Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PROGRAMA DE POSGRADO:
Junio de 2007
ndice
Contenido
No.
Pg.
1)
Denominacin de programa
2)
3)
4)
10
15
7)
18
8)
18
9)
18
10)
Estructura curricular.
18
11)
21
12)
22
13)
22
14)
22
15)
23
16)
23
17)
25
18)
25
19)
25
20)
25
21)
Financiamiento e inversin.
26
22)
26
23)
26
24)
27
Contenidos programticos.
27
Primer semestre.
Segundo semestre.
Tercer semestre.
Cuarto semestre.
1.
2.
3.
4.
Caractersticas econmicas
El desarrollo econmico del estado de Guerrero se caracteriza por la concentracin de sus
actividades en el sector servicios, en particular, en los servicios ligados al turismo como los
servicios de hospedaje y preparacin de alimentos. Geogrficamente, se concentran en los dos
destinos de playa, Acapulco e Ixtapa-Zihuatanejo y un tercer destino turstico la ciudad
colonial y productora de plata, Taxco. La crisis del campo mexicano combinada con el auge
de la actividad turstica en la entidad propicia que en pocas dcadas el estado transite de
productor del campo a un estado cuya economa se basa en el sector servicios, y con una
industria incipiente. Lo que se muestra con los siguientes indicadores.
La contribucin de la actividad econmica del estado de Guerrero al Producto Interno Bruto
(PIB) del pas, en el ao 2002, es del 1.80 %. Desagregando esta participacin en los sectores
primario, industria y servicios, los porcentajes son 2.8 %, 1.0 % y 2.0 % respectivamente. En
trminos comparativos, el estado se encuentra en el lugar nmero 15 por su contribucin al
PIB nacional, siendo el de mayor participacin el Distrito Federal con 23.2 % y el de menor
participacin Tlaxcala con 0.5 %; Guerrero tiene mayor participacin econmica que sus
vecinos del sur, Oaxaca (1.5%) y Chiapas (1.7%). La participacin de Guerrero por sector en
el contexto nacional, ocupa los lugares nmero 17, 26 y 15 respectivamente. En el sector
industrial su participacin es mnima, estando los estados vecinos por arriba, Oaxaca ocupa el
lugar 21 con 1.5% y Chiapas el lugar 18 con un 1.7% de participacin al PIB del sector
industrial nacional.
La conformacin del PIB para el estado de Guerrero por sector, son 6.1 % para el primario,
15.9 % para el industrial y 78.0 % para servicios; los porcentajes correspondientes para la
economa nacional por sector, son 3.9 %, 26.5 % y 69.6 % respectivamente, es decir, la
estructura econmica del estado de Guerrero est por abajo del porcentaje nacional en el caso
del sector industrial y por encima en el sector de servicios.
Caractersticas educativas.
Para el ciclo escolar 2003-2004, segn cifras del Cuarto informe de Gobierno Federal , en la
educacin bsica, que comprende preescolar, primaria y secundaria, existen en el pas 205,479
escuelas, mientras que en el estado de Guerrero 9,841 que representa 4.79 % del total; en
cuanto a los alumnos las cantidades son de 24304,000 en el pas y 896,000 en el estado
representando 3.69 %; en cuanto a los profesores el dato nacional es de 1060,143 y para el
estado 43,219 que representa 4.08 %.
Para el ao 2000, la poblacin alfabeta con 15 aos y ms representa el 78.4 % y la analfabeta
21.6 %. La poblacin cuyas edades se encuentran entre 6 y 14 aos es 723,229, de los cuales
88.4 % asisten a la escuela y 11.6 % no lo hacen, es decir 83,895 nios o nias en edad escolar
no asisten a la escuela; del total existen 366,035 nios y 357,194 nias cuyos porcentajes de
asistencia a la escuela son de 88.7 % y 81.1 %, es decir, 11.3 % de nios no asisten a la
escuela y 18.9 % de las nias no asisten a la escuela.
El promedio de escolaridad para la poblacin de 15 y ms aos para el pas es 7.3 aos,
distribuida por sexo, 7.6% para hombres y 7.1% para mujeres. Para el caso del estado de
Guerrero, el promedio de escolaridad es 6 aos y 6.4% para hombres y 5.7% para mujeres.
Los estados que tienen un promedio de escolaridad inferior al de Guerrero, son los estados de
Michoacn con un 6.1, Oaxaca con 5.6 y Chiapas con 5.3 aos.
Los niveles de desercin escolar para el pas, en la educacin primaria y secundaria son de 1.8
% y 7.9 % respectivamente, para el caso de Guerrero estos indicadores son de 3.1 % y 11.1%
respectivamente. El nico estado que tiene un ndice de desercin escolar en la educacin
primaria mayor al de Guerrero es el estado de Chiapas, con 3.4 %. En el caso de la educacin
secundaria, Guerrero junto con Michoacn, tienen el ms alto nivel de desercin escolar con
11.1 %, en el pas.
La educacin superior en el estado de Guerrero, segn cifras del IV informe del Gobierno
Federal sobre el ciclo 2003-2004, en el pas existen 4, 568 escuelas de educacin superior y en
el estado de Guerrero estn 114 escuelas lo que representa un 2.5 %; en cuanto a la matricula,
2323,000 estudiantes de los cuales en el estado existen 53,000 lo que representa 2.28 %; en lo
que corresponde a los profesores para el pas existen 239,887 en tanto en el estado 3,948 lo
que representa el 1.65 % del total.
Segn datos del Programa Integral de Fortalecimiento Institucional en el ao 2000, la
matricula en la enseanza superior existente en la Universidad Autnoma de Guerrero
Estadstica Es una parte de la educacin general deseable para los futuros ciudadanos adultos,
es decir, es un componente de la cultura bsica en nuestra sociedad2. O sea, la Estadstica, es
ahora, materia cultural en la formacin de todo individuo. La necesidad de cuantificar cada
aspecto en su desempeo profesional implica el uso de datos cuantitativos y del razonamiento
basado en ellos. Aprender a travs de los datos es fundamental si queremos adaptarnos a la
nueva era de la informacin.
Partiendo de la concepcin de la Estadstica, dada anteriormente, se requiere de un programa
de posgrado que tenga las siguientes caractersticas fundamentales: Se parte del supuesto de
que el conocimiento de un rea de estudio va de lo conocido a lo desconocido, de lo simple a
lo complejo y de lo emprico a lo terico. En la formacin de un experto en estadstica se debe
tomar en cuenta estos aspectos. Se debe mostrar la relacin entre las condiciones y demandas
de las situaciones concretas en el trabajo (la prctica o lo emprico) con las necesidades de
sistematizacin del conocimiento (la teora), puesto que ser ms significativa para el
estudiante si la teora cobra sentido a partir de la prctica; es decir, si los conocimientos
tericos se abordan en funcin de las condiciones concretas del trabajo y si se pueden
identificar como situaciones originales.
5.
10
Propsitos de la educacin:
Promover una formacin de calidad, expresada en trminos de competencia para resolver
problemas de la realidad. Articular las necesidades de formacin del individuo con las
necesidades del mundo del trabajo. Promover el desarrollo de la creatividad, la iniciativa y la
capacidad para la toma de decisiones. Integrar la teora y la prctica, el trabajo manual y el
trabajo intelectual. Promover el desarrollo de competencias consideradas desde una visin
holstica, tanto en trminos genricos como especficos. Promover cambios en lo que los
individuos saben y en el uso que pueden hacer de lo que saben. Promover la autonoma del
individuo. Promover la capacitacin continua y alterna.
Evaluacin:
Parte de una concepcin de evaluacin integral que considera elementos generales y
particulares. Las unidades de competencia se desglosan en indicadores o criterios de
desempeo. Los indicadores o criterios de desempeo remiten a los criterios de evaluacin. Se
modifican las prcticas de la evaluacin (sin descartar algunas formas tradicionales)
hacindolas ms congruentes y exigentes.
Aprendizaje:
Demanda una formacin integral centrada en el aprendizaje. Diversifica las posibilidades de
aprendizaje. Reconoce a la prctica como recurso para consolidar lo que se sabe, para poner en
accin lo que se sabe y para aprender ms. Reconoce al individuo como capaz de autodirigir y
organizar su aprendizaje. Reconoce distintas vas para aprender y, por tanto, que el aula no es
el nico lugar de aprendizaje. Los aprendizajes (competencias genricas y especficas) se
deben aplicar en situaciones y problemas distintos (transferibilidad). Enfatiza la prctica real
como base de la teora. Requiere de procesos activos y reflexivos. Integrar el aprendizaje a las
condiciones reales de trabajo. Identificar o construir condiciones de aplicacin ms reales (por
ejemplo, diferentes ejercicios de simulacin, talleres, trabajos de campo, prcticas de
laboratorio, ensayos, tesis, tareas de microenseanza, etctera). Alternar momentos de
confrontacin entre situaciones reales con momentos de sistematizacin del conocimiento o
teora. Priorizar estrategias didcticas en las que los estudiantes jueguen un papel activo, que
les permita descubrir y construir conocimiento por s mismos. Identificar posibles niveles de
11
12
Cognoscitivas (saber).
Que el estudiante conozca y comprenda los fundamentos de su rea de concentracin.
Que el estudiante conozca las principales tcnicas de su rea de concentracin.
Que el alumno conozca el software correspondiente a su rea de concentracin.
13
c) Objetivos.
Objetivo general.
Formar profesionales de la estadstica con grado de maestro, con una slida formacin en la
inferencia estadstica y en los principales mtodos estadsticos, con los conocimientos,
habilidades, capacidades y destrezas para aplicarlos en las diversas disciplinas; y le posibilite
el estudio de los nuevos mtodos estadsticos.
Los objetivos especficos del programa de la maestra son:
Desarrollar en los diferentes profesionales las competencias que le posibiliten la aplicacin de
la estadstica en los campos disciplinarios de su formacin original:
14
d) Metas.
El programa tiene como metas en el mediano plazo:
1) Lograr que al menos el 50% de los estudiantes, por generacin, obtengan el grado en
menos dos convenios de vinculacin con dependencias pblicas para contar con bases
de datos que faciliten las aplicaciones.
6.
15
Un experto en Estadstica debe tener las siguientes cualidades: Tener capacidades de carcter
cuantitativo con vistas a resolver problemas prcticos. El gusto por las matemticas y
cmputo. Le guste estar aprendiendo constantemente cosas nuevas y aceptar el desafo de
resolver problemas nuevos. Sentido comn, pensamiento lateral y de investigador, habilidad
para comunicarse.
Lo fundamental es que un estadstico debe ser capaz de formular un problema real en trminos
estadsticos, dar asesora sobre la manera eficiente de recolectar los datos, analizar los datos en
forma efectiva extrayendo el mximo de informacin e interpretar y reportar los resultados.
Se considera que es primordial ensear los mtodos estadsticos complejos, pero que es ms
importante su desarrollo clarificando los principios tericos de la probabilidad y la estadstica
en que se fundamentan. Esto le permitir al estudiante convertirse en un analista que
seleccione los mtodos ms apropiados, validando los supuestos e interpretando los resultados.
Se reconoce que el estadstico necesita conocer suficientemente la teora para asegurar que sus
procedimientos posean un fundamento firme.
Considerando las caractersticas generales del profesional de la Estadstica se establecen los
perfiles de ingreso y egreso de los estudiantes del posgrado.
Perfil de ingreso
El aspirante a ingresar a la Maestra en Estadstica Aplicada, deber mostrar los siguientes
conocimientos, habilidades, actitudes y valores.
Conocimientos bsicos en:
a) lgebra
b) Cmputo
c) Idioma ingls.
Habilidades:
a)
b)
c)
d)
En el manejo de datos.
Para la solucin de problemas prcticos.
De expresin oral y escrita.
Para el trabajo en equipo.
16
Actitudes y valores:
a)
b)
c)
d)
Perfil de egreso.
El egresado de la Maestra en Estadstica Aplicada deber tener los conocimientos,
habilidades, actitudes y valores siguientes.
Conocimientos en:
a)
b)
c)
d)
e)
Matemtica bsica.
Probabilidad.
Inferencia estadstica
Mtodos y tcnicas estadsticas bsicas.
Mtodos y tcnicas estadsticas de su especialidad
Habilidades para:
a) Aplicar los principios generales de la Estadstica en la solucin prctica de
problemas concretos dentro del contexto de su desempeo profesional.
b) Aplicar la metodologa estadstica de manera novedosa y adecuada a la solucin de
problemas en diferentes reas de estudio.
c) Realizar consultoras y asesoras a los sectores sociales y productivos, as como a
las instituciones de investigacin pblicas y privadas.
d) Apoyar en el diseo de planes y programas estudio que tengan que ver con
contenidos estadsticos necesarios en el proceso de ensear y aprender estadstica en
los diferentes niveles educativos.
e) Analizar e interpretar los datos en forma sensible.
Actitudes y valores:
a) Para escuchar y entender problemas estadsticos de otras disciplinas.
b) De adaptacin a los distintos contextos del trabajo profesional.
17
7.
8.
9.
Se requiere que los aspirantes a ingresar al posgrado demuestren el conocimiento del idioma
ingls al nivel de traduccin y comprensin de textos del rea de matemticas y estadstica as
como, demostrar conocimientos bsicos de computacin y del software de propsitos
generales.
18
ETAPA I
ETAPA II
ETAPA III
Competencias Bsicas
Competencias Genricas
Competencias Especficas
(Formacin preliminar)
(Formacin bsica)
(Especializacin)
Unidades de aprendizaje:
Unidades de aprendizaje:
reas de concentracin:
1. Matemticas ( Clculo y
lgebra lineal)
1. Inferencia Estadstica.
2. Mtodos Estadsticos.
2. Muestreo Estadstico I
3. Tcnicas Multivariantes.
3. Probabilidad
Las tres etapas de la formacin del estudiante se desglosan en las unidades de aprendizaje,
cuya distribucin en los cuatro semestres es la siguiente:
Semestre I
Semestre II
Semestre III
Semestre IV
Matemticas
Inferencia estadstica
Optativa I
Optativa IV
Probabilidad
Muestreo estadstico I
Optativa II
Optativa V
Mtodos estadsticos
Tcnicas multivariantes
Optativa III
Cada semestre el estudiante presentar un Producto de Desempeo, los cuales tienen como
objetivo que al concluir el cuarto semestre sea su trabajo de tesis. Este producto ser
supervisado por el Comit Tutoral del estudiante. (Este trabajo es equivalente a los seminarios
de tesis, que tradicionalmente se ofrecen en diversos programas de estudio).
19
La distribucin de las horas de teora, horas prcticas y crditos por unidades de aprendizaje
es la siguiente.
Crditos
Horas
Clave
Semestre
MEA11
I
I
I
II
II
II
III
III
III
IV
IV
MEA12
MEA13
MEA21
MEA22
MEA23
MEA31
MEA32
MEA33
MEA41
MEA42
Unidades de aprendizaje
Matemticas
Probabilidad
Mtodos Estadsticos
Inferencia Estadstica
Muestreo Estadstico I
Tcnicas Multivariantes
Optativa I
Optativa II
Optativa III
Optativa IV
Optativa V
Trabajo de tesis
T o t a l e s
22
55
5
5
5
5
5
5
5
5
5
5
5
20
75
20
21
22
24
Dos laboratorios de cmputo con equipo y software suficiente para las prcticas estudiantiles.
Diez cubculos equipados para los docentes.
Dos bibliotecas con la bibliografa suficiente.
Conexin a Internet para docentes y estudiantes.
Un laboratorio de estadstica.
26
27
UNIDADES DE COMPETENCIA
28
Primer semestre.
a) Unidad de competencias bsicas (Formacin preliminar).
Unidades de aprendizaje:
Mtodos estadsticos.
Probabilidad.
b) Objetivos.
Objetivo general.
El estudiante conocer y har operacional las bases tericas de la estadstica y ser capaz
de operar sus principales tcnicas.
Objetivos especficos.
1. El estudiante conocer las bases matemticas de la estadstica y ser capaz de operar
sus principales conceptos.
2. El estudiante conocer las bases probabilsticas de la estadstica y ser capaz de
reconocer su importancia en la inferencia estadstica.
3. El estudiante conocer las tcnicas estadstica bsicas de la descripcin y exploracin
de datos y las aplicar a un conjunto de datos.
4. El estudiante ser capaz de operar el software bsico para el manejo de datos.
c) Criterios y evidencias de evaluacin.
Producto de desempeo del semestre:
Dada una base de datos por parte de los docentes, el estudiante entregar un reporte por escrito
con las siguientes caractersticas:
a) Descripcin de los objetivos del anlisis.
b) Anlisis grfico.
c) Anlisis descriptivo y exploratorio.
d) Conclusiones del anlisis descriptivo y exploratorio.
29
30
Actitudinales (Ser):
Desarrollo del razonamiento lgico en los estudiantes.
Fomentar en los estudiantes su capacidad de anlisis.
Fomentar la capacidad de lectura en los estudiantes.
Promover el trabajo colectivo en los estudiantes.
Objetivo general:
El estudiante conocer, comprender y operar los conceptos fundamentales del
clculo diferencial e integral as como los del lgebra lineal que son la base matemtica
de la probabilidad e inferencia estadstica.
Objetivos especficos:
El estudiante conocer y comprender las propiedades de los nmeros reales y
funciones de variables reales as como identificar sus elementos ms importantes.
El estudiante conocer y comprender los conceptos y definiciones bsicas del
clculo diferencial, y ser capaz de realizar la parte operativa de dichos
conceptos.
El alumno conocer y comprender los conceptos y definiciones del clculo
integral, y ser capaz de calcular la integral de una funcin de variable real.
El estudiante conocer los conceptos y definiciones bsicos del lgebra lineal y
ser capaz de manipular estos conceptos.
Temtica:
1.- Elementos de clculo diferencial e integral.
1.1. Los nmeros reales.
Los nmeros reales y sus subconjuntos.
Las desigualdades y sus propiedades.
1.2. Las funciones reales.
Concepto y definicin de funcin.
Operaciones con funciones.
Representacin grfica de las funciones elementales
1.3. Lmite de funciones reales.
Concepto del lmite de una funcin real
Propiedades de los lmites de funciones reales.
Clculo de lmites de funciones reales
1.4. Derivadas de funciones reales.
31
Complementaria:
1) Spivak, M. (1992). Calculus. Clculo infinitesimal. Espaa: Revert.
2) Hoffman, K. y Kunze, R. (1973). lgebra lineal. Espaa: Prentice/Hall
Internacional.
.
Distribucin del trabajo de los alumnos.
Clases tericas:
50%
32
Clases prcticas:
Prcticas de laboratorio:
Otras actividades:
20%
20%
20%
Evaluacin:
Examen terico-prctico: 60%
Trabajos desarrollados: 20%
Prcticas de laboratorio: 20%
Otras: _________________________
33
34
Objetivos especficos:
El estudiante conocer y comprender los conceptos y definiciones de variable
aleatoria, funcin de densidad, funcin de distribucin y esperanza matemtica y
ser capaz de aplicarlos a experimentos aleatorios particulares
El alumno conocer las funciones de densidad de una variable aleatoria ms
comunes, y ser capaz de identificarlas
El estudiante conocer el concepto y definicin de funciones de distribucin
conjunta, de distribucin condicional, de distribucin marginal; y la esperanza,
esperanza condicional e independencia de variables aleatorias en un espacio kdimensional. El estudiante ser capaz de manipular estos conceptos.
El estudiante conocer los mtodos para determinar la esperanza y la funcin de
distribucin de funciones de variables aleatorias y el estudiante ser capaz de
aplicarlos a casos particulares
Temtica:
1.- Introduccin a la probabilidad.
1.1 Distintos enfoques de la probabilidad
1.2 Definicin de la funcin de probabilidad
1.3 Propiedades de la funcin de probabilidad
1.4 Tcnicas de conteo.
1.5 Probabilidad condicional e independencia
2.- Funciones de distribucin y densidad.
2.1 Definicin de variable aleatoria.
2.2 Funciones de densidad de variables aleatorias discretas.
2.3 Funciones de densidad de variables aleatorias continuas.
2.4 Esperanza matemtica.
3. Distribuciones de probabilidad univariadas especiales.
3.1 Distribuciones de probabilidad de variables aleatorias discretas.
3.2 Distribuciones de probabilidad de variables aleatorias continuas
4. Distribuciones de probabilidad de varias variables aleatorias.
4.1 Funcin de distribucin conjunta.
4.2 Distribucin condicional e independencia estocstica.
4.3 Esperanza
5. Distribuciones de funciones de variables aleatorias
5.1 Esperanza de funciones de variables aleatorias.
5.2 Tcnicas para determinar la distribucin conjunta
5.3 Teorema de la transformacin integral de la probabilidad
Bibliografa.
35
Bsica:
1) Mood, A.M., Graybill, F.A. y Boes, D.C. (1974): Introduction to the Theory of
Statistics. USA: McGraw Hill.
2) Hogg, R. V. y Craig, A. T. (1970). Introduction to mathematical statistics.
London: The Macmillan Company.
3) Casella, G. And Berger, R. L. (1990). Statistical Inference. California, USA:
Duxburg Press.
Complementaria:
1) Feller, W. (1968). An Introduction to Probability Theory and Its Applications,
Vol. I, 2da ed., New York, USA: John Wiley & Sons.
2) Gnedenko, B. V. (1978). The Theory of Probability. Moscu: Mir Publishers.
Distribucin del trabajo de los alumnos.
Clases tericas:
50%
Clases prcticas:
20%
Prcticas de laboratorio:
20%
Otras actividades:
20%
Evaluacin:
Examen terico-prctico: 60%
Trabajos desarrollados: 20%
Prcticas de laboratorio: 20%.
Otras: _________________________
36
Optativa: ____________
Clave
Horas teora
Horas prctica
Total de horas
Crditos
MEA13
rea de formacin:
___ X___ Preliminar
_____ Bsica
_____ Especializacin
Conocimientos previos:
Matemticas: Elementos del lgebra bsica.
Probabilidad: Conceptos elementales.
Competencias.
Cognitivas(Saber):
El estudiante conozca, comprenda y aplique los conceptos bsicos de la
estadstica descriptiva.
El estudiante conozca, comprenda y aplique los conceptos bsicos de la
probabilidad dando nfasis en los eventos independientes y el teorema de Bayes.
El estudiante conozca, comprenda y aplique el concepto de distribucin de
probabilidad de variable aleatoria discreta y continua.
El estudiante conozca, comprenda y aplique los conceptos bsicos de la
inferencia estadstica.
El estudiante conozca, comprenda y aplique los conceptos bsicos de la
estimacin.
El estudiante conozca, comprenda y aplique los conceptos bsicos de la prueba
de hiptesis
Procedimentales/Instrumentales (Saber hacer):
El estudiante podr realizar un anlisis descriptivo, tanto numrico como grfico,
de datos. El anlisis se har en dos fases, primero un anlisis univariado y
despus el anlisis bivariado. Ambos tipos de anlisis se efectuarn dependiendo
del tipo de variable o del nivel de medicin de los datos.
El anlisis descriptivo se har usando un programa estadstico (Se recomienda el
SPSS)
37
38
Temtica:
1. Anlisis descriptivo de datos.
1.1. Conceptos de estadstica y su clasificacin.
1.2. Anlisis descriptivo numrico univariado
1.2.1. Medidas de tendencia central
1.2.2. Medidas de dispersin
1.2.3. Medidas de posicin
1.3. Anlisis descriptivo grfico univariado
1.3.1. Grfica de puntos
1.3.2. Grfica cajas y alambres
1.3.3. Histograma de frecuencias
1.3.4. Grfica de sectores (pastel), etc.
1.4. Anlisis descriptivo bivariado
1.4.1. Coeficiente de correlacin y grfica dispersin
1.4.2. Coeficiente de contingencia y anlisis de una tabla de contingencia
1.4.3. Diagramas de cajas y alambres agrupadas.
2. Introduccin a la probabilidad.
2.1. Enfoques de la probabilidad
2.2. Axiomas y propiedades de la probabilidad
2.3. Probabilidad condicional e independencia de eventos
2.4. Teorema de Bayes.
2.5. Variables aleatorias y distribuciones de probabilidad
2.5.1. Distribuciones de probabilidad con nombre propio discretas
2.5.2. Distribuciones de probabilidad con nombre propio continuas
3. Distribuciones muestrales
3.1. Conceptos bsicos: muestra aleatoria, distribucin muestral de probabilidad,
poblacin, parmetros y estadsticos.
3.2. Distribucin muestral para la media con varianza conocida y desconocida.
3.3. Distribucin muestral de la diferencia entre dos medias con varianzas conocidas y
desconocidas.
3.4. Distribucin muestral de la proporcin.
3.5. Distribucin muestral de la diferencia de dos proporciones.
3.6. Teorema del lmite central.
39
Bsica:
1) Batacharya & Johnson. (1978). Statistical Methods: Conceptual approach.
Complementaria:
1) Walpole y Myers. (2004). Probabilidad y estadstica. Mc. Graw-Hill. r, W.
(1968).
2) 5. Montgomery y Peck. (2006). Probabilidad y estadstica. Mc. Graw-Hill.
Clases tericas:
50%
40
Clases prcticas:
20%
Prcticas de laboratorio:
20%
Otras actividades:
20%
Evaluacin:
Otras: _________________________
41
Segundo semestre.
a) Unidad de competencias genricas (Formacin bsica).
Unidades de aprendizaje:
Inferencia estadstica.
Muestreo estadstico I.
Anlisis multivariado.
b) Objetivos
Objetivo general.
El estudiante conocer los fundamentos tericos de los principales mtodos estadsticos y ser
capaz de aplicarlos a las distintas reas.
Objetivos especficos:
1. El estudiante conocer los conceptos fundamentales de la inferencia estadstica y ser
capaz de aplicarlos a los mtodos bsicos de muestreo y modelacin estadstica.
2. El estudiante conocer los mtodos fundamentales del muestreo estadstico y ser
capaz de realizar un ejercicio completo de muestreo.
3. El estudiante conocer las tcnicas multivariantes bsicas.
42
43
Temtica:
1.- Introduccin a la Inferencia Estadstica.
1.1. Objetivos de la Inferencia Estadstica
1.2. Inferencia Estadstica: Conceptos bsicos
2.- Distribuciones muestrales.
2.1. Estadsticos muestrales
2.2. Propiedades asintticas de los momentos muestrales
2.3. Distribuciones de muestreo asociadas a la distribucin normal
2.4. Estadsticos de orden
3. Estimacin puntual.
3.1. Mtodos para encontrar estimadores
3.1.1 Mtodo de momentos
3.1.2 Mtodo de mxima verosimilitud
3.1.3 Mtodo de Bayes
3.2. Propiedades de los estimadores
3.3. Criterios de comparacin de estimadores
3.3.1 Error cuadrtico medio
3.3.2 Estimadores insesgados
3.3.3 Suficiencia e insesgadez
44
45
Complementaria:
1) Canavos, G. (1984). Applied Probability and Statistical Methods. New York,
USA: McGraw Hill.
2) Kreyzig, E. (1985). Introductory Mathematical Statistics. New York, USA:
John Wiley and Sons.
3) De Groot, M. (1970). Optimal Statistical Decision. New York, USA: John
Wiley and Sons.
4) Wilks, S. (1962). Mathematical Statistics. New York, USA: John Wiley and
Sons.
46
47
Objetivo general:
El estudiante conocer y comprender los principios del muestreo probabilstico para
muestras no complejas de poblaciones finitas bajo el enfoque basado en diseo.
Objetivos especficos:
El estudiante conocer y comprender los conceptos bsicos de muestreo y ser
capaz de aplicarlos al anlisis de informacin obtenida en los medios de
comunicacin o propia.
El alumno conocer los principales esquemas de muestreo probabilsticos no
complejos con el fin de estimar medias, totales y proporciones poblacionales.
Adems, ser capaz de planificar y analizar encuestas por muestreo usando estos
esquemas de muestreo.
El alumno conocer los principales estimadores que hacen uso de informacin
auxiliar y ser capaz de planificar y analizar encuestas por muestreo usando
estos estimadores.
Temtica:
1.- Conceptos Bsicos de Muestreo
1.1 Poblacin, marco muestral, censo, muestra, parmetros, estimadores.
1.2 Sesgo, Error Cuadrtico Medio,
1.3 Errores no debidos al muestreo.
1.4 Probabilidades de inclusin de primer y segundo orden, factores de expansin.
1.5 El estimador de Horvitz-Thompson, su varianza estimada y sus propiedades.
1.6 Planeacin y ejecucin de las encuestas por muestreo.
1.7 Mtodos y algoritmos de seleccin de una muestra (Bernoulli, Poisson, etc.)
2.- Esquemas de muestreo no complejos
2.1 Muestreo Aleatorio Simple Sin Reemplazo. Estimadores para la Media,.Total y
Proporcin, su varianza estimada, sus propiedades y determinacin de tamao de
muestra.
2.2 Muestreo Estratificado. Estimadores para la Media,.Total y Proporcin, su varianza
estimada, sus propiedades, determinacin de tamao de muestra y asignacin de la
muestra a los estratos.
2.3 Muestreo por conglomerados en una y dos etapas. Estimadores para la Media,.Total
y Proporcin, su varianza estimada, sus propiedades, determinacin de tamao de
muestra.
2.4 Muestreo con probabilidad proporcional al tamao.
48
Bsica:
1) Lhor, S. L. (2000), Muestreo: Diseo y Anlisis. Mxico: International
Thompson Editores.
2) Till, Y. (2005), Teora de Muestreo.
3) Raj, D. (1968), Sampling Theory. New York, USA: McGraw-Hill.
4) Scheaffer, R.L., Mendenhall, W. y Ott, L. (1987), Elementos de Muestreo.
Mxico: Grupo Editorial Iberoamericano,
Complementaria:
1) Sarndal, C. E., B. Swensson y J. Wretman (1992). Model Assisted Survey
Sampling. New York, USA: Springer-Verlag.
2) Tille, Y. (2006) Sampling Algorithms. New York, USA: Springer-Verlag.
3) Cochran, W.G. (1963), Sampling Techniques. New York, USA: John Wiley &
Sons.
Distribucin del trabajo de los alumnos.
Clases tericas:
50%
Clases prcticas:
20%
Prcticas de laboratorio:
20%
Otras actividades:
20%
Evaluacin:
Examen terico-prctico: ___60 %____
Trabajos desarrollados: _____20 %____
Trabajo final: ____20%____.
Otras: _________________________
49
50
Objetivo general:
El estudiante conocer y comprender los fundamentos de las tcnicas de anlisis
multivariado y los aplicar a la solucin de problemas concretos.
Objetivos especficos:
El estudiante conocer distintos aspectos del desarrollo de los mtodos
multivariados.
Se realizarn operaciones con matrices, inversa de una matriz, diagonalizacin
de matrices, transformaciones lineales, valores y vectores propios de matrices.
Dada una distribucin multidimensional, estimar el vector de medias y la matriz
de varianzas y covarianzas.
A partir de la matriz de varianzas y covarianzas definir la matriz de
correlaciones.
Formular un problema que pueda ser abordado mediante el anlisis multivariado
de varianza.
Incorporar a una base de datos de un paquete estadsticos los datos del
problema, por ejemplo puede ser utilizado el paquete estadstico SAS o S-Plus y
ejecutar la rutina de anlisis e interpretacin de resultados.
Resolver ejercicio en forma manual sobre componentes principales.
Resolver ejercicio en forma manual sobre correlacin cannica.
Resolver ejercicio en forma manual sobre las distintas tcnicas de anlisis
factorial discriminante paramtricas y no paramtricas.
Resolver ejercicio en forma manual sobre modelos log-lineales en tablas de
contingencia
51
52
Bsica:
1) Grim, L. y Yarnold, P.R. (1994). Reading and understanding multivariate
statistics. Washington D.C: American Psycological Association.
2) Hair, J., Anderson, R., Tatham, R. Y Black, W. (1999). Anlisis Multivariante.
5 Edicin. Mxico: Prentice Hall.
3) Martnez, R. (2000). El Anlisis Multivariante en la Investigacin Cientfica.
Cuadernos de Estadstica. Madrid, Espaa: Editorial La Muralla
4) Everitt, B. And, Dunn, G. (1991). Applied Multivariate Data Analysis. London:
Edward Arnold.
5) Sharma, S. (1998). Applied Multivariate Techiques. New York, USA: John
Wiley and Sons.
53
Complementaria:
1) Uriel, E. (1995). Anlisis de Datos: Series temporales y Anlisis Multivariante.
54
Tercer semestre.
a) Unidad de competencias especficas (Especializacin)
reas de concentracin:
b) Objetivos.
Objetivo general.
Conocer las bases tericas y metodolgicas de un rea de especializacin y ser capaz de
aplicarlos en las distintas disciplinas.
Objetivos especficos.
1. El estudiante conocer los conceptos bsicos de la teora de los modelos lineales.
2. El estudiante conocer las bases tericas y metodolgicas de su rea de
especializacin.
3. El estudiante conocer el software correspondiente a su rea de especializacin y sabr
55
Cuarto semestre.
a) Unidad de competencias especficas (Especializacin)
reas de concentracin:
Estadstica en las ciencias mdicas y de la vida.
Estadstica en los negocios, economa y ciencias sociales.
Estadsticas en las ciencias fsicas e ingeniera.
Estadstica en la educacin.
Estadstica matemtica.
b) Objetivos.
Objetivo general.
El estudiante profundizar en el conocimiento de las bases tericas y metodolgicas de su rea
de especializacin y ser capaz de aplicarlos en su trabajo de tesis de grado.
Objetivos especficos.
1. El estudiante ser capaz de aplicar los conocimientos obtenidos de su rea de
especializacin, en su trabajo de tesis de grado.
2. El estudiante conocer o en su caso desarrollar el software requerido para la
realizacin de una aplicacin de su rea de especializacin.
56
57
58
Objetivos especficos:
El estudiante utilizar, de forma sistemtica, las tcnicas principales para disear
experimentos.
El alumno analizar estadsticamente los datos obtenidos en experimentos
diseados.
El estudiante redactar informes para la toma de decisiones en funcin de una
serie de datos obtenidos a travs de las tcnicas del diseo de experimentos.
Temtica:
1. Introduccin
1.1 Datos, variables y procesos aleatorios
1.2 Principios bsicos del diseo de experimentos
1.3 Escala de medicin
1.4 Comparacin de dos muestras
1.4.1 Comparacin de medias en grupos independientes
1.4.1 Comparacin de dos grupos con respuestas categricas
2. Experimentos con un solo factor
2.1 Modelos de una va de clasificacin para la comparacin de mltiples medias
2.2 Comparacin para un par de medias
2.3 Comparaciones mltiples
2.4 Anlisis de varianza del rango en el diseo completamente aleatorizado
3. Experimentos con mas de una va de clasificacin
3.1 Diseo de bloques al azar
3.2 Diseo de cuadrado latino
3.3 Diseo de cuadrado grecolatino
3.4 Anlisis de varianza del rango en el diseo de bloques al azar
4. Experimentos factoriales
4.1 Definiciones elementales y principios
4.2 Experimentos de dos factores
4.3 Diseo de tres factores
4.4 Diseo factoriales 2k
5. Metodologa de superficie de respuesta
5.1 Introduccin a la metodologa de superficies de respuesta (RSM)
5.2 Mnimos cuadrados en RSM
5.3 Optimizacin de modelos de primer orden
59
Complementaria:
1) Scheffe, H. (1959). Analysis of Variance. New York, USA: John Wiley &
Sons.
2) Fisher, A. (1971). Design of experiments. New York, USA: Hafner.
3) Cochran, G. (1997). Diseos experimentales. 3era. Reimpresin. Mxico:
Trillas.
4) Myers, R. and Montgomery, D. (2002). Response Surface Methodology, 2a ed.
John Wiley.
5) Montgomery, D. C. (1997). Design and analysis of experiments, 5ta. Ed. : John
Wiley.
60
61
Bsica:
1) Agresti, A. (2002), Categorical data Analysis, 2 edition, Wiley-Interscience
2) Kleinbaum, D.G. (2002). Logistic Regression. New York, USA: Springer
Verlang
th
3) Rosner, B. (2006), Fundamentals of Biostatistics, 6 edition, Harvard
Univesity: Plus-Kent Publishing Company.
4) Selvin, S. (1996). Stadistical Analysis of Epidemiology data. Oxford University
Press.
5) Magurran, A. E (2004). Measuring biological diversity, Oxford: Blackwell
Publishing
Complementaria:
1) Freenan, D. (1987). Applied categorical data analisys. New York, USA: Marcel
Dekker
2) Pielou, E. (1977) Mathematical Ecology, New York, USA: Wiley.
63
Evaluacin
Examen terico-prctico: ___60%_____
Trabajos desarrollados: ____30%____
Prcticas de laboratorio: ____10%____
Otras: ________
64
65
Objetivo general:
El estudiante conocer y comprender los mtodos de muestreo para modelos lineales y
reas pequeas en muestras complejas de poblaciones finitas bajo los enfoques basado
en diseo y basado en modelo.
Objetivos especficos:
El estudiante conocer y comprender los conceptos de muestreo para modelos
de regresin lineal y mtodos de estimacin e inferencia en muestras complejas.
El estudiante conocer y comprender los conceptos de muestreo para reas
pequeas en muestras complejas de poblaciones finitas bajo los enfoques
basado en diseo y basado en modelo y ser capaz de aplicarlos al anlisis de
informacin.
El estudiante conocer y comprender los mtodos realizar inferencia en
presencia de no respuesta y ser capaz de aplicarlos al anlisis de informacin.
Temtica:
1. Muestreo Complejo
1.1. Factores de expansin
1.2. Efecto de diseo
2. Estimacin para modelos de regresin lineal
2.1. Estimadores en modelos de regresin lineal en muestras complejas
2.2. Inferencia en modelos de regresin lineal en muestras complejas
3. Estimacin de la varianza en anlisis de muestras complejas
3.1. Mtodo de linealizacin
3.2. Estimacin de la varianza por Replicas Repetidas Balanceadas
3.3. Estimacin de la varianza por Jackknife
3.4. Estimacin de la varianza por Bootstrap
4. Estimacin para reas pequeas
4.1. Estimacin directa
4.2. Estimacin indirecta
4.3. Modelos para reas pequeas
5. Inferencia en presencia de no-respuesta
5.1. Tipos de no-respuesta
5.2. Mtodos para incrementar el porcentaje de respuesta
5.3. Reponderacin
5.3. Estimacin en presencia de no-respuesta
5.4. Mtodos de imputacin
66
Bibliografa.
Bsica:
1) Lehtonen, R and Pahkinen (2004), Practical methods for design and Analysis of
Complex Surveys. New York, USA: John Wiley & Sons.
Complementaria:
1) Sarndal, C. E., B. Swensson & J. Wretman (1992). Model Assisted Survey
Sampling. New York, USA: Springer-Verlag.
2) Rao, J.N.K. (2003). Small area estimation. New York, USA: John Wiley &
Sons.
3) Valliant, R.L., Dorfman, A.H. y Royall, R.M. (2000). Finite population
sampling and inference: a prediction approach. New York, USA: John Wiley
& Sons.
Distribucin del trabajo de los alumnos.
Clases tericas:
50%
Clases prcticas:
20%
Prcticas de laboratorio:
20%
Otras actividades:
20%
Evaluacin:
Examen terico-prctico: ___60 %____
Trabajos desarrollados: _____20 %____
Trabajo final: ____20%____.
Otras: _________________________
67
68
Objetivo general:
El estudiante conocer y comprender los conceptos relacionados con regresin lineal
y ser capaz de utilizar el modelo en situaciones apropiadas.
Objetivos especficos:
El estudiante conocer y comprender el modelo de regresin lineal (simple y
mltiple).
El estudiante conocer y realizar los diagnsticos del modelo y tomara las
medidas correctivas apropiadas.
El estudiante conocer generalizaciones del modelo de regresin lineal como
son la regresin logstica, regresin poisson, entre otras.
El estudiante usar software estadstico (R, S-PLUS, SAS, JMP, etc.) para
realizar anlisis de modelos de regresin lineal.
Temtica:
1.
Regresin Lineal.
1.1. El modelo de Regresin Lineal y sus supuestos estadsticos.
1.2 Estimacin e Inferencia en el modelo de Regresin Lineal.
1.3 Mtodos de Seleccin de Variables.
2.
Tcnicas de Diagnstico en Regresin Lineal.
2.1. Anlisis de residuales, puntos atpicos y leverage.
2.2. Pruebas de normalidad (Shapiro-Wilks, grfica).
2.3. Heterogeneidad de varianza y su solucin mediante transformaciones o mnimos
cuadrados ponderados.
2.4. Deteccin de puntos de influencia y Estadstica Robusta.
2.5. Multicolinealidad y Mtodos de estimacin en su presencia.
3.
Generalizaciones del modelo de regresin lineal.
3.1. Modelos linealizables.
3.2. Regresin logstica.
3.3. Regresin Poisson.
3.4. Diseno de experimentos.
Bibliografa.
Bsica:
1) Faraway, J. J. (2002). Linear Models with R, Chapman & Hall
2) Montgomery, D.C., and Peck, E.A. (1992). Introduction to linear regression
analysis, New York, USA: John Wiley and Sons,.
69
Complementaria:
1) Dunn, O. J. y Clark, V. A. (1987). Applied Statistics: Analysis of Variance and
Regression, 2 edicin. New York, USA: John Wiley & Sons.
2) Hosmer, David W. (1989). Lemeshow Stancey, Applied Logistic Regression.
New York, USA: John Wiley & Sons.
3) Weisberg, S.(1985). Applied Linear Regression. New York, USA: John Wiley
and Sons.
4) Kleinbaum, D.G., Kupper,L.L., and Muller, K.E. (1998). Applied Regression
Analysis and other multivariable methods (Third edition). PWS Kent
Publishing Company.
5) Rawlings, J.O., Pantula, S.G. y Dickey, D.A. (1998). Applied regression
analysis: a research tool. (2a ed.) Springer Verlag
6) Ryan, T.P. (1997) Modern regression methods. Wiley
7) Rencher, A. (2000). Linear Models in Statistics. New York, USA: John Wiley
and Sons.
Distribucin del trabajo de los alumnos.
Clases tericas:
50%
Clases prcticas:
20%
Prcticas de laboratorio:
20%
Otras actividades:
20%
Evaluacin:
Examen terico-prctico: ___60 %____
Trabajos desarrollados: _____20 %____
Trabajo final: ____20%____.
Otras: _________________________
70
71
Actitudinales (Ser):
Fomentar en el estudiante la capacidad de anlisis de los datos.
Fomentar la capacidad de estudio individual.
Promover el trabajo colectivo en los estudiantes.
Objetivo general:
El estudiante conocer el mtodo economtrico y sabr determinar un modelo
adecuado a un fenmeno econmico concreto.
Objetivos especficos:
El estudiante conocer la relacin existente entre la teora de regresin lineal y la
economa.
El estudiante conocer y aplicar el modelo de regresin lineal simple.
El estudiante conocer y aplicar el modelo de regresin lineal mltiple.
Temtica:
1.- Modelacin economtrica.
1.1 Teora econmica y teora estadstica.
1.2 Objetivos de los modelos economtricos.
1.3 Distintos modelos
2.- Modelo de regresin simple.
2.1 Especificacin del modelo y supuestos.
2.2 Estimacin de los parmetros
2.3 Propiedades de los estimadores
2.4 Bondad de ajuste.
2.5 Intervalos de confianza y prediccin
2.6 Prueba de significancia de los parmetros.
3.- Modelo de regresin mltiple
3.1 Especificacin del modelo y supuestos.
3.2 Estimacin de los parmetros.
3.3 Propiedades de los estimadores.
3.4 Pruebas de significancia de los parmetros.
4.- Violacin de los supuestos del modelo
4.1 Multicolinealidad.
4.2 Heteroscedasticidad.
72
4.3 Autocorrelacin.
5.- Modelos de ecuaciones simultneas.
5.1 Especificacin del modelo multiecuacional.
5.2 Problema de la identificacin.
5.3 Tcnicas de estimacin del modelo
Bibliografa
Bsica:
1) Gujarati, D. (1981). Econometra Bsica. McGraw-Hill.
2) Novales, A. (1988). Econometra. McGraw-Hill.
3) Stewart, M. y Wallis, K. (1981). Introductory Econometrics. Oxford: Basil
Blackwell.
4) Kleinbaum, D., Kupper, L., Muller, K. y Nizam, A.(1998). Duxbury Press.
5) Draper, N. (1998). Applied Regression Analysis. John Wiley & Sons, Inc.
6) Wynn, R. F. y Holden, K. (1978), Introduccin al anlisis economtrico
aplicado. Editorial Ariel.
Complementaria:
1) Theil, H. (1971). Principles of Econometrics. John Wiley & Sons, Inc.
2) Malinvaud, E. (1970). Statistical Methods in Econometrics. Amsterdan NewHolland.
73
74
1. Introduccin
1.1 Definicin de Proceso Estocstico
1.2 Probabilidad condicional
1.3 Esperanza condicional
2. Cadenas de Markov en Tiempo Discreto
2.1 Definicin y Ejemplos de Cadenas de Markov
2.2 Probabilidades y Matrices de Transicin
2.3 Tiempos de Llegada
2.4 Estados Transitorios y Recurrentes
2.5 Tiempos de Ocupacin y Recurrencia
2.6 Distribuciones Estacionarias
3. Procesos con Incrementos Independientes
3.1 El Proceso Binomial
3.2 El Proceso Poisson
3.3 Procesos Gaussianos
4. Cadenas de Markov en Tiempo Continuo
4.1 Definicin
4.2 Procesos de Nacimiento Puro
4.3 Procesos de Muerte Pura
4.4 Procesos de Nacimiento y Muerte
4.5 Probabilidades de Transicin. Las Ecuaciones de Chapman-Kolmogorov
5. Colas
5.1 Definiciones
5.2 Sistemas de Espera
5.3 Formula de Little
5.4 Modelos M/M1,M/M/C,M/G/1,M/G/C
Bibliografa.
Bsica:
1) Taylor, H.M. y S. Karlin. (1984). An Introduction to Stochastic Modeling.
Academic Press
2) Cinlar, E. (1975). Introduction to Stochastic Proceses, Prentice may.
3) Hoel, P.S. Port., C. Stone. (1972). Introduction to Stochastic Processes.
75
Houghton-Miffling
Complementaria:
1) Karlin S. y H. M. Taylor (19975). A First Course in Stochastic Processes.
Academic Press
2) Euler, W. (1968) An Introduction to Probability Theory and its Applications.
Wiley
3) Gross, D. y C. Harris. (1985) Fundamentals of Queueing Theory. Wiley
4) Parzen, E. (1967). Stochastic Processes. Holden Day.
76
77
78
Complementaria:
1) Robert, C.P. (2001). The Bayesian Choice. From Decisin-Theoretic
Foundation to Computational Implementation. Springer.
2) Bernardo, J. M. y Smith, A. F. M.(1994). Bayesian Theory. John Whiley &
Sons, Ltd.
Distribucin del trabajo de los alumnos.
Clases tericas:
50%
Clases prcticas:
20%
Prcticas de laboratorio:
20%
Otras actividades:
20%
Evaluacin:
Examen terico-prctico: __60%_____
Trabajos desarrollados: ___20%_____
Prcticas de laboratorio: __20%______.
Otras: _________________________
79
Actitudinales (Ser):
Desarrollo del pensamiento cientfico.
Fomentar la capacidad de investigacin.
Promover el trabajo colectivo en los estudiantes.
Objetivo general:
El estudiante conocer y aprender habilidades para la aplicacin de tcnicas y
herramientas computacionales en la Inferencia Estadstica.
Objetivos especficos:
El alumno recordar conceptos bsicos de Probabilidad e Inferencia estadstica
Proporcionar al estudiante los principios bsicos de programacin con nfasis en
tcnicas estadsticas y simulacin
El alumno manipular diferentes programas estadsticos para el anlisis de
conjuntos de datos.
Realizar funciones y programas propios.
Temtica:
1.- Preliminares
1.1 Probabilidad.
1.2 Variables aleatorias
1.3 Esperanza y Esperanza Condicional
1.4 Funciones de distribucin
1.5 Teoremas Lmite
2. Simulacin
2.1 Nmeros pseudos-aleatorios
2.2 Mtodos de generacin de variables aleatorias. Continuas y Discretas
3. Optimizacin de ecuaciones no-lineales
3.1 Newton-Rapson
3.2 Nelder-Mean
3.3 Algoritmos genticos
81
Bibliografa
Bsica:
1) Roos, S. (1999). Simulacin. 2 edicin. Mxico: Prentice Hall.
2) Tanner, M. A.. (1993). Tools for Inference Statistical: Methods for the
Exploration of the Posteriori Distributions and Likelihood Functions. New
York, USA: Springer-Verlag.
Complementaria:
1) Lange, K. (1999). Numerical Analysis for Statisticians. New York, USA:
Springer-Verlag..
Distribucin del trabajo de los alumnos.
Clases tericas:
50%
Clases prcticas:
20%
Prcticas de laboratorio:
20%
Otras actividades:
20%
82
Evaluacin:
Examen terico-prctico: ___60 %____
Trabajos desarrollados: _____20 %____
Trabajo final: ____20%____.
Otras: _________________________
83
84
Actitudinales (Ser):
Desarrollo del pensamiento cientfico.
Fomentar la capacidad de investigacin.
Promover el trabajo colectivo en los estudiantes.
Objetivo general:
El estudiante se conocer los modelos ms importantes para el ajuste de series de
tiempo.
Objetivos especficos:
El alumno conocer y comprender los conceptos fundamentales de series de
tiempo.
El estudiante adquiera los criterios y la habilidad para realizar adecuadamente las
diferentes etapas del ajuste de una modelo de series de tiempo: (a) Identificacin,
(b) Estimacin, (c) Verificacin y (d) Prediccin.
Introducir al estudiante en el uso de paquetes estadsticos orientados al anlisis de
series de tiempo.
Temtica:
1.- Introduccin.
1.1 Definicin de series de tiempo.
1.2 Ejemplos de series de tiempo.
1.3 Objetivo de las series de tiempo.
2. Distribucin normal multivariada
2.1 Propiedades de la distribucin normal multivariada
2.2 Densidades Marginales y Condicionales.
2.3 Estimacin de parmetros.
3.- Conceptos fundamentales de series de tiempo
85
Bibliografa
Bsica:
1) Box, G. E. P. and Jenkins, G. M. (1976). Time Series Analysis: Forescasting
and Control. Revised Edition. San Francisco, USA: Holden-Day.
2) Brockwell, P. J and Davis, R. A. (2002). Introduction to Time Series and
Forescasting. Second Edition. New York, USA: Springer-Verlag
3) Pankratz, Alan (1983). Forescasting with univariate Box-Jenkins Models.
Concepts and Cases. Wiley
Complementaria:
1) Brockwell, P. J and Davis, R. A. (1991). Times Series: Theory and Methods.
87
88
Bsica
1) Castillo, A. y Ojeda, M. (1994), Principios de estadstica no paramtrica.
Veracruz, Mxico: Universidad Veracruzana.
2) Conover, W. J. (1999). Practical Nonparametric Statistics. John Wiley & Sons,
Inc.
3) Gibbons, J.D. (1971). Non parametric statistical inference, J. Wiley & Sons
4) Hollander and Wolfe (1973). Nonparametric statistical methods. New York,
USA: Jonh Wiley & Sons.
5) Kendall, M. and J.D. Gibbons. (1990). Rank correlation methods, C. Griffin.
6) Soto, H. Y. (2004). Problemas de Estadstica no Paramtrica. Tesis de
Licenciatura no Publicada, Unidad Acadmica de Matemticas-Acapulco,
Guerrero..
Complementaria
7) Lehmann, E. L. (1970). Nonparametrics statistical methods based on ranks.
Holden-Day/McGRaw-Hill.
8) Levy, K. J. y S. C. Narula. (1977). An empirical comparison of several methods
for testing the equalityof dependent proportions. Com. Stat. Simulation and
computations. Vol. 5, serie B, p 4.
9) Maracuilo, L. A. y M. McSweeney. (1977). Nonparametric and distributionfree methods for the social sciences. Brooks/Cole.
10) Randles, R. H. y D. A. Wolfe. (1979). Introduction to the theory of
nonparametric statistics. New York: USA: John Wiley.
Distribucin del trabajo de los alumnos.
Clases tericas:
50%
Clases prcticas:
20%
Prcticas de laboratorio:
20%
Otras actividades:
20%
90
Evaluacin:
Examen terico-prctico: ___40%____
Trabajos desarrollados: ____40%____
Prcticas de laboratorio: ____20%____.
Otras: _________________________
91
92
Objetivo general:
El estudiante conocer e identificar los modelos lineales, calcular los estimadores por
alguno de los mtodos y realizar la inferencia correspondiente; adems los aplicar a
datos reales.
Objetivos especficos:
El estudiante conocer e identificar los modelos lineales y sus casos
particulares.
El estudiante conocer e identificar las distribuciones de algunas formas
cuadrticas de vectores aleatorios.
El estudiante determinar los estimadores de los parmetros y aplicar los
mtodos de la inferencia estadstica a los modelos lineales de rango completo.
El estudiante calcular los estimadores de los parmetros y aplicar los mtodos
de la inferencia estadstica a los modelos de anlisis de varianza.
Temtica:
1. Introduccin a los modelos lineales
1.1 Modelos de regresin lineal
1.2 Modelos de anlisis de varianza
1.3 Modelo lineal general
2. Formas cuadrticas y sus distribuciones.
2.1 Formas cuadrticas.
2.2 Derivadas de formas cuadrticas y la esperanza de vectores y matrices
2.3 Distribuciones de algunas formas cuadrticas.
2.4 Independencia de formas cuadrticas.
3. Modelos de rango completo
3.1 Mtodos de estimacin de los parmetros.
3.2 Propiedades de los estimadores de los parmetros.
3.3 Intervalos y regiones de confianza de los parmetros.
3.4 Prueba de hiptesis
4. Modelos de rango no completo
4.1 Modelos de anlisis de varianza
4.2 Estimacin de los parmetros
4.3 Intervalos de confianza
93
Bibliografa.
Bsica:
1) Hocking, R. R. (1985). The Anlisis of Linear Models. USA: Wadsworth, Inc.
2) Searle, S. R. (1971). Linear Models. USA: Wiley & Sons, Inc.
Complementaria:
1) Scheff, H. (1959). The Anlisis of Variante. USA: John Wiley & Sons, Inc.
2) Rao, R. (1965). Linear Statistical Inference and Its Applications. USA: John
Wiley & Sons, Inc.
.
Distribucin del trabajo de los alumnos.
Clases tericas:
50%
Clases prcticas:
20%
Prcticas de laboratorio:
20%
Otras actividades:
20%
Evaluacin:
Examen terico-prctico: __60%_____
Trabajos desarrollados: ____20%_____
Prcticas de laboratorio: ____20%_____.
Otras: _________________________
94