UNIVERSIDAD VERACRUZANA

Mapa curricular de la Maestra en Estadstica Aplicada

Nombre del Curso

Crditos

Horas
Tericas

Prcticas

rea de Formacin
Inferencia Estadstica
Metodologa Estadstica
Modelacin y Anlisis Estadstico

16
12
16

90
15
90

60
150
60

8
8

15
15

90
90

8
8
8
8
8

15
15
15
15
15

90
90
90
90
90

rea de Intervencin
Proyecto de Intervencin I
Proyecto de Intervencin II
rea Optativa
Optativa I
Optativa II
Optativa III
Optativa IV
Optativa V

CURSOS OPTATIVOS
CURSO
Diseo y Anlisis de Experimentos
Muestreo
Anlisis de Series de Tiempo
Probabilidad Aplicada
Estadstica Computacional
Temas de Estadstica Multivariada
Temas de Estadstica No Paramtrica
Temas de Modelacin Estadstica
Aprendizaje de la Estadstica
Pensamiento Estadstico y Educacin
Enfoques para Innovacin en
Estadstica

CRDITOS
HORAS
TEORA PRCTICA TEORA PRCTICA
15
90
2
6
15
90
2
6
15
90
2
6
15
90
2
6
15
90
2
6
15
90
2
6
15
90
2
6
15
90
2
6
15
90
2
6
15
90
2
6
15

90

TOTALES
HORAS
CRDITOS
105
8
105
8
105
8
105
8
105
8
105
8
105
8
105
8
105
8
105
8
105

Duracin de los estudios

El programa de la maestra est proyectado en cuatro semestres, contemplndose que
sea concluida en dos aos. El programa acadmico semestral se regir por las fechas
que contempla el calendario oficial de la UV, elaborado por la Direccin General de
Administracin Escolar.

Nombre de la Experiencia Educativa: Inferencia Estadstica

Nmero de crditos: 16 Intensidad semanal: 15 horas Total de horas: 150
Horas tericas: 90 Horas Prcticas: 60 Modalidad: curso-taller
Justificacin:
La inferencia estadstica es el conjunto de procedimientos y principio que
permiten aprender de algn proceso aleatorio (poblacin) tomando como base
a su comportamiento observado (muestra). Este curso es una introduccin a la
teora de la estimacin puntual y por intervalo, y prueba de hiptesis. En el
curso tambin se proporciona una introduccin a la teora de la probabilidad.
La probabilidad juega dos roles en la estadstica: fenomenolgicamente, para
describir la variabilidad de los fenmenos observados en el mundo real
y epistemolgicamente, para representar la incertidumbre del conocimiento;
Cox (1990). El primer rol est identificado con el proceso de modelacin
probabilstica-estadstica y el segundo con el de inferencia estadstica. As, el
estudio de la Probabilidad es obligatorio para el profesional de la estadstica.
Objetivo:
El objetivo de este curso es que el estudiante obtenga los conocimientos
bsicos de probabilidad e inferencia estadstica para abordar problemas de
modelaje probabilstico y estadstico.
Competencias a desarrollar:
1) Modelar fenmenos del mundo real con modelos probabilsticos.
2) Aplicar los principios bsicos de inferencia estadstica a situaciones reales.
En concreto, el estudiante plantear y desarrollar procedimientos de inferencia
estadstica para resolver problemas reales de otras disciplinas mediante la
aplicacin de resultados tericos y metodolgicos de estimacin puntual y por
intervalo, y prueba de hiptesis.

Contenidos temticos:
I. Teora de la probabilidad.
I.1
I.2
I.3
I.4

Espacios de Probabilidad.
Combinatoria y Conteo.
Variables Aleatorias.
Distribucin de una Variable Aleatoria.

I.5
I.6
I.7
I.8

Variables Aleatorias Discretas.

Funcin de Masa de Probabilidad.
Variables Aleatorias Continuas.
Funcin de Densidad de Probabilidad.

II. Transformaciones.
II.1
II.2
II.3
II.4
II.5
II.6
II.7
II.8
II.9

Transformaciones de Variables aleatorias.

Valor Esperado.
Funciones Generadoras.
Vectores Aleatorios.
Independencia.
Variable Aleatorias Condicionales.
Transformaciones de Vectores Aleatorios.
Familias Comunes de Distribuciones.
Teoremas Lmites.

III. Tipos de convergencia.

III.1
III.2
III.3
III.4
III.5
III.6
III.7
III.8
III.9

Convergencia Casi Segura.

Convergencia en Probabilidad.
Convergencia en Distribucin.
Ley Fuerte de los Grandes Nmeros.
Ley Dbil de los Grandes Nmeros.
Teorema Central del Lmite.
Conceptos Bsicos de Muestras Aleatorias.
Distribuciones Muestrales.
Muestreo de una Distribucin Normal.

IV. Principios de reduccin de datos.

IV.1
IV.2
IV.3
IV.4
IV.5
IV.6
IV.7

Principio de Suficiencia.
Principio de Verosimilitud.
Principio de Equivarianza.
Estadsticos Suficientes.
Estadsticos Completos.
Estadsticos Auxiliares.
Estimacin Puntual.

V. Mtodos de estimacin puntual.

V.1
V.2
V.3
V.4
V.5
V.6
V.7
V.8

Momentos.
Mxima Verosimilitud.
Evaluacin de Estimadores puntuales.
Estimacin Prueba de Hiptesis.
Prueba del Cociente de Verosimilitudes.
Pruebas Bayesianas.
Evaluacin de Pruebas.
Estimacin por Intervalo.

VI. Mtodos de estimacin por intervalos.

VI.1 Pivotes.
VI.2 Estadsticos de Prueba.
VI.3 Intervalos Bayesianos.

VII. Evaluaciones asintticas.

VII.1 Consistencia.
VII.2 Eficiencia.
VII.3 Robustez.
Actividades de aprendizaje:
Estudio independiente.
Tareas individuales.
Sesiones de presentacin de soluciones de problemas.
Presentacin por parte de los estudiantes de temas seleccionados por el
profesor.

Evaluacin de desempeo:
1) Participacin activa en clase (10%).
2) Tareas (30%).
3) Examen parcial I (15%).
4) Examen parcial II (15%).
5) Examen final (30%).

Referencias:
Casella, G., and Berger,
Press: Pacific Grove.

R.L.

(2002). Statistical

Inference.

Duxbury

Cox, D.R. (1990). Role of Models in Statistical Analysis. Statistical Science, Vol.
5, No. 2, 169-174.
Mukhopadhay, N. (2000). Probability and Statistical Inference. Marcel Dekker:
New York.
Rohatgi, V.K. (1976). An Introduction to Probability Theory and Mathematical
Statistics. Wiley: New York.
Ross, S. (1994). A First Course in Probability, Fourth Edition. Macmillan, New
York.

Nombre de la Experiencia Educativa: Metodologa Estadstica

Nmero de crditos: 12 Intensidad semanal: 16 Total de horas: 165
Horas tericas: 15 Horas Prcticas: 150 Modalidad: Curso-Taller
Justificacin:
En nuestra sociedad actual existe una generacin y uso de cantidades masivas
de datos. El curso integra los conocimientos bsicos de la estadstica entendida
como una disciplina que proporciona principios y tcnicas de anlisis de datos.
El curso cubre los conocimientos que un profesional de la estadstica a nivel de
maestra debe dominar. El nfasis del curso est en los conceptos elementales
que caracterizan al pensamiento estadstico.
Objetivo:
Generar competencia en los estudiantes para la aplicacin efectiva de las
tcnicas estadsticas elementales en ambientes acadmicos, laborales, y de
consultora independiente.

Competencias a desarrollar:
El estudiante podr:
1) Plantear estrategias de anlisis de datos a partir del anlisis inicial de datos
hasta llegar al anlisis definitivo.
2) Escribir reportes tcnicos de resultados.
3) Realizar presentaciones orales de resultados.
Contenidos temticos:
I. Etapas de una investigacin estadstica.
I.1 Formulacin del Problema.
I.2 Recoleccin de Datos.
I.3 Estrategia de anlisis de datos: Anlisis inicial de datos y anlisis definitivo de
datos.
I.4 Presentacin de resultados: Presentacin oral, escritura de reporte tcnico.
II. Panormica de las tcnicas estadsticas de anlisis de datos.
II. 1 Anlisis exploratorio de datos.
II.2 Modelacin de regresin lineal.
II.3 Mtodos no paramtricos.
II.4 Tcnicas de anlisis multivariado.
III Conceptos de inferencia estadstica.
III.1 Estimacin Puntual.
III.2 Estimacin por Intervalos de Confianza.
III.3 Pruebas de hiptesis.

Actividades de aprendizaje:
El curso-taller tiene un enfoque de aprendizaje basado en problemas. En este
enfoque el aprendizaje est centrado en el estudiante, l cual participa
activamente en combinacin con un rol de facilitador por parte del profesor. El
profesor orienta esta interaccin de tal modo que el estudiante descubra el
conocimiento a travs de la exploracin de problemas reales.
Evaluacin de desempeo:
Se proponen los siguientes criterios y procedimientos de evaluacin:
1) Tareas (25%)
2) Examen final (25%)
3) Proyecto final (50%)

Referencias:
Boen, J.R. and Zahn D.A. (1982) Human Side of Statistical Consulting. Lifetime
Learning.
Hand, D.J. and Everitt, B.S. (eds.) (1987) The Statistical Consultant in Action.
Cambridge University Press.
Chatfield C. (1995) Problem Solving: A Statisticians Guide. Chapman and Hall.
Derr, J. (2000) Statistical Consulting: A Guide to Effective Communication.
Duxbury.
Cabrera, J. and McDougall A. (2002) Statistical Consulting. Springer.
Draper, N.R. (1988). Applied Regression Analysis. Wiley.
Hollander, M. (1999) Nonparametric Statistical Methods. Wiley.
Johnson, R.A., and Wichern, D.W. (1998). Applied Multivariate Statistical
Analysis, 4th ed. Prentice Hall.
.

Nombre de la Experiencia Educativa: Modelacin y Anlisis Estadstico

Nmero de crditos: 16 Intensidad semanal: 15 Total de horas: 150
Horas tericas: 90 Horas Prcticas: 60 Modalidad: Curso- Taller
Justificacin:

La modelacin estadstica es un proceso en el que se postula, ajusta, valida e

interpreta un modelo con el propsito de describir, estimar o predecir la
respuesta en un colectivo, explicndola a travs de variables independientes,
controladas o simplemente observadas. As, los procedimientos estadsticos de
estimacin y prueba de hiptesis se formulan en el marco de la modelacin, el
cual se establece como un enfoque integrador de la metodologa estadstica.
Para adoptar el enfoque de la modelacin estadstica se requiere del dominio
de los fundamentos en la postulacin de los modelos, los resultados tericos
asociados a la estimacin y la prueba de hiptesis, el dominio de las
herramientas de diagnstico y validacin de modelos, as como los resultados
asociados a su uso en la estimacin y el pronstico.

Objetivo:
Desarrollar en el estudiante las competencias que lo habiliten para utilizar
intensivamente la modelacin estadstica en la investigacin factual, as como
para desarrollar estrategias y procedimientos novedosos para la aplicacin de
este proceso, considerando los modelos lineales.
Competencias a desarrollar:
En esta experiencia educativa el estudiante desarrolla competencias para
desarrollar y expresar procedimientos y estrategias generales de modelacin
estadstica en el marco de problemas reales en los cuales se aplican los
modelos de regresin lineal y no lineal; y modelos lineales generalizados. Estos
procedimientos y estrategias los realiza el estudiante con el apoyo de software
estadstico especializado (R, Statistica, SAS, SPSS, Minitab, S-Plus).

Contenidos temticos:
I. Modelos de regresin lineal.
I.1 Regresin Lineal Simple.
I.2 Inferencia en la Regresin Lineal Simple.
I.3 Diagnstico y Medidas Remediales.
I.4 Regresin Lineal Mltiple.
I.5 Formulacin Matricial.
I.6 Inferencia.
I.7 Seleccin de Variables.
I.8 Diagnstico.
I.9 Medidas Remediales y Validacin.
I.10 Formas cuadrticas.
II. Modelo lineal general de rango completo
II.1 Estimacin.
II.2 Prueba de Hiptesis.

III. Modelo lineal general de rango incompleto

III.1 Estimacin.
III.2 Prueba de Hiptesis.
III.3 Anlisis de Covarianza
IV. Modelos de regresin no lineal
IV.1
IV.2
IV.3
IV.4
IV.5
IV.6

Modelos no Lineales.
Mnimos Cuadrados no Lineales.
Mtodo de Gauss-Newton.
Inferencia en Modelos no Lineales.
Familias de Modelos no Lineales.
Especificacin de Modelos.

V. Modelos lineales generalizados

V.1
V.2
V.3
V.4
V.5
V.6
V.7
V.8
V.9

Componentes de un Modelo Lineal Generalizado

Estructura del Error.
Predictor Lineal.
Funcin Liga.
Modelos Log-lineales.
Regresin Logstica.
Regresin Poisson.
Curvas de Crecimiento.
Modelos Lineales para Datos Longitudinales.

Actividades de aprendizaje:
1. Los temas sern presentados por el profesor y por especialistas invitados.
Las presentaciones sern en forma de conferencias panormicas que revisen
los temas establecidos.
2. Los estudiantes desarrollarn actividades de estudio independiente y
preparacin de sesiones donde revisarn a profundidad los resultados tericos,
metodolgicos e ilustraciones.
3. Los estudiantes desarrollarn y presentarn temas de modelacin en el
marco de sus avances en su proyecto de intervencin.
4. Los estudiantes debern presentar al final del curso sus resultados del
proyecto en una sesin tipo congreso.

Evaluacin de desempeo:
Se proponen los siguientes criterios y procedimientos de evaluacin:
1) Tareas (40%)
2) Proyecto final (60%)

Referencias:

Box, G.E.P., Hunter, W.G., and Hunter, J.S. (1989) Estadstica para
Investigadores: Introduccin al Diseo de Experimentos, Anlisis de Datos, y
Construccin de Modelos. Revert: Barcelona.
Steel, R.G.D., y Torrie, J.H. (1988)
Procedimientos. McGraw Hill: Mxico.

Bioestadstica:

Principios

Mason, R.L., Gunst, R.F., and Hess, J.L. (1989) Statistical Design and
Analysis of Experiments. Wiley: New York.
Spirer, H.F., Spirer, L., and Jaffe, A.J. (1998) Misused Statistics, 2nd ed.
Marcel Dekker: New York.
Arnold, S. (1981). The Theory of Linear Models and Multivariate Analysis.
Wiley, New York.
Dobson, A. J. (1997). An Introduction to Generalized Linear Models.
Chapman and Hall, London.
Graybill, F.A. (1976). Theory and Applications of the Linear Model. Duxbury,
MA, USA.
Hocking, R. R. (1985). The Analysis of Linear Models. Brooks/Cole, CA, USA
McCullagh, P. and Nelder, J. A. (1989). Generalized Linear Models. Second
Edition, Chapman and Hall, London.
McCulloch, C.E. and Searle, S.R. (2001), Generalized, Linear and Mixed
Models. Wiley.
Myers, R.H., Montgomery, D.C. and Vining G.G. (2002). Generalized Linear
Models, With Applications in Engineering and the Sciences. Wiley, New York.
Searle, S. R. (1997). Linear Models. Classic Edition, Wiley, New York..

Nombre de la Experiencia Educativa: Proyecto de Intervencin I

Nmero de crditos: 8 Intensidad semanal: 15 Total de horas: 105
Horas tericas: 15 Horas Prcticas: 90 Modalidad: Curso- Taller

Justificacin:
El desarrollo de un trabajo de titulacin se puede plantear como un proceso
bien definido y que sea auditable en cada una de las fases o etapas de su
realizacin. Para tal fin es imprescindible contar con los productos finales bien
caracterizados a partir de una serie de atributos deseables, pero tambin es
necesario definir etapas y contar con subprocesos descritos a un nivel de
detalle que permita su auditoria. En este sentido una programacin precisa de
actividades y metas planteadas a partir de productos bien determinados es
fundamental.

Objetivo:
Conducir a los participantes en el diseo y desarrollo del trabajo de titulacin
(proyecto de intervencin) auditando constantemente el proceso, para
garantizar la calidad acadmica del trabajo as como la conclusin en tiempo y
forma del trabajo.

Competencias a desarrollar:
1) Estructurar un protocolo de investigacin.
2) Plantear y redactar una introduccin, una justificacin y un marco terico.
3) Plantear objetivos generales, particulares y metas.
4) Plantear acciones.
5) Organizar un cronograma de actividades.

Contenidos temticos:
I Diseo y realizacin de proyecto de intervencin
1.1. Seminario (Elaboracin de protocolo)
1.2. Seminario (Desarrollo de la investigacin)
1.3 .Seminario (Presentacin de avances y resultados parciales)
Actividades de aprendizaje:

El curso consistir en una serie de actividades que se desarrollarn desde el

inicio de la maestra.
1. Diseo del proyecto de intervencin, lo cual tiene como producto final un
protocolo con atributos bien establecidos en trminos de contenido y forma.
2. Desarrollo del proyecto de intervencin, lo cual implica la realizacin de las
actividades planteadas y caracterizadas en el protocolo; los productos y los
tiempos definidos para lograrlos estn as mismo planteados en el protocolo.
Los trabajos sern dirigidos por el tutor, en forma individual y grupal en las
instancias presenciales de los seminarios. Los trabajos intermedios entre el
protocolo y el informe final son: (1) Desarrollo del marco terico (2)
Recopilacin y anlisis de datos y (3) borrador del informe final.

Evaluacin de desempeo:
Se proponen los siguientes criterios y procedimientos de evaluacin:
1) Elaboracin de protocolo (30%)
2) Presentacin de protocolo (30%)
3) Presentacin de resultados parciales (40%)

Referencias:
Cea, D. M. A. Metodologa Cuantitativa: Estrategias y Tcnicas de
Investigacin Social. Sntesis. Madrid, 1996.
Chalmers, A. Qu es esa cosa llamada Ciencia? Siglo XXI, Buenos Aires,
1988.
Garca, F. D. Metodologa del Trabajo de Investigacin. Trillas. Mxico, 1998.
Hernndez Sampieri, R. y otros. Metodologa de la investigacin, McGraw-Hill,
Mxico, 1998.
Hernndez, S. R. Metodologa de la Investigacin. McGraw-Hill. Mxico, 1996.
Hernndez, S. R., Fernndez, C. C. Metodologa de la Investigacin. McGrawHill. Mxico, 2003.
Lakatos, I. La Metodologa de los Programas de Investigacin Cientfica.
Alianza Universidad. Madrid, 1993.

Nombre de la Experiencia Educativa: Proyecto de Intervencin II

Nmero de crditos: 8 Intensidad semanal: 15 Total de horas: 105
Horas tericas: 15 Horas Prcticas: 90 Modalidad: Curso- Taller
Justificacin:
En esta experiencia educativa el estudiante contina sus actividades del
Proyecto de Intervencin I.

Objetivo:
Continuar con el seguimiento a los estudiantes en la conclusin de sus
proyectos de titulacin para garantizar la calidad acadmica y la conclusin en
tiempo y forma del proyecto de intervencin.

Competencias a desarrollar:
Elaborar un trabajo de titulacin de alto nivel de calidad acadmica.

Contenidos temticos:
I Realizacin y conclusin del proyecto de intervencin
1.1. Seminario (Presentacin de resultados de la investigacin)
1.2 Defensa del proyecto de intervencin.
Actividades de aprendizaje:
El curso continua con las actividades que se desarrollaron desde el inicio de la
maestra.
1. Continuar con el desarrollo del trabajo de titulacin de acuerdo a las
actividades planteadas y caracterizadas en el protocolo as como los productos
y los tiempos definidos para lograrlos.
2. Presentacin de resultados.
3. Preparacin para el examen de obtencin de grado, lo cual consiste en el
cumplimiento de los requisitos de forma y los requerimientos administrativos,
as como la preparacin de la exposicin pblica del proyecto de intervencin.
Esta defensa consistir en un examen de grado ante un jurado integrado por
tres sinodales.

Evaluacin de desempeo:
Conclusin del proyecto de intervencin (100%).

Nombre de la Experiencia Educativa: Diseo y Anlisis de Experimentos

Nmero de crditos: 8 Intensidad semanal: 15 Total de horas: 105
Horas tericas: 15 Horas Prcticas: 90 Modalidad: Curso- Taller
Justificacin:
El diseo y anlisis de experimentos es una de las reas ms tradicionales y
clsicas de la estadstica. Muchas de las ideas, teora y metodologa de esta
rea surgieron en la investigacin agrcola. Sin embargo, en la actualidad el
diseo y anlisis de experimentos permea la industria; la ingeniera y ciencias;
la investigacin mdica; y la investigacin educativa, por mencionar algunas
reas. Este curso cubre los aspectos tericos y metodolgicos de los diseos
bsicos, los cuales a la vez son los ms utilizados en la prctica y que deben
ser parte de los estadsticos con orientacin a la metodologa estadstica
aplicada a la investigacin.

Objetivo:
Proporcionar a los estudiantes los conocimientos y competencias para disear
y analizar experimentos siguiendo principios estadsticos. Esta competencia se
deber manifestar en la solucin a problemas reales en un marco de
consultora estadstica que inicia desde el planteamiento del problema y
concluye con la elaboracin de un reporte tcnico de resultados.

Competencias a desarrollar:
1) Identificar el diseo adecuado (en el sentido de costo y datos de calidad) ante
un problema real.
2) Establecer un protocolo de experimentacin que especifique todos los
aspectos de la conduccin de un experimento, estos aspectos incluyen corridas,
repeticiones y aleatorizacin.
3) Analizar e interpretar correctamente los datos arrojados por el experimento.
4) Comunicar oralmente y por escrito de manera efectiva los resultados y
conclusiones del experimento.

Contenidos temticos:
I. Diseo y anlisis de experimentos
I.1 Principios del Diseo Estadstico de Experimentos.
I.2 Diseo Completo al Azar.
I.3 Diseo en Bloques al Azar.

I.4 Diseo en Cuadrado Latino.

II. Diseos factoriales
II.1
II.2
II.3
II.4
II.5

Diseos Factoriales 2k , 3k
Diseos Factoriales Fraccionados.
Confusin.
Diseos en Parcelas Divididas.
Anlisis de Covarianza.

Actividades de aprendizaje:
Los temas sern presentados por el profesor y los estudiantes. Los estudiantes
desarrollarn actividades de estudio independiente y preparacin de sesiones
donde revisarn a profundidad resultados tericos y metodolgicos. Los
estudiantes desarrollarn el proceso de diseo y anlisis de un experimento
con un problema real y presentarn avances y resultados en sesiones tipo
congreso.

Evaluacin de desempeo:
Se proponen los siguientes criterios y procedimientos de evaluacin:
1) Tareas (30%)
2) Presentaciones (30%)
3) Proyecto final (40%)

Referencias:
Casella, G. (2008) Statistical Design. Springer.
Toutenburg H., and
Experiments. Springer.

Shalab

(2009)

Statistical

Analysis

of

Designed

Montgomery, D.C. (2002) Diseo y Anlisis de Experimentos, 2 ed. Limusa

Wiley: Mxico.
Castao Tostado, E. y Domnguez Domnguez, J. (2003) Experimentos:
Estrategia y Anlisis en Ciencia y Tecnologa. CIMAT: Guanajuato.
Mason, R.L., Gunst, R.F., and Hess, J.L. (1989) Statistical Design and Analysis
of Experiments. Wiley: New York.
Nombre de la Experiencia Educativa: Muestreo
Nmero de crditos: 8 Intensidad semanal: 15 Total de horas: 105
Horas tericas: 15 Horas Prcticas: 90 Modalidad: Curso- Taller

Justificacin:

La teora del muestreo probabilstico es un rea que ha madurado para

convertirse en una de las herramientas ms utilizadas por los estadsticos,
especialmente aquellos laborando en el sector oficial del gobierno. En la
actualidad las encuestas por muestreo probabilsticos se utilizan ampliamente
en el sector pblico y privado en problemas economa, sociologa, poltica,
evaluacin de programas sociales, e investigacin mdica. Este curso se
orienta a aquellos estudiantes interesados en los aspectos metodolgicos de
las tcnicas bsicas del muestreo probabilstico en un contexto de aplicacin.

Objetivo:
El estudiante desarrollar una comprensin de las ideas, la teora, y los
mtodos del muestreo. Generar competencia en el diseo y anlisis de
estudios por muestreo probabilstico.

Competencias a desarrollar:
El estudiante podr:
1) Identificar los principios, procedimientos y conceptos clave del diseo
muestral en el marco de la investigacin.
2) Seleccionar apropiadamente un diseo muestral tomando en cuenta costos y
recursos disponibles.
3) Desarrollar anlisis tcnicamente correctos de acuerdo al diseo muestral
que produjo a los datos.

Contenidos temticos:
I. Conceptos Bsicos del Muestreo Probabilstico
I.1 Censos y muestreos.
I.2 Ventajas y limitaciones del muestreo.
I.3 Requerimientos de una buena muestra.
I.4 Sesgo de seleccin de sesgo y de medicin.
I.5 Diseo de cuestionario.
I.6 Error de muestreo y error que no es de muestreo.
I.7 Muestreo en poblaciones finitas.
I.8 Definicin de muestra probabilstica.
I.9 Inferencia basada en el diseo: Estimadores y sus distribuciones muestrales.
I.10 Muestras probabilsticas versus muestras no probabilsticas.
II. Muestreo Aleatorio Simple
II.1 Definicin y seleccin de una muestra aleatoria simple.
II.2 Estimacin de la media y el total poblacional.
II.3 Muestreo aleatorio con reemplazo.

II.4 Derivacin de varianzas y estimacin de varianzas.

II.5 Intervalos de confianza para la media y el total.
II.6 Tamao de muestra para la media y el total.
II.7 Enfoque de inferencia basado en el modelo.
II.8 Estimacin puntual y por intervalo de una proporcin.
II.9 Estimacin de una razn.
II.10 Estimacin de una media, un total, una proporcin y una razn de una
subpoblacin.
II.11 Muestreo con reemplazo: Estimador de Horvitz-Thompson.
III. Uso de informacin Auxiliar
III.1 Estimadores de razn.
III.2 Modelos en estimacin de razn.
III.3 Estimacin de regresin lineal.
III.4 Estimador de regresin con probabilidades desiguales.
III.5 Modelos de regresin lineal mltiple.
IV. Muestreo Aleatorio Estratificado
IV.1 Estimacin de la media poblacional.
IV.2 Varianzas y estimacin de varianzas, errores estndar, intervalos de
confianza, pesos.
IV.3Tamao de muestra.
IV.4 Asignacin ptima.
IV.5 Postestratificacin.
IV.6 Estimadores de razn y regresin en el muestreo aleatorio estratificado.
V. Muestreo Sistemtico
V.1 Estimadores y varianzas.
V.2 Relacin entre el muestreo sistemtico y el muestreo aleatorio simple.
VI. Muestreo por Conglomerados
VI.1 Muestreo por conglomerados en una etapa: unidades primarias
seleccionadas con muestreo aleatorio simple.
VI.2 Estimador insesgado.
VI.3 Varianza de los estimadores.
VI.4 Muestreo de conglomerados del mismo tamao con reemplazo.
VI.5 Muestreo de conglomerados de distinto tamao.
VI.6 Muestreo de conglomerados de distinto tamao con probabilidades
desiguales.
VI.7 Estimador de Hansen-Hurwitz.
VI.8 Estimador de Horvitz-Thompson.
VI.9 Tamao de muestra.
VI.10 Relacin entre el muestreo sistemtico y el muestreo por conglomerados.
VII. Muestreo por conglomerados en dos etapas
VII.1 Varianzas y su estimacin en muestreo en dos etapas con probabilidades
iguales y conglomerados del mismo tamao.
VII.2 Muestreo en dos etapas de conglomerados de distinto tamao y
probabilidades iguales.
VII.3 Tamao de muestra en muestreo de dos etapas.

Actividades de aprendizaje:
Los temas sern presentados por el profesor y los estudiantes. Los estudiantes
desarrollarn actividades de estudio independiente y preparacin de sesiones
donde revisarn a profundidad resultados tericos y metodolgicos. Los
estudiantes desarrollarn el proceso de diseo y anlisis de un estudio real por
muestreo y lo presentarn en una sesin tipo congreso.

Evaluacin de desempeo:
Se proponen los siguientes criterios y procedimientos de evaluacin:
1) Tareas (30%)
2) Presentaciones (30%)
3) Examen final (40%)

Referencias:
Sharon L. (2000). Muestreo: Diseo y anlisis. International Thompson
Editores.
Chaudhuri, A., and Stenger, H. (2005). Survey Sampling. Theory and Methods,
2nd ed. Chapman and Hall.
Kish, L. (1977) Statistical Design for Research. Wiley.
Cochran, G. (1971). Tcnicas de muestreo. CECSA, Mxico.
Sampath, S. (2005). Sampling Theory and Methods. CRC Press.
Heringa, S.G., West, B., and Berglund P. (2010). Applied Survey Data Analysis.
CRC Press.

Nombre de la Experiencia Educativa: Anlisis de Series de Tiempo

Nmero de crditos: 8 Intensidad semanal: 15 Total de horas: 105
Horas tericas: 15 Horas Prcticas: 90 Modalidad: Curso-Taller

Justificacin:

El anlisis de series de tiempo est integrado por modelos y mtodos para

analizar observaciones ordenadas cronolgicamente. Este tipo de datos,
llamados series de tiempo, aparecen en reas como la economa, la
demografa, la climatologa, y la meteorologa, por mencionar algunos. Se debe
destacar que el anlisis de series de tiempo proporciona tcnicas para la
prediccin de eventos futuros (pronstico). La teora y metodologa del anlisis
de series de tiempo es un rea de vertiginoso desarrollo, en particular a partir
del enfoque de Box-Jenkins aparecido en los 70s del siglo pasado. Este curso
hace un balance entre la teora y la aplicacin de este enfoque para analizar
series de tiempo, y ser de gran utilidad para los estadsticos aplicados
involucrados en el estudio de series de tiempo.

Objetivo:
El estudiante desarrollar una comprensin de la teora y la metodologa de los
modelos ARMA y ARIMA. Generar competencia para modelar series de
tiempo mediante el enfoque de Box-Jenkins.

Competencias a desarrollar:
El estudiante podr:
1) Describir los componentes de una serie de tiempo como la tendencia y
la variacin estacional.
2) Identificar, estimar, hacer el diagnstico y la prediccin de un modelo
AR, MA, ARMA, ARI, IMA, ARIMA o SARIMA para una serie de tiempo.
Contenidos temticos:
I. Descripcin de series de tiempo
I.1 Grficas de series de tiempo: Tendencia, variacin estacional, variacin
cclica, variacin aleatoria (ruido blanco).
I.2 Funcin de autocorrelacin muestral
I.3 Funcin de autocorrelacin parcial muestral
II. Modelos AR, MA y ARMA
II.1 Modelos AR(1)
II.2 Modelos AR(2)
II.3 Modelos AR(p)
II.4 Modelos MA(1)
II.5 Modelos MA(2)

II.6 Modelos MA(q)

II.7 Modelos ARMA(1,1)
II.8 Modelos ARMA(p,q)
III. Metodologa de Box-Jenkins
III.1 Identificacin.
III.2 Estimacin.
III.3 Diagnstico.
III.4 Pronstico.
IV Modelos ARIMA
IV.1 Diferenciacin de series
IV.2 Identificacin.
IV.3 Estimacin.
IV.4 Diagnstico.
IV.5 Pronstico.
V. Modelos SARIMA
V.1 Series estacionales.
V.2 Diferenciacin estacional.
V.3 Ajuste y prediccin con modelos SARIMA.

Actividades de aprendizaje:
Los temas sern presentados por el profesor y los estudiantes. Los estudiantes
desarrollarn actividades de estudio independiente y preparacin de sesiones
donde revisarn a profundidad resultados tericos y metodolgicos. Los
estudiantes desarrollarn el proceso de anlisis de una serie de tiempo real
estudio real y lo presentarn en una sesin tipo congreso.

Evaluacin de desempeo:
Se proponen los siguientes criterios y procedimientos de evaluacin:
1) Tareas (30%)
2) Presentaciones (30%)
3) Examen final (40%)

Referencias:
Brockwell, P.J. (1996). Introduction to Time Series and Forecasting. Springer.
Chatfield, C. (2000). Time-Series Forecasting. Chapman & Hall/CRC.
Fuller, W.A. (1996). Introduction to Statistical Time Series (1996). Wiley.
Shumway, R.H., and Stoffer, D.S. (2000). Time Series Analysis and Its
Applications. With R Examples. Springer.

Cryer, J.D., and Chan, K.S. (2008). Time Series Analysis. With Applications in
R. Springer.
Cowpertwait, P.S.P., and Metcalfe, A.V. (2009). Introductory Time Series with
R. Springer.

Nombre de la Experiencia Educativa: Probabilidad Aplicada

Nmero de crditos: 8 Intensidad semanal: 15 Total de horas: 105
Horas tericas: 15 Horas Prcticas: 90 Modalidad: Curso- Taller
Justificacin:
Este curso es una introduccin al anlisis estadstico de procesos
estocsticos, es decir, a la modelacin estadstica basada en procesos
estocsticos y utilizando datos empricos. El rea de los procesos estocsticos
es muy vasta y rica en aplicaciones. El curso est orientado a darle a los
estudiantes una introduccin a esta rea desde la perspectiva de la modelacin
estadstica.

Objetivo:
El estudiante ser competente en la aplicacin a problemas reales de los
modelos estocsticos bsicos.

Competencias a desarrollar:
1) Ajustar cadenas de Markov en tiempo discreto.
2) Ajustar procesos Poisson en tiempo y espacio.
3) Ajustar procesos semi-markovianos.

Contenidos temticos:
I. Modelos y procesos
I.1
I.2
I.3
I.4
I.5

Teora y aplicaciones de los modelos estocsticos.

Procesos estocsticos.
Procesos Poisson.
Procesos Markovianos.
Procesos semi-markovianos.

I.6 Procesos de difusin.

Actividades de aprendizaje:
Los temas sern presentados por el profesor y los estudiantes. Los estudiantes
desarrollarn actividades de estudio independiente y preparacin de sesiones
donde revisarn a profundidad resultados tericos y metodolgicos. Los

estudiantes desarrollarn ajustarn modelos estocsticos a diferentes datos

empricos. Presentarn sus resultados en sesiones tipo seminario.

Evaluacin de desempeo:
Se proponen los siguientes criterios y procedimientos de evaluacin:
1) Tareas (30%)
1) Presentaciones (30%)
2) Examen Final (40%)

Referencias:
Lindsey, J.K. (2004). Statistical Analysis of Stochastic Processes in Time.
Cambridge Series in Statistical and Probabilistics Mathematics.
Lefreve, M. (2000). Applied Stochastic Processes. Springer.
Brzezniak, Z., and Zastawaniak, T. (1998). Basic Stochastic Processes.
Springer.

Nombre de la Experiencia Educativa: Estadstica Computacional

Nmero de crditos: 8 Intensidad semanal: 15 Total de horas: 105

Horas tericas: 15 Horas Prcticas: 90 Modalidad: Curso- Taller

Justificacin:
La simulacin por computadora y los mtodos estadsticos computacionales
son el laboratorio de investigacin del estadstico. Estos mtodos se utilizan por
ejemplo para estudiar el comportamiento de nuevos mtodos estadsticos o
para desarrollar nuevos procedimientos de inferencia estadstica. En este curso
se har una revisin de los mtodos clsicos del anlisis numrico aplicado a
problemas estadsticos (cmputo estadstico) as como de un estudio de los
mtodos modernos de cmputo intensivo (estadstica computacional).

Objetivo:
El estudiante ser competente para desarrollar procedimientos de inferencia
basados en el paradigma del cmputo intensivo.

Competencias a desarrollar:
1) Desarrollar algoritmos numricos para optimizar y resolver ecuaciones no
lineales.
2) Desarrollar algoritmos de estadstica computacional (bootstrap, pruebas
aleatorizadas).

Contenidos temticos:
I. Anlisis numrico para estadstica
I.1 Mtodos Numricos con S-Plus:
I.1.1 Optimizacin Numrica
I.1.2 Solucin de Sistemas de Ecuaciones Lineales
I.1.3 Solucin de Sistemas de Ecuaciones no Lineales
I.1.4Integracin Numrica
I.2 lgebra Matricial Numrica:
I.2.1 Normas
I.2.2 Eigensistemas de Matrices Cuadradas
I.2.3 Descomposicin en Valores Singulares
I.2.4 Factorizaciones QR, LU, Choleski
I.3 Simulacin para Estadstica:
I.3.1 Simulacin con S-Plus:
1.3.1.1 Generacin de Nmeros Aleatorios
I.3.2 Tcnicas de Generacin de Distribuciones:

I.3.2.1 Transformacin Inversa

I.3.2.2 Aceptacin-Rechazo
I.3.2.3 Convolucin.
I.3.2.4 Tcnicas Especiales.
I.3.2.5 Generacin de vectores aleatorios.
I.3.2.6 Bootstrap Paramtrico,
I.3.2.7 Bootstrap no Paramtrico,
I.3.2.8 Jackknife,
I.3.2.9 Simulacin Monte Carlo
I.3.2.10 Pruebas Aleatorizadas
I.3.2.11Submuestreo
Actividades de aprendizaje:
Los temas sern presentados por el profesor y los estudiantes. Los estudiantes
desarrollarn actividades de estudio independiente y preparacin de sesiones
donde revisarn a profundidad resultados tericos y metodolgicos. Los
estudiantes desarrollarn e implementarn algoritmos de estadstica
computacional con S-Plus o R.

Evaluacin de desempeo:
Se proponen los siguientes criterios y procedimientos de evaluacin:
1) Desarrollo de algoritmos de estadstica computacional (60%)
2) Proyecto final de estadstica computacional (40%)

Referencias:

Gentle, J.E. (2009). Computational Statistics. Springer.

Chernick, M.R. (2008). Bootstrap Methods. A Guide for Practitioners and
Researchers. Wiley.
Good, P. (2005). Resampling Methods. A Practical Guide to Data Analysis.
Birkhauser.
Good, P. (2005). Permutation, Parametric and Bootstrap Tests of Hypothesis.
Springer.
Monahan, J. (2001). Numerical Methods of Statistics. Cambridge Series in
Statistical and Probabilistic Mathematics.
Derek A. R. (2006) Introduction to Computer-Intensive. Methods of Data
Analysis in Biology. Cambridge. University of California, Riverside.
Manly, B. F. J. (1997). Randomization, Bootstrap and Monte Carlo Methods in
Biology. Second edition; Chapman & Hall, London.
Noreen, E. W. (1989). Computer-Intensive Methods for Testing Hypotheses: An
Introduction. Wiley; New York.
Edgington, E.S. (1995). Randomization Tests. Dekker, 3rd ed. New York.
William J. Kennedy, Statistical Computing (1980). Marcel Dekker.
Kroese, D.P., Taimre, T., and Botev, Z.I. (2011). Handbook of Monte Carlo
Methods. Wiley.

Nombre de la Experiencia Educativa: Temas de Estadstica Multivariada

Nmero de crditos: 8 Intensidad semanal: 15 Total de horas: 105
Horas tericas: 15 Horas Prcticas: 90 Modalidad: Curso- Taller

Justificacin:
La estadstica multivariada es sin duda una de las reas de mayor tradicin y
aplicacin de la estadstica. Este curso es prcticamente obligatorio en la
currcula de un estadstico involucrado en la estadstica aplicada a la
investigacin en donde se realizan mediciones en ms de una variable.

Objetivo:
El estudiante ser competente en la aplicacin de las tcnicas bsicas del
anlisis multivariado a problemas reales.

Competencias a desarrollar:
Seleccionar la tcnica adecuada para analizar un conjunto de datos
multivariados en trminos del problema de investigacin.
Realizar el anlisis con el apoyo de software estadstico.
Comunicar oralmente y por escrito los resultados y las conclusiones.

Contenidos temticos:
I. Anlisis de datos multivariados.
I.1 Estadstica Descriptiva Multivariada
I.2 Anlisis de Componentes Principales
I.3 Anlisis de Correlacin Cannica
I.4 Anlisis Discriminante
I.5 Anlisis de Conglomerados
I.6 Anlisis de Correspondencia
I.7 Anlisis de Coordenadas Principales
I.8 Escalamiento Multidimensional
II. Inferencia Multivariada
II.1 Pruebas para un vector de medias.
II.2 Pruebas para dos vectores de medias.
II.3 MANOVA.
II.4 Pruebas para matrices de covarianzas.

II.5 Regresin Multivariada.

Actividades de aprendizaje:
Los temas sern presentados por el profesor y los estudiantes. Los estudiantes
desarrollarn actividades de estudio independiente y preparacin de sesiones
donde revisarn a profundidad resultados tericos y metodolgicos. Los
estudiantes desarrollarn un proyecto final en el cual utilizarn las tcnicas de
anlisis multivariado y lo presentarn en una sesin tipo congreso.

Evaluacin de desempeo:
Se proponen los siguientes criterios y procedimientos de evaluacin:
1) Tareas (20%)
2) Presentaciones (20%)
3) Proyecto final (60%)

Referencias:
Johnson, R.A., Wichern, D.W. (1998). Applied Multivariate Statistical Analysis,
fourth ed. Prentice Hall: Upper Saddle River.
Jolliffe I. T. (1986). Principal Component Analysis. Springer.
Manly B. F. J. (1986). Multivariate Statistical Methods. Chapman and Hall.
.Martin Bilodeau, M. (1999). Theory of Multivariate Statistics (1999). Springer.

Nombre de la Experiencia Educativa: Temas de Estadstica no Paramtrica

Nmero de crditos: 8 Intensidad semanal: 15 Total de horas: 105
Horas tericas: 15 Horas Prcticas: 90 Modalidad: Curso- Taller
Justificacin:

Este curso cubre los mtodos basados en la inferencia no paramtrica exacta.

Son mtodos relativamente modernos que se han podido implementar
computacionalmente gracias a la aparicin de computadoras cada vez ms
poderosas. Conocer estas herramientas y mtodos es de gran utilidad para
aquellos estadsticos involucrados en la investigacin aplicada, especialmente
la investigacin mdica.

Objetivo:
El estudiante desarrollar competencia en la aplicacin de los procedimientos
de inferencia exacta.

Competencias a desarrollar:
1) Aplicar pruebas de inferencia exacta con el apoyo de herramientas como
StatXact, LogXact y Egret.
2) Comunicar oralmente y por escrito los resultados y conclusiones de la
aplicacin de los procedimientos de inferencia exacta.

Contenidos temticos:
I. Inferencia noparamtrica Exacta
I.1 Introduccin a la Inferencia Estadstica Noparamtrica Exacta
I.2 Inferencia Condicional Exacta
I.3 Inferencia incondicional Exacta
I.4 Pruebas de Bondad de Ajuste para una Muestra
I.5 Pruebas para dos Muestras Relacionadas
I.6 Pruebas para dos Muestras Independientes
I.7 Pruebas para K muestras relacionadas
I.8 Pruebas para K muestras independientes
I.9 Inferencia para Datos Categricos
I.10 Inferencia para Medidas de Asociacin
I.11 Inferencia para Datos Ordinales.

Actividades de aprendizaje:
Los temas sern presentados por el profesor y los estudiantes. Los estudiantes
desarrollarn actividades de estudio independiente y preparacin de sesiones
donde revisarn a profundidad resultados tericos y metodolgicos. Los
estudiantes desarrollarn un proyecto final en el cual utilizarn las tcnicas no

paramtricas y lo presentarn en una sesin tipo congreso.

Evaluacin de desempeo:
Se proponen los siguientes criterios y procedimientos de evaluacin:
1) Tareas (40%)
2) Proyecto final (30%)
3) Presentacin final (30%)

Referencias:
Myles Hollander, Nonparametric Statistical Methods (1999). Wiley-Inter science.
Peter Sprent, Applied Nonparametric Statistical Methods (2001). Chapman &
Hall/CRC.
Jean Dickinson Gibbons, Nonparametric Statistical Inference (1992). Marcel
Dekker.
Denis Bosq, Nonparametric Statistical for Stochastic Processes (1998).
Springer Verlog.
Thomas P. Hettmansperger, Robust Nonparametric Statistical Methods (1998).
Arnold.
Sam Efromovich, Nonparametric Curve Estimation (1999) Springer Verlag.
David J. Sheskin, Handbook of Parametric and Nonparametric Statistical
Procedures (2000). Chapman & Hall/CRC.

Nombre de la Experiencia Educativa: Temas de Modelacin y Anlisis

Estadstico
Nmero de crditos: 8 Intensidad semanal: 15 Total de horas: 105
Horas tericas: 15 Horas Prcticas: 90 Modalidad: Curso- Taller

Justificacin:
Este curso es una revisin de temas avanzados de modelacin estadstica as
como de tpicos de estado del arte en reas especficas de la modelacin
estadstica.

Objetivo:

El objetivo es que los estudiantes desarrollen competencia en temas modernos

de modelacin estadstica.

Competencias a desarrollar:
1.
Ajustar
modelos
de
regresin
semiparamtricos, a problemas reales.

jerrquicos,

noparamtricos,

2. Comunicar oralmente y por escrito los resultados y conclusiones de ajustar

este tipo de modelos.

Contenidos temticos:
I. Modelos estadsticos.
I.1
I.2
I.3
I.4
I.5
I.6
I.7
I.8

Modelos de Efectos aleatorios.

Modelos de Efectos Mixtos.
Modelos Lineales Jerrquicos.
Modelos de Regresin Multinivel.
Modelos Lineales Generalizados Multinivel.
Modelos de Regresin Robusta.
Modelos de Regresin No-paramtricos.
Modelos de Regresin Semi-paramtrica.

Actividades de aprendizaje:
Los temas sern presentados por el profesor y los estudiantes. Los estudiantes
desarrollarn actividades de estudio independiente y preparacin de sesiones
donde revisarn a profundidad resultados tericos y metodolgicos. Los
estudiantes desarrollarn un proyecto final basado en un problema real en el
cual utilizarn las tcnicas de modelacin estadstica y lo presentarn en una
sesin tipo congreso.

Evaluacin de desempeo:
Se proponen los siguientes criterios y procedimientos de evaluacin:
1) Tareas (25%)
2) Presentaciones (25%)
3) Proyecto final (50%)

Referencias:

Sahai, H., and Ojeda, M.M. (2003) Analysis of Variance for Random Models.
Birkhauser.
Loader, C. (1999). Local Regression and Likelihood. Springer.
Davison, A.C. (2008). Statistical Models. Cambridge Series in Statistical and
Probabilistic Mathematics.
Ruppert, D., Wand, M.P., and Carroll, R.J. (2003). Semiparametric Regression.
Cambridge Series in Statistical and Probabilistic Mathematics.
Hox, J.J. (2010) Multilevel Analysis. Techniques and Applications. Routledge,
Taylor and Francis Group.
Goldstein, H. (2011). Multilevel Statistical Models. Wiley.
Hardle, W., Muller, M., Sperlich, S., and Werwatz, A. (2004). Nonparametric
and Semiparametric Models. Springer.
Bowman, A.W., Azzalini, A. (1997). Applied Smoothing Techniques for Data
Analysis. Clarendon Press.

Nombre de la Experiencia Educativa: Aprendizaje de la Estadstica

Nmero de crditos: 8 Intensidad semanal: 15 Total de horas: 105
Horas tericas: 15 Horas Prcticas: 90 Modalidad: Curso- Taller

Justificacin:
La educacin estadstica es un rea de investigacin y desarrollo que se
enfoca a la teora y las estrategias para el aprendizaje de la metodologa
estadstica, la formacin del pensamiento estadstico y la cultura estadstica.
Trata tambin de los temas relacionados con la formacin de los estadsticos y
de los procesos de capacitacin o entrenamiento de usuarios de la estadstica.
Es un rea con un gran auge a nivel mundial, ya que la estadstica es de las
materias y contenidos que ms dificultades encuentran con su aprendizaje,
pero a la vez es uno de los elementos importantes de la cultura de la era de la
informacin y el conocimiento
Objetivo:
Capacitar al participante para que pueda abordar la tarea de concebir, plantear
y desarrollar estrategias para garantizar el aprendizaje significativo de la
estadstica en cursos, talleres o programas de capacitacin y entrenamiento,

as como para disear y desarrollar proyectos de promocin de la cultura

estadstica

Competencias a desarrollar:
1) Identificar, dimensionar y delimitar problemas de la educacin estadstica en
los diferentes mbitos de la educacin.
2) Disear, desarrollar e implantar estrategias para elevar los niveles de
aprendizaje en os cursos y experiencias educativas de la estadstica.
3) Disear, desarrollar e implantar proyectos de capacitacin en estadstica.
4) Disear, desarrollar e implantar programas de promocin de la cultura
estadstica.

Contenidos temticos:

I. Teoras y enfoques del aprendizaje

I.1 Perspectivas cuantitativa y cualitativa
I.2 Teoras y modelos de aprendizaje
I.3 Enfoques y estrategias del aprendizaje
I.4 Estilos y objetivos de aprendizaje
I.5 Aprendizaje y dida ctica de la estadstica
II. Pensamiento estadstico y objetivos de aprendizaje
II.1 Caracterizaciones del pensamiento estadstico
II.2 Objetivos de aprendizaje en estadstica
II.3 Estrategias generales para desarrollar el pensamiento estadstico.
III. La tecnologa y su papel en el aprendizaje de la estadstica
III.1 Tecnologa y aprendizaje en estadstica
III.2 Facilidades y ambientes tecnolgicos para el aprendizaje de la estadstica

III.3 Internet, la Web y el aprendizaje autnomo

IV. Investigacin en educacin estadstica
IV.1 Motivaciones, contextos y fuentes de investigacin en educacin
estadstica
IV.2 Contenidos, enfoques y estrategias
IV.3 Aprendizaje significativo en estadstica
IV.4 Aprendizaje basado en la experiencia y el enfoque de proyectos
V.5 Pensamiento estadstico y cultura estadstica
V. Temas de investigacin en educacin estadstica
V.1 Cursos en lnea y estadstica
V.2 Multimedios y estadstica
V.3 pensamiento estadstico para investigadores
V.4 La estadstica en los estudios de posgrado

Actividades de aprendizaje:
1) Los temas particulares de cada apartado del programa sern determinados
por el profesor de la experiencia educativa en funcin de las necesidades de
los proyectos de intervencin que opten por esta rea de aplicacin.
2) Los temas sern desarrollados y presentados por los estudiantes a partir de
una bsqueda que harn de la literatura, ilustrando los conceptos en el
proyecto que estn realizando.
3) Habr una sesin final donde cada estudiante presentar su proyecto para
recibir las ltimas sugerencias. El instructor establecer las especificaciones
precisas para esta presentacin.

Evaluacin de desempeo:
Se proponen los siguientes criterios y procedimientos de evaluacin:
1) La presentacin de las temticas por parte de los estudiantes (50 %)
2) La presentacin final del trabajo (50 %)

Referencias:
Barbaum, J. (1996). Aprendizaje y formacin: Una Pedagoga por Objetivos.
Fondo de Cultura Econmica, Mxico.
Batanero, C. (2001). Didctica de la Estadstica. Universidad de Granada,
Espaa.
Batanero, C. (Ed). (2001). Training Researchers in the Use of Statistics.
International Association for Statistical Education, International Statistical
Institute, The Netherlands.

Behar, R. (2001). Aportaciones para la Mejora del Proceso de EnseanzaAprendizaje de la Estadstica. Tesis doctoral, Universidad Politcnica de
Catalua, Espaa.
Beltrn, J. (1993). Procesos, Estrategias y Tcnicas de Aprendizaje. Sntesis
Psicolgica, Editorial Sntesis, Madrid, Espaa.
Dryden, G. Y Vos, J. (2001). La Revolucin del Aprendizaje. Grupo Editorial
Tomo, Mxico.
Moore, T. L. (Ed). (2000). Teaching Statistics. The Mathematical Association of
America and American Statistical Association, USA.
Ramsden, P. (1992). Learning to Teach in Higher Education. Routledge, New
York.
Rivas-Navarro, M. (2000). Innovacin Educativa.
Estrategias. Editorial Sntesis, Madrid, Espaa.

Teora,

Procesos

Nombre de la Experiencia Educativa: Pensamiento Estadstico y Educacin

Nmero de crditos: 8 Intensidad semanal: 15 Total de horas: 105
Horas tericas: 15 Horas Prcticas: 90 Modalidad: Curso- Taller

Justificacin:
La educacin estadstica es un rea de investigacin y desarrollo que se
enfoca a la teora y las estrategias para el aprendizaje de la metodologa
estadstica, la formacin del pensamiento estadstico y la cultura estadstica.
Trata tambin de los temas relacionados con la formacin de los estadsticos y
de los procesos de capacitacin o entrenamiento de usuarios de la estadstica.
Es un rea con un gran auge a nivel mundial, ya que la estadstica es de las
materias y contenidos que ms dificultades encuentran con su aprendizaje,
pero a la vez es uno de los elementos importantes de la cultura de la era de la
informacin y el conocimiento.

Objetivo:
Capacitar al participante para que pueda abordar la tarea de concebir, plantear
y desarrollar estrategias para garantizar el aprendizaje significativo de la
estadstica en cursos, talleres o programas de capacitacin y entrenamiento,
as como para disear y desarrollar proyectos de promocin de la cultura
estadstica.

Competencias a desarrollar:
1. Identificar, dimensionar y delimitar problemas de la educacin estadstica en
los diferentes mbitos de la educacin.
2. Disear, desarrollar e implantar estrategias para elevar los niveles de
aprendizaje en os cursos y experiencias educativas de la estadstica.
3. Disear, desarrollar e implantar proyectos de capacitacin en estadstica.
4. Disear, desarrollar e implantar programas de promocin de la cultura
estadstica.

Contenidos temticos:
I. Pensamiento estadstico y objetivos de aprendizaje
I.1 Caracterizaciones del pensamiento estadstico
I.2 Objetivos de aprendizaje en estadstica
I.3 Estrategias generales para desarrollar el pensamiento estadstico.

II. Investigacin en educacin estadstica

II.1 Motivaciones, contextos y fuentes de investigacin en educacin estadstica
II.2 Contenidos, enfoques y estrategias
II.3 Aprendizaje significativo en estadstica
II.4 Aprendizaje basado en la experiencia y el enfoque de proyectos
II.5 Pensamiento estadstico y cultura estadstica

Actividades de aprendizaje:
1. Los temas particulares de cada apartado del programa sern determinados
por el coordinador de la experiencia educativa en funcin de las necesidades
de los proyectos de intervencin de los que opten por esta rea de
aplicacin.
2. Los temas sern desarrollados y presentados por los estudiantes a partir de
una bsqueda que harn de la literatura, ilustrando los conceptos en el
proyecto que estn realizando.
3. Habr una sesin final donde cada estudiante presentar su proyecto para
recibir las ltimas sugerencias. El instructor establecer las especificaciones
precisas para esta presentacin.

Evaluacin de desempeo:
Se proponen los siguientes criterios y procedimientos de evaluacin:
1) La presentacin de las temticas por parte de los estudiantes (50 %)
2) La presentacin final del trabajo (50 %)

Referencias:
Barbaum, J. (1996). Aprendizaje y formacin: Una Pedagoga por Objetivos.
Fondo de Cultura Econmica, Mxico.
Batanero, C. (2001). Didctica de la Estadstica. Universidad de Granada,
Espaa.
Batanero, C. (Ed). (2001). Training Researchers in the Use of Statistics.
International Association for Statistical Education, International Statistical
Institute, The Netherlands.
Behar, R. (2001). Aportaciones para la Mejora del Proceso de EnseanzaAprendizaje de la Estadstica. Tesis doctoral, Universidad Politcnica de
Catalua, Espaa.

Beltrn, J. (1993). Procesos, Estrategias y Tcnicas de Aprendizaje. Sntesis

Psicolgica, Editorial Sntesis, Madrid, Espaa.
Dryden, G. Y Vos, J. (2001). La Revolucin del Aprendizaje. Grupo Editorial
Tomo, Mxico.
Moore, T. L. (Ed). (2000). Teaching Statistics. The Mathematical Association of
America and American Statistical Association, USA.
Ramsden, P. (1992). Learning to Teach in Higher Education. Routledge, New
York.
Rivas-Navarro, M. (2000). Innovacin Educativa.
Estrategias. Editorial Sntesis, Madrid, Espaa.

Teora,

Procesos

Nombre de la Experiencia Educativa: Enfoques para Innovacin en Estadstica

Nmero de crditos: 8 Intensidad semanal: 15 Total de horas: 105
Horas tericas: 15 Horas Prcticas: 90 Modalidad: Curso- Taller

Justificacin:
La educacin estadstica es un rea de investigacin y desarrollo que se
enfoca a la teora y las estrategias para el aprendizaje de la metodologa
estadstica, la formacin del pensamiento estadstico y la cultura estadstica.
Trata tambin de los temas relacionados con la formacin de los estadsticos y
de los procesos de capacitacin o entrenamiento de usuarios de la estadstica.
Es un rea con un gran auge a nivel mundial, ya que la estadstica es de las
materias y contenidos que ms dificultades encuentran con su aprendizaje,
pero a la vez es uno de los elementos importantes de la cultura de la era de la
informacin y el conocimiento.
Objetivo:
Capacitar al participante para que pueda abordar la tarea de concebir, plantear
y desarrollar estrategias para garantizar el aprendizaje significativo de la
estadstica en cursos, talleres o programas de capacitacin y entrenamiento,
as como para disear y desarrollar proyectos de promocin de la cultura
estadstica.

Competencias a desarrollar:
1. Identificar, dimensionar y delimitar problemas de la educacin estadstica en
los diferentes mbitos de la educacin.
2. Disear, desarrollar e implantar estrategias para elevar los niveles de
aprendizaje en os cursos y experiencias educativas de la estadstica.
3. Disear, desarrollar e implantar proyectos de capacitacin en estadstica.
4. Disear, desarrollar e implantar programas de promocin de la cultura
estadstica

Contenidos temticos:
I. Temas de investigacin en educacin estadstica
I.1 Cursos en lnea y estadstica
I.2 Multimedios y estadstica
I.3 Pensamiento estadstico para investigadores
I.4 La estadstica en los estudios de posgrado

Actividades de aprendizaje:

1. Los temas particulares de cada apartado del programa sern determinados

por el coordinador de la experiencia educativa en funcin de las necesidades
de los proyectos de intervencin que opten por esta rea de aplicacin.
2. Los temas sern desarrollados y presentados por los estudiantes a partir de
una bsqueda que harn de la literatura, ilustrando los conceptos en el
proyecto que estn realizando.
3. Habr una sesin final donde cada estudiante presentar su proyecto para
recibir las ltimas sugerencias. El instructor establecer las especificaciones
precisas para esta presentacin.

Evaluacin de desempeo:
Se proponen los siguientes criterios y procedimientos de evaluacin:
1. La presentacin de las temticas por parte de los estudiantes (50 %)
2. La presentacin final del trabajo (50 %)

Referencias:
Barbaum, J. (1996). Aprendizaje y formacin: Una Pedagoga por Objetivos.
Fondo de Cultura Econmica, Mxico.
Batanero, C. (2001). Didctica de la Estadstica. Universidad de Granada,
Espaa.
Batanero, C. (Ed). (2001). Training Researchers in the Use of Statistics.
International Association for Statistical Education, International Statistical
Institute, The Netherlands.
Behar, R. (2001). Aportaciones para la Mejora del Proceso de EnseanzaAprendizaje de la Estadstica. Tesis doctoral, Universidad Politcnica de
Catalua, Espaa.
Beltrn, J. (1993). Procesos, Estrategias y Tcnicas de Aprendizaje. Sntesis
Psicolgica, Editorial Sntesis, Madrid, Espaa.
Dryden, G. Y Vos, J. (2001). La Revolucin del Aprendizaje. Grupo Editorial
Tomo, Mxico.
Moore, T. L. (Ed). (2000). Teaching Statistics. The Mathematical Association of
America and American Statistical Association, USA.
Ramsden, P. (1992). Learning to Teach in Higher Education. Routledge, New
York.
Rivas-Navarro, M. (2000). Innovacin Educativa.
Estrategias. Editorial Sntesis, Madrid, Espaa

Teora,

Procesos