Cuadernillo de Asignaturas PDF

CUADERNILLO DE ASIGNATURAS
OFERTADAS POR EL DEPARTAMENTO DE ESTADISTICA

(Version preliminar)
PREGRADO EN ESTADISTICA
ASESOR DE PREGRADO:
COMITE
Leonardo Trujillo O.
Luis Alberto Lopez P.
Emilse Gomez T.
Campo Elas Pardo T.
Pedro Nel Pacheco D.
UNIVERSIDAD NACIONAL DE COLOMBIA

FACULTAD DE CIENCIAS
DEPARTAMENTO DE ESTADISTICA
10 DE NOVIEMBRE DE 2008
D.C.
BOGOTA
Indice general
MATEMATICO-ESTAD
1. FUNDAMENTACION
ISTICA
1.1. ALGEBRA
LINEAL BASICA
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2. ALGEBRA
MATRICIAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3. CALCULO
DIFERENCIAL EN UNA VARIABLE . . . . . . . . . . . . . . . . . . . .
1.4. CALCULO
INTEGRAL EN UNA VARIABLE . . . . . . . . . . . . . . . . . . . . . .
11
1.5. CALCULO
VECTORIAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13
1.6. FUNDAMENTOS DE MATEMATICAS

. . . . . . . . . . . . . . . . . . . . . . . . . .
15
1.7. INFERENCIA ESTADISTICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
17
1.8. PROBABILIDAD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
19
1.9. SISTEMAS NUMERICOS

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
21
EN CIENCIAS
2. FUNDAMENTACION
23
2.1. CONJUNTOS Y COMBINATORIA . . . . . . . . . . . . . . . . . . . . . . . . . . . .
23
2.2. GEOMETRIA ELEMENTAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
25
2.3. GEOMETRIA VECTORIAL Y ANALITICA . . . . . . . . . . . . . . . . . . . . . . .
27
MATEMATICA
3. COMPLEMENTACION
29
3.1. ANALISIS
ESTOCASTICO
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
29
3.2. CALCULO
DE ECUACIONES DIFERENCIALES . . . . . . . . . . . . . . . . . . . .
31
3.3. MODELOS MATEMATICOS

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
33
4. PROGRAMACION
35
EN LENGUAJES ESTADISTICOS . . . . . . . . . . . . . . . . .
4.1. PROGRAMACION
36
Y METODOS
4.2. PROGRAMACION
NUMERICOS
39
. . . . . . . . . . . . . . . . . . . .
5. METODOLOG
IA
5.1. ESTADISTICA Y SOCIEDAD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6. NUCLEO
ESTAD
ISTICO
43
44
47
6.1. ANALISIS
DE REGRESION
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
48
6.2. ANALISIS
MULTIVARIADO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
50
DE EXPERIMENTOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.3. DISENO
52
INDICE GENERAL
iv
Y DESARROLLO DE ENCUESTAS . . . . . . . . . . . . . . . . . . . . . .
6.4. DISENO
54
6.5. ESTADISTICA BAYESIANA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
56
6.6. ESTADISTICA DESCRIPTIVA MULTIVARIADA . . . . . . . . . . . . . . . . . . . .
58
6.7. ESTADISTICA DESCRIPTIVA Y EXPLORATORIA . . . . . . . . . . . . . . . . . .
60
6.8. ESTADISTICA ESPACIAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
62
6.9. METODOS
NO PARAMETRICOS
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
64
6.10. MUESTREO ESTADISTICO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
66
6.11. SERIES DE TIEMPO UNIVARIADAS . . . . . . . . . . . . . . . . . . . . . . . . . .
68
ESTAD
7. COMPLEMENTACION
ISTICA
71
7.1. ANALISIS
DE CORRESPONDENCIAS . . . . . . . . . . . . . . . . . . . . . . . . . .
71
7.2. ANALISIS
DE DATOS CATEGORICOS
. . . . . . . . . . . . . . . . . . . . . . . . .
74
7.3. ANALISIS
DE DATOS LONGITUDINALES . . . . . . . . . . . . . . . . . . . . . . .
76
ESTADISTICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.4. COMPUTACION
78
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.5. METODOS
DE CLASIFICACION
80
7.6. MODELOS LINEALES GENERALIZADOS . . . . . . . . . . . . . . . . . . . . . . .
82
7.7. MUESTREO ASISTIDO POR MODELOS . . . . . . . . . . . . . . . . . . . . . . . .
84
7.8. PROCESOS ESTOCASTICOS

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
86
7.9. SERIES DE TIEMPO MULTIVARIADAS . . . . . . . . . . . . . . . . . . . . . . . . .
88
EXPERIMENTAL . . . . . . . . . . . . . . . .
7.10. TOPICOS
AVANZADOS DE DISENO
90
ESTAD
8. APLICACION
ISTICA
93
8.1. CALCULO
ACTUARIAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
94
8.2. CONTROL ESTADISTICO DE CALIDAD . . . . . . . . . . . . . . . . . . . . . . . .
96
8.3. DEMOGRAFIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
98
8.4. EPIDEMIOLOGIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100

. . . . . . . . . . . . . . . . . . . . . . . . 102
8.5. FINANZAS Y MODELOS DE INVERSION
8.6. MODELOS DE SOBREVIVENCIA MULTIVARIADOS . . . . . . . . . . . . . . . . . 104
8.7. MODELOS DE SOBREVIVENCIA UNIVARIADOS . . . . . . . . . . . . . . . . . . . 106
8.8. MUESTREO EN POBLACIONES BIOLOGICAS

. . . . . . . . . . . . . . . . . . . . 108
8.9. TEORIA DE RESPUESTA AL ITEM . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
8.10. TEORIA ESTADISTICA DEL RIESGO . . . . . . . . . . . . . . . . . . . . . . . . . . 112
ESTAD
9. CONSOLIDACION
ISTICA
115
9.1. CONSULTORIA ESTADISTICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115

9.2. SEMINARIO DE ESTADISTICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
9.3. TRABAJO DE GRADO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119

INTRODUCCION
Despues del texto de Humberto agradecer a los profesores que elaboraron el programa anotando al
frente las asignaturas.
INDICE GENERAL
Captulo 1
FUNDAMENTACION
ISTICA
MATEMATICO-ESTAD
Para un desarrollo formal del pensamiento estadstico se requiere alcanzar previamente un conjunto de
competencias matem
aticas especiales, necesarias no solo para la construccion de lenguaje estadstico,
para la aprehensi
on de conceptos estadsticos y para la argumentacion estadstica, sino que a traves
de ellas se busca estimular la creatividad y la disciplina en el estudiante.
El lenguaje, los procedimientos y los conceptos estadsticos, tienen asistencia de conceptos, lenguaje,
resultados y metodos matem
aticos que deben ser aprestados para garantizar un desempe
no academico
exitoso del estudiante. En este sentido, el plan de estudios re
une bajo la denominacion de Fundamentacion Matem
atico-Estadstica, las asignaturas que son los requisitos mnimos para cimentar la formacion
de un Estadstico. Es en sntesis la propedeutica del programa de pregrado en Estadstica. La lista de
asignaturas de esta agrupaci
on se presenta en el cuadro 1.
Cuadro 1.1: Asignaturas de la agrupacion Fundamentacion Matematico-Estadstica

Asignatura
Fundamentos de matematicas
Sistemas numericos
C
alculo diferencial en una variable
C
alculo integral en una variable
C
alculo vectorial
Algebra
lineal b
asica
Algebra
matricial
Probabilidad
Inferencia estadstica
Caracter
Obligatoria
Obligatoria
Obligatoria
Obligatoria
Obligatoria
Obligatoria
Obligatoria
Obligatoria
Obligatoria
Creditos
4
4
4
4
4
4
4
4
4
A
un cuando cada asignatura tiene propositos especficos dentro de la formacion del estudiante, todas
ellas convergen hacia un punto com
un del currculo: la fundamentacion matematico-estadstica del
estudiante de la Carrera de Estadstica En consecuencia el objetivo de esta agrupacion es:
Fundamentar un conjunto de competencias asociadas a la capacidad de razonamiento, mediante el
desarrollo de habilidades cognitivas abstractas y formales, orientado a la representacion de realidades
a traves de modelos. Igualmente para interpretar y expresar relaciones y propiedades mediante el uso
del lenguaje matem
atico como un recurso riguroso de comunicacion.
MATEMATICO-ESTAD
ISTICA
CAPITULO 1. FUNDAMENTACION
1.1.
ALGEBRA
LINEAL BASICA
Cr
editos: 4
Descripci
on:
Que el alumno al finalizar el curso este en capacidad de utilizar los conceptos de espacio vectorial
y transformacion lineal en varios contextos de su carrera y reconocer los vnculos de la asignatura
con otras areas te
oricas o aplicadas de su carrera. En particular, debera poder aplicar la estructura
euclidiana usual en Rn a diversas situaciones geometricas y fsicas, en lo referente a distancias, perpendicularidad, paralelismo, etc.
Contenido:
1. Vectores en Rn .
1.1 Combinaciones lineales y coordenadas.
1.2 Longitud y
angulo: El producto punto. Longitud. Distancia. Angulos.
1.3 Vectores ortogonales.
1.4 Proyecciones.
2. Sistema de Ecuaciones Lineales.
2.1 Introducci
on a los sistemas de ecuaciones lineales.
2.2 Resoluci
on de un sistema de ecuaciones lineales.
2.3 Metodos directos para resolver sistemas lineales: Matrices y forma escalonada.
2.4 Operaciones elementales entre filas.
3. Eliminacion Gaussiana.
3.1 Eliminaci
on por Gauss-Jordan. Sistemas homogeneos.
4. Conjuntos Generadores e Independencia Lineal.
4.1 Conjuntos generadores de vectores.
4.2 Independencia lineal.
5. Matrices.
5.1 Operaciones matriciales.
5.2 Adicion de matrices y multiplicaci
on por escalar.
5.3 Multiplicaci
on de matrices. Propiedades de la multiplicacion de matrices.
5.4 Potencia de una matriz.
5.5 Transpuesta de una matriz.
5.6 Algebra
de matrices: propiedades de la adicion y multiplicacion por escalar.
5.7 Propiedades de la transpuesta.
6. Inversa de una Matriz.
6.1 Propiedades de las matrices invertibles.
6.2 Teorema fundamental de las matrices invertibles.
6.3 Metodo de Gauss-Jordan para calcular inversas.
1.1. ALGEBRA
LINEAL BASICA
7. Subespacios, base, dimensi
on y rango. Subespacios asociados con matrices.
7.1 Base, dimensi
on y rango.
7.2 Subespacios asociados con matrices.
8. Bases, dimensi
on y rango. Coordenadas.
8.1 Dimensi
on y rango.
8.2 Coordenadas.
9. Inducci
on a Software de Apoyo.
10. Introducci
on a las Transformaciones Lineales.
10.1 Transformaciones lineales.
10.2 Nuevas transformaciones lineales a partir de las antiguas.
10.3 Inversas de transformaciones lineales.
10.4 Asociatividad.
11. Determinantes.
11.1 Propiedades de los determinantes.
11.2 Determinantes y operaciones matriciales.
12. Introducci
on a valores y vectores propios. Valores y vectores propios de matrices n n.
13. Semejanza y Diagonalizaci
on.
14. Aplicaciones: Sistemas de Ecuaciones en Diferencia.
15. Ortogonalidad.
15.1 Sombras sobre una pared.
15.2 Ortogonalidad en Rn .
15.3 Conjunto de vectores ortogonales y ortonormales.
15.4 Matrices ortogonales.
16. Complementos Ortogonales.
16.1 Proyecciones ortogonales.
17. Proceso de Gram-Schmidt.
17.1 La factorizaci
on QR modificada.
17.2 Aproximaci
on de valores propios con el algoritmo QR.
18. Espacios Vectoriales.
18.1 Espacios vectoriales y subespacios.
18.2 Subespacios.
19. Conjuntos Generadores.
19.1 Independencia lineal.
19.2 Bases.
20. Coordenadas.
20.1 Dimensi
on.
MATEMATICO-ESTAD
ISTICA
6
21. Cambio de Base.
21.1 Matrices para cambio de base.

21.2 Metodo de Gauss-Jordan para calcular una matriz de cambio de base.
22. Transformaciones Lineales.
22.1 Propiedades de las transformaciones lineales.
22.2 Composici
on de transformaciones lineales.
22.3 Inversa de las transformaciones lineales.
23. El n
ucleo y la imagen de una transformacion lineal.
23.1 Transformaciones lineales inyectivas y sobreyectivas.
24. Isomorfismo de Espacios Vectoriales.
24.1 Matriz de una transformaci
on lineal.
25. Matrices de Transformaciones Lineales Compuestas e Inversas.
25.1 Cambio de base y semejanza.
Bibliografa b
asica:
Florey, Francis Fundamentos de
algebra lineal y aplicaciones. Englewood Cliffs, N.J. Prentice
Hall. 1980.
Kolman, Bernard y David R. Hill Algebra Lineal. Pearson-Prentice Hall. 8va edicion, Mexico.
2006.
Lay, David. Algebra

lineal y sus aplicaciones. Prentice-Hall 2da edicion, Mexico. 2001.
Nakos, George y Jonier, David. Algebra

lineal con aplicaciones. Cengage Learning. 1999.
Pool, David Algebra

lineal: Una introducci
on moderna. Cengage Learning. 2004.
Restrepo de Pel
aez, Patricia; Franco Rosa y Mu
noz, Luz Elena Algebra
lineal con aplicaciones.
Universidad Nacional de Colombia. 2004.
S.I. Grossman Algebra

Lineal. Ed. McGraw Hill. 1996.
Strang, Gilbert Algebra

lineal y sus aplicaciones. Fondo Educativo Interamericano. Mexico. 1982.

1.2. ALGEBRA
MATRICIAL
1.2.
ALGEBRA
MATRICIAL
Cr
editos: 4
Prerrequisito: Algebra
lineal b
asica
Descripci
on:
Esta asignatura aborda conceptos especiales del algebra lineal que facilitan la formalizacion de modelos, metodos y procedimientos estadsticos, especialmente los que involucren el tratamiento de informacion multivariada.
El estudiante que curse la asignatura y cumpla con las exigencias, podra:
1. Fortalecer la comprensi
on de la geometra euclidiana multidimensional.
2. Realizar procedimientos de optimizacion basados en matrices.
3. Aprehender conceptos del
algebra matricial como parte del lenguaje necesario en los modelos, metodos y procedimientos multivariados.
4. Disponer de los elementos que le faciliten los procedimientos de calculo involucrados en el manejo
de modelos multivariados.
Contenido:
1. Conceptos preliminares sobre matrices
1.1 Submatrices y matrices particionadas.
1.2 Productos de matrices particionadas.
1.3 Producto Kronecker de dos o mas matrices.
1.4 Operador Vec.
1.5 Operador Vech.
2. Inversas generalizadas y de Moore Penrose
2.1 Definici
on y existencia.
2.2 Caraterizaci
on y propiedades.
2.3 Invarianza en la escogencia de la inversa generalizada.
2.4 Metodos para calcular inversas generalizadas.
2.5 Soluci
on de sistemas de ecuaciones lineales.
3. Topicos adicionales sobre determinantes
3.1 Definiciones, notaci
on y casos especiales.
3.2 Determinantes de matrices particionadas, de producto de matrices y de inversas matriciales.
3.3 De matrices de Vandermonde.
3.4 Teorema de Laplace y formula de Binet-Cauchy.
4. Matrices especiales
4.1 Simetricas: productos y propiedades.
4.2 Idempotentes.
4.3 Ortogonales: matrices de Helmert y Householder.
5. Proyecciones y proyecci
on de matrices
5.1 Resultados generales, terminologa y notacion.
5.2 Proyecci
on de matrices.
MATEMATICO-ESTAD
ISTICA
5.3 El problema de mnimos cuadrados.

5.4 Complemento ortogonal.
6. Formas lineales, bilineales y cuadr
aticas
6.1 Terminologa y resultados b
asicos.
6.2 Matrices y formas cuadr
aticas definidas no-negativas.
6.3 Descomposici
on de matrices simetricas y simetricas definidas no-negativas.
6.4 Inversas generalizadas de matrices simetricas definidas no-negativas.
7. Descomposici
on de matrices
7.1 Triangularizaci
on de una matriz.
7.2 Factorizaci
on QR.
7.3 Races cuadradas de matrices simetricas.
7.4 Descomposici
on de Cholesky.
7.5 Polinomio mnimo.
7.6 Forma can
onica de Jordan.
7.7 Descomposici
on en valores singulares.
8. Diferenciaci
on de matrices y aplicaciones
8.1 Diferenciaci
on de formas lineales y cuadraticas.
8.2 Diferenciaci
on de la traza de una matriz.
8.3 Derivadas de primer orden del determinante, la inversa, inversa de Moore Penrose y matrices
adjuntas.
8.4 Derivadas de segundo orden del determinante y la inversa.
8.5 Diferenciaci
on de inversas generalizadas.
8.6 Diferenciaci
on de proyecci
on de matrices.
Bibliografa b
asica:
Harville, D. A. Matrix Algebra from a Statisticians perspective. Springer-Verlag. 1997.
Jimenez, J. A. Algebra
lineal II (Con aplicaciones en estadstica). Universidad Nacional de
Colombia. 2004.
Lay, D. Algebra
lineal y sus aplicaciones. Prentice-Hall. 2001.
Rao, C. R. and Rao, M. Matrix algebra and its applications to statistics and econometrics. John
Wiley & Sons. 1998.
Restrepo de Pel
aez, P.; Franco, R. y Mu
noz, L. E. Algebra
lineal con aplicaciones. Universidad
Nacional de Colombia.
Searle, S. R. Matrix algebra useful for statistics. John Wiley & Sons. 1982.
Preparado por Oscar Orlando Melo. Revisado por Nelcy Rodrguez, Campo Elas Pardo y Humberto
Mayorga.

1.3. CALCULO
DIFERENCIAL EN UNA VARIABLE
1.3.
CALCULO
DIFERENCIAL EN UNA VARIABLE
Cr
editos: 4
Prerrequisito: Haber aprobado el examen de clasificacion en el area de matematicas
Descripci
on:
Estudiar los conceptos de lmite y derivada para funciones de una variable real y utilizar estas ideas
en la soluci
on de problemas de optimizacion, trazado de curvas y razones de cambio.
Contenido:
1. Funciones y Modelos
1.1 Cuatro maneras de representar una funcion, definicion de funcion, dominio, rango, grafica
de una funci
on, prueba de la recta vertical.
1.2 Funciones definidas a tramos, valor absoluto, simetra, funcion par, impar, funciones crecientes, decrecientes. Cat
alogo de funciones basicas: funcion lineal.
1.3 Cat
alogo de funciones b
asicas: polinomios (grado, races, funcion cuadratica, funcion c
ubica), funciones de potencia, funciones racionales, funciones algebraicas y funciones trigonometricas.
1.4 Transformaciones de funciones: desplazamientos verticales y horizontales, alargamientos
verticales y horizontales.
de funciones, composicion de funciones.

1.5 Algebra
1.6 Funciones exponenciales: gr
aficas, leyes de los exponentes, modelacion con funciones exponenciales, el n
umero e.
1.7 Funci
on inversa: funci
on uno a uno, prueba de la recta horizontal, definicion de funcion
inversa, gr
afica de la funci
on inversa.
1.8 Funciones logartmicas: definicion, graficas, leyes de los logaritmos, logaritmo natural,
f
ormula para el cambio de base, grafica de la funcion logaritmo natural.
1.9 Funciones trigonometricas inversas: funcion seno inverso, funcion tangente inversa, funcion
coseno inverso.
2. Lmites y Derivadas.
2.1 Lmite de una funci
on: definicion intuitiva, ejemplos graficos, ejemplos con tablas de valores,+A203 lmites laterales, ejemplos graficos.
2.2 C
alculo de lmites: reglas b
asicas para el calculo de lmites, lmites de funciones definidas
por tramos, teorema de compresion.
2.3 Continuidad: definici
on, continuidad por la derecha y por la izquierda, teoremas basicos
sobre funciones continuas, teorema de sustitucion para el calculo de lmites de funciones
compuestas, teorema de continuidad de funciones compuestas, teorema del valor intermedio.
2.4 Lmites que comprenden el infinito: lmites infinitos y asntotas verticales, lmites en el
infinito y asntotas horizontales, lmites infinitos en el infinito.
2.5 Tangentes, velocidades y otras razones de cambio.
2.6 Definici
on de derivada, interpretacion de la derivada como la pendiente de una tangente,
interpretaci
on de la derivada como una razon de cambio.
2.7 La derivada como una funcion, notaciones de la derivada, relacion entre diferenciabilidad
y continuidad, C
omo deja de ser diferenciable una funcion? Derivadas superiores.
2.8 Que dice f acerca de f? Que dice f acerca de f?
MATEMATICO-ESTAD
ISTICA
10
3. Reglas de Derivaci
on.
3.1 Derivadas de polinomios y de funciones exponenciales. Las reglas del producto y del cociente.
3.2 Derivaci
on de funciones trigonometricas. La regla de la cadena.
3.3 Derivaci
on implcita. Derivadas de las funciones trigonometricas inversas. Derivadas de
funciones logartmicas. Derivaci
on logartmica.
4. Aplicaciones de la Derivaci
on.
4.1 Razones de cambio de variables relacionadas.
4.2 Valores m
aximo y mnimo absolutos de una funcion. Extremos relativos de una funcion.
Teorema del valor extremo. Teorema de Fermat. Valores crticos de una funcion.
4.3 Derivadas y las formas de las curvas: teorema del valor medio, prueba para determinar los
intervalos de crecimiento y decrecimiento, prueba de la primera derivada para extremos
relativos.
4.4 Definici
on de concavidad y puntos de inflexion. Prueba de concavidad, prueba de la segunda
derivada para extremos relativos.
4.5 Ejemplos de trazado de gr
aficas. Formas indeterminadas y la regla de LHopital.
4.6 Problemas de optimizaci
on.
Bibliografa b
asica:
Finney, R. L C
alculo. Prentice-Hall. 2000.
Hughes-Hallet, D., Gleason, A. M. Calculus. John Wiley & Sons. 1994.
J. Stewart C
alculo, Conceptos y contextos. Editorial Thomson, ediciones 2a y 3a . 2006.
Smith, R.T., Minton, R.B. C
alculo, Tomo I. Mc Graw Hill. 2000.
Stein, Sh.K., Barcellos, A. C
alculo con Geometra Analtica. Prentice Hall Hispanoamericana.
1996.
Thomas, G. B., Finney, R. L. C
alculo en una variable. Addison Wesley Longman, 9na edicion.
1998.

1.4. CALCULO
INTEGRAL EN UNA VARIABLE
1.4.
11
CALCULO
INTEGRAL EN UNA VARIABLE
Cr
editos: 4
Prerrequisito: C
alculo diferencial en una variable
Descripci
on:
Objetivo general:
Lograr la apropiaci
on por parte del estudiante de los conceptos fundamentales del calculo integral
de funciones de una variable real y crear habilidades que le permitan aplicar estos conocimientos en
problemas propios de su disciplina y abordar de manera elemental los conceptos de sucesiones y series.
Objetivos especficos:
1. Conocer y manejar con propiedad el concepto de integral definida de una funcion real de una variable real y su relaci
on con el concepto de primitiva o antiderivada, para facilitar los calculos.
2. Estudiar algunas de las diferentes aplicaciones del concepto de integral.
3. Adquirir destreza en el estudio de la convergencia de sucesiones y series.
Contenido:
1. La Integral
1.1 Antiderivadas o primitivas y problemas de condiciones iniciales.
1.2 Notaci
on Sumatoria, propiedades.
1.3 Introducci
on al
area.
1.4 Sumas de Riemman y la integral definida.
1.5 Propiedades de la integral definida.
1.6 Teorema del valor medio, Primer y Segundo Teorema Fundamental del Calculo.
1.7 Integraci
on numerica, Reglas de Simpson y del trapecio.
2. Metodos de Integraci
on
2.1 Integraci
on por sustituci
on.
2.2 Integraci
on por partes.
2.3 Integraci
on de funciones trigonometricas. Algunas sustituciones trigonometricas.
2.4 Integraci
on de funciones racionales por descomposicion en fracciones parciales.
2.5 Sustituciones especiales.
2.5 Integrales impropias.
3. Aplicaciones de la Integral
3.1 Area
entre dos curvas.
3.2 Vol
umenes de s
olidos de seccion transversal conocida. Vol
umenes de solidos de revolucion;
discos, arandelas y cortezas cilndricas.
3.3 Longitud de arco y
area de una superficie de revolucion.
3.4 Momentos y centros de masa. Trabajo.
3.5 Introducci
on a las ecuaciones diferenciales ordinarias.
MATEMATICO-ESTAD
ISTICA
12
4. Coordenadas Polares
4.1 Sistema de coordenadas polares. Grafica de una ecuacion polar.
4.2 Area
y longitud de arco en coordenadas polares.
5. Sucesiones y Series
5.1 Sucesiones de n
umeros reales.
5.2 Series infinitas y convergencia, series telescopicas y geometricas.
5.3 Criterios de convergencia de series de terminos no negativos: criterio de la integral, comparaci
on, raz y raz
on.
5.4 Series alternantes, convergencia absoluta y condicional.
5.5 Series de potencias.
5.6 Series de Taylor y de Maclaurin.
Bibliografa b
asica:
Edwards y Penney. C
alculo con Geometra Analtica. Prentice Hall. 1997.
Leithold l. C. C
alculo con Geometra Analtica. Harla. 1998.
Purcell. C
alculo. 8 edici
on. Prentice Hall. 2007
Stewart James. C
alculo conceptos y contextos. Internacional Thompson. 2006.
Thomas G, Finney. C
alculo en una variable. 9 edici
on. Pearson. 2005.

1.5. CALCULO
VECTORIAL
1.5.
13
CALCULO
VECTORIAL
Cr
editos: 4
Prerrequisito: C
alculo integral en una variable.
Descripci
on:
Objetivos:
1. Entender las nociones de derivaci
on e integracion al curso de funciones de varias variables.
2. Estudiar los teoremas cl
asicos del c
alculo vectorial.
Contenido:
1. Calculo Diferencial de Funciones de Varias Variables
1.1 Superficies Cu
adricas. Funciones escalares de varias variables.
1.2 Lmites y continuidad.
1.3 Derivadas parciales, diferenciabilidad, planos tangentes.
1.4 Regla de la cadena.
1.5 Las derivadas direccionales y el vector gradiente.
1.6 Derivadas parciales de orden superior.
1.7 Valores m
aximos y mnimos de una funcion de varias variables.
1.8 Multiplicadores de Lagrange.
2. Integraci
on M
ultiple
2.1 Integrales dobles sobre rect
angulos. Integrales iteradas.
2.2 Integrales dobles sobre regiones generales.
2.3 Integrales dobles en coordenadas polares.
2.4 Aplicaciones de las integrales dobles.
2.5 Integrales triples.
2.6 Coordenadas cilndricas y esfericas. Integrales triples en coordenadas cilndricas y esfericas.
2.7 Cambio de variables en las integrales m
ultiples.
2.8 Aplicaciones de las integrales triples.
3. Elementos de C
alculo Vectorial
3.1 Funciones vectoriales y curvas en el espacio. Derivadas e integrales de funciones vectoriales.
Longitud de arco e integral escalar de lnea.
3.2 Campos vectoriales. Integrales de lnea
3.3 El teorema fundamental de las integrales de lnea.
3.4 Superficies parametricas. Area

de una superficie e integral escalar de una superficie.
3.5 Integrales de superficie.
3.6 El Divergente de un campo vectorial. Teorema de la divergencia de Gauss.
3.7 El rotacional de un campo vectorial. Teorema de Stokes.
3.8 Teorema de Green.
MATEMATICO-ESTAD
ISTICA
14
Bibliografa b
asica:
C. Pita. C
alculo Vectorial. Prentice Hall, 1a edicion. 1995.
James Stewart. C
alculo. Conceptos y contextos. International Thomson Editores. 1999.
J. E. Marsden & A. J. Tromba C
alculo vectorial. Cuarta edici
on. Adison Wesley Longman. 1996.
S. K. Stein. C
alculo y Geometra Analtica. Mc Graw Hill, 5a edicion. 1995.
T. M. Apostol. Calculus. Reverte, 2a edicion. 1982

1.6. FUNDAMENTOS DE MATEMATICAS
1.6.
15
FUNDAMENTOS DE MATEMATICAS
Cr
editos: 4
Descripci
on:
Descripcion:
Se busca familiarizar al estudiante con los conceptos basicos de la matematica moderna, teora de
conjuntos y elementos de l
ogica, metodos de demostracion, relaciones y cardinalidad. Enfatizar en las
formas correctas de razonar y argumentar, as como en la manera adecuada de comunicar por escrito
dichos argumentos.
Metodologa:
Dos clases semanales magistrales con explicaciones, ilustraciones y propuestas de ejercicios y problemas por parte del profesor y con la participacion activa de los estudiantes. Se dejaran talleres que
el estudiante debe realizar fuera de clase para generar luego discusiones en torno a los temas trabajados.
Contenido:
1. Conceptos B
asicos de L
ogica.
1.1 C
alculo proposicional: Proposiciones, conectivos, tablas de verdad, tautologas.
1.2 Implicaci
on y equivalencia l
ogica, reglas de inferencia y cuantificadores.
1.3 Metodos de demostraci
on: Pruebas directas, por contradiccion, usando contra-recproca.
Pruebas de proposiciones equivalentes y de proposiciones con cuantificadores.
2. Conceptos B
asicos de Teora de Conjuntos.
2.1 Conjuntos: Determinaci
on por extension y por comprension.
2.2 Conjuntos y relaciones: contenencia e igualdad.
2.3 Operaciones entre conjuntos: Union, interseccion, diferencia, diferencia simetrica y complemento. Propiedades de las operaciones. Conjunto de partes.
2.4 Familias indexadas: Uni
on, interseccion. Familias disjuntas y dos a dos disjuntas. Particion
de un conjunto.
3. Relaciones y Funciones
3.1 Relaciones: Pareja ordenada. Producto cartesiano. Concepto de relacion. Dominio y Rango.
Relaci
on inversa. Composici
on de relaciones.
3.2 Funciones: Clases: inyectiva, sobreyectiva y biyectiva. Funcion inversa. Composicion de
funciones. Imagen directa e inversa de un conjunto. Comportamiento de las imagenes directa
e inversa con las operaciones de conjuntos.
3.3 Relaciones reflexivas, simetricas, antisimetricas y transitivas. Relaciones de equivalencia.
Clases de equivalencia. Conjunto cociente. Teorema fundamental de las relaciones de equivalencia.
3.4 Relaciones de orden. Elementos maximales y minimales, mnimo, maximo, acotacion, supremo (sup), nfimo (inf).
4. Cardinalidad
4.1 Equipotencia o similaridad.
4.2 Conjuntos finitos e infinitos. Cardinales
4.3 Teoremas de Cantor.
4.3 Inyecciones entre conjuntos infinitos. Tama
nos de infinitud. Conjuntos enumerables. Teorema de Sch
oder-Bernstein (enunciado y consecuencias para la equipotencia entre conjuntos
numericos conocidos).
MATEMATICO-ESTAD
ISTICA
16
Bibliografa b
asica:
Allendoefer C.B y Oakley C.O. Fundamentos de Matem

aticas Universitarias. McGraw-Hill, tercera edicion. 1982.
Bloch E. R. Proofs and Fundamentals. Birkhauser, Boston. 2000.
Mu
noz J.M. Introducci
on a la teora de conjuntos. Universidad Nacional de Colombia. 4ta edicion
2002.
Sheinerman E.R. Matem
aticas Discretas. Thomson-Learning. 2004.
Zalamea F. Fundamentos de Matem
aticas. Universidad Nacional de Colombia. Sede Bogota.
2007.
1.7. INFERENCIA ESTADISTICA
1.7.
17
INFERENCIA ESTADISTICA
Cr
editos: 4
Prerrequisito: Probabilidad
Descripci
on:
Esta asignatura dispone los conceptos y fundamentos de la teora de la inferencia estadstica con
enfoques frecuentista y bayesiano para poner en contexto las propiedades de las estadsticas, con el
objeto de dise
nar estimadores y pruebas optimos bajo muestreo aleatorio simple.
El estudiante que curse la asignatura y cumpla con las exigencias academicas, podra:
1. Identificar la estructura general de la inferencia estadstica con el respaldo de elementos de la probabilidad.
2. Teorizar el comportamiento de estimadores y de pruebas.
3. Construir, evaluar y comparar estimadores.
4. Realizar estimaciones puntuales y por intervalo a partir de muestras simples.
5. Construir, evaluar y comparar pruebas.
6. Traducir conjeturas cientficas a lenguaje estadstico y valorar su plausibilidad.
Contenido:
1. Muestra aleatoria
1.1 Conceptos iniciales.
1.2 Distribuci
on de sumas y productos en muestras aleatorias.
1.3 Distribuci
on de los estadsticos de orden.
1.4 Muestras bajo la distribuci
on normal.
1.5 Principios de simulaci
on.
2. Construcci
on de estimadores
2.1 Conceptos iniciales.
2.2 Metodo de los momentos.
2.3 Metodo de m
axima verosimilitud.
2.4 Metodo bayesiano.
2.5 Metodos robustos.
2.6 Algoritmo EM.
3. Evaluaci
on de estimadores
3.1 Consistencia.
3.2 Insesgamiento.
3.3 Eficiencia.
3.4 Suficiencia.
3.5 Completez.
3.6 Varianza mnima.
3.7 Equivarianza.
3.8 Optimizaci
on bajo funci
on de costos.
3.9 Robustez.
4. Pruebas de hip
otesis
MATEMATICO-ESTAD
ISTICA
18
4.1 Conceptos b
asicos: Tipos de hip
otesis, tipos de errores y probabilidades asociadas, regiones,
valor p.
4.2 Metodos para hallar pruebas: raz
on de verosimilitudes, bayesianos, union-interseccion y
intersecci
on-uni
on.
4.3 Evaluaci
on de pruebas. Funci
on de potencia, pruebas uniformemente mas potentes, tama
no
de una prueba, invarianza, eficiencia relativa, eficiencia relativa asintotica.
4.4 Optimalidad bajo funci
on de perdida.
5. Estimacion por intervalos
5.1 Metodos para hallar intervalos: Inversion de la prueba, variable pivote, bayesiano.
5.2 Evaluaci
on de intervalos de confianza: tama
no y probabilidad de cubrimiento, optimalidad
(relacionada con las pruebas, bayesiana y bajo funcion de costos).
5.3 Intervalos de credibilidad.
Bibliografa b
asica:
Berger, J. Statistical Decision Theory and Bayesian Analysis. Springer. 1985.
Bickel, P. J. y Doksum, K. A. Mathematical Statistics: Basic Ideas and Selected topics, Vol. I.
Holden Day. 2000.
Casella, G. y Berger, R. Statistical Inference. Duxbury Press. 2002.
DeGroot, M. y Schervish, M. Probability and Statistics. Addison Wesley. 2001.
Hogg, R.; Craig, A. y McKean, J. Introduction to Mathematical Statistics. Prentice Hall. 2004.
Mayorga, H. Inferencia Estadstica. Unibiblos. 2002.
Ramanathan, R. Statistical Methods in Econometrics. Academic Press. 1993.
Preparado por Liliana Blanco, Fabio Nieto y Emilse Gomez. Revisado por Nelcy Rodrguez y Campo
Elas Pardo.
1.8. PROBABILIDAD
1.8.
19
PROBABILIDAD
Cr
editos: 4
Prerrequisito: C
alculo integral en una variable
Descripci
on:
Esta asignatura dispone los elementos de la sintaxis formal de la probabilidad para eventos y variables
aleatorias unidimensionales y multidimensionales. Describe los modelos probabilsticos clasicos. Aborda la convergencia y la simulaci
on de variables aleatorias. Se requieren conocimientos de algebra
lineal y de c
alculo en varias variables.
1. Manejar e interpretar los axiomas y los conceptos fundamentales de la teora de probabilidad.
2. Reconocer en casos especficos el o los modelos probabilsticos mas adecuados en la descripcion de
una situaci
on real.
3. Fortalecer su formaci
on disciplinar con el pensamiento probabilstico.
Contenido:
1. Conceptos b
asicos de probabilidad
1.1 -
algebras.
1.2 Medida de probabilidad.
1.3 Espacio de probabilidad.
1.4 Probabilidad condicional.
1.5 Independencia de eventos.
1.6 Teorema de probabilidad total y regla de Bayes.
2. Variables aleatorias y sus distribuciones
2.1 Definici
on y ejemplos.
2.2 Funci
on de distribuci
on.
2.3 Variables aleatorias discretas y continuas.
2.4 Distribuci
on de una funci
on de una variable aleatoria.
3. Valor esperado y varianza de una variable aleatoria
3.1 Definici
on y ejemplos.
3.2 Propiedades del valor esperado y de la varianza de una variable aleatoria.
3.3 Funci
on generadora de momentos.
3.4 Funci
on caracterstica.
4. Distribuciones discretas de uso frecuente
4.1 Uniforme discreta.
4.2 Binomial.
4.3 Hipergeometrica.
4.4 Poisson.
4.5 Binomial negativa.
4.6 Geometrica.
5. Distribuciones de tipo continuo de uso frecuente
MATEMATICO-ESTAD
ISTICA
20
5.1 Uniforme.
5.2 Normal.
5.3 Gamma.
5.4 Exponencial.
5.5 Chi-cuadrado.
5.6 Beta.
5.7 Log-normal.
5.8 Weibull.
5.9 Cauchy.
6. Distribucion conjunta de variables aleatorias

6.1 Funciones de distribuci
on conjunta.
6.2 Variables aleatorias independientes.
6.3 Covarianza y coeficiente de correlacion.
6.4 Distribuci
on de una funci
on de un vector aleatorio.
6.5 Distribuci
on de la suma, diferencia, producto y cociente de variables aleatorias.
6.6 Distribuciones F y t-student.
6.7 Funciones generadora de momentos y caracterstica conjuntas.
6.8 Distribuci
on conjunta de la media y la varianza muestral.
6.9 Distribuci
on normal multivariada.
7. Distribucion condicional y valor esperado condicional
7.1 Funci
on de distribuci
on condicional y valor esperado condicional: Casos discreto y continuo.
7.2 Propiedades del valor esperado condicional.
7.3 Varianza condicional.
8. Leyes de los grandes n
umeros y teorema central del lmite
8.1 Desigualdades de Markov, Chebyshev y Jensen.
8.2 Convergencia en probabilidad, casi siempre y en ley de sucesiones de variables aleatorias.
8.3 Las leyes debil y fuerte de los grandes n
umeros.
8.4 Teorema central del lmite.
8.5 Simulaci
on de algunas distribuciones discretas y continuas de uso frecuente.
Bibliografa b
asica:
Blanco, L. Probabilidad. U.Nacional de Colombia. 2004.
Ross, S. A First Course in Probability. Prentice Hall. 2002.
Ash, R. Probability and Measure Theory. Academic Press. 2000.
Capinski, M. & Zastawniak, T. Probability Through Problems. Springer. 2001.
Feller, W. An Introduction to Probability Theory and its Applications. Wiley. 1970.
Grimmett, G. & Stirzaker, D. Probability and Random Processes. Oxford. 2001.
Hoel P.; Port, S. & Stone, C. Introduction to Probability Theory. Houghton Mifflin. 1971.
Hogg, R. V.; McKean, J. W. & Craig, A. T. Introduction to Mathematical Statistics.
Prentice Hall. 2005.
Preparado por Liliana Blanco. Revisado por Emilse Gomez y Pedro Nel Pacheco.

1.9. SISTEMAS NUMERICOS
1.9.
21
SISTEMAS NUMERICOS
Cr
editos: 4
Prerrequisito: Fundamentos de matematicas
Descripci
on:
Revisar y complementar los conocimientos de los conjuntos numericos que el estudiante ha utilizado en
sus estudios de educaci
on media, desde los naturales hasta los complejos, resaltando las similitudes y
especificidades de cada uno de ellos. Detectar estructuras algebraicas elementales. Abordar principios
basicos de conteo. Estudiar los teoremas relacionados con la b
usqueda de races de polinomios. Metodologa: Dos clases semanales magistrales con explicaciones, ilustraciones y propuestas de ejercicios y
problemas por parte del profesor y con la participacion activa de los estudiantes.
Contenido:
1. Operaciones Binarias
1.1 Operaciones binarias.
1.2 Propiedades: asociatividad y conmutatividad.
1.3 Existencia de elementos neutros e inversos laterales y bilaterales.
1.4 Ejemplos en Zn y otros conjuntos finitos con operaciones usuales y no usuales.
2. N
umeros Naturales.
2.1 N
umeros naturales: Axiomas de Peano. Operaciones y propiedades.
2.2 Divisibilidad y orden
2.3 Inducci
on, buen orden y recursion.
2.4 Nociones b
asicas de conteo, permutaciones, combinaciones y teorema del binomio.
3. N
umeros Enteros
3.1 Construcci
on. Operaciones y sus propiedades.
3.2 Divisibilidad. Primos y compuestos. Algoritmo de la division.
3.3 M
aximo Com
un Divisor y sus propiedades. Mnimo Com
un M
ultiplo.
3.4 Algoritmo de Euclides. Congruencias.
3.5 Teorema fundamental de la Aritmetica y sus consecuencias. Orden.
4. N
umeros Racionales y Reales.
4.1 Racionales: Expansi
on decimal. Operaciones y sus propiedades. Orden. Densidad. Propiedad Arquimediana.
4.2 Reales: Expansi
on decimal. Operaciones y sus propiedades. Orden. Densidad. Propiedad
Arquimediana. Axioma de completez. N
umeros algebraicos y trascendentes.
5. N
umeros Complejos
5.1 N
umeros Complejos: definicion, operaciones y sus propiedades.
5.2 Conjugado. Forma trigonometrica. Representacion geometrica.
5.3 Teorema de Moivre. Races n-esimas de n
umeros complejos.
6. Polinomios
6.1 Polinomios en una variable: Operaciones. Algoritmo de la division.
MATEMATICO-ESTAD
ISTICA
22
6.2 Teorema del residuo y teorema del factor. Factorizacion u

nica. Mnimo Com
un Multimplo
y Maximo Com
un Divisor.
6.3 Races: Races racionales de polinomios con coeficientes enteros. Teorema fundamental del
algebra. Factorizaci
on en los reales y en los complejos. Irreducibles y su caracterizacion.
Fracciones simples, fracciones parciales.
Bibliografa b
asica:
Allendoefer C.B y Oakley C.O. Fundamentos de Matem
aticas Universitarias. McGraw-Hill, 3ra
edicion. 1982.
Bloch E. R. Proofs and Fundamentals. Birkhauser, Boston. 2000.
Jimenez L.R., Gordillo E., y Rubiano G.N. Teora de n
umeros para principiantes. Universidad
Nacional de Colombia. 4ta edici
on. 2002.
Sheinerman E.R. Matem
aticas Discretas. Thomson-Learning. 2004.
Zalamea F. Fundamentos de Matem
aticas. Universidad Nacional de Colombia. 2007.
Captulo 2
EN
FUNDAMENTACION
CIENCIAS
Cuadro 2.1: Asignaturas de la agrupacion Fundamentacion en Ciencias
Asignatura
Biologa general
Biologa molecular y celular
Fundamentos de ecologa
Probabilidad y estadstica fundamental
Bioestadstica fundamental
Estadstica social fundamental
Geometra elemental
Geometra vectorial y analtica
Conjuntos y combinatoria
Matem
aticas discretas
Principios de qumica
Qumica org
anica I
Qumica b
asica
Introducci
on a la ciencia de materiales
Mec
anica newtoniana
Electricidad y magnetismo
Oscilaciones y ondas
Mec
anica de fluidos
2.1.
Caracter
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Creditos
3
3
3
3
3
3
4
4
4
4
3
3
3
3
4
4
4
4
CONJUNTOS Y COMBINATORIA
Cr
editos: 4
Prerrequisito: Fundamentos de matematicas
Descripci
on:
Descripcion:
Resultados b
asicos de teora de n
umeros como el teorema fundamental de la aritmetica y el teorema
chino de los restos, principios b
asicos de conteo y presentacion de algunas estructuras finitas. En el
caso infinito introducci
on de operaciones con familias de conjuntos y de relaciones de orden y buen
EN CIENCIAS
24
orden. Cardinales y ordinales.
Objetivo:
Familiarizar al estudiante con conceptos b
asicos de matematicas discretas y teora de conjuntos a
traves de operaciones b
asicas de conteo y su relacion con estructuras finitas y de igual forma en el
caso infinito ver que sucede, como cambian las operaciones y el razonamiento con conjuntos infinitos.
Contenido:
1. Material de Base
1.1 Repaso de L
ogica y metodos de demostracion.
1.2 Los N
umeros naturales.
1.3 Inducci
on matem
atica.
1.4 Propiedades elementales de los n
umeros primos. Teorema chino del residuo.
1.5 Teorema fundamental de la Aritmetica.
2. Combinatoria/Conteo
2.1 Conteo. Permutaciones y Combinaciones.
2.2 Principio de las casillas.
2.3 Ciclos, factorizaci
on de permutaciones.
3. Teora de Grafos
3.1 Relaciones de equivalencia. Matrices de relaciones.
3.2 Caminos y ciclos.
3.3 Trayectorias de Euler y Hamilton.
3.4 Representaci
on de grafos. Isomorfismos de grafos.
4. Conjuntos Infinitos y Cardinales
4.1 Operaciones con conjuntos y familias. Ordenes parciales. Buen orden.
4.2 Conjuntos infinitos y dedekind-infinitos.
4.3 Teoremas de Schr
oder - Bernstein y Cantor.
4.4 Conjuntos contables y no contables. Ejemplos.
5. El Axioma de Elecci
on
5.1 Formas usuales del axioma de eleccion. Equivalencias.
5.2 Lema de Zorn y aplicaciones.
5.3 Comparabilidad. Adici
on y multiplicacion de cardinales.
5.4 Aritmetica cardinal. Ordinales. Conjuntos bien ordenados, cofinalidades.
Bibliografa b
asica:
Chen Discrete Mathematics. http://www.maths.mq.edu.au/ wchen/lndmfolder/lndm.html. 2008.
Goodaire, E.; Parmenter, M.M. Discrete Mathematics with Graph Theory. Prentice Hall. 2006.
Halmos. Teora intuitiva de conjuntos. Cecsa. 1965.
Jech T., Hrbacek K. Introduction to Set Theory. Marcel Dekker. 1999.
Suppes. Teora axiom
atica de conjuntos. Norma. 1968.
2.2. GEOMETRIA ELEMENTAL
2.2.
25
GEOMETRIA ELEMENTAL
Cr
editos: 4
Descripci
on:
Objetivos:
1. Estudiar un ejemplo axiom
atico cl
asico, Geometra Elemental, ejemplo que ilustra la forma en
que se construye una teora matem
atica.
2. Estudiar los elementos b
asicos de la Geometra Elemental que permitan a los estudiantes abordar
sus cursos superiores.
3. Contribuir al desarrollo del pensamiento matematico del estudiante, al desarrollo de la intuicion y
de la capacidad de an
alisis.
Metodologa:
A medida que se desarrolle el curso, se debe reflexionar acerca de las definiciones y postulados que
vayan apareciendo y su necesidad y pertinencia dentro de la teora para demostrar nuevos resultados.
Se debe insistir en el an
alisis de la estructura logica de una proposicion y en lo que significa una demostracion. Es importante involucrar a los estudiantes en la discusion de los temas tratados, se debe
promover en ellos la participaci
on para que propongan conjeturas y sugieran soluciones a problemas
planteados.
Contenido:
1. Geometra Plana: A. Primeros Axiomas y Postulados. B. Rectas, Segmentos y Planos. C. Congruencia. D. Semejanza.
1.1 Espacio, planos, rectas.
1.2 Axiomas de incidencia y orden.
1.3 Congruencia de segmentos, angulos y triangulos.
1.4 Paralelismo. Semejanza de triangulos. Razones trigonometricas.
2. Geometra Plana: A. Circunferencia y Crculo. B. Regiones Poligonales y sus Areas.

C. Construcciones con Regla y Comp
as. D. Colinealidad y Concurrencia.
inscritos, semi-inscritos. Polgonos inscritos y circunscritos. Potencia de un punto

2.1 Angulos
a una circunferencia. El eje radical, la recta de Simpson. El crculo de los nueve puntos. El
tri
angulo
ortico. El tri
angulo pedal.
2.2 Permetro y
area de un polgono y de una circunferencia.
2.3 Algunas construcciones con regla y compas. La cuadratura del crculo. La triseccion del
angulo. La duplicaci
on del cubo.
2.4 Algunos teoremas cl
asicos: Ceva, Menelao, Pappus, Desargues, Pascal.
3. Geometra Plana: A. Introducci
on a la Geometra Cartesiana. Geometra del Espacio: B. Conceptos B
asicos. C. S
olidos y Vol
umenes. D. Introduccion al Estudio de las Transformaciones
Geometricas.
3.1 Empleo de la geometra cartesiana para resolver problemas de la geometra elemental.
3.2 Rectas, planos,
angulos diedros, poliedros, los cinco poliedros regulares convexos.
3.3 El principio de Cavalieri. Vol
umenes y areas de prismas, piramides, conos, cilindros y esferas.
3.4 Translaciones, reflexiones, rotaciones y homotecias.
Bibliografa b
asica:
Campos, A. Axiom
atica y Geometra desde Euclides hasta Hilbert y Bourbaki. Universidad Nacional de Colombia. 1994.
26
EN CIENCIAS
Clemens. Geometry. Addison Wesley. 1998.
Coxeter, H. S. M. Introduction to geometry. Wiley. 1961.
Moise E y Downs F. Geometra Moderna. Addison Wesley. 1986.
Rincon G. Un recorrido por la Geometra. Publicacion de la Universidad Antonio Nari
no. 1992.
Thomas L. Heath. The thirteen books of Euclids Elements. Vol. I, II, III. Dover publications,
Inc. 1956.
2.3. GEOMETRIA VECTORIAL Y ANALITICA
2.3.
27
GEOMETRIA VECTORIAL Y ANALITICA
Cr
editos: 4
Descripci
on:
Este es un curso que estudia los primeros conceptos del algebra lineal en R2 y R3 y su relacion con
algunos conceptos b
asicos de la geometra.
Contenido:
1. Vectores geometricos en el plano.
1.1 Conceptos b
asicos. Suma de vectores.
1.2 Producto de un escalar por un vector. Teorema de la proporcion y aplicacion.
1.3 Descomposici
on de un vector. Proyeccion de un vector sobre otro vector. Producto escalar.
1.4 Vectores geometricos en el plano cartesiano. Descomposicion canonica.
2. Vectores coordenados o algebraicos
2.1 Introducci
on.Suma y producto por escalar en R2 .
2.2 Magnitud, direcci
on y otros conceptos en R2 .
3. La lnea recta en el plano.
3.1 Ecuaci
on vectorial y ecuaciones parametricas. Angulo
de inclinacion y pendiente.
3.2 Ecuaciones escalares no parametricas. Ecuacion en forma normal. Rectas perpendiculares.
3.3 Angulo
entre rectas. Distancia de un punto a una recta. Ecuaciones lineales, combinaciones
lineales, dependencia e independencia lineal.
4. Transformaciones lineales del plano y matrices 2 2
4.1 Transformaciones del plano.
4.2 Transformaciones lineales y matrices. Propiedades basicas de las transformaciones lineales.
4.3 Imagen de un conjunto bajo una transformacion. Operaciones con transformaciones lineales
y con matrices.
4.4 Inversas para transformaciones lineales y matrices.
5. Sistemas de ecuaciones lineales 2 2
5.1 Conceptos y resultados b
asicos.
5.2 Sistemas de ecuaciones lineales y matrices. (Problema de aplicacion).
6. Determinantes de orden 2.
6.1 Determinante de un producto de matrices.
6.2 Determinantes y
areas de paralelogramos.
6.3 F
ormulas de Cramer. Propiedades (lectura por parte del estudiante).
7. Valores propios y vectores propios
7.1 Definiciones. C
alculo de valores y vectores propios. Factorizacion A = P DP 1 .
7.2 Valores propios y vectores propios de matrices simetricas.
8. Secciones c
onicas
8.1 La circunferencia. Traslaci
on de ejes. La parabola.
EN CIENCIAS
28
8.2 La elipse.
8.3 La hiperbola. La ecuaci

on Ax2 + Cy 2 + Dx + Ey + F = 0.
8.4 Rotaci
on de ejes. Ecuaci
on general de segundo grado.
9. Vectores en el espacio
9.1 Vectores geometricos. Conceptos b
asicos y operaciones. Sistema de coordenadas cartesianas
para el espacio. Descomposici
on canonica para vectores geometricos.
9.2 Producto cruz o producto vectorial.
9.3 Vectores coordenados o algebraicos.
10. Rectas y planos
10.1 La lnea recta. Angulo

y posiciones relativas entre dos rectas. Distancia de un punto a una
recta.
10.2 Planos. Posiciones relativas entre dos planos y entre una recta y un plano.
10.3 Distancia de un punto a un plano. Ecuaciones parametricas para un plano.
Bibliografa b
asica:
Apostol, T. M. Calculus. Segunda Edici
on. Reverte. 1982.
Asmar Charris, Abraham y otros Geometra Vectorial y Analtica. Una Introducci

on al Algebra
Lineal. Departamento de publicaciones. U.N. Medelln. 2007.
Banchoff, Thomas y Wermer, John. Linear Algebre Through Geometry, Second edition. Springer
Verlag. 1992.
Leithold, Louis. El C
alculo con Geometra Analtica, Septima edici
on. Oxford University Press.
2001.
Pool, David. Algebra

lineal: una introducci
on moderna. International Thonson editores. 2004.
Uribe, Julio. Geometra Analtica y Vectorial, Quinta edici
on. Departamento de publicaciones.
U.N. Medelln.
Captulo 3
COMPLEMENTACION
MATEMATICA
Cuadro 3.1: Asignaturas de la agrupacion Complemetacion Matematica
Asignatura
L
ogica matem
atica
Modelos matem
aticos
Algebra
multilineal y formas canonicas
Introducci
on al analisis real
C
alculo de ecuaciones diferenciales
Grupos y anillos
An
alisis estoc
astico
3.1.
Caracter
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Creditos
4
4
4
4
4
4
4
ANALISIS
ESTOCASTICO
Cr
editos: 4
Prerrequisito: Procesos estoc
asticos
Descripci
on:
Al final el curso el estudiante debe conocer, manejar e interpretar los axiomas y los conceptos fundamentales del c
alculo estoc
astico.
Contenido:
1. Preliminares
1.1 Espacios de Probabilidad
1.2 Funciones medibles y variables aleatorias.
1.3 Independiencia.
1.4 Integral de Lebesgue y teorema de Fubini.
1.5 Esperanza condicional: definicion y propiedades.
1.6 Procesos markovianos.
MATEMATICA
CAPITULO 3. COMPLEMENTACION
30
1.7 Martingalas.
2. El Movimiento Browniano
2.1 Definici
on y propiedades.
2.2 Tiempos de paro.
2.3 Procesos que se derivan del movimiento browniano.

3. Integracion Estoc
astica
3.1 Construcci
on de la integral de Ito.
3.2 Algunas propiedes de la integral de Ito.
3.3 Extensiones de la integral de Ito.
3.4 La formula de Ito y el teorema de representacion de martingalas.
4. Ecuaciones Diferenciales Estoc
asticas
4.1 Definici
on y ejemplos.
4.2 Algunos metodos de soluci
on.
4.3 Teoremas de existencia y unicidad de soluciones fuertes.
4.4 Soluciones debiles.
4.5 Ecuaciones diferenciales estoc
asticas lineales.
Bibliografa b
asica:
Blanco, L & Mu
noz, M. An
alisis Estoc
astico. Coleccion Notas de clase. Facultad de Ciencias.
Universidad Nacional. 2003.
Cyganowski, S.; Kloeden, P. & Ombach, J. From Elementary Probability to Stochastic Differential Equations with MAPLE. Springer. 2000.
Durret, R. Stochastic Calculus: A practical introduction. CRC Press. 1996.
Mikosch, T. Elementary Stochastic Calculus with Finance in View. Advanced Series on Statistical
Science & Applied Probability. Vol 6. World Scientific. 1999.
Nualart, D. C
alculo Estoc
astico: Notas de clase. Universidad de Barcelona. 2000.
Oksendal, B. Stochastic Differential Equations: An Introduction with Applications. 5 Edici
on.
Springer. 1998.

3.2. CALCULO
DE ECUACIONES DIFERENCIALES
3.2.
31
CALCULO
DE ECUACIONES DIFERENCIALES
Cr
editos: 4
lineal b
asica
Descripci
on:
Objetivos:
1. Modelar por medio de ecuaciones diferenciales algunos sistemas simples y predecir su comportamiento.
2. Comprender y utilizar las diferentes tecnicas analticas y cualitativas para resolver ecuaciones diferenciales.
Metodologa:
Clases magistrales y talleres.
Contenido:
1. Ecuaciones Diferenciales de Primer Orden
1.1 Preliminares: orden, clasificacion y soluciones de las ecuaciones diferenciales. Ejemplos de
sistemas reales modelados por medio de ecuaciones diferenciales: variables independientes, variables dependientes y parametros. Tecnicas para analizar ecuaciones diferenciales
(analticas, cualitativas y numericas).
1.2 Tecnicas analticas: separacion de variables, ecuaciones homogeneas, ecuaciones exactas,
factor integrante y ecuaciones lineales.
1.3 Tecnica cualitativa: campo de pendientes. Tecnica numerica: metodo de Euler. Teorema de
existencia y unicidad de las soluciones. Ecuaciones autonomas y soluciones de equilibrio.
Lnea de fase.
1.4 Aplicaciones de las ecuaciones de primer orden (trayectorias ortogonales, mezclas, enfriamiento y calentamiento de objetos, circuitos, movimientos en una dimension con friccion y
modelos de poblaciones).
2. Ecuaciones de Orden Superior y Sistemas
2.1 Preliminares: ecuaciones lineales homogeneas y no homogeneas, problemas de valor inicial y
de valor en la frontera. Teorema de existencia y unicidad. Independencia lineal. El Wronskiano. Reducci
on del orden para ecuaciones lineales de segundo orden. Ecuacion lineal
homogenea con coeficientes constantes.
2.2 Ecuaciones no homogeneas con coeficientes constantes. Algunas aplicaciones de la ecuacion
ax00 + bx0 + cx = f (t) (circuitos LRC, movimientos amortiguados forzados, resonancia).
2.3 Sistemas de ecuaciones diferenciales. Ecuaciones lineales de orden superior como sistemas.
Sistemas de ecuaciones lineales de primer orden. Teoremas de existencia y unicidad. Geometra de los sistemas aut
onomos: el campo vectorial. Soluciones de equilibrios y soluciones
peri
odicas. Retrato de fase de los sistemas autonomos en el plano.
2.4 Soluci
on de un sistema lineal homogeneo con coeficientes constantes: la exponencial de
una matriz. Valores propios reales diferentes, valores propios complejos. Valores propios
repetidos. El plano traza-determinante para sistemas lineales homogeneos con coeficientes
constantes en el plano.
2.5 Soluci
on particular para los sistemas no homogeneos: coeficientes indeterminados y variaci
on de par
ametros.
2.6 Metodo de Euler para sistemas autonomos. Sistemas no lineales: linealizacion alrededor de
puntos de equilibrio. Isoclinas (nulclinales) y analisis cualitativo.
MATEMATICA
32
3. Transformada de Laplace
3.1 Transformada de Laplace. Transformada inversa. Teoremas de traslacion y derivadas de

una transformada. Transformadas de derivadas, integrales y funciones periodicas.
3.2 Funciones delta y forzamiento de impulso. Aplicaciones a las ecuaciones diferenciales y
sistemas.
4. Series de Potencias
4.1 Series de potencias. Ecuaciones lineales: puntos ordinarios y singulares. Soluciones con series
de potencias en torno a puntos ordinarios.
4.2 Soluciones en torno a puntos singulares regulares (teora de Frobenius).
4.3 Dos ejemplos: ecuaciones de Bessel y Legendre.
Bibliografa b
asica:
Boyce, W.; Diprima, R. Ecuaciones diferenciales y problemas con valores en la frontera.
Paul, Blanchard; Devaney, Robert and Hall, Glen. Ecuaciones diferenciales. Thomson Editores.
1999.
Zill, Dennis. Ecuaciones diferenciales con aplicaciones de modelado. Sexta edici
on. 1998.

3.3. MODELOS MATEMATICOS
3.3.
33
MODELOS MATEMATICOS
Cr
editos: 4
Descripci
on:
La modelaci
on matem
atica no es un tema facil de ense
nar, dada la gran diversidad de problemas
a los cuales esta se enfrenta. Adem
as otra razon de esto se debe a que esta solo se aprende por la
practica, es decir no existe un conjunto de reglas para comprender la manera correcta del proceso
de modelaci
on, esta solo puede adquirirse familiarizandose con una gran variedad de problemas. Se
han propuesto dos grandes corrientes para la ense
nanza de la modelacion matematica: por un lado
una de ellas considera que la forma de dictar el curso se debe realizar sobre casos de estudio en
donde los estudiantes deben encontrar al menos una respuesta con matematica sencilla, de problemas
de la vida real del tipo abierto que pueden despertar gran creatividad en el estudiante pero, que de
alguna forma, se corre el riesgo de tomar caminos que no conduzcan a algo interesante. Por otro lado
la otra escuela que es la estructurada, puede considerarse como un esquema adecuado para nuestro
pregrado. Esta consiste en tomar modelos ya estudiados y ense
nar al estudiante la manera como
dichos problemas se abordan. Con esta tendencia, la modelacion matematica se presenta como la
herramienta para solucionar problemas del mundo real.
Contenido:
1. Adimensionalizaci
on
2. Modelos Compartimentales
3. Optimizaci
on
4. Modelos Estoc
asticos
5. Sensibilidad
Bibliografa b
asica:
Brown and Rothery. Models in Biology. Wiley.
Diran Basmadjian. The Art of Modeling in Science and Engineering. Chapman & Hall / CRC.
1999.
Edelstein-Keshet. Mathematical Models in Biology. McGraw Hill.
Edward Beltrami. Mathematics of Dynamic Modeling (2 ed.). Academic Press. 1998.
Frank Giordano, Maurice Weir, William Fox. A First Course in Mathematical Modeling, Second
Edition. 1997.
John L. Casti. Reality Rules: I. John Wiley and Sons. 1992.
34
MATEMATICA
Captulo 4
PROGRAMACION
La acentuada influencia que ha tenido el advenimiento y la evolucion del computador en el desarrollo
de la Estadstica es fehaciente. Hizo posible la utilizacion de procedimientos cuya estructura teorica y
conceptual haba sido consolidada mucho antes, y ha permitido con su auxilio gran parte del avance
de la disciplina. La computaci
on, por consiguiente, se ha venido convirtiendo en un elemento en la
investigaci
on en Estadstica y en la pr
actica, ligada a los sistemas, de la cual ya no se puede prescindir,
a tal punto que se ha arraigado como una herramienta inherente al quehacer estadstico.
Pero la computaci
on, m
as all
a de ser un ejercicio rutinario de la practica estadstica y de ser un medio
extraordinario de investigaci
on y ensanchamiento del cuerpo conceptual de la Estadstica, curricularmente es un factor sinergico que induce y fortalece el pensamiento estadstico.
Como el prop
osito no es convertir al estudiante en usuario exclusivo de paquetes, sino dotarlo de
las herramientas necesarias para un apropiado desempe
no academico, se procura entonces generar en
el estudiante habilidades de programacion de computadores que le permitan modificar programas o
desarrollar aplicaciones singulares de distinta complejidad, implementadas algortmicamente mediante
alg
un lenguaje de programaci
on. Adem
as del objeto primario de presentar los fundamentos basicos de
la programaci
on, la agrupaci
on propende por la generacion de un espacio para estimular la creatividad
del estudiante ante problemas propios que requieren de soluciones algortmicas.
El cursar una asignatura que se encamina hacia el desarrollo de capacidades de programacion de
computadores, es un requisito que se exige en la formacion de un Estadstico y que la reforma curricular
en consecuencia considera como obligatoria; sin embargo, la flexibilidad de la estructura curricular
propuesta, le imprime un car
acter opcional para cursarla: el estudiante opta entre varias posibilidades
para cumplir el requisito, cursando una asignatura con la carrera de Ingeniera de Sistemas, con la
Carrera de Matem
aticas o en la Carrera de Estadstica. El cuadro 4 lista las asignaturas de esta
agrupacion y se
nala las posibilidades de cumplimiento del requisito.
Cuadro 4.1: Asignaturas de la agrupacion Programacion
Asignatura
Programaci
on y metodos numericos
An
alisis numerico
Programaci
on de computadores
Programaci
on orientada a objetos
Metodos numericos
Programaci
on en lenguajes estadsticos
Caracter
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Creditos
4
4
3
3
4
4
Las asignaturas de esta agrupaci

on difieren en su contenido y propositos particulares, pero son coherentes tem
aticamente, puesto coinciden en estimular el desarrollo de capacidades de programacion de
computadores; por ello la agrupaci
on tiene como objetivo el siguiente:
Incentivar la capacidad de abstraer problemas y de formular su solucion, por medio del dise
no de

CAPITULO 4. PROGRAMACION
36
algoritmos y de su implementaci
on en un lenguaje particular de programacion.
4.1.
EN LENGUAJES ESTADISTICOS
PROGRAMACION
Cr
editos: 4
Correquisito: Algebra
lineal b
asica
Descripci
on:
Esta asignatura introduce la l
ogica de programacion y las plataformas de programacion en Estadstica.
Provee las herramientas b
asicas para la lectura, creacion, procesamiento, almacenamiento y recuperacion de datos. Se hace una introducci
on a la moderna teora de programacion utilizando un lenguaje
orientado a objetos (C++) y la plataforma estadstica R.
1. Proponer el procedimiento l
ogico para resolver un problema.
2. Programar la soluci
on de un problema en un lenguaje de programacion.
3. Utilizar las estructuras vectoriales y matriciales en la programacion de soluciones.
4. Realizar tareas estadsticas b
asicas en una plataforma de programacion en Estadstica.
5. Producir graficas con informaci
on estadstica.
6. Abordar la programaci
on de tareas combinando un lenguaje de programacion y una plataforma
estadstica.
7. Leer datos disponibles en diferentes aplicaciones y exportar datos para otros ambientes.
Contenido:
1. Conceptos iniciales de Programaci
on
1.1 Compiladores, ensambladores, interpretadores.
1.2 Lenguaje de m
aquina, c
odigo fuente, codigo objeto.
1.3 Programaci
on orientada a objetos.
1.4 Programaci
on orientada a vectores.
2. Lexico basico
2.1 Variables y constantes: enteros, punto flotante, caracteres, cadenas.
2.2 Doble y simple decremento.
2.3 Operaciones b
asicas: enteras, punto flotante.
2.4 Operadores aritmeticos. Precedencia.
2.5 Estructuras de datos. Valores miembro. Acceso.
3. Estructuras de control (C++,R)
3.1 Operadores relacionales. Precedencia.
3.2 Operadores l
ogicos.
3.3 Bloques.
3.4 Ciclos.
3.5 Decisi
on.
4. Funciones (C++,R)
4.1 Conceptos generales.
EN LENGUAJES ESTADISTICOS
4.1. PROGRAMACION
4.2 Definici
on y llamado. Prototipos.
4.3 Par
ametros, variables locales y variables globales.
4.4 Valores de retorno.
4.5 Recursi
on.
5. Clases y objetos (C++,R)
5.1 Declaraci
on de clases.
5.2 Especificadores de acceso a clases.
5.3 Acceso de miembros.
5.4 Asignaci
on de objetos.
5.5 Funciones y clases.
5.6 Retorno de objetos.
5.7 Estructura de programas y estilo.
5.8 Uso de clases.
6. Programaci
on orientada a vectores
6.1 Optimizaci
on y reducci
on de codigo fuente. Eliminacion de ciclos.
6.2 Tipos de vectores.
6.3 Aritmetica de vectores.
6.4 Secuencias y generaci
on de secuencias.
6.5 Vectores l
ogicos.
6.6 Valores missing.
6.7 Indices de vectores.
7. Objeto factor en R
7.1 Concepto.
7.2 Operaciones con factores.
7.3 Factores ordenados.
8. Arreglos y matrices en R.
8.1 Indexaci
on.
8.2 Producto externo.
8.3 Transposici
on.
8.4 Multiplicaci
on de matrices.
8.5 Ecuaciones lineales.
8.6 Valores y vectores propios.
8.7 Descomposici
on QR, determinantes.
8.8 Ajuste por mnimos cuadrados.
8.9 Concatenaci
on de bloques de matrices.
9. Manipulaci
on de objetos en R.
9.1 Construcci
on, modificaci
on y acceso de listas.
9.2 Construcci
on, modificaci
on y acceso de tablas de datos (Data frames).
9.3 Escritura de tablas de datos en archivos externos.
9.4 Lectura desde archivos externos.
9.5 Funciones gr
aficas.
37

38
9.6 Parametros para los gr
aficos.
9.7 Manejo de dispositivos de salida. Exportacion de graficas.

10. Elementos de programaci
on en SAS.
10.1 Data, proc y library.
10.2 Importaci
on, exportaci
on y manejo de archivos.
10.3 IML.
Bibliografa b
asica:
Capper, D. Introducing C++ for Scientists, Engineers and Mathematicians. Kindle Book. 2001.
Correa, J. Gr
aficos estadsticos con R. U. Nacional, sede Medelln. 2002
Dalgaard, P. Introductory Statistics with R. Springer. 2002.
Venables W., and Smith D. M. An Introducction to R. http://cran.r-project.org/doc/manuals/Rintro.html. 2007.
Preparado por Campo Elas Pardo.
Y METODOS
4.2. PROGRAMACION
NUMERICOS
4.2.
39
Y METODOS
PROGRAMACION
NUMERICOS
Cr
editos: 4
Correquisito: Algebra
lineal b
asica
Descripci
on:
Objetivos:
1. Adquirir conocimientos b
asicos sobre computadores e informatica.
2. Suministrar los conocimientos b
asicos de la programacion de computadores en un lenguaje de programacion (C, C++, Fortran, o Pascal) en el contexto de los metodos numericos.
3. Poner en pr
actica los conocimientos sobre computadores, informatica y lenguajes considerados en
programas b
asicos de metodos numericos.
Contenido:
1. Introducci
on
1.1 Introducci
on a la plataforma de programacion.
2. Variables, Constantes, Operadores y Expresiones
2.1 Forma de un programa.
2.2 Edici
on del programa fuente, compilacion y enlace, ejecucion.
2.3 Nombres de identificadores.
2.4 Tipos de datos.
2.5 Modificadores de tipos.
2.6 Declaraci
on de variables.
2.7 Variables locales y globales.
2.8 Sentencias de asignaci
on.
2.9 Conversi
on de tipos.
2.10 Inicializaci
on de variables.
2.11 Constantes.
2.12 Operadores aritmeticos.
2.13 Incremento y decremento.
2.14 Operadores relacionales y l
ogicos.
2.15 Expresiones.
2.16 Conversi
on de tipos.
3. Comandos de Control de Flujo del Programa
3.1 Sentencias if. ifs anidados.
3.2 Sentencia switch.
3.3 Bucle for. Bucle while. Bucle do-while.
3.4 Ordenes exit, break.
4. Funciones
4.1 Forma de una funci
on.
4.2 Valores devueltos.

40
4.3 Ambito
de una funci
on.
4.4 Argumentos de una funci
on.
4.5 Llamada por valor y llamada por referencia.
4.6 Recurrencia.
5. Arreglos
5.1 Arreglos unidimensionales.
5.2 Paso de arreglos unidimensionales en funciones.
5.3 Cadenas.
5.4 Arreglos bidimensionales.
5.5 Arreglos de cadenas.
5.6 Arreglos multidimensionales. Iniciacion de arreglos.
6. Apuntadores
6.1 Significado.
6.2 Variables apuntadores.
6.3 Operadores de apuntadores.
6.4 Expresiones, asignaciones, aritmetica de apuntadores.
6.5 Comparaci
on de apuntadores.
6.6 Apuntadores y arreglos.
6.7 Asignaci
on din
amica.
6.8 Arreglos de apuntadores.
6.9 Apuntadores a apuntadores.
7. Archivos Secuenciales
7.1 Lectura y escritura de la informacion sobre archivos.
8. Estructuras
8.1 Declaraci
on, referencia a los elementos, arreglos de estructuras.
8.2 Paso de elementos de estructuras a funciones.
8.3 Paso de estructuras completas a funciones. (Uniones, enumeraciones).
9. Sistemas de Ecuaciones Lineales
9.1 El algoritmo de eliminaci
on gaussiana sin pivoteo y con pivoteo parcial.
9.2 La Factorizaci
on de Cholesky.
10. Calculo de los Ceros de una Funci
on Continua
10.1 El metodo de bisecci
on.
10.2 El metodo de la regla falsa.
11. Metodos de interpolaci
on
11.1 El metodo de Lagrange.
11.2 El metodo de diferencias divididas.
12. Metodos de Integraci
on
12.1 Regla del Trapecio y regla de Simpson.
Y METODOS
4.2. PROGRAMACION
NUMERICOS
41
Bibliografa b
asica:
Glassey, R. Numerical Computation using C. Academic Press. 1993.
Kernighan, B. W. & Ritchie, D. M. El Lenguaje de programaci
on C. Prentice-Hall Hispanoamericana. 1985.
Mora, H. Introducci
on a C y a metodos numericos. Unibiblos. 2004.
Schildt, H. Turbo C/C++, Manual de Referencia. Osborne/McGraw-Hill. 1992.
42
Captulo 5
METODOLOGIA
Con esta agrupaci
on, el currculo no pierde de vista la parte profesional como componente formativa de
un Estadstico, y con ella se pone a disposicion del estudiante un n
umero considerable de asignaturas
dismiles, como ocurre en otras agrupaciones, pero que estan estrechamente ligadas, de una u otra
forma, al apoyo del quehacer del egresado. Estas asignaturas no forman parte de la propedeutica
del plan de estudios ni hacen referencia a los temas disciplinares, que mantienen curricularmente un
sitio cardinal, sino que se encaminan a la profesionalidad, permitiendo el conocimiento de tematicas
particulares, el desarrollo de competencias y el incentivo de reflexiones deontologicas, factores que
posibilitan mejores resultados de su actividad profesional.
Como estratega metodol
ogico, al Estadstico se le demanda persistencia en la b
usqueda de los mejores
medios para incrementar el exito de una investigacion, en cuya labor desempe
na roles especficos y
definitivos. En la planeaci
on, como una de sus funciones especficas, se advierte su mayor desempe
no
de interacci
on grupal, y est
a obligado a manejar elementos semanticos ajenos, a compartir funciones,
a suplir parcialmente carencias de recurso humano. En este sentido la agrupacion denominada Metodologa, re
une asignaturas administradas por varias Facultades e incluye la primera asignatura de
Contexto que ofrecera el Departamento de Estadstica. Estas asignaturas tambien se inscriben dentro
del componente de fundamentaci
on a la luz de lo dispuesto en el acuerdo 033.
La relacion de las asignaturas de esta agrupacion se consigna en el cuadro 5.
Cuadro 5.1: Asignaturas de la agrupacion Metodologa

Asignatura
Dise
no, gesti
on y evaluacion de proyectos
Gesti
on tecnol
ogica
Gerencia de recursos humanos
Ingeniera econ
omica
Finanzas
Formulaci
on y evaluacion de proyectos
Indicadores sociales
Estadstica y sociedad
Caracter
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Creditos
4
3
3
3
4
3
3
3
El objetivo de esta agrupaci

on se sintetiza como:
Traer a identidad de fines una serie de saberes que paralelamente asisten a la profesionalidad y a
reflexiones deontol
ogicas, para proponerla como base eleccion estudiantil, con el fin de que construya
en su rumbo academico, un apoyo conceptual y metodologico que acent
ue un desempe
no cualificado
en la cotidianidad profesional del futuro Estadstico
CAPITULO 5. METODOLOGIA
44
5.1.
ESTADISTICA Y SOCIEDAD
Cr
editos: 3
Descripci
on:
Esta asignatura dispone actividades, como conferencias de expertos, lecturas, discusiones y exposiciones, que permitan el examen de: marcos normativos de organismos productores de estadsticas,
procedimientos estadsticos normalizados y normativas de comportamiento profesional. Es un espacio de reflexion para la toma de conciencia sobre las consecuencias de los actos individuales o colectivos
del ejercicio profesional del estadstico en la sociedad.
1. Reconocer el papel de la estadstica en la sociedad y el estado.
2. Tener presente los aspectos ontol
ogicos y deontologicos del ejercicio profesional.
3. Discernir entre conductas eticas y no eticas en la toma de decisiones con apoyo estadstico.
4. Concertar en el desarrollo de sistemas estadsticos.
5. Contribuir en la construcci
on y adaptaci
on de los procedimientos estadsticos dentro de las normas
tecnicas.
Contenido:
1. El valor de la informaci
on estadstica en la sociedad y estados modernos.
2. Aspectos filos
oficos sobre medici
on y clasificacion.
3. Normalizaci
on de las estadsticas oficiales y armonizacion internacional
3.1 Las cuentas nacionales.
3.2 Los censos de poblaci
on y vivienda.
3.3 Los registros vitales.
3.4 Las encuestas de hogares y sectoriales.
4. Los sistemas estadsticos nacionales.
5. Vigilancia del estado sobre producci
on estadstica
5.1 Encuestas electorales.
5.2 Encuestas de opini
on.
6. Aspectos eticos de la pr
actica estadstica
6.1 Confidencialidad estadstica.
6.2 Aspectos eticos en la experimentacion en seres humanos y animales.
6.3 Derechos sobre la informaci
on estadstica p
ublica.
7. Aspectos filos
oficos y administrativos de la normalizacion tecnica
7.1 Los organismos nacionales e internacionales de normalizacion.
7.2 Normas sobre procedimientos estadsticos.
7.3 Aspectos estadsticos de las normas tecnicas.
7.4 Normas obligatorias sobre metrologa y de intercomparacion de laboratorios.
7.4.1 De la Superintendencia de Industria y Comercio.
7.4.2 De organismos de salud.
7.4.3 De organismos ambientales.
5.1. ESTADISTICA Y SOCIEDAD
45
Bibliografa b
asica:
Desrosi`eres, A. De lo singular a lo general: la informaci
on estadstica y la construcci
on del
estado.
Desrosi`eres, A. Reflejar o instituir: la invenci
on de los indicadores estadsticos. Metodol
ogica,
No.4. 1996.
CEPAL. Las cuentas nacionales: Lineamientos conceptuales, metodol
ogicos y pr
acticos. CEPAL.
2007.
Cobo, Eric. Papel etico del estadstico en la experimentaci
on humana. Questio. 23(1) 155-165.
1999.
International Statistical Institute. Declaration on Profesional Ethics.
http://isi.cbs.nl/ethics.htm. 2008.
American Statistical Association. Ethical Guidelines for Statistical Practice.
http://www.amstat.org/profession/index.cfm?fuseaction=ethicalstatistics. 2008.
Preparado por Humberto Mayorga, Piedad Urdinola, Emilse Gomez, Pedro Nel Pacheco, Campo Elas
Pardo. Revisado por Campo Elas Pardo.
46
CAPITULO 5. METODOLOGIA
Captulo 6
NUCLEO
ESTADISTICO
Se le caracteriza plenamente a esta agrupacion por su esencia, intitulandola como n
ucleo, por medio
de la acepci
on: elemento primordial al que se van agregando otros para formar un todo . Cada una
de las asignaturas del n
ucleo estadstico forma parte de un componente ineludible en la formacion de
un Estadstico, puesto que concebidas como base, sobre su conocimiento y competencias desarrolladas, el estudiante puede incrementar conocimientos adicionales relacionados con las asignaturas de la
agrupacion como complementaci
on o anexar conocimientos de temas particulares a manera de aplicaciones. Corresponde justamente a la apropiacion de elementos conceptuales de la Estadstica, que lo
vinculan disciplinariamente con ella y cimientan su ejercicio profesional. Del mismo modo, el principio
de flexibilidad aten
ua la rigidez presumida para una agrupacion de este caracter y abre posibilidades
al exigirse 36 creditos de 44 posibles.
La agrupaci
on est
a conformada por las asignaturas que incluye el cuadro 6.
Cuadro 6.1: Asignaturas de la agrupacion N

ucleo estadstico
Asignatura
Estadstica descriptiva y exploratoria
An
alisis de regresi
on
Estadstica descriptiva multivariada
Muestreo estadstico
Metodos no parametricos
An
alisis multivariado
Estadstica bayesiana
Series de tiempo univariadas
Estadstica espacial
Dise
no de experimentos
Dise
no y desarrollo de encuestas
Caracter
Obligatoria
Obligatoria
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Creditos
4
4
4
4
4
4
4
4
4
4
4
El objetivo de esta agrupaci

on se condensa en los siguientes terminos:
Proveer al estudiante de un entorno para su inmersion dentro de un conjunto amplio de tematicas
concernientes al acervo disciplinar de la Estadstica, constituyendo el espacio propio para estructurar
las competencias profesionales especficas y estructurales sustentadas en el reconocimiento de la constitucion, identidad y naturaleza de cada asignatura y de la articulacion entre las mismas con el fin de
asentar y respaldar su crecimiento conceptual

CAPITULO 6. NUCLEO
ESTADISTICO
48
6.1.
ANALISIS
DE REGRESION
Cr
editos: 4
Prerrequisito: Inferencia estadstica
Descripci
on:
Esta asignatura dispone los conceptos y fundamentos de la teora estadstica para modelar la relacion existente entre una variable respuesta y un conjunto de variables explicativas, optimizando la
informacion disponible.
1. Identificar la estructura general de los modelos de regresion lineal y no lineal.
2. Teorizar la construcci
on, evaluaci
on y seleccion de un modelo de regresion lineal y no lineal.
3. Estimar modelos de regresi
on lineal, evaluar su ajuste y seleccionar uno adecuado.
4. Verificar los supuestos del modelo de regresion lineal.
5. Ajustar modelos que involucren variables categoricas o modelos que tengan una estructura no lineal.
6. Elegir procedimientos de an
alisis de acuerdo con la estructura de los datos y los objetivos de la
investigacion.
Contenido:
1. Regresion lineal simple
1.1 Introducci
on y formulaci
on del modelo.
1.2 Estimaci
on de los par
ametros del modelo.
1.3 Analisis de varianza y pruebas de hipotesis.
1.4 Bondad de ajuste del modelo.
1.5 Regresi
on en terminos matriciales.
2. Regresion lineal m
ultiple
2.1 Introducci
on y formulaci
on del modelo.
2.2 Estimaci
on de los par
ametros del modelo.
2.3 Analisis de varianza y pruebas de hipotesis.
2.4 Bondad de ajuste del modelo.
2.5 Evaluaci
on de los supuestos del modelo.
2.6 Variables predictoras categ
oricas.
2.7 Selecci
on de variables y construcci
on de modelos.
3. Otros modelos de regresi
on
3.1 Regresi
on polin
omica.
3.2 Regresi
on Poisson.
3.3 Regresi
on logstica.
3.4 Regresi
on robusta.
3.5 Regresi
on no lineal.
Bibliografa b
asica:
Draper, Norman y Smith, Harry. Applied Regression Analysis. John Wiley. 1998.
6.1. ANALISIS
DE REGRESION
49
Fox, John. Applied Regression Analysis and Generalized Linear Models. Sage. 2008.
Hocking, Ronald. Methods and Applications of Linear Models. N. J. Wiley-Interscience. 2003.
Lopez, Luis y Rinc
on, Luis. Notas de Clase de Modelos Lineales. Universidad Nacional de Colombia. 1999.
Montgomery, Douglas; Peck, Elizabeth y Vining, Geoffrey. Introduction to Linear Regression
Analysis. John Wiley and Son. 2006.
Searle, Shayle. Linear Models. John Wiley. 1971.
Preparado por Luz Mery Gonz
alez. Revisado por Emilse Gomez y Diana Franco.

CAPITULO 6. NUCLEO
ESTADISTICO
50
6.2.
ANALISIS
MULTIVARIADO
Cr
editos: 4
Prerrequisitos: Algebra matricial
Inferencia estadstica
Descripci
on:
Esta asignatura extiende los conceptos de la inferencia estadstica al caso de m
ultiples variables, aborda
algunos metodos estadsticos multivariados relacionados con la estructura de covarianza y presenta
los conceptos basicos del an
alisis discriminante.
1. Complementar los fundamentos de la inferencia estadstica bajo el modelo normal multivariado.
2. Emplear intervalos y regiones de confianza para coeficientes de correlacion y vectores de medias.
3. Construir, evaluar y comparar pruebas de hipotesis para coeficientes de correlacion, vectores de
medias, matrices de covarianzas.
4. Aplicar adecuadamente los metodos multivariados relacionados con la estructura de covarianza.
5. Organizar informaci
on utilizando algunos metodos de clasificacion o discriminacion.
Contenido:
1. Introduccion
1.1 Representaci
on gr
afica de datos multivariados.
1.2 Vectores aleatorios.
1.3 Algunos par
ametros y estadsticas.
1.4 Distribuciones conjuntas, marginales y condicionales.
1.5 Panorama de los metodos multivariados.
2. Distribucion normal multivariada y sus propiedades
2.1 Funci
on de densidad.
2.2 Distribuciones marginales y condicionales.
2.3 Distribuci
on normal bivariada.
2.4 Vision geometrica de la normal multivariada.
2.5 Pruebas de bondad y ajuste a la normal multivariada, transformaciones y deteccion de
datos atpicos.
2.6 Correlaci
on parcial y m
ultiple.
2.7 Inferencia sobre coeficientes de correlacion.
3. Inferencia sobre vectores de medias
3.1 Estimaci
on y propiedades del estimador. Distribucion T2 de Hotelling.
3.2 Pruebas de hip
otesis y regiones de confianza sobre el vector de medias.
3.3 Funci
on de potencia y tama
nos de muestra.
3.4 Distribuciones no centrales asociadas a la normal.
4. Inferencia sobre matrices de covarianzas y de correlaciones
4.1 Distribuci
on de Wishart y sus propiedades.
4.2 Pruebas de hip
otesis sobre matrices de covarianzas.

6.2. ANALISIS
MULTIVARIADO
51
4.3 Pruebas de hip

otesis sobre patrones especficos de matrices de correlaciones.
5. Analisis en componentes principales
5.1 Objetivos del an
alisis en componentes principales.
5.2 Generaci
on de componentes principales.
5.3 Criterios para la selecci
on del n
umero de componentes principales.
5.4 Interpretaci
on geometrica del analisis en componentes principales.
6. Analisis de correlaci
on can
onica
6.1 Objetivos de la correlaci
on canonica.
6.2 Modelo poblacional y su estimacion muestral.
6.3 Interpretaci
on geometrica del analisis de correlacion canonica.
7. Analisis factorial
alisis factorial.
7.2 Modelo y metodos de estimacion.
7.3 Criterios para la selecci
on del n
umero de factores.
7.4 Rotaci
on de factores.
8. Analisis discriminante
8.2 Reglas para discriminaci
on de grupos.
8.3 Estimaci
on de tasas de error de discriminacion.
8.4 Discriminaci
on bajo la distribucion normal.
Bibliografa b
asica:
Daz, Luis Guillermo. Estadstica multivariada: inferencia y metodos. U. Nacional de Colombia.
2007.
Johnson, Richard and Wicher, Dean W. Applied Multivariate Statistical Analysis. Prentice Hall,
Inc. 1998.
Mardia, K. V., Kent, J. T., and Bibby, J. M. Multivariate Analysis. Academic Press. 1979.
Morrison, Donald F. Multivariate Statistical Methods. Mc Graw Hill Book Company. 1990.
Pe
na, Daniel. An
alisis multivariante de datos. Mc Graw Hill Book Company. 2004.
Perez, Cesar. Tecnicas de an
alisis multivariante de datos. Pearson-Prentice Hall. 2004.
Rencher, Alvin C. Multivariate Statistical Inference and Applications. John Wiley & Sons. 1998.
Sharma, Subhash. Applied Multivariate Techniques. John Wiley & Sons. 1996.
Preparado por Luis Guillermo Daz y Campo Elas Pardo. Revisado por Nelcy Rodrguez

CAPITULO 6. NUCLEO
ESTADISTICO
52
6.3.
DE EXPERIMENTOS
DISENO
Cr
editos: 4
Prerrequisito: An
alisis de regresi
on
Descripci
on:
Esta asignatura dispone los conceptos y fundamentos que sustentan la planeacion, modelacion y
analisis de experimentos dise
nados estadsticamente.
1. Identificar la estructura general de los dise
nos experimentales.
2. Planear un dise
no de experimentos a la luz de los principios basicos.
on y la modelaci
on de un dise
no experimental a partir de las bases proporcionadas por los modelos lineales.
4. Gestionar el tratamiento de datos faltantes.
5. Elegir dise
nos teniendo en cuenta la estructura de los datos y los objetivos de la investigacion.
6. Evaluar los resultados de la aplicaci
on de un dise
no, a partir de ello ratificarla o elegir analisis
alternativos.
Contenido:
1. Principios del dise
no de experimentos
1.1 Metodo cientfico y conceptos fundamentales del dise
no experimental.
1.2 Los tres principios del dise
no experimental.
1.3 Tipos de dise
nos, estrategia de dise
no, recomendaciones para abordar un estudio experimental.
1.4 Inferencia y tipos de an
alisis estadsticos.
2. Introduccion a los modelos lineales
2.1 Introducci
on y conceptos b
asicos de modelos lineales.
2.2 Modelos lineales particionados y sumas de cuadrados asociadas.
2.3 Estimabilidad, sumas de cuadrados y funciones estimables.
2.4 Clasificaci
on de los modelos en el analisis de varianza y diagramas de estructura.
3. Dise
nos completamente aleatorizados
3.1 Caracterizaci
on del dise
no completamente aleatorizado y analisis de varianza.
3.2 N
umero de replicas.
3.3 Submuestreo.
3.4 Validaci
on de supuestos.
3.5 Pruebas de comparaciones m
ultiples.
3.6 Analisis de covarianza.
4. Dise
nos en bloques completos aleatorizados
4.1 Caracterizaci
on del dise
no en bloques completos aleatorizados y analisis de varianza.
4.2 Estimaci
on de una observaci
on faltante.
4.3 Eficiencia relativa de los dise
nos en bloques completos aleatorizados.
4.4 Submuestreo.
DE EXPERIMENTOS
6.3. DISENO
53
4.5 Ideas generales de bloques incompletos balanceados.

5. Dise
nos en cuadrados latinos y grecolatinos
5.1 Caracterizaci
on de los dise
nos y analisis de varianza.
5.2 Eficiencia relativa de los dise
nos.
5.3 Cuadrados latinos replicados.
6. Dise
nos factoriales
6.1 Caracterizaci
on de los dise
nos factoriales y analisis de varianza.
6.2 Dise
nos factoriales 2k y dise
nos factoriales 3k .
6.3 Factoriales en bloques incompletos.
6.4 Confusi
on en dise
nos factoriales.
6.5 Dise
nos factoriales fraccionados.
6.6 Dise
nos en parcelas divididas.
7. Introducci
on a la metodologa de superficies de respuesta
7.1 An
alisis de una superficie de respuesta de primer orden.
7.2 An
alisis de una superficie de respuesta de segundo orden.
Bibliografa b
asica:
Cochran, William y Cox, Gertrude. Dise
nos Experimentales. Trillas. 1990.
Dean, Angela
y Voss, Daniel. Design and Analysis of Experiments. Springer. 1999.
Hinkelmann, Klauss y Kempthorne, Oscar. Design and Analysis of Experiments, Volume 1,
Introduction to Experimental Design. John Wiley & Sons. 2005.
Melo, Oscar; L
opez, Luis y Melo, Sandra Dise
no de Experimentos Metodos y Aplicaciones.
Universidad Nacional de Colombia. 2007.
Montgomery, Douglas. Dise
no y An
alisis de Experimentos. Limusa Wiley. 2003.
Steel, Robert y Torrie, James. Bioestadstica. Principios y Procedimientos. McGraw-Hill. 1988.

CAPITULO 6. NUCLEO
ESTADISTICO
54
6.4.
Y DESARROLLO DE ENCUESTAS
DISENO
Cr
editos: 4
Prerrequisitos: Muestreo estadstico
Tres creditos de la agrupaci
on programacion
Descripci
on:
La asignatura tiene un enfoque pr
actico y en ella, los estudiantes acompa
nados por el docente llevan a
cabo una investigaci
on cuantitativa sobre un tema escogido dentro de las problematicas del contexto
interdisciplinario. Es importante considerar que en este curso se realiza una investigacion a traves de
una encuesta en la cual, usualmente, los individuos se seleccionan mediante muestreo probabilstico.
1. Planear y ejecutar un proyecto de investigacion.
2. Elaborar y exponer en forma oral y escrita informes de los resultados de la investigacion.
3. Asesorar la elaboraci
on de instrumentos de recoleccion de informacion y el trabajo de campo.
4. Ejercer actividades de liderazgo, trabajo en equipo, manejo de conflictos y toma de decisiones.
Contenido:
1. Preliminares
1.1 Presentaci
on del curso y formaci
on de grupos.
1.2 Presentaci
on de grupos y lderes.
1.3 Funciones de los grupos.
1.4 Caractersticas de un lder.
1.5 Presentaci
on de los informes finales a elaborar. Indices.
2. Preparacion de la propuesta
2.1 Brief o primera charla con el usuario.
2.2 Objetivos y cuadros de salida.
2.3 Cronograma.
2.4 Cuestionario.
2.5 Marco de muestreo y dise
no muestral.
2.6 Precisi
on y confiabilidad. Fuentes de sesgo.
2.7 Practica de definici
on de tama
no de muestra y seleccion.
2.8 Cartografa.
2.9 Caractersticas de una propuesta.
2.10 Elaboraci
on del presupuesto.
2.11 Presentaci
on de la propuesta al usuario y aprobacion de la misma.
3. Actividades previas a la ejecuci
on
3.1 Especificaciones de validaci
on, consistencia e imputacion.
3.2 Especificaciones de estimaci
on de parametros, tabulacion y varianza.
3.3 Programas de captura y procesamiento.
3.4 Plan operativo.
3.5 Capacitaci
on de encuestadores y tecnicas de entrevista.
3.6 Organizaci
on del procesamiento.
Y DESARROLLO DE ENCUESTAS
6.4. DISENO
55
3.7 Factores de expansi

on y tratamiento de la no respuesta.
4. Ejecuci
on
4.1 Capacitaci
on de encuestadores.
4.2 Recolecci
on de informaci
on.
4.3 Captura y procesamiento de informacion.
4.4 An
alisis y elaboraci
on de informes.
5. Presentaci
on de resultados
5.1 Presentaci
on de resultados al usuario.
5.2 Discusi
on final con el grupo - Retroalimentacion.
5.3 Autoevaluaci
on.
Bibliografa b
asica:
Bautista, Leonardo; Salamanca, Ana Milena (sin publicar). Notas de curso de extensi
on en
Tecnicas de Dise
no y Desarrollo de Encuestas. Universidad Nacional de Colombia. 2002.
Iarossi, G. The Power of Survey Design: A Users Guide for Managing Surveys, Interpreting
Results and Influencing Respondents. The World Bank. 2006.
Lyberg, Beamer, et. Al. Survey Measurement and Process Quality Wiley. 1997.
Material de entrenamiento. Tecnicas de presentaciones efectivas. TEC Institute - Argentina.
2007.
Sarndal, C.; Swensson, B. y Wretman, J. Model Assisted Survey Sampling. Springer - Verlag.
1992.
Preparado por Ana Milena Salamanca y Leonardo Trujillo. Revisado por Luz Mery Gonzalez, Leonardo
Trujillo y Pedro Nel Pacheco.

CAPITULO 6. NUCLEO
ESTADISTICO
56
6.5.
ESTADISTICA BAYESIANA
Cr
editos: 4
Correquisito: An
alisis de regresi
on
Descripci
on:
Esta asignatura dispone lo necesario para profundizar en la vision de conjunto del paradigma bayesiano, consolidando sus fundamentos y sus metodos basicos, ilustrando los elementos necesarios para
la solucion de problemas de inferencia estadstica con el enfoque bayesiano.
1. Utilizar tanto su evidencia previa como la emprica proporcionada por el experimento aleatorio que
haya realizado para inferir Bayesianamente.
2. Comparar en casos pr
acticos los resultados obtenidos por los metodos bayesianos con los resultados
de los metodos frecuentistas.
3. Discernir en que casos los metodos bayesianos son necesarios, y tener la capacidad de aplicarlos.
4. Hacer simulaci
on de fen
omenos bajo los modelos Bayesianos.
Contenido:
1. Conceptos b
asicos
1.1 Modelos estadsticos.
1.2 Funci
on de verosimilitud.
1.3 Teorema de Bayes.
1.4 Permutabilidad.
1.5 Suficiencia y familia exponencial.
1.6 Eliminaci
on de par
ametros.
2. Distribucion a priori
2.1 Definici
on de priori.
2.2 Priori conjugada.
2.3 Priori no informativa.
2.4 Priori jer
arquica.
3. Estimacion
3.1 Comparaci
on de estimadores.
3.2 Estimaci
on en modelos normales.
4. Aproximaci
on y metodos computacionales (opcional)
4.1 Tecnicas de optimizaci
on.
4.2 Aproximaciones analticas.
4.3 Metodos de integraci
on numerica.
4.4 Metodos de simulaci
on.
5. Pruebas de hip
otesis
5.1 Pruebas de hip
otesis bayesiana.
5.2 Pruebas de hip
otesis e intervalos de confianza.
5.3 Pruebas de hip
otesis asint
oticas.
6.5. ESTADISTICA BAYESIANA

6. Muestrador de Gibbs
6.1 Definici
on y propiedades.
6.2 Implementaci
on y optimizacion.
6.3 Diagn
osticos de convergencia.
6.4 Aplicaci
on a modelos lineales normales.
7. Metr
opolis Hastings
7.1 Definici
on y propiedades.
7.2 Casos especiales.
7.3 Algunos algoritmos.
8. Introducci
on a modelos lineales
8.1 Modelo lineal.
8.2 Modelo lineal Bayesiano.
8.3 Modelo lineal jer
arquico.
8.4 Modelo lineal din
amico.
Bibliografa b
asica:
Berger, J. O. Statistical Decision Theory and Bayesian Analysis. Springer. 1985.
Box and Tiao. Bayesian Inference in Statistical Analysis. Addison-Wesley. 1972.
Migon, H. and Gamerman D. Statistical Inference and Integrated Approach. Arnold. 1999.
Taner, M. A. Tools for Statistical Inference. Springer. 1996.
Preparado por Edilberto Cepeda. Revisado por Pedro Nel Pacheco y Emilse Gomez.
57

CAPITULO 6. NUCLEO
ESTADISTICO
58
6.6.
ESTADISTICA DESCRIPTIVA MULTIVARIADA
Cr
editos: 4
matricial
Descripci
on:
Aborda el analisis descriptivo y exploratorio multivariado de tablas grandes de datos (muchas filas
y columnas). Recurre a la representaci
on geometrica multidimensional de las tablas de datos y a
su lectura mediante proyecciones en planos, denominados factoriales, y a la conformacion de grupos
homogeneos en el sentido de variabilidad baja dentro de los grupos y alta entre grupos. Las representaciones geometricas permiten visualizar la informacion relevante contenida en las tablas de datos.
El aprendizaje se consolida mediante una aplicacion real siguiendo las pautas de la metodologa de la
investigacion.
1. Aplicar los metodos empleando programas de uso libre y comercial y utilizarlos en el contexto de
situaciones especficas.
2. Abordar el aprendizaje de otros metodos de la estadstica exploratoria multidimensional.
3. Consolidar los conocimientos sobre metodologa de la investigacion.
4. Mejorar las destrezas en redacci
on de textos, normas de presentacion de trabajos escritos y de
presentacion oral de los resultados.
Contenido:
1. Introduccion
1.1 Metodos estadsticos exploratorios multidimensionales.
1.2 Presentaci
on del software que se va a utilizar en el curso.
1.3 Repaso de la descripci
on de dos variables.
2. El entorno de una tabla de datos
2.1 El contexto y las etapas de la investigacion.
2.2 El contexto de la investigaci
on.
2.3 Planteamiento de objetivos.
3. Representaci
on multivariada de datos
3.1 Espacios euclidianos multidimensionales.
3.2 Representaci
on geometrica de tablas de datos.
3.3 Significado de las estadsticas b
asicas y de las operaciones de centrado y reducido.
3.4 Inercia y contribuciones a la inercia de filas y columnas.
3.5 Proyecci
on sobre cualquier eje.
3.6 Contribuci
on de las filas y columnas a la inercia proyectada sobre un eje. Calidad de la
representaci
on sobre un eje.
4. Analisis en componentes principales - ACP
4.1 Objetivos del ACP.
4.2 Espacio de los individuos.
4.3 Espacio de las variables.
4.4 Relaciones entre los dos espacios.
6.6. ESTADISTICA DESCRIPTIVA MULTIVARIADA
59
4.5 Ayudas para la interpretaci

on de los ejes factoriales.
4.6 Proyecci
on de elementos ilustrativos.
5. Analisis de correspondencias simples - ACS
5.1
5.2
5.3
5.4
Objetivos del ACS.

Tablas obtenidas de la tabla de contingencia.
Representaci
on geometrica de las tablas de perfiles.
El ACS como dos ACP.
6. Analisis de correspondencias m
ultiples - ACM
6.1
6.2
6.3
6.4
6.5
Objetivos del ACM.

Codificaciones de las variables cualitativas.
El ACM como el AC de la tabla disyuntiva completa.
El ACM como el AC de la tabla de Burt.
ACM y ACS en el caso de dos variables.
7. Introducci
on a los metodos de clasificacion en espacios metricos
7.1
7.2
7.3
7.4
7.5
7.6
7.7
7.8
Objetivos de los metodos de agrupamiento.

Indices de similitud, disimilitud y distancia entre individuos.
Inercia intra y entre grupos.
Clasificaci
on alrededor de centros moviles.
Clasificaci
on jer
arquica aglomerativa.
El metodo de Ward.
Caracterizaci
on de las clases.
Combinaci
on de metodos factoriales y de clasificacion.
8. Escalamiento multidimensional
8.1
8.2
8.3
8.4
8.5
Objetivos del escalamiento multidimensional.

An
alisis en coordenadas principales (ACO).
Transformaci
on de ndices de disimilitud en distancias euclidianas.
An
alisis procusteano.
Biplots.
9. Analisis factorial discriminante (descriptivo)

9.2 Obtenci
on de las funciones lineales discriminates.
9.3 Puntaje discriminante combinando ACM y analisis factorial discriminante.
Bibliografa b
asica:
Escofier, B. & Pages, J. An
alisis factoriales simples y m
ultiples. Objetivos, metodos e interpretaci
on. Universidad del Pas Vasco. 1992.
Greenacre, M. Correspondence Analysis in Practice. Chapman & Hall. 2007.
Le-Roux, B. & Rouanet, H. Geometric Data Analysis. From Correspondence Analysis to Structured Data Analysis. Springer. 2005.
Lebart, L., Morineau, A. & Piron, M. Statisitique exploratoire multidimensionnelle. Dunod. 1995.
Lebart, L., Morineau, A. & Warwick. Multivariate Descriptive Statistical Analysis. Wiley. 1984.
Preparado por Campo Elas Pardo, discutido con Guillermo Daz y Oscar Melo y profesores del
Departamento de Estadstica. Revisado por Nelcy Rodrguez y Humberto Mayorga.

CAPITULO 6. NUCLEO
ESTADISTICO
60
6.7.
ESTADISTICA DESCRIPTIVA Y EXPLORATORIA
Cr
editos: 4
Descripci
on:
Esta asignatura introduce conceptos sobre el papel de la Estadstica en la metodologa de la investigacion, provee la sintaxis inicial del lenguaje estadstico y las herramientas necesarias para la
organizacion, la descripci
on, el an
alisis, el resumen, la presentacion y la identificacion de patrones y
estructuras inherentes a conjuntos de datos.
1. Reconocer el papel de la Estadstica en los procesos de investigacion.
2. Aplicar adecuadamente algunos metodos descriptivos y exploratorios, utilizando herramientas computacionales.
3. Leer y comprender informes de los an
alisis estadsticos en investigaciones de tipo exploratorio.
4. Presentar de manera verbal y escrita los resultados estadsticos obtenidos en una investigacion de
caracter exploratorio.
Contenido:
1. Estadstica e investigaci
on
1.1 Formas de saber.
1.2 Metodo cientfico e investigaci
on.
1.3 La estadstica y la investigaci
on.
1.4 Definiciones de Estadstica.
1.5 Caractersticas del metodo estadstico.
1.6 Clasificaci
on de los metodos estadsticos.
1.6.1 Metodos descriptivos.
1.6.2 Metodos inductivos o inferencia estadstica.
1.6.3 Metodos te
oricos o teora estadstica.
2. Conceptos fundamentales de Estadstica
2.1 El colectivo, agregado, poblaci
on, universo.
2.2 Las variables.
2.3 Escalas de medici
on o clasificaci
on.
2.4 El censo o enumeraci
on completa.
2.5 El muestreo.
2.6 Los par
ametros y las estadsticas.
2.7 Rese
na hist
orica de la Estadstica.
3. Descripcion de una variable
3.1 Distribuciones de frecuencias.
3.2 Graficos para una variable.
3.3 Medidas de resumen: tendencia, localizacion, dispersion y forma.
4. Descripcion conjunta de varias variables
4.1 Tablas de contingencia.
4.2 Graficos de dispersi
on.
6.7. ESTADISTICA DESCRIPTIVA Y EXPLORATORIA
61
4.3 Matrices de covarianza y correlacion.

4.4 Gr
aficos para varias variables.
4.5 Detecci
on de datos atpicos.
5. Introducci
on al an
alisis de datos correlacionados
5.1 Concepto de serie de tiempo.
5.2 Concepto de proceso espacial.
5.3 Autocorrelaci
on.
5.4 Tecnicas de suavizamiento.
5.5 Tendencia.
6. Introducci
on a metodos resistentes
6.1 Medidas resistentes univariadas.
6.2 Lnea resistente.
6.3 Pulimento de medianas.
7. Principios de la transici
on de la descripcion a la inferencia
7.1 Ejemplos y casos.
7.2 Muestra aleatoria.
7.3 Distribuci
on normal.
7.4 Caso introductorio, estimando la media poblacional; confianza y precision.
7.5 Perspectivas de inferencia en otros contextos.
Bibliografa b
asica:
Emerson D.; Hoaglin D.; Mosteller F. y Tukey J. Understanding robust and exploratory data
analysis. John Wiley. 1983.
Pe
na Daniel. Estadstica, Modelos y Metodos. Volumen 1. Alianza Editorial. 1999.
Rossman Allan J. Workshop Statistics Discovery with data. Springer. 2000.
Scheaffer R.L.; Gnanadesikan M.; C
watkins A. y Witmer J. Activity - Based Statistics. Springer.
2007.
Velleman Paul F. Applications, basics and computing of exploratory data analysis. Boston Duxbury Press. 1981.
Preparado por Martha Bohorquez y Pedro Nel Pacheco. Revisado por Nelcy Rodrguez y Campo Elas
Pardo.

CAPITULO 6. NUCLEO
ESTADISTICO
62
6.8.
ESTADISTICA ESPACIAL
Cr
editos: 4
Prerrequisito: An
alisis de regresi
on
Descripci
on:
Esta asignatura dispone los conceptos y fundamentos para modelar estadsticamente, a partir de las
bases proporcionadas por los procesos estoc
asticos, el comportamiento de una variable cuantitativa
georreferenciada considerando las dependencias estadsticas en la secuencia de observaciones.
1. Elegir un metodo apropiado seg
un las caractersticas de la georreferenciacion.
2. Reconocer diferentes modelos de variabilidad espacial.
3. Construir mapas a partir de predicciones
optimas para las variables de interes.
4. Determinar patrones y regularidades en el comportamiento espacial de los datos.
Contenido:
1. Introduccion
1.1 Proceso estoc
astico; la estadstica espacial como un proceso estocastico.
un el conjunto de ndices del proceso.

1.2 Areas de la estadstica espacial seg
1.3 Perspectivas de aplicaci
on.
2. Geoestadstica
2.1 Analisis exploratorio: Gr
aficos exploratorios, tendencia, interpolacion determinstica.
2.2 Autocorrelaci
on espacial: Variable regionalizada, momentos, estacionariedad, isotropa, variograma, covariograma y correlograma, modelos teoricos.
2.3 Predicci
on espacial. Kriging (simple, ordinario, residual, universal) y cokriging.
3. Analisis de datos de
areas
3.1 Analisis descriptivo: Coordenada media, cuantificacion de la contig
uidad espacial, operador retardo espacial, matriz de pesos espaciales, histograma regional, graficos de retardo
espacial, mapas de cuantiles (box map), graficos de Moran, mapas LISA.
3.2 Efectos espaciales.
3.2.1 Autocorrelaci
on espacial: Indices de Geary y Moran, ndice bayesiano emprico, indicadores locales de asociaci
on espacial (LISA).
3.2.2 Heterogeneidad Espacial.
3.3 Introducci
on a los modelos de regresion espacial: autorregresivos espaciales (primer orden,
regresivo-autoregresivo mixto, de error espacial) y espacial general.
4. Patrones puntuales
4.1 Analisis descriptivo: Gr
aficos exploratorios, relacion varianza media, ndices basados en
conteos por cuadrantes, pruebas de aleatoriedad, funcion de intensidad, estimador kernel,
graficos de contornos de la funci
on de intensidad.
4.2 Tipos de patrones: Propiedades de segundo orden, estimacion de las propiedades de segundo
orden para procesos marcados univariados y multivariados, distribucion del vecino mas
cercano, funci
on K.
4.3 Modelos para patrones puntuales: Procesos Poisson homogeneo y no homogeneo, proceso
de Cox, Proceso Poisson agregado (cluster), proceso de Gibbs. Metodos de Monte Carlo
para estimaci
on de la intensidad.
6.8. ESTADISTICA ESPACIAL
63
Bibliografa b
asica:
Anselin, L. Spatial Econometrics. Kluwer Academic Publisher. 1998.
Cressie, N. Spatial Statistics. John Wiley. 1993.
Moreno R. & Vay
a, Esther. Tecnicas econometricas para el tratamiento de datos espaciales: La
econometra espacial. Ediciones Universidad de Barcelona. 2000.
Ripley, B. Spatial Statistics. John Wiley & Sons. 1981.
Schabenberger, G. Statistical Methods for Spatial Data Analysis. Chapman & Hall . 2005.
Preparado por Ram
on Giraldo, Martha Bohorquez. Revisado por Emilse Gomez y Diana Franco.

CAPITULO 6. NUCLEO
ESTADISTICO
64
6.9.
METODOS
NO PARAMETRICOS
Cr
editos: 4
Prerrequisitos: Inferencia estadstica
Descripci
on:
Esta asignatura dispone metodos estadsticos de inferencia de distribucion libre los cuales carecen de
supuestos tales como que la muestra es extrada bajo una distribucion de probabilidad determinada
o conocida.
1. Identificar los metodos apropiados para el manejo de datos proveniente de distribuciones no conocidas a priori.
2. Construir, evaluar y comparar estimadores obtenidos con muestras de distribucion libre.
3. Aplicar metodos adecuados para el ajuste de densidades y de modelos lineales.
4. Realizar estimaciones puntuales, por intervalo y pruebas de hipotesis a partir de muestras obtenidas
de distribuciones cuya naturaleza se desconoce.
Contenido:
1. Introduccion
1.1 Conceptos b
asicos de inferencia no parametrica.
1.2 Clasificaci
on de metodos no parametricos.
1.3 Rese
na hist
orica.
2. Metodos no parametricos para una muestra
2.1 Prueba de rachas para aleatoriedad.
2.2 Pruebas de bondad de ajuste.
2.3 Modelo de localizaci
on. Prueba del signo (distribucion bajo las hipotesis nula y alterna,
manejo de empates y otros usos).
2.4 Definici
on de rango. Prueba del rango signado de Wilcoxon (manejo de empates y de
muestras pareadas).
2.5 Estimador de Hodges-Lehmann. Estimacion asociada a la prueba.
2.6 Estimador de Hodges-Lehmann. Estimacion asociada a la prueba del signo y del rango
signado de Wilcoxon.
3. Metodos no parametricos para dos muestras
3.1 Pruebas de igualdad de distribuciones.
3.2 Modelo de localizaci
on: Prueba de Mann-Whitney-Wilcoxon (estimacion y manejo de empates). Pruebas de permutaciones.
3.3 Modelo de escala. Algunas pruebas (manejo de empates).
4. Metodos no parametricos para estimadores de localizacion en mas de dos muestras
4.1 Dise
no a una va: Pruebas de Kruskal-Wallis, alternativas ordenadas y diferencias m
ultiples
(manejo de empates).
4.2 Dise
no en bloques: Prueba de Friedman, alternativas ordenadas y diferencias m
ultiples
(manejo de empates).
5. Estimacion no parametrica de la densidad
6.9. METODOS
NO PARAMETRICOS
65
5.1 El histograma y el polgono de frecuencias.

5.2 Estimador n
ucleo de la densidad.
5.3 Estimador de la densidad multivariante.
5.4 Comportamiento local: Sesgo y varianza del estimador n
ucleo MISE y AMISE, eficiencia
relativa, elecci
on de la ventana asumiendo normalidad.
5.5 Funciones n
ucleo con ventanas comparables, sesgo y varianza asintoticas.
6. Regresi
on no parametrica
6.1 El modelo de regresi
on no parametrica.
6.2 Estimadores n
ucleo y polinomios locales. Propiedades.
6.3 Verosilmilitud local y familias exponenciales.
6.4 Inferencia en el modelo de regresion no parametrica.
6.5 Suavizado por splines.
Bibliografa b
asica:
Bowman, A. W. y Azzalini, A. Applied Smoothing Techniques for Data Analysis. Oxford. 1997.
Conover, W. J. Practical Nonparametric Statistics. Wiley. 1999.
Corzo, J. y Gomez, E. Estadstica no par
ametrica - Notas de Clase Universidad Nacional de
Colombia. 2008.
Gibbons, J. y Chakraborti, S. Nonparametric statistical Inference. Marcel Dekker. 1992.
Higgins, J. J. Introduction to Modern Nonparametric Statistics. Thompson Learning. 2004.
Hollander, M. y Wolfe, D. Nonparametric Statistical Inference. Jhon Wiley and Sons. 1999.
Lehmann, E. Nonparametric Statistical Methods based on Ranks. Prentice Hall. 1998.
Simonoff, J. S. Smoothing Methods in Statistics. Springer. 1996.
Wand, M. P. y Jones, M. C. Kernel Smoothing. Chapman and Hall. 1995.
Preparado por Jimmy Corzo y Ram
on Giraldo. Revisado por Luz Mery Gonzalez, Leonardo Trujillo
y Pedro Nel Pacheco.

CAPITULO 6. NUCLEO
ESTADISTICO
66
6.10.
MUESTREO ESTADISTICO
Cr
editos: 4
Prerrequisitos: Inferencia estadstica
Descripci
on:
Esta asignatura dispone las ideas centrales en muestreo probabilstico de poblaciones finitas. Considera dise
nos muestrales para los cuales las unidades podran tener diferentes probabilidades de seleccion
y aborda metodos de estimaci
on de funciones de totales poblacionales (totales, medias, razones, proporcion, coeficientes de correlaci
on, percentiles).
1. Identificar las caractersticas propias de diferentes estrategias muestrales (dise
no y estimadores).
2. Teorizar el comportamiento de los estimadores asociados a diferentes dise
nos muestrales.
3. Construir, comparar y evaluar estimadores bajo diferentes dise
nos de muestreo probabilstico.
4. Construir y evaluar dise
nos de muestreo probabilstico.
5. Realizar estimaciones puntuales y por intervalo a partir del dise
no aplicado.
6. Escoger el dise
no y el tama
no de muestra apropiados en una situacion aplicada.
Contenido:
1. Conceptos b
asicos de muestreo
1.1 Conceptos b
asicos de probabilidad e inferencia.
1.2 Importancia del Muestreo.
1.3 Concepto de Muestreo Probabilistico.
2. Dise
nos de muestra para elementos
2.1 Estimadores b
asicos para la estimacion de totales, construccion del pi-estimador y MCRestimador.
2.2 Dise
no de muestreo aleatorio simple. Tama
no de muestra.
2.3 Dise
no Bernoulli, dise
no sistem
atico, dise
no Poisson, dise
no pi-pt y ppt.
2.4 Muestreo estratificado.
3. Dise
nos de muestra para conglomerados
3.1 Dise
no de conglomerados, dise
no en dos etapas, principios de independencia e invarianza.
3.2 Dise
no en varias etapas, dise
no en etapas con muestreo con reemplazo en las primeras
etapas. Tama
no de muestra.
3.3 Comparaci
on del muestreo con reemplazo frente al muestreo sin reemplazo en varias etapas.
4. Estimacion de par
ametros diferentes a totales
4.1 Funciones lineales de totales, estimacion en funciones no lineales de totales.
4.2 Metodo de linealizaci
on de Taylor para estimacion de la varianza.
4.3 Estimaci
on de cociente de totales, la estimacion de los promedios, de varianzas y covarianzas
poblacionales, estimacion de percentiles y estimacion de coeficientes de regresion.
5. Calidad muestral
5.1 Errores muestrales y no muestrales.
5.2 Fuentes de sesgo, errores de los marcos.
6.10. MUESTREO ESTADISTICO
67
5.3 Tratamiento de la no-respuesta, declaraciones de calidad, obligaciones del muestrista.

Bibliografa b
asica:
Bautista, Leonardo. Tecnicas de dise
no de encuesta. Universidad Nacional de Colombia. 2000.
Brewer, K. Combined Survey Sampling Inference. Arnold Publishers. 2002.
Cochran, W.G. Sampling Techniques. Wiley. 1977.
Kish, L. Survey Sampling. Wiley. 1965.
Lohr, Sharon L. Muestreo dise
no y an
alisis International Thomson. 2000.
Ospina, D. Introduccion al Muestreo. Universidad Nacional de Colombia. 2001.
Sarndal, C.; Swensson, B. y Wretman, J. Model Assisted Survey Sampling. Springer. 2003.
Preparado por Leonardo Trujillo. Revisado por Luz Mery Gonzalez, Leonardo Trujillo y Pedro Nel
Pacheco.

CAPITULO 6. NUCLEO
ESTADISTICO
68
6.11.
SERIES DE TIEMPO UNIVARIADAS
Cr
editos: 4
Correquisito: An
alisis de regresi
on
Descripci
on:
Esta asignatura dispone los conceptos y fundamentos para modelar estadsticamente, a partir de las
bases proporcionadas por los procesos estoc
asticos, el comportamiento de una variable cuantitativa
indexada en el tiempo, considerando las dependencias estadsticas en la secuencia de observaciones.
1. Identificar la estructura general de una serie de tiempo univariada.
2. Formular y ajustar un modelo apropiado a la serie objeto de estudio.
3. Distinguir la tendencia, estacionalidad, ciclos y datos atpicos en una serie de tiempo univariada.
4. Elegir modelos teniendo en cuenta la estructura de los datos, para componentes observables o no
observables.
5. Proyectar el comportamiento de un fen
omeno observado a traves del tiempo.
Contenido:
1. Procesos estoc
asticos estacionarios
1.1 Definici
on de estacionariedad debil y estricta.
1.2 Propiedades de un proceso estacionario: procesos ergodicos, determinsticos, existencia de
un proceso estacionario.
1.3 Funciones de autocorrelaci
on y sus propiedades.
2. Procesos ARMA estacionarios
2.1 Definici
on de un proceso ARMA.
2.2 Procesos causables e invertibles.
2.3 Funci
on de autocorrelaci
on y de autocorrelacion parcial de un proceso ARMA.
3. Representaci
on espectral de un proceso estacionario
3.1 Procesos estoc
asticos complejos.
3.2 Distribuci
on espectral de un proceso estacionario.
3.3 Funci
on de densidad espectral de un proceso estacionario.
3.4 Calculo de la funci
on de densidad espectral de un proceso lineal causable.
3.5 Estimaci
on de la funci
on de densidad espectral: el periodograma.
3.6 Suavizamiento del periodograma.
4. Teora de predicci
on de procesos estoc
aticos estacionarios
4.1 Las ecuaciones de predicci
on.
4.2 Metodos recurrentes para calcular predictores lineales optimos.
4.3 Predicciones a partir de un proceso ARMA.
4.4 Medidas de incertidumbre de un predictor e intervalos de prediccion.
4.5 Medidas para la evaluaci
on de la bondad de pronostico.
5. Inferencia sobre las funciones de medias y de autocorrelacion de un proceso estacionario
5.1 Estimaci
on de la media de un proceso estacionario y propiedades distribucionales.
6.11. SERIES DE TIEMPO UNIVARIADAS
69
5.2 Estimaci
on de la funci
on de autocorrelacion y de autocorrelacion parcial de un proceso
estacionario y propiedades distribucionales.
6. Estimaci
on y validaci
on de modelos ARMA
6.1 Funci
on de verosimilitud de un modelo ARMA.
6.2 Propiedades distribucionales de los estimadores de maxima verosimilitud de los parametros
de un modelo ARMA.
6.3 An
alisis de residuos.
7. Procesos no estacionarios y estacionales SARIMA
7.1 Modelos ARIMA para procesos estocasticos no estacionarios.
7.2 Criterios de informaci
on para identificar modelos ARIMA.
7.3 Predicci
on con modelos ARIMA.
7.4 Modelos SARIMA para procesos estacionales.
8. Modelos de intervenci
on
8.1 Definici
on y propiedades de las funciones de intervencion.
8.2 An
alisis estadstico de un modelo de intervencion: identificacion, estimacion, verificacion y
funci
on de pron
ostico.
8.3 Datos atpicos en series de tiempo.
8.4 Estimaci
on de datos faltantes en una serie de tiempo.
9. Analisis de series de tiempo por medio de modelos de componentes no observables
9.1 Modelos con tendencia y estacionalidad.
9.2 Estimaci
on y eliminaci
on de tendencia y estacionalidad.
9.3 Metodos de suavizamiento.
Bibliografa b
asica:
Brockwell, P. J. and Davis, R. A. Introduction to Time Series and Forecasting. Springer-Verlag
2002.
Brockwell, P. J. and Davis, R. A. Time Series: Theory and Methods. Springer-Verlag. 1991.
Fuller, W. A. Introduction to Statistical Time Series. John Wiley and Sons. 1996.
Guerrero, V. M. An
alisis estadstico de series de tiempo econ
omicas. Thomson. 2003.
Pe
na, D. Series Temporales. Alianza Universidad Textos. 2005.
Preparado por Fabio Nieto. Revisado por Emilse Gomez y Diana Franco.
70
CAPITULO 6. NUCLEO
ESTADISTICO
Captulo 7
COMPLEMENTACION
ESTADISTICA
Esta agrupaci
on tiene fines paralelos a la agrupacion de Aplicacion estadstica, en el sentido de partir
del n
ucleo estadstico y secundar posibilidades de agregar otros temas especiales en direccion al fortalecimiento de competencias profesionales ya promovidas. Solo que esta agrupacion procura el desarrollo
de conceptos y procedimientos adicionales del n
ucleo, que el estudiante elige en su gestion academica
para complementar su preparaci
on en la disciplina.
Consecuentemente, el objetivo de esta agrupacion consiste en:
Fortalecer competencias disciplinares alcanzadas por el estudiante, incorporando al n
ucleo estadstico temas adicionales que busquen ampliar su formacion disciplinar basica, respondiendo de manera
integral a su proyecto de vida.
La lista de asignaturas de aplicaci
on estadstica se relaciona en el cuadro 7.
Cuadro 7.1: Asignaturas de la agrupacion Complementacion estadstica
Asignatura
Procesos estoc
asticos
Computaci
on estadstica
An
alisis de datos categoricos
An
alisis de correspondencias
An
alisis de datos longitudinales
Metodos de clasificacion
Muestreo asistido por modelos
Series de tiempo multivariadas
T
opicos avanzados de dise
no experimental
Modelos lineales generalizados
Teora de muestreo
Teora de estadstica no parametrica
Teora de series de tiempo
Teora de dise
no de experimentos
7.1.
Caracter
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Creditos
4
4
4
4
4
4
4
4
4
4
4
4
4
4
ANALISIS
DE CORRESPONDENCIAS
Cr
editos: 4
ESTADISTICA
72
Prerrequisito: Estadstica descriptiva multivariada

Descripci
on:
Descripcion:
El curso busca consolidar los conocimientos sobre fundamentos y aplicaciones de los analisis de correspondencias simples y m
ultiples y la clasificaci
on sobre coordenadas factoriales. El repaso de los metodos
se hace con su aplicaci
on al an
alisis de datos textuales, haciendo enfasis en el analisis de preguntas
abiertas y cerradas en encuestas.
Se estudia la extensi
on del AC a tablas estructuradas y ternarias, privilegiando el caso de tablas
indexadas en el tiempo o en el espacio. Se estudia el analisis factorial m
ultiple y su aplicacion al caso
de variables cualitativas y mixtas (cuantitativas y cualitativas).
Finalmente se abordan modificaciones y extensiones del AC: analisis de correspondencias no simetrico,
analisis canonico de correspondencias, an
alisis de coinercia y la combinacion del AC con otros metodos.
Para ejecutar los metodos se utiliza preferentemente software libre: R y el DTM. Se utiliza tambien
el SPAD si la Universidad dispone de licencia en el semestre que se dicte el curso.
Objetivos:
1. Saber analizar informaci
on obtenida a partir de preguntas abiertas y cerradas utilizando analisis
de correspondencias simples y m
ultiples y clasificacion sobre coordenadas factoriales.
2. Conocer los fundamentos del an
alisis de datos textuales.
3. Conocer las aplicaciones del AC en tablas estructuradas y ternarias.
4. Conocer los fundamentos y aplicaciones del analisis factorial m
ultiple.
5. Saber abordar metodos y aplicaciones especficas.
6. Saber ejecutar los metodos con programas estadsticos de uso libre y comercial.
Contenido:
1. Analisis de datos textuales
1.1 El ambito de la estadstica textual.
1.2 Las preguntas abiertas en encuestas.
1.3 Unidades de la estadstica textual y segmentacion del corpus.
1.4 Documentos lexicometricos.
1.5 AC aplicado a un corpus de respuestas abiertas.
1.6 Palabras y respuestas caractersticas.
1.7 Clasificaci
on de textos, palabras o individuos.
2. Marco teorico para los an
alisis de correspondiencias de tablas estructuradas y tablas ternarias
2.1 ACP ponderado o generalizado o diagrama de dualidad - ACP(X,M,D).
2.2 Analisis de correspondencias simples como un ACP ponderado.
2.3 AC con respecto a un modelo.
3. AC de tablas de contingencia estructuradas y AC de tablas ternarias.
3.1 Analisis de tablas marginales.
3.2 Analisis de tablas yuxtapuestas.
3.3 Analisis intra-tablas en una dimension.
3.4 Analisis intra-tablas en dos dimensiones.
4. Extensiones del ACM
4.1 ACM condicional.

7.1. ANALISIS
DE CORRESPONDENCIAS
73
4.2 ACM con la tabla disyuntiva incompleta.

4.3 AC difuso.
5. Analisis factorial m
ultiple (AFM) con variables cualitativas
5.1 Fundamentos del AFM.
5.2 El AFM con variables cualitativas.
5.3 An
alisis factorial m
ultiple con variables cuantitativas y cualitativas.
5.4 El AFM en tablas de contingencia.
6. Otros metodos con AC
6.1 AC no simetrico.
6.2 An
alisis can
onico de correspondencias.
6.3 An
alisis de coinercia.
6.4 Combinaci
on de ACM y an
alisis factorial discriminante.
Bibliografa b
asica:
Becue, M. & Pagues, J. A principal axes method for comparing multiple contingency tables:
MFACT. Comp. Statistics & Data Analysis. 2004.
Benzecri, J. Correspondence Analysis Handbook. Marcel Dekker - Francia. 1992.
Cabarcas, G. & Pardo, C.-E. Metodos estadsticos multivariados en investigaci
on social. Simposio
de Estadstica. U.Nacional de Colombia Fac. Ciencias Depto. Estadstica. 2001.
Escofier, B. Analyse factorielle en reference a un modele. application a lanalyse de tableaux
dechanges. Revue de Satatistique Appliquee. 1984.
Lebart, L., Morineau, A. & Piron, M. Statisitique exploratoire multidimensionnelle. Dunod. 1995.
Le-Roux, B. & Rouanet, H. Geometric Data Analysis. From Correspondence Analysis to Structured Data Analysis. Springer. 2005.
Montenegro, A. & Pardo, C. Introducci
on al an
alisis de datos textuales. U.Nacional de Colombia
Fac. Ciencias Depto. Estadstica y Matematicas. 1996
Pardo, C. E. An
alisis de correspondencias de tablas de contingencia estructuradas. U.DistritalColombia. 2005.
Preparado por Campo Elas Pardo. Revisado por Campo Elas Pardo.
ESTADISTICA
74
7.2.
ANALISIS
Cr
editos: 4
Prerrequisito: An
alisis de regresi
on
Descripci
on:
Esta asignatura dispone los fundamentos y las herramientas para el analisis estadstico de variables
en escala nominal u ordinal, por medio de tablas de contingencia y modelos de regresion.
1. Distinguir entre los conceptos de asociaci
on y concordancia.
2. Elegir el coeficiente adecuado para medir asociacion o concordancia de acuerdo con los objetivos
del estudio.
3. Valorar la plausibilidad de conjeturas acerca de caractersticas de tablas contingencias.
4. Aplicar conceptos de modelos de regresi
on en la solucion de problemas que involucren variables
categoricas.
Contenido:
1. Tablas de contingencia (s r)
1.1 Definici
on de tablas de contingencia.
1.2 Medidas de asociaci
on para tablas de contingencia.
1.3 Medidas de concordancia para tablas de contingencia.
1.4 Pruebas de hip
otesis asociadas a tablas de contingencia.
2. Introduccion a los modelos lineales generalizados
2.1 Componentes de un modelo lineal generalizado.
2.2 Modelo lineal generalizado para datos binarios.
2.3 Modelo lineal generalizado para conteos.
2.4 Inferencia y validaci
on de supuestos del modelo.
3. Regresion Logstica
3.1 Interpretaci
on de los par
ametros del modelo de regresion logstica.
3.3 Regresi
on logstica m
ultiple.
3.4 Modelo Logit-Multinomial.
4. Modelos Log-Lineales para tablas de contingencia
4.1 Interpretaci
on del modelo Log-Lineal.
4.2 Modelo Log-Lineal a dos, tres o m
as vas de clasificacion.
5. Regresion de Poisson
5.1 Interpretaci
on de los par
ametros del modelo de regresion de Poisson.
7.2. ANALISIS
75
Bibliografa b
asica:
Agresti, Alan. An Introduction to Categorical Data Analysis. John Wiley & Sons. 1996.
Agresti, Alan. Categorical Data Analysis. Second edition. John Wiley & Sons. 2002.
Daz,Guillermo. An
alisis estadstico de datos categ
oricos aplicados a la investigaci
on biomedica.
Notas de clase. U.Nacional de Colombia. 2002.
Hosmer, David y Lemeshow, Stanley. Applied Logistic Regression. John Wiley & Sons. 1989.
Kleinbaum, David. Logistic Regression. A Self Learning Text. Springer Verlag. 1994.
Siegel, Sidney. Estadstica no parametrica aplicada a las ciencias del comportamiento. Trillas.
2003.
Stokes, Maura; Davis, Charles and Koch, Gary. Categorical Data Analysis Using the SAS System.
SAS Institute Wiley-Interscience. 2001.
Preparado por Nelcy Rodrguez y Luz Mery Gonzalez. Revisado por Emilse Gomez y Diana Franco.
ESTADISTICA
76
7.3.
ANALISIS
DE DATOS LONGITUDINALES
Cr
editos: 4
Prerrequisito: An
alisis multivariado
Contenido:
1. Conceptos b
asicos de datos longitudinales
1.1 Definiciones y caractersticas.
alisis.
1.3 Descripci
on y exploraci
on.
1.4 Medidas de resumen.
1.5 Fuentes de variaci
on.
2. Modelos lineales para datos longitudinales
2.1 Modelo estadstico b
asico.
2.2 Exploraci
on de la media y de la matriz de covarianzas.
2.3 Modelos bajo estacionariedad.
2.4 Modelos de an
alisis de varianza univariados.
2.5 Modelos de an
alisis de varianza multivariados.
2.6 Modelo lineal general.
2.7 Modelos de curvas de crecimiento.
2.8 Modelos lineales de efectos mixtos.
2.9 Analisis de residuales.
3. Modelos lineales generalizados para datos longitudinales
3.1 Modelos lineales generalizados.
3.2 Modelos marginales.
3.3 Ecuaciones de estimaci
on generalizadas.
3.4 Modelos de efectos mixtos generalizados.
4. Topicos especiales de an
alisis de datos longitudinales
4.1 Problemas asociados con datos faltantes.
4.2 Modelos no lineales para datos longitudinales.
4.3 Modelos multinivel.
4.4 Modelamiento conjunto de datos longitudinales y tiempo para un evento.
4.5 Modelo de datos longitudinales mediante procesos estocasticos.
Bibliografa b
asica:
Crowden, M. J. and Hand, D. J. Analysis of Repeated Measures. Chapman and Hall. 1990.
Davidian, M. and Giltiman, D. M. Statistical Methods for the Analysis of Repeted
Measurements. Springer. 2002.
Davis, C. S. Applied Longitudinal Analysis. John Wiley. 2004.

7.3. ANALISIS
DE DATOS LONGITUDINALES
77
Diggle P., Heagerty, P., Liang, K. Y. and Zeger S. L. Analysis of Longitudinal Data. Oxford U.
Press. 2002.
Fitzmaurice, G. M., Laird, N. M. and Ware, J. H. Models for Discrete Longitudinal Data. Springer. 2006.
Jones, R. H. Longitudinal Data with Serial Correlation: A State-Space Approach. Chapman and
Hall. 1993.
Jones, R. H. Nonlinear Models for Repeated. Chapman and Hall. 1995.
Verbeke, G and Molenberghs, G. Linear Mixed Mdels for Longitudinal Data. Springer. 2000.
Revisado por Emilse G
omez
ESTADISTICA
78
7.4.
ESTADISTICA
COMPUTACION
Cr
editos: 4
Prerrequisito: Tres creditos de la agrupaci
on programacion
Descripci
on:
Esta asignatura dispone elementos metodol
ogicos en el uso intensivo de computador, con el fin de
examinar de manera f
actica los desempe
nos y propiedades de estimadores y metodos inferenciales,
considerando modificaciones de supuestos, de condiciones o de situaciones extremas.
El estudiante que curse la asignatura y cumpla con las exigencias academicas podra:
1. Adecuar elementos metodol
ogicos que permitan el examen factico de las peculiaridades y el desempe
no de metodos, procedimientos y modelos.
2. Elaborar y ejecutar planes de simulaci
on cuando sea ineludible frente a un examen analtico teorico
no asequible.
3. Encontrar soluciones a problemas especficos partiendo de nuevas ideas y enfoques.
Contenido:
1. Inferencia por simulaci
on
1.1 Generaci
on de n
umeros aleatorios.
1.2 Metodo de Monte Carlo.
1.3 Estimaci
on y pruebas de hip
otesis por el metodo de Monte Carlo.
2. Estudio de casos de robustez
2.1 Estudio de casos para localizaci
on, dispersion y asociacion.
2.2 Estudio de casos para alteraci
on de la distribucion.
2.3 Estudio de casos con datos atpicos.
3. Inferencia basada en permutaciones
3.1 Estudio de casos para pruebas de localizacion.
3.2 Estudio de casos para pruebas de dispersion y asociacion.
3.3 Estudio de casos para pruebas en permutaciones de rangos.
4. Exploracion de propiedades asint
oticas
4.1 Convergencia en distribuci
on simulada.
4.2 Insesgamiento simulado.
4.3 Eficiencia simulada.
4.3 Potencia de tests simulada.
5. Aplicacion de metodos de remuestreo
5.1 Vision emprica de los metodos de Bootstrap y Jackknife.
6. Estudio de casos de imputaci
on
6.1 Efecto sobre la localizaci
on.
6.2 Efecto sobre la dispersion.
6.3 Efecto sobre la asociaci
on.
ESTADISTICA
7.4. COMPUTACION
79
Bibliografa b
asica:
Dalgaard, P. Introductory Statistics with R. Springer. 2002.
Evans, M, Hastings M. & Peacock, B. Statistical Distributions. John Wiley. 2000.
Gentle, J. Random Number Generation and Monte Carlo Methods. Springer - Verlag. 1998.
Maindonald J. & Braun J. Data Analysis and Graphics Using R. Cambridge University. 2003.
Ros D., Ros S. & Martin J. Simulaci
on: Metodos y aplicaciones. Rama. 1997.
Rubinstein, R.Y. Simulation and the Monte Carlo Method. John Wiley. 1981.
Preparado por Jorge Ortiz y Humberto Mayorga. Revisado por Luz Mery Gonzalez, Leonardo Trujillo
ESTADISTICA
80
7.5.
METODOS
DE CLASIFICACION
Cr
editos: 4
Prerrequisito: Estadstica descriptiva multivariada.
Descripci
on:
Se abordan los metodos de clasificaci
on no supervisada (agrupamiento) y supervisada (discriminante)
en un contexto de minera de datos.
El estudiante que curse la asignatura y que cumpla las exigencias academicas podra:
1. Conocer los principios matem
aticos en que se sustentan los metodos de clasificacion no supervisada (cluster analysis) y supervisada (an
alisis discriminante).
2. Saber distinguir las situaciones en los que se aplican cada uno de los diferentes metodos estudiados.
3. Conocer las situaciones en las cuales se complementan algunos metodos.
4. Saber utilizar los metodos en conjunto con los metodos factoriales.
5. Saber abordar metodos en aplicaciones especificas en el contexto de minera de datos.
6. Saber ejecutar los metodos con programas de uso libre: R para los metodos y MySQL como manejador de bases de datos.
7. Adquirir programas de minera de datos, se la Universidad posee licencia en el semestre que se
dicte. Por ejemplo Clementine de SPSS, SAS Enterprise Business Intelligence, IBM Intelligent Miner
For Data, Oracle Data Mining (ODM).
Contenido:
1. Introduccion
1.1 Introducci
on a la minera de datos.
1.2 Introducci
on al MySQL.
2. Marco teorico para los an
alisis de correspondiencias de tablas estructuradas y tablas ternarias
2.1 Algebra de relaciones.
2.2 Indices y distancias entre elementos a clasificar.
2.3 Metodos de clasificaci
on.
2.4 Metodos de clasificaci
on.
2.5 Estrategias de clasificaci
on.
2.6 Complementaridad entre metodos factoriales y de clasificacion.
3. Conceptos comunes a los metodos de clasificacion supervisada
3.1 Objetivos de un metodo de clasificacion supervisada.
3.2 Muestra de aprendizaje y muestra de prueba.
3.3 Reglas de clasificaci
on.
3.4 Calidad de una regla de clasificaci
on.
4. Analisis factorial discriminante
4.1 Como un metodo descriptivo.
4.1.1 Funciones lineales discriminantes.
4.1.2 Relaci
on con otros metodos.
4.2 Reglas de clasificaci
on o afectaci
on.
4.3 Regularizaci
on en an
7.5. METODOS
DE CLASIFICACION
81
5. Otros metodos de discriminaci

on estadstica
5.1 Discriminaci
on con variables nominales.
5.2 Discriminaci
on usando regresion logstica.
6. Clasificaci
on supervisada con
arboles binarios
6.1 Construcci
on de un
arbol de decision binaria.
6.2 Selecci
on del mejor sub-
arbol.
6.3 Criterios de selecci
on de la mejor division.
7. Clasificaci
on con redes neurales
7.1 Clasificaci
on no supervisada con redes de Kohonen.
7.2 Clasificaci
on supervisada con el perceptron multicajas.
8. Aplicaciones a problemas de minera
Bibliografa b
asica:
Anderberg, M. R. Cluster Analysis for Applications. Academic Press. 1973.
Bautista, F. & G
omez, E. Una exploraci
on de robustez de tres pruebas: dos de permutaci
on y la
de Mann Whitney. Revista Colombiana de Estadstica. 2007.
Bozdogan & Hamparsum. Statistical Data Mining and Knowledge Discovery. Chapman & Hall.
2004.
Breiman, L. Classification and Regression Trees. Chapman & Hall. 1993.
Cailliez, F. & Pages, J. Introduction `
a l Analyse des Donnees. Smash. 1976.
Crisei, J. V. & L
opez, M. F. Introducci
on a la teora y pr
actica de la taxonoma numerica.
Everitt, B. S. Cluster Analysis. Arnold London. 2001.
Fernandez, G. Data Mining Using SAS Applications. Chapman & Hall. 2003.
Fine, J. Iniciaci
on a los an
alisis de datos multidimensionales a partir de ejemplos.
PRESTA. 1996.
Hand, D. J. Kernel Discriminant Analysis. Research Studies Press. 1982.
Preparado por Campo Elas Pardo. Revisado por Campo Elas Pardo.
ESTADISTICA
82
7.6.
MODELOS LINEALES GENERALIZADOS
Cr
editos: 4
Prerrequisito: An
alisis de regresi
on.
Descripci
on:
Esta asignatura acrecienta la base conceptual y teorica para modelar la relacion existente entre una
variable respuesta y un conjunto de variables explicativas, cuando la distribucion asociada a la variable
respuesta pertenece a la familia exponencial.
1. Identificar los componentes del modelo lineal generalizado: funcion de enlace y distribucion de la
variable respuesta.
on, evaluaci
on y seleccion de un modelo lineal generalizado.
3. Estimar modelos lineales generalizados, evaluar su ajuste y seleccionar uno adecuado.
4. Verificar los supuestos del modelo lineal generalizado.
5. Elegir procedimientos de an
alisis de acuerdo con la estructura de los datos y los objetivos de la
investigacion.
Contenido:
1. El modelo lineal general
1.1 Introducci
on y formulaci
on del modelo.
1.2 El modelo de regresi
on.
1.3 El modelo de an
alisis de varianza.
1.4 Estimaci
on de los par
ametros en el modelo lineal general.
2. El modelo lineal generalizado
2.1 Introducci
on y formulaci
on del modelo.
2.2 La familia de distribuciones exponenciales.
2.3 Propiedades de las distribuciones en la familia exponencial.
3. Estimacion e inferencia en el modelo lineal generalizado
3.1 El metodo de m
axima verosimilitud.
3.2 Estimaci
on de par
ametros en el modelo lineal generalizado.
3.3 Distribuci
on muestral de la estadstica de puntaje.
3.4 Distribuciones muestrales de los estimadores maximo verosmiles.
3.5 Intervalos de confianza para los parametros del modelo.
3.6 Ajuste del modelo.
3.7 La estadstica de desvo D.
3.8 Pruebas de hip
otesis.
3.9 Evaluaci
on de los supuestos del modelo.
4. Casos particulares de los Modelos Lineales Generalizados
4.1 Regresi
on logstica.
4.2 Regresi
on multinomial.
4.3 Regresi
on de Poisson.
7.6. MODELOS LINEALES GENERALIZADOS
83
4.4 Modelos de an
alisis de sobrevida.
Bibliografa b
asica:
Dobson, Annette. An Introduction to Generalized Linear Models. Chapman & Hall . 2002.
Fahrmeir, Ludwig y Tutz, Gerhard. Multivariate Statistical Modelling Based on Generalized
Linear Models. Springer. 2001.
Hardin, James y Hilbe, Joseph. Generalized Linear Models and Extensions. College Station, TX
Stata Press. 2007.
Lindsey, James. Applying Generalized Linear Models. Springer. 1997.
McCullagh, Peter y Nelder, Jhon A. Generalized Linear Models. CRC Press. 1989.
Myers, Raymond; Montgomery, Douglas y Vining, Geoffrey. Generalized Linear Models with
Applications in Engineering and the Sciences. John Wiley & Sons. 2002.
Vargas, Jose A. y L
opez, Luis A. Modelos Lineales Generalizados. Notas de clase UN (En preparaci
on). 2008.
Revista sugerida para consulta: Applied Statistics.
Revista sugerida para consulta: Technometrics.
ESTADISTICA
84
7.7.
MUESTREO ASISTIDO POR MODELOS
Cr
editos: 4
Prerrequisitos: Muestreo estadstico
Descripci
on:
Esta asignatura dispone el uso de informaci
on auxiliar para mejorar la precision de las estimaciones de
parametros de una poblaci
on finita. Se examinan algunos modelos lineales que son candidatos naturales
para describir este tipo de poblaciones. Se derivan los estimadores de regresion que son generados por
estos modelos para diferentes estrategias muestrales. Ademas se presentan una variedad de metodos
para estimar la precisi
on y exactitud de estadsticas muestrales.
1. Identificar las caractersticas propias de una estrategia muestral de dos fases y sus diversas aplicaciones.
2. Teorizar el uso de informaci
on auxiliar a traves de modelos de regresion simple y m
ultiple.
3. Construir, evaluar y comparar estimadores bajo diferentes estrategias muestrales.
4. Construir y evaluar dise
nos de muestreo probabilstica.
5. Realizar estimaciones puntuales y por intervalo a partir del dise
no aplicado.
6. Asesorar en la escogencia del dise
no y del tama
no de muestra apropiados en una situacion aplicada.
7. Construir, evaluar y comparar estimadores de la varianza usando metodos de remuestreo.
Contenido:
1. Conceptos b
asicos de muestreo probabilstico
1.1 Estimaci
on de totales.
1.2 Funciones lineales de totales y funciones no lineales de totales.
1.3 Estimaci
on de los coeficientes de regresion.
2. El estimador de regresi
on
2.1 Estimador de diferencia y estimador de regresion.
2.2 Estimador de raz
on.
2.3 Postestratificaci
on.
2.4 Estimadores basados en modelos de regresion m
ultiple.
2.5 Estimadores de calibraci
on.
3. Estimadores de regresi
on en dise
nos de conglomerados y en dise
nos en varias etapas
3.1 Estimadores de regresi
on y raz
on por modelacion en la primera etapa.
on y raz
on por modelacion en la u
ltima etapa.
on por modelacion combinada en la primera y u
ltima etapa.
4. Dise
no en dos fases
4.1 El estimador.
4.2 Dise
no en dos fases para estratificacion.
4.3 Aplicaciones del dise
no en dos fases.
4.4 Muestreo repetido, encuestas en panel y estimacion de diferencias con traslape.
5. Estimacion de la varianza
5.1 Medias muestras balanceadas.
7.7. MUESTREO ASISTIDO POR MODELOS
85
5.2 Jackknife y Bootstrap.

5.3 Manejo de software especializado.
5.4 Funciones de varianza generalizada.
Bibliografa b
asica:
Brewer, K. Combined Survey Sampling Inference. Arnold Publishers. 2002.
Brick, J.; Broenep, J. y Severinse, J. Muestreo: Dise
no y an
alisis. International Thomson. 2000.
Lohr, S. L. Survey Measurement and Process Quality Wiley. 1997.
Sarndal, C.; Swensson, B. y Wretman, J. Model Assisted Survey Sampling. Springer - Verlag.
1992.
Wolter, K. Introduction to Variance Estimation. Springer. 1985.
Preparado por Leonardo Trujillo. Revisado por Luz Mery Gonzalez, Leonardo Trujillo y Pedro Nel
Pacheco.
ESTADISTICA
86
7.8.
PROCESOS ESTOCASTICOS
Cr
editos: 4
Descripci
on:
Esta asignatura dispone conocimientos matematicos para caracterizar y estudiar fenomenos aleatorios
que se asocian con una variable aleatoria indexada.
1. Reconocer el modelo estoc
astico adecuado en la descripcion de una situacion real o ficticia.
Contenido:
1. Revision de conceptos b
asicos de probabilidad
1.1 Espacios de probabilidad: Definici
on y propiedades basicas.
1.2 Variables aleatorias.
1.3 Funci
on de distribuci
on.
1.4 Funci
on de densidad.
1.5 Algunas distribuciones importantes.
1.6 Funciones generadoras de momentos.
1.7 Esperanza condicional.
1.8 Modos de convergencia: definiciones y teoremas basicos.
2. Clasificacion de procesos estoc
asticos generales
2.1 Descripci
on y definici
on de procesos estocasticos.
2.2 Trayectorias.
2.3 Distribuciones finito dimensionales.
2.4 Teorema de Kolmogoroff.
2.5 Procesos con incrementos estacionarios.
2.6 Procesos con incrementos independientes.
2.7 Procesos de Markov.
2.8 Procesos de segundo orden.
3. Cadenas de Markov finitas
3.1 Definici
on y ejemplos.
3.2 Probabilidades de transici
on.
3.3 Matriz de transici
on.
3.4 Representaci
on gr
afica de cadenas de Markov finitas.
3.5 Ecuaciones de Chapman-Kolmogoroff.
3.6 Probabilidad de transici
on en n pasos.
3.7 Clasificaci
on de estados.
3.8 Distribuci
on lmite.
4. Cadenas de Markov con conjunto de estados contable infinito
4.1 Recurrencia y transitoriedad.

7.8. PROCESOS ESTOCASTICOS
87
4.2 Recurrencia positiva y nula.

4.3 Procesos de ramificaci
on.
5. Cadenas de Markov con par
ametro de tiempo continuo
5.1 Proceso de Poisson.
5.2 Procesos de nacimiento y muerte.
6. Martingalas
6.1 Definici
on y ejemplos.
6.2 Propiedades b
asicas.
7. Movimiento browniano
7.1 Definici
on y ejemplos.
7.2 Propiedades b
asicas.
Bibliografa b
asica:
Bhat, N. Elements of Applied Stochastic Processes. John Wiley & Sons. 1984.
Durret, R. Essentials of Stochastic Processes. Springer. 2001.
Grimmett, G. & Stirzaker, D. Probability and Random Processes. Prentice Hall. 1998.
Hoel, P.; Port, S. & Stone, C. Introduction to Stochastic Processes. Houghton Mifflin. 1972.
Karlin, S. & Taylor, H. A First Course in Stochastic Processes. Ac. Press. 1975.
Lawler, G. Introduction to Stochastic Processes. Chapman & Hall. 1996.
Mikosh, T. Elementary Stochastic Calculus with Finance in View. World Scientific. 1999.
Ross, S. Stochastic Processes. Wiley. 1996.
Todorovic, P. An Introduction to Stochastic Processes and their Applications. Springer. 1992.
Preparado por Liliana Blanco. Revisado por Luz Mery Gonzalez, Leonardo Trujillo y Pedro Nel
Pacheco.
ESTADISTICA
88
7.9.
SERIES DE TIEMPO MULTIVARIADAS
Cr
editos: 4
Prerrequisito: Series de tiempo univariadas
Descripci
on:
Esta asignatura acrecienta la base conceptual para modelar el comportamiento de varias variables
cuantitativas observadas a traves del tiempo, en forma discreta. Fortalece las competencias alcanzadas
por el estudiante en el curso de Series de tiempo univariadas.
1. Identificar la estructura general de una serie de tiempo multivariada.
on de modelos de series de tiempo a partir de las bases proporcionadas por
los procesos estoc
asticos multivariados.
3. Conceptualizar la implementaci
on de los modelos de estados.
4. Apropiar conceptos y fundamentos b
asicos del analisis espectral de series de tiempo multivariadas.
5. Ajustar modelos que involucren varias variables cuantitativas medidas a traves del tiempo.
Contenido:
1. Introduccion al an
alisis de series temporales multivariadas
1.1 Procesos estoc
asticos estacionarios multivariados.
1.2 Modelos VAR(p): propiedades, estimacion, verificacion, prediccion.
1.3 Analisis estructural de modelos VAR(p): Causalidad en el sentido de Granger, Analisis de
Impulso-Respuesta, Descomposici
on de la varianza de prediccion.
1.4 Procesos estoc
asticos multivariados no estacionarios: cointegracion, races unitarias y tendencias comunes.
2. Modelos de estados
2.1 Especificaci
on y supuestos b
asicos del modelo de estados.
2.2 Predicci
on de los vectores de estado: el filtro de Kalman y el suavizador de punto fijo.
2.3 Propiedades de un modelo de estados invariante en el tiempo: identificabilidad del modelo.
2.4 Estimaci
on de hiperpar
ametros: c
alculo de la funcion de verosimiltud.
2.5 Calculo de pron
osticos del vector de variables observables.
2.6 Verificaci
on de supuestos del modelo (los residuales).
2.7 Modelos de componentes no observables (modelo estructural basico).
3. Analisis espectral multivariado
3.1 El espectro de procesos estacionarios vectoriales.
3.2 Conceptos de coherencia, ganancia y fase.
3.3 Estimaci
on de la funci
on de densidad espectral multivariada.
3.4 Ejemplos y aplicaciones.
4. Topicos adicionales
4.1 Reducci
on de dimensi
on: componentes principales y factores comunes dinamicos.
Bibliografa b
asica:
Brillinger, D. Time Series: Data analysis and theory. Holden - Day. 1981.
7.9. SERIES DE TIEMPO MULTIVARIADAS
89
Brockwell, P. J. and Davis, R. A. Time Series: Theory and Methods. Springer Verlag. 1991.
Fuller, W. Introduction to Statistical Time Series. John Wiley & Sons. 1995.
Hamilton, J. D. Time Series Analysis. Princeton University Press. 1994.
Harvey, A. C. Time Series Models. Harvester Wheatsheaf. 1993.
Harvey, A. C. Forecasting, Structural Time Series Models, and the Kalman Filter. Cambridge
U. Press. 1989.
Lutkepohl, H. New Introduction to Multiple Time Series Analysis. Springer - Verlag. 2005.
Preparado por Fabio Nieto. Revisado por Emilse Gomez y Diana Franco.
ESTADISTICA
90
7.10.
EXPERIMENTOPICOS
AVANZADOS DE DISENO
TAL
Cr
editos: 4
Prerrequisito: Dise
no de experimentos
Descripci
on:
Esta asignatura acrecienta la base conceptual para modelar y analizar un dise
no experimental con
una estructura compleja.
1. Identificar metodologas y estrategias para abordar dise
nos experimentales complejos.
on y la modelaci
on de dise
nos de bloques incompletos, analisis de datos longitudinales y de modelos mixtos.
3. Apropiar las metodologas de confusi
on y superficies de respuesta.
4. Elegir procedimientos teniendo en cuenta la estructura de los datos y los objetivos de la investigacion.
5. Evaluar los resultados de la aplicaci
on de un dise
no o metodologa, a partir de ello ratificarla o
elegir analisis alternativos.
Contenido:
1. Confusion en factoriales y factoriales fraccionados
1.1 Confusi
on parcial en arreglos factoriales fraccionados simetricos pk .
1.2 Concepto de alias y resoluciones. Tipos de resolucion.
1.3 Factoriales fraccionados asimetricos con confusion.
1.4 Factoriales fraccionados en fracciones regulares e irregulares.
1.5 Dise
nos de mnima aberraci
on.
2. Dise
no en bloques incompletos
2.1 Introducci
on a la teora de los dise
nos en bloques incompletos. Tipos I, II, III, IV y V.
2.2 Analisis de experimentos en bloques incompletos con recuperacion de informacion Inter.bloques.
2.3 Bloques incompletos equilibrados.
2.4 Bloques incompletos desequilibrados, bloques incompletos parcialmente desequilibrados.
3. Metodologa de superficies de respuesta de primer orden en datos normales y no normales
3.1 Introducci
on a las superficies de respuesta. Principio del error puro y falta de ajuste.
3.2 Modelos de dise
nos de primer orden. Dise
nos para ajustar estos modelos o reducir.
3.3 Modelos y dise
nos de segundo orden. Dise
nos rotables de segundo orden. Dise
nos de segundo
orden ortogonales.
3.4 Determinaci
on de las condiciones
optimas.
3.5 Exploraci
on local para el ajuste de modelos de primer y segundo orden.
3.6 Ajuste de superficies de respuesta no lineales.
4. Analisis de datos longitudinales en el contexto de dise
no experimental
4.1 Experimentos cross-over de dise
nos simples 2x2. Cross-over con respuesta binaria.

EXPERIMENTAL
7.10. TOPICOS
AVANZADOS DE DISENO
91
4.2 Planes de dise

nos longitudinales. Motivacion. Analisis de datos longitudinales con una muestra. An
alisis de perfiles.
4.3 An
alisis de perfiles y curvas de crecimiento en dise
nos con medias repetidas. Introduccion
al an
alisis de varianza multivariado.
5. Introducci
on a los modelos mixtos
5.1 Introducci
on a los modelos de efectos aleatorios. Analisis de datos balanceados.
5.2 Los metodos de Henderson I, II y III en la estimacion de componentes de varianza. Lecturas
adicionales.
5.3 Sobre metodos alternativos para la estimacion de los componentes de la varianza. MIXTO,
MINQUE, MIVQUE, REML.
5.4 Mejores predictores lineales insesgados.
Bibliografa b
asica:
Crowder, M. y Hand, D. Analysis of Repeated Measures. Chapman and Hall. 1990.
Hinkelmann, K. y Kempthorne, O. Design and Analysis of Experiments. Volumen II. John Wiley
and Sons. 2005.
John, P. Incomplete Block Designs. Marcel Dekker. 1978.
Littell, R. Mixed Model and Hierarchical Data Analysis. Springer Verlag. 2004.
Revista sugerida para consulta: Annals of Statistics Journal Royal Statistical Society.
Revista sugerida para consulta: Applied Statistics.
Revista sugerida para consulta: Communication in Statistics Theory and Method.
92
ESTADISTICA
Captulo 8
ESTADISTICA
APLICACION
Alrededor del n
ucleo estadstico, el currculo le ofrece al estudiante diversas posibilidades de agregar
otros temas especiales en la ruta del afianzamiento y robustecimiento de las competencias profesionales
ya emprendidas al cursar asignaturas del n
ucleo. Los temas propios de las asignaturas de esta agrupacion estan orientados al desarrollo de conceptos y procedimientos con objeto bien definido dentro de
las aplicaciones estadsticas. Por tanto su proposito concreto puede describirse mediante el objetivo
curricular de:
Generar contextos especializados que surtan elementos de diversas aplicaciones estadsticas para
estimular el acrecentamiento de las competencias y posibilidades profesionales
La lista de asignaturas de aplicaci
on estadstica se relaciona en el cuadro 8.
Cuadro 8.1: Asignaturas de la agrupacion Aplicacion estadstica

Asignatura
C
alculo actuarial
Finanzas y modelos de inversion
Teora estadstica del riesgo
Control estadstico de calidad
Muestreo en poblaciones biologicas
Demografa
Epidemiologa
Teora de respuesta al tem
Modelos de sobrevivencia univariados
Modelos de sobrevivencia multivariados
T
opicos de econometra I
T
opicos de econometra II
Estrategia de mercados
Control de calidad y sistemas de gestion
Inteligencia artificial
Minera de datos
Investigaci
on de operaciones I
Investigaci
on de operaciones II
Modelamiento y simulacion
Caracter
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Optativa
Creditos
3
3
3
3
3
3
3
3
3
3
3
3
3
3
4
4
3
4
3
ESTADISTICA
CAPITULO 8. APLICACION
94
8.1.
CALCULO
ACTUARIAL
Cr
editos: 3
Descripci
on:
Esta asignatura dispone los metodos matematicos y estadsticos para construir algunos planes de
seguros para hechos contingentes de vida o renta.
1. Crear y dise
nar productos de seguros de vida y renta.
2. Desarrollar modelos computacionales para el calculo de los productos de vida y de renta.
Contenido:
1. La medicion del interes y anualidades
1.1 Funci
on de acumulaci
on simple y compuesta.
1.2 Tasas de interes: efectiva, de descuento y nominales.
1.3 Valor presente y futuro de anualidades discretas y fraccionarias: vencidas y anticipadas
1.4 Anualidades variables.
1.5 Introducci
on a mercados financieros y de derivados.
2. Modelos de supervivencia y tablas de mortalidad
2.1 Las funciones de supervivencia y de riesgo.
2.2 Probabilidades condicionales.
2.3 Doble y simple decremento.
2.4 Tablas de mortalidad: componentes.
2.4.1 Suposiciones para el c
alculo de probabilidades a edades fraccionarias.
2.5 Probabilidades de muerte sobre varias vidas.
2.5.1 Grupos que se extinguen al primer fallecimiento, al u
ltimo y a un fallecimiento determinado.
2.5.2 Ordenes de fallecimiento (funciones contingentes).
3. Seguros de vida
3.1 Esperanza y varianza de la funci
on de beneficio.
3.2 Seguro dotal puro.
3.3 Seguros de una vida pagaderos en el momento de la muerte, al final del mes de muerte y
al final del a
no de muerte: enteros, temporales y diferidos.
3.4 Seguros de varias vidas: Enteros, temporales y diferidos.
3.5 Seguro total.
3.6 Productos del seguro.
4. Anualidades de vida
4.1 Anualidades de una vida: Discretas, con pagos fraccionarios y variables.
4.2 Anualidades de varias vidas: Discretas, con pagos fraccionarios y variables.
4.3 Anualidades reversibles.

8.1. CALCULO
ACTUARIAL
95
4.4 Funciones de conmutaci

on.
4.5 Normatividad de la seguridad social.
5. Primas netas y reservas
5.1 Principio de equivalencia.
5.2 Primas totalmente continuas, totalmente discretas y con pagos fraccionarios.
5.3 Primas comerciales.
5.4 Reservas de las primas netas totalmente continuas, discretas, semicontinuas y basadas sobre
primas fraccionarias.
5.5 Valores de cesi
on.
5.6 Seguros saldado y prorrogado.
5.7 Participaci
on de utilidades.
Bibliografa b
asica:
Bowers, N. L.; Gerber, H. U.; Hickman, J. C. Actuarial Mathematics. Society of Actuaries. 1997.
Huertas, J. C
alculo Actuarial: Contingencias de vida individual. U.Nacional de Colombia. 2002.
Jordan, C. W. Life Contingencies. Society of Actuaries. 1991.
Kellison, S. C. The Theory of Interest. Mc Graw Hill/ Irwin. 2008.
Preparado por Jaime Huertas. Revisado por Luz Mery Gonzalez y Leonardo Trujillo.
ESTADISTICA
96
8.2.
CONTROL ESTADISTICO DE CALIDAD
Cr
editos: 3
Descripci
on:
Esta asignatura dispone los metodos estadsticos utilizados para alcanzar el aseguramiento de la
calidad en procesos industriales y de servicios, de tal forma que los artculos fabricados o los servicios
satisfagan los requisitos de las normas tecnicas que definen las especificaciones requeridas por el
mercado.
El estudiante que curse la asignatura y que cumpla las exigencias academicas podra:
1. Identificar la importancia de la calidad en el desarrollo y crecimiento de las empresas.
2. Evaluar la eficacia y eficiencia de las caractersticas propias de un programa de mejoramiento continuo de la calidad.
3. Aplicar y utilizar las tecnicas de control de calidad en el proceso de fabricacion e interpretar las
normas tecnicas existentes en el mercado.
4. Usar metodos para comparar procesos industriales y de servicios teniendo en cuenta las especificaciones o requisitos dados para tomar acciones correctivas apropiadas cuando existe una discrepancia
entre el funcionamiento real y el est
andar.
Contenido:
1. Introduccion
1.1 El concepto de calidad.
1.2 Calidad y productividad.
1.3 Control estadstico de procesos.
2. Construcci
on de cartas de control
2.1 Variabilidad de un proceso.
2.2 Definici
on de una carta de control.
3. Cartas de control para variables continuas
3.1 Carta X.
3.2 Longitud promedio de corrida (ARL).
3.3 Cartas R, S y S2 .
3.4 Cartas para observaciones individuales.
8.2. CONTROL ESTADISTICO DE CALIDAD
97
4. Capacidad de un proceso
4.1
4.2
4.3
Indices de capacidad.
Estimaci
on de los ndices de capacidad.
Indices de capacidad para distribuciones no normales.
5. Cartas de control para atributos

5.1 Cartas p, c y u.
5.2 Cartas de control basadas en una distribucion geometrica.
5.3 Carta de control por demeritos.
6. Cartas CUSUM
6.1 Cartas CUSUM para la media.
6.2 Cartas CUSUM para la dispersion.
7. Cartas EWMA
7.1 Carta EWMA para la media.
7.2 Carta EWMA para la dispersion.
8. Cartas de control multivariadas
8.1
8.2
8.3
8.4
8.5
Carta de control para el vector de medias.

Cartas de control para la dispersion del proceso.
Carta T2 con estimadores alternativos de media y varianza.
Cartas CUSUM multivariadas.
Cartas EWMA multivariadas.
9. Cartas de control especiales

9.1 Cartas de control Boostrap.
9.2 Cartas de control con datos autocorrelacionados.
9.3 Cartas de control con intervalos de muestreo variable.
10. Planes de aceptaci
on de lotes por muestreo
10.1 Introducci
on.
10.2 Inspecci
on por variables.
10.3 Inspecci
on por atributos.
Bibliografa b
asica:
Mason, Robert y Young, John. Multivariate Statistical Process Control: With Industrial Applications. ASA SIAM. 2002.
Mittag, H. Rinne. Statistical Methods of Quality Assurance. Chapman & Hall. 1993.
Montgomery, Douglas. Introduction to Statistical Quality Control, 4th ed. John Wiley & Sons.
2001.
Vargas, Jose A. Control Estadstico de Calidad. Unibiblos. 2006.
Wetherill, Barrie y Brown, Don. Multivariate Statistical Process Control with Industrial Applications. Chapman & Hall. 1991.
Revista sugerida para consulta: Journal of Quality Technology, Quality Engineering.
Preparado por Alberto Vargas y Diana Franco. Revisado por Luz Mery Gonzalez, Leonardo Trujillo
ESTADISTICA
98
8.3.
DEMOGRAFIA
Cr
editos: 3
Prerrequisito: An
alisis de regresi
on
Descripci
on:
Esta asignatura define el estudio de las poblaciones humanas, su dimension, estructura, evolucion y
caractersticas generales desde un punto de vista cuantitativo. De esta forma, estudia la estructura y
la dinamica de las poblaciones humanas y las leyes que rigen estos fenomenos.
El estudiante que curse la asignatura y cumpla con las exigencias academicas podra:
1. Utilizar las principales tecnicas de an
alisis demografico contextualizando las interpretaciones teoricas de los resultados obtenidos.
2. Construir indicadores demogr
aficos y de migracion.
3. Realizar proyecciones de poblaci
on.
Contenido:
1. Introduccion
1.1 Que es la demografa.
2. Medicion demogr
afica
2.1 Construcci
on de indicadores demograficos basicos.
2.2 Piramides poblacionales.
2.3 Tablas de vida.
2.4 Ecuaci
on de balance poblacional.
2.5 Indicadores esenciales en fecundidad.
2.6 Mortalidad y migraci
on.
2.7 Teoras de crecimiento poblacional.
2.8 Crecimiento exponencial.
3. Causalidad
3.1 Modelos estadsticos para el estudio de la causalidad utilizados en las ciencias sociales.
4. Censos
4.1 Dise
no y aplicaci
on de un censo poblacional.
4.2 Utilidad de los censos.
4.3 Usos en el an
alisis demografico y en proyecciones de poblacion.
5. Proyecciones
5.1 Introducci
on a las proyecciones poblacionales en un barrido de los metodos mas comunes:
interpolaci
on lineal.
5.2 Matrices de Leslie.
5.3 Metodo de componentes principales.
5.4 Uso de series de tiempo y modelo de Lee-Carter y sus variantes.
6. Aplicaciones en mortalidad
6.1 Diferencias entre tasas, proporciones y razones.
8.3. DEMOGRAFIA
99
6.2 Principales indicadores de mortalidad y su construccion.

6.3 Debate en la recolecci
on y calidad de las fuentes para su medicion.
6.4 Relaci
on entre ingresos y mortalidad.
6.5 Estudios epidemiol
ogicos.
6.6 Mortalidad infantil.
7. Aplicaciones en fecundidad
7.1 Construcci
on de los principales indicadores de fecundidad.
7.2 Determinantes (pr
oximos) de la fecundidad.
7.3 Principales teoras en fecundidad y sus aplicaciones estadsticas.
7.4 Repaso de modelos probit, logit y tobit.
7.5 Relaci
on con el mercado laboral y fecundidad adolescente.
8. Aplicaciones en otras
areas
8.1 Medici
on de los indicadores en migracion y aplicaciones.
8.2 Mercado matrimonial (definiciones, fuentes de informacion, medicion de indicadores matrimoniales y modelos estadsticos y demograficos).
8.3 Modelos de riesgos (hazard models) y sistemas pensionales.
Bibliografa b
asica:
Hinde, A. Demographic Methods. Arnold. 1998.
Keyfitz, N. Introduction to the mathematics of population. Addison - Wesley. 1968.
Livi - Bacci. Introducci
on a la Demografa Ariel. 1993.
Rowland D. Demographic methods and concepts. Oxford. 2003.
Vallin, J. La Demografa. Alianza. 1995.
Preparado por Piedad Urdinola y Leonardo Trujillo. Revisado por Luz Mery Gonzalez, Leonardo
ESTADISTICA
100
8.4.
EPIDEMIOLOGIA
Cr
editos: 3
Prerrequisito: An
alisis de regresi
on
Descripci
on:
Esta asignatura pone en contexto metodos estadsticos para el dise
no, conduccion y analisis de estudios
sobre frecuencia, distribuci
on y determinantes de enfermedades en poblaciones biologicas.
1. Manejar los terminos corrientes empleados en el area de epidemiologa.
2. Aplicar metodos estadsticos en el contexto epidemilogico.
3. Interpretar los resultados para los dise
nos epidemiologicos mas ampliamente conocidos.
4. Proponer el uso de herramientas estadsticas alternativas para el analisis de datos en estudios epidemiologicos.
Contenido:
1. Conceptos generales de introducci
on a la Epidemiologa
1.1 Definiciones b
asicas.
1.2 Variables en Epidemiologa y Causalidad.
2. Fundamentos de investigaci
on epidemiologica
2.1 Tipos de investigaci
on epidemiol
ogica.
2.2 Estudios observacionales. Opciones de dise
no.
3. Medidas de frecuencia
3.1 Proporciones, razones, riesgos, tasas.
3.2 Tasas de prevalencia y tasas de incidencia.
3.3 Metodos de ajuste de tasas.
4. Medidas de asociaci
on y estudios descriptivos
4.1 Medidas de asociaci
on.
4.2 Reportes de casos, series de casos y estudios transversales.
5. Estudios epidemiol
ogicos
5.1 Estudios de cohorte.
5.2 Estudios de casos y controles.
5.3 Estudios experimentales.
6. Sesgo y efecto de confusi
on en Epidemiologa
6.1 Definici
on.
6.2 Evaluaci
on.
7. Introduccion al uso de modelos estadsticos en la investigacion epidemiologica
7.1 Odds ratio y regresi
on logstica.
7.2 NNT (N
umero necesario a tratar).
Bibliografa b
asica:
8.4. EPIDEMIOLOGIA
101
Colimon, Kahl M. Fundamentos de Epidemiologa. 1978.

Guerrero, R.; Gonz
alez, C.; Medina, E. Epidemiologa. Fondo Educativo Panamericano S.A.
1981.
Hennekens, C.; Buring, J. Epidemiology in Medicine. Little Brown and Company. 1987.
Kleinbaum, Kupper and Morgenstern. Epidemiologic Research Principles and Quantitative Methods. Van Nostrand Reinhold Company. 1982.
de la Investigaci
Londo
no, Juan L. MetodologIa
on Epidemiol
ogica. Universidad de Antioquia.
1995.
Rothman, Kenneth J. Modern Epidemiology. Little Brown and Company. 1986.
Ruz, A. et al. Investigaci
on Clnica: Epidemiologa Clnica Aplicada. Ceja. 2001.
Preparado por Nelcy Rodrguez. Revisado por Campo Elas Pardo y Humberto Mayorga.
ESTADISTICA
102
8.5.
FINANZAS Y MODELOS DE INVERSION
Cr
editos: 3
Prerrequisito: C
alculo de ecuaciones diferenciales
Descripci
on:
Esta asignatura define modelos relacionados con el flujo de dinero entre individuos, empresas o estados;
inversiones tales como: bonos, asignaci
on de capital, diversificacion y riesgo de cartera, entre otros.
El estudiante que curse la asignatura y cumpla con las exigencias academicas, podra
1. Modelar problemas que aparecen en inversiones financieras utilizando herramientas matematicas.
2. Estudiar algunos modelos que han sido desarrollados para analizar instrumentos financieros.
3. Implementar dichos modelos en paquetes computacionales para utilizarlos en la construccion de
carteras de valores y valoraci
on de opciones.
Contenido:
1. Entorno de las inversiones
1.1 Activos reales y financieros.
1.2 Clientes del sistema financiero.
1.3 Tipos de mercados.
1.4 Mercado del dinero y mercado de capitales.
1.5 Ttulos valores.
1.6 Indices del mercado.
1.7 Posiciones largas y cortas.
1.8 Cuentas de margen.
2. Bonos y otros ttulos valores
2.1 Acciones.
2.2 Bonos.
2.3 Valoraci
on de bono.
2.4 Duraci
on.
2.5 Inmunizaci
on.
3. Riesgo y aversi
on al riesgo
3.1 Decisiones en condiciones de certeza.
3.2 Riesgo.
3.3 Criterio del valor esperado.
3.4 Funci
on de utilidad.
3.5 Aversi
on al riesgo.
3.6 Criterio de la utilidad esperada.
3.7 Riesgo de la cartera.
4. Asignaciones de capital entre activo riesgoso y activo libre de riesgo
4.1 Asignaci
on de capital a traves de carteras riesgosas y libres de riesgo.
4.2 Carteras de un activo riesgoso y un activo libre de riesgo.

8.5. FINANZAS Y MODELOS DE INVERSION
103
4.3 Tolerancia al riesgo y asignacion de activos.

5. Carteras riesgosas
optimas
5.1 Diversificaci
on y riesgo de cartera.
5.2 Carteras de dos activos riesgosos. Colocacion de activos. Modelo de seleccion de cartera de
Markowitz.
5.3 Carteras
optimas con restricciones sobre el activo libre de riesgo.
6. Opciones
6.1 Derivados. Opciones. Futuros .Opcion de compra. Opcion de venta. Opciones europeas y
americanas.
6.2 Variables que afectan el valor de una opcion. Cobertura o replicacion de cartera.
6.3 Modelo Binomial. Modelo de Black Scholes. Estrategias especulativas usando opciones.
Bibliografa b
asica:
Bodie, A.; Kane, A. J.; Marcus. Investments. Irwin. 1996.
Fabozzi, F. J. Investment Management. Prentice Hall. 1995.
Hull, J. C. Introducci
on a los mercados de futuros y opciones. Prentice Hall. 2002.
Luenberger, D. G. Investment Science. Oxford University Press. 1998.
Preparado por Jaime Huertas. Revisado por Luz Mery Gonzalez y Leonardo Trujillo.
ESTADISTICA
104
8.6.
MODELOS DE SOBREVIVENCIA MULTIVARIADOS
Cr
editos: 3
Prerrequisito: Modelos de sobrevivencia univariados
Descripci
on:
Esta asignatura dispone los fundamentos y herramientas para la construccion y analisis de modelos
estadsticos para varias variables que definen tiempos a evento.
El estudiante que curse la asignatura y cumpla con las exigencias podra estimar, interpretar y aplicar
los modelos mas importantes de varios tiempos a evento, delimitando los problemas y estableciendo
soluciones en situaciones particulares.
Contenido:
1. Procesos de conteo
1.1 Notaci
on.
1.2 Modelos.
1.3 Propiedades de los modelos.
2. Tiempos de fallo multivariados
2.1 Introducci
on.
2.2 Copulas de supervivencia.
2.3 Estimaci
on m
aximo verosmil y pseudo maximo verosmil.
2.3.1 Tiempos paralelos
2.3.2 Tiempos secuenciales
3. M
ultiples causas de fallo y modelos multiestado.
3.1 Riesgos en competencia.
3.1.1
3.1.2
3.1.3
3.1.4
Funci
on de verosimilitud.
Metodos no parametricos.
Metodos parametricos.
Metodos semiparametricos para modelos de riesgo multiplicativo.
3.2 Modelos multiestado.
8.6. MODELOS DE SOBREVIVENCIA MULTIVARIADOS
105
4. Analisis de tiempos de fallo correlacionados

4.1 Introducci
on.
4.2 Efectos aleatorios (frailty models).
4.3 Modelos de regresi
on.
4.4 Estimaci
on no parametrica de la funcion de sobrevivencia.
5. Eventos recurrentes
5.1 Introducci
on.
5.2 Procesos de conteo y gap times.
5.3 Estimaci
on de la intensidad general y media.
5.4 Metodos de diagn
ostico
Bibliografa b
asica:
Hougaard, Philip. Analysis of Multivariate Survival Data. Springer. 2000.
Kalbfleisch, J. D. and Prentice, R. The Statistical Analysis of Failure Time Data. Springer. 2002.
Lawless, J. Statistical Models and Methods for Lifetime Data. Springer. 2003.
Lawless, J. The Statistical Analysis of Recurrent Events. Springer. 2007.
Therneau, T. and Grambsch, P. Modeling Survival Data. Springer. 2000.
Preparado por Jaime Huertas. Revisado por Emilse Gomez y Diana Franco.
ESTADISTICA
106
8.7.
MODELOS DE SOBREVIVENCIA UNIVARIADOS
Cr
editos: 3
Prerrequisito: An
alisis de regresi
on
Descripci
on:
Esta asignatura dispone los fundamentos y herramientas para la construccion y analisis de modelos
estadsticos para una variable que define el tiempo a un evento, como la muerte, la curacion de una
enfermedad o el da
no de una m
aquina. Para un adecuado seguimiento del curso, se deben tener un alto
conocimiento de a) conceptos probabilsticos y de inferencia estadstica, b) principios fundamentales de
la construccion y evaluaci
on de modelos de regresion, y c) conceptos fundamentales de programacion
estructurada.
El estudiante que curse la asignatura y cumpla con las exigencias, podra estimar, interpretar y aplicar los modelos m
as importantes del tiempo a un evento, delimitando los problemas y estableciendo
soluciones en situaciones particulares.
Contenido:
1. Conceptos fundamentales
1.1 Las funciones de supervivencia, de riesgo y de riesgo acumulado.
1.2 Esperanza de vida.
1.3 Modelos parametricos.
1.4 Probabilidades condicionales y distribuciones truncadas.
2. La tabla de mortalidad
2.1 Componentes.
2.2 Probabilidades fraccionarias.
2.3 Decremento doble y simple.
3. Estimacion de Modelos de Sobrevida.
3.1 Tipos de censura: por la derecha, izquierda e intervalo.
3.2 Metodos actuariales de estimaci
on.
3.3 Estimador de Kaplan-Meier.
3.4 Estimador de Nelson-Aalen.
3.5 Varianza del estimador de sobrevida.
3.6 Estimador de la funci
on del riesgo y de riesgo acumulada.
3.7 Intervalos de confianza.
3.8 Estimaci
on parametrica m
aximo verosmil bajo los distintos tipos de censura.
4. Modelos de regresi
on parametricos
4.1 Descripci
on de los modelos.
4.2 Formulaci
on log-lineal.
4.3 Estimaci
on m
aximo verosmil.
4.4 Metodos de diagn
ostico.
5. Modelo de riesgos proporcionales de Cox
5.1 Estimaci
on del modelo.
8.7. MODELOS DE SOBREVIVENCIA UNIVARIADOS
107
5.2 Inferencia sobre los par

ametros.
5.3 Comparaci
on de dos modelos anidados.
5.4 Estimaci
on de la funci
on de riesgo y de sobrevivencia.
5.5 Diagn
ostico del modelo.
5.6 Extensiones del modelo de Cox.
Bibliografa b
asica:
Collet, D. Modelling Survival Data in Medical. Chapman and Hall. 2003.
Colosimo, E. A. & Giolo, S. R. An
alisis de sobrevivencia aplicada. Brucher. 2006.
Cox,D.R. & Oakes, D. Analysis of Survival Data. Chapman and Hall. 1984.
Kalbfleisch, J. D. & Prentice, R. The Statistical Analysis of Failure Time Data . Wiley. 2002.
Klein, P.J. & Moechberger. Survival Analysis. Springer-Verlag. 2003.
Lawless, J . Statistical Models and Methods for Lifetime Data. Wiley. 2003.
London, D. Survival Models. ACTEX. 1997.
Preparado por Jaime Huertas. Revisado por Emilse Gomez y Diana Franco.
ESTADISTICA
108
8.8.
MUESTREO EN POBLACIONES BIOLOGICAS
Cr
editos: 3
Descripci
on:
Esta asignatura dispone los conocimientos b
asicos de tecnicas de muestreo de mayor utilidad para solucionar problemas relacionados con
areas de las ciencias biologicas. Tambien, dispone las metodologas
estadsticas com
unmente utilizadas en ecologa a nivel poblacional y comunitario.
1. Definir la poblaci
on, el tipo de muestreo, los factores determinantes en el dise
no de la muestra, el
calculo del tama
no de la muestra, metodos de seleccion de unidades muestrales y ajustes a tama
nos
de muestra para estudios en poblaciones biol
ogicas.
Contenido:
1. Conceptos generales de muestreo
1.1 Tipos de investigaci
on: experimental y observacional.
1.2 Definici
on de poblaci
on y muestra.
1.3 Tipos de muestreo.
2. Elementos generales en el dise
no de muestras.
2.1 Objetivos del estudio o pregunta.
2.2 Variabilidad del fen
omeno.
2.3 Medidas a ser estimadas.
2.4 Errores.
3. Dise
nos de muestra para estudios en biologa y ecologa
3.1 Muestreo de parcelas.
3.2 Muestreo de transectos.
3.3 Muestreo de intersecci
on de puntos (cuadrantes).
3.4 Trampeo.
3.5 Muestreo de captura y recaptura.
4. Dise
no de muestras para estudios epidemiologicos
4.1 Muestras en estudios experimentales.
4.2 Muestreo para cuasiexperimentos y para experimentos clnicos.
4.3 Muestras para estudios observacionales.
4.4 Estudios de cohorte, estudios de casos y controles, estudios de sobrevivencia.
4.5 Muestras para estudios de concordancia.
5. Analisis de informaci
on biol
ogica y ecol
ogica. Analisis poblacional
5.1 Estructura de edad.
5.2 Construcci
on de tablas de vida.
5.3 Matrices de Leslie y su aplicaci
on en manejo de poblaciones.
5.4 Crecimiento poblacional.

8.8. MUESTREO EN POBLACIONES BIOLOGICAS
109
5.5 Dispersi
on poblacional.
5.6 Competencia intraspecfica.
5.7 Uso de programas computacionales.
6. Analisis de informaci
on biol
ogica y ecologica. Analisis comunitario
6.1 Estructura comunitaria.
6.2 Diversidad de especies.
6.3 Curvas de utilizaci
on de recursos.
6.4 Interacciones biol
ogicas.
6.5 Competencia interespecfica.
6.6 Depredaci
on.
6.7 Relaciones tr
oficas.
7. Impacto ambiental
7.1 Estudios de impacto ambiental. Etapas y componentes.
7.2 Terminos de referencia. Evaluacion de impacto ambiental.
Bibliografa b
asica:
Begon; Harper & Townsend. Ecologa: individuos, poblaciones y comunidades. Omega. 1988.
Bryan F. J. Manly. Lyman L. McDonald, and Dana L. Thomas. Resource Selection by animals:
Statistical Design and analysis. Simposio de Estadstica. 2000.
Buckland, Anderson, Burnham. Introduction to Distance Sampling: Estimating Abundance of
Biological Populations. Oxford. 2001.
Celis de la Rosa Alfredo de J. Bioestadstica 2a. Edici
on. Williams & Wilkins. 2008.
Cormack. Sampling Biological Populations. Int.Cooperative Pub House. 1979.
Fuentes, E. Ecologa: Introducci
on a la teora de poblaciones y comunidades. Universidad Catolica
de Chile. 1989.
Lemeshow Stanley. Adequacy of Sample Size in Health Studies. World Health Organization. 1990.
Lyman L. McDonald. Some procedures for sampling biological populations. Simposio de Estadstica. 2000.
Smith, R. L. & T. M. Smith. Ecologa. Addison-Wesley, 4ta edicion. 2001.
Thompson. Sampling Rare or Elusive Species: Concepts, Designs and Techniques for Estimating
Population Parameters. Island Press. 2004.
Preparado por Pedro Nel Pacheco y Nelcy Rodrguez. Revisado por Luz Mery Gonzalez, Leonardo
ESTADISTICA
110
8.9.
TEORIA DE RESPUESTA AL ITEM
Cr
editos: 3
Prerrequisito: An
alisis de regresi
on.
Descripci
on:
Esta asignatura dispone los elementos conceptuales y metodologicos para analizar estadsticamente
resultados de mediciones obtenidas a traves de pruebas educativas de aplicaciones masivas, desde la
perspectiva de las pruebas cl
asicas (TCT) tales como coeficientes de confiabilidad y discriminacion
comparadas con el modelamiento (TRI) a traves de funciones caractersticas, logsticas o de Rash.
1. Escoger el modelo adecuado a la prueba bajo analisis.
2. Estimar e interpretar los par
ametros del modelo escogido.
3. Comparar los par
ametros estimados bajo cada esquema de analisis TCT vs TRI
4. Desarrollar aplicaciones y sistematizar los procedimientos de analisis.
Contenido:
1. Introduccion
1.1 Marco conceptual de test para la evaluacion de logro cognitivo, competencias y otros trazos
latentes.
2. Teora clasica
2.1 Conceptos b
asicos de teora de confiabilidad.
2.2 Error de medida.
2.3 Coeficientes de confiabilidad de una prueba.
2.4 Mediciones paralelas.
2.5 Factores que afectan la confiabilidad.
3. Introduccion a teora de respuesta al tem
3.1 Limitaciones de la TC.
3.2 Notas hist
oricas sobre la TRI.
3.3 Supuestos de la TRI.
3.4 Curva caracterstica del tem.
3.5 Modelos e invarianza de TRI.
4. Estimacion en TRI
4.1 Introducci
on y estimaci
on de par
ametros de los sujetos.
4.2 Estimaci
on de par
ametros de los items.
4.3 Ajuste de los datos al modelo.
4.4 Metrica de los sujetos y los items.
4.5 Funci
on de informaci
on.
4.6 Funcion de informaci
on del tem y del test.
5. Aplicaciones de la TRI: bancos de items
5.1 Utilidad de los bancos items.
5.2 Construcci
on de un banco de items.
8.9. TEORIA DE RESPUESTA AL ITEM

5.3 Ampliaci
on de un banco de items.
5.4 Construcci
on de test a partir del banco de items.
5.5 Sesgo de los items.
5.6 Sesgo y funcionamiento diferencial de los items.
5.7 Ipos de funcionamiento diferencial de los items.
5.8 Metodos de evaluaci
on del funcionamientos diferencial de los items.
5.9 An
alisis estadstico comparativo (clasico-IRT).
Revisado por Emilse G
omez, Diana Franco y Pedro Nel Pacheco.
111
ESTADISTICA
112
8.10.
TEORIA ESTADISTICA DEL RIESGO
Cr
editos: 3
Descripci
on:
Esta asignatura dispone modelos estadsticos aplicables en un contexto de seguros.
1. Utilizar apropiadamente modelos de severidad y frecuencia y el efecto de modificaciones en primas
de seguros.
2. Utilizar apropiadamente modelos de riesgo individual y colectivo.
3. Aplicar tecnicas de interpolaci
on y simulacion en seguros.
Contenido:
1. Sistemas del seguro
1.1 Teora de la utilidad. Seguro y utilidad.
1.2 Modelo individual.
1.3 Modelo colectivo.
1.4 Distribuci
on de las perdidas agregadas.
2. Modelos de frecuencia y severidad con modificaciones
2.1 Deducible.
2.2 Lmites.
2.3 Coaseguros.
2.4 Modelos de perdida en seguros.
3. Algunos metodos de aproximaci
on
3.1 Formula de Panjer.
3.2 Aproximaci
on normal.
3.3 Aproximaci
on gamma.
4. Teora de la ruina
4.1 Modelo cl
asico de Cramer-Lundberg.
4.2 Modelos en tiempo discreto.
4.3 Modelos en tiempo continuo.
5. Aplicacion en reaseguros
5.1 Reaseguro aplicado a cada reclamacion.
5.2 Reaseguro aplicado a la perdida agregada.
6. Tecnicas interpolaci
on y simulaci
on
6.1 Splines c
ubicos.
6.2 Ejemplos de simulaci
on de seguros.
Bibliografa b
asica:
8.10. TEORIA ESTADISTICA DEL RIESGO
113
Hardy, M An Introduction to risk measures for actuarial applications. SOA Study Note C-25-07.
2006.
Kaas, Goovaerts, Dhaene, and Denuit Modern actuarial risk theory. Kluwer academic publishers.
2001.
Klugman, S. A., Panjer, H. H. & Willmot, G. E. Loss Models: From Data to Decisions. Wiley.
2004.
Thomas N. Herzog and Graham Lord. Applications of Monte Carlo methods to finance & Insurance. Actex Publications. 2004.
Preparado por Piedad Urdinola y Leonardo Trujillo. Revisado por Luz Mery Gonzalez, Leonardo
114
ESTADISTICA
Captulo 9
ESTADISTICA
CONSOLIDACION
El sentido f
actico de esta agrupaci
on, esta en correspondencia con el empe
no del espritu del plan de
estudios de garantizar experiencias formativas que le permitan al estudiante integrar conocimientos
y dar firmeza y solidez a sus competencias, de manera que fruto de su afianzamiento la Universidad
pueda asegurar con alto grado de certeza la calidad de la formacion impartida en sus aulas. Como culminacion del proceso formativo de un profesional en Estadstica, el currculo le otorga una ponderacion
superlativa al trabajo aut
onomo, siendo el trabajo docente meramente orientador.
El objetivo que orienta la presencia de esta agrupacion dentro de la organizacion curricular responde
a:
Concluir la formaci
on profesional del estudiante de la Carrera de Estadstica, mediante el cumplimiento de un eplogo curricular, integrado por experiencias academicas que le permitan al estudiante
transferir aspectos de la realidad al plano conceptual y derivar de su elaboracion soluciones particulares, con el prop
osito de consolidar la formacion profesional.
Tres asignaturas conforman esta agrupacion, que se presentan en el cuadro 9.
Cuadro 9.1: Asignaturas de la agrupacion Consolidacion estadstica
Asignatura
Trabajo de grado
Seminario de estadstica
Consultora estadstica
9.1.
Caracter
Obligatoria
Obligatoria
Obligatoria
Creditos
2
2
8
CONSULTORIA ESTADISTICA
Cr
editos: 2
Prerrequisito: Aprobaci
on de 39 creditos del componente de formacion disciplinar o profesional
Descripci
on:
Esta asignatura propicia el fortalecimiento profesional y estimula la creatividad del estudiante mediante la generaci
on de un espacio en el que enfrente situaciones reales, para que dictamine la pertinencia
y viabilidad estadstica de la consulta, proponga e implemente la mejor solucion, si hay lugar a ello.
El estudiante que curse la asignatura y cumpla con las exigencias, estara en capacidad de:
1. Aplicar elementos que le permitan una comunicacion profesional con el consultante.
2. Entender un problema consultado y recomendar alternativas de solucion con herramientas estadsti-
ESTADISTICA
CAPITULO 9. CONSOLIDACION
116
cas apropiadas.
3. Elaborar reportes de avance, bit
acoras y reportes tecnicos.
Contenido:
1. Marco conceptual
1.1 Definiciones. Consultora versus asesora estadstica.
1.2 Caractersticas de una consultora estadstica.
1.3 Historia de la consultora estadstica local y mundial.
2. La consultora estadstica en contexto
2.1 En la Universidad Nacional.
2.2 En Colombia.
2.3 En el mundo.
3. Etapas de una consultora estadstica
3.1 Identificaci
on del problema consultado.
3.2 Traducci
on del problema al lenguaje estadstico.
3.3 Planteamiento de soluciones al problema.
3.4 Comunicaci
on y discusi
on de las soluciones al consultante en su contexto.
3.5 Elaboraci
on de un informe.
4. Marco legal y etico de la consultora estadstica.
Bibliografa b
asica:
D.J.Hand y B.S.Everitt (Eds). The Statistical Consultant in Action. Cambridge U. Press. 1987.
Derr J. Statistical Consulting: A Guide to Effective Communication. Duxbury Thomson. 2000.
Boice R. Professors as Writers: A elf-Help Guide to Productive Writing. New Forums Press.
1990.
Peat J, Elliott E, Baur L, Keena V. Scientific Writing. BMJ Books. 2002.
Stausser J. Painless Writing. Barrons. 2001.
Struck W (Jr), White EB. The Elements of Style. Longman. 2000.
Tracy B. Goals! How to Get Everything You Want - Faster Than You Ever Thought Possible.
Berrett-Koehler 2004.
Revisado por Nelcy Rodrguez y Luz Mery Gonzalez.
9.2. SEMINARIO DE ESTADISTICA
9.2.
117
SEMINARIO DE ESTADISTICA
Cr
editos: 2
on de 39 creditos del componente disciplinar o profesional
Descripci
on:
Esta asignatura provee actividades para consolidar los conocimientos y habilidades en la estructuracion estadstica y metodol
ogica de un proyecto de investigacion.
1. Formular y escribir de manera aut
onoma una propuesta de proyecto de investigacion en Estadstica.
2. Acompa
nar el proceso metodol
ogico de propuestas de investigacion en otras areas del conocimiento.
3. Redactar y presentar los documentos propios de las etapas de un proceso de investigacion.
4. Velar por el cumplimiento de los aspectos eticos y normativos propios de un proceso investigativo.
Contenido:
1. Normas sobre documentos escritos
1.1 Presentaci
on de un proyecto de investigacion.
1.2 Publicaci
on de artculos cientficos nacionales e internacionales.
1.3 Normas y estilos de citaci
on y bibliografa.
2. Elementos conceptuales de una investigacion
2.1 Planteamiento del problema.
2.2 Formulaci
on de objetivos.
2.3 Elaboraci
on del marco te
orico.
2.4 Dise
no metodol
ogico.
2.5 Cronograma.
2.6 Presupuesto.
3. Exposici
on oral de propuestas individuales
3.1 Temas potenciales (grupos de investigacion).
3.2 Propuesta de investigaci
on.
3.3 Anteproyecto de investigaci
on.
3.4 Proyecto de investigaci
on
4. Exposici
on escrita de propuestas individuales
4.1 Propuesta de investigaci
on.
4.2 Anteproyecto de investigaci
on.
4.3 Proyecto de investigaci
on.
Bibliografa b
asica:
ICONTEC. Compendio-Tesis y otros trabajos de grado. Quinta actualizaci
on. Icontec, Colombia.
2002.
118
ESTADISTICA
CAPITULO 9. CONSOLIDACION
Ouellet, A. Procesos de investigaci
on. EAN, Colombia. 2001.
Sampieri R, Fernandez, C. Baptista, P. Metodologa de la investigaci
on cientfica. Mac Graw
Hill. 2003.
Zorrilla S., Torres M. Gua para elaborar la tesis. Mac Graw Hill. 1992.
Propuesta inicial: Piedad Urdinola, Emilse Gomez y Humberto Mayorga. Revisado por Nelcy Rodrguez y Luz Mery Gonz
alez. Modificado por el Comite de Pregrado y Humberto Mayorga.
9.3. TRABAJO DE GRADO
9.3.
119
TRABAJO DE GRADO
Cr
editos: 8
on de 49 creditos del componente de formacion profesional o disciplinar
Modalidades:
1. Trabajos investigativos: Trabajo monografico, Participacion en proyectos de investigacion, Proyecto final
2. Practicas de extensi
on: Participacion en programas docenteasistenciales, Internado medico,
Pasanta, Emprendimiento empresarial, Proyecto social
3. Actividades especiales: Ex
amenes preparatorios
4. Opci
on de grado: Cursos de posgrado.
Descripci
on:
El trabajo de grado tiene como objetivo especfico dentro de la agrupacion de consolidaci
on
estadstica: Integrar conocimientos y experiencias formativas, mediante la planeacion y ejecucion
de un trabajo de investigaci
on bajo la orientacion de un profesor, como propuesta de modelado o
solucion pr
actica a un problema real o de evaluacion de una propuesta de mejoramiento, comparacion
o desempe
no de un metodo o procedimiento estadstico.
Comentario: Este objetivo ha sido formulado teniendo en cuenta las modalidades, trabajo investigativo y pasanta, pero debido a la flexibilidad para cursar la asignatura, quien opte por materias
del posgrado o examenes preparatorios, como trabajo de grado, y su plan de vida incluya formacion
mas avanzada, cumplir
a con este objetivo en mayor medida con una tesis de maestra o doctoral.
Preparado por el Comite asesor de carrera y Humberto Mayorga.

Cuadernillo de Asignaturas PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Cuadernillo de Asignaturas PDF

Uploaded by

Copyright:

Available Formats

CUADERNILLO DE ASIGNATURAS

OFERTADAS POR EL DEPARTAMENTO DE ESTADISTICA

UNIVERSIDAD NACIONAL DE COLOMBIA

1.6. FUNDAMENTOS DE MATEMATICAS

1.7. INFERENCIA ESTADISTICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.9. SISTEMAS NUMERICOS

2.1. CONJUNTOS Y COMBINATORIA . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.2. GEOMETRIA ELEMENTAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.3. GEOMETRIA VECTORIAL Y ANALITICA . . . . . . . . . . . . . . . . . . . . . . .

3.3. MODELOS MATEMATICOS

6.5. ESTADISTICA BAYESIANA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

6.6. ESTADISTICA DESCRIPTIVA MULTIVARIADA . . . . . . . . . . . . . . . . . . . .

6.7. ESTADISTICA DESCRIPTIVA Y EXPLORATORIA . . . . . . . . . . . . . . . . . .

6.8. ESTADISTICA ESPACIAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

6.10. MUESTREO ESTADISTICO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

6.11. SERIES DE TIEMPO UNIVARIADAS . . . . . . . . . . . . . . . . . . . . . . . . . .

7.6. MODELOS LINEALES GENERALIZADOS . . . . . . . . . . . . . . . . . . . . . . .

7.7. MUESTREO ASISTIDO POR MODELOS . . . . . . . . . . . . . . . . . . . . . . . .

7.8. PROCESOS ESTOCASTICOS

7.9. SERIES DE TIEMPO MULTIVARIADAS . . . . . . . . . . . . . . . . . . . . . . . . .

8.2. CONTROL ESTADISTICO DE CALIDAD . . . . . . . . . . . . . . . . . . . . . . . .

8.4. EPIDEMIOLOGIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100

8.8. MUESTREO EN POBLACIONES BIOLOGICAS

9.1. CONSULTORIA ESTADISTICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115

Cuadro 1.1: Asignaturas de la agrupacion Fundamentacion Matematico-Estadstica

21.1 Matrices para cambio de base.

Lay, David. Algebra

Nakos, George y Jonier, David. Algebra

Pool, David Algebra

S.I. Grossman Algebra

Strang, Gilbert Algebra

5.3 El problema de mnimos cuadrados.

de funciones, composicion de funciones.

4.1 Sistema de coordenadas polares. Grafica de una ecuacion polar.

3.4 Superficies parametricas. Area

Allendoefer C.B y Oakley C.O. Fundamentos de Matem

1.7. INFERENCIA ESTADISTICA

6. Distribucion conjunta de variables aleatorias

6.2 Teorema del residuo y teorema del factor. Factorizacion u

2.2. GEOMETRIA ELEMENTAL

2. Geometra Plana: A. Circunferencia y Crculo. B. Regiones Poligonales y sus Areas.

inscritos, semi-inscritos. Polgonos inscritos y circunscritos. Potencia de un punto

2.3. GEOMETRIA VECTORIAL Y ANALITICA

GEOMETRIA VECTORIAL Y ANALITICA

8.3 La hiperbola. La ecuaci

10.1 La lnea recta. Angulo

Asmar Charris, Abraham y otros Geometra Vectorial y Analtica. Una Introducci

Pool, David. Algebra

2.3 Procesos que se derivan del movimiento browniano.

3.1 Transformada de Laplace. Transformada inversa. Teoremas de traslacion y derivadas de

Las asignaturas de esta agrupaci

9.7 Manejo de dispositivos de salida. Exportacion de graficas.

Cuadro 5.1: Asignaturas de la agrupacion Metodologa

El objetivo de esta agrupaci

5.1. ESTADISTICA Y SOCIEDAD

Cuadro 6.1: Asignaturas de la agrupacion N

El objetivo de esta agrupaci

4.3 Pruebas de hip

4.5 Ideas generales de bloques incompletos balanceados.

3.7 Factores de expansi

6.5. ESTADISTICA BAYESIANA

ESTADISTICA DESCRIPTIVA MULTIVARIADA

6.6. ESTADISTICA DESCRIPTIVA MULTIVARIADA