Está en la página 1de 94

UNIVERSIDAD AUTNOMA DE GUERRERO

UNIDAD ACADMICA DE MATEMTICAS

PROGRAMA DE POSGRADO:

MAESTRA EN ESTADSTICA APLICADA

Junio de 2007

Programa: Maestra en Estadstica Aplicada.

ndice
Contenido

No.

Pg.

1)

Denominacin de programa

2)

Grado que confiere

3)

Unidad acadmica que lo imparte

4)

Fundamentacin acadmica y justificacin del programa.

4.1 Justificacin del programa.


a) Contexto socio-econmico.
b) Caractersticas del mercado laboral del profesional de la Estadstica.
4.2 Fundamentacin acadmica.
a) La importancia de la Estadstica.
b) La formacin de recursos humanos en la entidad.
5)

Competencias, objetivo general, objetivos especficos y metas.

10

a) Justificacin del modelo educativo del programa.


b) Competencias
c) Objetivos
d) Metas
6)

Perfil de ingreso y egreso.

15

7)

Duracin de los estudios de posgrado.

18

8)

Estudios previos requeridos.

18

9)

Nivel de conocimientos de un idioma extranjero.

18

10)

Estructura curricular.

18

11)

Lneas de investigacin vinculadas al programa.

21

12)

Modalidad en la que se impartir.

22

13)

Requisitos y modalidades para obtener el grado.

22

14)

Requisitos de ingreso, permanencia y egreso.

22

15)

Criterios de seleccin de los aspirantes.

23

16)

Procedimientos de seguimiento de la trayectoria escolar

23

17)

Estrategia de evaluacin del plan de estudios.

25

Programa: Maestra en Estadstica Aplicada.

18)

Procedimientos de seguimiento de egresados.

25

19)

Tabla de equivalencias respecto al plan anterior.

25

20)

Infraestructura destinada al posgrado.

25

21)

Financiamiento e inversin.

26

22)

Curriculum vital de los profesores.

26

23)

Convenios de colaboracin con otras instituciones

26

24)

Relacin de los objetivos del programa con la

27

Visin y misin institucionales.


25)

Contenidos programticos.

27

Primer semestre.
Segundo semestre.
Tercer semestre.
Cuarto semestre.

Programa: Maestra en Estadstica Aplicada.

1.

Denominacin del programa de posgrado.


MAESTRA EN ESTADSTICA APLICADA

2.

Grado que confiere.


MAESTRA

3.

Unidad Acadmica que lo imparte.


UNIDAD ACADMICA DE MATEMTICAS

4.

Fundamentacin acadmica y justificacin del programa.

4.1 Justificacin del programa.


a) Contexto socio-econmico.

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.

Programa: Maestra en Estadstica Aplicada.

La principal actividad econmica en el estado de Guerrero es la actividad turstica,


concentrndose en los destinos de playa que son Acapulco e Ixtapa-Zihuatanejo y en menor
importancia en la ciudad colonial de Taxco. En trminos de la poblacin ocupada, tambin se
refleja la estructura econmica del estado, puesto que para el ao 2000 el sector de servicios
concentra 50.6 %, el sector primario el 26.8 % y el sector industrial solamente 20.3 %. La
tendencia de la economa es a concentrar su actividad en el sector 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

Programa: Maestra en Estadstica Aplicada.

ascienda a 24,368 alumnos, distribuidos en las reas de ciencias sociales y administrativas


70.79%, en ingeniera y tecnologa 7.68%, en ciencias de la salud 10.89%, en educacin y
humanidades 2.38%, en ciencias agropecuarias 1.72% y ciencias exactas y naturales 6.54%.
En lo que se refiere al posgrado, para el ao 2000 en el pas existe una matrcula de 118, 099,
para el estado de Guerrero son 772. En la U.A.G. para el ao 2005 la mayor matrcula se
concentra en Ciencias Sociales y Administrativas con el 38.63% y con la menor el rea de
Ciencias Agropecuarias con 3.63%. Para el caso del rea de Ciencias Naturales y Exactas se
tiene un 9.88%, para el ao 2000 el dato nacional correspondiente a esta rea de conocimiento
es de 5.0%.

b) Caractersticas del mercado laboral del profesional de la Estadstica.


La Estadstica en el campo profesional.
La Estadstica permea a todos los niveles de la sociedad. En el Gobierno (estadsticas
oficiales), industria, servicios de consultora (mercadotecnia, finanzas, etc), medios de
comunicacin, academia, institutos polticos, ciudadano comn, etc. En Batanero (2004)1 se
plantea que los alumnos no slo tienen relacin con la estadstica en las aulas de clase sino en
la prensa, TV y otros medios; en los libros de texto de otras asignaturas, en la propia Internet.
Se debe aceptar la rapidez del cambio tecnolgico e implicarse en l si se quiere guiar, de
algn modo, la educacin estadstica y crear una verdadera cultura estadstica en la sociedad.
El gobierno, la industria y la sociedad hacen imprescindible a la Estadstica. Esta ha devenido
una componente central en los planes de estudio en todas las reas del conocimiento. Con la
demanda de datos, crece la necesidad de expertos que procesen, analicen e interpreten los
resultados para la toma de las decisiones ms oportunas. Sin exagerar, la Estadstica se ha
convertido en una disciplina de las ms importantes. De ella dependen, en mucho, las
investigaciones y aplicaciones de las dems ciencias.
Por otro lado, la informacin surge en contextos diferentes, de ah que los estadsticos tengan
la oportunidad de trabajar en distintos tipos de proyectos que integran equipos
interdisciplinarios: economistas, socilogos, siclogos, educadores, matemticos, mdicos,
eclogos, veterinarios, etc.
Los mtodos estadsticos se desarrollan en un contexto en particular y se usan en un amplio
rango de actividades cientficas. Por ejemplo, las tcnicas experimentales que ayudan a los
agrnomos a seleccionar una variedad apropiada de trigo, tambin asisten a los
administradores de la produccin para mejorar sus productos, y son parte fundamental para la
prueba de drogas teraputicas antes de que sean lanzadas al mercado. Mtodos estadsticos
usados para estudiar las ondas radioactivas de galaxias distantes, tambin ayudan a analizar
niveles de hormonas en la sangre, las fluctuaciones en los mercados financieros y
1

Batanero, C. (2001). Didctica de la Estadstica, Espaa: Grupo de Educacin Estadstica de la Universidad de


Granada.

Programa: Maestra en Estadstica Aplicada.

concentraciones de contaminantes atmosfricos. Los principios diseados para resolver un


problema se pueden aplicar en la solucin de otros en diferentes disciplinas. La diversidad de
aplicacin es un aspecto trascendental de esta rea de estudio, y es una de las razones que
motiva una necesidad elevada de estadsticos bien calificados.
El estadstico es capaz de entender la naturaleza de la incertidumbre y de extraer conclusiones
en el contexto de una aplicacin estadstica particular.
Las encuestas implican la coleccin de informacin de muestras cuidadosamente especificadas
extendiendo sus conclusiones hacia la poblacin entera. Las encuestas por muestreo pueden
usarse tanto para tratar de determinar qu candidato poltico es ms popular, como para
investigar que alimentos prefieren tomar los adolescentes en sus desayunos. La elaboracin de
programas de inters social, por parte del gobierno a los diferentes niveles: federal, estatal y
municipal depende de estimar ciertas caractersticas, por ejemplo, los ndices de precios al
consumidor, las tasas de desempleo, la estructura de la poblacin, etc.
En las distintas disciplinas se realiza algn tipo de inferencia estadstica. En geologa se usa el
radiocarbono para estimar el riesgo de terremotos, los investigadores biomdicos usan ensayos
clnicos para averiguar la eficacia de nuevos tratamientos, los eclogos usan instrumentos
complejos para medir la calidad del agua, y los cientficos de la conducta usan pruebas
psicolgicas para estudiar cmo tomamos nuestras decisiones cotidianas.
En la industria y los negocios, los estadsticos cuantifican lo incierto para optimizar recursos.
Pueden predecir la demanda de productos y servicios, verificar la calidad de los productos
manufacturados o administrar portafolios de inversin.
Los campos donde los estadsticos pueden tener importantes contribuciones, adems de los
mencionados, son: biologa, qumica, evaluacin de riesgos, telecomunicaciones, educacin,
economa, farmacologa, ensayos clnicos, agricultura, ciencias de la tierra, astronoma, fsica,
diseo de software, seguros, forestal, ecologa, investigacin de poblaciones, negocios, censos,
leyes, ingeniera, salud pblica, sociologa, mejoramiento de la calidad, educacin, zoologa,
gentica, geografa, encuestas, deportes, manufactura, psicologa, epidemiologa, ciencias
sociales, finanzas, confiabilidad, regulaciones gubernamentales e historia, entre otras no
mencionadas aqu.

El campo profesional del Estadstico en el estado de Guerrero.


En el estado de Guerrero la necesidad de formacin de recursos humanos en el rea de
Estadstica es enorme y diversificada. Se requiere de estadsticos profesionales en distintos
sectores y en diferentes proporciones: En sector gobierno en sus tres niveles existe una amplia
necesidad de profesionales de la Estadstica: en las delegaciones estatales de las dependencias
federales, comos son INEGI, la Secretara de Economa, Secretara de Hacienda y Crdito
Pblico, entre otras; en el gobierno estatal, principalmente, en la Secretara de Fomento
Turstico, la Secretara de Planeacin y Presupuesto, Secretara de Economa, entre otras; en
los gobiernos municipales econmicamente ms importantes como son Acapulco,
Chilpancingo, Zihuatanejo, Iguala, Taxco, fundamentalmente en las reas de Planeacin. La
7

Programa: Maestra en Estadstica Aplicada.

necesidad de formacin de recursos humanos para el sector industrial, es incipiente, como


puede ser para las embotelladoras.
El sector educativo tambin tiene necesidad de profesionales de la Estadstica, tanto en la
docencia como en la investigacin. En la docencia, principalmente en las distintas
instituciones de educacin superior existentes en el estado de Guerrero, tanto pblicas como
son la misma Universidad Autnoma de Guerrero, los Institutos Tecnolgicos Regionales, la
Universidad Pedaggica Nacional, por sealar las ms relevantes; como privadas como son la
Universidad Americana de Acapulco, la Universidad Loyola, etc. La investigacin realizada
en el estado de Guerrero, se concentra fundamentalmente, en la Universidad Autnoma de
Guerrero. La necesidad de recursos humanos con conocimientos de la Estadstica se puede
decir que es en los distintos institutos y centros de investigacin, sin embargo, existen reas
del conocimiento donde las tcnicas estadsticas cobran mayor relevancia en la investigacin
como son las ciencias agropecuarias, ciencias biomdicas, ciencias sociales, ciencias de la
educacin.
El uso de las tcnicas estadsticas por parte de los diversos institutos polticos en las ltimas
dcadas se ha intensificado. Fundamentalmente las tcnicas de muestreo son utilizadas por los
principales institutos polticos de la entidad, tanto en los procesos electorales internos como en
los procesos electorales externos as como en los niveles federal, estatal y municipal.

4.2 Fundamentacin acadmica.


a) La importancia de la Estadstica.
El mundo es estadstico. Los fenmenos de la realidad social y natural se expresan y capturan
a travs de mediciones que tienen implcito el carcter variacional. Casi nada en la realidad es
completamente constante, casi todo vara; la Estadstica a travs de sus mtodos y
procedimientos mide y analiza la variabilidad de los fenmenos con vistas a determinar sus
patrones de comportamiento para describirlos, explicarlos, predecirlos y controlarlos. Es en
este sentido que se entiende a la Estadstica como la ciencia de aprender a partir de los datos.
La investigacin cientfica, en casi todas las reas del conocimiento, requiere de apoyo de los
mtodos y tcnicas de la Estadstica. Sin ella no se pueden fundamentar los resultados,
interpretaciones, anlisis y conclusiones acerca de los problemas de investigacin planteados
por los cientficos apoyados en el paradigma de la investigacin cuantitativa. La
argumentacin tcnica y cientfica tiene eslabones estadsticos que van desde el planteamiento
del problema, determinacin de los objetivos de la investigacin, definicin de las hiptesis
cientficas, operacionalizacin de las variables, el problema de la medicin, la determinacin
del diseo muestral, el levantamiento de la informacin, la prueba de hiptesis, la modelacin
de los fenmenos, la interpretacin de los resultados y las conclusiones.
La difusin de los resultados de las investigaciones a travs de Internet, revistas especializadas
y en general la literatura cientfica y tcnica incluye estos conceptos y resultados estadsticos.
Los profesionales tcnicos y cientficos se comunican con semnticas estadsticas. La
Estadstica se convierte en el lenguaje y la mercadotecnia del mtodo cientfico aplicado en las
labores diarias de un profesional (Economista, Psiclogo, Mdico, Socilogo, etc.). La
8

Programa: Maestra en Estadstica Aplicada.

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.

b) La formacin de recursos humanos en la entidad.


En el estado de Guerrero, la Unidad Acadmica de Matemticas es la nica institucin de
educacin superior que imparte estudios de posgrado en Estadstica. Los aspirantes potenciales
a este programa tienen las siguientes caractersticas:
1) Son profesionales que laboran en dependencias pblicas y la iniciativa privada
(oficinas o departamentos de estadstica, laboratorios de anlisis clnicos, etc) que
necesitan la estadstica para mejorar su desempeo laboral.
2) Son profesores que estn en la prctica docente de las matemticas y/o estadstica al
nivel medio superior o superior, con formacin de matemticas, ingeniera, economa,
etc., y necesitan reforzar los conocimientos de estadstica para fortalecer su prctica
docente.
3) Son investigadores en las reas de medicina, sociologa, administracin, ecologa, que
necesitan la estadstica como un instrumento de investigacin para consolidar sus
conclusiones.
4) Son profesionales de la medicina, psicologa, administracin, economa, ecologa, etc.,
que requieren de una formacin en metodologa estadstica para analizar y comprender
los aspectos tcnicos de la estadstica que se usan en y publican en su rea de estudio.
Se tiene un programa de posgrado que considera como fundamental que la prctica educativa
tome en cuenta la diversidad de contextos y culturas de donde provienen los estudiantes.
2

Godino, Batanero y Caizares, M.J. (1987). Azar y probabilidad. Fundamentos didcticos y


propuestas curriculares . Madrid, Espaa.
9

Programa: Maestra en Estadstica Aplicada.

Desde esta perspectiva, lo importante no es la posesin de determinados conocimientos, sino


el uso que se haga de ellos. O sea, hay que determinar si un individuo es competente o no lo
es, y para esto deben tomarse en cuenta las condiciones reales en las que el desempeo tiene
sentido, en lugar del cumplimiento formal de una serie de objetivos de aprendizaje que en
ocasiones no tienen relacin con el contexto. Esto nos lleva a plantear la necesidad de adoptar
un modelo educativo ad hoc para el aprendizaje y prctica de la estadstica en el mbito
profesional.
El papel de los estadsticos no es nicamente dominar la teora estadstica y sus aplicaciones a
las diferentes reas, es necesario hacer conciencia del impacto que han ejercido en la sociedad,
llamada del conocimiento.

5.

Competencias, objetivo general, objetivos especficos y metas

a) Justificacin del modelo educativo del programa


La necesidad de relacionar de una manera ms efectiva la educacin con el mundo del trabajo
conduce al gobierno y las universidades a promover la implementacin de opciones educativas
basadas en los denominados modelos por competencias.
Este enfoque de educacin, reconoce el resultado de los procesos escolares formales, as como
los conocimientos, habilidades y destrezas adquiridos fuera de las aulas. Cuestiona la
suficiencia de los ttulos universitarios y plantea como ms importante poseer competencias
para la solucin de problemas especficos que tener una preparacin en lo abstracto (teora) sin
la posibilidad de contar con expectativas para solucionarlos. Con esta perspectiva se pretende,
entre otras cosas, vincular ms y mejor la escuela con el entorno. Hacer que maestros y
alumnos participen de una manera ms comprometida durante el proceso de enseanza
aprendizaje ser posible en la medida en que conozcan, interpreten y hagan suyas las nuevas
propuestas curriculares enmarcadas en el modelo de las competencias profesionales.
Los modelos educativos actuales destacan dos propuestas para mejorar la pertinencia y
relevancia de la educacin.
-

La que plantea un cambio en el nfasis, puesto tradicionalmente en la enseanza,


dando mayor prioridad al aprendizaje; y,

La propuesta que orienta hacia la bsqueda de una educacin ms significativa.

El modelo por competencias profesionales integradas requiere centrar la formacin en el


aprendizaje y no en la enseanza. Algunas implicaciones de este cambio de centro en el plano
de lo pedaggico didctico se detallan a continuacin.

10

Programa: Maestra en Estadstica Aplicada.

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.

Programas de estudio/unidades de aprendizaje:


Programas de estudio y procesos de aprendizaje ms flexibles y diversificados. Contenidos
con referencia a condiciones que operan en la realidad. Contenidos relevantes y significativos.
Los programas se articulan en referencia a la problemtica identificada, a las competencias
genricas o especficas, as como a las unidades de competencia en las que se desagrega. Las
unidades de aprendizaje deben cumplir una funcin integradora entre la teora y la prctica.

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

Programa: Maestra en Estadstica Aplicada.

desempeo como criterios para la evaluacin. Promover el aprendizaje a travs de situaciones


problmicas.
Los contenidos se vuelven relevantes en funcin de las competencias que se quiere que los
estudiantes logren. Considerando el marco de referencia que se ha descrito y el enfoque de
competencias se presenta el programa de Maestra en Estadstica Aplicada. El plan est
integrado por tres niveles:
a) Nivel Preliminar, durante el primer semestre: se adquieren los fundamentos
matemticos y de la probabilidad en que se apoya la teora de la estadstica;
b) El segundo nivel denominado de formacin bsica en Estadstica comprende el
segundo semestre; y,
c) El tercer nivel de especializacin, durante el tercer y cuarto semestre, en este ltimo los
estudiantes estarn concluyendo su documento de titulacin.
b) Competencias.
Se considera como una competencia en el estudiante de posgrado, la posesin y desarrollo de
conocimientos, habilidades, actitudes y valores que le permiten desarrollar actividades en el
rea profesional del Estadstico en forma exitosa, en distintos contextos.
I.- Competencias bsicas.
Las competencias bsicas describen los conocimientos, habilidades, actitudes y destrezas que
se requiere en los estudiantes del posgrado en el nivel preliminar.
Matemtica bsica.
Son aquellas que proporcionan los conocimientos matemticos bsicos que utiliza la
estadstica as como, la capacidad y habilidad de operativizar sus conceptos, desarrollando en
el estudiante el razonamiento lgico.
Estadstica bsica.
Son aquellas que proporcionan el conocimiento de los conceptos bsicos de la probabilidad y
los temas fundamentales de la estadstica as como, la capacidad y habilidad de resumir y
analizar un conjunto de datos utilizando el software existente en el mercado.
Comunicacin.
Son aquellas que desarrollan en el estudiante la capacidad y habilidad de comunicarse tanto en
forma oral como escrita as como, habilidad para la bsqueda de fuentes de informacin y su
capacidad de discriminarla y sintetizarla.

12

Programa: Maestra en Estadstica Aplicada.

II.- Competencias genricas.


Las competencias genricas son los conocimientos, habilidades, actitudes y destrezas que debe
tener un estudiante en el nivel de formacin bsica y que constituyen la base comn de un
profesional de la estadstica.
Estadsticas.
Son aquellas que proporcionan los conocimientos de los grandes temas de la estadstica
matemtica, la habilidad para aplicarlos a un conjunto de datos y la capacidad para
reconocerlos y aplicarlos en las distintas tcnicas estadsticas.
De muestreo.
Son aquellas que proporcionan los conocimientos bsicos del muestreo y sus principales
mtodos y su capacidad y habilidad de reconocerlos en las distintas tcnicas estadsticas, y
aplicarlos a problemas de las distintas disciplinas.
Competencias instrumentales.
Son aquellas que posibilitan desarrollar la capacidad de anlisis y sntesis, de toma de
decisiones, de organizacin y planificacin, as como de gestin de informacin. Tambin
desarrollan su capacidad de expresin utilizando lenguaje estadstico y matemtico, haciendo
uso del software existente en el rea.
Competencias personales.
Son aquellas que posibilitan desarrollar su razonamiento crtico y capacidad para comunicarse
con expertos de otras reas. Fomentan el trabajo en equipo. Desarrollan su capacidad de
aplicar los conocimientos a la prctica y su creatividad. Desarrollan su habilidad para trabajar
en forma autnoma. Fomentan su espritu emprendedor. Motivan al estudiante por la calidad.
Fomentan la adaptacin a situaciones nuevas

III.- Competencias especficas.


Son la base particular del ejercicio profesional y estn vinculadas a condiciones especficas de
su rea de concentracin (especializacin).

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

Programa: Maestra en Estadstica Aplicada.

Procedimentales/instrumentales (saber hacer)


Uso de modelos y tcnicas estadsticas en situaciones reales. Anlisis de datos utilizando la
tcnica estadstica adecuada. Visualizacin e interpretacin de los resultados. Uso de software
correspondiente para la aplicacin de las tcnicas estadsticas.
Actitudinales (ser).
Capacidad para la aplicacin de la estadstica a distintas disciplinas y a problemas reales.
Capacidad de razonamiento lgico e identificacin de errores en los procedimientos.
Capacidad de crtica. Capacidad de adaptacin. Capacidad de abstraccin. Capacidad para el
trabajo colectivo.
Valores personales.
Comportamiento tico. Ser solidario. Responsabilidad en el trabajo.

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:

Con la capacidad de describir y explorar datos.

Con la capacidad de distinguir y aplicar procedimientos (metodologas) de la


estadstica a la solucin de problemas en las diferentes reas de aplicacin.

Con la capacidad de elaborar procedimientos novedosos en la solucin de problemas


estadsticos planteados.

Con la capacidad de interpretar los resultados del software estadstico existente.

Con la capacidad de disear y ejecutar un estudio estadstico (diseos experimentales y


por encuestas), esto es, desde anlisis, interpretacin y presentacin de los resultados.

14

Programa: Maestra en Estadstica Aplicada.

Con los conocimientos suficientes del sustento terico-metodolgico de la estadstica,


que le permita el estudio de nuevas metodologas para ser utilizadas en la solucin
prctica de problemas estadsticos concretos.

Con los conocimientos suficientes del sustento terico-metodolgico de la estadstica,


que le permita desempear la labor docente en los distintos niveles educativos.

Con las habilidades y conocimientos suficientes para desempearse como asesor y


consultor en los sectores social y productivo, instituciones de investigacin, de
educacin, de salud, etc.

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

un mximo de 2.5 aos.


2) Lograr que al menos el 50% de los estudiantes, por generacin, publique un artculo en

una revista arbitrada y participe en eventos acadmicos nacionales.


3) Lograr que la matricula se incremente en al menos en un 50%.
4) Para fortalecer la prctica profesional de los estudiantes se plantea lograr cuando

menos dos convenios de vinculacin con dependencias pblicas para contar con bases
de datos que faciliten las aplicaciones.

6.

Perfil de ingreso y egreso.

Caractersticas del profesional de la Estadstica.


La estadstica, generalmente, tiene un elevado soporte matemtico, pero el uso de la
matemtica no es abstracto y aislado. Los estadsticos trabajan con gente que tienen otros
marcos tericos de referencia diferentes, pero los une la resolucin de problemas prcticos. La
estadstica usa sistemas de cmputo para organizar y analizar datos. Los estadsticos dominan
instrumentos especializados, pero el nfasis est centrado en los datos con vistas a entender y
resolver los problemas ms que en el clculo en s.
Los estadsticos deben saber algo ms que nicamente estadstica. Un estadstico que trabaja
en medicina, en una fbrica o en investigacin de mercados debe aprender suficientes
conceptos de medicina, produccin y mercadotecnia para que pueda entender e interpretar
mejor los datos segn la estructura terica que representan. Esto le permite tener la habilidad
de comunicarse, escuchar y comprender el lenguaje del rea de estudio en el que est
involucrado.

15

Programa: Maestra en Estadstica Aplicada.

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

Programa: Maestra en Estadstica Aplicada.

Actitudes y valores:
a)
b)
c)
d)

Para el razonamiento lgico.


De crtica racional.
Honestidad y compromiso en el trabajo.
Disciplina en el estudio.

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

Programa: Maestra en Estadstica Aplicada.

c) Para la bsqueda de informacin pertinente a un problema prctico.


d) Honestidad y compromiso con el trabajo.
e) Disciplina en el estudio.

7.

Duracin de los estudios de posgrado.

La duracin del programa ser de cuatro semestre incluyendo el trabajo de tesis o su


equivalente. El plazo mximo de estancia de un estudiante en el programa sern dos aos y
medio. En casos extraordinarios y a juicio del Comit Tutoral y de la Academia se ampliar
por seis meses, siendo ste el plazo mximo.

8.

Estudios previos requeridos.

Poseer ttulo de licenciatura en Matemticas o Estadstica o reas afines como ciencias


computacionales, actuara, fsica, ingeniera, economa u otra a juicio de la Comisin de
Admisin.

9.

Nivel de conocimiento de un idioma extranjero.

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.

10. Estructura curricular.


En una forma esquemtica se presentan los distintos niveles de formacin por los cuales debe
transitar el estudiante del posgrado.

18

Programa: Maestra en Estadstica Aplicada.

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.

1.- Estadsticas en las ciencias mdicas y


de la vida.

2. Mtodos Estadsticos.

2. Muestreo Estadstico I
3. Tcnicas Multivariantes.

3. Probabilidad

2.- Estadstica en los negocios, economa y


ciencias sociales.
3.- Estadstica en las ciencias fsicas e
ingeniera.
4.- Estadstica en la educacin.
5.- Estadstica matemtica.

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).

Dependiendo de la formacin previa y del inters de los estudiantes, as como de la opinin


del Comit Tutoral, los estudiantes seleccionarn en primera instancia el rea de concentracin
(especializacin) y en segundo trmino las unidades de aprendizaje correspondientes. Las
reas de concentracin con las principales unidades de aprendizaje son las siguientes.

19

Programa: Maestra en Estadstica Aplicada.

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

Teora Prcticas Totales


laboratorio
3
2
5
3
2
5
3
2
5
3
2
5
3
2
5
3
2
5
3
2
5
3
2
5
3
2
5
3
2
5
3
2
5
33

22

55

5
5
5
5
5
5
5
5
5
5
5
20
75

Nota: En el clculo de los crditos por unidad de aprendizaje, se consider el valor de


0.0625 crditos por hora efectiva de aprendizaje (Art. 50 del Reglamento General de
Estudios de Posgrado e Investigacin de la U.A.G.(RGEPI)) y la duracin de un semestre
en 16 semanas efectivas de trabajo (Art. 51 del RGEPI).

Relacin de unidades de aprendizaje optativas por rea de concentracin.


reas de concentracin
1. Estadstica en las Ciencias Mdicas y de la Vida.
Diseo de experimentos, Bioestadstica, Diseo y Anlisis de Encuestas, Estadstica
No-paramtrica, Regresin Lineal, Modelacin estadstica, Modelos lineales.
2. Estadstica en los Negocios, Economa y Ciencias Sociales.

20

Programa: Maestra en Estadstica Aplicada.

Econometra, Diseo y anlisis de encuestas, Series de tiempo, Redes neuronales,


Minera de datos, Estadstica no paramtrica, Modelos lineales.
3. Estadstica en las Ciencias Fsicas e Ingeniera.
Regresin Lineal, Procesos estocsticos, Cmputo estadstico, Estadstica Bayesiana,
Control estadstico de calidad, Simulacin estocstica, Teora de la Estadstica.
4. Estadstica en la Educacin.
Didctica de la estadstica (aprendizaje de la estadstica), Desarrollo del pensamiento
estadstico, Alfabetizacin estadstica.
5. Estadstica Matemtica.
Procesos estocsticos, Cmputo estadstico, Estadstica Bayesiana, Probabilidad II y
Teora de la Estadstica.

11. Lneas de investigacin vinculadas al programa.


Los cuerpos acadmicos cuyos miembros estarn apoyando el trabajo de docencia e
investigacin en el programa son:
Matemtica Aplicada con las lneas de investigacin y aplicacin:
Consultora estadstica y
Desarrollo Terico de los Modelos.
Estadstica con las lneas de investigacin y aplicacin:
Fundamentos de la inferencia.
Didctica de la estadstica.
Fisiologa, produccin agropecuaria y metodologa estadstica con la lnea de investigacin:
Modelacin estadstica y sus aplicaciones.

21

Programa: Maestra en Estadstica Aplicada.

12. Modalidad en la que se impartir.


La maestra en estadstica tiene la orientacin profesionalizante, en el sentido que lo seala el
RGEPI, en el artculo 42 inciso a) que al pie dice:
Art. 42. a) Maestra con orientacin profesional, los cuales estn dedicados a realizar
proyectos terminales en el ejercicio de su profesin, de la docencia o la actividad empresarial.
Comprenden los Programas prcticos, Prcticos individualizados o Cientfico prctico..
La maestra se impartir en forma convencional o escolarizada, esto es, con la presencia
continua del estudiante, en los trminos que se sealan en el Artculo 6 a. del RGEPI. La
duracin de los cursos ser de un semestre, de acuerdo al calendario escolar aprobado por el
Consejo Universitario.

13. Los requisitos y modalidades para obtener el grado.


Los requisitos que debe cumplir el estudiante para obtener el grado de maestro:
a) Haber cubierto los crditos del plan de estudios;
b) Presentar una constancia expedida por la Universidad o por una institucin reconocida,
que avale de manera oficial, la comprensin del idioma extranjero equivalente al
cuarto nivel del CELEX; o presentar boleta del TOEFL institucional con al menos 450
puntos.
c) Presentar, defender, y aprobar la tesis elaborada, mediante el examen de grado; o
publicar al menos un artculo, como autor o coautor o al menos demostrar la
aceptacin de su publicacin en una revista con arbitraje de nivel nacional o
internacional.
d) Cumplir los trmites administrativos requeridos por la institucin.

14. Requisitos de ingreso y permanencia.


14.1 Requisitos de ingreso.
a) Presentar Ttulo de Licenciatura en Matemticas o Estadstica. O bien en reas afines a
la estadstica como: Ciencias Computacionales, Fsica, Actuara, Ingeniera, Qumica,
Economa u otros a juicio de la Comisin de Admisin.
b) Haber obtenido un promedio mayor o igual a 8 en la Licenciatura.
c) Presentar y aprobar, con calificacin mayor o igual que 8 los exmenes de ingreso.

22

Programa: Maestra en Estadstica Aplicada.

d) Presentar currculum vitae.


e) Presentar carta de motivos
f) Cumplir con los trmites establecidos por la reglamentacin universitaria.

14.2 Requisitos de permanencia en el programa.


a) Inscripcin anual hasta la obtencin del grado.
b) La permanencia mnima ser de dos aos y la mxima de 2.5 aos, incluyendo la
obtencin del grado. Cuando por razones acadmicas o personales, el estudiante no
concluya su trabajo de tesis en el tiempo sealado, se podr ampliar el plazo hasta por
seis meses; y
c) Para permanecer en el posgrado como estudiante ste slo podr reprobar una sola
unidad de aprendizaje por ao escolar, la cual deber recursar por una sola vez. Si al
recursar la materia obtuviera calificacin reprobatoria ser dado de baja definitiva.
Tambin ser dado de baja definitiva si acumula dos o mas unidades de aprendizaje
reprobadas durante un semestre.
d) Los dems requisitos que se sealan en los artculos 70 al 77 del RGEPI.

15. Criterios de seleccin de los aspirantes.


La admisin al programa de nuevos estudiantes ser anual y los aspirantes a ingresar debern
satisfacer los siguientes criterios:
a) Aprobacin del curso propedutico y/o examen de admisin interno.
b) Aprobacin del examen de admisin externo.
c) Evaluacin curricular favorable
d) Opinin favorable del Comit de Admisin.

16. Procedimientos de seguimiento de la trayectoria escolar.


El seguimiento de las trayectorias de los estudiantes de maestra en Estadstica Aplicada,
considera su evolucin en el marco de estructuras formales de aprendizaje (plan de estudios).
En este sentido, consideraremos los ritmos en que se cubren las asignaturas, las materias que
se aprueban y reprueban y las notas obtenidas por los estudiantes. Con esta informacin
construiremos una tipologa de las trayectorias escolares a partir de las dimensiones tiempo,
23

Programa: Maestra en Estadstica Aplicada.

eficiencia y rendimiento escolares. A cada una de estas dimensiones le corresponden


determinados indicadores:
La dimensin tiempo se refiere a la continuidad y/o discontinuidad de los alumnos en el ritmo
temporal relativo a su generacin; se entiende por continuidad al ritmo normal en los estudios,
cuyo indicador es la inscripcin actualizada en el semestre, en los cursos de su generacin,
segn el ao de ingreso; se considera como discontinuidad al atraso en las inscripciones que
corresponden al trayecto escolar de su cohorte, cuyo indicador es la inscripcin, forzada o no,
a cursos que son de semestres anteriores a los de su generacin.
La dimensin eficiencia escolar se refiere a las formas en que los estudiantes aprueban y/o
promocionan las asignaturas, a travs de las oportunidades les brinda el plan de estudios. Esta
dimensin se desagrega en tres categoras: 1) ordinario, que remite a los alumnos que
aprueban todas las asignaturas del programa, utilizando exclusivamente la opcin de examen o
evaluacin contemplada en el periodo establecido para cada curso y al cual se denomina
examen ordinario; su indicador es la nota aprobatoria en cada asignatura; 2) no ordinario, que
incluye a los estudiantes que en la promocin de una o ms asignaturas utilizan la opcin de
recursar la asignatura y presentar exmenes en segunda inscripcin y a las cuales se considera
extraordinarias, cuyo indicador son las calificaciones aprobatorias en las evaluaciones
respectivas, y 3) irregular, que designa a los estudiantes que adeudan alguna asignatura de un
semestre inmediato anterior al que cursan; su indicador es la calificacin reprobatoria en una o
ms asignaturas.
La dimensin rendimiento alude al promedio de calificacin obtenido por cada alumno en las
unidades de aprendizaje en las que ha presentado exmenes, independientemente del tipo de
evaluaciones que hayan sido; su indicador es la suma del total de calificaciones que se
obtuvieron, divididas entre el nmero de calificaciones.
La particular combinacin de las dos dimensiones define la trayectoria escolar que se expresa
en una categorizacin.
Sin ser un elemento para la categorizacin descrita, se determina tambin los ndices de
aprobacin en ordinario, promocin y eficiencia. El primero se refiere a la relacin entre el
nmero de asignaturas que se presentaron y la cantidad de stas que se aprobaron en examen
ordinario. El segundo se establece por la relacin entre el nmero de asignaturas que se
cursaron y cuntas de ellas se promovieron, independientemente del tipo de examen realizado.
El ndice de eficiencia se construye por la relacin entre el nmero de asignaturas que se
acreditaron y la cantidad de exmenes que se requirieron para aprobarlas; este dato se
multiplica por el ndice de promocin, para sealar con ms precisin las diferencias entre los
estudiantes, en particular, para cada cohorte se considerar la duracin de los estudios, tasa de
retencin, ndice de aprobacin, ndice de desercin, ndice de rezago, e ndice de graduacin.

24

Programa: Maestra en Estadstica Aplicada.

17. Estrategias de evaluacin del plan de estudios.


La evaluacin del programa de posgrado ser tanto interna como externa.
Evaluacin interna. sta ser continua y los elementos que se deben considerar son:
desempeo de los estudiantes, b) desempeo de los docentes, c) aspectos evaluables resultado
de la aplicacin del plan de estudios, d) los productos de desempeo.
Evaluacin externa. Se realizar cada dos aos para evaluar la generacin de recin egreso en
todos los aspectos acadmicos.

18. Procedimientos de seguimiento de egresados.


Se llevar a cabo el seguimiento de egresados de la siguiente forma:

1. Se constituir el comit de trayectorias escolares y seguimiento de egresados.


2. Se elaborar un directorio de egresados y se actualizar anualmente.
3. Cada ao se aplicar un cuestionario a los egresados.
4. El comit captura y procesa la informacin de los cuestionarios recibidos en una base
de datos.
5. El comit elabora y emite el informe de los egresados a la direccin de la Unidad
Acadmica y a la coordinacin del Postgrado.
6. La direccin de la Unidad Acadmica, la coordinacin del postgrado y la academia del
postgrado reciben el informe e implementan medidas requeridas en los planes y
programas de estudio.

19. Tabla de equivalencia respecto del plan anterior, en su caso.


Se plantea como un plan de estudios de nueva creacin.

20. Infraestructura destinada al posgrado.


La infraestructura fsica con la que se cuenta para implantar el posgrado:
Cuatro aulas con las condiciones adecuadas para la docencia.
25

Programa: Maestra en Estadstica Aplicada.

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.

21. Financiamiento e inversin


El financiamiento ser interno y se buscar mejorar las condiciones de la infraestructura
mediante financiamiento externo.

22. Curriculum vitae de los profesores.


La planta de docentes-investigadores con formacin para integrarse al ncleo bsico tiene las
siguientes caractersticas.
Cuatro docentes con grado de doctor, dos con grado de maestro y en proceso de obtener el
doctorado, tres con maestra obtenida fuera de la Universidad Autnoma de Guerrero y tres
docentes con grado de maestra obtenida en la UAG.

23. Convenios de colaboracin vigentes con otras instituciones.


Convenios de colaboracin acadmica con:
La Universidad de La Habana de la repblica de Cuba y la Universidad Autnoma de
Guerrero y el convenio especfico entre la Facultad de Matemticas y Computacin de la
Universidad de La Habana y la Facultad de Matemticas de la Universidad Autnoma de
Guerrero.
Instituto Superior Pedaggico Enrique Jos Varona, Repblica de Cuba y la Universidad
Autnoma de Guerrero

26

Programa: Maestra en Estadstica Aplicada.

24. Relacin de los objetivos del programa con la visin y misin


institucionales.
VISIN DE LA MAESTRA: Constituirse en un programa regional de excelencia acadmica
y consolidarse como lder en la generacin y aplicacin de los conocimientos estadsticos en la
entidad.
MISIN DE LA MAESTRA: Constituirse en motor de desarrollo local y estatal, a travs de
los profesionales posgraduados en estadstica, competentes para incidir en los cambios
culturales, sociales y econmicos.
En este sentido el presente programa de posgrado comparte la visin de la Universidad
Autnoma de Guerrero en:
a) impulsar la innovacin cientfica y tecnolgica.
b) Mejorando permanentemente la calidad de la educacin y por ende la calidad del
posgrado.
c) Realizando de manera articulada e integral las actividades de docencia, investigacin
y extensin.
Asimismo se comparte la misin, comprometindose el programa a:
a) Formar y actualizar a los estudiosos de la Estadstica en funcin de las necesidades
acadmicas y sociales de la entidad.
b) Formando especialistas en el rea de la Estadstica con un sentido social que
contribuyan al desarrollo integral y sustentable de la entidad y sus regiones.

25. Contenidos programticos.


En las siguientes pginas se presentan los contenidos de las unidades de aprendizaje
obligatorias y optativas.

27

Programa: Maestra en Estadstica Aplicada.

UNIDADES DE COMPETENCIA

28

Programa: Maestra en Estadstica Aplicada.

Primer semestre.
a) Unidad de competencias bsicas (Formacin preliminar).
Unidades de aprendizaje:

Matemticas (Clculo y lgebra lineal).

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

Programa: Maestra en Estadstica Aplicada.

Programa: Maestra en Estadstica Aplicada.


Clave del programa: (En trmite)
Nombre de la unidad de aprendizaje: Matemticas
Semestre: Primero.
Obligatoria: _____X_____
Optativa: ____________
Clave
Horas teora
Horas prctica Total de horas
Crditos
MEA11
3
2
5
5
rea de formacin:
___ X___ Preliminar
_____ Bsica
_____ Especializacin
Conocimientos previos:
Conocimientos bsicos del lgebra y geometra analtica.
Competencias.
Cognitivas(Saber):
El estudiante conozca y comprenda el concepto de funcin de una variable real.
El estudiante conozca y comprenda el concepto de lmite de una funcin real.
El estudiante conozca y comprenda el concepto de derivada de una funcin real.
El estudiante conozca y comprenda el concepto de integral definida de una
funcin real.
El estudiante conozca y comprenda la definicin de espacio vectorial e
independencia lineal.
El estudiante conozca y comprenda la definicin de transformacin lineal y sus
elementos bsicos.
Procedimentales/Instrumentales (Saber hacer):
El estudiante identificar los distintos subconjuntos de los nmeros reales.
El estudiante determinar el conjunto de valores que hacen verdadera una
desigualdad.
El estudiante determinar el conjunto de imgenes dada una funcin real.
El estudiante graficar una funcin dada en el plano cartesiano
El estudiante calcular el lmite de una funcin dada, cuando ste exista.
El estudiante calcular la derivada de una funcin dada.
El estudiante calcular la integral definida de una funcin dada.
El estudiante calcular la suma, diferencia y productos de dos matrices dadas.
El estudiante sabr calcular el determinante de una matriz dada.
El estudiante determinar la independencia de un conjunto de vectores y el rango
de una matriz.
El estudiante determinar los valores y vectores caractersticos de una
transformacin lineal.

30

Programa: Maestra en Estadstica Aplicada.

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

Programa: Maestra en Estadstica Aplicada.

Concepto y definicin de la derivada.


Propiedades de la derivada.
Clculo de las derivadas de funciones elementales.
1.5. Integrales de funciones reales.
Concepto y definicin de la integral definida de una funcin.
Propiedades de la integral definida.
Clculo de integrales de funciones definidas.
2.- Elementos del lgebra lineal.
2.1 Representacin de vectores y matrices.
Operaciones con matrices
Determinante de una matriz
2.2. Concepto y definicin de espacios vectoriales.
Independencia lineal.
Existencia de bases.
Rango de una matriz
2.3. Transformaciones lineales
Representacin matricial de las transformaciones lineales.
Transformaciones lineales no singulares
2.3. Clculo de vectores y valores propios.
2.4. Formas bilineales.
Bibliografa.
Bsica:
1) Stewart, J. (1996). Clculo. Mxico: International Thomson Editores.
2) Leithold, L. (1973). El Clculo con geometra analtica. Mxico: Harla.
3) Knopp, P. J. (1974). Linear Algebra, an introduction. US A.: John Wiley &
Sons.
4) Solar, E. y Speziale de Guzmn, L. (1996). Apuntes de lgebra Lineal. Mxico:
Facultad de Ingeniera-UNAM y Limusa Noriega Editores.

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

Programa: Maestra en Estadstica Aplicada.

Clases prcticas:
Prcticas de laboratorio:
Otras actividades:

20%
20%
20%

Evaluacin:
Examen terico-prctico: 60%
Trabajos desarrollados: 20%
Prcticas de laboratorio: 20%
Otras: _________________________

33

Programa: Maestra en Estadstica Aplicada.

Programa: Maestra en Estadstica Aplicada.


Clave del programa: (En trmite)
Nombre de la unidad de aprendizaje: Probabilidad
Semestre: Primero.
Obligatoria: _____X_____
Optativa: ____________
Clave
Horas teora
Horas prctica Total de horas
Crditos
MEA12
3
2
5
5
rea de formacin:
___ X___ Preliminar
_____ Bsica
_____ Especializacin
Conocimientos previos:
Conocimientos bsicos del clculo diferencial e integral y el lgebra lineal.
Competencias
Cognitivas(Saber):
El estudiante conozca y comprenda el concepto de variable aleatoria, funcin de
distribucin y la esperanza matemtica.
El estudiante conozca e identifique los principales modelos probabilsticos de las
variables aleatorias.
El estudiante conozca las funciones de distribucin de las ms importantes
funciones de variables aleatorias.
Procedimentales/Instrumentales (Saber hacer):
El estudiante realice clculos de probabilidades.
Dada una funcin de densidad el estudiante determina la funcin de distribucin,
y viceversa.
El estudiante identifica los principales modelos de probabilidad de variables
aleatorias.
Dada una funcin de variables aleatorias el estudiante determina su funcin de
densidad.
Actitudinales (Ser):
Desarrollo del razonamiento lgico en los estudiantes.
Fomentar la capacidad de lectura en los estudiantes.
Promover el trabajo colectivo en los estudiantes.
Objetivo general:
El estudiante conocer y comprender los fundamentos probabilsticos de la inferencia
estadstica

34

Programa: Maestra en Estadstica Aplicada.

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

Programa: Maestra en Estadstica Aplicada.

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

Programa: Maestra en Estadstica Aplicada.

Programa: Maestra en Estadstica Aplicada.


Clave del programa: (En trmite)
Nombre de la unidad de aprendizaje: Mtodos Estadsticos
Semestre: Primero.
Obligatoria: _____X_____

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

Programa: Maestra en Estadstica Aplicada.

Har uso de un software para analizar e interpretar el comportamiento de las


distribuciones de probabilidad de variable aleatoria discreta y continua
(fundamentalmente la distribucin normal). Se recomienda el Mathematica y el
Megastat.
Har un anlisis inferencial para la estimacin de los principales parmetros
(media, proporcin y varianza) cuando se tiene una sola poblacin objeto de
estudio.
Har un anlisis inferencial cuando el objetivo de investigacin sea comparar dos
poblaciones, a travs de la comparacin de los parmetros.
Sabr determinar el tamao de la muestra tanto para hacer una estimacin como
para probar una hiptesis.
Actitudinales (Ser):
Desarrollo de la habilidad de anlisis de datos que lleve a la formacin del
pensamiento estadstico.
Desarrollar la habilidad de ser ms observador.
Desarrollar la capacidad de comparar entre conjuntos de datos para obtener
conclusiones cientficas soportadas estadsticamente.
Desarrollar el pensamiento inferencial a travs de la capacidad de plantear y
probar hiptesis estadsticas.
Desarrollar el pensamiento inferencial a travs de la capacidad de obtener
estimaciones y la valoracin de las mismas.
Objetivo general:
El estudiante conocer y comprender y aplicar los principales conceptos de la
estadstica descriptiva, de los elementos de la probabilidad y de la inferencia
estadstica.
Objetivos especficos:
El estudiante conocer y comprender y aplicar los conceptos de la estadstica
descriptiva.
El estudiante conocer y comprender y aplicar los conceptos de la
probabilidad.
El estudiante conocer y comprender y aplicar los conceptos de la inferencia
estadstica.

38

Programa: Maestra en Estadstica Aplicada.

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

Programa: Maestra en Estadstica Aplicada.

3.7. Distribucin muestral de una varianza


4. Inferencia estadstica: Estimacin
4.1. Conceptos bsicos: estadsticos, propiedades de los estimadores.
4.2. Estimacin por intervalos de confianza para una media
4.3. Estimacin por intervalos de confianza para una proporcin
4.4. Estimacin por intervalos de confianza para una varianza
4.5. Estimacin por intervalos de confianza para la diferencia de dos medias
4.6. Estimacin por intervalos de confianza para la diferencia de dos proporciones
4.7. Estimacin por intervalos de confianza para el cociente de dos varianzas
4.8. Determinacin del tamao de muestra para estimar una media y una proporcin.
5. Inferencia estadstica: prueba de hiptesis
5.1. Conceptos bsicos: hiptesis estadstica, tipos de errores, nivel de significancia,
potencia de la prueba, etc.
5.2. Prueba de hiptesis para una media
5.3. Prueba de hiptesis para una proporcin
5.4. Prueba de hiptesis para una varianza
5.5. Prueba de hiptesis para la diferencia de dos medias
5.6. Prueba de hiptesis para la diferencia de dos proporciones
5.7. Prueba de hiptesis para el cociente de dos varianzas
Bibliografa.

Bsica:
1) Batacharya & Johnson. (1978). Statistical Methods: Conceptual approach.

USA: McGraw Hill.


2) Johnson & Kubi. (2003). Estadstica Elemental. Tohmpson
3) Kazmier y Diaz Mata. (2005). Estadstica aplicada. Mc. Graw-Hill.

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.

Distribucin del trabajo de los alumnos.

Clases tericas:

50%

40

Programa: Maestra en Estadstica Aplicada.

Clases prcticas:

20%

Prcticas de laboratorio:

20%

Otras actividades:

20%

Evaluacin:

Examen terico-prctico: ___40%____

Trabajos desarrollados: ____40%____

Prcticas de laboratorio: ____20%____.

Otras: _________________________

41

Programa: Maestra en Estadstica Aplicada.

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.

c) Criterios y evidencias de evaluacin.


Producto de desempeo del semestre:
Dado un tema especfico por parte de los docentes, el estudiante entregar un reporte por
escrito con las siguientes caractersticas:
1. Revisar el tema en un mnimo de tres referencias.
2. Redaccin del tema asignado.
3. Propuesta de temtica de tesis para la obtencin del grado.

42

Programa: Maestra en Estadstica Aplicada.

Programa: Maestra en Estadstica Aplicada.


Clave del programa: (En trmite)
Nombre de la unidad de aprendizaje: Inferencia Estadstica
Semestre: Segundo.
Obligatoria: _____X_____
Optativa: ____________
Clave
Horas teora
Horas prctica Total de horas
Crditos
MEA21
3
2
5
5
rea de formacin:
___ ___ Preliminar
__X___ Bsica
_____ Especializacin
Conocimientos previos:
Conocimientos bsicos sobre mtodos estadsticos, probabilidad.
Competencias.
Cognitivas(Saber):
El estudiante conozca y comprenda el concepto de distribucin de muestreo
El estudiante conozca e identifique los principales mtodos para encontrar
estimadores puntuales y por intervalos.
El estudiante conozca las propiedades idneas en un estimador y los mtodos
para evaluar estos estimadores.
El estudiante conozca el concepto de prueba de hiptesis, los mtodos para
establecer pruebas de hiptesis, as como los mtodos para evaluar las pruebas de
hiptesis establecidas.
Procedimentales/Instrumentales (Saber hacer):
El estudiante obtenga estimadores.
Que el estudiante evalu esos estimadores y que determine cul de ellos es el
mejor para realizar una estimacin puntual.
Que el estudiante establezca hiptesis sobre un problema especfico que debe
resolver.
Que el estudiante aplique los mtodos no paramtricos a un problema particular.
Actitudinales (Ser):
Desarrollo del razonamiento lgico en los estudiantes.
Fomentar la capacidad de lectura en los estudiantes.
Promover el trabajo colectivo en los estudiantes.
Objetivo general:

43

Programa: Maestra en Estadstica Aplicada.

Proporcionar una base terica en inferencia estadstica suficiente para facilitar al


estudiante una comprensin clara y profunda de la metodologa estadstica en las
distintas reas de concentracin.
Objetivos especficos:
El estudiante conocer los principios bsicos del muestreo y algunos resultados
sobre las distribuciones muestrales y el estudiante ser capaz de identificarlas en
situaciones tericas y prcticas
El estudiante conocer y comprender los mtodos para encontrar los
estimadores de parmetros desconocidos as como los mtodos para la evaluacin
de los estimadores, y ser capaz de aplicarlos en casos particulares.
El estudiante conocer y comprender los mtodos de estimacin de intervalos de
confianza as como los mtodos de evaluacin de los estimadores. El estudiante
ser capaz de aplicar estos conceptos a casos particulares
El estudiante conocer y comprender el concepto de prueba de hiptesis y los
mtodos para encontrar las pruebas de hiptesis; y el alumno ser capaz de
aplicarlo a problemas de aplicacin.

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

Programa: Maestra en Estadstica Aplicada.

4. Estimacin por intervalos.


4.1. Mtodos de obtencin de intervalos de confianza
4.1.1 Mtodo pivotal
4.1.2 Mtodo estadstico
4.1.3 Mtodo de Bayes
4.2. Intervalos de confianza asociados a la distribucin normal
4.3. Intervalos de confianza para muestras grandes
4.5. Mtodos para evaluar intervalos de confianza
4.5.1 Tamao y probabilidad de convergencia
4.5.2 Funcin de prdida
5. Prueba de hiptesis
5.1 Introduccin y conceptos preliminares
5.1.1 Hiptesis estadstica
5.1.2 Tipos de errores en una prueba
5.2. Mtodos de construccin de pruebas de hiptesis
5.3. Criterios de comparacin de pruebas
5.4. Pruebas aleatorizadas
5.5. Funcin de poder de una prueba
5.6. El lema de Neyman Pearson
5.7 Prueba uniformemente ms potente
5.8 Pruebas de hiptesis relacionadas con la distribucin normal
6. Mtodos no paramtricos
6.1 Introduccin
6.2 Ajustes relativos a la distribucin multinomial
6.3 Aplicaciones de los estadsticos de orden
6.4 Problemas no paramtricos relativos a una muestra
6.5 Problemas no paramtricos relativos con dos muestras
6.2 Pruebas no paramtricas de independencia
6.3 Pruebas de bondad de ajuste Chi-cuadrada
6.4 Otras pruebas de bondad de ajuste
Bibliografa.
Bsica:
1) Mood, A.M., Graybill, F.A. y Boes, D.C. (1974). Introduction to the Theory of
Statistics. USA: McGraw Hill.

45

Programa: Maestra en Estadstica Aplicada.

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.
4) Bain, L. J., Engelhardt M. (1991): Introduction to probability and mathematical
statistics. Duxbury Press.

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.

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: _________________________

46

Programa: Maestra en Estadstica Aplicada.

Programa: Maestra en Estadstica Aplicada.


Clave del programa: (En trmite)
Nombre de la unidad de aprendizaje: Muestreo Estadstico I
Semestre: Segundo.
Obligatoria: _____X_____
Optativa: ____________
Clave
Horas teora
Horas prctica Total de horas
Crditos
MEA22
3
2
5
5
rea de formacin:
___ ___ Preliminar
__ X___ Bsica
_____ Especializacin
Conocimientos previos:
Probabilidad y Mtodos estadsticos
Competencias.
Cognitivas(Saber):
El estudiante:
Conoce los estimadores de parmetros y de sus varianzas para esquemas de
muestreo no complejos.
Sabe determinar tamaos de muestra para estimar parmetros para esquemas de
muestreo no complejos.
Conoce estimadores de parmetros y de sus varianzas haciendo uso de
informacin auxiliar.
Procedimentales/Instrumentales (Saber hacer):
El estudiante:
Obtiene estimaciones de parmetros y de sus varianzas para esquemas de
muestreo no complejos.
Determina tamaos de muestra para estimar parmetros para esquemas de
muestreo no complejos.
Obtiene estimaciones de parmetros y de sus varianzas haciendo uso de
informacin auxiliar.
Actitudinales (Ser):
Desarrollo del pensamiento cientfico.
Fomentar la capacidad de investigacin.
Promover el trabajo colectivo en los estudiantes.

47

Programa: Maestra en Estadstica Aplicada.

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

Programa: Maestra en Estadstica Aplicada.

3. Estimadores que usan informacin auxiliar.


3.1 Estimadores posestratificados.
3.1 Estimadores de diferencia.
3.2 Estimadores de razn y de regresin.
Bibliografa

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

Programa: Maestra en Estadstica Aplicada.

Programa: Maestra en Estadstica Aplicada.


Clave del programa: (En trmite)
Nombre de la unidad de aprendizaje: Tcnicas Multivariantes
Semestre: Segundo.
Obligatoria: _____X_____
Optativa: ____________
Clave
Horas teora
Horas prctica Total de horas
Crditos
MEA23
3
2
5
5
rea de formacin:
___ ___ Preliminar
___X__ Bsica
_____ Especializacin
Conocimientos previos:
Conocimientos bsicos del clculo diferencial e integral, lgebra lineal,
probabilidad, inferencia estadstica, distribuciones de probabilidad normales,
optimizacin restringida empleando multiplicadores de Lagrange.
Competencias.
Cognitivas(Saber):
El estudiante identificar problemas que se abordan mediante tcnicas
multivariantes.
Arribar a las ideas centrales del anlisis multivariado a partir de situaciones
prcticas apropiadas.
El alumno se apropiar de la herramienta matemtica bsica para la mejor
comprensin de los fundamentos matemticos de los mtodos de anlisis
multivariante.
Se apropiar de los conceptos centrales de las distribuciones multinomiales como
vectores de medias, matriz de varianzas y covarianzas, estimacin de las mismas
y la distribucin normal multidimensional.
Distinguir los distintos tipos de tablas de datos, a travs de su estructura y los
elementos que la componen.
Procedimentales/Instrumentales (Saber hacer):
Introducir datos en la computadora utilizando un paquete de programas
estadsticos.
Reconocer, formular y resolver problemas relacionados con modelos lineales
multivariados.
Realizar un anlisis multivariado de varianza.
Calcular regiones de confianza.
Aplicar pruebas de hiptesis por razn de verosimilitud.
Formular y resolver problemas de componentes principales, de correlaciones

50

Programa: Maestra en Estadstica Aplicada.

cannicas y de anlisis factorial discriminante.


Identificar situaciones en las que el modelo ms apropiado de conjuntos de
datos organizados en tablas de contingencia sea el log-lineal.
Saber utilizar sistemas de cmputo apropiados para la solucin de problemas
prcticos empleando los modelos y mtodos estudiados e interpretar las salidas
de los programas.
Actitudinales (Ser):
Desarrollo del razonamiento lgico en los estudiantes.
Fomentar la capacidad de lectura en los estudiantes.
Promover el trabajo colectivo en los estudiantes.
Desarrollar la habilidad de identificar, formular y resolver problemas con la
tcnica multivariante apropiada.
Desarrollar la habilidad de comparar mtodos de anlisis multivariante y decidir
sobre las mejores alternativas.

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

Programa: Maestra en Estadstica Aplicada.

Resolver ejercicios utilizando un paquete estadstico, por ejemplo SPSS, SAS o


S-Plus para todas las tcnicas estudiadas.
Temtica:
1. Introduccin al anlisis multivariado.
1.1 Resea histrica.
1.2 Clasificacin de los mtodos multivariados segn distintos criterios.
2. Preliminares: lgebra lineal y distribuciones multidimensionales.
2.1 Preliminares de lgebra lineal.
2.1.1 Matrices.
2.1.2 Valores propios y vectores propios.
2.1.3 Diagonalizacin de matrices.
2.1.4 Diagonalizacin ortogonal.
2.1.5 Matrices semidefinidas positivas.
2.2 Preliminares sobre distribuciones multidimensionales.
2.1 Concepto de funcin estimable.
2.1.1 Estimacin mnimo cuadrtica.
2.1.2 Teorema de Gauss_Markov generalizado.
2.1.3 Vector de medias, matrices de varianzas-covarianzas y de correlaciones.
2.1.4 Estimacin del vector de medias y de la matriz de varianzas y covarianzas.
2.1.5 Propiedades de los estimadores mnimos cuadrticos.
2.1.6 Transformaciones lineales de variables aleatorias multidimensionales.
2.1.7 La distribucin normal multidimensional.
3. Anlisis multivariado de varianza.
3.1 Anlisis multivariado de varianza: clasificacin simple y doble.
3.2 El estadstico de Wilks; distribuciones exactas y aproximadas.
3.3 Regresin lineal multivariada.
3.3.1 Algunos problemas especiales de la regresin: la multicolinealidad y la
autocorrelacin.
4. Anlisis de componentes principales.
4.1 Objetivos del anlisis de componentes principales.
4.2 Transformaciones para conseguir incorrelacin.
4.3 Obtencin de las componentes principales.
4.3.1 Proporcin de varianza explicada por cada componente principal.

52

Programa: Maestra en Estadstica Aplicada.

4.3.2 Componentes principales y cambios de escala.


4.4 Anlisis de componentes principales con datos reales.
4.5 Utilidad prctica del anlisis de componentes principales.
5. Correlacin cannica.
5.1 Formulacin del problema.
5.2 Obtencin de las variables cannicas y la correlacin cannica.
5.3 Estimacin de las correlaciones lineales.
5.4 Ejercicios propuestos.
6. Anlisis factorial discriminante
6.1 Planteamiento del problema.
6.2 Variabilidad entre grupos y dentro de los grupos.
6.3 Clculo de los factores discriminantes.
6.4 Regla discriminante de Fisher.
6.5 Estimacin de los factores discriminantes.
6.6 Otras tcnicas de anlisis discriminante.
6.6.1 La regla discriminante de mxima verosimilitud.
6.6.2 La regla discriminante de Bayes.
6.6.3 Reglas discriminantes no paramtricas.
7. Introduccin a los modelos log-lineales.
7.1 Introduccin a modelos log-lineales para tablas de contingencia de dos entradas.
7.2 Concepto de modelo lineal generalizado.
Bibliografa

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

Programa: Maestra en Estadstica Aplicada.

Complementaria:
1) Uriel, E. (1995). Anlisis de Datos: Series temporales y Anlisis Multivariante.

Madrid, Espaa; Coleccin Plan Nuevo.


2) Johnson, C. (1998). Mtodos Multivariados Aplicados al Anlisis de Datos.
Mxico: Thompson Editores.
3) Cuadras, M. (1981), Mtodos de Anlisis Multivariado. Barcelona, Espaa:
EUNIBAR.
4) Johnson, R.A., Wichern, D.W. (1992), Applied Multivariate Statistical
Analysis, 3th ed. USA: Prentice-Hall.
Distribucin del trabajo de los alumnos.
Clases tericas:
50%
Clases prcticas:
20%
Prcticas de laboratorio:
20%
Otras actividades:
20%
Evaluacin:
Examen terico-prctico: __40%_____
Trabajos desarrollados: ___20%______
Prcticas de laboratorio: ___40%______.
Otras: _________________________

54

Programa: Maestra en Estadstica Aplicada.

Tercer 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.
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

interpretar sus resultados.

c) Criterios y evidencias de evaluacin.


Producto de desempeo del semestre.
El estudiante conjuntamente con su tutor, definir el contenido de su proyecto de tesis.
Al concluir el semestre, se deber reportar por escrito cuando menos, los objetivos a
alcanzar y el estado del arte del tema definido.

55

Programa: Maestra en Estadstica Aplicada.

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.

Producto de desempeo del semestre.


El estudiante deber presentar una versin preliminar de su trabajo de tesis para realizar
una exposicin ante el conjunto de docentes con miras a mejorar el trabajo.

56

Programa: Maestra en Estadstica Aplicada.

UNIDADES DE APRENDIZAJE OPTATIVAS

57

Programa: Maestra en Estadstica Aplicada.

Programa: Maestra en Estadstica Aplicada.


Clave del programa: (En trmite)
Nombre de la unidad de aprendizaje: Diseo de experimentos
Semestre: Tercero
Obligatoria: _____ _____
Optativa: ______ X ______
Clave
Horas teora
Horas prctica Total de horas
Crditos
3
2
5
5
rea de formacin:
___ ___ Preliminar
_____ Bsica
__ X __ Especializacin
Conocimientos previos:
Conocimientos bsicos de estadstica matemtica y modelos lineales.
Competencias.
Cognitivas(Saber):
El estudiante conozca y comprenda el concepto de modelo de rango incompleto.
El estudiante conozca e identifique los diferentes diseos de experimentos.
Procedimentales/Instrumentales (Saber hacer):
El estudiante identifique que diseo es ms apropiado segn las necesidades de
cada estudio
Que el estudiante interprete correctamente los resultados obtenidos a travs de
cada una de las tcnicas de diseo de experimentos.
El estudiante aplique, segn la conveniencia de los datos, el mejor de los posibles
mtodos de comparacin mltiple para explicar las diferencias entre los niveles
del factor.
El estudiante realice la modelacin de problemas de mediana complejidad
mediante el uso de los modelos de diseo estudiados.
Actitudinales (Ser):
Desarrollo del razonamiento lgico en los estudiantes.
Desarrollar el procedimiento de modelacin de un fenmeno aleatorio.
Promover el trabajo colectivo en los estudiantes.
Objetivo general:
Presentar al alumno los conceptos bsicos del diseo de experimentos, las herramientas
estadsticas para su anlisis y las relaciones con la teora de modelos lineales. Aplicar
estas ideas al diseo y anlisis de experimentos reales.

58

Programa: Maestra en Estadstica Aplicada.

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

Programa: Maestra en Estadstica Aplicada.

5.4 Diseos para modelos de primer orden


Bibliografa.
Bsica:
1) Toutenburg, H. (2002). Statistical Analysis of Designed Experiments. New
York , USA: Springer Verlag.
2) Box, G., Hunter, W y Hunter, J. (1989): Estadstica para investigadores.
Introduccin al diseo de experimentos, anlisis de datos y construccin de
modelos. Barcelona, Espaa: Revert.

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.

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: ____10%___.
Otras: _________10 %__ ____

60

Programa: Maestra en Estadstica Aplicada.

Programa: Maestra en Estadstica Aplicada.


Clave del programa: (En trmite)
Nombre de la unidad de aprendizaje: Bioestadstica
Semestre: Cuarto.
Obligatoria: __________
Optativa: __XX__________
Clave
Horas teora
Horas prctica Total de horas
Crditos
3
2
5
5
rea de formacin:
______ Preliminar
_____ Bsica
___X__ Especializacin
Conocimientos previos:
Probabilidad, mtodos estadsticos, regresin lineal
Competencias.
Cognitivas(Saber):
El estudiante:
Calcular el riesgo relativo y el odds ratio, e identificar la diferencia que existe
entre ellos.
Conocer el modelo de regresin logstica, e interpretar los parmetros que lo
componen.
Obtendr estimadores de verosimilitud mxima para los parmetros del modelo
de regresin logstica.
Estudiar mtodos parmetricos y no parmetricos para el anlisis de sobre vida.
Interpretar los coeficientes del modelo de riego proporcional.
Identificar los diferentes ndices de diversidad, as como sus propiedades
estadsticas.
Procedimentales /Instrumentales (Saber hacer):
El estudiante:
Interpretar las diferentes medidas de asociacin de los datos que usa en su
prctica profesional.
Investigar la relacin o asociacin de las variables categricas.
Aplicar los ndices de diversidad en estudios ecolgicos con un enfoque de.
Actitudinales (Ser):
Desarrollo del pensamiento cientfico,

61

Programa: Maestra en Estadstica Aplicada.

Fomentar la capacidad de investigacin.


Objetivo general:
El estudiante identificar y aplicar modelos estadsticos para el anlisis de la
informacin y evaluacin de los resultados en problemas del rea biolgica.
Objetivos especficos:
El estudiante conocer y comprender los conceptos bsicos del modelo de
regresin logstica.
El alumno conocer los conceptos bsicos del anlisis de sobre viviencia
El alumno conocer y aplicar los modelos de riesgos proporcionales de Cox.
El alumno conocer los principales problemas estadsticos del uso de ndices de
diversidad.
Temtica:
1. Anlisis de datos categricos:
1.1. Distribucin e inferencia para datos categricos
1.2. Tablas de doble entrada
1.3. Pruebas de independencia
1.4. Medidas de asociacin
2. Regresin logstica:
2.1. Interpretacin de los coeficientes del modelo
2.2. Test de hiptesis
2.3. Intervalo de confianza para el Odds Ratio
2.4. Modelo de regresin logstica con interaccin
2.5. Estrategias y usos del modelo de regresin logstica
3. Anlisis de sobre vivencia:
3.1. Algunas funciones de sobrevida
3.2. Curvas de Kaplan-Meier
3.3. Mtodo Log-rank para comparar curvas de sobrevida
3.4. Modelos de regresin de Cox
3.5. Razn de riesgos
3.6. Interpretacin de los coeficientes
3.7. Test de hiptesis
62

Programa: Maestra en Estadstica Aplicada.

4. Opcin A: Regresin de Poisson


4.1. Densidad de incidencia
4.2. Definicin del modelo
4.3. Interpretacin de los coeficientes
4.4. Test de hiptesis
4.5. Comparacin de dos modelos
4. Opcin B: ndices de diversidad
4.1. Uso de los ndices de diversidad
4.2. Caractersticas de un ndice de diversidad
4.3. Clases de ndices
4.4. Aplicacin de los ndices
Bibliografa

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.

Distribucin del trabajo de los alumnos.


Clases tericas:
50%
Clases prcticas:
20%
Prcticas de laboratorio:
20%
Otras actividades:
20%

63

Programa: Maestra en Estadstica Aplicada.

Evaluacin
Examen terico-prctico: ___60%_____
Trabajos desarrollados: ____30%____
Prcticas de laboratorio: ____10%____
Otras: ________

64

Programa: Maestra en Estadstica Aplicada.

Programa: Maestra en Estadstica Aplicada.


Clave del programa: (En trmite)
Nombre de la unidad de aprendizaje: Muestreo Estadstico II
Semestre:
Obligatoria: __________
Optativa: _____X_______
Clave
Horas teora
Horas prctica Total de horas
Crditos
3
2
5
5
rea de formacin:
___ ___ Preliminar
__ ___ Bsica
_X___ Especializacin
Conocimientos previos:
Regresin Lineal, Muestreo Estadstico I
Competencias.
Cognitivas(Saber):
El estudiante:
Conoce estimadores para modelos de regresin lineal en esquemas de muestreo
complejos.
Conoce mtodos de estimacin de varianza de estimadores no lineales en
esquemas de muestreo complejos.
Conoce estimadores para reas pequeas y de sus varianzas haciendo uso de
informacin auxiliar.
Conoce mtodos de inferencia en presencia de no respuesta
Procedimentales/Instrumentales (Saber hacer):
El estudiante:
Obtiene estimaciones de parmetros del modelo de regresin lineal en esquemas
de muestreo complejos.
Obtiene estimaciones de varianza de estimadores no simples en esquemas de
muestreo complejos.
Obtiene estimaciones de parmetros en reas pequeas.
Realiza inferencia en presencia de no respuesta.
Usara paquetes estadisticos como survey y sampling de programa R.
Actitudinales (Ser):
Desarrollo del pensamiento cientfico.
Fomentar la capacidad de investigacin.
Promover el trabajo colectivo en los estudiantes.

65

Programa: Maestra en Estadstica Aplicada.

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

Programa: Maestra en Estadstica Aplicada.

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

Programa: Maestra en Estadstica Aplicada.

Programa: Maestra en Estadstica Aplicada.


Clave del programa: (En trmite)
Nombre de la unidad de aprendizaje: Regresin Lineal
Semestre:
Obligatoria: __________
Optativa: _____X_______
Clave
Horas teora
Horas prctica Total de horas
Crditos
3
2
5
5
rea de formacin:
___ ___ Preliminar
__ ___ Bsica
__X__ Especializacin
Conocimientos previos:
Introduccin al Algebra Lineal, Muestreo Estadstico I
Competencias.
Cognitivas(Saber):
El estudiante:
Conoce el modelo de regresin lineal y sus supuestos.
Conoce las tcnicas de diagnostico del modelo de regresin lineal y las medidas
correctivas apropiadas
Conoce modelos no lineales linealizables.
Conoce software estadstico para el anlisis de datos con el modelote regresin
lineal.
Procedimentales/Instrumentales (Saber hacer):
El estudiante:
Obtiene estimaciones de parmetros del modelo de regresin lineal.
Realiza diagnsticos del modelo de regresin lineal y utiliza las medidas
correctivas apropiadas.
Realiza inferencia en modelos no lineales pero linealizables.
Utiliza softaware estadstico apropiado para el analisis de datos con modelos de
regresion lineal.
Actitudinales (Ser):
Desarrollo del pensamiento cientfico.
Fomentar la capacidad de investigacin.
Promover el trabajo colectivo en los estudiantes.

68

Programa: Maestra en Estadstica Aplicada.

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

Programa: Maestra en Estadstica Aplicada.

3) Chatterjee S., Price B. (1991). Regression Analysis by Example, 2 edicin,

New York, USA: John Wiley & Sons.


4)

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

Programa: Maestra en Estadstica Aplicada.

Programa: Maestra en Estadstica Aplicada.


Clave del programa: (En trmite)
Nombre de la unidad de aprendizaje: Econometra
Semestre: Tercero.
Obligatoria: __________
Optativa: _____X_______
Clave
Horas teora
Horas prctica Total de horas
Crditos
3
2
5
5
rea de formacin:
___ ___ Preliminar
_____ Bsica
___X__ Especializacin
Conocimientos previos:
Probabilidad y Mtodos estadsticos
Competencias.
Cognitivas(Saber):
El estudiante:
Conocer y comprender los fundamentos tericos y los objetivos de la
modelacin economtrica.
Conocer y comprender la especificacin, estimacin e inferencia del modelo
lineal simple.
Conocer y comprender la especificacin, estimacin e inferencia del modelo
lineal mltiple.
Conocer y comprender la especificacin y estimacin del modelo
multiecuacional.
Procedimentales/Instrumentales (Saber hacer):
El estudiante:
Sabr especificar y estimar un modelo de regresin simple y realizar la inferencia
estadstica sobre los parmetros del modelo.
Sabr especificar y estimar un modelo de regresin mltiple y realizar la
inferencia sobre los parmetros del modelo.
Especificar y estimar un modelo economtrico multiecuacional.
Sabr realizar la estimacin e inferencia estadstica de los distintos modelos
mediante un paquete estadstico e interpretar los resultados.
Modelar un fenmeno econmico y realizar su evaluacin estadstica y
econmica.

71

Programa: Maestra en Estadstica Aplicada.

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

Programa: Maestra en Estadstica Aplicada.

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.

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: _________________________

73

Programa: Maestra en Estadstica Aplicada.

Programa: Maestra en Estadstica Aplicada.


Clave del programa: (En trmite)
Nombre de la unidad de aprendizaje: Procesos Estocsticos
Semestre: Tercero
Obligatoria: _____ _____
Optativa: ______ X ______
Clave
Horas teora
Horas prctica Total de horas
Crditos
3
2
5
5
rea de formacin:
___ ___ Preliminar
_____ Bsica
__ X __ Especializacin
Conocimientos previos:
Conocimientos bsicos de probabilidad e inferencia estadstica.
Competencias.
Cognitivas(Saber):
El estudiante conozca y comprenda el concepto de proceso estocstico.
El estudiante conozca e identifique procesos estocsticos tales como las cadenas
de Markov, el proceso de Poisson y el movimiento Brawniano.
Procedimentales/Instrumentales (Saber hacer):
Dado un proceso estocstico el estudiante identifique el tipo de proceso de que se
trata, mediante las caractersticas y propiedades del mismo.
El estudiante realice la modelacin de problemas de mediana complejidad
mediante el uso de algunos procesos estudiados.
Actitudinales (Ser):
Desarrollo del razonamiento lgico en los estudiantes.
Desarrollar el procedimiento de modelacin de un fenmeno aleatorio.
Promover el trabajo colectivo en los estudiantes.
Objetivo general:
El estudiante conocer y comprender los fundamentos de los procesos estocsticos.
Objetivos especficos:
El estudiante conocer y comprender el concepto de proceso estocstico.
El alumno conocer los procesos estocsticos bsicos y sus aplicaciones en
diferentes disciplinas, tales como las finanzas y la investigacin de operaciones.
Temtica:

74

Programa: Maestra en Estadstica Aplicada.

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

Programa: Maestra en Estadstica Aplicada.

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.

Distribucin del trabajo de los alumnos.


Clases tericas:
50%
Clases prcticas:
20%
Prcticas de laboratorio:
20%
Otras actividades:
20%
Evaluacin:
Examen terico-prctico: ___70 %____
Trabajos desarrollados: ____20 %_____
Prcticas de laboratorio: _________.
Otras: _________10 %__ ____

76

Programa: Maestra en Estadstica Aplicada.

Programa: Maestra en Estadstica Aplicada.


Clave del programa: (En trmite)
Nombre de la unidad de aprendizaje: Estadstica Bayesiana
Semestre: Tercero/cuarto.
Obligatoria: _____ _____
Optativa: ______ X ______
Clave
Horas teora
Horas prctica Total de horas
Crditos
3
5
5
5
rea de formacin:
___ ___ Preliminar
_____ Bsica
__ X ___ Especializacin
Conocimientos previos:
Conocimientos bsicos del clculo diferencial e integral, lgebra lineal y
probabilidad.
Competencias.
Cognitivas(Saber):
El estudiante conozca y comprenda los fundamentos tericos de la estadstica
Bayesiana.
El estudiante conozca las distintas presentaciones del teorema de Bayes.
El estudiante conozca e identifique los problemas en la especificacin de la
distribucin a priori.
El estudiante conozca e identifique los principales mtodos de especificacin de
la distribucin a priori.
Procedimentales/Instrumentales (Saber hacer):
El estudiante sea capaz de especificar la distribucin a priori dada la informacin
a priori.
El estudiante sea capaz de determinar la distribucin a posteriori.
El estudiante sea capaz de realizar anlisis bajo el enfoque Bayesiano.
El estudiante se capaz de comprender y realizar aplicaciones del modelo lineal.
Actitudinales (Ser):
Fomentar un espritu crtico respecto a los distintos enfoques estadsticos.
Fomentar la capacidad de lectura en los estudiantes.
Promover el trabajo colectivo en los estudiantes.
Objetivo general:
El estudiante conocer y comprender los fundamentos tericos del enfoque Bayesiano

77

Programa: Maestra en Estadstica Aplicada.

y sus principales mtodos de anlisis.


Objetivos especficos:
El estudiante conocer y comprender los conceptos y definiciones bsicas de la
teora de decisiones que dan fundamento a la estadstica Bayesiana.
El alumno conocer y comprender las dificultades en la eleccin de la
distribucin a priori y sus principales mtodos de especificacin.
Dada la distribucin a priori y la densidad de los datos, el estudiante ser capaz
de obtener la distribucin a posteriori y realizar el anlisis estadstico
correspondiente.
El estudiante estar en condiciones de comprender y aplicar a casos particulares
las distintas tcnicas estadsticas desarrolladas bajo el enfoque Bayesiano.
Temtica:
1.- Introduccin al paradigma Bayesiano.
1.1 Teora de decisiones en la estadstica Bayesiana.
1.2 Teorema de Bayes en su forma discreta y continua.
1.3 Distribucin de probabilidad a priori y a posteriori.
1.4 Otros enfoques de inferencia estadstica.
2.- Distribucin de probabilidad a priori.
2.1 Dificultades en la eleccin de la distribucin de probabilidad a priori.
2.2 Determinacin subjetiva y aproximaciones.
2.3 Distribucin a priori conjugada.
2.4 Distribucin a priori no informativa.
2.5 Distribucin a priori de mxima entropa.
3. Anlisis Bayesiano.
3.1 Definicin y determinacin de la distribucin a posteriori.
3.2 Estimacin puntual.
3.3 Conjuntos creibles.
3.4 Prueba de hiptesis.
3.5 Inferencia predictiva.
4. Aplicaciones del enfoque Bayesiano.
4.1 Modelo de regresin simple.
4.2 Modelo de regresin mltiple.
4.3 Modelo lineal general.
4.4 Modelo jerrquico.

78

Programa: Maestra en Estadstica Aplicada.

4.5 Otros modelos.


Bibliografa.
Bsica:
1) Carlin, B. y Louis, T. (1996). Bayes and Empirical Bayes Methods for Data
Analysis. Chapman & Hall.
2) Berger, J. O. (1985). Statistical Decision Theory and Bayesian Analysis. Berlin:
Springer.
3) Box, G. E. P. y Tiao, G. C. (1973). Bayesian Inference in Statistical Analysis.
Reading, MA: Addison-Wesley.
4) Press, J. (2003). Subjective and Objective Bayesian Statistics. Principles,
Models, and Applications. John Wiley & Sons.

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

Programa: Maestra en Estadstica Aplicada.

Programa: Maestra en Estadstica Aplicada.


Clave del programa: (En trmite)
Nombre de la unidad de aprendizaje: Cmputo Estadstico
Semestre: Tercero
Obligatoria: _____ _____
Optativa: ____X________
Clave
Horas teora
Horas prctica Total de horas
Crditos
3
2
5
5
rea de formacin:
___ ___ Preliminar
__ ____ Bsica
___X__ Especializacin
Conocimientos previos:
Probabilidad, Inferencia Estadstica, Mtodos estadsticos y Modelos Lineales.
Competencias.
Cognitivas(Saber): El estudiante:
Conoce la estructura bsica del lenguaje de programacin en programas
orientados a estadstica tales como R/ S-plus, SAS.
Conoce y entiende los mtodos se simulacin de variables aleatorias
Conoce y entiende mtodos de optimizacin no lineal.
Conoce mtodos de integracin aproximada y entiende cmo muestrear de
funciones de distribucin.
Conoce diferentes mtodos de optimizacin y de generacin de variables de
funciones no conocidas.
Procedimentales/Instrumentales (Saber hacer): El estudiante:
Realiza sus propios programas de generacin de variables aleatorias, tanto
continuas como discretas.
Obtiene estimadores de mxima verosimilitud de funciones de verosimilitud
univariadas.
Realiza integrales Montecarlo y genera variables aleatorias de una densidad no
conocida.
Obtiene estimadores de mxima verosimilitud cuando la funcin de
verosimilitud es compleja
Genera nmeros aleatorios a distribuciones conjuntas a partir de distribuciones
condicionadas.
80

Programa: Maestra en Estadstica Aplicada.

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

Programa: Maestra en Estadstica Aplicada.

4. Mtodos Monte Carlo


4.1 Integracin Monte Carlo
4.2 Mtodo de descomposicin.
4.3 Muestreo de Importancia
4.4 Intervalos de Confianza y Pruebas Monte Carlo
5. El Algoritmo EM.
5.1 Introduccin
5.2 EM en la familia exponencial
5.3 Errores estndar
6. Cadenas de Harkov Monte Carlo (MCMC)
6.1 El muestreador de Gibbs (Gibbs Sampler)
6.2 Ejemplos
6.3 Algoritmo de Metrpolis
7. Mtodos de Remuestreo
7.1 Bootstrap
7.2 Jackknife

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

Programa: Maestra en Estadstica Aplicada.

Evaluacin:
Examen terico-prctico: ___60 %____
Trabajos desarrollados: _____20 %____
Trabajo final: ____20%____.
Otras: _________________________

83

Programa: Maestra en Estadstica Aplicada.

Programa: Maestra en Estadstica Aplicada.


Clave del programa: (En trmite)
Nombre de la unidad de aprendizaje: Series de Tiempo
Semestre: Tercero o Cuarto
Obligatoria: _____ _____
Optativa: ____X________
Clave
Horas teora
Horas prctica Total de horas
Crditos
3
2
5
5
rea de formacin:
___ ___ Preliminar
__ ____ Bsica
___X__ Especializacin
Conocimientos previos:
Probabilidad, Inferencia Estadstica y Mtodos estadsticos
Competencias.
Cognitivas(Saber): El estudiante:
Conoce la aplicacin del anlisis de series de tiempo
Conoce y comprende conceptos fundamentales de series de tiempo y procesos
estocsticos.
Conoce los modelos lineales estacionarios, no estacionarios homogneos y
estacionales.
Conoce paquetes estadsticos orientados al anlisis de series de tiempo.

Procedimentales/Instrumentales (Saber hacer): El estudiante:


Identifica y determina procesos estacionarios.
Estima la funcin de autocorrelacin, la funcin de autocorrelacin parcial y
realiza graficas de correlogramas muestrales.
Estima medias, varianza, autocovarianzas y autocorrelaciones de modelos
lineales estacionarios, no estacionarios homogneos y estacionales.
Realiza los diagnsticos del modelo y toma las medidas correctivas apropiadas
para el ajuste de una serie de tiempo.
Estima los parmetros de un modelo de series de tiempo.
Predice observaciones futuras del modelo de serie de tiempo ajustado.
Sabe usar paquetes estadsticos para el anlisis de series de tiempo para llevar a

84

Programa: Maestra en Estadstica Aplicada.

cabo las etapas de estimacin y prediccin de una modelo.

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

Programa: Maestra en Estadstica Aplicada.

3.1 Modelo terico de una serie de tiempo.


3.2 Conceptos fundamentales de procesos estocsticos
3.3 Estacionariedad estricta y debil
3.4 Funcin de autocorrelacin terica y muestral de procesos estacionarios
3.5 Estimacin de la funcin de autocorrelacin.
3.6 Correlograma terico y muestral
4.- Modelos estacionarios
4.1 Procesos estacionarios
4.2 Modelo estacionario lineal de Promedios Mviles de orden q, MA(q)
4.3 Invertibilidad del modelo MA(q)
4.3.1 Condiciones para la relacin uno a uno entre el modelo MA(1) y su funcin
de autocorrelacin.
4.3.2 Funcin de autocorrelacin parcial (FACP) para MA (q)
4.4 Modelo estacionario autorregresivo de orden p, AR(p)
4.4.1 Interpretacin y estimacin de parmetros del modelo
4.4.2 Funcin de autocorrelacin (FAC) y funcin de autocorrelacin parcial del
modelo (FACP)
4.5 Dualidad entre modelos MA(1) y AR(1)
4.6 Modelo autorregresivos y de promedios mviles, ARMA(q,q)
4.6.1 FAC y FACP del modelo
4.6.2 Ventajas del modelo ARMA sobre los modelos AR y MA puros.
5. Modelos de Series de Tiempo No-estacionarios Homogeneos y Estacionales
5.1 Notacin y operador backshift
5.2 Diferencia de series homogneas no estacionarias.
5.3 Modelo ARIMA(p,d,q)
5.4 Funcin de autocorrelacin para una proceso no estacionario
5.5 Modelos ARIMA Estacionales (SARIMA)
5.5.1 Pronstico de modelos SARIMA.
6. Identificacin y Estimacin de modelos
6.1 Cul es un buen modelo?
6.2 Identificacin de modelos estacionarios, no estacionarios y estacionales
6.3 Errores estndar para autocorrelaciones estimadas.
6.4 Estimacin de parmetros. Mnimos cuadrados y Mxima Verosimilitud
7. Verificacin y Prediccin.
7.1 Distribucin de los estimadores del modelo
86

Programa: Maestra en Estadstica Aplicada.

7.2 Etapa de verificacin del modelo


7.3 Etapa de prediccin del modelo
7.4 Formas explcitas y bsicas del modelo ARIMA para la prediccin.

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.

New York, USA: Springer-Verlag.


2) Chatfield, Chris. (1995). The Analysis of Time Series. An Introduction. Fifth
Edition. Chapman & Hall/CRC.
Guerrero, Victor. (1991). Anlisis Estadstico de Series de Tiempo Econmicas.
Coleccin CBI, UAM
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: _________________________

87

Programa: Maestra en Estadstica Aplicada.

Programa: Maestra en Estadstica Aplicada.


Clave del programa: ______________
Nombre de la unidad de aprendizaje: Estadstica no paramtrica
Semestre: IV.
Obligatoria: __________
Optativa: ____________
Clave
Horas teora
Horas prctica Total de horas
Crditos
2
3
5
5
rea de formacin:
___ __ Preliminar
_____ Bsica
__X___ Especializacin
Conocimientos previos: Teoria de la probabilidaad e Inferencia estadstica
Competencias.
Cognitivas(Saber):
El estudiante comprenda los principios bsicaos de la estadstica no paramtrica.
El estudiante distinga las principales diferencias entre la estadstica paramtrica y
la estadstica no paramtrica.
El estudiante comprenda los tipos de variables y su naturaleza, las escalas de
medicin y los tipos de datos que se generan en las mediciones.
El estudiante comprenda los procedimientos y el desarrollo de los mtodos
basados en signos.
El estudiante comprenda los procedimientos y el desarrollo de las pruebas
basadas en rangos.
El estudiante comprender el el uso del software en los mtodos no paramtricos.
Procedimentales/Instrumentales (Saber hacer):
El estudiante aplique los principios bsicos de la estadstica no paramtrica en la
resolucin de problemas.
El estudiante aplique las ecalas de medicin en el estudio de problemas diversos
de la vida real.
El estudiante aplique los mtodos basados en signos, en la resolucin de
problemas derivados de situaciones reales.
El estudiante aplique los mtodos basados en rangos, en la resolucin de
problemas derivados de situaciones reales.
El estudiante utilice Software estadstico en los distintos mtodos no
paramtricos.
Actitudinales (Ser):

88

Programa: Maestra en Estadstica Aplicada.

Desarrollo de la habilidad de anlisis de datos que lleve a la formacin del


pensamiento estadstico.
Desarrollar la habilidad de ser ms observador.
Desarrollar la capacidad de comparar entre conjuntos de datos para obtener
conclusiones cientficas soportadas estadsticamente.
Desarrollar el pensamiento inferencial a travs de la capacidad de plantear y
probar hiptesis estadsticas.
Desarrollar el pensamiento inferencial a travs de la capacidad de obtener
estimaciones y la valoracin de las mismas.
Objetivo general:
El estudiante aprender los principios y mtodos de la estadstica no paramtrica.
Objetivos especficos:
El estudiante aprender a distinguir las situaciones reales en las que se justificara
la aplicacin de un mtodo no paramtrico.
El estudiante aprender la aplicacin de los mtos no paramtricos para hacer
estimaciones y contrastar hiptesis estadsticas.
El estudiante aprender a aplicar los mtodos no paramtricos para estudiar la
correlacin de variables.
El estudiante aprender la aplicacin de las pruebas de bondad de ajuste.
El estudiante aprender a usar el software especializado en las distintas pruebas
no paramtricas.
Temtica:
1. Conceptos bsicos
1.1. Tipos de variables
1.2. Escalas de medicin
1.3. Inferencia estadstica.
2. Mtodos basados en la distribucin Binomial.
2.1. Prueba del Signo.
2.2. Variaciones de la Prueba del Signo.
3. Tablas de contingencia
3.1. Tablas de Contingencia 2x2.
3.2. Tablas de Contingencia r X c.
3.3. La Prueba de la Mediana
3.4. Medidas de dependencia
3.5. La Prueba Ji-cuadrada para Bondad de Ajuste.
4. Mtodos basados en Rangos.
4.1. 2 muestras independientes.
89

Programa: Maestra en Estadstica Aplicada.

4.2. k muestras independientes.


4.3. 2 muestras relacionadas.
4.4. k muestras relacionadas.
4.5. Corelacin basada en Rangos.
5. Estadstico de Kolmogorov-Smirnov.
5.1. La prueba de Kolmogorov para Bandad de Ajuste.
5.2. Pruebas de Bodad de Ajuste para familias de distribuciones.
5.3. Pruebas para 2 muestras independientes.
Bibliografa.

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

Programa: Maestra en Estadstica Aplicada.

Evaluacin:
Examen terico-prctico: ___40%____
Trabajos desarrollados: ____40%____
Prcticas de laboratorio: ____20%____.
Otras: _________________________

91

Programa: Maestra en Estadstica Aplicada.

Programa: Maestra en Estadstica Aplicada.


Clave del programa: ______________
Nombre de la unidad de aprendizaje: Modelos Lineales
Semestre: .
Obligatoria: __________
Optativa: ____ X ________
Clave
Horas teora
Horas prctica Total de horas
Crditos
3
2
5
5
rea de formacin:
___ ___ Preliminar
_____ Bsica
___ X __ Especializacin
Conocimientos previos:
Conocimientos bsicos del clculo diferencial e integral, lgebra lineal,
probabilidad e inferencia estadstica.
Competencias.
Cognitivas(Saber):
El estudiante:
Enunciar las distribuciones de algunas formas cuadrticas.
Especificar un modelo lineal de rango completo.
Especificar un modelo lineal de rango no completo.
Procedimentales/Instrumentales (Saber hacer):
Determinar la distribucin de algunas formas cuadrticas.
Calcular la esperanza de vectores y matrices.
Calcular los estimadores de los parmetros del modelo lineal de rango completo
por alguno de los mtodos.
Realizar la inferencia correspondiente al modelo lineal de rango completo.
Calcular los estimadores de los parmetros del modelo lineal de rango no
completo.
Realizar la inferencia correspondiente al modelo lineal de rango no completo.
Actitudinales (Ser):
Fomentar su capacidad de identificar el modelo que mejor explique el
comportamiento de los datos.
Fomentar su capacidad de crtica de los modelos.
Fomentar su capacidad de trabajo colectivo.

92

Programa: Maestra en Estadstica Aplicada.

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

Programa: Maestra en Estadstica Aplicada.

4.4 Prueba de hiptesis.

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

También podría gustarte