cursos profesor titular cursos profesor titular cursos ... · probabilidad, por lo que el ... los...

Plan de estudios del programa

MÉTODOS ESTADÍSTICOS 2012-2013

MODULO I. Iniciación al pensamiento estadístico

cursos Profesor titular

Probabilidad básica e inferencia estadística José Luis Colorado Hernández

Estadística Exploratoria e inferencia básica Yesenia Zavaleta Sánchez

Métodos no paramétricos Lourdes Velasco Vázquez

MODULO II. Análisis de datos


Diseño y análisis de muestreo Claudio Rafael Castro López

Diseño y análisis de estudios experimentales Jesús Hernández Suárez

Regresión lineal Diana E. Valderrabano Velasco

Análisis Multivariante I Aurora Montano Rivas

MODULO III. Modelación

Cursos Profesor titular

Modelación de datos discretos Sergio Juárez Cerrillo

Series de tiempo Sergio Hernández González

MODULO IV. Área de aplicación


Optativa 1 Profesor invitado

Optativa 2 Profesor invitado

MODULO V. Diseño y realización del trabajo de titulación


Elaboración de protocolo María Luisa Hdez. Maldonado

Desarrollo del documento recepcional María Luisa Hdez. Maldonado

Presentación del documento recepcional María Luisa Hdez. Maldonado

Figura 8.1 Asignaturas y profesores titulares

A continuación, en el mismo orden de la Figura 8.1, se presentan los

programas de cada asignatura.

Programas de estudios

Nombre de la Experiencia Educativa: Probabilidad Básica e Inferencia

Estadística

Número de créditos: ___6__ Intensidad semanal: ___15___ Total de horas:

___60___

Horas teóricas: __30_____ Horas prácticas: ___ 30____ Modalidad:

____Curso____

Justificación: La base de la modelación estadística y de los métodos y procedimientos inferenciales es la

probabilidad, por lo que el desarrollo de un pensamiento basado en una serie de conceptos y

reglas básicas de la teoría matemática de la probabilidad, así como una serie de habilidades para

plantear y resolver problemas de probabilidad utilizando las diferentes definiciones y enfoques,

permitirá una preparación fundamental para desarrollar competencias en la aplicación de la

metodología estadística.

Por otro lado, el estudio sistemático del enfoque de modelación estadística requiere del dominio

del álgebra de distribuciones y de funciones de densidad de probabilidad, así como el dominio de

los conceptos básicos de la teoría clásica de distribuciones de estadísticos muéstrales, que

derivan en las principales distribuciones probabilísticas utilizadas para los procesos la inferencia

estadística en general (Z, t, y F).

Objetivo: Desarrollar en el participante el pensamiento probabilístico y de inferencia estadística básicos, que

se expresan en competencias para plantear y resolver problemas utilizando los principios,

conceptos y reglas de la probabilidad y de la teoría básica de las distribuciones del muestreo.

Competencias a desarrollar: 1. Plantear y resolver problemas en el ámbito de diferentes disciplinas que impliquen la

aplicación de los principios, conceptos y reglas de la probabilidad básica, realizando

interpretaciones válidas de los resultados, utilizando los diferentes enfoques de interpretación.

2. Desarrollar y expresar esquemas conceptuales en el marco de problemas reales, donde se

ponga de manifiesto el pensamiento probabilístico.

3. Aplicar apropiadamente las reglas y procedimientos de la teoría clásica de distribuciones

muéstrales en la deducción de resultados básicos de la inferencia estadística,

contextualizados en el marco de problemas de las diferentes disciplinas.

4. Diseñar y desarrollar discursos válidos donde se establezca la relación fundamental entre la

teoría de la probabilidad y la de la inferencia estadística, contextualizándolos en el ámbito de

las diferentes disciplinas.

Contenidos temáticos:

TEMAS Y SUBTEMAS Horas Referencias

I. Conceptos Básicos y Álgebra de Eventos.

I.1 Fenómenos aleatorios y espacio muestral. I.2 Álgebra de eventos en espacios muéstrales finitos. I.2 Función de probabilidad. I.3. Probabilidad condicional y regla de Bayes. I.4. Independencia.

6T,4P 1, 2, 3, 4, 5

II. Variables Aleatorias y Distribuciones de Probabilidad

II.1. Variable aleatoria y distribución de probabilidad.

II.2. Variables aleatorias discretas y variables aleatorias continuas.

II.3. Funciones de variables aleatorias. II.4. Momentos de variables aleatorias.

II.5. Valor esperado y varianza. III.1 Distribuciones discretas. III.1. Bernoulli. III.2. Binomial. III.3. Geométrica. III.4. Poisson. III.5. Binomial negativa. III.6 Hipergeométrica.

12T,12P 1, 2, 3, 4, 5

III. Algunas Distribuciones Continuas

III.1 Distribución Uniforme. III.2. Distribución Beta. III.3. Distribución Exponencial. III.4. Distribución Gamma. III.5. Distribución Normal.

6T,8P 1, 2, 3, 4, 5

IV. Distribuciones Muéstrales

IV.1. Muestras aleatorias. IV.2. Estadísticos. IV.3. Teorema Central del Límite. IV.4. Distribuciones derivadas del muestreo. IV.4.1. Distribución ji-cuadrada. IV.4.2. Distribución t. IV.4.3. Distribución F.

6T,6P 1, 2, 3, 4, 5

Actividades de aprendizaje:

1. Los temas deben ser presentados en conferencias previamente preparadas con apoyos

visuales, de preferencia a partir de presentaciones en Power Point.

2. Los estudiantes deben realizar actividades de estudio independiente o en equipos utilizando

la bibliografía y los materiales que les deben ser entregados con antelación.

3. Los estudiantes deben realizar ejercicios y prácticas supervisadas utilizando el software

estadístico disponible.

4. Los estudiantes deben realizar presentaciones de ejercicios resueltos, ilustraciones y

aplicaciones de los temas revisados en las conferencias y estudiados independientemente.

Estas sesiones deberán ser planeadas y coordinadas por el instructor del curso, y

preferentemente propiciar el trabajo en equipo.

5. Cada uno de los estudiantes debe desarrollar un trabajo final, con un contenido y en una

forma determinados, que muestre sus competencias para aplicar el pensamiento

probabilístico y de la teoría de distribuciones en el ámbito de su disciplina o desempeño

laboral.

Evaluación de desempeño:

Se proponen los siguientes criterios y procedimientos de evaluación:

1. Considerar la participación activa (sesiones de preguntas) en las conferencias (15%).

2. Valorar las prácticas y ejercicios realizados bajo supervisión (15%).

3. Evaluar la presentación oral de las prácticas, ejercicios e ilustraciones realizadas en equipos

(20%).

4. Valorar significativamente la realización del trabajo final, para el que debe existir lineamientos

y una guía que especifique claramente el procedimiento y los elementos para su elaboración

(50%).

Referencias:

1. Freud, J.E. y Walpole, R.E. (1990). Estadística Matemática con Aplicaciones,

Prentice-Hall.

2. Mendehall, W., Sheaffer R. Y Wackerly, D. (1986). Estadística Matemática con

Aplicaciones. Grupo Editorial Iberoamericano.

3. Torres, P. (1989) Probabilidad Discreta. Textos Universitarios, U.V.

4. Walpole R.F. y Myers, R.H. (1992). Proba

5. DeGroot M.H. (1988) Probabilidad y Estadística. Adisson-Wesley.

Nombre de la Experiencia Educativa: Estadística Exploratoria e Inferencia Básica

Número de créditos: ___6___ Intensidad semanal: ___15___ Total de horas:

___60___________

Horas teóricas: ____30___ Horas Prácticas: ___30___ Modalidad:

_____Curso_______

Justificación:

El proceso de investigación que va desde la recopilación de datos hasta la utilización de los

modelos probabilísticos para efectuar inferencias estadísticas, es la base de la aplicación de los

métodos básicos; el objetivo de la mayoría de las investigaciones estadísticas es realizar una

inferencia con respecto a uno o más parámetros de la población. Estas inferencias se expresan en

una de dos maneras, como estimación de los parámetros respectivos o como pruebas de hipótesis

referentes a sus valores. El estudio de estas dos maneras de hacer inferencia permitirá una

preparación para desarrollar competencias en la aplicación de la metodología estadística, siempre

que la utilización de estos procedimientos se haga en el marco de los problemas reales.

Objetivo:

Preparar al participante para que desarrolle las competencias que le permitan una apropiada

aplicación de los métodos básicos de inferencia estadística, contextualizados en el marco de

problemas reales de las distintas disciplinas.

Competencias a desarrollar:

1. Plantear y resolver problemas en el ámbito de diferentes disciplinas que impliquen la

aplicación de los métodos básicos de la inferencia estadística, realizando interpretaciones

válidas de los resultados, deduciendo conclusiones y recomendaciones válidas.

2. Desarrollar y expresar esquemas conceptuales en el marco de problemas reales, donde se

ponga de manifiesto la aplicación de los métodos básicos de la inferencia estadística.

3. Aplicar apropiadamente los métodos básicos de la inferencia estadística, contextualizados en

el marco de problemas de las diferentes disciplinas.

4. Diseñar y desarrollar discursos válidos donde se establezca el pensamiento estadístico

expresado en la apropiada aplicación de los métodos básicos de la inferencia estadística.



I. Análisis Exploratorio e Inicial de Datos

I.1 Escalas de medición. I.2 Descripción de datos. I.3 Medidas de tendencia central. I.4 Medidas de dispersión. I.5 Histogramas y diagramas de caja. I.6 Diagramas de dispersión. I.7 Coeficiente de correlación.

4T,4P

1, 2, 4

II. Inferencia Estadística

II.1 Modelos estadísticos. II.2 Inferencia usando modelos de probabilidad. II.3 Estimación puntual y por intervalo. II.3.1 Estimadores insesgados. II.3.2 Estimadores consistentes. II.3.3 Error estándar. II.3.4 Eficiencia, eficiencia relativa. II.3.5 Estimadores de máxima verosimilitud. II.3.6 La función de verosimilitud. II.3.7 Error estándar del estimador de máxima

verosimilitud. II.3.8 Intervalos de confianza. II.4 Pruebas de significancia. II.4.1 Valores p. II.5 Inferencia Bayesiana. II.5.1 Distribución a priori. II.5.2 Distribución posterior. II.5.3 Intervalos plausibles. II.5.4 Pruebas de hipótesis. II.5.5 Factores de Bayes.

20T,12P

1, 2, 4

III. Inferencia Estadística

III.1 Inferencia bajo normalidad. III.2 Inferencia para una media. III.3 Inferencia para dos medias independientes. III.4 Inferencia para dos medias pareadas. III.5 Inferencia para una proporción. III.6 Inferencia para dos proporciones. III.7 Inferencia para una varianza. III.8 Inferencia para dos varianzas.

6T,14P

1, 2, 3, 4, 5


1. Los temas deben ser presentados en conferencias previamente preparadas con los apoyos


2. Los estudiantes deben realizar actividades de estudio independiente o en equipos utilizando la

bibliografía y los materiales que les deben ser entregados con antelación.





Estas acciones deberán ser planeadas y coordinadas por el instructor del curso, y


5. Cada uno de los estudiantes debe desarrollar un trabajo final, con un contenido y en una

forma determinados, que muestre sus competencias para aplicar los métodos básicos de

inferencia estadística en el ámbito de su disciplina o desempeño laboral.




3. Evaluar la presentación oral de las prácticas, ejercicios e ilustraciones realizadas en equipo

(20%).

4. Valorar significativamente la realización del trabajo final, para el que debe existir lineamientos

y una guía que especifique claramente el procedimiento y los elementos para su elaboración

(50%).

Referencias: 1. Andrew, F. S. and Charles, J. M. (1988). Statistics and Data Analysis an Introduction.

John Wiley & Sons Inc.

2. Larry, J. K. (1998). Exploring Statitics a Modern Introduction to Data Analysis an

Inference, Second Edition, Duxbury Press, USA.

3. Robert, M. Bethea and Benjamin, S. D. (1985). Statistical Methods for Engineers and

Scientistics, Second Edition, Marcel Dekker, Inc. New York and Basel.

Nombre de la Experiencia Educativa: Métodos no paramétricos

Número de créditos: ___5___Intensidad semanal: __15____ Total de horas:

___45___

Horas teóricas: __15___ Horas Prácticas: _30___ Modalidad: ___Curso–Taller____

Justificación:

Los recursos de la estadística para la ciencia pueden considerarse como un conjunto de

herramientas conceptuales que poseen sus propias condiciones de aplicación y pautas de

uso. Los procedimientos no paramétricos o de distribución libre se usan con mayor

frecuencia por los analistas de datos. Existen muchas aplicaciones en la ciencia y la

ingeniería donde los datos se reportan no como valores de un continuo sino más bien en

una escala ordinal tal que es bastante natural asignar rangos a los datos. Así los

participantes podrán aplicar los métodos más idóneos para el correcto análisis de datos

relevantes mediante un paquete estadístico y la interpretación de los resultados.

Objetivo:

Preparar al participante para que desarrolle las competencias que le permitan una

apropiada aplicación de los métodos de estadística no paramétrica, contextualizados en el

marco de problemas reales de las distintas disciplinas.


1. Presentar los aspectos importantes y los procedimientos de la estadística no

paramétrica.

2. Aplicar adecuadamente los métodos no paramétricos en el marco de problemas

reales

3. Desarrollar y expresar procedimientos y estrategias generales en el marco de

problemas reales, donde se ponga de manifiesto la aplicación de estos métodos.



I. Introducción a los métodos no paramétricos 1T, 1P

I.1Estadistica no paramétrica

I.2 Hipótesis de localización y escala

II. pruebas de bondad de ajuste 2T, 3P

II.1 Prueba ji-cuadrada

II.2 Prueba Kolmogorov-Smirnov

II.3 Prueba Lilliefors

II.4 Prueba de Cramer-Von Mises

III. Método para una muestra 2T, 5P

III.1 Prueba binomial para una proporción III.1.1 Estimación por intervalo III.2 Prueba del signo III.2.1 Estimación por intervalo III.3 Pruebas de rangos con signo de Wilconxon III.3.1 Estimación por intervalo III.4 Prueba de rachas

IV. Método para dos muestras 4T, 8P

IV.1 Muestras Relacionadas

IV.1.1 Prueba de Wilconxon para observaciones

pareadas

IV.1.1.1 Estimación por intervalo

IV.1.2 Prueba de McNemar

IV.2 Muestras independientes

IV.2.1 Prueba de Mann-Whitney

IV.2.1.1 Estimación por intervalo

IV.2.2 Prueba de Kolmogorov-Smirnov para

comparar dos poblaciones

IV.2.3 Prueba de Wald-Wolfowitz de rachas

IV.2.4 Prueba exacta de Fisher.

IV.2.5 Prueba de la mediana.

IV.2.6Prueba ji-cuadrada para independencia

IV.2.7 Prueba ji-cuadrada para homogeneidad

V. Método para tres o más muestras 4T, 8P

V.1 Muestra Relacionadas

V.1.1 Prueba de Friedman para análisis de varianza de

dos entradas

V.1.2 Prueba Q de Cochran

V.1.3 Comparaciones múltiples

V.1.3.1 Estimación por intervalo

V.1 Muestra independientes

V.1.1 Prueba de la mediana

V.1.2 Prueba de Kruskall-Wallis

V.1.3 Método de Dunn

VI.1 Medidas de asociación 2T, 5P

VI.1 Medidas de asociación VI.2 Coeficiente de correlación de Spearman VI.2.1 Estimación por intervalos VI.3 Coeficiente de Kendall de concordancia VI.3.1 Estimación por intervalos VI.4 Pruebas de significancia Rho VI.5 Tau de Kendall.


1. Los temas serán presentados por especialistas de la materia.

2. Los estudiantes desarrollarán actividades de estudio independiente y preparación de

sesiones donde revisarán a profundidad los resultados teóricos, metodológicos e

ilustraciones.

3. Los estudiantes desarrollarán y presentarán avances en el marco de su proyecto de

investigación, puede ser de su trabajo recepcional.

4. Solución de problemas reales, dentro del área en que el estudiantes se desarrolle.


1. Se tomará en cuenta las asistencias, participación y exposición de los estudiantes (15%).

2. Se evaluará la presentación y el material escrito entregado para cada sesión a cargo

del estudiante (35%). 3. La presentación final de la aplicación de los métodos no paramétricos a datos reales

en el marco de un proyecto, puede ser de su trabajo recepcional y/o algún artículo, será un producto altamente significativo del curso (50%)

Referencias:

1. Daniel, W. (1990) Applied Nonparametric Statistics, 2nd ed. PWS Kent: Boston.

2. Lehmann, E.L. (1975). Nonparametrics: Statistical Methods Based on Ranks. Holden Day; San Francisco

3. Conover, W.J. (1999). Practical Nonparametric Statistics, 3rd Edition. Wiley; New York.

4. Hollander, M., and Wolfe, D.A. (1972). Nonparametric Statistical Methods. Wiley; New York.

5. Myles, H. and Douglas, A. W. (1999). Nonparametric Statistical Methods, Second Edition, John, Wiley.

6. Spren, P. and Smeton, N.C. (2001). Applied Nonparametric statistical Methods, Third Edition, Chapman&Hall/CRC.

Nombre de la Experiencia Educativa: Diseño y Análisis de Muestreo

Número de créditos: ___5___ Intensidad semanal: ___15___ Total de horas: ___60___

______

Horas teóricas: ___15___ Horas Prácticas: ___45___ Modalidad: ____Curso-

Taller____

Justificación:

Diseñar un muestreo, aunque se reduce a decidir cuántas unidades de estudio se

obtendrán y de qué forma se hará su obtención, tiene una implicación del conocimiento y

manejo de conceptos y procedimientos que conforman el diseño muestral. En este

sentido, el diseño de una muestra representativa y de suficiente tamaño para contestar las

preguntas de investigación es una actividad fundamental en múltiples aplicaciones de la

metodología estadística, tanto en ciencias biológicas como sociales.

Objetivo:

Garantizar que el participante adquiera la formación de competencias para diseñar y

conducir apropiadamente muestreos en el marco de estudios e investigaciones factuales.


1. Identificar los principios, procedimientos y conceptos clave del diseño muestral en el

marco de investigaciones factuales.

2. Aplicar apropiadamente las estrategias del probabilístico y no probabilístico en casos

concretos de investigación factuales.

3. Diseñar y desarrollar discursos válidos y técnicamente correctos que presenten en

una visión crítica las estrategias de diseño muestral.



I. Introducción a las técnicas de muestreo

I.1 conceptos básicos

I.2 fases de un estudio de muestreo

I.3 Planteamiento de un problema de muestreo

I.4 consideraciones en la elaboración de un cuestionario

2T,2P

II. Diseños de Muestreo probabilísticos

II.1 Muestreo Aleatorio Simple (MAS). II.1.1 Estructura de la población y esquema de muestreo. II.1.2 Estimación puntual y por intervalo de medias, proporciones y totales.

II.1.3 Tamaño de muestra para media, total y proporción.

II.2 Muestreo Sistemático.

6T,20P 1,2,3,4

II.2.1 Estructura de la población y esquema de muestreo.

II.2.2 Estimación puntual y por intervalo. II.3 Uso de variables auxiliares

II.3.1 Estimación de razón. II.3.2 Estimación de regresión.

II.4 Muestreo Aleatorio Estratificado (MAE). II.4.1 Estructura de la población y esquema de

muestreo. II.4.2 Principio de estratificación. II.4.3 Estimación puntual y por intervalo. II.4.4 Determinación y asignación de tamaño de

muestra. II.4.5 Precisión relativa del MAE con respecto al MAS.

II.5 Muestreo por Conglomerado en una Etapa. II.5.1 Estructura de la población y esquema de

muestreo. II.5.2 conglomerados de tamaños iguales II.5.2.1 Estimación puntual y por intervalo de

medias, proporciones y totales II.5.2.2 Determinación de tamaño de muestra

II.5.3 Conglomerados de tamaños diferentes II.5.3.1 Estimación puntual y por intervalo de

medias, proporciones y totales. II.5.3.2 Determinación de tamaño de muestra

II.6 Muestreo por Conglomerados en dos Etapas. II.6.1 Estructura de la población y esquema de

muestreo. II.6.2 Estimación puntual y por intervalo II.6.3 Determinación del tamaño de la muestra

III. Diseño de Muestreo no Probabilísticos

III.1 muestreo por cuotas III.2 muestreo bola de nieve III.3 muestreo por redes III.4 muestreo por conveniencia III.5 muestreo causal

5T, 16P

IV. Proyecto de aplicación

IV.1 Planteamiento y objetivos de un problema IV.1.1 El marco conceptual y objetivo del muestreo. IV.1.2 Población de referencia, de muestreo y unidades de estudio.

IV.2 Variables a medir y elaboración del cuestionario. IV.2.1 validación del instrumento

2T,7P 1,2,3,4


1. Los temas deben ser presentados en conferencias previamente preparadas con

apoyos visuales, de preferencia a partir de presentaciones de Power Point.

2. Los estudiantes deben realizar actividades de estudio independiente o en equipos

utilizando la bibliografía y los materiales que les deben ser entregados con

antelación.

3. Los estudiantes deben realizar prácticas supervisadas de diseño de estudios

muéstrales, las que posteriormente deben ser presentadas y discutidas en grupo,

bajo la planeación y coordinación del instructor.

4. Cada estudiante debe realizar un trabajo final que presente un diseño muestral en el

contexto de un estudio o investigación factual, con un contenido y forma

predeterminados.





3. Evaluar la presentación oral de las prácticas, ejercicios e ilustraciones realizadas en equipos (20%).

4. Valorar significativamente la realización del trabajo final, para el que debe existir lineamientos y una guía que especifique claramente el procedimiento y los elementos para su elaboración (50%).

Referencias:

1. Sharon L. (2000). Muestreo: Diseño y análisis. International Thompson Editores.

2. Pérez, L. (2000). Técnicas de muestreo estadístico teoría, práctica y aplicaciones informáticas. RA – MA Editorial.

3. Azorín, P. y Sánchez C. Métodos y aplicaciones de muestreo. Madrid, Alianza

4. Cochran, G. (1971). Técnicas de muestreo. CECSA, México.

5. Raj, D. (1979). La estructura de las encuestas por muestreo. Fondo de cultura económica. México.

6. Raj, D. (1980). Teoría de muestreo. Fondo de cultura económica. México.

7. Kish, L (1979). Muestreo de encuestas. Trillas México.

Nombre de la Experiencia Educativa: Diseño de Estudios Experimentales

Número de créditos: ___5___ Intensidad semanal: ___15___ Total de horas:

___60__

Horas teóricas: ___15___ Horas Prácticas: ___45___ Modalidad: ___Curso–Taller____

Justificación:

El diseño del experimento es una actividad que es fundamental en la aplicación de la metodología

estadística a los estudios experimentales, ya que debe seguirse directamente de los objetivos y

preguntas de investigación y tener en cuenta las restricciones o dificultades prácticas en el análisis

empírico de la relación causa efecto bajo estudio. El diseño de un experimento estadístico define

el tipo de modelo que habrá de usarse para los análisis y su adecuada conducción condiciona la

validez de los supuestos. Es una actividad donde el conocimiento estadístico es fundamental, pero

sólo en conjunción con un conocimiento profundo del fenómeno bajo estudio.

Objetivo:

Garantizar que el participante maneje los conocimientos, las habilidades y genere los elementos

de creatividad que le permitan el diseño estadístico de experimentos en el marco de

investigaciones experimentales.


1. Identificar los principios y procedimientos así como los conceptos clave del diseño estadístico

de experimentos en investigaciones factuales.

2. Aplicar correctamente las estrategias de diseño experimental en casos concretos de

investigaciones factuales concretas.

3. Diseñar y desarrollar discursos técnicamente correctos que presenten en una visión crítica los

diferentes planes y diseños experimentales.



I. Fases de una Investigación Experimental

I.1 El marco teórico y la relación causa-efecto bajo

estudio.

I.2 Las preguntas de investigación y la hipótesis.

I.3 Identificación de factores, niveles y tratamientos.

I.4 La unidad experimental, la variable respuesta y los

métodos de medición.

I.5 La planeación del experimento

I.6 El desarrollo del experimento.

I.7 El análisis del experimento.

I.8 El reporte y la difusión de resultados.

2T,5P 1,2,8,9,10

II. Principios Estadísticos de la Experimentación

II.1 Replicación.

II.2 Aleatorización.

II.3 Control local

2T,10P 3,6,8,11

III. Diseños Experimentales Simples

III.1 Diseño completamente al azar.

III.2 Diseño en bloques completos al azar.

III.3 Diseño en cuadros latinos.

4T,12P 3,4,5,6,8,11,12

IV. Experimentos Factoriales

IV.1 Factoriales completos.

IV.2 Factores 2k.

IV.3 Factores 3k.

IV.4 Factorial fraccionado

IV.5 Parcelas divididas

IV.6 Superficies de respuesta

7T,18P 3,8

Actividades de aprendizaje: 1. Los temas deben ser presentados en conferencias previamente preparadas con

apoyos visuales, de preferencia a partir de presentaciones de Power Point.


utilizando la bibliografía y los materiales que les deben ser entregados con antelación.

3. Los estudiantes deben realizar prácticas supervisadas de diseño de estudios

experimentales, las que posteriormente deben ser presentadas y discutidas en grupo,

bajo la planeación y coordinación del instructor.

4. Cada estudiante debe realizar un trabajo final que presente un diseño experimental

en el contexto de un estudio o investigación factual, con un contenido y forma

predeterminados.





3. Evaluar la presentación oral de las prácticas, ejercicios e ilustraciones realizadas en

equipos (20%).

4. Valorar significativamente la realización del trabajo final, para el que debe existir

lineamientos y una guía que especifique claramente el procedimiento y los elementos

para su elaboración (50%).

Referencias: 1. Box, G.E.P., Hunter, W.G., Hunter, J.S. (1993). Estadística para investigadores. Edit Reverté,

Madrid, España.

2. Cobb, G.W. (1997). Introduction to design and analysis of experiments. Springer, Verlag.

3. Cochran, W. and Cox, G. (1992). Experimental Designs, Second Edition, John Wiley & Sons Inc, New York, USA.

4. Hicks, C.R. Turner, K.V. (199). Fundamental Concepts in the Designs of Experiments. Oxford University. Press.

5. Hinkelman, K. and Kempthorne, O. ( ). Design and Analysis of Experiments, Iowa State University Press/Ames.

6. Martínez, G. A. (1988). Diseños Experimentales, Edit. Trillas, México.

7. Mason, R.L., Gunst, R.F., Hess, J.L. (1989). Statistical Design and Analysis of Experiments. Wiley & Sons Inc, New York, USA.

8. Montgomery, D.C. (1991).Diseño y Análisis de Experimentos, Iberoamérica, México.

9. Ott, R.L. (1988). An introduction to statistical methods and data analysis, edit. Duxbury press, Belmont, California, USA.

10. Petersen, R.G. (1985). Design and Analysis of Experiments. Marcel Dekker, New York, USA.

11. Snedecor, G. and Cochran, W. (1994). Statistical Methods, Octava Edición, Iowa State University Press/Ames.

12. Steel, R. y Torrie, J. (1993). Bioestadística: Principios y Procedimientos, Segunda Edición, McGraw-Hill.

13. Cox and N.Reid. (2000) The theory of the design of experiments, Chapman B HALL/CRC.

14. Dean A., Voss, D. (2000) Design and analysis of experiments, Springer.

15. Análisis y diseño de experimentos (2004). Humberto Gutiérrez Pulido, Román de la Vara Salazar. Edit. McGraw Hill-Interamericana S.A de C.V. México.

16. Experimentos: Estrategia y análisis en Ciencia y Tecnología (2003). Eduardo Castaño Tostado, Jorge Domínguez Domínguez, Edit. S y G Editores, S.A. de C.V. México.

Nombre de la Experiencia Educativa: Regresión lineal.

Número de créditos: ___6____ Intensidad semanal: ___15____ Total de horas: __60__

Horas teóricas: ____30____ Horas Prácticas: ____30____ Modalidad:

____Curso____

Justificación:

Un objetivo de la ciencia es encontrar relaciones entre eventos que ocurren en el mundo

para poder describirlos, interpretarlos y modelarlos. Por ello los modelos estadísticos

lineales se han convertido en un valioso instrumento para las investigaciones en general.

Por otro lado, las técnicas de Análisis de Varianza (anova) y regresión Lineal, prevén un

esquema adecuado para resolver problemas de una amplia aplicación en muchas

disciplinas, la cuales involucra el criterio de prueba de hipótesis de su interés.

El curso pondrá de manifiesto los principios estadísticos en los cuáles se basa el anova,

ancova y regresión lineal. Así los participantes podrán aplicar los métodos más idóneos

para el correcto análisis de datos relevantes mediante un paquete estadístico y la

interpretación de los resultados.

Objetivo:

Proporcionar los conocimientos y habilidades necesarias para el análisis de los modelos

de varianza y de regresión lineal más usuales, que le permitan desarrollar estrategias

para la interpretación de los resultados utilizando un paquete estadístico.


1. Presentar los aspectos importantes y los procedimientos de análisis de los modelos

de anova, ancova y regresión.

2. Aplicar apropiadamente los resultados metodológicos de la inferencia estadística de

estimación y prueba de hipótesis en el marco de éstos modelos.


problemas reales, donde se ponga de manifiesto la aplicación de estos modelos.

4. Diseñar y desarrollar discursos válidos donde se establezca el pensamiento

estadístico expresado en la apropiada aplicación de los modelos anova, ancova y

regresión.



I. El Modelo de Regresión Lineal Simple

I.1 El Modelo de regresión lineal simple. I.2 Estimadores de mínimos cuadrados. I.3 Propiedades de los estimadores. I.4 Inferencia en el modelo de regresión lineal simple.

I.4.1 Inferencia para los coeficientes de regresión. I.4.2 Inferencia para la función de regresión. I.4.3 Predicción.

7T, 7P

9,10,11,15

II. El Modelo de Regresión Lineal Múltiple

II.1 El Modelo de regresión lineal múltiple. II.2 Estimadores de mínimos cuadrados. II.3 Propiedades de los estimadores. II.4 Inferencia en el modelo de regresión lineal simple.

II.4.1 Inferencia para los coeficientes de regresión. II.4.2 Inferencia para la función de regresión. II.4.3 Predicción.

8T, 8P

9,10,11,15

III. Diagnóstico y Medidas Remédiales

III.1 Análisis gráfico de los residuos. III.2 Observaciones de influencia y outliers. III.3 Transformaciones.

III.3.1 Transformaciones en la variable respuesta. III.3.2 Transformaciones en las variables explicatorias. III.3.3 Transformaciones a ambos lados. III.3.4 Transformación de Box-Cox.

III.4 Colinealidad. III.4.1 Remedio de la Colinealidad.

III.5 Proceso de modelación estadística. III.5.1 Selección de variables.

15T,15P 3,7,8,11,14


1. Los temas deben ser presentados en conferencias previamente preparadas con los

apoyos visuales, de preferencia a partir de presentaciones en Power Point.



3. Los estudiantes deben realizar ejercicios y prácticas supervisadas utilizando el

software estadístico disponible.


aplicaciones de los temas revisados en las conferencias y estudiados

independientemente. Estas acciones deberán ser planeadas y coordinadas por el

instructor del curso, y preferentemente propiciar el trabajo en equipo.

5. Cada uno de los estudiantes debe desarrollar un trabajo final, con un contenido y en

una forma determinados, que muestre sus competencias para aplicar los métodos

básicos de inferencia estadística en el ámbito de su disciplina o desempeño laboral.





equipo (20%).




Referencias:

1. Box, G.E.P., Hunter, W.G., Hunter, J.S. (1993). Estadística para investigadores. Edit

Reverté, Madrid, España.

2. Cobb, G.W. (1997). Introduction to design and analysis of experiments. Springer,

Verlag.

3. Cochran, W. and Cox, G.( 1992). Experimental Designs, Second Edition, John Wiley

& Sons Inc, New York, USA.

4. Hicks, C.R. Turner, K.V. (199). Fundamental Concepts in the Designs of

Experiments. Oxford University. Press.

5. Hinkelman, K. and Kempthorne, O. ( ). Design and Analysis of Experiments, Iowa

State University Press/Ames.

6. Martínez, G. A. (1988). Diseños Experimentales, Edit. Trillas, México.

7. Mason, R.L., Gunst, R.F., Hess, J.L. (1989). Statistical Design and Analysis of

Experiments. Wiley & Sons Inc, New York, USA.

8. Montgomery, D.C. (1991).Diseño y Análisis de Experimentos, Iberoamérica, México.

9. Montgomery, C. Douglas, Peck, Elizabeth, Vining, G. (2002). Introducción al Análisis

de Regresión, 3ª. Edic. CECSA

10. Neter, J; Waeerman, W. and Kutner, M.H. (1990). Applied Linear Statistical Models,

3º Ed. Irwin.

11. Ott, R.L. (1988). An introduction to statistical methods and data analysis, edit.

Duxbury press, Belmont, California, USA.

12. Petersen, R.G. (1985). Design and Analysis of Experiments. Marcel Dekker, New

York, USA.

13. Snedecor, G. and Cochran, W. (1994). Statistical Methods, Octava Edición, Iowa

State University Press/Ames.

14. Steel, R. y Torrie, J. (1993). Bioestadística: Principios y Procedimientos, Segunda

Edición, McGraw-Hill.

15. 15. Thomas, P. Ryan. (1997) Modern Regression Methods, Wiley & Sons Inc, New

York, USA.

Nombre de la Experiencia Educativa: Análisis Multivariante I.

Número de créditos: ___6___ Intensidad semanal: ___15___ Total de horas: ___60___

Horas teóricas: ____30____ Horas Prácticas: __30___ Modalidad: _Curso-Taller__

Justificación:

El proceso de investigación que va desde la recopilación de datos hasta la utilización de

los modelos probabilísticos para efectuar inferencias estadísticas, es la base de la

aplicación de los métodos básicos; el objetivo de la mayoría de las investigaciones

estadísticas es realizar una inferencia con respecto a uno o más parámetros de la

población. Estas inferencias se expresan en una de dos maneras, como estimación de los

parámetros respectivos o como pruebas de hipótesis referentes a sus valores. El estudio

de estas dos maneras de hacer inferencia permitirá una preparación para desarrollar

competencias en la aplicación de la metodología estadística, siempre que la utilización de

estos procedimientos se haga en el marco de los problemas reales.

Objetivo:

Preparar al participante para que desarrolle las competencias que le permitan una apropiada aplicación de los métodos básicos de inferencia estadística, contextualizados en el marco de problemas reales de las distintas disciplinas.


1. Plantear y resolver problemas en el ámbito de diferentes disciplinas que impliquen la

aplicación de los métodos básicos de la inferencia estadística, realizando

interpretaciones válidas de los resultados, deduciendo conclusiones y

recomendaciones válidas.

2. Desarrollar y expresar esquemas conceptuales en el marco de problemas reales,

donde se ponga de manifiesto la aplicación de los métodos básicos de la inferencia

estadística.

3. Aplicar apropiadamente los métodos básicos de la inferencia estadística,

contextualizados en el marco de problemas de las diferentes disciplinas.

4. Diseñar y desarrollar discursos válidos donde se establezca el pensamiento estadístico

expresado en la apropiada aplicación de los métodos básicos de la inferencia

estadística.



I. Introducción al análisis multivariado

I.1 El enfoque multivariante I.2 Distribuciones multivariantes 1.2.1 Matriz de datos. 1.2.2 Vector de medias. 1.2.3 Matriz de varianzas y covarianzas 1.3 Valores y vectores característicos 1.4 Combinaciones lineales

4T,4P 2,3

II. Gráficos Multivariados

1.1 Gráficas de amibas (Blobs). 1.2 Gráfico de estrellas (Stars). 1.3 Gráfico de histogramas. 1.4 Gráfico de perfiles. 1.5 Caritas de Chernoff.

2T, 2P 3,8

III. Análisis de Componentes Principales

1.1 Razones para usar el análisis de componentes principales.

1.2 Objetivo del análisis de componentes principales. 1.3 Análisis de componentes principales con matriz de

varianzas y covarianzas. 1.4 Obtención de componentes principales. 1.5 Determinación del número de componentes

principales. 1.6 Análisis de componentes principales con la matriz de

correlaciones. 1.7 Grafica de los componentes 1.8 Interpretación.

4T, 4P 2,3,4, 9

VI. Análisis de Factores

1.1 Objetivo del análisis por factores. 1.2 El modelo del análisis de factores. 1.3 Estimación.

1.4 Elección de la cantidad apropiada de factores. 1.5 Rotación de los factores.

1.6 Puntajes Scorest 1.7 Estructura de los modelos

6T, 6P 2,3,4,6,13

V. Análisis de Correspondencia Simple y Múltiple

1.1. Caracterización. 1.2. Obtención de los ejes factoriales. 1.3. Interpretación de los resultados en AFC Simple. 1.4. Interpretación de los resultados en AFC Múltiple

6T, 6P 3,13

VI. Análisis Clúster.

1.1 Introducción 1.1 Medidas de semejanza. 1.3 Métodos de agrupación. 1.3.1 Jerárquicos 1.3.2 Aglomerativos 1.4 Métodos de ligamiento 1.5 Determinación del número de grupos. 1.6 Interpretación del dendograma

4T, 4P 3,4

VII. Correlación Canónica.

1.1 Introducción. 1.2 Determinación de las combinaciones lineales. 1.3 Interpretación.

4T,4P 3


5. Los temas serán presentados por especialistas de la materia y por el coordinador del

seminario, en forma de conferencias panorámicas que revisen los temas

establecidos.

6. Los estudiantes desarrollarán actividades de estudio independiente y preparación de

sesiones donde revisarán a profundidad los resultados teóricos, metodológicos e

ilustraciones. Habrá tres sesiones impartidas por estudiantes por cada sesión del

coordinador o un especialista.

7. Los estudiantes desarrollarán y presentarán avances en el marco de su proyecto de

investigación para la tesis de maestría.

8. Los estudiantes deberán presentar al final de su curso sus resultados del proyecto en

una sesión tipo congreso y entregar un artículo en un formato previamente

establecido, en idioma inglés, el cual deberá ser revisado y aprobado por el tutor

correspondiente.


4. Se tomará en cuenta las asistencias, participación y exposición de los estudiantes (15%).

5. Se evaluará la presentación y el material escrito entregado para cada sesión a cargo

del estudiante (35%). 6. La presentación final y el artículo serán productos altamente significativos del curso

(50%).

Referencias:

1. Grande E. I. y Abascal F. E. (1989). Métodos Multivariantes para la Investigación Comercial. Editorial Ariel S.A.

2. Johnson, D. E. (2000). Métodos Multivariados Aplicados al Análisis de Datos. International Thomson Editores.

3. Johnson, R. A. and Wichern D. W. (2002). Applied Multivariate Statistical Analysis. Fith Edition, Prentice Hall.

4. Harris, R.J. (1975). A promer of Multivariate Statistics; Academic Press, New York.

5. Morrison, D. F. (1976). Multivariate Statistical Methodo; McGraw Hill; New York.

6. Mardia K. V., Kent, J. T., Bibby, J. M. (1979). Multivariate Analysis; Academic Press; New York.

7. Kleinbum, D. G., Kupper, L.L. and Muller K.E. (1988). Applied Regresión Analysis and Other Multivariate Methods; WS-KENT; Boston.

8. Jambu, M. (1991). Exploratory and Multivariate Data Analysis, Academic Press, Inc., New York.

9. Morrison, D.F. (1976). Multivariate Statistical Methodo; Third Edition. McGraw Hill; New York.

10. Seber G.A.F. (1990). Multivariate Observations. Wiley, New York.

11. Stat – Soft Inc. (1996). STATISTICA: User guide. (2325 East 13th Street, Tulsa Ok. 74104), USA.

12. Castro J.A. y Galindo M. P. (2000). Estadística Multivariante Análisis de Correlación. Amarú Ediciones. Salamanca.

13. Sharma, S. (1996). Applied Multivariate Techniques Jonh Wiley and Sons, New York, EUA.

Nombre de la Experiencia Educativa: Modelación de Datos Discretos

Número de créditos: ___4___ Intensidad semanal: ____15____ Total de horas: ___45___

Horas teóricas: ___15___ Horas Prácticas: ____30____ Modalidad: ____Curso-Taller___

Justificación:

La revisión de los aspectos metodológicos de uso frecuente en el análisis estadístico de

datos discretos, se considera una parte inicial en la cual se estudian los conceptos

relacionados con el análisis de tablas de contingencia para dos criterios de clasificación

en relación a los conceptos de independencia, homogeneidad y asociación. Además el

modelo log-lineal para el estudio de la relación entre variables categóricas mediante su

modelación y, por último, se estudia el modelo de regresión logística como una opción

más de análisis de relación entre variables categóricas.

El curso es de carácter aplicado, con un fuerte énfasis en el uso de la computadora para

la implementación del modelo. Este curso estimula un resumen de las técnicas para datos

categóricos. Se empieza con una discusión básica de hipótesis que permitan inferenciar

tablas de contingencia de doble entrada, usando medidas de asociación semejante a las

proporciones, también para tablas de múltiples dirección así como los conceptos de

marginal y asociación condicional.

Objetivo: Proporcionar los conocimientos y habilidades necesarias para el análisis de los modelos de datos discretos, que le permitan desarrollar estrategias para la interpretación de los resultados utilizando un paquete estadístico.


1. Presentar los aspectos importantes y los procedimientos de análisis de los modelos

de datos discretos.

2. Aplicar apropiadamente los resultados metodológicos de la inferencia estadística de

estimación y prueba de hipótesis en el marco de éstos modelos.


problemas reales, donde se ponga de manifiesto la aplicación de estos modelos.

4. Diseñar y desarrollar discursos válidos donde se establezca el pensamiento

estadístico expresado en la apropiada aplicación de las técnicas para este tipo de

datos.



I Tablas de Contingencia

I.1 Tablas de contingencia.

I.2 Pruebas para independencia y homogeneidad.

2T,3P 1,2,3,4,5,6

II Modelo Log-lineal

II.1 Modelos log-lineales.

II.2 Estimación del modelo.

II.3 Inferencia para el modelo.

II.4 Aplicaciones.

5T,10P 1,2,3,4,5,6

III Modelo de Regresión Logística

III.1 El modelo de regresión logística.

III.2 Estimación del modelo.

III.3 Inferencia para el modelo.

III.4 Aplicaciones.

3T,7P 1,2,3,4,5,6,7

IV Modelo de Regresión Poisson

5T,10P ,2,3,4,5,6,7

IV.1 El modelo de regresión Poisson.

IV.2 Estimación del modelo.

IV.3 Inferencia para el modelo.

IV.4 Aplicaciones.

Actividades de aprendizaje: 1. Los temas deben ser presentados en conferencias previamente preparadas con los

apoyos visuales, de preferencia a partir de presentaciones en Power Point.



3. Los estudiantes deben realizar ejercicios y prácticas supervisadas utilizando el

software estadístico disponible.


aplicaciones de los temas revisados en las conferencias y estudiados

independientemente. Estas acciones deberán ser planeadas y coordinadas por el

instructor del curso, y preferentemente propiciar el trabajo en equipo.

5. Cada uno de los estudiantes debe desarrollar un trabajo final, con un contenido y en

una forma determinados, que muestre sus competencias para aplicar los métodos

básicos de modelación de datos discretos en el ámbito de su disciplina o desempeño

laboral.





equipo (20%).




Referencias:

1. Agresti, A. (1984) Analysis of Ordinal Data Categorical Data. John Wiley & Sons.

2. Agresti, A. (1990) Categorical Data Analysis. Wiley Series in Probability and

Mathematical Statistics. Applied Probability and Statistic, John Wiley & Sons.

3. Agresti, A (1996) An Introduction to Categorical Data Analysis. Wiley Series in

Probability and Statistics. Applied Probability and Statistic, John Wiley & Sons.

4. Agresti, A. and Finlay, B (1997) Statistics Methods for the Social Scienciences.

Prentice Hall.

5. Erling, B. A. (1997). Introduction to the statistical analysis of categorical data.

Springer-Verlag Heidelberg, New York.

6. Freeman, D.H. (1987) Applied categorical data analysis. Marcel Dekker, Kleinbaum

d.g.

7. Hosmer, D.W. (1989) Applied logistic regression. John Wiley and Sons, New York.

Nombre de la Experiencia Educativa: Series de tiempo

Número de créditos: ___4___ Intensidad semanal: __15____ Total de horas: __45____

Horas teóricas: __15___ Horas Prácticas: __30___ Modalidad: ____Curso-

Taller____

Justificación:

El análisis de series de tiempo comprende métodos que ayudan a interpretar una secuencia de

datos, observaciones o valores, medios en determinados momentos del tiempo, ordenados

cronológicamente y, normalmente, espaciados entre sí de manera uniforme. Este tipo de datos se

encuentran en diferentes campos, economía, física, climatología, demografía por mencionar

algunos. El análisis de series de tiempo desempeña un papel importante en el análisis requerido

para la predicción de eventos futuros.

Objetivo: Proporcionar al estudiante los métodos estadísticos que permitan el análisis (descriptivo o

inferencial) de estos datos temporales.


1. Fundamentación teórica de los procesos estocásticos básico para la construcción de modelos

de análisis estadístico de series de tiempo.

2. Conceptualización de las fases básicas en la implementación del modelo ARIMA.

3. Adquisición de los conceptos y fundamentos básicos del análisis espectral de series de tiempo

univariadas.

4. Introducción al análisis de series de tiempo por medio de modelos de componentes no

observables.



V. Introducción a series de tiempo

I.1 Definición de una serie de tiempo I.2 componentes de una serie de tiempo I.2.1 estacionalidad I.2.2 Ciclos I.2.3 Variación aleatoria I.2.4 Procesos estacionarios

3T,2P

VI. Procesos estacionarios

II.1 propiedades básicas II.2 modelos Autorregresivos (AR) II.3 modelos de medias móviles (MA) II.4 modelos mixtos (ARMA) II.4.1 la función de autocorrelación y autocorrelación parcial de un proceso arma (p,q) II.5 pronostico con un modelo arma

7T,18P 1,2,3,4

VII. Modelos no estacionarios y estacionales

III.1 Modelos ARIMA III.1.1 Metodología de Box-Jenkins III.1.2 Modelos AR, MA , ARMA y ARIMA III.1.3 Funciones de autocorrelación (ACF) y de autocorrelación parcial (PACF) III.1.4 ACF y PACF muestrales III.1.5 Identificación de modelos ARIMA III.1.6 Estimación de modelos ARIMA III.1.7 Diagnóstico y Pronóstico de modelos ARIMA III.2 Modelos ARIMA con estacionalidad III.2.1 Función de Impulso - Respuesta III.2.2 Modelos ARIMA con Intervención

7T, 15P


1. Los temas deben ser presentados en conferencias previamente preparadas con los apoyos


2. Los estudiantes deben realizar actividades de estudio independiente o en equipos utilizando la

bibliografía y los materiales que les deben ser entregados con antelación.





Estas acciones deberán ser planeadas y coordinadas por el instructor del curso, y


5. Cada uno de los estudiantes debe desarrollar un trabajo final, con un contenido y en una forma

determinados, que muestre sus competencias para aplicar los métodos básicos de inferencia

estadística en el ámbito de su disciplina o desempeño laboral.





7. Evaluar la presentación oral de las prácticas, ejercicios e ilustraciones realizadas en equipos (20%).

8. Valorar significativamente la realización del trabajo final, para el que debe existir lineamientos y una guía que especifique claramente el procedimiento y los elementos para su elaboración (50%).

9. Duración de los estudios

El programa de Especialización en Métodos Estadísticos está diseñado para

ser cursado en un máximo de 2 semestres, siendo de dedicación de tiempo

completo para el estudiante.

Total de horas y créditos del programa

MÓDULOS DURACIÓN TOTALES

HORAS CRÉDITOS

I INICIACION AL PENSAMIENTO ESTADISTICO 165 17

II ANALISI DE DATOS 180 22

III MODELACION 90 8

IV AREA DE APLICACIÓN 30 (mínimo) 4

V DISEÑO Y REALIZACION DEL TRABAJO DE TITULACION 135 9

TOTALES 600 60

Total de horas del programa.

Total de horas de experiencias educativas obligatorias 570

Total mínimo de horas de dos experiencias educativas optativas

30

Total mínimo de horas del plan 600

Total de créditos del programa.

Total de créditos de experiencias educativas obligatorias 56

Total mínimo de créditos de una experiencia educativa optativa 4

Total mínimo de créditos del plan 60

cursos profesor titular cursos profesor titular cursos ... · probabilidad, por lo que el ... los...

Documents