxima verosimilitud con informacin completa; estimadores de k-clase.
Bibliografa:
Arrufat, JL and A. Zabalza (1986), Female Labour Supply, Random Preferences and Optimization Errors,
Econometrica, Vol 54, No. 1, January, pgs. 47 63.
Berndt, Ernst R. (1991), The Practice of Econometrics, Addison Wesley, Reading, Massachusetts.
Blundell, Richard and Mnica Costa Dias (2000), Evaluation Methods for Non-Experimental Data, Fiscal
Studies, Vol 21, no. 4, pgs. 427 - 468.
Ham, J.C. (1982), Estimation of a Labour Supply Model with Censoring due to Unemployment and
Underemployment, Review of Economic Studies, Vol. 49.
Heckman, J. (2000), Bank of Swedens Economic Prize in Memory of Alfred Nobel, Microdata, Heterogeneity
and the Evaluation of Public Policy. Disponible en archivo pdf en: nobelprize.org.
Maddala, G.S. (1996), Introduccin a la Econometra Segunda Edicin, Prentice-Hall, Mxico.
Maddala, G.S. (1983). Limited-Dependent and Qualitative Variables in Econometrics. Cambridge University
Press, New York.
McFadden, Daniel L. (2000), Bank of Swedens Economic Prize in Memory of Alfred Nobel, Economic Choices.
Disponible en archivo pdf en: nobelprize.org.
Ortzar Salas, Juan de Dios (2000), Modelos economtricos de eleccin discreta, Ediciones Universidad
Catlica de Chile, Santiago.
Prez Lpez, Csar (2006), Problemas Resueltos de Econometra, Thomson, Madrid.
Stock, James H. and Mark W. Watson (2003), Introduction to Econometrics, Addison Wesley, Boston.
Pgina 14 de 15 | 15/02/2012
Wooldridge, Jeffrey M. (2006), Introduccin a la econometra Un enfoque moderno, Thomson Paraninfo,
Madrid.
Wolldridge, Jeffrey M. (2002), Econometric analysis of cross section and panel data. MIT Press,
Cambridge.
Estadstica no Paramtrica
Dr. Jos Ral Martnez
Breve descripcin
Se estudian, desde la teora y los supuestos que hacen vlida su aplicacin, los mtodos estadsticos de
distribucin libre. Se desarrollan destrezas para la aplicacin eficiente de alternativas no paramtricas
en situaciones donde la inferencia estadstica se ve limitada.
Contenidos mnimos
Principios generales de los mtodos no paramtricos y de distribucin libre. Inferencia estadstica no
paramtrica: una y k poblaciones, parmetros de posicin, dispersin y forma, muestras independientes y
relacionadas, tendencias.
Bibliografa:
Hollander, M and Wolfe, D. (1990). Nonparametric Statistical Methods. John Wiley and Sons, New York.
Lehmann, Erich. (2006). Non parametric Statistics, based on ranks. Springer.
Conover, W.J. (1980). Practical Non parametric Statistics. Segunda Edicin. Wiley.
Pgina 15 de 15 | 15/02/2012

Maestria-10 Completa

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Maestria-10 Completa

Cargado por

Copyright:

Formatos disponibles

Maestra en Estadstica Aplicada

También podría gustarte