Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Syllabi Del Programa - Maestría
Syllabi Del Programa - Maestría
DOCUMENTO CONTROLADO
MAESTRIA EN ESTADISTICA
APLICADA Y CIENCIA DE DATOS
Syllabus
Área básica
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
EQUIPO DOCENTE
Horario Espacio de
Nombre Correo Electrónico atención a atención a
Estudiantes estudiantes
(Día – Hora)
Coordinador(es) Ricardo bordaricardo@unbosque.edu.co
Borda
Docente(s) Stalyn
Guerrero sguerrerog@unbosque.edu.co
Ricardo bordaricardo@unbosque.edu.co
Borda
Docente(s)
laboratorio
Asesor(es)
Estudiante –
Monitor Ad
Honorem
Información Académica
1. Justificación
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
El estudiante de la Maestría en Estadística Aplicada y ciencia de datos tendrá que tomar de forma permanente
decisiones basadas en los datos, por lo cual, es necesario que desarrollé la capacidad de procesar y analizar la
información proveniente de diferentes fuentes para realizar los diferentes cálculos de estadística descriptivas
(media, varianza, cuantiles, histogramas, entre otras). Por lo tanto, debe contar con destreza para desarrollar e
implementar scripts de procesamiento de datos en forma autónoma. De igual forma, el estudiante debe
comprender conceptos básicos de la probabilidad Estadística y la Inferencia como son las distribuciones de
probabilidad, intervalos de confianza y pruebas de hipótesis.
2. Contenidos Generales
DOCUMENTO CONTROLADO
3. Objetivos de aprendizaje:
Dimensión de
Objetivos de aprendizaje
aprendizaje
Los estudiantes aprenderán o estarán en capacidad:
significativo
Los estudiantes de la maestría estarán en capacidad de identificar y comprender los
conceptos de la estadística descriptiva, la probabilidad y la inferencia estadística por
Conocimiento medio del software R; podrán realizar y comprender el procesamiento de información
fundamental y representación de datos, aplicar y calcular las diferentes medidas de posición,
dispersión, realizar inferencias por medio de intervalos de confianza y pruebas de
hipótesis.
Aplicación
Los estudiantes podrán aplicar los conocimientos orientados en la asignatura
Introducción a la estadística y probabilidad con las asignaturas como el análisis
Integración multivariado, muestreo, ciencia de datos, entre otras.
Los estudiantes conocerán algunas fuentes bibliográficas y virtuales que les permitirá
indagar en un futuro sobre inquietudes relacionas con la estadística descriptiva, la
Aprender a aprender probabilidad y la inferencia.
METODOLOGÍA
La metodología propuesta para todos los cursos se basa en tres principios generales y fundamentales:
Una metodología cooperativa, donde tanto el profesor como el estudiante aportan para la conformación
del cuerpo conceptual del área. El estudiante aporta a través de la lectura de los materiales presentados, la
elaboración de ejercicios y otras actividades propias de su rol y el profesor aporta en la profundización y relación
de los conceptos. A la vez la metodología se nutrirá de los aportes del software utilizado.
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
La resolución de problemas y orientación de aplicaciones, como una de las tendencias en educación que
buscan un efecto positivo en la relación matemáticas y otros campos del saber. Para el caso particular el campo
propio de la Estadística.
5. Evaluación y calificación
60 %: Talleres y trabajos
40 %: Un Parcial en físico y/o en las plataformas virtuales
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
6. Cronograma
DOCUMENTO CONTROLADO
EQUIPO DOCENTE
Horario Espacio de
Nombre Correo Electrónico atención a atención a
Estudiantes estudiantes
(Día – Hora)
Coordinador(es) Ricardo bordaricardo@unbosque.edu.co
Borda
Docente(s) Mario mpachecol@unbosque.edu.co
Pacheco
Docente(s)
laboratorio
Asesor(es)
Estudiante –
Monitor Ad
Honorem
Información Académica
8. Justificación
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
En las diferentes ciencias y disciplinas, como la economía, la medicina, la biología, la administración, las
ingenierías, entre otras, es comúnmente necesario describir, agrupar e interpretar la información proveniente de
bases de datos en las que a un grupo de individuos les son medidas un conjunto de variables de interés. Variables
que normalmente se interrelacionan y permiten entender el fenómeno bajo estudio. De esta manera, es necesario
que los estudiantes de la Maestría en Estadística Aplicada y Ciencia de Datos conozcan la mayoría y en especial
las más importantes herramientas multivariadas de análisis de bases de datos multivariadas.
Los profesionales de la Maestría en Estadística Aplicada y Ciencia de Datos tendrán que enfrentarse al análisis
de información que involucran grandes bases de datos, por tanto, es necesario que el estudiante quede
preparado, no solo en los fundamentos teóricos de cada uno de los métodos multivariados de análisis estadístico,
sino que también adquieran habilidades en herramientas informáticas que le permitan desarrollar cada uno de
estos métodos estadísticos de manera eficiente.
9. Contenidos Generales
Dimensión de
Objetivos de aprendizaje
aprendizaje
Los estudiantes aprenderán o estarán en capacidad:
significativo
Los estudiantes aprenderán los conceptos teóricos básicos asociados a los principales
métodos de exploración y manejo de bases de datos multivariadas, así como de
Conocimiento algoritmos computacionales para la implementación de estos métodos.
fundamental
Los estudiantes desarrollarán habilidades en la exploración y el manejo de bases de
datos multivariadas y estarán en capacidad de desarrollar algoritmos computacionales
Aplicación que les permitan la implementación de los principales métodos estadísticos
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
El curso permite que los estudiantes interactúen con sus compañeros y docentes, a
través de los distintos escenarios de aprendizaje como talleres, proyectos en grupo y
Dimensión humana demás, esta interacción se da gracias al trato tolerante y respetuoso entre las partes.
Los estudiantes podrán verse a sí mismos como profesionales y seres humanos
capaces de lograr metas y generar soluciones eficientes a las distintas problemáticas
de su área de estudio.
El curso ofrece las bases teóricas y prácticas de los métodos multivariados, de tal
Compromiso forma que se determine su aplicabilidad en el ámbito real, permitiendo que los
estudiantes puedan adquirir un mayor compromiso personal con el aprendizaje
académico de la asignatura y los puedan desarrollar en su vida profesional.
Estarán en capacidad de generar planes de estudio conforme al proceso de aprendizaje
Aprender a aprender adquirido tanto académica como autónomamente, utilizando adecuadamente fuentes
de información y generando nuevas inquietudes en su ámbito profesional.
METODOLOGÍA
La metodología propuesta para todos los cursos se basa en tres principios generales y fundamentales:
Una metodología cooperativa, donde tanto el profesor como el estudiante aportan para la conformación
del cuerpo conceptual del área. El estudiante aporta a través de la lectura de los materiales presentados, la
elaboración de ejercicios y otras actividades propias de su rol y el profesor aporta en la profundización y relación
de los conceptos. A la vez la metodología se nutrirá de los aportes del software utilizado.
La resolución de problemas y orientación de aplicaciones, como una de las tendencias en educación que
buscan un efecto positivo en la relación matemáticas y otros campos del saber. Para el caso particular el campo
propio de las ingenierías.
DOCUMENTO CONTROLADO
El proceso de evaluación tiene como propósito la formación integral del estudiante, sobre la base de una ética
que promueva la tolerancia, la solidaridad, la participación democrática, la creatividad y la equidad; tiene como
principio: ser continua, sistemática, interpretativa y formativa. Está acorde con el propósito de la misión
institucional de: “la promoción de la dignidad de la persona humana en su integralidad y el desarrollo de valores
éticos, morales, estéticos, históricos y tecno-científicos”. Este concepto se puede desglosar en tres partes
esenciales.
1. La evaluación es una actividad sistemática, continua: Es decir que se realiza a lo largo del proceso
de formación del alumno, que se basa en toda clase de datos, informes, pruebas, ejercicios, etc. y que se
sistematiza mediante una serie de sesiones o momentos evaluativos, que se suceden durante el curso. El
docente debe propiciar la evaluación formativa como elemento correctivo y facilitador de la autoevaluación por
parte del estudiante, logrando así los objetivos, los alcances propuestos por este y limitando su labor a ayudar,
corregir y orientar.
2. La evaluación está integrada en el proceso educativo. La evaluación no puede ser algo aparte,
secundario, realizado al final del proceso, debe formar parte de cada tema, de cada unidad, de cada actividad.
Debe encontrarse dentro del mismo proceso, dentro de la programación del trabajo en períodos cortos.
3. La evaluación se relaciona directamente con cada uno de los componentes curriculares. Para
reorientar las debilidades y acentuar las fortalezas determinando hasta qué punto se cumplen los objetivos. En
cuanto a la calificación del aprendizaje se tendrán en cuenta: Talleres resueltos en clase, en casa, parciales,
quices, investigación, exposiciones. Para cada tema se desarrollarán talleres, que podrán ser guiados desde la
tutoría o realizados dentro del proceso de la clase.
13. Cronograma
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
1. Husson, F., Lê, S. Pagès, J. Exploratory Multivariate Analysis by Example Using R. Chapman & Hall,
2011.
2. Härdle, W.K., Simar L. Applied Multivariate Statistical Analysis. 3th ed. Springer, 2012.
3. Johnson, R., Wichern, D. Applied Multivariate Statistical Analysis. 6th ed. Pearson, 2007.
4. Mardia, K., Kent, J., Bibby, J. Multivariate Analysis. Academic Press, 1995.
5. Peng, R. Exploratory Data Analysis with R. 2020. https://bookdown.org/rdpeng/exdata/#stay-in-
touch
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
DOCUMENTO CONTROLADO
EQUIPO DOCENTE
Horario Espacio de
Nombre Correo Electrónico atención a atención a
Estudiantes estudiantes
(Día – Hora)
Coordinador(es) Ricardo bordaricardo@unbosque.edu.co Departamento
Borda de
Matemáticas
Docente(s) Samuel dsmartinez@unbosque.edu.co Departamento
Martínez de
Matemáticas
Docente(s)
laboratorio
Asesor(es)
Estudiante –
Monitor Ad
Honorem
Información Académica
15. Justificación
Los métodos de regresión son un grupo de herramientas estadísticas básicas para el analista de
datos que se enmarca dentro de las metodologías de aprendizaje supervisado en la ciencia de
datos. El curso facilitará a los estudiantes que comprendan y apliquen los diferentes métodos de
regresión en distintas situaciones problema. El curso se concentra en los fundamentos prácticos y
aplicados de los métodos de regresión y en la aplicación que permita la adquisición del
conocimiento en el contexto del aprendizaje significativo.
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
Dimensión de
Objetivos de aprendizaje
aprendizaje
Los estudiantes aprenderán o estarán en capacidad:
significativo
Aplicación Procesar, graficar, analizar e interpretar los métodos de regresión para el análisis de
datos.
Integración Relacionar e integrar los contenidos del curso con los módulos de: estadística
multivariada, machine learging y deep learning. Identificar la interacción entre los
métodos de regresión y las diferentes áreas de conocimiento del programa.
Dimensión humana Afianzar las habilidades de resolución de problemas del futuro científico de datos en el
manejo de los diferentes métodos de regresión y sus aplicaciones en los diferentes
contextos laborales que se puedan presentar.
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
Compromiso Comprender el alcance aplicado que tienen los métodos de regresión a su ejercicio
profesional. Desarrollar el interés por los diferentes métodos de regresión como una
herramienta para el desarrollo de competencias de análisis y modelamiento del futuro
científico de datos.
Aprender a aprender Gestionar su propio conocimiento durante el desarrollo del curso en el desarrollo de
competencias de análisis y modelamiento de datos, para una correcta interpretación y
aplicación en las diferentes situaciones problema que se puedan presentar en su
desarrollo profesional.
20. Cronograma
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
Revisión de contenidos
multimedia. Desarrollo de
problemas y situaciones
problemas aplicados.
4. Módulo II. Regresión logística Lecturas: Hosmer, D., Clase magistral: conceptos
con respuesta binaria. Lemeshow, S. & Sturdivant, R. teóricos, ejemplos de problemas
(2013). Applied logistic prácticos y práctica con R.
regression. Cap 2, página 35.
Revisión de contenidos
multimedia. Desarrollo de
problemas y situaciones
problemas aplicados.
5. Módulo II. Regresión logística Lecturas: Hosmer, D., Clase magistral: conceptos
con respuesta multinomial. Lemeshow, S. & Sturdivant, R. teóricos, ejemplos de problemas
(2013). Applied logistic prácticos y práctica con R.
regression. Cap 8, página 269.
Revisión de contenidos
multimedia. Desarrollo de
problemas y situaciones
problemas aplicados.
6. Módulo III. Regresión lineal Lecturas: Dunn, P. & Smyth, G. Clase magistral: conceptos
con variables respuesta (2018). Generalized linear teóricos, ejemplos de problemas
Poisson. models with examples in R. Cap prácticos y práctica con R.
10, página 371.
Revisión de contenidos
multimedia. Desarrollo de
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
problemas y situaciones
problemas aplicados.
7. Módulo III. Regresión lineal Lecturas: Dunn, P. & Smyth, G. Clase magistral: conceptos
con variables respuesta (2018). Generalized linear teóricos, ejemplos de problemas
binomial negativa. models with examples in R. Cap prácticos y práctica con R.
10, página 371.
Revisión de contenidos
multimedia. Desarrollo de
problemas y situaciones
problemas aplicados.
8. Módulo III. Regresión lineal Lecturas: Dunn, P. & Smyth, G. Clase magistral: conceptos
con variables respuesta (2018). Generalized linear teóricos, ejemplos de problemas
gamma. models with examples in R. Cap prácticos y práctica con R.
11, página 425. Examen Final.
Revisión de contenidos
multimedia. Desarrollo de
problemas y situaciones
problemas aplicados.
Básica.
Dunn, P. & Smyth, G. (2018). Generalized linear models with examples in R. Springer, New York.
Hosmer, D., Lemeshow, S. & Sturdivant, R. (2013). Applied logistic regression. Wiley, New York.
Complementaria.
Rawlings, J., Pantulua, S. & Dickey, D. (2010). Applied regression analysis: a research tool. Springer, New York.
Faraway, J. (2006). Extending the linear model with R. Chapman & Hall, New York.
Hilbe, J. (2007). Negative Binomial Regression. Cambridge, New York.
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
Facultad Ciencias
Programa Maestría en Estadística y Ciencia de datos
Nombre de la Asignatura Muestreo Probabilístico
Cuatrim
Código de la Asignatura 2 Periodo Académico
estre
Área Curricular
Tipo de Asignatura: Obligatoria X Electiva
Modalidad %: Teórica Práctica Teórica- práctica
Pre-requisitos (Código y
nombre):
Co-requisitos (Código y
Nombre):
Horas presenciales o
Horas presenciales o
Número de créditos: 3 sincrónicas /periodo 40
sincrónicas /semana
académico
Horas Trabajo Independiente /periodo académico 80
EQUIPO DOCENTE
Horario Espacio de
Nombre Correo Electrónico atención a atención a
Estudiantes estudiantes
(Día – Hora)
Coordinador(es) Ricardo bordaricardo@unbosque.edu.co
Borda
Docente(s) Cristian tellezcristian@unbosque.edu.co
Téllez
Docente(s)
laboratorio
Asesor(es)
Estudiante –
Monitor Ad
Honorem
Información Académica
22. Justificación
El estudiante de la Maestría en Estadística Aplicada y ciencia de datos se verá enfrentado a diferentes retos de
tipo estadísticos cuando no es posible por diversos factores, medir una variable o una característica de interés
en toda una población sino solamente en una parte de esta. El curso se centra en métodos probabilísticos de
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
muestreo que permiten trabajar adecuadamente los análisis inferenciales hechos para una población basada en
una parte de ella. Es necesario que el estudiante adquiera los conocimientos básicos del quehacer estadístico
frente al diseño y procesamiento de una encuesta o estudio y que pueda identificar qué tipo de herramientas, a
saber, diseño, estimador y estimador de varianza, son adecuadas y presentan ventajas de optimización práctica
y teórica frente a otras alternativas.
El adquirir las herramientas de muestreo le permitirá al estudiante identificar las condiciones en que se puede
establecer un diseño muestral y todas sus implicaciones, con el objetivo de hacer una adecuada estimación de
los parámetros de interés que gobiernan el estado de la naturaleza de los fenómenos bajo estudio, en particular
el total, el promedio, la desviación o correlación de una o más variables numéricas. Con esto, el estudiante podrá
brindar las herramientas precisas, adecuadas y técnicamente bien elaboradas, que permiten la adecuada toma
de decisiones.
El curso pretende desarrollar en el estudiante el criterio estadístico del muestreo, con el objetivo de que adquiera
competencias que acompañen los análisis estadísticos y matemáticos basados en una muestra probabilística.
Todo lo mencionado anteriormente es lo que justifica la incorporación de este espacio académico en el programa
de Maestría en Estadística Aplicada y ciencia de datos y así participar con juicios de valor en la toma de decisiones
basándose en un adecuado análisis de información.
2. Muestreo Bernoulli
4. muestreo sistemático
5. muestreo estratificado
Dimensión de
Objetivos de aprendizaje
aprendizaje
Los estudiantes aprenderán o estarán en capacidad:
significativo
Los estudiantes deben tener conocimientos en Probabilidad y Estadística general,
principalmente: Cálculo de probabilidades, intervalos de confianza, distribuciones de
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
El espacio académico busca proporcionar al estudiante las diferentes alternativas metodológicas que ofrecen
los distintos diseños de muestreo para la estimación de los parámetros de interés que podrían presentarse en
su entorno profesional, con esto podrá hacer propuestas estadísticas de diseño de muestreo con el fin de
garantizar inferencias con características óptimas deseables. Este espacio académico se encuentra dentro del
núcleo problémico denominado desde los elementos que aporta al análisis de los Magíster tomasinos, pretende
incorporar los criterios relacionados con la perspectiva propia de la universidad, relacionada con el Humanismo
Tomista, y ser instrumento válido para trabajar en torno al núcleo relacionado con Exclusión Social, Políticas
Públicas, Mercado Y Productividad.
El propósito general del espacio académico es Entrenar a los estudiantes en las técnicas de muestreo
probabilístico más usadas en la planeación y ejecución de encuestas complejas para la producción de
estadísticas oficiales y proveer las mejores herramientas técnicas para el correcto análisis estadístico en este
tipo de encuestas. En este sentido busca:
Introducir los conceptos básicos de muestreo de elementos.
Introducir los conceptos básicos de muestreo de conglomerados.
Familiarizar al estudiante con los la estimación de parámetros lineales y no lineales.
Generar en el estudiante la capacidad de estimar parámetros de modelos estadísticos complejos.
Capacitar al estudiante en la estimación de varianza de los estimadores de muestreo.
DOCUMENTO CONTROLADO
60 %: Talleres y trabajos
40 %: Un Parcial en físico o en las plataformas virtuales
Särndal, Swensson and Wretman (2003). Model Assited Survey Sampling. Springer.
Wolter (2007). Introduction to Variance Estimation. Springer.
Gutiérrez (2013). Estrategias de muestreo: diseño de encuestas y estimación de parámetros.Ediciones
de la U.
Valliant, Dever and Kreuter (2013). Practical Tools for Designing and Weighting Survey Samples.
Springer.
Lehtonen and Pahkinen (2004). Practical Methods for Design and Analysis of Complex Surveys. John
Wiley and Sons.
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
EQUIPO DOCENTE
Horario Espacio
Nombre Correo Electrónico Atención A de
Estudiantes atención a
(Día – Hora) estudiantes
Coordinador(es) Ricardo Borda bordaricardo@unbosque.edu.co
Estudiante –
Monitor Ad
Honorem
Información Académica
1. Justificación
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
El éxito empresarial hoy en día se debe a la gran cantidad de datos que se posean, su transformación y las
decisiones que se puedan tomar basadas en estos. En este contexto, las empresas son conscientes hoy en día
de la importancia de los datos y, por lo tanto, están elaborando medidas estratégicas y operacionales que
permitirán adquirir las aptitudes y los conocimientos necesarios para lograr nuevos beneficios analíticos basados
en nuevos datos de gran tamaño junto con metodologías para tratamiento de información como el aprendizaje
automático de forma supervisada, no supervisada, semi-supervisada o reforzada.
2. Contenidos Generales
3. Objetivos de aprendizaje
Dimensión de
Objetivos de aprendizaje
aprendizaje
Los estudiantes aprenderán o estarán en capacidad:
significativo
Comprender críticamente y argumentar los fundamentos teóricos, conceptuales y
Conocimiento metodológicos del aprendizaje de maquina desde su enfoque supervisado y semi-
fundamental supervisado, reconociendo el objetivo y el alcance de los mismos, marcos de
referencia y/o buenas prácticas, Identificando fortalezas y debilidades a la hora de
implementarlos en un proyecto.
DOCUMENTO CONTROLADO
específicos, evaluando su validez en términos de los requerimientos funcionales
del caso en mención.
La estrategia pedagógica que se trabajara a lo largo del curso es Aprendizaje Basado en Proyectos. Es
una metodología en la que se investiga, interpreta, argumenta y propone la solución a uno o varios
proyectos, creando un escenario simulado de posible solución y analizando las probables consecuencias
(Pimienta, 2012).
Para este tipo de asignaturas de naturaleza teórica y práctica es fundamental tener en cuenta que los
medios educativos necesarios para las sesiones presenciales son: una sala de informática y una cuenta
de correo institucional para el desarrollo los laboratorios.
Referencia:
- Etapa de conceptualización, esta etapa dura 8 semanas durante este espacio de tiempo los
estudiantes realizarán lecturas guiadas con el objetivo de comprender la base teórica del aprendizaje
de maquina en su enfoque supervisado y semi-supervisado.
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
5. Evaluación y calificación
DOCUMENTO CONTROLADO
6. Cronograma
Actividades
Seman Actividades
acompañamiento
a/Sesió Módulo y temas Independientes de
directo (Presencial o
n Aprendizaje: Asincrónico
sincrónica)
1. Módulo 1. Presentación del Presentación de los tema Exposición del docente y
Curso, contenidos usando las TIC ejercicios en tiempo real
programáticos, acuerdos Entrega del material de
generales, cronograma de trabajo para el semestre,
prueba diagnóstica.
actividades, aplicación de Lectura previa capítulo 1 de
prueba diagnóstica y Dangeti.
retroalimentación. Lectura previa capítulo 2, 3 y
Introducción a Python. 4 de Fandango y Lectura
Tema 1. Numpy, Matplotlib, previa capítulo 2, 3 y 4 de
Chin
Pandas y Graficas de
dispersión
2. Tema 2. Procesamiento de Lectura previa capítulo 4 de Exposición del docente y
Datos y Análisis Exploratorio Raschka, Lectura previa ejercicios en tiempo real
capítulo 5 de Massaron y
Lectura previa capítulo 2 de
Babcock
3. Módulo 2. Lectura previa capítulo 2 de Exposición del docente y
Dangeti, Lectura previa capítulo ejercicios en tiempo real
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
DOCUMENTO CONTROLADO
Raschka, S., & Mirjalili, V. (2017). Python Machine Learning - Second Edition: Vol. 2nd ed. Packt
Publishing.
Bibliografía Complementaria
Fandango, A. (2017). Python Data Analysis - Second Edition: Vol. Second edition. Packt Publishing.
Isoni, A., & Cervellin, D. (2016). Machine Learning for the Web. Packt Publishing.
Massaron, L., & Boschetti, A. (2016). Regression Analysis with Python. Packt Publishing.
Olivier Chapelle, Bernhard Schölkopf, & Alexander Zien. (2006). Semi-Supervised Learning. The MIT
Press.
DOCUMENTO CONTROLADO
EQUIPO DOCENTE
Horario Espacio
Nombre Correo Electrónico Atención A de
Estudiantes atención a
(Día – Hora) estudiantes
Coordinador(es) Ricardo Borda bordaricardo@unbosque.edu.co
Estudiante –
Monitor Ad
Honorem
Información Académica
1. Justificación
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
En la mayoría de proyectos en los cuales un científico de datos emprende o colabora, debe saber solucionar
problemas que se plantean dentro del mismo proyecto, haciendo uso eficiente del razonamiento matemático y
estadístico en sinergia con los algoritmos a implementar, a fin de presentar soluciones concretas y sustentables en
el tiempo. Por lo tanto, todo científico de datos debe poseer herramientas matemáticas y estadísticas para resolver
problemas a través de algoritmos sofisticados de aprendizaje profundo de maquina con alta precisión y aplicación
en el sector salud, banca, gobierno u otros, aprovechando al máximo la capacidad de cómputo de los ordenadores
o en su defecto máquinas virtuales montadas en servidores en la nube, para llevar a cabo dichos proyectos de
forma eficiente.
2. Contenidos Generales
3. Objetivos de aprendizaje
Dimensión de
Objetivos de aprendizaje
aprendizaje
Los estudiantes aprenderán o estarán en capacidad:
significativo
Comprender críticamente y argumentar los fundamentos teóricos, conceptuales y
Conocimiento metodológicos del aprendizaje profundo de maquina desde su enfoque
fundamental supervisado, no supervisado y reforzado, reconociendo el objetivo y el alcance de
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
los mismos, marcos de referencia y/o buenas prácticas, Identificando fortalezas y
debilidades a la hora de implementarlos en un proyecto.
DOCUMENTO CONTROLADO
La estrategia pedagógica que se trabajara a lo largo del curso es Aprendizaje Basado en Proyectos. Es
una metodología en la que se investiga, interpreta, argumenta y propone la solución a uno o varios
proyectos, creando un escenario simulado de posible solución y analizando las probables consecuencias
(Pimienta, 2012).
Para este tipo de asignaturas de naturaleza teórica y práctica es fundamental tener en cuenta que los
medios educativos necesarios para las sesiones presenciales son: una sala de informática y una cuenta
de correo institucional para el desarrollo los laboratorios.
Referencia:
- Etapa de conceptualización, esta etapa dura 8 semanas durante este espacio de tiempo los
estudiantes realizarán lecturas guiadas con el objetivo de comprender la base teórica del aprendizaje
de maquina en su enfoque supervisado, no supervisado y reforzado.
5. Evaluación y calificación
DOCUMENTO CONTROLADO
6. Cronograma
Actividades
Seman Actividades
acompañamiento
a/Sesió Módulo y temas Independientes de
directo (Presencial o
n Aprendizaje: Asincrónico
sincrónica)
1 Módulo 1. Presentación del Presentación de los tema Exposición del docente.
Curso, contenidos usando las TIC
programáticos, acuerdos Entrega del material de
generales, cronograma de trabajo para el semestre,
prueba diagnóstica.
actividades, aplicación de Lectura previa capítulo 1
prueba diagnóstica y de Zaccone y Lectura
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
DOCUMENTO CONTROLADO
Zaccone, G., Karim, M. R., & Menshawy, A. (2017). Deep Learning with TensorFlow. Packt Publishing.
Bibliografía Complementaria
Bernico, M. (2018). Deep Learning Quick Reference : Useful Hacks for Training and Optimizing Deep Neural
Networks with TensorFlow and Keras. Packt Publishing.
Fandango, A. (2018). Mastering TensorFlow 1.x : Advanced Machine Learning and Deep Learning Concepts
Using TensorFlow 1.x and Keras. Packt Publishing.
Goodfellow I., Bengio Y., Courville A., (2016) Deep Learning (Adaptive Computation and Machine Learning
series), Publisher: The MIT Press, , ISBN-10: 0262035618, ISBN-13: 978-0262035613.
Zocca, V., Spacagna, G., Slater, D., & Roelants, P. (2017). Python Deep Learning. Packt Publishing.
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
EQUIPO DOCENTE
Horario Espacio de
Nombre Correo Electrónico atención a atención a
Estudiantes estudiantes
(Día –
Hora)
Coordinador(es) Ricardo bordaricardo@unbosque.edu.co
Borda
Docente(s) Jesús jdramos@unbosque.edu.co
David erodriguezar@unbosque.edu.co
Ramos
Emiliano
Rodríguez
Docente(s)
laboratorio
Asesor(es)
Estudiante –
Monitor Ad
Honorem
Información Académica
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
29. Justificación
Este curso está orientado a profesionales de las distintas ramas de las Ciencias de la salud y corresponde a un
curso de profundización en métodos estadísticos y de machine learning aplicados a la Biología y Medicina. Se
pretende afianzar los conceptos y métodos propios del área de la salud y presentar a los estudiantes un conjunto
de técnicas recientes e innovadoras para el análisis de datos en Salud.
El uso de métodos estadísticos en los distintos campos de estudio requiere de reservas de información o datos
científicos a partir de muestras, que en el campo se salud son enormes, dado el avance en las tecnologías de la
información y la trasformación a la era digital. Estos datos se encuentran almacenados en grandes repositorios,
para ser analizados mediante la apropiada utilización de herramientas analíticas, de tal forma que los métodos
estadísticos se convierten en un componente indispensable en la formación profesional que permite generar
ventajas competitivas en su desempeño profesional.
En tal medida, el curso ofrece a los estudiantes la posibilidad de afianzar sus conocimientos en Biología y
Medicina, y expandir sus aptitudes profesionales, siendo capaces de liderar o apoyar proyectos de investigación
en distintas áreas de la Salud Pública, la Bioestadística y la Medicina.
Dimensión de
Objetivos de aprendizaje
aprendizaje
Los estudiantes aprenderán o estarán en capacidad:
significativo
Profundizarán en los elementos conceptuales y metodológicos que fundamentan la
Biología y la Medicina. Esto implica que serán capaces de: explicar los distintos diseños
Conocimiento de los estudios médicos y biológicos; comprender los distintos métodos de inferencia
fundamental analizados en las ciencias de la salud, comprender distintos modelos probabilísticos
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
El curso permite que los estudiantes interactúen con sus compañeros y docentes, a
través de los distintos escenarios de aprendizaje como talleres, proyectos en grupo y
Dimensión humana demás, esta interacción se da gracias al trato tolerante y respetuoso entre las partes.
Los estudiantes podrán verse a sí mismos como profesionales y seres humanos
capaces de lograr metas y generar soluciones eficientes a las distintas problemáticas
de su área de estudio.
El curso ofrece las bases teóricas y prácticas de los métodos estadísticos y de Machine
Compromiso Learning, de tal forma que se determine su aplicabilidad en el ámbito real, permitiendo
que los estudiantes puedan adquirir un mayor compromiso personal con el aprendizaje
académico de la asignatura y los puedan desarrollar en su vida profesional.
Estarán en capacidad de generar planes de estudio conforme al proceso de aprendizaje
adquirido tanto académica como autónomamente, utilizando adecuadamente fuentes
Aprender a aprender de información y generando nuevas inquietudes en su ámbito profesional.
METODOLOGÍA
La metodología propuesta para todos los cursos se basa en tres principios generales y fundamentales:
Una metodología cooperativa, donde tanto el profesor como el estudiante aportan para la conformación
del cuerpo conceptual del área. El estudiante aporta a través de la lectura de los materiales presentados, la
elaboración de ejercicios y otras actividades propias de su rol y el profesor aporta en la profundización y relación
de los conceptos. A la vez la metodología se nutrirá de los aportes del software utilizado.
La resolución de problemas y orientación de aplicaciones, como una de las tendencias en educación que
buscan un efecto positivo en la relación matemáticas y otros campos del saber. Para el caso particular el campo
propio de las ingenierías.
DOCUMENTO CONTROLADO
Según Decreto 808 del 25 de abril del 2002 del MEN. El departamento de matemáticas acoge las siguientes
actividades para cumplir con lo referente al crédito educativo:
Tiempo en clase con el Docente (TCD)
Tiempo de taller en clase (TTC )
Tiempo de trabajo independiente. (TTI)
Lecturas previas a cada tema. (TTI).
Exposiciones del profesor (TCD).
Talleres en clase (TTC).
Resolución de problemas. (TCD, TTC, TTI)
Talleres individuales y grupales. (TTC, TTI).
Programas de computación aplicados a los temas tratados. (TCD, TTC, TTI).
Socialización presencial dirigida por el docente, enfocada a la realimentación de las actividades de evaluación
(TCD, TTI).
El proceso de evaluación tiene como propósito la formación integral del estudiante, sobre la base de una ética
que promueva la tolerancia, la solidaridad, la participación democrática, la creatividad y la equidad; tiene como
principio: ser continua, sistemática, interpretativa y formativa. Está acorde con el propósito de la misión
institucional de: “la promoción de la dignidad de la persona humana en su integralidad y el desarrollo de valores
éticos, morales, estéticos, históricos y tecno-científicos”. Este concepto se puede desglosar en tres partes
esenciales.
1. La evaluación es una actividad sistemática, continua: Es decir que se realiza a lo largo del proceso
de formación del alumno, que se basa en toda clase de datos, informes, pruebas, ejercicios, etc. y que se
sistematiza mediante una serie de sesiones o momentos evaluativos, que se suceden durante el curso. El
docente debe propiciar la evaluación formativa como elemento correctivo y facilitador de la autoevaluación por
parte del estudiante, logrando así los objetivos, los alcances propuestos por este y limitando su labor a ayudar,
corregir y orientar.
2. La evaluación está integrada en el proceso educativo. La evaluación no puede ser algo aparte,
secundario, realizado al final del proceso, debe formar parte de cada tema, de cada unidad, de cada actividad.
Debe encontrarse dentro del mismo proceso, dentro de la programación del trabajo en períodos cortos.
3. La evaluación se relaciona directamente con cada uno de los componentes curriculares. Para
reorientar las debilidades y acentuar las fortalezas determinando hasta qué punto se cumplen los objetivos. En
cuanto a la calificación del aprendizaje se tendrán en cuenta: Talleres resueltos en clase, en casa, parciales,
quices, investigación, exposiciones. Para cada tema se desarrollarán talleres, que podrán ser guiados desde la
tutoría o realizados dentro del proceso de la clase.
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
34. Cronograma
Actividades
Actividades
Semana/Sesió Independientes de
Módulo y temas acompañamiento directo
n Aprendizaje:
(Presencial o sincrónica)
Asincrónico
Semana 1 • Análisis en Los estudiantes trabajarán A través de los notebooks
Sesión 1 componentes principales aplicando la técnica en un preparados con un caso de uso
Introducción a conjunto de datos elegidos de epidemiologia se llevarán a
las por ellos mismos. cabo las clases con el fin de
aplicaciones explicar los conceptos de forma
del machine aplicada
learning en
Ciencias de la
salud.
Semana 3 Árboles para Los estudiantes reforzarán El profesor dará los conceptos y
Sesión 1. clasificación. los conceptos aprendidos en fundamentos teóricos junto con
Aprendizaje clase a través de ejercicios el acompañamiento en la
supervisado: en los que aplicarán el aplicación de los conceptos en
Clasificación. código en datos datos reales.
relacionados en
bioestadística.
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
7. Cleophas, Ton & Zwinderman, Aeilko. (2020). Machine Learning in Medicine – A Complete Overview.
Springer 10.1007/978-3-030-33970-8.
8. Shmueli, G., Bruce, P. C., Yahav, I., Patel, N. R., & Lichtendahl, K. C. (2018). Data mining for business
analytics: Concepts, techniques, and applications in R.
9. Gareth James, Daniela Witten, Trevor Hastie, and Robert Tibshirani. (2014). An Introduction to
Statistical Learning: with Applications in R. Springer Publishing Company, Incorporated.
10. Shahbaba, Babak. (2012). Biostatistics with R. An Introduction to Statistics through Biological Data.
Springer
11. Pagano, M., Gauvreau, K. (2018). Principles of Biostatistics. New York: Chapman and Hall/CRC,
https://doi.org/10.1201/9780429489624
12. Martín Andrés, Antonio & Luna, JD. (2004). Bioestadística Para Las Ciencias De La Salud. Ediciones
Norma-Capitel
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
Linea de profundización en
muestreo
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
Facultad Ciencias
Programa Maestría en Estadística y Ciencia de Datos
Nombre de la Asignatura Muestreo avanzado
Cuatrim
Código de la Asignatura 3 Periodo Académico
estre
Área Curricular
Tipo de Asignatura: Obligatoria X Electiva
Modalidad %: Teórica Práctica Teórica- práctica
Pre-requisitos (Código y
nombre):
Co-requisitos (Código y
Nombre):
Horas presenciales o
Horas presenciales o
Número de créditos: 3 sincrónicas /periodo 40
sincrónicas /semana
académico
Horas Trabajo Independiente /periodo académico 80
EQUIPO DOCENTE
Horario Espacio de
Nombre Correo Electrónico atención a atención a
Estudiantes estudiantes
(Día – Hora)
Coordinador(es) Ricardo bordaricardo@unbosque.edu.co
Borda
Docente(s) Cristian Tellezcristian@unbosque.edu.co
Tellez
Docente(s)
laboratorio
Asesor(es)
Estudiante –
Monitor Ad
Honorem
Información Académica
36. Justificación
DOCUMENTO CONTROLADO
e incorporarlas en las estimaciones, se ha vuelto de vital importancia a la hora de proponer estimadores. Esa es
la finalidad de este curso.
El curso pretende desarrollar en el estudiante los criterios estadísticos necesarios para poder decidir qué
estimador es mejor para mejorar las eficiencias de las estimaciones en diseños de muestreo complejos. En este
curso se pretende abordar los siguientes temas:
Dimensión de
Objetivos de aprendizaje
aprendizaje
Los estudiantes aprenderán o estarán en capacidad:
significativo
Los estudiantes deben tener conocimientos en Probabilidad y Estadística general,
principalmente: Cálculo de probabilidades, intervalos de confianza, distribuciones de
Conocimiento probabilidad, propiedades de los estimadores y cálculo de varianzas y sesgos.
fundamental Adicionalmente, debe tener conocimientos básicos en estadística exploratoria y lógica
de programación, principalmente que tenga conocimientos básicos de programación
en R.
Con el contenido de este curso, el estudiante adquiere habilidades para proponer
diseños de muestreo que permitan realizar estudios de mercado, estudios de política
pública entre otros. Adicional, se pueden realizar encuestas de intención de votos,
medir el crecimiento de la educación de un País, así como los ingresos promedios
Aplicación mensuales de las familias colombianas.
Como bien se mencionó anteriormente, se puede integrar utilizando las técnicas
aprendidas en el curso para poder estimar parámetros tales como promedios,
Integración proporciones, razones, entre otros.
Generar conciencia del manejo adecuado de las herramientas tecnológicas y de las
diversas fuentes de información que se encuentran en la web. Desarrollar la capacidad
Dimensión humana de trabajo en grupo y la habilidad de argumentar las ideas que contribuyan a la
solución de modelos, validando las opiniones de los demás.
Valorar los espacios tanto físicos como académicos que ofrece la
Compromiso universidad para el aprendizaje y Resaltar la importancia del compromiso que debe
tener con su aprendizaje.
Identificar fuentes de información académicas y su correcta utilización. Que
contribuyan a afianzar el conocimiento adquirido en el aula. De manera que el
Aprender a aprender constante aprendizaje se vuelva un hábito en su vida personal y profesional.
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
El espacio académico busca proporcionar al estudiante las diferentes alternativas metodológicas que ofrecen
los distintos diseños de muestreo para la estimación de los parámetros de interés que podrían presentarse en
su entorno profesional, con esto podrá hacer propuestas estadísticas de diseño de muestreo con el fin de
garantizar inferencias con características óptimas deseables. Este espacio académico se encuentra dentro del
núcleo problémico denominado desde los elementos que aporta al análisis de los Magíster tomasinos, pretende
incorporar los criterios relacionados con la perspectiva propia de la universidad, relacionada con el Humanismo
Tomista, y ser instrumento válido para trabajar en torno al núcleo relacionado con Exclusión Social, Políticas
Públicas, Mercado Y Productividad.
El propósito general del espacio académico es entrenar a los estudiantes en las técnicas de muestreo
probabilístico y estimadores más usadas en la planeación y ejecución de encuestas complejas para la
producción de estadísticas oficiales y proveer las mejores herramientas técnicas para el correcto análisis
estadístico en este tipo de encuestas. En este sentido busca:
Introducir los conceptos básicos de estimación
Estimadores de regresión
Estimadores de calibración
Muestreo indirecto
60 %: Talleres y trabajos
40 %: Un Parcial en físico o en las plataformas virtuales
DOCUMENTO CONTROLADO
Särndal, Swensson and Wretman (2003). Model Assited Survey Sampling. Springer.
Wolter (2007). Introduction to Variance Estimation. Springer.
Gutiérrez (2013). Estrategias de muestreo: diseño de encuestas y estimación de parámetros.Ediciones
de la U.
R Development Core Team (2014). R: A language and environment for statistical computing. R
Foundation for Statistical Computing, Vienna, Austria. ISBN 3-900051-07-0, URL http:
//www.Rproject.org.
Valliant, Dever and Kreuter (2013). Practical Tools for Designing and Weighting Survey Samples.
Springer.
Lehtonen and Pahkinen (2004). Practical Methods for Design and Analysis of Complex Surveys. John
Wiley and Sons.
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
Facultad Ciencias
Programa Maestría en Estadística y Ciencia de Datos
Nombre de la Asignatura Muestreo en Poblaciones Biológicas
Cuatrim
Código de la Asignatura 3 Periodo Académico
estre
Área Curricular
Tipo de Asignatura: Obligatoria X Electiva
Modalidad %: Teórica Práctica Teórica- práctica
Pre-requisitos (Código y
nombre):
Co-requisitos (Código y
Nombre):
Horas presenciales o
Horas presenciales o
Número de créditos: 3 sincrónicas /periodo 40
sincrónicas /semana
académico
Horas Trabajo Independiente /periodo académico 80
EQUIPO DOCENTE
Horario Espacio de
Nombre Correo Electrónico atención a atención a
Estudiantes estudiantes
(Día – Hora)
Coordinador(es) Ricardo bordaricardo@unbosque.edu.co
Borda
Docente(s) David ramosdavid@unbosque.edu.co
Ramos
Docente(s)
laboratorio
Asesor(es)
Estudiante –
Monitor Ad
Honorem
Información Académica
43. Justificación
Se habla de la eficiencia, precisión e incluso insesgamiento de un estimador sin tener en cuenta que tales
propiedades están ligadas al diseño de muestreo que se haya utilizado en la recolección de la información. Se
debe valorar de igual manera el diseño de muestreo junto con el estimador del parámetro de interés utilizado
en la población finita. Es por lo que, estudiar distintas alternativas de utilizar información auxiliar e incorporarlas
en las estimaciones, se ha vuelto de vital importancia a la hora de proponer estimadores. Esa es la finalidad de
este curso.
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
El muestreo en poblaciones biológicas dispone métodos usados en ecología, en esta asignatura se definirá el
tipo de muestreo, los factores que influyen en la muestra, su cálculo, entre otros.
Dimensión de
Objetivos de aprendizaje
aprendizaje
Los estudiantes aprenderán o estarán en capacidad:
significativo
Los estudiantes deben tener conocimientos en Probabilidad y Estadística general,
principalmente: Cálculo de probabilidades, intervalos de confianza, distribuciones de
Conocimiento probabilidad, propiedades de los estimadores y cálculo de varianzas y sesgos.
fundamental Adicionalmente, debe tener conocimientos básicos en estadística exploratoria y lógica
de programación, principalmente que tenga conocimientos básicos de programación
en R.
Con el contenido de este curso, el estudiante adquiere habilidades para proponer
diseños de muestreo que permitan realizar estudios de mercado, estudios de política
pública entre otros. Adicional, se pueden realizar encuestas de intención de votos,
medir el crecimiento de la educación de un País, así como los ingresos promedios
Aplicación mensuales de las familias colombianas.
Como bien se mencionó anteriormente, se puede integrar utilizando las técnicas
aprendidas en el curso para poder estimar parámetros tales como promedios,
Integración proporciones, razones, entre otros.
Generar conciencia del manejo adecuado de las herramientas tecnológicas y de las
diversas fuentes de información que se encuentran en la web. Desarrollar la capacidad
Dimensión humana de trabajo en grupo y la habilidad de argumentar las ideas que contribuyan a la
solución de modelos, validando las opiniones de los demás.
Valorar los espacios tanto físicos como académicos que ofrece la
Compromiso universidad para el aprendizaje y Resaltar la importancia del compromiso que debe
tener con su aprendizaje.
Identificar fuentes de información académicas y su correcta utilización. Que
contribuyan a afianzar el conocimiento adquirido en el aula. De manera que el
Aprender a aprender constante aprendizaje se vuelva un hábito en su vida personal y profesional.
DOCUMENTO CONTROLADO
El espacio académico busca proporcionar al estudiante las diferentes alternativas metodológicas que ofrecen
los distintos diseños de muestreo para la estimación de los parámetros de interés que podrían presentarse en
su entorno profesional, con esto podrá hacer propuestas estadísticas de diseño de muestreo con el fin de
garantizar inferencias con características óptimas deseables. Este espacio académico se encuentra dentro del
núcleo problémico denominado desde los elementos que aporta al análisis de los Magíster tomasinos, pretende
incorporar los criterios relacionados con la perspectiva propia de la universidad, relacionada con el Humanismo
Tomista, y ser instrumento válido para trabajar en torno al núcleo relacionado con Exclusión Social, Políticas
Públicas, Mercado Y Productividad.
El propósito general del espacio académico es entrenar a los estudiantes en las técnicas de muestreo
probabilístico y estimadores más usadas en la planeación y ejecución de encuestas complejas para la
producción de estadísticas oficiales y proveer las mejores herramientas técnicas para el correcto análisis
estadístico en este tipo de encuestas. En este sentido busca:
Introducir los conceptos básicos de estimación
Estimadores de regresión
Estimadores de calibración
Muestreo indirecto
60 %: Talleres y trabajos
40 %: Un Parcial en físico o en las plataformas virtuales
DOCUMENTO CONTROLADO
Särndal, Swensson and Wretman (2003). Model Assited Survey Sampling. Springer.
Wolter (2007). Introduction to Variance Estimation. Springer.
Gutiérrez (2013). Estrategias de muestreo: diseño de encuestas y estimación de parámetros.Ediciones
de la U.
R Development Core Team (2014). R: A language and environment for statistical computing. R
Foundation for Statistical Computing, Vienna, Austria. ISBN 3-900051-07-0, URL http:
//www.Rproject.org.
Valliant, Dever and Kreuter (2013). Practical Tools for Designing and Weighting Survey Samples.
Springer.
Lehtonen and Pahkinen (2004). Practical Methods for Design and Analysis of Complex Surveys. John
Wiley and Sons.
Begon; Harper & Townsend, Ecología : individuos, poblaciones y comunidades. Omega, Barcelona.
1988.
Bryan F. J. Manly. Lyman L. McDonald, and Dana L. Thomas. Resource Selection by
animals: Statistical Design and analysis, Simposio de Estadística, 2000
Buckland, Anderson, Burnham, Introduction to Distance Sampling: Estimating Abundance of
Biological Populations, Oxford, 2001.
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
Facultad Ciencias
Programa Maestría en Estadística y Ciencia de Datos
Nombre de la Asignatura Estimación en áreas pequeñas
Cuatrim
Código de la Asignatura Periodo Académico
estre 3
Área Curricular
Tipo de Asignatura: Obligatoria X Electiva
Modalidad %: Teórica Práctica Teórica- práctica
Pre-requisitos (Código y
nombre):
Co-requisitos (Código y
Nombre):
Horas presenciales o
Horas presenciales o
Número de créditos: 3 sincrónicas /periodo 40
sincrónicas /semana
académico
Horas Trabajo Independiente /periodo académico 80
EQUIPO DOCENTE
Horario Espacio de
Nombre Correo Electrónico atención a atención a
Estudiantes estudiantes
(Día – Hora)
Coordinador(es) Ricardo bordaricardo@unbosque.edu.co
Borda
Docente(s) Cristian Tellezcristian@unbosque.edu.co
Téllez
Docente(s)
laboratorio
Asesor(es)
Estudiante –
Monitor Ad
Honorem
Información Académica
50. Justificación
La estimación en áreas pequeñas hace referencia a la estimación para dominios que tienen un tamaño de
muestra efectivo relativamente pequeño. Se basa el ajuste de modelos mixtos, que toman en cuenta las
variaciones existentes dentro de cada dominio (área pequeña). Se aumenta la información disponible en el
área pequeña, integrando la información provista por variables auxiliares, este aumento de información viene
acompañado de una disminución en el error de muestreo y una mejora sustancial en la calidad de las
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
estimaciones. Existen dos familias de modelos: los Modelos a nivel de área (Fay – Herriot) y los modelos a
nivel de individuo (Battese - Harter – Fuller, entre otros).
Se espera que en este espacio académico el estudiante está en la capacidad de obtener estimaciones
desagregadas que son imposibles de obtener por las metodologías tradicionales de muestreo, dichas
estimaciones se requieren en diferentes áreas como el marketing, en el sector público, el sector salud, y diversos
estudios socioeconómicos.
Dimensión de
Objetivos de aprendizaje
aprendizaje
Los estudiantes aprenderán o estarán en capacidad:
significativo
Los estudiantes deben tener conocimientos en Probabilidad y Estadística general,
principalmente: Cálculo de probabilidades, intervalos de confianza, distribuciones de
Conocimiento probabilidad, propiedades de los estimadores y cálculo de varianzas y sesgos.
fundamental Adicionalmente, debe tener conocimientos básicos en estadística exploratoria y lógica
de programación, principalmente que tenga conocimientos básicos de programación
en R.
Con el contenido de este curso, el estudiante adquiere habilidades para proponer
diseños de muestreo que permitan realizar estudios de mercado, estudios de política
pública entre otros. Adicional, se pueden realizar encuestas de intención de votos,
medir el crecimiento de la educación de un País, así como los ingresos promedios
Aplicación mensuales de las familias colombianas.
Como bien se mencionó anteriormente, se puede integrar utilizando las técnicas
aprendidas en el curso para poder estimar parámetros tales como promedios,
Integración proporciones, razones, entre otros.
Generar conciencia del manejo adecuado de las herramientas tecnológicas y de las
diversas fuentes de información que se encuentran en la web. Desarrollar la capacidad
Dimensión humana de trabajo en grupo y la habilidad de argumentar las ideas que contribuyan a la
solución de modelos, validando las opiniones de los demás.
Valorar los espacios tanto físicos como académicos que ofrece la
Compromiso universidad para el aprendizaje y Resaltar la importancia del compromiso que debe
tener con su aprendizaje.
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
El espacio académico busca proporcionar al estudiante las diferentes alternativas metodológicas que ofrecen
los distintos diseños de muestreo y la estimación en áreas pequeñas. El propósito general del espacio académico
es entrenar a los estudiantes en las técnicas de estimación en áreas pequeñas más usadas en la planeación y
ejecución de encuestas complejas para la producción de estadísticas oficiales y proveer las mejores
herramientas técnicas para el correcto análisis estadístico en este tipo de encuestas. En este sentido busca
que:
1. ¿El estudiante comprende los principios de los estimadores directos para estimadores de áreas
pequeñas?
2. ¿El estudiante hace uso de modelos de estimación de áreas pequeñas a nivel de área y unidad?
3. ¿El estudiante conoce la integración existente entre los modelos lineales y el muestreo para mejorar
la precisión de las estimaciones muestrales a nivel de áreas pequeñas?
4. ¿El estudiante hace uso de software especializado para obtener estimaciones y medidas de
incertidumbre para estimaciones de áreas pequeñas?
60 %: Talleres y trabajos
40 %: Un Parcial en físico o en las plataformas virtuales
DOCUMENTO CONTROLADO
DOCUMENTO CONTROLADO
DOCUMENTO CONTROLADO
EQUIPO DOCENTE
Horario Espacio
Nombre Correo Electrónico Atención A de
Estudiantes atención a
(Día – Hora) estudiantes
Coordinador(es) Ricardo Borda bordaricardo@unbosque.edu.co
Estudiante –
Monitor Ad
Honorem
Información Académica
1. Justificación
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
El éxito empresarial hoy en día se debe a la gran cantidad de datos que se posean, su transformación y las
decisiones que se puedan tomar basadas en estos. En este contexto, las empresas son conscientes hoy en día
de la importancia de los datos y, por lo tanto, están elaborando medidas estratégicas y operacionales que
permitirán adquirir las aptitudes y los conocimientos necesarios para lograr nuevos beneficios analíticos basados
en nuevos datos de gran tamaño junto con metodologías para tratamiento de información como el aprendizaje
automático de forma supervisada, no supervisada, semi-supervisada o reforzada.
2. Contenidos Generales
3. Objetivos de aprendizaje
Dimensión de
Objetivos de aprendizaje
aprendizaje
Los estudiantes aprenderán o estarán en capacidad:
significativo
Comprender críticamente y argumentar los fundamentos teóricos, conceptuales y
Conocimiento metodológicos del aprendizaje de maquina desde su enfoque no supervisado y
fundamental reforzado, reconociendo el objetivo y el alcance de los mismos, marcos de
referencia y/o buenas prácticas, Identificando fortalezas y debilidades a la hora de
implementarlos en un proyecto.
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
Expresar un pensamiento crítico y creativo hacia el conocimiento de los procesos
metodológicos de los algoritmos de aprendizaje no supervisado y reforzado,
evaluando su eficacia e idoneidad para la ejecución de proyectos.
Aplicación
Diseñar soluciones desde el pensamiento práctico fundamentadas en casos
específicos, evaluando su validez en términos de los requerimientos funcionales
del caso en mención.
La estrategia pedagógica que se trabajara a lo largo del curso es Aprendizaje Basado en Proyectos. Es
una metodología en la que se investiga, interpreta, argumenta y propone la solución a uno o varios
proyectos, creando un escenario simulado de posible solución y analizando las probables consecuencias
(Pimienta, 2012).
Para este tipo de asignaturas de naturaleza teórica y practica es fundamental tener en cuenta que los
medios educativos necesarios para las sesiones presenciales son: una sala de informática y una cuenta
de correo institucional para el desarrollo los laboratorios.
Referencia:
DOCUMENTO CONTROLADO
- Etapa de conceptualización, esta etapa dura 8 semanas durante este espacio de tiempo los
estudiantes realizarán lecturas guiadas con el objetivo de comprender la base teórica del aprendizaje
de maquina en su enfoque no supervisado y reforzado.
5. Evaluación y calificación
DOCUMENTO CONTROLADO
6. Cronograma
Actividades
Seman Actividades
acompañamiento
a/Sesió Módulo y temas Independientes de
directo (Presencial o
n Aprendizaje: Asincrónico
sincrónica)
1. Módulo 1. Presentación del Presentación de los tema Exposición del docente y
Curso, contenidos usando las TIC ejercicios en tiempo real
programáticos, acuerdos Entrega del material de
generales, cronograma de trabajo para el semestre,
prueba diagnóstica.
actividades, aplicación de Lectura previa capítulo 2
prueba diagnóstica y de Isoni y Lectura previa
retroalimentación. capítulo 5 de Vander
Introducción al aprendizaje
no supervisado y reforzado.
Tema 1. Aprendizaje No
Supervisado, Modelos
Gaussianos mixtos e
inferencia variacional.
2. Tema 2. Clustering; K- Lectura previa capítulo 5 de Exposición del docente y
Means Speactral clustering, Vander y https://scikit- ejercicios en tiempo real
DBSCAN, Factorización learn.org/stable/modules/mani
Matricial, Análisis de fold.html, Lectura previa
Componentes principales y capítulo 8 de Dangeti y Lectura
Análisis de componentes previa capítulo 2 de Isoni.
independientes https://scikit-
learn.org/stable/modules/deco
mposition.html#factor-analysis
3. Módulo 2. Lectura previa capítulo 5 de Presentación del proyecto de
Tema 1. Estimación de Vander investigación
covarianza, empírica,
reducida e inversa.
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
Bibliografía Complementaria
Zocca, V., Spacagna, G., Slater, D., & Roelants, P. (2017). Python Deep Learning. Packt Publishing.
Gollapudi, S., & Laxmikanth, V. (2016). Practical Machine Learning. Packt Publishing.
Goodfellow I., Bengio Y., Courville A., (2016) Deep Learning (Adaptive Computation and Machine
Learning series), Publisher: The MIT Press, , ISBN-10: 0262035618, ISBN-13: 978-0262035613.
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
Deng L., Yu D., (2013), Deep Learning: Methods and Applications (PDF). Foundations and Trends in Signal
Processing. 7 (3–4), pp. 197-387, DOI: 10.1561/2000000039.
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
EQUIPO DOCENTE
Horario Espacio
Nombre Correo Electrónico Atención A de
Estudiantes atención a
(Día – Hora) estudiantes
Coordinador(es) Ricardo Borda
Estudiante –
Monitor Ad
Honorem
Información Académica
1. Justificación
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
En la mayoría de proyectos en los cuales un científico de datos emprende o colabora, debe saber solucionar
problemas que se plantean dentro del mismo proyecto, haciendo uso eficiente del razonamiento matemático y
estadístico en sinergia con los algoritmos a implementar, a fin de presentar soluciones concretas y sustentables en
el tiempo. Por lo tanto, todo científico de datos debe poseer herramientas matemáticas y estadísticas para resolver
problemas a través de algoritmos sofisticados de aprendizaje profundo de maquina con alta precisión y aplicación
en el sector salud, banca, gobierno u otros, aprovechando al máximo la capacidad de cómputo de los ordenadores
o en su defecto máquinas virtuales montadas en servidores en la nube, para llevar a cabo dichos proyectos de
forma eficiente.
2. Contenidos Generales
3. Objetivos de aprendizaje
Dimensión de
Objetivos de aprendizaje
aprendizaje
Los estudiantes aprenderán o estarán en capacidad:
significativo
Comprender críticamente y argumentar los fundamentos teóricos, conceptuales y
Conocimiento metodológicos del aprendizaje automático profundo para visión de maquina o
fundamental procesamiento de lenguaje natural, reconociendo el objetivo y el alcance de los
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
mismos, marcos de referencia y/o buenas prácticas, Identificando fortalezas y
debilidades a la hora de implementarlos en un proyecto.
DOCUMENTO CONTROLADO
La estrategia pedagógica que se trabajara a lo largo del curso es Aprendizaje Basado en Proyectos. Es
una metodología en la que se investiga, interpreta, argumenta y propone la solución a uno o varios
proyectos, creando un escenario simulado de posible solución y analizando las probables consecuencias
(Pimienta, 2012).
Para este tipo de asignaturas de naturaleza teórica y práctica es fundamental tener en cuenta que los
medios educativos necesarios para las sesiones presenciales son: una sala de informática y una cuenta
de correo institucional para el desarrollo los laboratorios.
Referencia:
- Etapa de conceptualización, esta etapa dura 8 semanas durante este espacio de tiempo los
estudiantes realizarán lecturas guiadas con el objetivo de comprender la base teórica del aprendizaje
automático profundo para visión de maquina o procesamiento de lenguaje natural.
5. Evaluación y calificación
DOCUMENTO CONTROLADO
6. Cronograma
Actividades
Seman Actividades
acompañamiento
a/Sesió Módulo y temas Independientes de
directo (Presencial o
n Aprendizaje: Asincrónico
sincrónica)
1 Módulo 1. Presentación del Presentación de los tema Exposición del docente.
Curso, contenidos usando las TIC
programáticos, acuerdos Entrega del material de
generales, cronograma de trabajo para el semestre,
prueba diagnóstica.
actividades, aplicación de
prueba diagnóstica y
retroalimentación.
Introducción a Visión
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
Computacional y
Procesamiento de Lenguaje
Natural.
Tema 1. Identificación de Lectura previa capítulo 3 de Exposición del docente y
Objetos con AlexNet y Gulli ejercicios en tiempo real
GoogleNet
2 Tema 2. VGGNet, ResNet e Lectura previa capítulo 3 de Exposición del docente y
InceptionNet Gulli ejercicios en tiempo real
Tema 3. DenseNet y LeNet Lectura previa capítulo 3 de Presentación del proyecto de
Gulli investigación
3 Módulo 2. Lectura previa capítulo 2, 4, 6 y Exposición del docente y
Tema 1. Detección y análisis 8 de Shanmugamani y Lectura ejercicios en tiempo real
de Emoción, Reconstrucción previa capítulo 7 de Bakker.
de Escenas y
Reconocimiento de Objetos.
Tema 2 Segmentación de Lectura previa capítulo 5 de Exposición del docente y
Objetos con DeepLab, Shanmugamani y Lectura ejercicios en tiempo real
RefineNet, Fully previa capítulo 7 de Dadhich
Convolutional Networks,
4 Tema 3. Lectura previa capítulo 6 de Exposición del docente y
U-Net Conditional Random Shanmugamani y Lectura ejercicios en tiempo real
Field, SegNet y PSPNet. previa capítulo 3 de Dadhich
Tema 4. Detección de Lectura previa capítulo 7 de Presentación del proyecto de
Objetos con R-CNN, Fast R- Shanmugamani y Lectura investigación
CNN, R-FCN, YOLO y SSD. previa capítulo 6 de Dadhich
Módulo 3. Lectura previa capítulo 6 de Exposición del docente y
Tema 1. NPL, Zocca, Lectura previa capítulo 7 ejercicios en tiempo real
Reconocimiento óptico de de Shanmugamani y Lectura
caracteres, machine previa capítulo 8 de Bakker.
traslation
5 Tema 2. Parsing, Tagging, Lectura previa capítulo 6 de Exposición del docente y
Reconocimiento de entidades Zocca y Lectura previa capítulo ejercicios en tiempo real
nombradas 7 de Shanmugamani
Tema 3. Generación de Lectura previa capítulo 8 de Exposición del docente y
Lenguaje Natural para Bakker. ejercicios en tiempo real
Question Aswering
6 Tema 4. Análisis de Lectura previa capítulo 8 de Exposición del docente y
semántico de Texto, Análisis Raschka y Lectura previa ejercicios en tiempo real
de Sentimientos. módulo 3-capítulo 6 y 7 de
Hardeniya
7 Tema 5. Speech Lectura previa capítulo 9 de Exposición del docente y
Recognition Bakker y Lectura previa ejercicios en tiempo real
capítulo 12 de Joshi
Tema 6. Text- to- Speech Lectura previa capítulo 9 de Exposición del docente y
Bakker. ejercicios en tiempo real
8 Parcial. Proyecto de Entrega del proyecto. Presentación del proyecto de
Investigación investigación
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
Shanmugamani, R. (2018). Deep Learning for Computer Vision : Expert Techniques to Train Advanced
Neural Networks Using TensorFlow and Keras. Packt Publishing.
Bibliografía Complementaria
Dadhich, A. (2018). Practical Computer Vision : Extract Insightful Information From Images Using
TensorFlow, Keras, and OpenCV. Packt Publishing
Goodfellow I., Bengio Y., Courville A., (2016) Deep Learning (Adaptive Computation and Machine
Learning series), Publisher: The MIT Press, , ISBN-10: 0262035618, ISBN-13: 978-0262035613.
Hardeniya, N. (2016). Natural Language Processing: Python and NLTK. Packt Publishing.
DOCUMENTO CONTROLADO
EQUIPO DOCENTE
Horario Espacio
Nombre Correo Electrónico Atención A de
Estudiantes atención a
(Día – Hora) estudiantes
Coordinador(es) Ricardo Borda bordaricardo@unbosque.edu.co
Estudiante –
Monitor Ad
Honorem
Información Académica
1. Justificación
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
El éxito empresarial hoy en día se debe a la gran cantidad de datos que se posean, su transformación y las
decisiones que se puedan tomar basadas en estos. En este contexto, las empresas son conscientes hoy en día
de la importancia de los datos y, por lo tanto, están elaborando medidas estratégicas y operacionales que
permitirán adquirir las aptitudes y los conocimientos necesarios para lograr nuevos beneficios analíticos basados
en nuevos datos de gran tamaño junto con metodologías para tratamiento de información como el aprendizaje
automático y su puesta en producción.
2. Contenidos Generales
3. Objetivos de aprendizaje
Dimensión de
Objetivos de aprendizaje
aprendizaje
Los estudiantes aprenderán o estarán en capacidad:
significativo
Comprender críticamente y argumentar los fundamentos teóricos, conceptuales y
Conocimiento metodológicos del aprendizaje de maquina y su puesta en producción,
fundamental reconociendo el objetivo y el alcance de los mismos, marcos de referencia y/o
buenas prácticas, Identificando fortalezas y debilidades a la hora de
implementarlos en un proyecto.
DOCUMENTO CONTROLADO
La estrategia pedagógica que se trabajara a lo largo del curso es Aprendizaje Basado en Proyectos. Es
una metodología en la que se investiga, interpreta, argumenta y propone la solución a uno o varios
proyectos, creando un escenario simulado de posible solución y analizando las probables consecuencias
(Pimienta, 2012).
Para este tipo de asignaturas de naturaleza teórica y práctica es fundamental tener en cuenta que los
medios educativos necesarios para las sesiones presenciales son: una sala de informática y una cuenta
de correo institucional para el desarrollo los laboratorios.
Referencia:
- Etapa de conceptualización, esta etapa dura 8 semanas durante este espacio de tiempo los
estudiantes realizarán lecturas guiadas con el objetivo de comprender la base teórica del aprendizaje
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
5. Evaluación y calificación
DOCUMENTO CONTROLADO
6. Cronograma
Actividades
Seman Actividades
acompañamiento
a/Sesió Módulo y temas Independientes de
directo (Presencial o
n Aprendizaje: Asincrónico
sincrónica)
1. Módulo 1. Presentación del Presentación de los tema Exposición del docente y
Curso, contenidos usando las TIC ejercicios en tiempo real
programáticos, acuerdos Entrega del material de
generales, cronograma de trabajo para el semestre,
prueba diagnóstica.
actividades, aplicación de Lectura previa capítulo 1 de
prueba diagnóstica y Lakshmanan y lectura de
retroalimentación. capítulo 1 de Deshpande,
Introducción a los datos en Kumar y Chaudhari
la plataforma de la nube de
Google,
Tema 1. Fundamentos de
BigQuery
2. Tema 2. Lectura previa capítulo 3 de Exposición del docente y
Explorando sus datos con Lakshmanan y lectura de ejercicios en tiempo real
capítulo 8 de Tigani & Naidu
SQL, Limpieza y
transformación de datos
3. Módulo 2. Lectura previa capítulo 4 de Exposición del docente y
Tema 1. Almacenamiento y Lakshmanan y lectura de ejercicios en tiempo real
exportación de datos, capítulo 6 de Tigani & Naidu
creación de tablas
permanentes
4. Tema 2. Lectura previa capítulo 2,5 y 8 Exposición del docente y
Ingerir, unir y fusionar de Lakshmanan y lectura de ejercicios en tiempo real
nuevos conjuntos de datos en capítulo 7 y 9 de Tigani & Naidu
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
Lakshmanan, V., & Tigani, J. (2020). Google BigQuery The Definitive Guide. O'Reilly Media
Bibliografía Complementaria
Deshpande A., Kumar M., Chaudhari V. (2020). Hands-On Artificial Intelligence on Google Cloud Platform:
Build intelligent applications powered by TensorFlow, Cloud AutoML, BigQuery, and Dialogflow . Packt
Publishing.
Tigani, J., & Naidu, S. (2014). Google BigQuery Analytics. John Wiley & Sons.
Lopez, G., Seaton, D. T., Ang, A., Tingley, D., & Chuang, I. (2017, April). Google BigQuery for education:
Framework for parsing and analyzing edX MOOC data. In Proceedings of the fourth (2017) ACM
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
Mucchetti, M. (2020). Advanced BigQuery. In BigQuery for Data Warehousing (pp. 273-303). Apress,
Berkeley, CA.
Fernandes, S., & Bernardino, J. (2015, July). What is bigquery?. In Proceedings of the 19th International
Database Engineering & Applications Symposium (pp. 202-203).
https://cloud.google.com/bigquery/docs/
https://cloud.google.com/billing/docs/how-to/visualize-data
https://cloud.google.com/bigquery-ml/docs
https://cloud.google.com/bi-engine/docs
https://www.coursera.org/learn/gcp-exploring-preparing-data-bigquery
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
Linea de profundización en
Bioestadística
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
EQUIPO DOCENTE
Horario Espacio de
Nombre Correo Electrónico atención a atención a
Estudiantes estudiantes
(Día – Hora)
Coordinador(es) Ricardo Brda bordaricardo@unbosque.edu.co
Docente(s) J. David Ramos M. jedramos@unbosque.edu.co
Docente(s)
laboratorio
Asesor(es)
Estudiante –
Monitor Ad
Honorem
Información Académica
1. Justificación
Este espacio académico está orientado a profesionales que se desempeñan en las distintas ramas de las Ciencias
de la salud y corresponde a un curso de profundización en métodos estadísticos y de la Ciencia de datos aplicados
a la Epidemiología. Tiene dos propósitos fundamentales: primero, brindar a los estudiantes la oportunidad de
ahondar en los conceptos y métodos clásicos utilizados en el estudio de eventos de salud en poblaciones humanas
y segundo, presentar a los estudiantes un conjunto de técnicas recientes e innovadoras para el análisis de datos
epidemiológicos.
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
La necesidad de un curso con las características descritas, obedece principalmente al aumento, casi exponencial,
de datos en salud (de las más variadas naturalezas) almacenados en grandes repositorios, que están a la espera
de ser analizados con el ánimo de generar nuevo conocimiento epidemiológico válido, verificable y útil. Desde
esta perspectiva, resulta fundamental la existencia de profesionales en salud competentes que sean capaces de
aplicar adecuadamente las distintas metodologías, clásicas y recientes, utilizadas para el análisis de esta nueva
generación de datos.
Con lo anterior en mente, el curso ofrece a los estudiantes la posibilidad de afianzar sus conocimientos en
Epidemiología, expandir su espectro profesional y de que, en un futuro próximo, puedan liderar o apoyar
proyectos de investigación en distintas áreas de la Salud Pública, la Bioestadística y la Epidemiología general y
clínica.
2. Contenidos Generales
3. Objetivos de aprendizaje
Dimensión de
Objetivos de aprendizaje
aprendizaje
Los estudiantes aprenderán o estarán en capacidad:
significativo
Conocimiento Profundizarán en los elementos conceptuales y metodológicos que fundamentan la
fundamental Epidemiología. Esto implica que serán capaces de: explicar los distintos diseños de los
estudios epidemiológicos; comprender los distintos métodos de inferencia de riesgos y
asociación entre factores poblacionales; explicar metodologías para el control de las
diferentes fuentes de sesgo, confusión y modificación de efectos en estudios
epidemiológicos y finalmente, comprender distintos modelos probabilísticos utilizados en
el estudio de la distribución de las enfermedades.
DOCUMENTO CONTROLADO
Dimensión Interactuarán con sus compañeros, a través del través del trabajo en equipo, mediante el
humana desarrollo de proyecto, talleres y otras actividades de aprendizaje. En este espacio, los
estudiantes podrán verse a sí mismos, evaluarse entre sí y apoyarse unos a otros. También
será capaces de solicitar respetuosamente apoyo académico a su docente y compañeros y
estarán en disposición de prestar la ayuda a sus compañeros.
Compromiso Mediante las aplicaciones vistas en clase los estudiantes estarán interesados en aprender
las temáticas desarrolladas en la asignatura; de esta forma los estudiantes adquirirán un
mayor compromiso personal para cumplir las metas de aprendizaje dentro de la asignatura
y las extenderán a su vida profesional.
METODOLOGÍA
La metodología propuesta para todos los cursos se basa en tres principios generales y fundamentales:
Una metodología cooperativa, donde tanto el profesor como el estudiante aportan para la conformación
del cuerpo conceptual del área. El estudiante aporta a través de la lectura de los materiales presentados, la
elaboración de ejercicios y otras actividades propias de su rol y el profesor aporta en la profundización y relación
de los conceptos. A la vez la metodología se nutrirá de los aportes del software utilizado.
La resolución de problemas y orientación de aplicaciones, como una de las tendencias en educación que
buscan un efecto positivo en la relación matemáticas y otros campos del saber. Para el caso particular el campo
propio de las ingenierías.
Procesos de argumentación y de representación. Se logra la comprensión por parte del estudiante de
las formas que utiliza para aproximarse a los conocimientos y la forma como da cuenta de estas aproximaciones
a través del lenguaje –oral y escrito- y de las formas de representación que utiliza en la solución de problemas.
Según Decreto 808 del 25 de abril del 2002 del MEN, la Maestría de Estadística aplicada y ciencias de datos
acoge las siguientes actividades para cumplir con lo referente al crédito educativo:
Tiempo en clase con el Docente (TCD)
DOCUMENTO CONTROLADO
Socialización presencial dirigida por el docente enfocado a la realimentación de las actividades de evaluación
(TCD, TTI).
Para el curso de Epidemiología las actividades anteriormente expuestas estarán consolidadas y orientadas a
través del notebook del curso, que no es más que un conjunto de notas de clase, lecturas de motivación e
introducción, ejercicios y prácticas con software estadístico recogidas y diseñadas por el profesor que orienta
la asignatura.
Paralelo al trabajo orientado por el notebook, también se realizarán prácticas apoyadas por software estadístico
en salas de informática, o en su defecto, en salones de clase convencionales donde cada estudiante trabajará
desde su propio equipo de cómputo, siempre bajo la orientación directa del docente encargado.
5. Evaluación y calificación
El proceso de evaluación tiene como propósito la formación integral del estudiante, sobre la base de una ética
que promueva la tolerancia, la solidaridad, la participación democrática, la creatividad y la equidad; tiene como
principio: ser continua, sistemática, interpretativa y formativa. Está acorde con el propósito de la misión
institucional de: “la promoción de la dignidad de la persona humana en su integralidad y el desarrollo de valores
éticos, morales, estéticos, históricos y tecno-científicos”. Este concepto se puede desglosar en tres partes
esenciales.
1. La evaluación es una actividad sistemática, continua: Es decir que se realiza a lo largo del proceso
de formación del alumno, que se basa en toda clase de datos, informes, pruebas, ejercicios, etc. y que se
sistematiza mediante una serie de sesiones o momentos evaluativos, que se suceden durante el curso. El
docente debe propiciar la evaluación formativa como elemento correctivo y facilitador de la autoevaluación por
parte del estudiante, logrando así los objetivos, los alcances propuestos por este y limitando su labor a ayudar,
corregir y orientar.
2. La evaluación está integrada en el proceso educativo. La evaluación no puede ser algo aparte,
secundario, realizado al final del proceso, debe formar parte de cada tema, de cada unidad, de cada actividad.
Debe encontrarse dentro del mismo proceso, dentro de la programación del trabajo en períodos cortos.
3. La evaluación se relaciona directamente con cada uno de los componentes curriculares. Para
reorientar las debilidades y acentuar las fortalezas determinando hasta qué punto se cumplen los objetivos. En
cuanto a la calificación del aprendizaje se tendrán en cuenta: Talleres resueltos en clase, en casa, parciales,
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
quices, investigación, exposiciones. Para cada tema se desarrollarán talleres, que podrán ser guiados desde la
tutoría o realizados dentro del proceso de la clase.
6. Cronograma
Actividades
Actividades
Semana/Sesió Independientes de
Módulo y temas acompañamiento directo
n Aprendizaje:
(Presencial o sincrónica)
Asincrónico
Semana 1 Unidad 1. Introducción Trabajo independiente de Presentación el curso. Exposición
Sesión 1 a la epidemiología los estudiantes con base en del docente relacionado con los
ejercicios propuestos en el objetivos y propósitos de la
notebook del curso. Epidemiología. Trabajo de los
estudiantes de ejercicios
propuestos en el notebook del
curso.
Semana 1 Unidad 2. Diseños de Trabajo independiente de Exposición del docente
Sesión 2 estudios epidemiológicos los estudiantes con base en relacionado con el diseño de
ejercicios propuestos en el estudios epidemiológicos.
notebook del curso. Trabajo de los estudiantes de
ejercicios propuestos en el
notebook del curso.
Semana 2 Unidad 3. Estimación Trabajo independiente de Exposición del docente
Sesión 1 de medidas de riesgo y los estudiantes con base en relacionado con el análisis de
asociación ejercicios propuestos en el tablas de contingencia y técnicas
notebook del curso. relacionadas con la estimación
del riesgo. Trabajo de los
estudiantes de ejercicios
propuestos en el notebook del
curso.
Semana 2 Unidad 4. Evaluación de Trabajo independiente de Exposición del docente
Sesión 2 asociación entre los estudiantes con base en relacionado con distintos test
exposición y evento ejercicios propuestos en el para evaluación de la
notebook del curso. independencia entre exposición-
evento. Trabajo de los
estudiantes de ejercicios
propuestos en el notebook del
curso.
Semana 3 Unidad 5. Inferencia Trabajo independiente de Exposición del docente
Sesión 1. causal: control confusión los estudiantes con base en relacionado con control de
e interacción variables confusoras y la
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
Bibliografía Básica
2. Woodward, M. (2013). Epidemiology: study design and data analysis. Chapman and Hall/CRC. 3a. edición.
USA.
3. Cleophas, T. J., Zwinderman, A. H., & Cleophas-Allers, H. I. (2013). Machine learning in medicine (Vol. 9) .
Dordrecht, The Netherlands:: Springer.
Bibliografía Complementaria
4. Kestenbaum, B., & Weiss, N. S. (2019). Epidemiology and biostatistics: an introduction to clinical research .
Springer Nature Switzerland AG. 2da. edición. Switzerland.
5. Agresti A., Kateri M. (2002) Categorical Data Analysis. John Wiley & Sons, Inc., Hoboken. USA, New
Jersey.
DOCUMENTO CONTROLADO
7. Williams, G. (2011). Data mining with Rattle and R: The art of excavating data for knowledge discovery .
Springer Science & Business Media.
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
EQUIPO DOCENTE
Horario Espacio de
Nombre Correo Electrónico atención a atención a
Estudiantes estudiantes
(Día – Hora)
Coordinador(es) Ricardo Borda bordaricardo@unbosque.edu.co
Docente(s) J. David Ramos M. jdramos@unbosque.edu.co
Docente(s)
laboratorio
Asesor(es)
Estudiante –
Monitor Ad
Honorem
Información Académica
1. Justificación
El análisis espacial es un conjunto de técnicas estadísticas que utiliza como insumo la ubicación geográfica o
espacial de los eventos que se analizan. El uso de estas técnicas particulares de análisis en estudios de tipo
epidemiológico ha tenido un rápido crecimiento en las últimas décadas porque permiten incluir la variabilidad, la
correlación y la densidad espacial presente en la distribución espacial de casos y exposiciones de eventos en
salud.
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
El curso aquí propuesto permite a los estudiantes conocer y profundizar en los métodos de análisis espacial
aplicados a la Epidemiología, desarrollando un abordaje descriptivo y analítico que hace énfasis en el uso,
ventajas y limitaciones de la visualización de datos de salud espaciales, los sistemas de información geográfica
y la inferencia y predicción sobre este tipo de datos.
Finalmente, el curso busca incentivar a los estudiantes que tomen el mismo, prosigan autónomamente en el
estudio del análisis espacial y que incorporen sus metodologías y técnicas particulares en su quehacer diario
profesional e investigativo.
2. Contenidos Generales
3. Objetivos de aprendizaje
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
Dimensión de
Objetivos de aprendizaje
aprendizaje
Los estudiantes aprenderán o estarán en capacidad:
significativo
Conocimiento Profundizarán en conceptos y procedimientos que fundamentan la estadística espacial,
fundamental los tipos de datos espaciales, los sistemas de información geográfica, la visualización,
descripción y predicción de datos espaciales y finalmente, su aplicación a estudios
relacionados con las Ciencias de la Salud, en particular, con la Epidemiología.
Aplicación Aplicarán adecuadamente métodos y técnicas, tanto clásicos como recientes, propios de
la estadística espacial para el análisis de la distribución espacial de eventos en salud de
poblaciones humanas y utilizarán el conocimiento que se decante de dicho análisis para
la solución de problemas propios de su área de estudio y/o su quehacer profesional.
Integración Extenderán e integrarán los conocimientos y habilidades adquiridos a la solución de los
más variados problemas en Epidemiología y otras áreas de las Ciencias de la Salud,
siendo capaces de diseñar, desarrollar o asesorar proyectos de investigación donde
exista la necesidad de analizar datos de salud espacialmente distribuidos.
Dimensión humana Interactuarán con sus compañeros, a través del través del trabajo en equipo, mediante
el desarrollo de proyecto, talleres y otras actividades de aprendizaje. En este espacio,
los estudiantes podrán verse a sí mismos, evaluarse entre sí y apoyarse unos a otros.
También será capaces de solicitar respetuosamente apoyo académico a su docente y
compañeros y estarán en disposición de prestar la ayuda a sus compañeros.
METODOLOGÍA
La metodología propuesta para todos los cursos se basa en tres principios generales y fundamentales:
Una metodología cooperativa, donde tanto el profesor como el estudiante aportan para la conformación
del cuerpo conceptual del área. El estudiante aporta a través de la lectura de los materiales presentados, la
elaboración de ejercicios y otras actividades propias de su rol y el profesor aporta en la profundización y relación
de los conceptos. A la vez la metodología se nutrirá de los aportes del software utilizado.
La resolución de problemas y orientación de aplicaciones, como una de las tendencias en educación que
buscan un efecto positivo en la relación matemáticas y otros campos del saber. Para el caso particular el campo
propio de las ingenierías.
Procesos de argumentación y de representación. Se logra la comprensión por parte del estudiante de
las formas que utiliza para aproximarse a los conocimientos y la forma como da cuenta de estas aproximaciones
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
a través del lenguaje –oral y escrito- y de las formas de representación que utiliza en la solución de problemas.
Según Decreto 808 del 25 de abril del 2002 del MEN, la Maestría de Estadística aplicada y ciencias de datos
acoge las siguientes actividades para cumplir con lo referente al crédito educativo:
Tiempo en clase con el Docente (TCD)
Socialización presencial dirigida por el docente enfocado a la realimentación de las actividades de evaluación
(TCD, TTI).
Para el curso de Epidemiología espacial las actividades anteriormente expuestas estarán consolidadas y
orientadas a través del notebook del curso, que no es más que un conjunto de notas de clase, lecturas de
motivación e introducción, ejercicios y prácticas con software estadístico recogidas y diseñadas por el profesor
que orienta la asignatura.
Paralelo al trabajo orientado por el notebook, también se realizarán prácticas apoyadas por software estadístico
en salas de informática, o en su defecto, en salones de clase convencionales donde cada estudiante trabajará
desde su propio equipo de cómputo, siempre bajo la orientación directa del docente encargado.
5. Evaluación y calificación
El proceso de evaluación tiene como propósito la formación integral del estudiante, sobre la base de una ética
que promueva la tolerancia, la solidaridad, la participación democrática, la creatividad y la equidad; tiene como
principio: ser continua, sistemática, interpretativa y formativa. Está acorde con el propósito de la misión
institucional de: “la promoción de la dignidad de la persona humana en su integralidad y el desarrollo de valores
éticos, morales, estéticos, históricos y tecno-científicos”. Este concepto se puede desglosar en tres partes
esenciales.
1. La evaluación es una actividad sistemática, continua: Es decir que se realiza a lo largo del proceso
de formación del alumno, que se basa en toda clase de datos, informes, pruebas, ejercicios, etc. y que se
sistematiza mediante una serie de sesiones o momentos evaluativos, que se suceden durante el curso. El
docente debe propiciar la evaluación formativa como elemento correctivo y facilitador de la autoevaluación por
parte del estudiante, logrando así los objetivos, los alcances propuestos por este y limitando su labor a ayudar,
corregir y orientar.
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
2. La evaluación está integrada en el proceso educativo. La evaluación no puede ser algo aparte,
secundario, realizado al final del proceso, debe formar parte de cada tema, de cada unidad, de cada actividad.
Debe encontrarse dentro del mismo proceso, dentro de la programación del trabajo en períodos cortos.
3. La evaluación se relaciona directamente con cada uno de los componentes curriculares. Para
reorientar las debilidades y acentuar las fortalezas determinando hasta qué punto se cumplen los objetivos. En
cuanto a la calificación del aprendizaje se tendrán en cuenta: Talleres resueltos en clase, en casa, parciales,
quices, investigación, exposiciones. Para cada tema se desarrollarán talleres, que podrán ser guiados desde la
tutoría o realizados dentro del proceso de la clase.
6. Cronograma
Actividades Actividades
Semana/Sesión Módulo y temas Independientes de acompañamiento directo
Aprendizaje: Asincrónico (Presencial o sincrónica)
Semana 1 Unidad 1. Trabajo independiente de los Presentación el curso.
Sesión 1 Introducción al estudiantes con base en Exposición del docente
análisis de datos ejercicios propuestos en el relacionado con los objetivos y
espaciales en salud notebook del curso. propósitos del análisis de datos
Datos espaciales y sus espaciales en salud y
componentes Epidemiología. Trabajo de los
Sistemas de estudiantes de ejercicios
información propuestos en el notebook del
geográfica (SIG) curso.
Visualización y
modelamiento de
datos espaciales
Estudios
epidemiológicos y
datos espaciales
DOCUMENTO CONTROLADO
DOCUMENTO CONTROLADO
Bibliografía Básica
1. Waller, L. A., & Gotway, C. A. (2004). Applied spatial statistics for public health data (Vol. 368). John Wiley
& Sons.
2. Andrade, A. L., et al. (2007). Introdução à estatística espacial para a saúde pública. Brasil: Ministério da
Saúde. Secretaria de Vigilância em Saúde. Fundação Oswaldo Cruz.
3. Giraldo Henao, R. (2011). Estadística espacial, notas de clase. Bogotá: Universidad Nacional de Colombia.
Bibliografía Complementaria
4. Thomas, D. C. (2009). Statistical methods in environmental epidemiology. Oxford University Press, USA.
5. Bivand, R. S., Pebesma, E. J., Gómez-Rubio, V., & Pebesma, E. J. (2008). Applied spatial data analysis
with R (Vol. 747248717, pp. 237-268). New York: Springer.
6. Peng, R. D., & Dominici, F. (2008). Statistical methods for environmental epidemiology with R. R: a case
study in air pollution and health. New York: Springer.
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
EQUIPO DOCENTE
Horario Espacio de
Nombre Correo Electrónico atención a atención a
Estudiantes estudiantes
(Día –
Hora)
Coordinador(es) Ricardo bordaricardo@unbosque.edu.co
Borda
Docente(s) Jesús jdramos@unbosque.edu.co
David erodriguezar@unbosque.edu.co
Ramos
Emiliano
Rodríguez
Docente(s)
laboratorio
Asesor(es)
Estudiante –
Monitor Ad
Honorem
Información Académica
57. Justificación
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
Este curso está orientado a profesionales de las distintas ramas de las Ciencias de la salud y corresponde a un
curso de profundización en análisis de supervivencia, aplicados a la Biología y Medicina. Esta asignatura empleará
técnicas clásicas de estadística no paramétricas con metodologías enfocadas en el estudio de individuos y el
procesamiento de grandes volúmenes de información.
El análisis de supervivencia es una técnica inferencial que tiene como objetivo esencial modelizar el tiempo tarda
en ocurrir un determinado suceso, es mediante el análisis e interpretación de datos en el campo de la
investigación médica y de la biología que se pretende generar soluciones a problemas reales y ayudar en el
proceso de toma de decisiones acertadas. Desde esta perspectiva, resulta fundamental que los profesionales en
salud creen ventajas comparativas, generando profesionales competentes que sean capaces de aplicar
adecuadamente las distintas metodologías, clásicas y recientes, en especial, en la era digital en la que estamos
inmersos, con grandes volúmenes de datos para ser estudiados.
Dimensión de
Objetivos de aprendizaje
aprendizaje
Los estudiantes aprenderán o estarán en capacidad:
significativo
Profundizarán en los elementos conceptuales y metodológicos que fundamentan la
Biología y la Medicina. Los estudiantes estarán en capacidad de identificar y explicar
Conocimiento los distintos diseños y técnicas estadísticas empleadas en los estudios médicos y
fundamental biológicos; y comprender distintos métodos de inferencia aplicados al estudio de las
ciencias de la salud.
DOCUMENTO CONTROLADO
El curso permite que los estudiantes interactúen con sus compañeros y docentes, a
través de los distintos escenarios de aprendizaje como talleres, proyectos en grupo y
Dimensión humana demás, esta interacción se da gracias al trato tolerante y respetuoso entre las partes.
Los estudiantes podrán verse a sí mismos como profesionales y seres humanos
capaces de lograr metas y generar soluciones eficientes a las distintas problemáticas
de su área de estudio.
El curso ofrece las bases teóricas y prácticas de los métodos estadísticos. Los
Compromiso estudiantes valorarán el conocimiento adquirido en el curso, de tal forma que puede
realizar futuras investigaciones autónomas aplicando las herramientas vistas y
aportando estudios innovadores en su campo de acción.
METODOLOGÍA
La metodología propuesta para todos los cursos se basa en tres principios generales y fundamentales:
Una metodología cooperativa, donde tanto el profesor como el estudiante aportan para la conformación
del cuerpo conceptual del área. El estudiante aporta a través de la lectura de los materiales presentados, la
elaboración de ejercicios y otras actividades propias de su rol y el profesor aporta en la profundización y relación
de los conceptos. A la vez la metodología se nutrirá de los aportes del software utilizado.
La resolución de problemas y orientación de aplicaciones, como una de las tendencias en educación que
buscan un efecto positivo en la relación matemáticas y otros campos del saber. Para el caso particular el campo
propio de las ingenierías.
DOCUMENTO CONTROLADO
El proceso de evaluación tiene como propósito la formación integral del estudiante, sobre la base de una ética
que promueva la tolerancia, la solidaridad, la participación democrática, la creatividad y la equidad; tiene como
principio: ser continua, sistemática, interpretativa y formativa. Está acorde con el propósito de la misión
institucional de: “la promoción de la dignidad de la persona humana en su integralidad y el desarrollo de valores
éticos, morales, estéticos, históricos y tecno-científicos”. Este concepto se puede desglosar en tres partes
esenciales.
1. La evaluación es una actividad sistemática, continua: Es decir que se realiza a lo largo del proceso
de formación del alumno, que se basa en toda clase de datos, informes, pruebas, ejercicios, etc. y que se
sistematiza mediante una serie de sesiones o momentos evaluativos, que se suceden durante el curso. El
docente debe propiciar la evaluación formativa como elemento correctivo y facilitador de la autoevaluación por
parte del estudiante, logrando así los objetivos, los alcances propuestos por este y limitando su labor a ayudar,
corregir y orientar.
2. La evaluación está integrada en el proceso educativo. La evaluación no puede ser algo aparte,
secundario, realizado al final del proceso, debe formar parte de cada tema, de cada unidad, de cada actividad.
Debe encontrarse dentro del mismo proceso, dentro de la programación del trabajo en períodos cortos.
3. La evaluación se relaciona directamente con cada uno de los componentes curriculares. Para
reorientar las debilidades y acentuar las fortalezas determinando hasta qué punto se cumplen los objetivos. En
cuanto a la calificación del aprendizaje se tendrán en cuenta: Talleres resueltos en clase, en casa, parciales,
quices, investigación, exposiciones. Para cada tema se desarrollarán talleres, que podrán ser guiados desde la
tutoría o realizados dentro del proceso de la clase.
62. Cronograma
Actividades
Actividades
Semana/Sesió Independientes de
Módulo y temas acompañamiento directo
n Aprendizaje:
(Presencial o sincrónica)
Asincrónico
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
DOCUMENTO CONTROLADO
Comparación de
dos grupos de
tiempos de
supervivencia.
Semana 3 Covariables y Los estudiantes reforzarán El profesor dará los conceptos y
Sesión 1. modelos de los conceptos aprendidos en fundamentos teóricos junto con
Análisis de supervivencia no clase a través de ejercicios el acompañamiento en la
Regresión paramétricos. en los que aplicarán el aplicación de los conceptos en
para código en datos datos reales.
estimación de relacionados en
riesgo bioestadística.
13. David W. Hosmer Jr. , Stanley Lemeshow , Susanne May . (2008). Applied Survival Analysis:
Regression Modeling of Time-to-Event Data, 2nd Edition. Wiley 10.1002/9780470258019.ch2. ISBN:
978-0-471-75499-2.
14. Moore, Dirk F. (2016). Applied Survival Analysis Using R. Springer
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
15. Rizopoulos, Dimitris. (2012). Joint Models for Longitudinal and Time-to-Event Data: With
Applications in R. Chapman & Hall/CRC Biostatistics Series. Book Depository. ISBN: 10 1439872864
16. Klein, John P., Moeschberger , Melvin L. (2003). Survival Analysis. Techniques for Censored and
Truncated Data. Springer 10.1007/b97377.
17. Kleinbaum, David G., Klein, Mitchel. (2012). Survival Analysis. A Self-Learning Text, Third Edition.
Springer 10.1007/978-1-4419-6646-9.
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
Área de investigación
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
Instructivo de diligenciamiento (No imprimir, ni diligenciar desde la página 1 a la 3)
EQUIPO DOCENTE
Horario Espacio de
Nombre Correo Electrónico atención a atención a
Estudiantes estudiantes
(Día – Hora)
Coordinador(es) Ricardo bordaricardo@unbosque.edu.co
Borda
Docente(s) Ricardo bordaricardo@unbosque.edu.co
Borda
Docente(s)
laboratorio
Asesor(es)
Estudiante –
Monitor Ad
Honorem
Información Académica
64. Justificación
En esta asignatura los estudiantes realzarán la primera fase de su trabajo de grado. La finalidad del curso es
permitir que los estudiantes desarrollen una idea de investigación, la consoliden y expongan su propuesta de
investigación
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
1. Investigación cuantitativa
2. Investigación cualitativa
Dimensión de
Objetivos de aprendizaje
aprendizaje
Los estudiantes aprenderán o estarán en capacidad:
significativo
Los estudiantes de la maestría estarán en capacidad de identificar y comprender la
primera fase de su trabajo de grado.
Conocimiento
fundamental
Los estudiantes Gestionarán todo lo relacionado con la parte administrativa de la
asignatura. Crearán herramientas que le permitan desarrollar el trabajo de grado.
Analizarán las posibles opciones que se presentan para la realización de su trabajo de
grado.
Aplicación
Los estudiantes podrán aplicar los conocimientos vistos otra asignaturas y aplicarlos
en su trabajo de grado
Integración
Mediante el trabajo en equipo y el trabajo en equipo los estudiantes de la maestría
podrán interactuar con profesionales de otras disciplinas.
Dimensión humana
Aprender a aprender
METODOLOGÍA
La metodología propuesta para todos los cursos se basa en tres principios generales y fundamentales:
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
Una metodología cooperativa, donde tanto el profesor como el estudiante aportan para la conformación
del cuerpo conceptual del área. El estudiante aporta a través de la lectura de los materiales presentados, la
elaboración de ejercicios y otras actividades propias de su rol y el profesor aporta en la profundización y relación
de los conceptos. A la vez la metodología se nutrirá de los aportes del software utilizado.
La resolución de problemas y orientación de aplicaciones, como una de las tendencias en educación que
buscan un efecto positivo en la relación matemáticas y otros campos del saber. Para el caso particular el campo
propio de la Estadística.
100% en una única sustentación oral y revisión del documento escrito del trabajo de grado.
69. Cronograma
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
DOCUMENTO CONTROLADO
EQUIPO DOCENTE
Horario Espacio de
Nombre Correo Electrónico atención a atención a
Estudiantes estudiantes
(Día – Hora)
Coordinador(es) Ricardo bordaricardo@unbosque.edu.co
Borda
Docente(s) Ricardo bordaricardo@unbosque.edu.co
Borda
Docente(s)
laboratorio
Asesor(es)
Estudiante –
Monitor Ad
Honorem
Información Académica
71. Justificación
En esta asignatura los estudiantes desarrollaran y finalizan su trabajo de grado. La finalidad del curso es permitir
que los estudiantes desarrollen su idea de investigación y la expongan al final
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
Desarrollo de la investigación
Dimensión de
Objetivos de aprendizaje
aprendizaje
Los estudiantes aprenderán o estarán en capacidad:
significativo
Los estudiantes de la maestría estarán en capacidad de identificar y comprender la
primera su trabajo de grado.
Conocimiento
fundamental
Los estudiantes Gestionarán todo lo relacionado con la parte administrativa de la
asignatura. Crearán herramientas que le permitan desarrollar el trabajo de grado.
Analizarán las posibles opciones que se presentan para la realización de su trabajo de
grado.
Aplicación
Los estudiantes podrán aplicar los conocimientos vistos otra asignaturas y aplicarlos
en su trabajo de grado
Integración
Mediante el trabajo en equipo y el trabajo en equipo los estudiantes de la maestría
podrán interactuar con profesionales de otras disciplinas.
Dimensión humana
Aprender a aprender
METODOLOGÍA
La metodología propuesta para todos los cursos se basa en tres principios generales y fundamentales:
Una metodología cooperativa, donde tanto el profesor como el estudiante aportan para la conformación
del cuerpo conceptual del área. El estudiante aporta a través de la lectura de los materiales presentados, la
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO
elaboración de ejercicios y otras actividades propias de su rol y el profesor aporta en la profundización y relación
de los conceptos. A la vez la metodología se nutrirá de los aportes del software utilizado.
La resolución de problemas y orientación de aplicaciones, como una de las tendencias en educación que
buscan un efecto positivo en la relación matemáticas y otros campos del saber. Para el caso particular el campo
propio de la Estadística.
100% en una única sustentación oral y revisión del documento escrito del trabajo de grado.
76. Cronograma
Código: F-GP-06-01
GESTIÓN DE LOS PROGRAMAS
Versión: 1, 30-07-2020
DOCUMENTO CONTROLADO