Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PREGRADO EN ESTADISTICA
1. FUNDAMENTACION MATEMATICO-ESTADISTICA 3
1.1. ALGEBRA LINEAL BASICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2. ALGEBRA MATRICIAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3. CALCULO DIFERENCIAL EN UNA VARIABLE . . . . . . . . . . . . . . . . . . . . 9
1.4. CALCULO INTEGRAL EN UNA VARIABLE . . . . . . . . . . . . . . . . . . . . . . 11
1.5. CALCULO VECTORIAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.6. FUNDAMENTOS DE MATEMATICAS . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.7. INFERENCIA ESTADISTICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.8. PROBABILIDAD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.9. SISTEMAS NUMERICOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2. FUNDAMENTACION EN CIENCIAS 23
2.1. CONJUNTOS Y COMBINATORIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2. GEOMETRIA ELEMENTAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.3. GEOMETRIA VECTORIAL Y ANALITICA . . . . . . . . . . . . . . . . . . . . . . . 27
3. COMPLEMENTACION MATEMATICA 29
3.1. ANALISIS ESTOCASTICO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.2. CALCULO DE ECUACIONES DIFERENCIALES . . . . . . . . . . . . . . . . . . . . 31
3.3. MODELOS MATEMATICOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4. PROGRAMACION 35
4.1. PROGRAMACION EN LENGUAJES ESTADISTICOS . . . . . . . . . . . . . . . . . 36
4.2. PROGRAMACION Y METODOS NUMERICOS . . . . . . . . . . . . . . . . . . . . 39
5. METODOLOGIA 43
5.1. ESTADISTICA Y SOCIEDAD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
6. NUCLEO ESTADISTICO 47
6.1. ANALISIS DE REGRESION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
6.2. ANALISIS MULTIVARIADO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
6.3. DISENO DE EXPERIMENTOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
iv INDICE GENERAL
7. COMPLEMENTACION ESTADISTICA 71
7.1. ANALISIS DE CORRESPONDENCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . 71
7.2. ANALISIS DE DATOS CATEGORICOS . . . . . . . . . . . . . . . . . . . . . . . . . 74
7.3. ANALISIS DE DATOS LONGITUDINALES . . . . . . . . . . . . . . . . . . . . . . . 76
7.4. COMPUTACION ESTADISTICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
7.5. METODOS DE CLASIFICACION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
7.6. MODELOS LINEALES GENERALIZADOS . . . . . . . . . . . . . . . . . . . . . . . 82
7.7. MUESTREO ASISTIDO POR MODELOS . . . . . . . . . . . . . . . . . . . . . . . . 84
7.8. PROCESOS ESTOCASTICOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
7.9. SERIES DE TIEMPO MULTIVARIADAS . . . . . . . . . . . . . . . . . . . . . . . . . 88
7.10. TOPICOS AVANZADOS DE DISENO EXPERIMENTAL . . . . . . . . . . . . . . . . 90
8. APLICACION ESTADISTICA 93
8.1. CALCULO ACTUARIAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
8.2. CONTROL ESTADISTICO DE CALIDAD . . . . . . . . . . . . . . . . . . . . . . . . 96
8.3. DEMOGRAFIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
8.4. EPIDEMIOLOGIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
8.5. FINANZAS Y MODELOS DE INVERSION . . . . . . . . . . . . . . . . . . . . . . . . 102
8.6. MODELOS DE SOBREVIVENCIA MULTIVARIADOS . . . . . . . . . . . . . . . . . 104
8.7. MODELOS DE SOBREVIVENCIA UNIVARIADOS . . . . . . . . . . . . . . . . . . . 106
8.8. MUESTREO EN POBLACIONES BIOLOGICAS . . . . . . . . . . . . . . . . . . . . 108
8.9. TEORIA DE RESPUESTA AL ITEM . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
8.10. TEORIA ESTADISTICA DEL RIESGO . . . . . . . . . . . . . . . . . . . . . . . . . . 112
Despues del texto de Humberto agradecer a los profesores que elaboraron el programa anotando al
frente las asignaturas.
2 INDICE GENERAL
Captulo 1
FUNDAMENTACION
MATEMATICO-ESTADISTICA
Para un desarrollo formal del pensamiento estadstico se requiere alcanzar previamente un conjunto de
competencias matematicas especiales, necesarias no solo para la construccion de lenguaje estadstico,
para la aprehension de conceptos estadsticos y para la argumentacion estadstica, sino que a traves
de ellas se busca estimular la creatividad y la disciplina en el estudiante.
El lenguaje, los procedimientos y los conceptos estadsticos, tienen asistencia de conceptos, lenguaje,
resultados y metodos matematicos que deben ser aprestados para garantizar un desempeno academico
exitoso del estudiante. En este sentido, el plan de estudios reune bajo la denominacion de Fundamenta-
cion Matematico-Estadstica, las asignaturas que son los requisitos mnimos para cimentar la formacion
de un Estadstico. Es en sntesis la propedeutica del programa de pregrado en Estadstica. La lista de
asignaturas de esta agrupacion se presenta en el cuadro 1.
Aun cuando cada asignatura tiene propositos especficos dentro de la formacion del estudiante, todas
ellas convergen hacia un punto comun del currculo: la fundamentacion matematico-estadstica del
estudiante de la Carrera de Estadstica En consecuencia el objetivo de esta agrupacion es:
Fundamentar un conjunto de competencias asociadas a la capacidad de razonamiento, mediante el
desarrollo de habilidades cognitivas abstractas y formales, orientado a la representacion de realidades
a traves de modelos. Igualmente para interpretar y expresar relaciones y propiedades mediante el uso
del lenguaje matematico como un recurso riguroso de comunicacion.
4 CAPITULO 1. FUNDAMENTACION MATEMATICO-ESTADISTICA
Descripcion:
Que el alumno al finalizar el curso este en capacidad de utilizar los conceptos de espacio vectorial
y transformacion lineal en varios contextos de su carrera y reconocer los vnculos de la asignatura
con otras areas teoricas o aplicadas de su carrera. En particular, debera poder aplicar la estructura
euclidiana usual en Rn a diversas situaciones geometricas y fsicas, en lo referente a distancias, per-
pendicularidad, paralelismo, etc.
Contenido:
1. Vectores en Rn .
1.1 Combinaciones lineales y coordenadas.
1.2 Longitud y angulo: El producto punto. Longitud. Distancia. Angulos.
1.3 Vectores ortogonales.
1.4 Proyecciones.
2. Sistema de Ecuaciones Lineales.
2.1 Introduccion a los sistemas de ecuaciones lineales.
2.2 Resolucion de un sistema de ecuaciones lineales.
2.3 Metodos directos para resolver sistemas lineales: Matrices y forma escalonada.
2.4 Operaciones elementales entre filas.
3. Eliminacion Gaussiana.
15. Ortogonalidad.
15.1 Sombras sobre una pared.
15.2 Ortogonalidad en Rn .
15.3 Conjunto de vectores ortogonales y ortonormales.
15.4 Matrices ortogonales.
20. Coordenadas.
20.1 Dimension.
6 CAPITULO 1. FUNDAMENTACION MATEMATICO-ESTADISTICA
Bibliografa basica:
Florey, Francis Fundamentos de algebra lineal y aplicaciones. Englewood Cliffs, N.J. Prentice
Hall. 1980.
Kolman, Bernard y David R. Hill Algebra Lineal. Pearson-Prentice Hall. 8va edicion, Mexico.
2006.
Lay, David. Algebra lineal y sus aplicaciones. Prentice-Hall 2da edicion, Mexico. 2001.
Nakos, George y Jonier, David. Algebra lineal con aplicaciones. Cengage Learning. 1999.
Pool, David Algebra lineal: Una introduccion moderna. Cengage Learning. 2004.
Restrepo de Pelaez, Patricia; Franco Rosa y Munoz, Luz Elena Algebra lineal con aplicaciones.
Universidad Nacional de Colombia. 2004.
S.I. Grossman Algebra Lineal. Ed. McGraw Hill. 1996.
Strang, Gilbert Algebra lineal y sus aplicaciones. Fondo Educativo Interamericano. Mexico. 1982.
1.2. ALGEBRA MATRICIAL 7
Descripcion:
Esta asignatura aborda conceptos especiales del algebra lineal que facilitan la formalizacion de mode-
los, metodos y procedimientos estadsticos, especialmente los que involucren el tratamiento de infor-
macion multivariada.
El estudiante que curse la asignatura y cumpla con las exigencias, podra:
1. Fortalecer la comprension de la geometra euclidiana multidimensional.
2. Realizar procedimientos de optimizacion basados en matrices.
3. Aprehender conceptos del algebra matricial como parte del lenguaje necesario en los modelos, meto-
dos y procedimientos multivariados.
4. Disponer de los elementos que le faciliten los procedimientos de calculo involucrados en el manejo
de modelos multivariados.
Contenido:
Bibliografa basica:
Restrepo de Pelaez, P.; Franco, R. y Munoz, L. E. Algebra lineal con aplicaciones. Universidad
Nacional de Colombia.
Searle, S. R. Matrix algebra useful for statistics. John Wiley & Sons. 1982.
Preparado por Oscar Orlando Melo. Revisado por Nelcy Rodrguez, Campo Elas Pardo y Humberto
Mayorga.
1.3. CALCULO DIFERENCIAL EN UNA VARIABLE 9
Descripcion:
Estudiar los conceptos de lmite y derivada para funciones de una variable real y utilizar estas ideas
en la solucion de problemas de optimizacion, trazado de curvas y razones de cambio.
Contenido:
1. Funciones y Modelos
1.1 Cuatro maneras de representar una funcion, definicion de funcion, dominio, rango, grafica
de una funcion, prueba de la recta vertical.
1.2 Funciones definidas a tramos, valor absoluto, simetra, funcion par, impar, funciones cre-
cientes, decrecientes. Catalogo de funciones basicas: funcion lineal.
1.3 Catalogo de funciones basicas: polinomios (grado, races, funcion cuadratica, funcion cubi-
ca), funciones de potencia, funciones racionales, funciones algebraicas y funciones trigo-
nometricas.
1.4 Transformaciones de funciones: desplazamientos verticales y horizontales, alargamientos
verticales y horizontales.
1.5 Algebra de funciones, composicion de funciones.
1.6 Funciones exponenciales: graficas, leyes de los exponentes, modelacion con funciones expo-
nenciales, el numero e.
1.7 Funcion inversa: funcion uno a uno, prueba de la recta horizontal, definicion de funcion
inversa, grafica de la funcion inversa.
1.8 Funciones logartmicas: definicion, graficas, leyes de los logaritmos, logaritmo natural,
formula para el cambio de base, grafica de la funcion logaritmo natural.
1.9 Funciones trigonometricas inversas: funcion seno inverso, funcion tangente inversa, funcion
coseno inverso.
2. Lmites y Derivadas.
2.1 Lmite de una funcion: definicion intuitiva, ejemplos graficos, ejemplos con tablas de valo-
res,+A203 lmites laterales, ejemplos graficos.
2.2 Calculo de lmites: reglas basicas para el calculo de lmites, lmites de funciones definidas
por tramos, teorema de compresion.
2.3 Continuidad: definicion, continuidad por la derecha y por la izquierda, teoremas basicos
sobre funciones continuas, teorema de sustitucion para el calculo de lmites de funciones
compuestas, teorema de continuidad de funciones compuestas, teorema del valor intermedio.
2.4 Lmites que comprenden el infinito: lmites infinitos y asntotas verticales, lmites en el
infinito y asntotas horizontales, lmites infinitos en el infinito.
2.5 Tangentes, velocidades y otras razones de cambio.
2.6 Definicion de derivada, interpretacion de la derivada como la pendiente de una tangente,
interpretacion de la derivada como una razon de cambio.
2.7 La derivada como una funcion, notaciones de la derivada, relacion entre diferenciabilidad
y continuidad, Como deja de ser diferenciable una funcion? Derivadas superiores.
2.8 Que dice f acerca de f? Que dice f acerca de f?
10 CAPITULO 1. FUNDAMENTACION MATEMATICO-ESTADISTICA
3. Reglas de Derivacion.
3.1 Derivadas de polinomios y de funciones exponenciales. Las reglas del producto y del co-
ciente.
3.2 Derivacion de funciones trigonometricas. La regla de la cadena.
3.3 Derivacion implcita. Derivadas de las funciones trigonometricas inversas. Derivadas de
funciones logartmicas. Derivacion logartmica.
4. Aplicaciones de la Derivacion.
4.1 Razones de cambio de variables relacionadas.
4.2 Valores maximo y mnimo absolutos de una funcion. Extremos relativos de una funcion.
Teorema del valor extremo. Teorema de Fermat. Valores crticos de una funcion.
4.3 Derivadas y las formas de las curvas: teorema del valor medio, prueba para determinar los
intervalos de crecimiento y decrecimiento, prueba de la primera derivada para extremos
relativos.
4.4 Definicion de concavidad y puntos de inflexion. Prueba de concavidad, prueba de la segunda
derivada para extremos relativos.
4.5 Ejemplos de trazado de graficas. Formas indeterminadas y la regla de LHopital.
4.6 Problemas de optimizacion.
Bibliografa basica:
Descripcion:
Objetivo general:
Lograr la apropiacion por parte del estudiante de los conceptos fundamentales del calculo integral
de funciones de una variable real y crear habilidades que le permitan aplicar estos conocimientos en
problemas propios de su disciplina y abordar de manera elemental los conceptos de sucesiones y series.
Objetivos especficos:
1. Conocer y manejar con propiedad el concepto de integral definida de una funcion real de una va-
riable real y su relacion con el concepto de primitiva o antiderivada, para facilitar los calculos.
2. Estudiar algunas de las diferentes aplicaciones del concepto de integral.
3. Adquirir destreza en el estudio de la convergencia de sucesiones y series.
Contenido:
1. La Integral
4. Coordenadas Polares
4.1 Sistema de coordenadas polares. Grafica de una ecuacion polar.
4.2 Area y longitud de arco en coordenadas polares.
5. Sucesiones y Series
5.1 Sucesiones de numeros reales.
5.2 Series infinitas y convergencia, series telescopicas y geometricas.
5.3 Criterios de convergencia de series de terminos no negativos: criterio de la integral, com-
paracion, raz y razon.
5.4 Series alternantes, convergencia absoluta y condicional.
5.5 Series de potencias.
5.6 Series de Taylor y de Maclaurin.
Bibliografa basica:
Descripcion:
Objetivos:
1. Entender las nociones de derivacion e integracion al curso de funciones de varias variables.
2. Estudiar los teoremas clasicos del calculo vectorial.
Contenido:
Bibliografa basica:
Descripcion:
Descripcion:
Se busca familiarizar al estudiante con los conceptos basicos de la matematica moderna, teora de
conjuntos y elementos de logica, metodos de demostracion, relaciones y cardinalidad. Enfatizar en las
formas correctas de razonar y argumentar, as como en la manera adecuada de comunicar por escrito
dichos argumentos.
Metodologa:
Dos clases semanales magistrales con explicaciones, ilustraciones y propuestas de ejercicios y proble-
mas por parte del profesor y con la participacion activa de los estudiantes. Se dejaran talleres que
el estudiante debe realizar fuera de clase para generar luego discusiones en torno a los temas trabajados.
Contenido:
Bibliografa basica:
Prerrequisito: Probabilidad
Descripcion:
Esta asignatura dispone los conceptos y fundamentos de la teora de la inferencia estadstica con
enfoques frecuentista y bayesiano para poner en contexto las propiedades de las estadsticas, con el
objeto de disenar estimadores y pruebas optimos bajo muestreo aleatorio simple.
El estudiante que curse la asignatura y cumpla con las exigencias academicas, podra:
1. Identificar la estructura general de la inferencia estadstica con el respaldo de elementos de la pro-
babilidad.
2. Teorizar el comportamiento de estimadores y de pruebas.
3. Construir, evaluar y comparar estimadores.
4. Realizar estimaciones puntuales y por intervalo a partir de muestras simples.
5. Construir, evaluar y comparar pruebas.
6. Traducir conjeturas cientficas a lenguaje estadstico y valorar su plausibilidad.
Contenido:
1. Muestra aleatoria
1.1 Conceptos iniciales.
1.2 Distribucion de sumas y productos en muestras aleatorias.
1.3 Distribucion de los estadsticos de orden.
1.4 Muestras bajo la distribucion normal.
1.5 Principios de simulacion.
2. Construccion de estimadores
2.1 Conceptos iniciales.
2.2 Metodo de los momentos.
2.3 Metodo de maxima verosimilitud.
2.4 Metodo bayesiano.
2.5 Metodos robustos.
2.6 Algoritmo EM.
3. Evaluacion de estimadores
3.1 Consistencia.
3.2 Insesgamiento.
3.3 Eficiencia.
3.4 Suficiencia.
3.5 Completez.
3.6 Varianza mnima.
3.7 Equivarianza.
3.8 Optimizacion bajo funcion de costos.
3.9 Robustez.
4. Pruebas de hipotesis
18 CAPITULO 1. FUNDAMENTACION MATEMATICO-ESTADISTICA
4.1 Conceptos basicos: Tipos de hipotesis, tipos de errores y probabilidades asociadas, regiones,
valor p.
4.2 Metodos para hallar pruebas: razon de verosimilitudes, bayesianos, union-interseccion y
interseccion-union.
4.3 Evaluacion de pruebas. Funcion de potencia, pruebas uniformemente mas potentes, tamano
de una prueba, invarianza, eficiencia relativa, eficiencia relativa asintotica.
4.4 Optimalidad bajo funcion de perdida.
5. Estimacion por intervalos
5.1 Metodos para hallar intervalos: Inversion de la prueba, variable pivote, bayesiano.
5.2 Evaluacion de intervalos de confianza: tamano y probabilidad de cubrimiento, optimalidad
(relacionada con las pruebas, bayesiana y bajo funcion de costos).
5.3 Intervalos de credibilidad.
Bibliografa basica:
Preparado por Liliana Blanco, Fabio Nieto y Emilse Gomez. Revisado por Nelcy Rodrguez y Campo
Elas Pardo.
1.8. PROBABILIDAD 19
1.8. PROBABILIDAD
Creditos: 4
Descripcion:
Esta asignatura dispone los elementos de la sintaxis formal de la probabilidad para eventos y variables
aleatorias unidimensionales y multidimensionales. Describe los modelos probabilsticos clasicos. Abor-
da la convergencia y la simulacion de variables aleatorias. Se requieren conocimientos de algebra
lineal y de calculo en varias variables.
El estudiante que curse la asignatura y cumpla con las exigencias academicas, podra:
1. Manejar e interpretar los axiomas y los conceptos fundamentales de la teora de probabilidad.
2. Reconocer en casos especficos el o los modelos probabilsticos mas adecuados en la descripcion de
una situacion real.
3. Fortalecer su formacion disciplinar con el pensamiento probabilstico.
Contenido:
5.1 Uniforme.
5.2 Normal.
5.3 Gamma.
5.4 Exponencial.
5.5 Chi-cuadrado.
5.6 Beta.
5.7 Log-normal.
5.8 Weibull.
5.9 Cauchy.
6. Distribucion conjunta de variables aleatorias
6.1 Funciones de distribucion conjunta.
6.2 Variables aleatorias independientes.
6.3 Covarianza y coeficiente de correlacion.
6.4 Distribucion de una funcion de un vector aleatorio.
6.5 Distribucion de la suma, diferencia, producto y cociente de variables aleatorias.
6.6 Distribuciones F y t-student.
6.7 Funciones generadora de momentos y caracterstica conjuntas.
6.8 Distribucion conjunta de la media y la varianza muestral.
6.9 Distribucion normal multivariada.
7. Distribucion condicional y valor esperado condicional
7.1 Funcion de distribucion condicional y valor esperado condicional: Casos discreto y continuo.
7.2 Propiedades del valor esperado condicional.
7.3 Varianza condicional.
8. Leyes de los grandes numeros y teorema central del lmite
8.1 Desigualdades de Markov, Chebyshev y Jensen.
8.2 Convergencia en probabilidad, casi siempre y en ley de sucesiones de variables aleatorias.
8.3 Las leyes debil y fuerte de los grandes numeros.
8.4 Teorema central del lmite.
8.5 Simulacion de algunas distribuciones discretas y continuas de uso frecuente.
Bibliografa basica:
Preparado por Liliana Blanco. Revisado por Emilse Gomez y Pedro Nel Pacheco.
1.9. SISTEMAS NUMERICOS 21
Descripcion:
Revisar y complementar los conocimientos de los conjuntos numericos que el estudiante ha utilizado en
sus estudios de educacion media, desde los naturales hasta los complejos, resaltando las similitudes y
especificidades de cada uno de ellos. Detectar estructuras algebraicas elementales. Abordar principios
basicos de conteo. Estudiar los teoremas relacionados con la busqueda de races de polinomios. Meto-
dologa: Dos clases semanales magistrales con explicaciones, ilustraciones y propuestas de ejercicios y
problemas por parte del profesor y con la participacion activa de los estudiantes.
Contenido:
1. Operaciones Binarias
1.1 Operaciones binarias.
1.2 Propiedades: asociatividad y conmutatividad.
1.3 Existencia de elementos neutros e inversos laterales y bilaterales.
1.4 Ejemplos en Zn y otros conjuntos finitos con operaciones usuales y no usuales.
2. Numeros Naturales.
2.1 Numeros naturales: Axiomas de Peano. Operaciones y propiedades.
2.2 Divisibilidad y orden
2.3 Induccion, buen orden y recursion.
2.4 Nociones basicas de conteo, permutaciones, combinaciones y teorema del binomio.
3. Numeros Enteros
3.1 Construccion. Operaciones y sus propiedades.
3.2 Divisibilidad. Primos y compuestos. Algoritmo de la division.
3.3 Maximo Comun Divisor y sus propiedades. Mnimo Comun Multiplo.
3.4 Algoritmo de Euclides. Congruencias.
3.5 Teorema fundamental de la Aritmetica y sus consecuencias. Orden.
4. Numeros Racionales y Reales.
4.1 Racionales: Expansion decimal. Operaciones y sus propiedades. Orden. Densidad. Propie-
dad Arquimediana.
4.2 Reales: Expansion decimal. Operaciones y sus propiedades. Orden. Densidad. Propiedad
Arquimediana. Axioma de completez. Numeros algebraicos y trascendentes.
5. Numeros Complejos
5.1 Numeros Complejos: definicion, operaciones y sus propiedades.
5.2 Conjugado. Forma trigonometrica. Representacion geometrica.
5.3 Teorema de Moivre. Races n-esimas de numeros complejos.
6. Polinomios
6.1 Polinomios en una variable: Operaciones. Algoritmo de la division.
22 CAPITULO 1. FUNDAMENTACION MATEMATICO-ESTADISTICA
6.2 Teorema del residuo y teorema del factor. Factorizacion unica. Mnimo Comun Multimplo
y Maximo Comun Divisor.
6.3 Races: Races racionales de polinomios con coeficientes enteros. Teorema fundamental del
algebra. Factorizacion en los reales y en los complejos. Irreducibles y su caracterizacion.
Fracciones simples, fracciones parciales.
Bibliografa basica:
FUNDAMENTACION EN
CIENCIAS
Descripcion:
Descripcion:
Resultados basicos de teora de numeros como el teorema fundamental de la aritmetica y el teorema
chino de los restos, principios basicos de conteo y presentacion de algunas estructuras finitas. En el
caso infinito introduccion de operaciones con familias de conjuntos y de relaciones de orden y buen
24 CAPITULO 2. FUNDAMENTACION EN CIENCIAS
Contenido:
1. Material de Base
1.1 Repaso de Logica y metodos de demostracion.
1.2 Los Numeros naturales.
1.3 Induccion matematica.
1.4 Propiedades elementales de los numeros primos. Teorema chino del residuo.
1.5 Teorema fundamental de la Aritmetica.
2. Combinatoria/Conteo
Bibliografa basica:
Descripcion:
Objetivos:
1. Estudiar un ejemplo axiomatico clasico, Geometra Elemental, ejemplo que ilustra la forma en
que se construye una teora matematica.
2. Estudiar los elementos basicos de la Geometra Elemental que permitan a los estudiantes abordar
sus cursos superiores.
3. Contribuir al desarrollo del pensamiento matematico del estudiante, al desarrollo de la intuicion y
de la capacidad de analisis.
Metodologa:
A medida que se desarrolle el curso, se debe reflexionar acerca de las definiciones y postulados que
vayan apareciendo y su necesidad y pertinencia dentro de la teora para demostrar nuevos resultados.
Se debe insistir en el analisis de la estructura logica de una proposicion y en lo que significa una de-
mostracion. Es importante involucrar a los estudiantes en la discusion de los temas tratados, se debe
promover en ellos la participacion para que propongan conjeturas y sugieran soluciones a problemas
planteados.
Contenido:
Bibliografa basica:
Campos, A. Axiomatica y Geometra desde Euclides hasta Hilbert y Bourbaki. Universidad Na-
cional de Colombia. 1994.
26 CAPITULO 2. FUNDAMENTACION EN CIENCIAS
Descripcion:
Este es un curso que estudia los primeros conceptos del algebra lineal en R2 y R3 y su relacion con
algunos conceptos basicos de la geometra.
Contenido:
8.2 La elipse.
8.3 La hiperbola. La ecuacion Ax2 + Cy 2 + Dx + Ey + F = 0.
8.4 Rotacion de ejes. Ecuacion general de segundo grado.
9. Vectores en el espacio
9.1 Vectores geometricos. Conceptos basicos y operaciones. Sistema de coordenadas cartesianas
para el espacio. Descomposicion canonica para vectores geometricos.
9.2 Producto cruz o producto vectorial.
9.3 Vectores coordenados o algebraicos.
10. Rectas y planos
10.1 La lnea recta. Angulo y posiciones relativas entre dos rectas. Distancia de un punto a una
recta.
10.2 Planos. Posiciones relativas entre dos planos y entre una recta y un plano.
10.3 Distancia de un punto a un plano. Ecuaciones parametricas para un plano.
Bibliografa basica:
COMPLEMENTACION
MATEMATICA
Descripcion:
Al final el curso el estudiante debe conocer, manejar e interpretar los axiomas y los conceptos funda-
mentales del calculo estocastico.
Contenido:
1. Preliminares
1.7 Martingalas.
2. El Movimiento Browniano
2.1 Definicion y propiedades.
2.2 Tiempos de paro.
2.3 Procesos que se derivan del movimiento browniano.
3. Integracion Estocastica
3.1 Construccion de la integral de Ito.
3.2 Algunas propiedes de la integral de Ito.
3.3 Extensiones de la integral de Ito.
3.4 La formula de Ito y el teorema de representacion de martingalas.
4. Ecuaciones Diferenciales Estocasticas
4.1 Definicion y ejemplos.
4.2 Algunos metodos de solucion.
4.3 Teoremas de existencia y unicidad de soluciones fuertes.
4.4 Soluciones debiles.
4.5 Ecuaciones diferenciales estocasticas lineales.
Bibliografa basica:
Blanco, L & Munoz, M. Analisis Estocastico. Coleccion Notas de clase. Facultad de Ciencias.
Universidad Nacional. 2003.
Cyganowski, S.; Kloeden, P. & Ombach, J. From Elementary Probability to Stochastic Differen-
tial Equations with MAPLE. Springer. 2000.
Descripcion:
Objetivos:
1. Modelar por medio de ecuaciones diferenciales algunos sistemas simples y predecir su comporta-
miento.
2. Comprender y utilizar las diferentes tecnicas analticas y cualitativas para resolver ecuaciones dife-
renciales.
Metodologa:
Clases magistrales y talleres.
Contenido:
3. Transformada de Laplace
3.1 Transformada de Laplace. Transformada inversa. Teoremas de traslacion y derivadas de
una transformada. Transformadas de derivadas, integrales y funciones periodicas.
3.2 Funciones delta y forzamiento de impulso. Aplicaciones a las ecuaciones diferenciales y
sistemas.
4. Series de Potencias
4.1 Series de potencias. Ecuaciones lineales: puntos ordinarios y singulares. Soluciones con series
de potencias en torno a puntos ordinarios.
4.2 Soluciones en torno a puntos singulares regulares (teora de Frobenius).
4.3 Dos ejemplos: ecuaciones de Bessel y Legendre.
Bibliografa basica:
Descripcion:
La modelacion matematica no es un tema facil de ensenar, dada la gran diversidad de problemas
a los cuales esta se enfrenta. Ademas otra razon de esto se debe a que esta solo se aprende por la
practica, es decir no existe un conjunto de reglas para comprender la manera correcta del proceso
de modelacion, esta solo puede adquirirse familiarizandose con una gran variedad de problemas. Se
han propuesto dos grandes corrientes para la ensenanza de la modelacion matematica: por un lado
una de ellas considera que la forma de dictar el curso se debe realizar sobre casos de estudio en
donde los estudiantes deben encontrar al menos una respuesta con matematica sencilla, de problemas
de la vida real del tipo abierto que pueden despertar gran creatividad en el estudiante pero, que de
alguna forma, se corre el riesgo de tomar caminos que no conduzcan a algo interesante. Por otro lado
la otra escuela que es la estructurada, puede considerarse como un esquema adecuado para nuestro
pregrado. Esta consiste en tomar modelos ya estudiados y ensenar al estudiante la manera como
dichos problemas se abordan. Con esta tendencia, la modelacion matematica se presenta como la
herramienta para solucionar problemas del mundo real.
Contenido:
1. Adimensionalizacion
2. Modelos Compartimentales
3. Optimizacion
4. Modelos Estocasticos
5. Sensibilidad
Bibliografa basica:
PROGRAMACION
Las asignaturas de esta agrupacion difieren en su contenido y propositos particulares, pero son cohe-
rentes tematicamente, puesto coinciden en estimular el desarrollo de capacidades de programacion de
computadores; por ello la agrupacion tiene como objetivo el siguiente:
Incentivar la capacidad de abstraer problemas y de formular su solucion, por medio del diseno de
36 CAPITULO 4. PROGRAMACION
Descripcion:
Esta asignatura introduce la logica de programacion y las plataformas de programacion en Estadstica.
Provee las herramientas basicas para la lectura, creacion, procesamiento, almacenamiento y recupera-
cion de datos. Se hace una introduccion a la moderna teora de programacion utilizando un lenguaje
orientado a objetos (C++) y la plataforma estadstica R.
El estudiante que curse la asignatura y cumpla con las exigencias, podra:
1. Proponer el procedimiento logico para resolver un problema.
2. Programar la solucion de un problema en un lenguaje de programacion.
3. Utilizar las estructuras vectoriales y matriciales en la programacion de soluciones.
4. Realizar tareas estadsticas basicas en una plataforma de programacion en Estadstica.
5. Producir graficas con informacion estadstica.
6. Abordar la programacion de tareas combinando un lenguaje de programacion y una plataforma
estadstica.
7. Leer datos disponibles en diferentes aplicaciones y exportar datos para otros ambientes.
Contenido:
2. Lexico basico
4. Funciones (C++,R)
Bibliografa basica:
Capper, D. Introducing C++ for Scientists, Engineers and Mathematicians. Kindle Book. 2001.
Correa, J. Graficos estadsticos con R. U. Nacional, sede Medelln. 2002
Descripcion:
Objetivos:
1. Adquirir conocimientos basicos sobre computadores e informatica.
2. Suministrar los conocimientos basicos de la programacion de computadores en un lenguaje de pro-
gramacion (C, C++, Fortran, o Pascal) en el contexto de los metodos numericos.
3. Poner en practica los conocimientos sobre computadores, informatica y lenguajes considerados en
programas basicos de metodos numericos.
Contenido:
1. Introduccion
4. Funciones
Bibliografa basica:
METODOLOGIA
Con esta agrupacion, el currculo no pierde de vista la parte profesional como componente formativa de
un Estadstico, y con ella se pone a disposicion del estudiante un numero considerable de asignaturas
dismiles, como ocurre en otras agrupaciones, pero que estan estrechamente ligadas, de una u otra
forma, al apoyo del quehacer del egresado. Estas asignaturas no forman parte de la propedeutica
del plan de estudios ni hacen referencia a los temas disciplinares, que mantienen curricularmente un
sitio cardinal, sino que se encaminan a la profesionalidad, permitiendo el conocimiento de tematicas
particulares, el desarrollo de competencias y el incentivo de reflexiones deontologicas, factores que
posibilitan mejores resultados de su actividad profesional.
Como estratega metodologico, al Estadstico se le demanda persistencia en la busqueda de los mejores
medios para incrementar el exito de una investigacion, en cuya labor desempena roles especficos y
definitivos. En la planeacion, como una de sus funciones especficas, se advierte su mayor desempeno
de interaccion grupal, y esta obligado a manejar elementos semanticos ajenos, a compartir funciones,
a suplir parcialmente carencias de recurso humano. En este sentido la agrupacion denominada Me-
todologa, reune asignaturas administradas por varias Facultades e incluye la primera asignatura de
Contexto que ofrecera el Departamento de Estadstica. Estas asignaturas tambien se inscriben dentro
del componente de fundamentacion a la luz de lo dispuesto en el acuerdo 033.
La relacion de las asignaturas de esta agrupacion se consigna en el cuadro 5.
Descripcion:
Esta asignatura dispone actividades, como conferencias de expertos, lecturas, discusiones y expo-
siciones, que permitan el examen de: marcos normativos de organismos productores de estadsticas,
procedimientos estadsticos normalizados y normativas de comportamiento profesional. Es un espa-
cio de reflexion para la toma de conciencia sobre las consecuencias de los actos individuales o colectivos
del ejercicio profesional del estadstico en la sociedad.
El estudiante que curse la asignatura y cumpla con las exigencias, podra:
1. Reconocer el papel de la estadstica en la sociedad y el estado.
2. Tener presente los aspectos ontologicos y deontologicos del ejercicio profesional.
3. Discernir entre conductas eticas y no eticas en la toma de decisiones con apoyo estadstico.
4. Concertar en el desarrollo de sistemas estadsticos.
5. Contribuir en la construccion y adaptacion de los procedimientos estadsticos dentro de las normas
tecnicas.
Contenido:
Bibliografa basica:
Preparado por Humberto Mayorga, Piedad Urdinola, Emilse Gomez, Pedro Nel Pacheco, Campo Elas
Pardo. Revisado por Campo Elas Pardo.
46 CAPITULO 5. METODOLOGIA
Captulo 6
NUCLEO ESTADISTICO
Se le caracteriza plenamente a esta agrupacion por su esencia, intitulandola como nucleo, por medio
de la acepcion: elemento primordial al que se van agregando otros para formar un todo . Cada una
de las asignaturas del nucleo estadstico forma parte de un componente ineludible en la formacion de
un Estadstico, puesto que concebidas como base, sobre su conocimiento y competencias desarrolla-
das, el estudiante puede incrementar conocimientos adicionales relacionados con las asignaturas de la
agrupacion como complementacion o anexar conocimientos de temas particulares a manera de aplica-
ciones. Corresponde justamente a la apropiacion de elementos conceptuales de la Estadstica, que lo
vinculan disciplinariamente con ella y cimientan su ejercicio profesional. Del mismo modo, el principio
de flexibilidad atenua la rigidez presumida para una agrupacion de este caracter y abre posibilidades
al exigirse 36 creditos de 44 posibles.
La agrupacion esta conformada por las asignaturas que incluye el cuadro 6.
Descripcion:
Esta asignatura dispone los conceptos y fundamentos de la teora estadstica para modelar la rela-
cion existente entre una variable respuesta y un conjunto de variables explicativas, optimizando la
informacion disponible.
El estudiante que curse la asignatura y cumpla con las exigencias academicas, podra:
1. Identificar la estructura general de los modelos de regresion lineal y no lineal.
2. Teorizar la construccion, evaluacion y seleccion de un modelo de regresion lineal y no lineal.
3. Estimar modelos de regresion lineal, evaluar su ajuste y seleccionar uno adecuado.
4. Verificar los supuestos del modelo de regresion lineal.
5. Ajustar modelos que involucren variables categoricas o modelos que tengan una estructura no lineal.
6. Elegir procedimientos de analisis de acuerdo con la estructura de los datos y los objetivos de la
investigacion.
Contenido:
Bibliografa basica:
Draper, Norman y Smith, Harry. Applied Regression Analysis. John Wiley. 1998.
6.1. ANALISIS DE REGRESION 49
Fox, John. Applied Regression Analysis and Generalized Linear Models. Sage. 2008.
Hocking, Ronald. Methods and Applications of Linear Models. N. J. Wiley-Interscience. 2003.
Lopez, Luis y Rincon, Luis. Notas de Clase de Modelos Lineales. Universidad Nacional de Co-
lombia. 1999.
Montgomery, Douglas; Peck, Elizabeth y Vining, Geoffrey. Introduction to Linear Regression
Analysis. John Wiley and Son. 2006.
Searle, Shayle. Linear Models. John Wiley. 1971.
Preparado por Luz Mery Gonzalez. Revisado por Emilse Gomez y Diana Franco.
50 CAPITULO 6. NUCLEO ESTADISTICO
Descripcion:
Esta asignatura extiende los conceptos de la inferencia estadstica al caso de multiples variables, aborda
algunos metodos estadsticos multivariados relacionados con la estructura de covarianza y presenta
los conceptos basicos del analisis discriminante.
El estudiante que curse la asignatura y cumpla con las exigencias, podra:
1. Complementar los fundamentos de la inferencia estadstica bajo el modelo normal multivariado.
2. Emplear intervalos y regiones de confianza para coeficientes de correlacion y vectores de medias.
3. Construir, evaluar y comparar pruebas de hipotesis para coeficientes de correlacion, vectores de
medias, matrices de covarianzas.
4. Aplicar adecuadamente los metodos multivariados relacionados con la estructura de covarianza.
5. Organizar informacion utilizando algunos metodos de clasificacion o discriminacion.
Contenido:
1. Introduccion
Bibliografa basica:
Mardia, K. V., Kent, J. T., and Bibby, J. M. Multivariate Analysis. Academic Press. 1979.
Morrison, Donald F. Multivariate Statistical Methods. Mc Graw Hill Book Company. 1990.
Pena, Daniel. Analisis multivariante de datos. Mc Graw Hill Book Company. 2004.
Perez, Cesar. Tecnicas de analisis multivariante de datos. Pearson-Prentice Hall. 2004.
Rencher, Alvin C. Multivariate Statistical Inference and Applications. John Wiley & Sons. 1998.
Sharma, Subhash. Applied Multivariate Techniques. John Wiley & Sons. 1996.
Preparado por Luis Guillermo Daz y Campo Elas Pardo. Revisado por Nelcy Rodrguez
52 CAPITULO 6. NUCLEO ESTADISTICO
Descripcion:
Esta asignatura dispone los conceptos y fundamentos que sustentan la planeacion, modelacion y
analisis de experimentos disenados estadsticamente.
El estudiante que curse la asignatura y cumpla con las exigencias academicas, podra:
1. Identificar la estructura general de los disenos experimentales.
2. Planear un diseno de experimentos a la luz de los principios basicos.
3. Teorizar la construccion y la modelacion de un diseno experimental a partir de las bases proporcio-
nadas por los modelos lineales.
4. Gestionar el tratamiento de datos faltantes.
5. Elegir disenos teniendo en cuenta la estructura de los datos y los objetivos de la investigacion.
6. Evaluar los resultados de la aplicacion de un diseno, a partir de ello ratificarla o elegir analisis
alternativos.
Contenido:
Bibliografa basica:
Preparado por Luz Mery Gonzalez. Revisado por Emilse Gomez y Diana Franco.
54 CAPITULO 6. NUCLEO ESTADISTICO
Descripcion:
La asignatura tiene un enfoque practico y en ella, los estudiantes acompanados por el docente llevan a
cabo una investigacion cuantitativa sobre un tema escogido dentro de las problematicas del contexto
interdisciplinario. Es importante considerar que en este curso se realiza una investigacion a traves de
una encuesta en la cual, usualmente, los individuos se seleccionan mediante muestreo probabilstico.
El estudiante que curse la asignatura y cumpla con las exigencias academicas, podra:
1. Planear y ejecutar un proyecto de investigacion.
2. Elaborar y exponer en forma oral y escrita informes de los resultados de la investigacion.
3. Asesorar la elaboracion de instrumentos de recoleccion de informacion y el trabajo de campo.
4. Ejercer actividades de liderazgo, trabajo en equipo, manejo de conflictos y toma de decisiones.
Contenido:
1. Preliminares
1.1 Presentacion del curso y formacion de grupos.
1.2 Presentacion de grupos y lderes.
1.3 Funciones de los grupos.
1.4 Caractersticas de un lder.
1.5 Presentacion de los informes finales a elaborar. Indices.
2. Preparacion de la propuesta
2.1 Brief o primera charla con el usuario.
2.2 Objetivos y cuadros de salida.
2.3 Cronograma.
2.4 Cuestionario.
2.5 Marco de muestreo y diseno muestral.
2.6 Precision y confiabilidad. Fuentes de sesgo.
2.7 Practica de definicion de tamano de muestra y seleccion.
2.8 Cartografa.
2.9 Caractersticas de una propuesta.
2.10 Elaboracion del presupuesto.
2.11 Presentacion de la propuesta al usuario y aprobacion de la misma.
3. Actividades previas a la ejecucion
3.1 Especificaciones de validacion, consistencia e imputacion.
3.2 Especificaciones de estimacion de parametros, tabulacion y varianza.
3.3 Programas de captura y procesamiento.
3.4 Plan operativo.
3.5 Capacitacion de encuestadores y tecnicas de entrevista.
3.6 Organizacion del procesamiento.
6.4. DISENO Y DESARROLLO DE ENCUESTAS 55
Bibliografa basica:
Bautista, Leonardo; Salamanca, Ana Milena (sin publicar). Notas de curso de extension en
Tecnicas de Diseno y Desarrollo de Encuestas. Universidad Nacional de Colombia. 2002.
Iarossi, G. The Power of Survey Design: A Users Guide for Managing Surveys, Interpreting
Results and Influencing Respondents. The World Bank. 2006.
Lyberg, Beamer, et. Al. Survey Measurement and Process Quality Wiley. 1997.
Material de entrenamiento. Tecnicas de presentaciones efectivas. TEC Institute - Argentina.
2007.
Sarndal, C.; Swensson, B. y Wretman, J. Model Assisted Survey Sampling. Springer - Verlag.
1992.
Preparado por Ana Milena Salamanca y Leonardo Trujillo. Revisado por Luz Mery Gonzalez, Leonardo
Trujillo y Pedro Nel Pacheco.
56 CAPITULO 6. NUCLEO ESTADISTICO
Descripcion:
Esta asignatura dispone lo necesario para profundizar en la vision de conjunto del paradigma baye-
siano, consolidando sus fundamentos y sus metodos basicos, ilustrando los elementos necesarios para
la solucion de problemas de inferencia estadstica con el enfoque bayesiano.
El estudiante que curse la asignatura y cumpla con las exigencias, podra:
1. Utilizar tanto su evidencia previa como la emprica proporcionada por el experimento aleatorio que
haya realizado para inferir Bayesianamente.
2. Comparar en casos practicos los resultados obtenidos por los metodos bayesianos con los resultados
de los metodos frecuentistas.
3. Discernir en que casos los metodos bayesianos son necesarios, y tener la capacidad de aplicarlos.
4. Hacer simulacion de fenomenos bajo los modelos Bayesianos.
Contenido:
1. Conceptos basicos
1.1 Modelos estadsticos.
1.2 Funcion de verosimilitud.
1.3 Teorema de Bayes.
1.4 Permutabilidad.
1.5 Suficiencia y familia exponencial.
1.6 Eliminacion de parametros.
2. Distribucion a priori
2.1 Definicion de priori.
2.2 Priori conjugada.
2.3 Priori no informativa.
2.4 Priori jerarquica.
3. Estimacion
3.1 Comparacion de estimadores.
3.2 Estimacion en modelos normales.
4. Aproximacion y metodos computacionales (opcional)
4.1 Tecnicas de optimizacion.
4.2 Aproximaciones analticas.
4.3 Metodos de integracion numerica.
4.4 Metodos de simulacion.
5. Pruebas de hipotesis
5.1 Pruebas de hipotesis bayesiana.
5.2 Pruebas de hipotesis e intervalos de confianza.
5.3 Pruebas de hipotesis asintoticas.
6.5. ESTADISTICA BAYESIANA 57
6. Muestrador de Gibbs
6.1 Definicion y propiedades.
6.2 Implementacion y optimizacion.
6.3 Diagnosticos de convergencia.
6.4 Aplicacion a modelos lineales normales.
7. Metropolis Hastings
7.1 Definicion y propiedades.
7.2 Casos especiales.
7.3 Algunos algoritmos.
8. Introduccion a modelos lineales
8.1 Modelo lineal.
8.2 Modelo lineal Bayesiano.
8.3 Modelo lineal jerarquico.
8.4 Modelo lineal dinamico.
Bibliografa basica:
Preparado por Edilberto Cepeda. Revisado por Pedro Nel Pacheco y Emilse Gomez.
58 CAPITULO 6. NUCLEO ESTADISTICO
Descripcion:
Aborda el analisis descriptivo y exploratorio multivariado de tablas grandes de datos (muchas filas
y columnas). Recurre a la representacion geometrica multidimensional de las tablas de datos y a
su lectura mediante proyecciones en planos, denominados factoriales, y a la conformacion de grupos
homogeneos en el sentido de variabilidad baja dentro de los grupos y alta entre grupos. Las repre-
sentaciones geometricas permiten visualizar la informacion relevante contenida en las tablas de datos.
El aprendizaje se consolida mediante una aplicacion real siguiendo las pautas de la metodologa de la
investigacion.
El estudiante que curse la asignatura y cumpla con las exigencias academicas, podra:
1. Aplicar los metodos empleando programas de uso libre y comercial y utilizarlos en el contexto de
situaciones especficas.
2. Abordar el aprendizaje de otros metodos de la estadstica exploratoria multidimensional.
3. Consolidar los conocimientos sobre metodologa de la investigacion.
4. Mejorar las destrezas en redaccion de textos, normas de presentacion de trabajos escritos y de
presentacion oral de los resultados.
Contenido:
1. Introduccion
Bibliografa basica:
Escofier, B. & Pages, J. Analisis factoriales simples y multiples. Objetivos, metodos e interpre-
tacion. Universidad del Pas Vasco. 1992.
Greenacre, M. Correspondence Analysis in Practice. Chapman & Hall. 2007.
Le-Roux, B. & Rouanet, H. Geometric Data Analysis. From Correspondence Analysis to Struc-
tured Data Analysis. Springer. 2005.
Lebart, L., Morineau, A. & Piron, M. Statisitique exploratoire multidimensionnelle. Dunod. 1995.
Lebart, L., Morineau, A. & Warwick. Multivariate Descriptive Statistical Analysis. Wiley. 1984.
Preparado por Campo Elas Pardo, discutido con Guillermo Daz y Oscar Melo y profesores del
Departamento de Estadstica. Revisado por Nelcy Rodrguez y Humberto Mayorga.
60 CAPITULO 6. NUCLEO ESTADISTICO
Descripcion:
Esta asignatura introduce conceptos sobre el papel de la Estadstica en la metodologa de la in-
vestigacion, provee la sintaxis inicial del lenguaje estadstico y las herramientas necesarias para la
organizacion, la descripcion, el analisis, el resumen, la presentacion y la identificacion de patrones y
estructuras inherentes a conjuntos de datos.
El estudiante que curse la asignatura y cumpla con las exigencias academicas, podra:
1. Reconocer el papel de la Estadstica en los procesos de investigacion.
2. Aplicar adecuadamente algunos metodos descriptivos y exploratorios, utilizando herramientas com-
putacionales.
3. Leer y comprender informes de los analisis estadsticos en investigaciones de tipo exploratorio.
4. Presentar de manera verbal y escrita los resultados estadsticos obtenidos en una investigacion de
caracter exploratorio.
Contenido:
1. Estadstica e investigacion
Bibliografa basica:
Emerson D.; Hoaglin D.; Mosteller F. y Tukey J. Understanding robust and exploratory data
analysis. John Wiley. 1983.
Preparado por Martha Bohorquez y Pedro Nel Pacheco. Revisado por Nelcy Rodrguez y Campo Elas
Pardo.
62 CAPITULO 6. NUCLEO ESTADISTICO
Descripcion:
Esta asignatura dispone los conceptos y fundamentos para modelar estadsticamente, a partir de las
bases proporcionadas por los procesos estocasticos, el comportamiento de una variable cuantitativa
georreferenciada considerando las dependencias estadsticas en la secuencia de observaciones.
El estudiante que curse la asignatura y cumpla con las exigencias academicas, podra:
1. Elegir un metodo apropiado segun las caractersticas de la georreferenciacion.
2. Reconocer diferentes modelos de variabilidad espacial.
3. Construir mapas a partir de predicciones optimas para las variables de interes.
4. Determinar patrones y regularidades en el comportamiento espacial de los datos.
Contenido:
1. Introduccion
1.1 Proceso estocastico; la estadstica espacial como un proceso estocastico.
1.2 Areas de la estadstica espacial segun el conjunto de ndices del proceso.
1.3 Perspectivas de aplicacion.
2. Geoestadstica
2.1 Analisis exploratorio: Graficos exploratorios, tendencia, interpolacion determinstica.
2.2 Autocorrelacion espacial: Variable regionalizada, momentos, estacionariedad, isotropa, va-
riograma, covariograma y correlograma, modelos teoricos.
2.3 Prediccion espacial. Kriging (simple, ordinario, residual, universal) y cokriging.
3. Analisis de datos de areas
3.1 Analisis descriptivo: Coordenada media, cuantificacion de la contiguidad espacial, opera-
dor retardo espacial, matriz de pesos espaciales, histograma regional, graficos de retardo
espacial, mapas de cuantiles (box map), graficos de Moran, mapas LISA.
3.2 Efectos espaciales.
3.2.1 Autocorrelacion espacial: Indices de Geary y Moran, ndice bayesiano emprico, indi-
cadores locales de asociacion espacial (LISA).
3.2.2 Heterogeneidad Espacial.
3.3 Introduccion a los modelos de regresion espacial: autorregresivos espaciales (primer orden,
regresivo-autoregresivo mixto, de error espacial) y espacial general.
4. Patrones puntuales
4.1 Analisis descriptivo: Graficos exploratorios, relacion varianza media, ndices basados en
conteos por cuadrantes, pruebas de aleatoriedad, funcion de intensidad, estimador kernel,
graficos de contornos de la funcion de intensidad.
4.2 Tipos de patrones: Propiedades de segundo orden, estimacion de las propiedades de segundo
orden para procesos marcados univariados y multivariados, distribucion del vecino mas
cercano, funcion K.
4.3 Modelos para patrones puntuales: Procesos Poisson homogeneo y no homogeneo, proceso
de Cox, Proceso Poisson agregado (cluster), proceso de Gibbs. Metodos de Monte Carlo
para estimacion de la intensidad.
6.8. ESTADISTICA ESPACIAL 63
Bibliografa basica:
Preparado por Ramon Giraldo, Martha Bohorquez. Revisado por Emilse Gomez y Diana Franco.
64 CAPITULO 6. NUCLEO ESTADISTICO
Descripcion:
Esta asignatura dispone metodos estadsticos de inferencia de distribucion libre los cuales carecen de
supuestos tales como que la muestra es extrada bajo una distribucion de probabilidad determinada
o conocida.
El estudiante que curse la asignatura y cumpla con las exigencias academicas, podra:
1. Identificar los metodos apropiados para el manejo de datos proveniente de distribuciones no cono-
cidas a priori.
2. Construir, evaluar y comparar estimadores obtenidos con muestras de distribucion libre.
3. Aplicar metodos adecuados para el ajuste de densidades y de modelos lineales.
4. Realizar estimaciones puntuales, por intervalo y pruebas de hipotesis a partir de muestras obtenidas
de distribuciones cuya naturaleza se desconoce.
Contenido:
1. Introduccion
4.1 Diseno a una va: Pruebas de Kruskal-Wallis, alternativas ordenadas y diferencias multiples
(manejo de empates).
4.2 Diseno en bloques: Prueba de Friedman, alternativas ordenadas y diferencias multiples
(manejo de empates).
Bibliografa basica:
Bowman, A. W. y Azzalini, A. Applied Smoothing Techniques for Data Analysis. Oxford. 1997.
Preparado por Jimmy Corzo y Ramon Giraldo. Revisado por Luz Mery Gonzalez, Leonardo Trujillo
y Pedro Nel Pacheco.
66 CAPITULO 6. NUCLEO ESTADISTICO
Descripcion:
Esta asignatura dispone las ideas centrales en muestreo probabilstico de poblaciones finitas. Conside-
ra disenos muestrales para los cuales las unidades podran tener diferentes probabilidades de seleccion
y aborda metodos de estimacion de funciones de totales poblacionales (totales, medias, razones, pro-
porcion, coeficientes de correlacion, percentiles).
El estudiante que curse la asignatura y cumpla con las exigencias academicas, podra:
1. Identificar las caractersticas propias de diferentes estrategias muestrales (diseno y estimadores).
2. Teorizar el comportamiento de los estimadores asociados a diferentes disenos muestrales.
3. Construir, comparar y evaluar estimadores bajo diferentes disenos de muestreo probabilstico.
4. Construir y evaluar disenos de muestreo probabilstico.
5. Realizar estimaciones puntuales y por intervalo a partir del diseno aplicado.
6. Escoger el diseno y el tamano de muestra apropiados en una situacion aplicada.
Contenido:
2.1 Estimadores basicos para la estimacion de totales, construccion del pi-estimador y MCR-
estimador.
2.2 Diseno de muestreo aleatorio simple. Tamano de muestra.
2.3 Diseno Bernoulli, diseno sistematico, diseno Poisson, diseno pi-pt y ppt.
2.4 Muestreo estratificado.
5. Calidad muestral
Bibliografa basica:
Preparado por Leonardo Trujillo. Revisado por Luz Mery Gonzalez, Leonardo Trujillo y Pedro Nel
Pacheco.
68 CAPITULO 6. NUCLEO ESTADISTICO
Descripcion:
Esta asignatura dispone los conceptos y fundamentos para modelar estadsticamente, a partir de las
bases proporcionadas por los procesos estocasticos, el comportamiento de una variable cuantitativa
indexada en el tiempo, considerando las dependencias estadsticas en la secuencia de observaciones.
El estudiante que curse la asignatura y cumpla con las exigencias academicas, podra:
1. Identificar la estructura general de una serie de tiempo univariada.
2. Formular y ajustar un modelo apropiado a la serie objeto de estudio.
3. Distinguir la tendencia, estacionalidad, ciclos y datos atpicos en una serie de tiempo univariada.
4. Elegir modelos teniendo en cuenta la estructura de los datos, para componentes observables o no
observables.
5. Proyectar el comportamiento de un fenomeno observado a traves del tiempo.
Contenido:
8. Modelos de intervencion
8.1 Definicion y propiedades de las funciones de intervencion.
8.2 Analisis estadstico de un modelo de intervencion: identificacion, estimacion, verificacion y
funcion de pronostico.
8.3 Datos atpicos en series de tiempo.
8.4 Estimacion de datos faltantes en una serie de tiempo.
9. Analisis de series de tiempo por medio de modelos de componentes no observables
9.1 Modelos con tendencia y estacionalidad.
9.2 Estimacion y eliminacion de tendencia y estacionalidad.
9.3 Metodos de suavizamiento.
Bibliografa basica:
Preparado por Fabio Nieto. Revisado por Emilse Gomez y Diana Franco.
70 CAPITULO 6. NUCLEO ESTADISTICO
Captulo 7
COMPLEMENTACION
ESTADISTICA
Esta agrupacion tiene fines paralelos a la agrupacion de Aplicacion estadstica, en el sentido de partir
del nucleo estadstico y secundar posibilidades de agregar otros temas especiales en direccion al fortale-
cimiento de competencias profesionales ya promovidas. Solo que esta agrupacion procura el desarrollo
de conceptos y procedimientos adicionales del nucleo, que el estudiante elige en su gestion academica
para complementar su preparacion en la disciplina.
Consecuentemente, el objetivo de esta agrupacion consiste en:
Fortalecer competencias disciplinares alcanzadas por el estudiante, incorporando al nucleo estadsti-
co temas adicionales que busquen ampliar su formacion disciplinar basica, respondiendo de manera
integral a su proyecto de vida.
La lista de asignaturas de aplicacion estadstica se relaciona en el cuadro 7.
Descripcion:
Descripcion:
El curso busca consolidar los conocimientos sobre fundamentos y aplicaciones de los analisis de corres-
pondencias simples y multiples y la clasificacion sobre coordenadas factoriales. El repaso de los metodos
se hace con su aplicacion al analisis de datos textuales, haciendo enfasis en el analisis de preguntas
abiertas y cerradas en encuestas.
Se estudia la extension del AC a tablas estructuradas y ternarias, privilegiando el caso de tablas
indexadas en el tiempo o en el espacio. Se estudia el analisis factorial multiple y su aplicacion al caso
de variables cualitativas y mixtas (cuantitativas y cualitativas).
Finalmente se abordan modificaciones y extensiones del AC: analisis de correspondencias no simetrico,
analisis canonico de correspondencias, analisis de coinercia y la combinacion del AC con otros metodos.
Para ejecutar los metodos se utiliza preferentemente software libre: R y el DTM. Se utiliza tambien
el SPAD si la Universidad dispone de licencia en el semestre que se dicte el curso.
Objetivos:
1. Saber analizar informacion obtenida a partir de preguntas abiertas y cerradas utilizando analisis
de correspondencias simples y multiples y clasificacion sobre coordenadas factoriales.
2. Conocer los fundamentos del analisis de datos textuales.
3. Conocer las aplicaciones del AC en tablas estructuradas y ternarias.
4. Conocer los fundamentos y aplicaciones del analisis factorial multiple.
5. Saber abordar metodos y aplicaciones especficas.
6. Saber ejecutar los metodos con programas estadsticos de uso libre y comercial.
Contenido:
2. Marco teorico para los analisis de correspondiencias de tablas estructuradas y tablas ternarias
Bibliografa basica:
Becue, M. & Pagues, J. A principal axes method for comparing multiple contingency tables:
MFACT. Comp. Statistics & Data Analysis. 2004.
Benzecri, J. Correspondence Analysis Handbook. Marcel Dekker - Francia. 1992.
Cabarcas, G. & Pardo, C.-E. Metodos estadsticos multivariados en investigacion social. Simposio
de Estadstica. U.Nacional de Colombia Fac. Ciencias Depto. Estadstica. 2001.
Escofier, B. Analyse factorielle en reference a un modele. application a lanalyse de tableaux
dechanges. Revue de Satatistique Appliquee. 1984.
Lebart, L., Morineau, A. & Piron, M. Statisitique exploratoire multidimensionnelle. Dunod. 1995.
Le-Roux, B. & Rouanet, H. Geometric Data Analysis. From Correspondence Analysis to Struc-
tured Data Analysis. Springer. 2005.
Montenegro, A. & Pardo, C. Introduccion al analisis de datos textuales. U.Nacional de Colombia
Fac. Ciencias Depto. Estadstica y Matematicas. 1996
Pardo, C. E. Analisis de correspondencias de tablas de contingencia estructuradas. U.Distrital-
Colombia. 2005.
Preparado por Campo Elas Pardo. Revisado por Campo Elas Pardo.
74 CAPITULO 7. COMPLEMENTACION ESTADISTICA
Descripcion:
Esta asignatura dispone los fundamentos y las herramientas para el analisis estadstico de variables
en escala nominal u ordinal, por medio de tablas de contingencia y modelos de regresion.
El estudiante que curse la asignatura y cumpla con las exigencias academicas, podra:
1. Distinguir entre los conceptos de asociacion y concordancia.
2. Elegir el coeficiente adecuado para medir asociacion o concordancia de acuerdo con los objetivos
del estudio.
3. Valorar la plausibilidad de conjeturas acerca de caractersticas de tablas contingencias.
4. Aplicar conceptos de modelos de regresion en la solucion de problemas que involucren variables
categoricas.
Contenido:
1. Tablas de contingencia (s r)
Bibliografa basica:
Agresti, Alan. An Introduction to Categorical Data Analysis. John Wiley & Sons. 1996.
Agresti, Alan. Categorical Data Analysis. Second edition. John Wiley & Sons. 2002.
Daz,Guillermo. Analisis estadstico de datos categoricos aplicados a la investigacion biomedica.
Notas de clase. U.Nacional de Colombia. 2002.
Hosmer, David y Lemeshow, Stanley. Applied Logistic Regression. John Wiley & Sons. 1989.
Kleinbaum, David. Logistic Regression. A Self Learning Text. Springer Verlag. 1994.
Siegel, Sidney. Estadstica no parametrica aplicada a las ciencias del comportamiento. Trillas.
2003.
Stokes, Maura; Davis, Charles and Koch, Gary. Categorical Data Analysis Using the SAS System.
SAS Institute Wiley-Interscience. 2001.
Preparado por Nelcy Rodrguez y Luz Mery Gonzalez. Revisado por Emilse Gomez y Diana Franco.
76 CAPITULO 7. COMPLEMENTACION ESTADISTICA
Contenido:
Bibliografa basica:
Crowden, M. J. and Hand, D. J. Analysis of Repeated Measures. Chapman and Hall. 1990.
Diggle P., Heagerty, P., Liang, K. Y. and Zeger S. L. Analysis of Longitudinal Data. Oxford U.
Press. 2002.
Fitzmaurice, G. M., Laird, N. M. and Ware, J. H. Models for Discrete Longitudinal Data. Sprin-
ger. 2006.
Jones, R. H. Longitudinal Data with Serial Correlation: A State-Space Approach. Chapman and
Hall. 1993.
Jones, R. H. Nonlinear Models for Repeated. Chapman and Hall. 1995.
Verbeke, G and Molenberghs, G. Linear Mixed Mdels for Longitudinal Data. Springer. 2000.
Revisado por Emilse Gomez
78 CAPITULO 7. COMPLEMENTACION ESTADISTICA
Descripcion:
Esta asignatura dispone elementos metodologicos en el uso intensivo de computador, con el fin de
examinar de manera factica los desempenos y propiedades de estimadores y metodos inferenciales,
considerando modificaciones de supuestos, de condiciones o de situaciones extremas.
El estudiante que curse la asignatura y cumpla con las exigencias academicas podra:
1. Adecuar elementos metodologicos que permitan el examen factico de las peculiaridades y el desem-
peno de metodos, procedimientos y modelos.
2. Elaborar y ejecutar planes de simulacion cuando sea ineludible frente a un examen analtico teorico
no asequible.
3. Encontrar soluciones a problemas especficos partiendo de nuevas ideas y enfoques.
Contenido:
Bibliografa basica:
Rubinstein, R.Y. Simulation and the Monte Carlo Method. John Wiley. 1981.
Preparado por Jorge Ortiz y Humberto Mayorga. Revisado por Luz Mery Gonzalez, Leonardo Trujillo
y Pedro Nel Pacheco.
80 CAPITULO 7. COMPLEMENTACION ESTADISTICA
Descripcion:
Se abordan los metodos de clasificacion no supervisada (agrupamiento) y supervisada (discriminante)
en un contexto de minera de datos.
El estudiante que curse la asignatura y que cumpla las exigencias academicas podra:
1. Conocer los principios matematicos en que se sustentan los metodos de clasificacion no supervi-
sada (cluster analysis) y supervisada (analisis discriminante).
2. Saber distinguir las situaciones en los que se aplican cada uno de los diferentes metodos estudiados.
3. Conocer las situaciones en las cuales se complementan algunos metodos.
4. Saber utilizar los metodos en conjunto con los metodos factoriales.
5. Saber abordar metodos en aplicaciones especificas en el contexto de minera de datos.
6. Saber ejecutar los metodos con programas de uso libre: R para los metodos y MySQL como mane-
jador de bases de datos.
7. Adquirir programas de minera de datos, se la Universidad posee licencia en el semestre que se
dicte. Por ejemplo Clementine de SPSS, SAS Enterprise Business Intelligence, IBM Intelligent Miner
For Data, Oracle Data Mining (ODM).
Contenido:
1. Introduccion
1.1 Introduccion a la minera de datos.
1.2 Introduccion al MySQL.
2. Marco teorico para los analisis de correspondiencias de tablas estructuradas y tablas ternarias
2.1 Algebra de relaciones.
2.2 Indices y distancias entre elementos a clasificar.
2.3 Metodos de clasificacion.
2.4 Metodos de clasificacion.
2.5 Estrategias de clasificacion.
2.6 Complementaridad entre metodos factoriales y de clasificacion.
3. Conceptos comunes a los metodos de clasificacion supervisada
3.1 Objetivos de un metodo de clasificacion supervisada.
3.2 Muestra de aprendizaje y muestra de prueba.
3.3 Reglas de clasificacion.
3.4 Calidad de una regla de clasificacion.
4. Analisis factorial discriminante
4.1 Como un metodo descriptivo.
4.1.1 Funciones lineales discriminantes.
4.1.2 Relacion con otros metodos.
4.2 Reglas de clasificacion o afectacion.
4.3 Regularizacion en analisis discriminante.
7.5. METODOS DE CLASIFICACION 81
Bibliografa basica:
Preparado por Campo Elas Pardo. Revisado por Campo Elas Pardo.
82 CAPITULO 7. COMPLEMENTACION ESTADISTICA
Descripcion:
Esta asignatura acrecienta la base conceptual y teorica para modelar la relacion existente entre una
variable respuesta y un conjunto de variables explicativas, cuando la distribucion asociada a la variable
respuesta pertenece a la familia exponencial.
El estudiante que curse la asignatura y cumpla con las exigencias academicas, podra:
1. Identificar los componentes del modelo lineal generalizado: funcion de enlace y distribucion de la
variable respuesta.
2. Teorizar la construccion, evaluacion y seleccion de un modelo lineal generalizado.
3. Estimar modelos lineales generalizados, evaluar su ajuste y seleccionar uno adecuado.
4. Verificar los supuestos del modelo lineal generalizado.
5. Elegir procedimientos de analisis de acuerdo con la estructura de los datos y los objetivos de la
investigacion.
Contenido:
Bibliografa basica:
Dobson, Annette. An Introduction to Generalized Linear Models. Chapman & Hall . 2002.
Fahrmeir, Ludwig y Tutz, Gerhard. Multivariate Statistical Modelling Based on Generalized
Linear Models. Springer. 2001.
Hardin, James y Hilbe, Joseph. Generalized Linear Models and Extensions. College Station, TX
Stata Press. 2007.
Lindsey, James. Applying Generalized Linear Models. Springer. 1997.
McCullagh, Peter y Nelder, Jhon A. Generalized Linear Models. CRC Press. 1989.
Myers, Raymond; Montgomery, Douglas y Vining, Geoffrey. Generalized Linear Models with
Applications in Engineering and the Sciences. John Wiley & Sons. 2002.
Vargas, Jose A. y Lopez, Luis A. Modelos Lineales Generalizados. Notas de clase UN (En pre-
paracion). 2008.
Revista sugerida para consulta: Applied Statistics.
Revista sugerida para consulta: Technometrics.
Preparado por Luz Mery Gonzalez. Revisado por Emilse Gomez y Diana Franco.
84 CAPITULO 7. COMPLEMENTACION ESTADISTICA
Descripcion:
Esta asignatura dispone el uso de informacion auxiliar para mejorar la precision de las estimaciones de
parametros de una poblacion finita. Se examinan algunos modelos lineales que son candidatos naturales
para describir este tipo de poblaciones. Se derivan los estimadores de regresion que son generados por
estos modelos para diferentes estrategias muestrales. Ademas se presentan una variedad de metodos
para estimar la precision y exactitud de estadsticas muestrales.
El estudiante que curse la asignatura y cumpla con las exigencias academicas, podra:
1. Identificar las caractersticas propias de una estrategia muestral de dos fases y sus diversas aplica-
ciones.
2. Teorizar el uso de informacion auxiliar a traves de modelos de regresion simple y multiple.
3. Construir, evaluar y comparar estimadores bajo diferentes estrategias muestrales.
4. Construir y evaluar disenos de muestreo probabilstica.
5. Realizar estimaciones puntuales y por intervalo a partir del diseno aplicado.
6. Asesorar en la escogencia del diseno y del tamano de muestra apropiados en una situacion aplicada.
7. Construir, evaluar y comparar estimadores de la varianza usando metodos de remuestreo.
Contenido:
Bibliografa basica:
Brick, J.; Broenep, J. y Severinse, J. Muestreo: Diseno y analisis. International Thomson. 2000.
Lohr, S. L. Survey Measurement and Process Quality Wiley. 1997.
Sarndal, C.; Swensson, B. y Wretman, J. Model Assisted Survey Sampling. Springer - Verlag.
1992.
Wolter, K. Introduction to Variance Estimation. Springer. 1985.
Preparado por Leonardo Trujillo. Revisado por Luz Mery Gonzalez, Leonardo Trujillo y Pedro Nel
Pacheco.
86 CAPITULO 7. COMPLEMENTACION ESTADISTICA
Prerrequisito: Probabilidad
Descripcion:
Esta asignatura dispone conocimientos matematicos para caracterizar y estudiar fenomenos aleatorios
que se asocian con una variable aleatoria indexada.
El estudiante que curse la asignatura y cumpla con las exigencias academicas, podra:
1. Reconocer el modelo estocastico adecuado en la descripcion de una situacion real o ficticia.
Contenido:
Bibliografa basica:
Bhat, N. Elements of Applied Stochastic Processes. John Wiley & Sons. 1984.
Durret, R. Essentials of Stochastic Processes. Springer. 2001.
Grimmett, G. & Stirzaker, D. Probability and Random Processes. Prentice Hall. 1998.
Hoel, P.; Port, S. & Stone, C. Introduction to Stochastic Processes. Houghton Mifflin. 1972.
Karlin, S. & Taylor, H. A First Course in Stochastic Processes. Ac. Press. 1975.
Lawler, G. Introduction to Stochastic Processes. Chapman & Hall. 1996.
Mikosh, T. Elementary Stochastic Calculus with Finance in View. World Scientific. 1999.
Ross, S. Stochastic Processes. Wiley. 1996.
Preparado por Liliana Blanco. Revisado por Luz Mery Gonzalez, Leonardo Trujillo y Pedro Nel
Pacheco.
88 CAPITULO 7. COMPLEMENTACION ESTADISTICA
Descripcion:
Esta asignatura acrecienta la base conceptual para modelar el comportamiento de varias variables
cuantitativas observadas a traves del tiempo, en forma discreta. Fortalece las competencias alcanzadas
por el estudiante en el curso de Series de tiempo univariadas.
El estudiante que curse la asignatura y cumpla con las exigencias academicas, podra:
1. Identificar la estructura general de una serie de tiempo multivariada.
2. Teorizar la construccion de modelos de series de tiempo a partir de las bases proporcionadas por
los procesos estocasticos multivariados.
3. Conceptualizar la implementacion de los modelos de estados.
4. Apropiar conceptos y fundamentos basicos del analisis espectral de series de tiempo multivariadas.
5. Ajustar modelos que involucren varias variables cuantitativas medidas a traves del tiempo.
Contenido:
Bibliografa basica:
Brillinger, D. Time Series: Data analysis and theory. Holden - Day. 1981.
7.9. SERIES DE TIEMPO MULTIVARIADAS 89
Brockwell, P. J. and Davis, R. A. Time Series: Theory and Methods. Springer Verlag. 1991.
Fuller, W. Introduction to Statistical Time Series. John Wiley & Sons. 1995.
Hamilton, J. D. Time Series Analysis. Princeton University Press. 1994.
Harvey, A. C. Time Series Models. Harvester Wheatsheaf. 1993.
Harvey, A. C. Forecasting, Structural Time Series Models, and the Kalman Filter. Cambridge
U. Press. 1989.
Lutkepohl, H. New Introduction to Multiple Time Series Analysis. Springer - Verlag. 2005.
Preparado por Fabio Nieto. Revisado por Emilse Gomez y Diana Franco.
90 CAPITULO 7. COMPLEMENTACION ESTADISTICA
Descripcion:
Esta asignatura acrecienta la base conceptual para modelar y analizar un diseno experimental con
una estructura compleja.
El estudiante que curse la asignatura y cumpla con las exigencias academicas, podra:
1. Identificar metodologas y estrategias para abordar disenos experimentales complejos.
2. Teorizar la construccion y la modelacion de disenos de bloques incompletos, analisis de datos lon-
gitudinales y de modelos mixtos.
3. Apropiar las metodologas de confusion y superficies de respuesta.
4. Elegir procedimientos teniendo en cuenta la estructura de los datos y los objetivos de la investiga-
cion.
5. Evaluar los resultados de la aplicacion de un diseno o metodologa, a partir de ello ratificarla o
elegir analisis alternativos.
Contenido:
2.1 Introduccion a la teora de los disenos en bloques incompletos. Tipos I, II, III, IV y V.
2.2 Analisis de experimentos en bloques incompletos con recuperacion de informacion Inter.-
bloques.
2.3 Bloques incompletos equilibrados.
2.4 Bloques incompletos desequilibrados, bloques incompletos parcialmente desequilibrados.
3.1 Introduccion a las superficies de respuesta. Principio del error puro y falta de ajuste.
3.2 Modelos de disenos de primer orden. Disenos para ajustar estos modelos o reducir.
3.3 Modelos y disenos de segundo orden. Disenos rotables de segundo orden. Disenos de segundo
orden ortogonales.
3.4 Determinacion de las condiciones optimas.
3.5 Exploracion local para el ajuste de modelos de primer y segundo orden.
3.6 Ajuste de superficies de respuesta no lineales.
4.1 Experimentos cross-over de disenos simples 2x2. Cross-over con respuesta binaria.
7.10. TOPICOS AVANZADOS DE DISENO EXPERIMENTAL 91
4.2 Planes de disenos longitudinales. Motivacion. Analisis de datos longitudinales con una mues-
tra. Analisis de perfiles.
4.3 Analisis de perfiles y curvas de crecimiento en disenos con medias repetidas. Introduccion
al analisis de varianza multivariado.
Bibliografa basica:
Preparado por Luz Mery Gonzalez. Revisado por Emilse Gomez y Diana Franco.
92 CAPITULO 7. COMPLEMENTACION ESTADISTICA
Captulo 8
APLICACION ESTADISTICA
Alrededor del nucleo estadstico, el currculo le ofrece al estudiante diversas posibilidades de agregar
otros temas especiales en la ruta del afianzamiento y robustecimiento de las competencias profesionales
ya emprendidas al cursar asignaturas del nucleo. Los temas propios de las asignaturas de esta agrupa-
cion estan orientados al desarrollo de conceptos y procedimientos con objeto bien definido dentro de
las aplicaciones estadsticas. Por tanto su proposito concreto puede describirse mediante el objetivo
curricular de:
Generar contextos especializados que surtan elementos de diversas aplicaciones estadsticas para
estimular el acrecentamiento de las competencias y posibilidades profesionales
La lista de asignaturas de aplicacion estadstica se relaciona en el cuadro 8.
Prerrequisito: Probabilidad
Descripcion:
Esta asignatura dispone los metodos matematicos y estadsticos para construir algunos planes de
seguros para hechos contingentes de vida o renta.
El estudiante que curse la asignatura y cumpla con las exigencias academicas, podra:
1. Crear y disenar productos de seguros de vida y renta.
2. Desarrollar modelos computacionales para el calculo de los productos de vida y de renta.
Contenido:
3. Seguros de vida
4. Anualidades de vida
Bibliografa basica:
Bowers, N. L.; Gerber, H. U.; Hickman, J. C. Actuarial Mathematics. Society of Actuaries. 1997.
Huertas, J. Calculo Actuarial: Contingencias de vida individual. U.Nacional de Colombia. 2002.
Jordan, C. W. Life Contingencies. Society of Actuaries. 1991.
Kellison, S. C. The Theory of Interest. Mc Graw Hill/ Irwin. 2008.
Preparado por Jaime Huertas. Revisado por Luz Mery Gonzalez y Leonardo Trujillo.
96 CAPITULO 8. APLICACION ESTADISTICA
Descripcion:
Esta asignatura dispone los metodos estadsticos utilizados para alcanzar el aseguramiento de la
calidad en procesos industriales y de servicios, de tal forma que los artculos fabricados o los servicios
satisfagan los requisitos de las normas tecnicas que definen las especificaciones requeridas por el
mercado.
El estudiante que curse la asignatura y que cumpla las exigencias academicas podra:
1. Identificar la importancia de la calidad en el desarrollo y crecimiento de las empresas.
2. Evaluar la eficacia y eficiencia de las caractersticas propias de un programa de mejoramiento con-
tinuo de la calidad.
3. Aplicar y utilizar las tecnicas de control de calidad en el proceso de fabricacion e interpretar las
normas tecnicas existentes en el mercado.
4. Usar metodos para comparar procesos industriales y de servicios teniendo en cuenta las especifica-
ciones o requisitos dados para tomar acciones correctivas apropiadas cuando existe una discrepancia
entre el funcionamiento real y el estandar.
Contenido:
1. Introduccion
1.1 El concepto de calidad.
1.2 Calidad y productividad.
1.3 Control estadstico de procesos.
2. Construccion de cartas de control
2.1 Variabilidad de un proceso.
2.2 Definicion de una carta de control.
3. Cartas de control para variables continuas
3.1 Carta X.
3.2 Longitud promedio de corrida (ARL).
3.3 Cartas R, S y S2 .
3.4 Cartas para observaciones individuales.
8.2. CONTROL ESTADISTICO DE CALIDAD 97
4. Capacidad de un proceso
4.1 Indices de capacidad.
4.2 Estimacion de los ndices de capacidad.
4.3 Indices de capacidad para distribuciones no normales.
5. Cartas de control para atributos
5.1 Cartas p, c y u.
5.2 Cartas de control basadas en una distribucion geometrica.
5.3 Carta de control por demeritos.
6. Cartas CUSUM
6.1 Cartas CUSUM para la media.
6.2 Cartas CUSUM para la dispersion.
7. Cartas EWMA
7.1 Carta EWMA para la media.
7.2 Carta EWMA para la dispersion.
8. Cartas de control multivariadas
8.1 Carta de control para el vector de medias.
8.2 Cartas de control para la dispersion del proceso.
8.3 Carta T2 con estimadores alternativos de media y varianza.
8.4 Cartas CUSUM multivariadas.
8.5 Cartas EWMA multivariadas.
9. Cartas de control especiales
9.1 Cartas de control Boostrap.
9.2 Cartas de control con datos autocorrelacionados.
9.3 Cartas de control con intervalos de muestreo variable.
10. Planes de aceptacion de lotes por muestreo
10.1 Introduccion.
10.2 Inspeccion por variables.
10.3 Inspeccion por atributos.
Bibliografa basica:
Mason, Robert y Young, John. Multivariate Statistical Process Control: With Industrial Appli-
cations. ASA SIAM. 2002.
Mittag, H. Rinne. Statistical Methods of Quality Assurance. Chapman & Hall. 1993.
Montgomery, Douglas. Introduction to Statistical Quality Control, 4th ed. John Wiley & Sons.
2001.
Vargas, Jose A. Control Estadstico de Calidad. Unibiblos. 2006.
Wetherill, Barrie y Brown, Don. Multivariate Statistical Process Control with Industrial Appli-
cations. Chapman & Hall. 1991.
Revista sugerida para consulta: Journal of Quality Technology, Quality Engineering.
Preparado por Alberto Vargas y Diana Franco. Revisado por Luz Mery Gonzalez, Leonardo Trujillo
y Pedro Nel Pacheco.
98 CAPITULO 8. APLICACION ESTADISTICA
8.3. DEMOGRAFIA
Creditos: 3
Descripcion:
Esta asignatura define el estudio de las poblaciones humanas, su dimension, estructura, evolucion y
caractersticas generales desde un punto de vista cuantitativo. De esta forma, estudia la estructura y
la dinamica de las poblaciones humanas y las leyes que rigen estos fenomenos.
El estudiante que curse la asignatura y cumpla con las exigencias academicas podra:
1. Utilizar las principales tecnicas de analisis demografico contextualizando las interpretaciones teori-
cas de los resultados obtenidos.
2. Construir indicadores demograficos y de migracion.
3. Realizar proyecciones de poblacion.
Contenido:
1. Introduccion
1.1 Que es la demografa.
2. Medicion demografica
2.1 Construccion de indicadores demograficos basicos.
2.2 Piramides poblacionales.
2.3 Tablas de vida.
2.4 Ecuacion de balance poblacional.
2.5 Indicadores esenciales en fecundidad.
2.6 Mortalidad y migracion.
2.7 Teoras de crecimiento poblacional.
2.8 Crecimiento exponencial.
3. Causalidad
3.1 Modelos estadsticos para el estudio de la causalidad utilizados en las ciencias sociales.
4. Censos
4.1 Diseno y aplicacion de un censo poblacional.
4.2 Utilidad de los censos.
4.3 Usos en el analisis demografico y en proyecciones de poblacion.
5. Proyecciones
5.1 Introduccion a las proyecciones poblacionales en un barrido de los metodos mas comunes:
interpolacion lineal.
5.2 Matrices de Leslie.
5.3 Metodo de componentes principales.
5.4 Uso de series de tiempo y modelo de Lee-Carter y sus variantes.
6. Aplicaciones en mortalidad
6.1 Diferencias entre tasas, proporciones y razones.
8.3. DEMOGRAFIA 99
Bibliografa basica:
Preparado por Piedad Urdinola y Leonardo Trujillo. Revisado por Luz Mery Gonzalez, Leonardo
Trujillo y Pedro Nel Pacheco.
100 CAPITULO 8. APLICACION ESTADISTICA
8.4. EPIDEMIOLOGIA
Creditos: 3
Descripcion:
Esta asignatura pone en contexto metodos estadsticos para el diseno, conduccion y analisis de estudios
sobre frecuencia, distribucion y determinantes de enfermedades en poblaciones biologicas.
El estudiante que curse la asignatura y cumpla con las exigencias, podra:
1. Manejar los terminos corrientes empleados en el area de epidemiologa.
2. Aplicar metodos estadsticos en el contexto epidemilogico.
3. Interpretar los resultados para los disenos epidemiologicos mas ampliamente conocidos.
4. Proponer el uso de herramientas estadsticas alternativas para el analisis de datos en estudios epi-
demiologicos.
Contenido:
Bibliografa basica:
8.4. EPIDEMIOLOGIA 101
Hennekens, C.; Buring, J. Epidemiology in Medicine. Little Brown and Company. 1987.
Kleinbaum, Kupper and Morgenstern. Epidemiologic Research Principles and Quantitative Met-
hods. Van Nostrand Reinhold Company. 1982.
Londono, Juan L. MetodologIa de la Investigacion Epidemiologica. Universidad de Antioquia.
1995.
Rothman, Kenneth J. Modern Epidemiology. Little Brown and Company. 1986.
Ruz, A. et al. Investigacion Clnica: Epidemiologa Clnica Aplicada. Ceja. 2001.
Preparado por Nelcy Rodrguez. Revisado por Campo Elas Pardo y Humberto Mayorga.
102 CAPITULO 8. APLICACION ESTADISTICA
Descripcion:
Esta asignatura define modelos relacionados con el flujo de dinero entre individuos, empresas o estados;
inversiones tales como: bonos, asignacion de capital, diversificacion y riesgo de cartera, entre otros.
El estudiante que curse la asignatura y cumpla con las exigencias academicas, podra
1. Modelar problemas que aparecen en inversiones financieras utilizando herramientas matematicas.
2. Estudiar algunos modelos que han sido desarrollados para analizar instrumentos financieros.
3. Implementar dichos modelos en paquetes computacionales para utilizarlos en la construccion de
carteras de valores y valoracion de opciones.
Contenido:
2.1 Acciones.
2.2 Bonos.
2.3 Valoracion de bono.
2.4 Duracion.
2.5 Inmunizacion.
Bibliografa basica:
Preparado por Jaime Huertas. Revisado por Luz Mery Gonzalez y Leonardo Trujillo.
104 CAPITULO 8. APLICACION ESTADISTICA
Descripcion:
Esta asignatura dispone los fundamentos y herramientas para la construccion y analisis de modelos
estadsticos para varias variables que definen tiempos a evento.
El estudiante que curse la asignatura y cumpla con las exigencias podra estimar, interpretar y aplicar
los modelos mas importantes de varios tiempos a evento, delimitando los problemas y estableciendo
soluciones en situaciones particulares.
Contenido:
1. Procesos de conteo
1.1 Notacion.
1.2 Modelos.
1.3 Propiedades de los modelos.
2. Tiempos de fallo multivariados
2.1 Introduccion.
2.2 Copulas de supervivencia.
2.3 Estimacion maximo verosmil y pseudo maximo verosmil.
2.3.1 Tiempos paralelos
2.3.2 Tiempos secuenciales
3. Multiples causas de fallo y modelos multiestado.
3.1 Riesgos en competencia.
3.1.1 Funcion de verosimilitud.
3.1.2 Metodos no parametricos.
3.1.3 Metodos parametricos.
3.1.4 Metodos semiparametricos para modelos de riesgo multiplicativo.
3.2 Modelos multiestado.
8.6. MODELOS DE SOBREVIVENCIA MULTIVARIADOS 105
Bibliografa basica:
Lawless, J. Statistical Models and Methods for Lifetime Data. Springer. 2003.
Lawless, J. The Statistical Analysis of Recurrent Events. Springer. 2007.
Therneau, T. and Grambsch, P. Modeling Survival Data. Springer. 2000.
Preparado por Jaime Huertas. Revisado por Emilse Gomez y Diana Franco.
106 CAPITULO 8. APLICACION ESTADISTICA
Descripcion:
Esta asignatura dispone los fundamentos y herramientas para la construccion y analisis de modelos
estadsticos para una variable que define el tiempo a un evento, como la muerte, la curacion de una
enfermedad o el dano de una maquina. Para un adecuado seguimiento del curso, se deben tener un alto
conocimiento de a) conceptos probabilsticos y de inferencia estadstica, b) principios fundamentales de
la construccion y evaluacion de modelos de regresion, y c) conceptos fundamentales de programacion
estructurada.
El estudiante que curse la asignatura y cumpla con las exigencias, podra estimar, interpretar y apli-
car los modelos mas importantes del tiempo a un evento, delimitando los problemas y estableciendo
soluciones en situaciones particulares.
Contenido:
1. Conceptos fundamentales
1.1 Las funciones de supervivencia, de riesgo y de riesgo acumulado.
1.2 Esperanza de vida.
1.3 Modelos parametricos.
1.4 Probabilidades condicionales y distribuciones truncadas.
2. La tabla de mortalidad
2.1 Componentes.
2.2 Probabilidades fraccionarias.
2.3 Decremento doble y simple.
3. Estimacion de Modelos de Sobrevida.
3.1 Tipos de censura: por la derecha, izquierda e intervalo.
3.2 Metodos actuariales de estimacion.
3.3 Estimador de Kaplan-Meier.
3.4 Estimador de Nelson-Aalen.
3.5 Varianza del estimador de sobrevida.
3.6 Estimador de la funcion del riesgo y de riesgo acumulada.
3.7 Intervalos de confianza.
3.8 Estimacion parametrica maximo verosmil bajo los distintos tipos de censura.
4. Modelos de regresion parametricos
4.1 Descripcion de los modelos.
4.2 Formulacion log-lineal.
4.3 Estimacion maximo verosmil.
4.4 Metodos de diagnostico.
5. Modelo de riesgos proporcionales de Cox
5.1 Estimacion del modelo.
8.7. MODELOS DE SOBREVIVENCIA UNIVARIADOS 107
Bibliografa basica:
Kalbfleisch, J. D. & Prentice, R. The Statistical Analysis of Failure Time Data . Wiley. 2002.
Klein, P.J. & Moechberger. Survival Analysis. Springer-Verlag. 2003.
Lawless, J . Statistical Models and Methods for Lifetime Data. Wiley. 2003.
London, D. Survival Models. ACTEX. 1997.
Preparado por Jaime Huertas. Revisado por Emilse Gomez y Diana Franco.
108 CAPITULO 8. APLICACION ESTADISTICA
Descripcion:
Esta asignatura dispone los conocimientos basicos de tecnicas de muestreo de mayor utilidad para solu-
cionar problemas relacionados con areas de las ciencias biologicas. Tambien, dispone las metodologas
estadsticas comunmente utilizadas en ecologa a nivel poblacional y comunitario.
El estudiante que curse la asignatura y cumpla con las exigencias academicas, podra:
1. Definir la poblacion, el tipo de muestreo, los factores determinantes en el diseno de la muestra, el
calculo del tamano de la muestra, metodos de seleccion de unidades muestrales y ajustes a tamanos
de muestra para estudios en poblaciones biologicas.
Contenido:
Bibliografa basica:
Begon; Harper & Townsend. Ecologa: individuos, poblaciones y comunidades. Omega. 1988.
Bryan F. J. Manly. Lyman L. McDonald, and Dana L. Thomas. Resource Selection by animals:
Statistical Design and analysis. Simposio de Estadstica. 2000.
Buckland, Anderson, Burnham. Introduction to Distance Sampling: Estimating Abundance of
Biological Populations. Oxford. 2001.
Celis de la Rosa Alfredo de J. Bioestadstica 2a. Edicion. Williams & Wilkins. 2008.
Lyman L. McDonald. Some procedures for sampling biological populations. Simposio de Estadsti-
ca. 2000.
Smith, R. L. & T. M. Smith. Ecologa. Addison-Wesley, 4ta edicion. 2001.
Thompson. Sampling Rare or Elusive Species: Concepts, Designs and Techniques for Estimating
Population Parameters. Island Press. 2004.
Preparado por Pedro Nel Pacheco y Nelcy Rodrguez. Revisado por Luz Mery Gonzalez, Leonardo
Trujillo y Pedro Nel Pacheco.
110 CAPITULO 8. APLICACION ESTADISTICA
Descripcion:
Esta asignatura dispone los elementos conceptuales y metodologicos para analizar estadsticamente
resultados de mediciones obtenidas a traves de pruebas educativas de aplicaciones masivas, desde la
perspectiva de las pruebas clasicas (TCT) tales como coeficientes de confiabilidad y discriminacion
comparadas con el modelamiento (TRI) a traves de funciones caractersticas, logsticas o de Rash.
El estudiante que curse la asignatura y cumpla con las exigencias academicas, podra:
1. Escoger el modelo adecuado a la prueba bajo analisis.
2. Estimar e interpretar los parametros del modelo escogido.
3. Comparar los parametros estimados bajo cada esquema de analisis TCT vs TRI
4. Desarrollar aplicaciones y sistematizar los procedimientos de analisis.
Contenido:
1. Introduccion
1.1 Marco conceptual de test para la evaluacion de logro cognitivo, competencias y otros trazos
latentes.
2. Teora clasica
2.1 Conceptos basicos de teora de confiabilidad.
2.2 Error de medida.
2.3 Coeficientes de confiabilidad de una prueba.
2.4 Mediciones paralelas.
2.5 Factores que afectan la confiabilidad.
3. Introduccion a teora de respuesta al tem
3.1 Limitaciones de la TC.
3.2 Notas historicas sobre la TRI.
3.3 Supuestos de la TRI.
3.4 Curva caracterstica del tem.
3.5 Modelos e invarianza de TRI.
4. Estimacion en TRI
4.1 Introduccion y estimacion de parametros de los sujetos.
4.2 Estimacion de parametros de los items.
4.3 Ajuste de los datos al modelo.
4.4 Metrica de los sujetos y los items.
4.5 Funcion de informacion.
4.6 Funcion de informacion del tem y del test.
5. Aplicaciones de la TRI: bancos de items
5.1 Utilidad de los bancos items.
5.2 Construccion de un banco de items.
8.9. TEORIA DE RESPUESTA AL ITEM 111
Descripcion:
Esta asignatura dispone modelos estadsticos aplicables en un contexto de seguros.
El estudiante que curse la asignatura y cumpla con las exigencias academicas, podra:
1. Utilizar apropiadamente modelos de severidad y frecuencia y el efecto de modificaciones en primas
de seguros.
2. Utilizar apropiadamente modelos de riesgo individual y colectivo.
3. Aplicar tecnicas de interpolacion y simulacion en seguros.
Contenido:
2.1 Deducible.
2.2 Lmites.
2.3 Coaseguros.
2.4 Modelos de perdida en seguros.
4. Teora de la ruina
5. Aplicacion en reaseguros
Bibliografa basica:
8.10. TEORIA ESTADISTICA DEL RIESGO 113
Bowers, N. L.; Gerber, H. U.; Hickman, J. C. Actuarial Mathematics. Society of Actuaries. 1997.
Hardy, M An Introduction to risk measures for actuarial applications. SOA Study Note C-25-07.
2006.
Kaas, Goovaerts, Dhaene, and Denuit Modern actuarial risk theory. Kluwer academic publishers.
2001.
Klugman, S. A., Panjer, H. H. & Willmot, G. E. Loss Models: From Data to Decisions. Wiley.
2004.
Thomas N. Herzog and Graham Lord. Applications of Monte Carlo methods to finance & Insu-
rance. Actex Publications. 2004.
Preparado por Piedad Urdinola y Leonardo Trujillo. Revisado por Luz Mery Gonzalez, Leonardo
Trujillo y Pedro Nel Pacheco.
114 CAPITULO 8. APLICACION ESTADISTICA
Captulo 9
CONSOLIDACION ESTADISTICA
El sentido factico de esta agrupacion, esta en correspondencia con el empeno del espritu del plan de
estudios de garantizar experiencias formativas que le permitan al estudiante integrar conocimientos
y dar firmeza y solidez a sus competencias, de manera que fruto de su afianzamiento la Universidad
pueda asegurar con alto grado de certeza la calidad de la formacion impartida en sus aulas. Como cul-
minacion del proceso formativo de un profesional en Estadstica, el currculo le otorga una ponderacion
superlativa al trabajo autonomo, siendo el trabajo docente meramente orientador.
El objetivo que orienta la presencia de esta agrupacion dentro de la organizacion curricular responde
a:
Concluir la formacion profesional del estudiante de la Carrera de Estadstica, mediante el cumpli-
miento de un eplogo curricular, integrado por experiencias academicas que le permitan al estudiante
transferir aspectos de la realidad al plano conceptual y derivar de su elaboracion soluciones particu-
lares, con el proposito de consolidar la formacion profesional.
Tres asignaturas conforman esta agrupacion, que se presentan en el cuadro 9.
Descripcion:
Esta asignatura propicia el fortalecimiento profesional y estimula la creatividad del estudiante median-
te la generacion de un espacio en el que enfrente situaciones reales, para que dictamine la pertinencia
y viabilidad estadstica de la consulta, proponga e implemente la mejor solucion, si hay lugar a ello.
El estudiante que curse la asignatura y cumpla con las exigencias, estara en capacidad de:
1. Aplicar elementos que le permitan una comunicacion profesional con el consultante.
2. Entender un problema consultado y recomendar alternativas de solucion con herramientas estadsti-
116 CAPITULO 9. CONSOLIDACION ESTADISTICA
cas apropiadas.
3. Elaborar reportes de avance, bitacoras y reportes tecnicos.
Contenido:
1. Marco conceptual
1.1 Definiciones. Consultora versus asesora estadstica.
1.2 Caractersticas de una consultora estadstica.
1.3 Historia de la consultora estadstica local y mundial.
2. La consultora estadstica en contexto
2.1 En la Universidad Nacional.
2.2 En Colombia.
2.3 En el mundo.
3. Etapas de una consultora estadstica
3.1 Identificacion del problema consultado.
3.2 Traduccion del problema al lenguaje estadstico.
3.3 Planteamiento de soluciones al problema.
3.4 Comunicacion y discusion de las soluciones al consultante en su contexto.
3.5 Elaboracion de un informe.
4. Marco legal y etico de la consultora estadstica.
Bibliografa basica:
D.J.Hand y B.S.Everitt (Eds). The Statistical Consultant in Action. Cambridge U. Press. 1987.
Derr J. Statistical Consulting: A Guide to Effective Communication. Duxbury Thomson. 2000.
Boice R. Professors as Writers: A elf-Help Guide to Productive Writing. New Forums Press.
1990.
Peat J, Elliott E, Baur L, Keena V. Scientific Writing. BMJ Books. 2002.
Stausser J. Painless Writing. Barrons. 2001.
Struck W (Jr), White EB. The Elements of Style. Longman. 2000.
Tracy B. Goals! How to Get Everything You Want - Faster Than You Ever Thought Possible.
Berrett-Koehler 2004.
Descripcion:
Esta asignatura provee actividades para consolidar los conocimientos y habilidades en la estruc-
turacion estadstica y metodologica de un proyecto de investigacion.
El estudiante que curse la asignatura y cumpla con las exigencias, podra:
1. Formular y escribir de manera autonoma una propuesta de proyecto de investigacion en Estadsti-
ca.
2. Acompanar el proceso metodologico de propuestas de investigacion en otras areas del conoci-
miento.
3. Redactar y presentar los documentos propios de las etapas de un proceso de investigacion.
4. Velar por el cumplimiento de los aspectos eticos y normativos propios de un proceso investi-
gativo.
Contenido:
Bibliografa basica:
Zorrilla S., Torres M. Gua para elaborar la tesis. Mac Graw Hill. 1992.
Propuesta inicial: Piedad Urdinola, Emilse Gomez y Humberto Mayorga. Revisado por Nelcy Ro-
drguez y Luz Mery Gonzalez. Modificado por el Comite de Pregrado y Humberto Mayorga.
9.3. TRABAJO DE GRADO 119
Modalidades:
Descripcion:
El trabajo de grado tiene como objetivo especfico dentro de la agrupacion de consolidacion
estadstica: Integrar conocimientos y experiencias formativas, mediante la planeacion y ejecucion
de un trabajo de investigacion bajo la orientacion de un profesor, como propuesta de modelado o
solucion practica a un problema real o de evaluacion de una propuesta de mejoramiento, comparacion
o desempeno de un metodo o procedimiento estadstico.
Comentario: Este objetivo ha sido formulado teniendo en cuenta las modalidades, trabajo inves-
tigativo y pasanta, pero debido a la flexibilidad para cursar la asignatura, quien opte por materias
del posgrado o examenes preparatorios, como trabajo de grado, y su plan de vida incluya formacion
mas avanzada, cumplira con este objetivo en mayor medida con una tesis de maestra o doctoral.