Cuadernillo de Asignaturas

CUADERNILLO DE ASIGNATURAS
OFERTADAS POR EL DEPARTAMENTO DE ESTAD
ISTICA
(Version preliminar)
PREGRADO EN ESTAD
ISTICA
COMIT
E ASESOR DE PREGRADO:
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 ESTAD
ISTICA
10 DE NOVIEMBRE DE 2008
BOGOT
A D.C.
Indice general
1. FUNDAMENTACI
ON MATEM
ATICO-ESTAD
ISTICA 3
1.1.

ALGEBRA LINEAL B
ASICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.

ALGEBRA MATRICIAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3. C
ALCULO DIFERENCIAL EN UNA VARIABLE . . . . . . . . . . . . . . . . . . . . 9

1.4. C
ALCULO INTEGRAL EN UNA VARIABLE . . . . . . . . . . . . . . . . . . . . . . 11

1.5. C
ALCULO VECTORIAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.6. FUNDAMENTOS DE MATEM
ATICAS . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.7. INFERENCIA ESTAD
ISTICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.8. PROBABILIDAD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.9. SISTEMAS NUM
ERICOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2. FUNDAMENTACI
ON EN CIENCIAS 23
2.1. CONJUNTOS Y COMBINATORIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2. GEOMETR
IA ELEMENTAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.3. GEOMETR
IA VECTORIAL Y ANAL
ITICA . . . . . . . . . . . . . . . . . . . . . . . 27
3. COMPLEMENTACI
ON MATEM
ATICA 29
3.1. AN
ALISIS ESTOC
ASTICO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.2. C
ALCULO DE ECUACIONES DIFERENCIALES . . . . . . . . . . . . . . . . . . . . 31

3.3. MODELOS MATEM
ATICOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4. PROGRAMACI
ON 35
4.1. PROGRAMACI
ON EN LENGUAJES ESTAD
ISTICOS . . . . . . . . . . . . . . . . . 36
4.2. PROGRAMACI
ON Y M
ETODOS NUM
ERICOS . . . . . . . . . . . . . . . . . . . . 39
5. METODOLOG
IA 43
5.1. ESTAD
ISTICA Y SOCIEDAD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
6. N
UCLEO ESTAD
ISTICO 47
6.1. AN
ALISIS DE REGRESI
ON . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
6.2. AN
ALISIS MULTIVARIADO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
6.3. DISE
NO DE EXPERIMENTOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
iii
iv

INDICE GENERAL
6.4. DISE
NO Y DESARROLLO DE ENCUESTAS . . . . . . . . . . . . . . . . . . . . . . 54
6.5. ESTAD
ISTICA BAYESIANA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
6.6. ESTAD
ISTICA DESCRIPTIVA MULTIVARIADA . . . . . . . . . . . . . . . . . . . . 58

6.7. ESTAD
ISTICA DESCRIPTIVA Y EXPLORATORIA . . . . . . . . . . . . . . . . . . 60

6.8. ESTAD
ISTICA ESPACIAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
6.9. M
ETODOS NO PARAM
ETRICOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
6.10. MUESTREO ESTAD
ISTICO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
6.11. SERIES DE TIEMPO UNIVARIADAS . . . . . . . . . . . . . . . . . . . . . . . . . . 68
7. COMPLEMENTACI
ON ESTAD
ISTICA 71
7.1. AN
ALISIS DE CORRESPONDENCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . 71
7.2. AN
ALISIS DE DATOS CATEG
ORICOS . . . . . . . . . . . . . . . . . . . . . . . . . 74
7.3. AN
ALISIS DE DATOS LONGITUDINALES . . . . . . . . . . . . . . . . . . . . . . . 76

7.4. COMPUTACI
ON ESTAD
ISTICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
7.5. M
ETODOS DE CLASIFICACI
ON . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
7.6. MODELOS LINEALES GENERALIZADOS . . . . . . . . . . . . . . . . . . . . . . . 82
7.7. MUESTREO ASISTIDO POR MODELOS . . . . . . . . . . . . . . . . . . . . . . . . 84
7.8. PROCESOS ESTOC
ASTICOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
7.9. SERIES DE TIEMPO MULTIVARIADAS . . . . . . . . . . . . . . . . . . . . . . . . . 88
7.10. T
OPICOS AVANZADOS DE DISE
NO EXPERIMENTAL . . . . . . . . . . . . . . . . 90
8. APLICACI
ON ESTAD
ISTICA 93
8.1. C
ALCULO ACTUARIAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
8.2. CONTROL ESTAD
ISTICO DE CALIDAD . . . . . . . . . . . . . . . . . . . . . . . . 96
8.3. DEMOGRAF
IA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
8.4. EPIDEMIOLOG
IA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
8.5. FINANZAS Y MODELOS DE INVERSI
ON . . . . . . . . . . . . . . . . . . . . . . . . 102
8.6. MODELOS DE SOBREVIVENCIA MULTIVARIADOS . . . . . . . . . . . . . . . . . 104
8.7. MODELOS DE SOBREVIVENCIA UNIVARIADOS . . . . . . . . . . . . . . . . . . . 106
8.8. MUESTREO EN POBLACIONES BIOL
OGICAS . . . . . . . . . . . . . . . . . . . . 108
8.9. TEOR
IA DE RESPUESTA AL

ITEM . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
8.10. TEOR
IA ESTAD
ISTICA DEL RIESGO . . . . . . . . . . . . . . . . . . . . . . . . . . 112

9. CONSOLIDACI
ON ESTAD
ISTICA 115
9.1. CONSULTOR
IA ESTAD
ISTICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
9.2. SEMINARIO DE ESTAD
ISTICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
9.3. TRABAJO DE GRADO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
INTRODUCCI
ON
Despues del texto de Humberto agradecer a los profesores que elaboraron el programa anotando al
frente las asignaturas.
1
2

INDICE GENERAL
Captulo 1
FUNDAMENTACI
ON
MATEM
ATICO-ESTAD
ISTICA
Para un desarrollo formal del pensamiento estadstico se requiere alcanzar previamente un conjunto de
competencias matematicas especiales, necesarias no solo para la construccion de lenguaje estadstico,
para la aprehension de conceptos estadsticos y para la argumentacion estadstica, sino que a traves
de ellas se busca estimular la creatividad y la disciplina en el estudiante.
El lenguaje, los procedimientos y los conceptos estadsticos, tienen asistencia de conceptos, lenguaje,
resultados y metodos matematicos que deben ser aprestados para garantizar un desempe no academico
exitoso del estudiante. En este sentido, el plan de estudios re une bajo la denominacion de Fundamenta-
cion Matematico-Estadstica, las asignaturas que son los requisitos mnimos para cimentar la formacion
de un Estadstico. Es en sntesis la propedeutica del programa de pregrado en Estadstica. La lista de
asignaturas de esta agrupacion se presenta en el cuadro 1.
Cuadro 1.1: Asignaturas de la agrupacion Fundamentacion Matematico-Estadstica
Asignatura Caracter Creditos
Fundamentos de matematicas Obligatoria 4
Sistemas numericos Obligatoria 4
Calculo diferencial en una variable Obligatoria 4
Calculo integral en una variable Obligatoria 4
Calculo vectorial Obligatoria 4
Algebra lineal basica Obligatoria 4
Algebra matricial Obligatoria 4

Probabilidad Obligatoria 4
Inferencia estadstica Obligatoria 4
A un cuando cada asignatura tiene propositos especcos 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 matematico como un recurso riguroso de comunicacion.
3
4 CAP
ITULO 1. FUNDAMENTACI
ON MATEM
ATICO-ESTAD
ISTICA
1.1.

ALGEBRA LINEAL B
ASICA
Creditos: 4
Descripcion:
Que el alumno al nalizar el curso este en capacidad de utilizar los conceptos de espacio vectorial
y transformacion lineal en varios contextos de su carrera y reconocer los vnculos de la asignatura
con otras areas teoricas o aplicadas de su carrera. En particular, debera poder aplicar la estructura
euclidiana usual en R
n
a diversas situaciones geometricas y fsicas, en lo referente a distancias, per-
pendicularidad, paralelismo, etc.
Contenido:
1. Vectores en R
n
.
1.1 Combinaciones lineales y coordenadas.
1.2 Longitud y angulo: El producto punto. Longitud. Distancia.

Angulos.
1.3 Vectores ortogonales.
1.4 Proyecciones.
2. Sistema de Ecuaciones Lineales.
2.1 Introduccion a los sistemas de ecuaciones lineales.
2.2 Resolucion de un sistema de ecuaciones lineales.
2.3 Metodos directos para resolver sistemas lineales: Matrices y forma escalonada.
2.4 Operaciones elementales entre las.
3. Eliminacion Gaussiana.
3.1 Eliminacion 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 Multiplicacion 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 B
ASICA 5
7. Subespacios, base, dimension y rango. Subespacios asociados con matrices.
7.1 Base, dimension y rango.
7.2 Subespacios asociados con matrices.
8. Bases, dimension y rango. Coordenadas.
8.1 Dimension y rango.
8.2 Coordenadas.
9. Induccion a Software de Apoyo.
10. Introduccion 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. Introduccion a valores y vectores propios. Valores y vectores propios de matrices n n.
13. Semejanza y Diagonalizacion.
14. Aplicaciones: Sistemas de Ecuaciones en Diferencia.
15. Ortogonalidad.
15.1 Sombras sobre una pared.
15.2 Ortogonalidad en R
n
.
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 factorizacion QR modicada.
17.2 Aproximacion 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 Dimension.
6 CAP
ON MATEM
ATICO-ESTAD
ISTICA
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 Composicion 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. Isomorsmo de Espacios Vectoriales.
24.1 Matriz de una transformacion lineal.
25. Matrices de Transformaciones Lineales Compuestas e Inversas.
25.1 Cambio de base y semejanza.
Bibliografa basica:
Florey, Francis Fundamentos de algebra lineal y aplicaciones. Englewood Clis, N.J. Prentice
Hall. 1980.
Kolman, Bernard y David R. Hill Algebra Lineal. Pearson-Prentice Hall. 8va edicion, Mexico.
2006.
Lay, David.

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

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

Algebra lineal: Una introduccion moderna. Cengage Learning. 2004.
Restrepo de Pelaez, Patricia; Franco Rosa y 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 7
1.2.

ALGEBRA MATRICIAL
Creditos: 4
Prerrequisito:

Algebra lineal basica
Descripcion:
Esta asignatura aborda conceptos especiales del algebra lineal que facilitan la formalizacion de mode-
los, metodos y procedimientos estadsticos, especialmente los que involucren el tratamiento de infor-
macion multivariada.
El estudiante que curse la asignatura y cumpla con las exigencias, podra:
1. Fortalecer la comprension de la geometra euclidiana multidimensional.
2. Realizar procedimientos de optimizacion basados en matrices.
3. Aprehender conceptos del algebra matricial como parte del lenguaje necesario en los modelos, meto-
dos y procedimientos multivariados.
4. Disponer de los elementos que le faciliten los procedimientos de calculo involucrados en el manejo
de modelos multivariados.
Contenido:
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 Denicion y existencia.
2.2 Caraterizacion y propiedades.
2.3 Invarianza en la escogencia de la inversa generalizada.
2.4 Metodos para calcular inversas generalizadas.
2.5 Solucion de sistemas de ecuaciones lineales.
3. Topicos adicionales sobre determinantes
3.1 Deniciones, notacion 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 proyeccion de matrices
5.1 Resultados generales, terminologa y notacion.
5.2 Proyeccion de matrices.
8 CAP
ON MATEM
ATICO-ESTAD
ISTICA
5.3 El problema de mnimos cuadrados.
5.4 Complemento ortogonal.
6. Formas lineales, bilineales y cuadraticas
6.1 Terminologa y resultados basicos.
6.2 Matrices y formas cuadraticas denidas no-negativas.
6.3 Descomposicion de matrices simetricas y simetricas denidas no-negativas.
6.4 Inversas generalizadas de matrices simetricas denidas no-negativas.
7. Descomposicion de matrices
7.1 Triangularizacion de una matriz.
7.2 Factorizacion QR.
7.3 Races cuadradas de matrices simetricas.
7.4 Descomposicion de Cholesky.
7.5 Polinomio mnimo.
7.6 Forma canonica de Jordan.
7.7 Descomposicion en valores singulares.
8. Diferenciacion de matrices y aplicaciones
8.1 Diferenciacion de formas lineales y cuadraticas.
8.2 Diferenciacion 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 Diferenciacion de inversas generalizadas.
8.6 Diferenciacion de proyeccion de matrices.
Bibliografa basica:
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 Pelaez, 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. C
ALCULO DIFERENCIAL EN UNA VARIABLE 9

1.3. C
ALCULO DIFERENCIAL EN UNA VARIABLE

Creditos: 4
Prerrequisito: Haber aprobado el examen de clasicacion en el area de matematicas
Descripcion:
Estudiar los conceptos de lmite y derivada para funciones de una variable real y utilizar estas ideas
en la solucion de problemas de optimizacion, trazado de curvas y razones de cambio.
Contenido:
1. Funciones y Modelos
1.1 Cuatro maneras de representar una funcion, denicion de funcion, dominio, rango, graca
de una funcion, prueba de la recta vertical.
1.2 Funciones denidas a tramos, valor absoluto, simetra, funcion par, impar, funciones cre-
cientes, decrecientes. Catalogo de funciones basicas: funcion lineal.
1.3 Catalogo de funciones basicas: polinomios (grado, races, funcion cuadratica, funcion c ubi-
ca), funciones de potencia, funciones racionales, funciones algebraicas y funciones trigo-
nometricas.
1.4 Transformaciones de funciones: desplazamientos verticales y horizontales, alargamientos
verticales y horizontales.
1.5

Algebra de funciones, composicion de funciones.
1.6 Funciones exponenciales: gr acas, leyes de los exponentes, modelacion con funciones expo-
nenciales, el n umero e.
1.7 Funcion inversa: funcion uno a uno, prueba de la recta horizontal, denicion de funcion
inversa, graca de la funcion inversa.
1.8 Funciones logartmicas: denicion, gracas, leyes de los logaritmos, logaritmo natural,
formula para el cambio de base, graca de la funcion logaritmo natural.
1.9 Funciones trigonometricas inversas: funcion seno inverso, funcion tangente inversa, funcion
coseno inverso.
2. Lmites y Derivadas.
2.1 Lmite de una funcion: denicion intuitiva, ejemplos gracos, ejemplos con tablas de valo-
res,+A203 lmites laterales, ejemplos gracos.
2.2 Calculo de lmites: reglas b asicas para el calculo de lmites, lmites de funciones denidas
por tramos, teorema de compresion.
2.3 Continuidad: denicion, 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 innito: lmites innitos y asntotas verticales, lmites en el
innito y asntotas horizontales, lmites innitos en el innito.
2.5 Tangentes, velocidades y otras razones de cambio.
2.6 Denicion de derivada, interpretacion de la derivada como la pendiente de una tangente,
interpretacion de la derivada como una razon de cambio.
2.7 La derivada como una funcion, notaciones de la derivada, relacion entre diferenciabilidad
y continuidad, Como deja de ser diferenciable una funcion? Derivadas superiores.
2.8 Que dice f acerca de f? Que dice f acerca de f?
10 CAP
ON MATEM
ATICO-ESTAD
ISTICA
3. Reglas de Derivacion.
3.1 Derivadas de polinomios y de funciones exponenciales. Las reglas del producto y del co-
ciente.
3.2 Derivacion de funciones trigonometricas. La regla de la cadena.
3.3 Derivacion implcita. Derivadas de las funciones trigonometricas inversas. Derivadas de
funciones logartmicas. Derivacion logartmica.
4. Aplicaciones de la Derivacion.
4.1 Razones de cambio de variables relacionadas.
4.2 Valores maximo y mnimo absolutos de una funcion. Extremos relativos de una funcion.
Teorema del valor extremo. Teorema de Fermat. Valores crticos de una funcion.
4.3 Derivadas y las formas de las curvas: teorema del valor medio, prueba para determinar los
intervalos de crecimiento y decrecimiento, prueba de la primera derivada para extremos
relativos.
4.4 Denicion de concavidad y puntos de inexion. Prueba de concavidad, prueba de la segunda
derivada para extremos relativos.
4.5 Ejemplos de trazado de gracas. Formas indeterminadas y la regla de LHopital.
4.6 Problemas de optimizacion.
Bibliografa basica:
Finney, R. L Calculo. Prentice-Hall. 2000.
Hughes-Hallet, D., Gleason, A. M. Calculus. John Wiley & Sons. 1994.
J. Stewart Calculo, Conceptos y contextos. Editorial Thomson, ediciones 2
a
y 3
a
. 2006.
Smith, R.T., Minton, R.B. Calculo, Tomo I. Mc Graw Hill. 2000.
Stein, Sh.K., Barcellos, A. Calculo con Geometra Analtica. Prentice Hall Hispanoamericana.
1996.
Thomas, G. B., Finney, R. L. Calculo en una variable. Addison Wesley Longman, 9na edicion.
1998.
1.4. C
ALCULO INTEGRAL EN UNA VARIABLE 11

1.4. C
ALCULO INTEGRAL EN UNA VARIABLE

Creditos: 4
Prerrequisito: Calculo diferencial en una variable
Descripcion:
Objetivo general:
Lograr la apropiacion por parte del estudiante de los conceptos fundamentales del calculo integral
de funciones de una variable real y crear habilidades que le permitan aplicar estos conocimientos en
problemas propios de su disciplina y abordar de manera elemental los conceptos de sucesiones y series.
Objetivos especcos:
1. Conocer y manejar con propiedad el concepto de integral denida de una funcion real de una va-
riable real y su relacion con el concepto de primitiva o antiderivada, para facilitar los calculos.
2. Estudiar algunas de las diferentes aplicaciones del concepto de integral.
3. Adquirir destreza en el estudio de la convergencia de sucesiones y series.
Contenido:
1. La Integral
1.1 Antiderivadas o primitivas y problemas de condiciones iniciales.
1.2 Notacion Sumatoria, propiedades.
1.3 Introduccion al area.
1.4 Sumas de Riemman y la integral denida.
1.5 Propiedades de la integral denida.
1.6 Teorema del valor medio, Primer y Segundo Teorema Fundamental del Calculo.
1.7 Integracion numerica, Reglas de Simpson y del trapecio.
2. Metodos de Integracion
2.1 Integracion por sustitucion.
2.2 Integracion por partes.
2.3 Integracion de funciones trigonometricas. Algunas sustituciones trigonometricas.
2.4 Integracion 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 solidos de seccion transversal conocida. Vol umenes de solidos de revolucion;
discos, arandelas y cortezas cilndricas.
3.3 Longitud de arco y area de una supercie de revolucion.
3.4 Momentos y centros de masa. Trabajo.
3.5 Introduccion a las ecuaciones diferenciales ordinarias.
12 CAP
ON MATEM
ATICO-ESTAD
ISTICA
4. Coordenadas Polares
4.1 Sistema de coordenadas polares. Graca 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 innitas y convergencia, series telescopicas y geometricas.
5.3 Criterios de convergencia de series de terminos no negativos: criterio de la integral, com-
paracion, raz y razon.
5.4 Series alternantes, convergencia absoluta y condicional.
5.5 Series de potencias.
5.6 Series de Taylor y de Maclaurin.
Bibliografa basica:
Edwards y Penney. Calculo con Geometra Analtica. Prentice Hall. 1997.
Leithold l. C. Calculo con Geometra Analtica. Harla. 1998.
Purcell. Calculo. 8 edicion. Prentice Hall. 2007
Stewart James. Calculo conceptos y contextos. Internacional Thompson. 2006.
Thomas G, Finney. Calculo en una variable. 9 edicion. Pearson. 2005.
1.5. C
ALCULO VECTORIAL 13
1.5. C
ALCULO VECTORIAL
Creditos: 4
Prerrequisito: Calculo integral en una variable.
Descripcion:
Objetivos:
1. Entender las nociones de derivacion e integracion al curso de funciones de varias variables.
2. Estudiar los teoremas clasicos del c alculo vectorial.
Contenido:
1. Calculo Diferencial de Funciones de Varias Variables
1.1 Supercies Cuadricas. 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 maximos y mnimos de una funcion de varias variables.
1.8 Multiplicadores de Lagrange.
2. Integracion M ultiple
2.1 Integrales dobles sobre rectangulos. 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 Calculo 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 Supercies parametricas.

Area de una supercie e integral escalar de una supercie.
3.5 Integrales de supercie.
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.
14 CAP
ON MATEM
ATICO-ESTAD
ISTICA
Bibliografa basica:
C. Pita. Calculo Vectorial. Prentice Hall, 1
a
edicion. 1995.
James Stewart. Calculo. Conceptos y contextos. International Thomson Editores. 1999.
J. E. Marsden & A. J. Tromba Calculo vectorial. Cuarta edicion. Adison Wesley Longman. 1996.
S. K. Stein. Calculo y Geometra Analtica. Mc Graw Hill, 5
a
edicion. 1995.
T. M. Apostol. Calculus. Reverte, 2
a
edicion. 1982
ATICAS 15
ATICAS
Creditos: 4
Descripcion:
Descripcion:
Se busca familiarizar al estudiante con los conceptos basicos de la matematica moderna, teora de
conjuntos y elementos de logica, metodos de demostracion, relaciones y cardinalidad. Enfatizar en las
formas correctas de razonar y argumentar, as como en la manera adecuada de comunicar por escrito
dichos argumentos.
Metodologa:
Dos clases semanales magistrales con explicaciones, ilustraciones y propuestas de ejercicios y proble-
mas por parte del profesor y con la participacion activa de los estudiantes. Se dejaran talleres que
el estudiante debe realizar fuera de clase para generar luego discusiones en torno a los temas trabajados.
Contenido:
1. Conceptos Basicos de Logica.
1.1 Calculo proposicional: Proposiciones, conectivos, tablas de verdad, tautologas.
1.2 Implicacion y equivalencia l ogica, reglas de inferencia y cuanticadores.
1.3 Metodos de demostracion: Pruebas directas, por contradiccion, usando contra-recproca.
Pruebas de proposiciones equivalentes y de proposiciones con cuanticadores.
2. Conceptos Basicos de Teora de Conjuntos.
2.1 Conjuntos: Determinacion por extension y por comprension.
2.2 Conjuntos y relaciones: contenencia e igualdad.
2.3 Operaciones entre conjuntos: Union, interseccion, diferencia, diferencia simetrica y comple-
mento. Propiedades de las operaciones. Conjunto de partes.
2.4 Familias indexadas: Union, 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.
Relacion 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 reexivas, simetricas, antisimetricas y transitivas. Relaciones de equivalencia.
Clases de equivalencia. Conjunto cociente. Teorema fundamental de las relaciones de equi-
valencia.
3.4 Relaciones de orden. Elementos maximales y minimales, mnimo, maximo, acotacion, su-
premo (sup), nmo (inf).
4. Cardinalidad
4.1 Equipotencia o similaridad.
4.2 Conjuntos nitos e innitos. Cardinales
4.3 Teoremas de Cantor.
4.3 Inyecciones entre conjuntos innitos. Tama nos de innitud. Conjuntos enumerables. Teore-
ma de Schoder-Bernstein (enunciado y consecuencias para la equipotencia entre conjuntos
numericos conocidos).
16 CAP
ON MATEM
ATICO-ESTAD
ISTICA
Bibliografa basica:
Allendoefer C.B y Oakley C.O. Fundamentos de Matematicas Universitarias. McGraw-Hill, ter-
cera edicion. 1982.
Bloch E. R. Proofs and Fundamentals. Birkhauser, Boston. 2000.
Mu noz J.M. Introduccion a la teora de conjuntos. Universidad Nacional de Colombia. 4ta edicion
2002.
Sheinerman E.R. Matematicas Discretas. Thomson-Learning. 2004.
Zalamea F. Fundamentos de Matematicas. Universidad Nacional de Colombia. Sede Bogota.
2007.
ISTICA 17
ISTICA
Creditos: 4
Prerrequisito: Probabilidad
Descripcion:
Esta asignatura dispone los conceptos y fundamentos de la teora de la inferencia estadstica con
enfoques frecuentista y bayesiano para poner en contexto las propiedades de las estadsticas, con el
objeto de dise nar estimadores y pruebas optimos bajo muestreo aleatorio simple.
El estudiante que curse la asignatura y cumpla con las exigencias academicas, podra:
1. Identicar la estructura general de la inferencia estadstica con el respaldo de elementos de la pro-
babilidad.
2. Teorizar el comportamiento de estimadores y de pruebas.
3. Construir, evaluar y comparar estimadores.
4. Realizar estimaciones puntuales y por intervalo a partir de muestras simples.
5. Construir, evaluar y comparar pruebas.
6. Traducir conjeturas cientcas a lenguaje estadstico y valorar su plausibilidad.
Contenido:
1. Muestra aleatoria
1.1 Conceptos iniciales.
1.2 Distribucion de sumas y productos en muestras aleatorias.
1.3 Distribucion de los estadsticos de orden.
1.4 Muestras bajo la distribucion normal.
1.5 Principios de simulacion.
2. Construccion de estimadores
2.1 Conceptos iniciales.
2.2 Metodo de los momentos.
2.3 Metodo de maxima verosimilitud.
2.4 Metodo bayesiano.
2.5 Metodos robustos.
2.6 Algoritmo EM.
3. Evaluacion de estimadores
3.1 Consistencia.
3.2 Insesgamiento.
3.3 Eciencia.
3.4 Suciencia.
3.5 Completez.
3.6 Varianza mnima.
3.7 Equivarianza.
3.8 Optimizacion bajo funcion de costos.
3.9 Robustez.
4. Pruebas de hipotesis
18 CAP
ON MATEM
ATICO-ESTAD
ISTICA
4.1 Conceptos basicos: Tipos de hipotesis, tipos de errores y probabilidades asociadas, regiones,
valor p.
4.2 Metodos para hallar pruebas: raz on de verosimilitudes, bayesianos, union-interseccion y
interseccion-union.
4.3 Evaluacion de pruebas. Funcion de potencia, pruebas uniformemente mas potentes, tama no
de una prueba, invarianza, eciencia relativa, eciencia relativa asintotica.
4.4 Optimalidad bajo funcion de perdida.
5. Estimacion por intervalos
5.1 Metodos para hallar intervalos: Inversion de la prueba, variable pivote, bayesiano.
5.2 Evaluacion de intervalos de conanza: tama no y probabilidad de cubrimiento, optimalidad
(relacionada con las pruebas, bayesiana y bajo funcion de costos).
5.3 Intervalos de credibilidad.
Bibliografa basica:
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 19
1.8. PROBABILIDAD
Creditos: 4
Prerrequisito: Calculo integral en una variable
Descripcion:
Esta asignatura dispone los elementos de la sintaxis formal de la probabilidad para eventos y variables
aleatorias unidimensionales y multidimensionales. Describe los modelos probabilsticos clasicos. Abor-
da la convergencia y la simulacion de variables aleatorias. Se requieren conocimientos de algebra
lineal y de calculo en varias variables.
1. Manejar e interpretar los axiomas y los conceptos fundamentales de la teora de probabilidad.
2. Reconocer en casos especcos el o los modelos probabilsticos mas adecuados en la descripcion de
una situacion real.
3. Fortalecer su formacion disciplinar con el pensamiento probabilstico.
Contenido:
1. Conceptos basicos 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 Denicion y ejemplos.
2.2 Funcion de distribucion.
2.3 Variables aleatorias discretas y continuas.
2.4 Distribucion de una funcion de una variable aleatoria.
3. Valor esperado y varianza de una variable aleatoria
3.2 Propiedades del valor esperado y de la varianza de una variable aleatoria.
3.3 Funcion generadora de momentos.
3.4 Funcion 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
20 CAP
ON MATEM
ATICO-ESTAD
ISTICA
5.1 Uniforme.
5.2 Normal.
5.3 Gamma.
5.4 Exponencial.
5.5 Chi-cuadrado.
5.6 Beta.
5.7 Log-normal.
5.8 Weibull.
5.9 Cauchy.
6. Distribucion conjunta de variables aleatorias
6.1 Funciones de distribucion conjunta.
6.2 Variables aleatorias independientes.
6.3 Covarianza y coeciente de correlacion.
6.4 Distribucion de una funcion de un vector aleatorio.
6.5 Distribucion de la suma, diferencia, producto y cociente de variables aleatorias.
6.6 Distribuciones F y t-student.
6.7 Funciones generadora de momentos y caracterstica conjuntas.
6.8 Distribucion conjunta de la media y la varianza muestral.
6.9 Distribucion normal multivariada.
7. Distribucion condicional y valor esperado condicional
7.1 Funcion de distribucion condicional y valor esperado condicional: Casos discreto y continuo.
7.2 Propiedades del valor esperado condicional.
7.3 Varianza condicional.
8. Leyes de los grandes 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 Simulacion de algunas distribuciones discretas y continuas de uso frecuente.
Bibliografa basica:
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 Miin. 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 NUM
ERICOS 21
1.9. SISTEMAS NUM
ERICOS
Creditos: 4
Prerrequisito: Fundamentos de matematicas
Descripcion:
Revisar y complementar los conocimientos de los conjuntos numericos que el estudiante ha utilizado en
sus estudios de educacion media, desde los naturales hasta los complejos, resaltando las similitudes y
especicidades 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. Meto-
dologa: Dos clases semanales magistrales con explicaciones, ilustraciones y propuestas de ejercicios y
problemas por parte del profesor y con la participacion activa de los estudiantes.
Contenido:
1. Operaciones Binarias
1.1 Operaciones binarias.
1.2 Propiedades: asociatividad y conmutatividad.
1.3 Existencia de elementos neutros e inversos laterales y bilaterales.
1.4 Ejemplos en Zn y otros conjuntos nitos 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 Induccion, buen orden y recursion.
2.4 Nociones basicas de conteo, permutaciones, combinaciones y teorema del binomio.
3. N umeros Enteros
3.1 Construccion. Operaciones y sus propiedades.
3.2 Divisibilidad. Primos y compuestos. Algoritmo de la division.
3.3 Maximo 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: Expansion decimal. Operaciones y sus propiedades. Orden. Densidad. Propie-
dad Arquimediana.
4.2 Reales: Expansion decimal. Operaciones y sus propiedades. Orden. Densidad. Propiedad
Arquimediana. Axioma de completez. N umeros algebraicos y trascendentes.
5. N umeros Complejos
5.1 N umeros Complejos: denicion, 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.
22 CAP
ON MATEM
ATICO-ESTAD
ISTICA
6.2 Teorema del residuo y teorema del factor. Factorizacion unica. Mnimo Com un Multimplo
y Maximo Com un Divisor.
6.3 Races: Races racionales de polinomios con coecientes enteros. Teorema fundamental del
algebra. Factorizacion en los reales y en los complejos. Irreducibles y su caracterizacion.
Fracciones simples, fracciones parciales.
Bibliografa basica:
Allendoefer C.B y Oakley C.O. Fundamentos de Matematicas 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 edicion. 2002.
Sheinerman E.R. Matematicas Discretas. Thomson-Learning. 2004.
Zalamea F. Fundamentos de Matematicas. Universidad Nacional de Colombia. 2007.
Captulo 2
FUNDAMENTACI
ON EN
CIENCIAS
Cuadro 2.1: Asignaturas de la agrupacion Fundamentacion en Ciencias
Biologa general Optativa 3
Biologa molecular y celular Optativa 3
Fundamentos de ecologa Optativa 3
Probabilidad y estadstica fundamental Optativa 3
Bioestadstica fundamental Optativa 3
Estadstica social fundamental Optativa 3
Geometra elemental Optativa 4
Geometra vectorial y analtica Optativa 4
Conjuntos y combinatoria Optativa 4
Matematicas discretas Optativa 4
Principios de qumica Optativa 3
Qumica organica I Optativa 3
Qumica basica Optativa 3
Introduccion a la ciencia de materiales Optativa 3
Mecanica newtoniana Optativa 4
Electricidad y magnetismo Optativa 4
Oscilaciones y ondas Optativa 4
Mecanica de uidos Optativa 4
2.1. CONJUNTOS Y COMBINATORIA
Creditos: 4
Prerrequisito: Fundamentos de matematicas
Descripcion:
Descripcion:
Resultados basicos de teora de n umeros como el teorema fundamental de la aritmetica y el teorema
chino de los restos, principios basicos de conteo y presentacion de algunas estructuras nitas. En el
caso innito introduccion de operaciones con familias de conjuntos y de relaciones de orden y buen
23
24 CAP
ON EN CIENCIAS
orden. Cardinales y ordinales.
Objetivo:
Familiarizar al estudiante con conceptos basicos de matematicas discretas y teora de conjuntos a
traves de operaciones basicas de conteo y su relacion con estructuras nitas y de igual forma en el
caso innito ver que sucede, como cambian las operaciones y el razonamiento con conjuntos innitos.
Contenido:
1. Material de Base
1.1 Repaso de Logica y metodos de demostracion.
1.2 Los N umeros naturales.
1.3 Induccion matematica.
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, factorizacion 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 Representacion de grafos. Isomorsmos de grafos.
4. Conjuntos Innitos y Cardinales
4.1 Operaciones con conjuntos y familias. Ordenes parciales. Buen orden.
4.2 Conjuntos innitos y dedekind-innitos.
4.3 Teoremas de Schroder - Bernstein y Cantor.
4.4 Conjuntos contables y no contables. Ejemplos.
5. El Axioma de Eleccion
5.1 Formas usuales del axioma de eleccion. Equivalencias.
5.2 Lema de Zorn y aplicaciones.
5.3 Comparabilidad. Adicion y multiplicacion de cardinales.
5.4 Aritmetica cardinal. Ordinales. Conjuntos bien ordenados, conalidades.
Bibliografa basica:
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 axiomatica de conjuntos. Norma. 1968.
2.2. GEOMETR
IA ELEMENTAL 25
2.2. GEOMETR
IA ELEMENTAL
Creditos: 4
Descripcion:
Objetivos:
1. Estudiar un ejemplo axiomatico clasico, Geometra Elemental, ejemplo que ilustra la forma en
que se construye una teora matematica.
2. Estudiar los elementos basicos de la Geometra Elemental que permitan a los estudiantes abordar
sus cursos superiores.
3. Contribuir al desarrollo del pensamiento matematico del estudiante, al desarrollo de la intuicion y
de la capacidad de analisis.
Metodologa:
A medida que se desarrolle el curso, se debe reexionar acerca de las deniciones y postulados que
vayan apareciendo y su necesidad y pertinencia dentro de la teora para demostrar nuevos resultados.
Se debe insistir en el analisis de la estructura logica de una proposicion y en lo que signica una de-
mostracion. Es importante involucrar a los estudiantes en la discusion de los temas tratados, se debe
promover en ellos la participacion para que propongan conjeturas y sugieran soluciones a problemas
planteados.
Contenido:
1. Geometra Plana: A. Primeros Axiomas y Postulados. B. Rectas, Segmentos y Planos. C. Con-
gruencia. 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. Cons-
trucciones con Regla y Compas. D. Colinealidad y Concurrencia.
2.1

Angulos inscritos, semi-inscritos. Polgonos inscritos y circunscritos. Potencia de un punto
a una circunferencia. El eje radical, la recta de Simpson. El crculo de los nueve puntos. El
triangulo ortico. El triangulo 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 duplicacion del cubo.
2.4 Algunos teoremas clasicos: Ceva, Menelao, Pappus, Desargues, Pascal.
3. Geometra Plana: A. Introduccion a la Geometra Cartesiana. Geometra del Espacio: B. Con-
ceptos Basicos. C. Solidos 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, reexiones, rotaciones y homotecias.
Bibliografa basica:
Campos, A. Axiomatica y Geometra desde Euclides hasta Hilbert y Bourbaki. Universidad Na-
cional de Colombia. 1994.
26 CAP
ON 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. GEOMETR
IA VECTORIAL Y ANAL
ITICA 27
2.3. GEOMETR
IA VECTORIAL Y ANAL
ITICA
Creditos: 4
Descripcion:
Este es un curso que estudia los primeros conceptos del algebra lineal en R
2
y R
3
y su relacion con
algunos conceptos basicos de la geometra.
Contenido:
1. Vectores geometricos en el plano.
1.1 Conceptos basicos. Suma de vectores.
1.2 Producto de un escalar por un vector. Teorema de la proporcion y aplicacion.
1.3 Descomposicion 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 Introduccion.Suma y producto por escalar en R
2
.
2.2 Magnitud, direccion y otros conceptos en R
2
.
3. La lnea recta en el plano.
3.1 Ecuacion 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 basicos.
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 Formulas de Cramer. Propiedades (lectura por parte del estudiante).
7. Valores propios y vectores propios
7.1 Deniciones. Calculo de valores y vectores propios. Factorizacion A = PDP
1
.
7.2 Valores propios y vectores propios de matrices simetricas.
8. Secciones conicas
8.1 La circunferencia. Traslacion de ejes. La parabola.
28 CAP
ON EN CIENCIAS
8.2 La elipse.
8.3 La hiperbola. La ecuacion Ax
2
+Cy
2
+Dx +Ey +F = 0.
8.4 Rotacion de ejes. Ecuacion general de segundo grado.
9. Vectores en el espacio
9.1 Vectores geometricos. Conceptos b asicos y operaciones. Sistema de coordenadas cartesianas
para el espacio. Descomposicion canonica para vectores geometricos.
9.2 Producto cruz o producto vectorial.
9.3 Vectores coordenados o algebraicos.
10. Rectas y planos
10.1 La lnea recta.

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

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

Algebra lineal: una introduccion moderna. International Thonson editores. 2004.
Uribe, Julio. Geometra Analtica y Vectorial, Quinta edicion. Departamento de publicaciones.
U.N. Medelln.
Captulo 3
COMPLEMENTACI
ON
MATEM
ATICA
Cuadro 3.1: Asignaturas de la agrupacion Complemetacion Matematica
Logica matematica Optativa 4
Modelos matematicos Optativa 4
Algebra multilineal y formas canonicas Optativa 4

Introduccion al analisis real Optativa 4
Calculo de ecuaciones diferenciales Optativa 4
Grupos y anillos Optativa 4
Analisis estocastico Optativa 4
3.1. AN
ALISIS ESTOC
ASTICO
Creditos: 4
Prerrequisito: Procesos estocasticos
Descripcion:
Al nal el curso el estudiante debe conocer, manejar e interpretar los axiomas y los conceptos funda-
mentales del calculo estocastico.
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: denicion y propiedades.
1.6 Procesos markovianos.
29
30 CAP
ITULO 3. COMPLEMENTACI
ON MATEM
ATICA
1.7 Martingalas.
2. El Movimiento Browniano
2.1 Denicion y propiedades.
2.2 Tiempos de paro.
2.3 Procesos que se derivan del movimiento browniano.
3. Integracion Estocastica
3.1 Construccion de la integral de Ito.
3.2 Algunas propiedes de la integral de Ito.
3.3 Extensiones de la integral de Ito.
3.4 La formula de Ito y el teorema de representacion de martingalas.
4. Ecuaciones Diferenciales Estocasticas
4.2 Algunos metodos de solucion.
4.3 Teoremas de existencia y unicidad de soluciones fuertes.
4.4 Soluciones debiles.
4.5 Ecuaciones diferenciales estocasticas lineales.
Bibliografa basica:
Blanco, L & Mu noz, M. Analisis Estocastico. Coleccion Notas de clase. Facultad de Ciencias.
Universidad Nacional. 2003.
Cyganowski, S.; Kloeden, P. & Ombach, J. From Elementary Probability to Stochastic Dieren-
tial 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 Scientic. 1999.
Nualart, D. Calculo Estocastico: Notas de clase. Universidad de Barcelona. 2000.
Oksendal, B. Stochastic Dierential Equations: An Introduction with Applications. 5 Edicion.
Springer. 1998.
3.2. C
ALCULO DE ECUACIONES DIFERENCIALES 31

3.2. C
ALCULO DE ECUACIONES DIFERENCIALES

Creditos: 4
Prerrequisito:

Descripcion:
Objetivos:
1. Modelar por medio de ecuaciones diferenciales algunos sistemas simples y predecir su comporta-
miento.
2. Comprender y utilizar las diferentes tecnicas analticas y cualitativas para resolver ecuaciones dife-
renciales.
Metodologa:
Clases magistrales y talleres.
Contenido:
1. Ecuaciones Diferenciales de Primer Orden
1.1 Preliminares: orden, clasicacion y soluciones de las ecuaciones diferenciales. Ejemplos de
sistemas reales modelados por medio de ecuaciones diferenciales: variables independien-
tes, 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, enfria-
miento 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 Wrons-
kiano. Reduccion del orden para ecuaciones lineales de segundo orden. Ecuacion lineal
homogenea con coecientes constantes.
2.2 Ecuaciones no homogeneas con coecientes constantes. Algunas aplicaciones de la ecuacion
ax
+bx
+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. Geo-
metra de los sistemas autonomos: el campo vectorial. Soluciones de equilibrios y soluciones
periodicas. Retrato de fase de los sistemas autonomos en el plano.
2.4 Solucion de un sistema lineal homogeneo con coecientes 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 coecientes
constantes en el plano.
2.5 Solucion particular para los sistemas no homogeneos: coecientes indeterminados y varia-
cion de parametros.
2.6 Metodo de Euler para sistemas autonomos. Sistemas no lineales: linealizacion alrededor de
puntos de equilibrio. Isoclinas (nulclinales) y analisis cualitativo.
32 CAP
ON MATEM
ATICA
3. Transformada de Laplace
3.1 Transformada de Laplace. Transformada inversa. Teoremas de traslacion y derivadas de
una transformada. Transformadas de derivadas, integrales y funciones periodicas.
3.2 Funciones delta y forzamiento de impulso. Aplicaciones a las ecuaciones diferenciales y
sistemas.
4. Series de Potencias
4.1 Series de potencias. Ecuaciones lineales: puntos ordinarios y singulares. Soluciones con series
de potencias en torno a puntos ordinarios.
4.2 Soluciones en torno a puntos singulares regulares (teora de Frobenius).
4.3 Dos ejemplos: ecuaciones de Bessel y Legendre.
Bibliografa basica:
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 edicion. 1998.
3.3. MODELOS MATEM
ATICOS 33
3.3. MODELOS MATEM
ATICOS
Creditos: 4
Descripcion:
La modelacion matematica no es un tema facil de ense nar, dada la gran diversidad de problemas
a los cuales esta se enfrenta. Ademas otra razon de esto se debe a que esta solo se aprende por la
practica, es decir no existe un conjunto de reglas para comprender la manera correcta del proceso
de modelacion, esta solo puede adquirirse familiarizandose con una gran variedad de problemas. Se
han propuesto dos grandes corrientes para la 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. Adimensionalizacion
2. Modelos Compartimentales
3. Optimizacion
4. Modelos Estocasticos
5. Sensibilidad
Bibliografa basica:
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 CAP
ON MATEM
ATICA
Captulo 4
PROGRAMACI
ON
La acentuada inuencia 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 computacion, por consiguiente, se ha venido convirtiendo en un elemento en la
investigacion en Estadstica y en la practica, 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 computacion, mas alla de ser un ejercicio rutinario de la practica estadstica y de ser un medio
extraordinario de investigacion y ensanchamiento del cuerpo conceptual de la Estadstica, curricular-
mente es un factor sinergico que induce y fortalece el pensamiento estadstico.
Como el proposito 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 modicar programas o
desarrollar aplicaciones singulares de distinta complejidad, implementadas algortmicamente mediante
alg un lenguaje de programacion. Ademas del objeto primario de presentar los fundamentos basicos de
la programacion, la agrupacion 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 exibilidad de la estructura curricular
propuesta, le imprime un caracter 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 Matematicas 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
Programacion y metodos numericos Optativa 4
Analisis numerico Optativa 4
Programacion de computadores Optativa 3
Programacion orientada a objetos Optativa 3
Metodos numericos Optativa 4
Programacion en lenguajes estadsticos Optativa 4
Las asignaturas de esta agrupacion dieren en su contenido y propositos particulares, pero son cohe-
rentes tematicamente, puesto coinciden en estimular el desarrollo de capacidades de programacion de
computadores; por ello la agrupacion tiene como objetivo el siguiente:
Incentivar la capacidad de abstraer problemas y de formular su solucion, por medio del dise no de
35
36 CAP
ITULO 4. PROGRAMACI
ON
algoritmos y de su implementacion en un lenguaje particular de programacion.
4.1. PROGRAMACI
ISTICOS
Creditos: 4
Correquisito:

Descripcion:
Esta asignatura introduce la logica de programacion y las plataformas de programacion en Estadstica.
Provee las herramientas basicas para la lectura, creacion, procesamiento, almacenamiento y recupera-
cion de datos. Se hace una introduccion a la moderna teora de programacion utilizando un lenguaje
orientado a objetos (C++) y la plataforma estadstica R.
1. Proponer el procedimiento logico para resolver un problema.
2. Programar la solucion de un problema en un lenguaje de programacion.
3. Utilizar las estructuras vectoriales y matriciales en la programacion de soluciones.
4. Realizar tareas estadsticas basicas en una plataforma de programacion en Estadstica.
5. Producir gracas con informacion estadstica.
6. Abordar la programacion de tareas combinando un lenguaje de programacion y una plataforma
estadstica.
7. Leer datos disponibles en diferentes aplicaciones y exportar datos para otros ambientes.
Contenido:
1. Conceptos iniciales de Programacion
1.1 Compiladores, ensambladores, interpretadores.
1.2 Lenguaje de maquina, codigo fuente, codigo objeto.
1.3 Programacion orientada a objetos.
1.4 Programacion orientada a vectores.
2. Lexico basico
2.1 Variables y constantes: enteros, punto otante, caracteres, cadenas.
2.2 Doble y simple decremento.
2.3 Operaciones basicas: enteras, punto otante.
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 logicos.
3.3 Bloques.
3.4 Ciclos.
3.5 Decision.
4. Funciones (C++,R)
4.1 Conceptos generales.
4.1. PROGRAMACI
ISTICOS 37
4.2 Denicion y llamado. Prototipos.
4.3 Parametros, variables locales y variables globales.
4.4 Valores de retorno.
4.5 Recursion.
5. Clases y objetos (C++,R)
5.1 Declaracion de clases.
5.2 Especicadores de acceso a clases.
5.3 Acceso de miembros.
5.4 Asignacion 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. Programacion orientada a vectores
6.1 Optimizacion y reduccion de codigo fuente. Eliminacion de ciclos.
6.2 Tipos de vectores.
6.3 Aritmetica de vectores.
6.4 Secuencias y generacion de secuencias.
6.5 Vectores logicos.
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 Indexacion.
8.2 Producto externo.
8.3 Transposicion.
8.4 Multiplicacion de matrices.
8.5 Ecuaciones lineales.
8.6 Valores y vectores propios.
8.7 Descomposicion QR, determinantes.
8.8 Ajuste por mnimos cuadrados.
8.9 Concatenacion de bloques de matrices.
9. Manipulacion de objetos en R.
9.1 Construccion, modicacion y acceso de listas.
9.2 Construccion, modicacion 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 gracas.
38 CAP
ITULO 4. PROGRAMACI
ON
9.6 Parametros para los gracos.
9.7 Manejo de dispositivos de salida. Exportacion de gracas.
10. Elementos de programacion en SAS.
10.1 Data, proc y library.
10.2 Importacion, exportacion y manejo de archivos.
10.3 IML.
Bibliografa basica:
Capper, D. Introducing C++ for Scientists, Engineers and Mathematicians. Kindle Book. 2001.
Correa, J. Gracos 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/R-
intro.html. 2007.
Preparado por Campo Elas Pardo.
4.2. PROGRAMACI
ON Y M
ETODOS NUM
ERICOS 39
4.2. PROGRAMACI
ON Y M
ETODOS NUM
ERICOS
Creditos: 4
Correquisito:

Descripcion:
Objetivos:
1. Adquirir conocimientos basicos sobre computadores e informatica.
2. Suministrar los conocimientos basicos de la programacion de computadores en un lenguaje de pro-
gramacion (C, C++, Fortran, o Pascal) en el contexto de los metodos numericos.
3. Poner en practica los conocimientos sobre computadores, informatica y lenguajes considerados en
programas basicos de metodos numericos.
Contenido:
1. Introduccion
1.1 Introduccion a la plataforma de programacion.
2. Variables, Constantes, Operadores y Expresiones
2.1 Forma de un programa.
2.2 Edicion del programa fuente, compilacion y enlace, ejecucion.
2.3 Nombres de identicadores.
2.4 Tipos de datos.
2.5 Modicadores de tipos.
2.6 Declaracion de variables.
2.7 Variables locales y globales.
2.8 Sentencias de asignacion.
2.9 Conversion de tipos.
2.10 Inicializacion de variables.
2.11 Constantes.
2.12 Operadores aritmeticos.
2.13 Incremento y decremento.
2.14 Operadores relacionales y logicos.
2.15 Expresiones.
2.16 Conversion 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 funcion.
4.2 Valores devueltos.
40 CAP
ITULO 4. PROGRAMACI
ON
4.3

Ambito de una funcion.
4.4 Argumentos de una funcion.
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 Signicado.
6.2 Variables apuntadores.
6.3 Operadores de apuntadores.
6.4 Expresiones, asignaciones, aritmetica de apuntadores.
6.5 Comparacion de apuntadores.
6.6 Apuntadores y arreglos.
6.7 Asignacion dinamica.
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 Declaracion, 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 eliminacion gaussiana sin pivoteo y con pivoteo parcial.
9.2 La Factorizacion de Cholesky.
10. Calculo de los Ceros de una Funcion Continua
10.1 El metodo de biseccion.
10.2 El metodo de la regla falsa.
11. Metodos de interpolacion
11.1 El metodo de Lagrange.
11.2 El metodo de diferencias divididas.
12. Metodos de Integracion
12.1 Regla del Trapecio y regla de Simpson.
4.2. PROGRAMACI
ON Y M
ETODOS NUM
ERICOS 41
Bibliografa basica:
Glassey, R. Numerical Computation using C. Academic Press. 1993.
Kernighan, B. W. & Ritchie, D. M. El Lenguaje de programacion C. Prentice-Hall Hispanoame-
ricana. 1985.
Mora, H. Introduccion a C y a metodos numericos. Unibiblos. 2004.
Schildt, H. Turbo C/C++, Manual de Referencia. Osborne/McGraw-Hill. 1992.
42 CAP
ITULO 4. PROGRAMACI
ON
Captulo 5
METODOLOG
IA
Con esta agrupacion, el currculo no pierde de vista la parte profesional como componente formativa de
un Estadstico, y con ella se pone a disposicion del estudiante un 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 reexiones deontologicas, factores que
posibilitan mejores resultados de su actividad profesional.
Como estratega metodologico, 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 especcos y
denitivos. En la planeacion, como una de sus funciones especcas, se advierte su mayor desempe no
de interaccion grupal, y esta obligado a manejar elementos semanticos ajenos, a compartir funciones,
a suplir parcialmente carencias de recurso humano. En este sentido la agrupacion denominada Me-
todologa, 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 fundamentacion a la luz de lo dispuesto en el acuerdo 033.
La relacion de las asignaturas de esta agrupacion se consigna en el cuadro 5.
Cuadro 5.1: Asignaturas de la agrupacion Metodologa
Dise no, gestion y evaluacion de proyectos Optativa 4
Gestion tecnologica Optativa 3
Gerencia de recursos humanos Optativa 3
Ingeniera economica Optativa 3
Finanzas Optativa 4
Formulacion y evaluacion de proyectos Optativa 3
Indicadores sociales Optativa 3
Estadstica y sociedad Optativa 3
El objetivo de esta agrupacion se sintetiza como:
Traer a identidad de nes una serie de saberes que paralelamente asisten a la profesionalidad y a
reexiones deontologicas, para proponerla como base eleccion estudiantil, con el n de que construya
en su rumbo academico, un apoyo conceptual y metodologico que acent ue un desempe no cualicado
en la cotidianidad profesional del futuro Estadstico
43
44 CAP
ITULO 5. METODOLOG
IA
5.1. ESTAD
ISTICA Y SOCIEDAD
Creditos: 3
Descripcion:
Esta asignatura dispone actividades, como conferencias de expertos, lecturas, discusiones y expo-
siciones, que permitan el examen de: marcos normativos de organismos productores de estadsticas,
procedimientos estadsticos normalizados y normativas de comportamiento profesional. Es un espa-
cio de reexion 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 ontologicos y deontologicos del ejercicio profesional.
3. Discernir entre conductas eticas y no eticas en la toma de decisiones con apoyo estadstico.
4. Concertar en el desarrollo de sistemas estadsticos.
5. Contribuir en la construccion y adaptacion de los procedimientos estadsticos dentro de las normas
tecnicas.
Contenido:
1. El valor de la informacion estadstica en la sociedad y estados modernos.
2. Aspectos losocos sobre medicion y clasicacion.
3. Normalizacion de las estadsticas ociales y armonizacion internacional
3.1 Las cuentas nacionales.
3.2 Los censos de poblacion 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 produccion estadstica
5.1 Encuestas electorales.
5.2 Encuestas de opinion.
6. Aspectos eticos de la practica estadstica
6.1 Condencialidad estadstica.
6.2 Aspectos eticos en la experimentacion en seres humanos y animales.
6.3 Derechos sobre la informacion estadstica p ublica.
7. Aspectos losocos 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. ESTAD
ISTICA Y SOCIEDAD 45
Bibliografa basica:
Desrosières, A. De lo singular a lo general: la informacion estadstica y la construccion del
estado.
Desrosières, A. Reejar o instituir: la invencion de los indicadores estadsticos. Metodologica,
No.4. 1996.
CEPAL. Las cuentas nacionales: Lineamientos conceptuales, metodologicos y practicos. CEPAL.
2007.
Cobo, Eric. Papel etico del estadstico en la experimentacion 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 CAP
ITULO 5. METODOLOG
IA
Captulo 6
N
UCLEO ESTAD
ISTICO
Se le caracteriza plenamente a esta agrupacion por su esencia, intitulandola como n ucleo, por medio
de la acepcion: 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 desarrolla-
das, el estudiante puede incrementar conocimientos adicionales relacionados con las asignaturas de la
agrupacion como complementacion o anexar conocimientos de temas particulares a manera de aplica-
ciones. Corresponde justamente a la apropiacion de elementos conceptuales de la Estadstica, que lo
vinculan disciplinariamente con ella y cimientan su ejercicio profesional. Del mismo modo, el principio
de exibilidad aten ua la rigidez presumida para una agrupacion de este caracter y abre posibilidades
al exigirse 36 creditos de 44 posibles.
La agrupacion esta conformada por las asignaturas que incluye el cuadro 6.
Cuadro 6.1: Asignaturas de la agrupacion N ucleo estadstico
Estadstica descriptiva y exploratoria Obligatoria 4
Analisis de regresion Obligatoria 4
Estadstica descriptiva multivariada Optativa 4
Muestreo estadstico Optativa 4
Metodos no parametricos Optativa 4
Analisis multivariado Optativa 4
Estadstica bayesiana Optativa 4
Series de tiempo univariadas Optativa 4
Estadstica espacial Optativa 4
Dise no de experimentos Optativa 4
Dise no y desarrollo de encuestas Optativa 4
El objetivo de esta agrupacion 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 especcas y estructurales sustentadas en el reconocimiento de la cons-
titucion, identidad y naturaleza de cada asignatura y de la articulacion entre las mismas con el n de
asentar y respaldar su crecimiento conceptual
47
48 CAP
ITULO 6. N
UCLEO ESTAD
ISTICO
6.1. AN
ALISIS DE REGRESI
ON
Creditos: 4
Prerrequisito: Inferencia estadstica
Descripcion:
Esta asignatura dispone los conceptos y fundamentos de la teora estadstica para modelar la rela-
cion existente entre una variable respuesta y un conjunto de variables explicativas, optimizando la
informacion disponible.
1. Identicar la estructura general de los modelos de regresion lineal y no lineal.
2. Teorizar la construccion, evaluacion y seleccion de un modelo de regresion lineal y no lineal.
3. Estimar modelos de regresion lineal, evaluar su ajuste y seleccionar uno adecuado.
4. Vericar los supuestos del modelo de regresion lineal.
5. Ajustar modelos que involucren variables categoricas o modelos que tengan una estructura no lineal.
6. Elegir procedimientos de analisis de acuerdo con la estructura de los datos y los objetivos de la
investigacion.
Contenido:
1. Regresion lineal simple
1.1 Introduccion y formulacion del modelo.
1.2 Estimacion de los parametros del modelo.
1.3 Analisis de varianza y pruebas de hipotesis.
1.4 Bondad de ajuste del modelo.
1.5 Regresion en terminos matriciales.
2. Regresion lineal m ultiple
2.2 Estimacion de los parametros del modelo.
2.3 Analisis de varianza y pruebas de hipotesis.
2.4 Bondad de ajuste del modelo.
2.5 Evaluacion de los supuestos del modelo.
2.6 Variables predictoras categoricas.
2.7 Seleccion de variables y construccion de modelos.
3. Otros modelos de regresion
3.1 Regresion polinomica.
3.2 Regresion Poisson.
3.3 Regresion logstica.
3.4 Regresion robusta.
3.5 Regresion no lineal.
Bibliografa basica:
Draper, Norman y Smith, Harry. Applied Regression Analysis. John Wiley. 1998.
6.1. AN
ALISIS DE REGRESI
ON 49
Fox, John. Applied Regression Analysis and Generalized Linear Models. Sage. 2008.
Hocking, Ronald. Methods and Applications of Linear Models. N. J. Wiley-Interscience. 2003.
Lopez, Luis y Rincon, Luis. Notas de Clase de Modelos Lineales. Universidad Nacional de Co-
lombia. 1999.
Montgomery, Douglas; Peck, Elizabeth y Vining, Georey. Introduction to Linear Regression
Analysis. John Wiley and Son. 2006.
Searle, Shayle. Linear Models. John Wiley. 1971.
Preparado por Luz Mery Gonzalez. Revisado por Emilse Gomez y Diana Franco.
50 CAP
ITULO 6. N
UCLEO ESTAD
ISTICO
6.2. AN
ALISIS MULTIVARIADO
Creditos: 4
Prerrequisitos: Algebra matricial
Inferencia estadstica
Descripcion:
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 analisis discriminante.
1. Complementar los fundamentos de la inferencia estadstica bajo el modelo normal multivariado.
2. Emplear intervalos y regiones de conanza para coecientes de correlacion y vectores de medias.
3. Construir, evaluar y comparar pruebas de hipotesis para coecientes de correlacion, vectores de
medias, matrices de covarianzas.
4. Aplicar adecuadamente los metodos multivariados relacionados con la estructura de covarianza.
5. Organizar informacion utilizando algunos metodos de clasicacion o discriminacion.
Contenido:
1. Introduccion
1.1 Representacion graca de datos multivariados.
1.2 Vectores aleatorios.
1.3 Algunos parametros 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 Funcion de densidad.
2.2 Distribuciones marginales y condicionales.
2.3 Distribucion 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 Correlacion parcial y m ultiple.
2.7 Inferencia sobre coecientes de correlacion.
3. Inferencia sobre vectores de medias
3.1 Estimacion y propiedades del estimador. Distribucion T2 de Hotelling.
3.2 Pruebas de hipotesis y regiones de conanza sobre el vector de medias.
3.3 Funcion 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 Distribucion de Wishart y sus propiedades.
4.2 Pruebas de hipotesis sobre matrices de covarianzas.
6.2. AN
ALISIS MULTIVARIADO 51
4.3 Pruebas de hipotesis sobre patrones especcos de matrices de correlaciones.
5. Analisis en componentes principales
5.1 Objetivos del analisis en componentes principales.
5.2 Generacion de componentes principales.
5.3 Criterios para la seleccion del n umero de componentes principales.
5.4 Interpretacion geometrica del analisis en componentes principales.
6. Analisis de correlacion canonica
6.1 Objetivos de la correlacion canonica.
6.2 Modelo poblacional y su estimacion muestral.
6.3 Interpretacion geometrica del analisis de correlacion canonica.
7. Analisis factorial
7.1 Objetivos del analisis factorial.
7.2 Modelo y metodos de estimacion.
7.3 Criterios para la seleccion del n umero de factores.
7.4 Rotacion de factores.
8. Analisis discriminante
8.1 Objetivos del analisis discriminante.
8.2 Reglas para discriminacion de grupos.
8.3 Estimacion de tasas de error de discriminacion.
8.4 Discriminacion bajo la distribucion normal.
Bibliografa basica:
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. Analisis multivariante de datos. Mc Graw Hill Book Company. 2004.
Perez, Cesar. Tecnicas de analisis multivariante de datos. Pearson-Prentice Hall. 2004.
Rencher, Alvin C. Multivariate Statistical Inference and Applications. John Wiley & Sons. 1998.
Sharma, Subhash. Applied Multivariate Techniques. John Wiley & Sons. 1996.
Preparado por Luis Guillermo Daz y Campo Elas Pardo. Revisado por Nelcy Rodrguez
52 CAP
ITULO 6. N
UCLEO ESTAD
ISTICO
6.3. DISE
NO DE EXPERIMENTOS
Creditos: 4
Prerrequisito: Analisis de regresion
Descripcion:
Esta asignatura dispone los conceptos y fundamentos que sustentan la planeacion, modelacion y
analisis de experimentos dise nados estadsticamente.
1. Identicar la estructura general de los dise nos experimentales.
2. Planear un dise no de experimentos a la luz de los principios basicos.
3. Teorizar la construccion y la modelacion de un dise no experimental a partir de las bases proporcio-
nadas 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 aplicacion de un dise no, a partir de ello raticarla o elegir analisis
alternativos.
Contenido:
1. Principios del dise no de experimentos
1.1 Metodo cientco 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 experi-
mental.
1.4 Inferencia y tipos de analisis estadsticos.
2. Introduccion a los modelos lineales
2.1 Introduccion y conceptos basicos de modelos lineales.
2.2 Modelos lineales particionados y sumas de cuadrados asociadas.
2.3 Estimabilidad, sumas de cuadrados y funciones estimables.
2.4 Clasicacion de los modelos en el analisis de varianza y diagramas de estructura.
3. Dise nos completamente aleatorizados
3.1 Caracterizacion del dise no completamente aleatorizado y analisis de varianza.
3.2 N umero de replicas.
3.3 Submuestreo.
3.4 Validacion de supuestos.
3.5 Pruebas de comparaciones m ultiples.
3.6 Analisis de covarianza.
4. Dise nos en bloques completos aleatorizados
4.1 Caracterizacion del dise no en bloques completos aleatorizados y analisis de varianza.
4.2 Estimacion de una observacion faltante.
4.3 Eciencia relativa de los dise nos en bloques completos aleatorizados.
4.4 Submuestreo.
6.3. DISE
NO DE EXPERIMENTOS 53
4.5 Ideas generales de bloques incompletos balanceados.
5. Dise nos en cuadrados latinos y grecolatinos
5.1 Caracterizacion de los dise nos y analisis de varianza.
5.2 Eciencia relativa de los dise nos.
5.3 Cuadrados latinos replicados.
6. Dise nos factoriales
6.1 Caracterizacion de los dise nos factoriales y analisis de varianza.
6.2 Dise nos factoriales 2
k
y dise nos factoriales 3
k
.
6.3 Factoriales en bloques incompletos.
6.4 Confusion en dise nos factoriales.
6.5 Dise nos factoriales fraccionados.
6.6 Dise nos en parcelas divididas.
7. Introduccion a la metodologa de supercies de respuesta
7.1 Analisis de una supercie de respuesta de primer orden.
7.2 Analisis de una supercie de respuesta de segundo orden.
Bibliografa basica:
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; Lopez, Luis y Melo, Sandra Dise no de Experimentos Metodos y Aplicaciones.
Universidad Nacional de Colombia. 2007.
Montgomery, Douglas. Dise no y Analisis de Experimentos. Limusa Wiley. 2003.
Steel, Robert y Torrie, James. Bioestadstica. Principios y Procedimientos. McGraw-Hill. 1988.
54 CAP
ITULO 6. N
UCLEO ESTAD
ISTICO
6.4. DISE
NO Y DESARROLLO DE ENCUESTAS
Creditos: 4
Prerrequisitos: Muestreo estadstico
Tres creditos de la agrupaci on programacion
Descripcion:
La asignatura tiene un enfoque practico y en ella, los estudiantes acompa nados por el docente llevan a
cabo una investigacion cuantitativa sobre un tema escogido dentro de las problematicas del contexto
interdisciplinario. Es importante considerar que en este curso se realiza una investigacion a traves de
una encuesta en la cual, usualmente, los individuos se seleccionan mediante muestreo probabilstico.
1. Planear y ejecutar un proyecto de investigacion.
2. Elaborar y exponer en forma oral y escrita informes de los resultados de la investigacion.
3. Asesorar la elaboracion de instrumentos de recoleccion de informacion y el trabajo de campo.
4. Ejercer actividades de liderazgo, trabajo en equipo, manejo de conictos y toma de decisiones.
Contenido:
1. Preliminares
1.1 Presentacion del curso y formacion de grupos.
1.2 Presentacion de grupos y lderes.
1.3 Funciones de los grupos.
1.4 Caractersticas de un lder.
1.5 Presentacion de los informes nales 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 Precision y conabilidad. Fuentes de sesgo.
2.7 Practica de denicion de tama no de muestra y seleccion.
2.8 Cartografa.
2.9 Caractersticas de una propuesta.
2.10 Elaboracion del presupuesto.
2.11 Presentacion de la propuesta al usuario y aprobacion de la misma.
3. Actividades previas a la ejecucion
3.1 Especicaciones de validacion, consistencia e imputacion.
3.2 Especicaciones de estimacion de parametros, tabulacion y varianza.
3.3 Programas de captura y procesamiento.
3.4 Plan operativo.
3.5 Capacitacion de encuestadores y tecnicas de entrevista.
3.6 Organizacion del procesamiento.
6.4. DISE
NO Y DESARROLLO DE ENCUESTAS 55
3.7 Factores de expansion y tratamiento de la no respuesta.
4. Ejecucion
4.1 Capacitacion de encuestadores.
4.2 Recoleccion de informacion.
4.3 Captura y procesamiento de informacion.
4.4 Analisis y elaboracion de informes.
5. Presentacion de resultados
5.1 Presentacion de resultados al usuario.
5.2 Discusion nal con el grupo - Retroalimentacion.
5.3 Autoevaluacion.
Bibliografa basica:
Bautista, Leonardo; Salamanca, Ana Milena (sin publicar). Notas de curso de extension 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 Inuencing Respondents. The World Bank. 2006.
Lyberg, Beamer, et. Al. Survey Measurement and Process Quality Wiley. 1997.
Material de entrenamiento. Tecnicas de presentaciones efectivas. TEC Institute - Argentina.
2007.
Sarndal, C.; Swensson, B. y Wretman, J. Model Assisted Survey Sampling. Springer - Verlag.
1992.
Preparado por Ana Milena Salamanca y Leonardo Trujillo. Revisado por Luz Mery Gonzalez, Leonardo
Trujillo y Pedro Nel Pacheco.
56 CAP
ITULO 6. N
UCLEO ESTAD
ISTICO
6.5. ESTAD
ISTICA BAYESIANA
Creditos: 4
Correquisito: Analisis de regresion
Descripcion:
Esta asignatura dispone lo necesario para profundizar en la vision de conjunto del paradigma baye-
siano, consolidando sus fundamentos y sus metodos basicos, ilustrando los elementos necesarios para
la solucion de problemas de inferencia estadstica con el enfoque bayesiano.
1. Utilizar tanto su evidencia previa como la emprica proporcionada por el experimento aleatorio que
haya realizado para inferir Bayesianamente.
2. Comparar en casos practicos los resultados obtenidos por los metodos bayesianos con los resultados
de los metodos frecuentistas.
3. Discernir en que casos los metodos bayesianos son necesarios, y tener la capacidad de aplicarlos.
4. Hacer simulacion de fenomenos bajo los modelos Bayesianos.
Contenido:
1. Conceptos basicos
1.1 Modelos estadsticos.
1.2 Funcion de verosimilitud.
1.3 Teorema de Bayes.
1.4 Permutabilidad.
1.5 Suciencia y familia exponencial.
1.6 Eliminacion de parametros.
2. Distribucion a priori
2.1 Denicion de priori.
2.2 Priori conjugada.
2.3 Priori no informativa.
2.4 Priori jerarquica.
3. Estimacion
3.1 Comparacion de estimadores.
3.2 Estimacion en modelos normales.
4. Aproximacion y metodos computacionales (opcional)
4.1 Tecnicas de optimizacion.
4.2 Aproximaciones analticas.
4.3 Metodos de integracion numerica.
4.4 Metodos de simulacion.
5. Pruebas de hipotesis
5.1 Pruebas de hipotesis bayesiana.
5.2 Pruebas de hipotesis e intervalos de conanza.
5.3 Pruebas de hipotesis asintoticas.
6.5. ESTAD
ISTICA BAYESIANA 57
6. Muestrador de Gibbs
6.2 Implementacion y optimizacion.
6.3 Diagnosticos de convergencia.
6.4 Aplicacion a modelos lineales normales.
7. Metropolis Hastings
7.2 Casos especiales.
7.3 Algunos algoritmos.
8. Introduccion a modelos lineales
8.1 Modelo lineal.
8.2 Modelo lineal Bayesiano.
8.3 Modelo lineal jerarquico.
8.4 Modelo lineal dinamico.
Bibliografa basica:
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.
58 CAP
ITULO 6. N
UCLEO ESTAD
ISTICO
6.6. ESTAD
ISTICA DESCRIPTIVA MULTIVARIADA

Creditos: 4
Prerrequisito:

Algebra matricial
Descripcion:
Aborda el analisis descriptivo y exploratorio multivariado de tablas grandes de datos (muchas las
y columnas). Recurre a la representacion geometrica multidimensional de las tablas de datos y a
su lectura mediante proyecciones en planos, denominados factoriales, y a la conformacion de grupos
homogeneos en el sentido de variabilidad baja dentro de los grupos y alta entre grupos. Las repre-
sentaciones geometricas permiten visualizar la informacion relevante contenida en las tablas de datos.
El aprendizaje se consolida mediante una aplicacion real siguiendo las pautas de la metodologa de la
investigacion.
1. Aplicar los metodos empleando programas de uso libre y comercial y utilizarlos en el contexto de
situaciones especcas.
2. Abordar el aprendizaje de otros metodos de la estadstica exploratoria multidimensional.
3. Consolidar los conocimientos sobre metodologa de la investigacion.
4. Mejorar las destrezas en redaccion de textos, normas de presentacion de trabajos escritos y de
presentacion oral de los resultados.
Contenido:
1. Introduccion
1.1 Metodos estadsticos exploratorios multidimensionales.
1.2 Presentacion del software que se va a utilizar en el curso.
1.3 Repaso de la descripcion 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 investigacion.
2.3 Planteamiento de objetivos.
3. Representacion multivariada de datos
3.1 Espacios euclidianos multidimensionales.
3.2 Representacion geometrica de tablas de datos.
3.3 Signicado de las estadsticas basicas y de las operaciones de centrado y reducido.
3.4 Inercia y contribuciones a la inercia de las y columnas.
3.5 Proyeccion sobre cualquier eje.
3.6 Contribucion de las las y columnas a la inercia proyectada sobre un eje. Calidad de la
representacion 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. ESTAD
ISTICA DESCRIPTIVA MULTIVARIADA 59

4.5 Ayudas para la interpretaci on de los ejes factoriales.
4.6 Proyeccion de elementos ilustrativos.
5. Analisis de correspondencias simples - ACS
5.1 Objetivos del ACS.
5.2 Tablas obtenidas de la tabla de contingencia.
5.3 Representacion geometrica de las tablas de perles.
5.4 El ACS como dos ACP.
6. Analisis de correspondencias m ultiples - ACM
6.1 Objetivos del ACM.
6.2 Codicaciones de las variables cualitativas.
6.3 El ACM como el AC de la tabla disyuntiva completa.
6.4 El ACM como el AC de la tabla de Burt.
6.5 ACM y ACS en el caso de dos variables.
7. Introduccion a los metodos de clasicacion en espacios metricos
7.1 Objetivos de los metodos de agrupamiento.
7.2

Indices de similitud, disimilitud y distancia entre individuos.
7.3 Inercia intra y entre grupos.
7.4 Clasicacion alrededor de centros moviles.
7.5 Clasicacion jerarquica aglomerativa.
7.6 El metodo de Ward.
7.7 Caracterizacion de las clases.
7.8 Combinacion de metodos factoriales y de clasicacion.
8. Escalamiento multidimensional
8.1 Objetivos del escalamiento multidimensional.
8.2 Analisis en coordenadas principales (ACO).
8.3 Transformacion de ndices de disimilitud en distancias euclidianas.
8.4 Analisis procusteano.
8.5 Biplots.
9. Analisis factorial discriminante (descriptivo)
9.1 Objetivos del analisis discriminante.
9.2 Obtencion de las funciones lineales discriminates.
9.3 Puntaje discriminante combinando ACM y analisis factorial discriminante.
Bibliografa basica:
Escoer, B. & Pages, J. Analisis factoriales simples y m ultiples. Objetivos, metodos e interpre-
tacion. Universidad del Pas Vasco. 1992.
Greenacre, M. Correspondence Analysis in Practice. Chapman & Hall. 2007.
Le-Roux, B. & Rouanet, H. Geometric Data Analysis. From Correspondence Analysis to Struc-
tured Data Analysis. Springer. 2005.
Lebart, L., Morineau, A. & Piron, M. Statisitique exploratoire multidimensionnelle. Dunod. 1995.
Lebart, L., Morineau, A. & Warwick. Multivariate Descriptive Statistical Analysis. Wiley. 1984.
Preparado por Campo Elas Pardo, discutido con Guillermo Daz y Oscar Melo y profesores del
Departamento de Estadstica. Revisado por Nelcy Rodrguez y Humberto Mayorga.
60 CAP
ITULO 6. N
UCLEO ESTAD
ISTICO
6.7. ESTAD
ISTICA DESCRIPTIVA Y EXPLORATORIA

Creditos: 4
Descripcion:
Esta asignatura introduce conceptos sobre el papel de la Estadstica en la metodologa de la in-
vestigacion, provee la sintaxis inicial del lenguaje estadstico y las herramientas necesarias para la
organizacion, la descripcion, el analisis, el resumen, la presentacion y la identicacion 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 com-
putacionales.
3. Leer y comprender informes de los analisis estadsticos en investigaciones de tipo exploratorio.
4. Presentar de manera verbal y escrita los resultados estadsticos obtenidos en una investigacion de
caracter exploratorio.
Contenido:
1. Estadstica e investigacion
1.1 Formas de saber.
1.2 Metodo cientco e investigacion.
1.3 La estadstica y la investigacion.
1.4 Deniciones de Estadstica.
1.5 Caractersticas del metodo estadstico.
1.6 Clasicacion de los metodos estadsticos.
1.6.1 Metodos descriptivos.
1.6.2 Metodos inductivos o inferencia estadstica.
1.6.3 Metodos teoricos o teora estadstica.
2. Conceptos fundamentales de Estadstica
2.1 El colectivo, agregado, poblacion, universo.
2.2 Las variables.
2.3 Escalas de medicion o clasicacion.
2.4 El censo o enumeracion completa.
2.5 El muestreo.
2.6 Los parametros y las estadsticas.
2.7 Rese na historica de la Estadstica.
3. Descripcion de una variable
3.1 Distribuciones de frecuencias.
3.2 Gracos 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 Gracos de dispersion.
6.7. ESTAD
ISTICA DESCRIPTIVA Y EXPLORATORIA 61

4.3 Matrices de covarianza y correlacion.
4.4 Gracos para varias variables.
4.5 Deteccion de datos atpicos.
5. Introduccion al analisis de datos correlacionados
5.1 Concepto de serie de tiempo.
5.2 Concepto de proceso espacial.
5.3 Autocorrelacion.
5.4 Tecnicas de suavizamiento.
5.5 Tendencia.
6. Introduccion a metodos resistentes
6.1 Medidas resistentes univariadas.
6.2 Lnea resistente.
6.3 Pulimento de medianas.
7. Principios de la transicion de la descripcion a la inferencia
7.1 Ejemplos y casos.
7.2 Muestra aleatoria.
7.3 Distribucion normal.
7.4 Caso introductorio, estimando la media poblacional; conanza y precision.
7.5 Perspectivas de inferencia en otros contextos.
Bibliografa basica:
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.
Scheaer 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 Dux-
bury Press. 1981.
Preparado por Martha Bohorquez y Pedro Nel Pacheco. Revisado por Nelcy Rodrguez y Campo Elas
Pardo.
62 CAP
ITULO 6. N
UCLEO ESTAD
ISTICO
6.8. ESTAD
ISTICA ESPACIAL
Creditos: 4
Descripcion:
Esta asignatura dispone los conceptos y fundamentos para modelar estadsticamente, a partir de las
bases proporcionadas por los procesos estocasticos, el comportamiento de una variable cuantitativa
georreferenciada considerando las dependencias estadsticas en la secuencia de observaciones.
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 estocastico; la estadstica espacial como un proceso estocastico.
1.2

Areas de la estadstica espacial seg un el conjunto de ndices del proceso.
1.3 Perspectivas de aplicacion.
2. Geoestadstica
2.1 Analisis exploratorio: Gracos exploratorios, tendencia, interpolacion determinstica.
2.2 Autocorrelacion espacial: Variable regionalizada, momentos, estacionariedad, isotropa, va-
riograma, covariograma y correlograma, modelos teoricos.
2.3 Prediccion espacial. Kriging (simple, ordinario, residual, universal) y cokriging.
3. Analisis de datos de areas
3.1 Analisis descriptivo: Coordenada media, cuanticacion de la contig uidad espacial, opera-
dor retardo espacial, matriz de pesos espaciales, histograma regional, gracos de retardo
espacial, mapas de cuantiles (box map), gracos de Moran, mapas LISA.
3.2 Efectos espaciales.
3.2.1 Autocorrelacion espacial: Indices de Geary y Moran, ndice bayesiano emprico, indi-
cadores locales de asociacion espacial (LISA).
3.2.2 Heterogeneidad Espacial.
3.3 Introduccion a los modelos de regresion espacial: autorregresivos espaciales (primer orden,
regresivo-autoregresivo mixto, de error espacial) y espacial general.
4. Patrones puntuales
4.1 Analisis descriptivo: Gracos exploratorios, relacion varianza media, ndices basados en
conteos por cuadrantes, pruebas de aleatoriedad, funcion de intensidad, estimador kernel,
gracos de contornos de la funcion de intensidad.
4.2 Tipos de patrones: Propiedades de segundo orden, estimacion de las propiedades de segundo
orden para procesos marcados univariados y multivariados, distribucion del vecino mas
cercano, funcion K.
4.3 Modelos para patrones puntuales: Procesos Poisson homogeneo y no homogeneo, proceso
de Cox, Proceso Poisson agregado (cluster), proceso de Gibbs. Metodos de Monte Carlo
para estimacion de la intensidad.
6.8. ESTAD
ISTICA ESPACIAL 63
Bibliografa basica:
Anselin, L. Spatial Econometrics. Kluwer Academic Publisher. 1998.
Cressie, N. Spatial Statistics. John Wiley. 1993.
Moreno R. & Vaya, 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 Ramon Giraldo, Martha Bohorquez. Revisado por Emilse Gomez y Diana Franco.
64 CAP
ITULO 6. N
UCLEO ESTAD
ISTICO
6.9. M
ETODOS NO PARAM
ETRICOS
Creditos: 4
Prerrequisitos: Inferencia estadstica
Descripcion:
Esta asignatura dispone metodos estadsticos de inferencia de distribucion libre los cuales carecen de
supuestos tales como que la muestra es extrada bajo una distribucion de probabilidad determinada
o conocida.
1. Identicar los metodos apropiados para el manejo de datos proveniente de distribuciones no cono-
cidas a priori.
2. Construir, evaluar y comparar estimadores obtenidos con muestras de distribucion libre.
3. Aplicar metodos adecuados para el ajuste de densidades y de modelos lineales.
4. Realizar estimaciones puntuales, por intervalo y pruebas de hipotesis a partir de muestras obtenidas
de distribuciones cuya naturaleza se desconoce.
Contenido:
1. Introduccion
1.1 Conceptos basicos de inferencia no parametrica.
1.2 Clasicacion de metodos no parametricos.
1.3 Rese na historica.
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 localizacion. Prueba del signo (distribucion bajo las hipotesis nula y alterna,
manejo de empates y otros usos).
2.4 Denicion 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 localizacion: Prueba de Mann-Whitney-Wilcoxon (estimacion y manejo de em-
pates). 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. M
ETODOS NO PARAM
ETRICOS 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, eciencia
relativa, eleccion de la ventana asumiendo normalidad.
5.5 Funciones n ucleo con ventanas comparables, sesgo y varianza asintoticas.
6. Regresion no parametrica
6.1 El modelo de regresion 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 basica:
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 parametrica - 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.
Simono, 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 Ramon Giraldo. Revisado por Luz Mery Gonzalez, Leonardo Trujillo
y Pedro Nel Pacheco.
66 CAP
ITULO 6. N
UCLEO ESTAD
ISTICO
ISTICO
Creditos: 4
Prerrequisitos: Inferencia estadstica
Descripcion:
Esta asignatura dispone las ideas centrales en muestreo probabilstico de poblaciones nitas. Conside-
ra dise nos muestrales para los cuales las unidades podran tener diferentes probabilidades de seleccion
y aborda metodos de estimacion de funciones de totales poblacionales (totales, medias, razones, pro-
porcion, coecientes de correlacion, percentiles).
1. Identicar 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 basicos de muestreo
1.1 Conceptos basicos 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 basicos para la estimacion de totales, construccion del pi-estimador y MCR-
estimador.
2.2 Dise no de muestreo aleatorio simple. Tama no de muestra.
2.3 Dise no Bernoulli, dise no sistematico, dise no Poisson, dise no pi-pt y ppt.
2.4 Muestreo estraticado.
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 Comparacion del muestreo con reemplazo frente al muestreo sin reemplazo en varias etapas.
4. Estimacion de parametros diferentes a totales
4.1 Funciones lineales de totales, estimacion en funciones no lineales de totales.
4.2 Metodo de linealizacion de Taylor para estimacion de la varianza.
4.3 Estimacion de cociente de totales, la estimacion de los promedios, de varianzas y covarianzas
poblacionales, estimacion de percentiles y estimacion de coecientes de regresion.
5. Calidad muestral
5.1 Errores muestrales y no muestrales.
5.2 Fuentes de sesgo, errores de los marcos.
ISTICO 67
5.3 Tratamiento de la no-respuesta, declaraciones de calidad, obligaciones del muestrista.
Bibliografa basica:
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 analisis 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.
68 CAP
ITULO 6. N
UCLEO ESTAD
ISTICO
6.11. SERIES DE TIEMPO UNIVARIADAS
Creditos: 4
Correquisito: Analisis de regresion
Descripcion:
Esta asignatura dispone los conceptos y fundamentos para modelar estadsticamente, a partir de las
bases proporcionadas por los procesos estocasticos, el comportamiento de una variable cuantitativa
indexada en el tiempo, considerando las dependencias estadsticas en la secuencia de observaciones.
1. Identicar la estructura general de una serie de tiempo univariada.
2. Formular y ajustar un modelo apropiado a la serie objeto de estudio.
3. Distinguir la tendencia, estacionalidad, ciclos y datos atpicos en una serie de tiempo univariada.
4. Elegir modelos teniendo en cuenta la estructura de los datos, para componentes observables o no
observables.
5. Proyectar el comportamiento de un fenomeno observado a traves del tiempo.
Contenido:
1. Procesos estocasticos estacionarios
1.1 Denicion de estacionariedad debil y estricta.
1.2 Propiedades de un proceso estacionario: procesos ergodicos, determinsticos, existencia de
un proceso estacionario.
1.3 Funciones de autocorrelacion y sus propiedades.
2. Procesos ARMA estacionarios
2.1 Denicion de un proceso ARMA.
2.2 Procesos causables e invertibles.
2.3 Funcion de autocorrelacion y de autocorrelacion parcial de un proceso ARMA.
3. Representacion espectral de un proceso estacionario
3.1 Procesos estocasticos complejos.
3.2 Distribucion espectral de un proceso estacionario.
3.3 Funcion de densidad espectral de un proceso estacionario.
3.4 Calculo de la funcion de densidad espectral de un proceso lineal causable.
3.5 Estimacion de la funcion de densidad espectral: el periodograma.
3.6 Suavizamiento del periodograma.
4. Teora de prediccion de procesos estocaticos estacionarios
4.1 Las ecuaciones de prediccion.
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 evaluacion de la bondad de pronostico.
5. Inferencia sobre las funciones de medias y de autocorrelacion de un proceso estacionario
5.1 Estimacion de la media de un proceso estacionario y propiedades distribucionales.
6.11. SERIES DE TIEMPO UNIVARIADAS 69
5.2 Estimacion de la funcion de autocorrelacion y de autocorrelacion parcial de un proceso
estacionario y propiedades distribucionales.
6. Estimacion y validacion de modelos ARMA
6.1 Funcion 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 Analisis de residuos.
7. Procesos no estacionarios y estacionales SARIMA
7.1 Modelos ARIMA para procesos estocasticos no estacionarios.
7.2 Criterios de informacion para identicar modelos ARIMA.
7.3 Prediccion con modelos ARIMA.
7.4 Modelos SARIMA para procesos estacionales.
8. Modelos de intervencion
8.1 Denicion y propiedades de las funciones de intervencion.
8.2 Analisis estadstico de un modelo de intervencion: identicacion, estimacion, vericacion y
funcion de pronostico.
8.3 Datos atpicos en series de tiempo.
8.4 Estimacion de datos faltantes en una serie de tiempo.
9. Analisis de series de tiempo por medio de modelos de componentes no observables
9.1 Modelos con tendencia y estacionalidad.
9.2 Estimacion y eliminacion de tendencia y estacionalidad.
9.3 Metodos de suavizamiento.
Bibliografa basica:
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. Analisis estadstico de series de tiempo economicas. Thomson. 2003.
Pe na, D. Series Temporales. Alianza Universidad Textos. 2005.
Preparado por Fabio Nieto. Revisado por Emilse Gomez y Diana Franco.
70 CAP
ITULO 6. N
UCLEO ESTAD
ISTICO
Captulo 7
COMPLEMENTACI
ON
ESTAD
ISTICA
Esta agrupacion tiene nes 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 fortale-
cimiento 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 preparacion en la disciplina.
Consecuentemente, el objetivo de esta agrupacion consiste en:
Fortalecer competencias disciplinares alcanzadas por el estudiante, incorporando al n ucleo estadsti-
co temas adicionales que busquen ampliar su formacion disciplinar basica, respondiendo de manera
integral a su proyecto de vida.
La lista de asignaturas de aplicacion estadstica se relaciona en el cuadro 7.
Cuadro 7.1: Asignaturas de la agrupacion Complementacion estadstica
Procesos estocasticos Optativa 4
Computacion estadstica Optativa 4
Analisis de datos categoricos Optativa 4
Analisis de correspondencias Optativa 4
Analisis de datos longitudinales Optativa 4
Metodos de clasicacion Optativa 4
Muestreo asistido por modelos Optativa 4
Series de tiempo multivariadas Optativa 4
Topicos avanzados de dise no experimental Optativa 4
Modelos lineales generalizados Optativa 4
Teora de muestreo Optativa 4
Teora de estadstica no parametrica Optativa 4
Teora de series de tiempo Optativa 4
Teora de dise no de experimentos Optativa 4
7.1. AN
ALISIS DE CORRESPONDENCIAS
Creditos: 4
71
72 CAP
ON ESTAD
ISTICA
Prerrequisito: Estadstica descriptiva multivariada
Descripcion:
Descripcion:
El curso busca consolidar los conocimientos sobre fundamentos y aplicaciones de los analisis de corres-
pondencias simples y m ultiples y la clasicacion sobre coordenadas factoriales. El repaso de los metodos
se hace con su aplicacion al analisis de datos textuales, haciendo enfasis en el analisis de preguntas
abiertas y cerradas en encuestas.
Se estudia la extension del AC a tablas estructuradas y ternarias, privilegiando el caso de tablas
indexadas en el tiempo o en el espacio. Se estudia el analisis factorial m ultiple y su aplicacion al caso
de variables cualitativas y mixtas (cuantitativas y cualitativas).
Finalmente se abordan modicaciones y extensiones del AC: analisis de correspondencias no simetrico,
analisis canonico de correspondencias, analisis de coinercia y la combinacion del AC con otros metodos.
Para ejecutar los metodos se utiliza preferentemente software libre: R y el DTM. Se utiliza tambien
el SPAD si la Universidad dispone de licencia en el semestre que se dicte el curso.
Objetivos:
1. Saber analizar informacion obtenida a partir de preguntas abiertas y cerradas utilizando analisis
de correspondencias simples y m ultiples y clasicacion sobre coordenadas factoriales.
2. Conocer los fundamentos del analisis de datos textuales.
3. Conocer las aplicaciones del AC en tablas estructuradas y ternarias.
4. Conocer los fundamentos y aplicaciones del analisis factorial m ultiple.
5. Saber abordar metodos y aplicaciones especcas.
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 Clasicacion de textos, palabras o individuos.
2. Marco teorico para los analisis 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. AN
ALISIS 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 Analisis 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 Analisis canonico de correspondencias.
6.3 Analisis de coinercia.
6.4 Combinacion de ACM y an alisis factorial discriminante.
Bibliografa basica:
Becue, M. & Pagues, J. A principal axes method for comparing multiple contingency tables:
MFACT. Comp. Statistics & Data Analysis. 2004.
Benzecri, J. Correspondence Analysis Handbook. Marcel Dekker - Francia. 1992.
Cabarcas, G. & Pardo, C.-E. Metodos estadsticos multivariados en investigacion social. Simposio
de Estadstica. U.Nacional de Colombia Fac. Ciencias Depto. Estadstica. 2001.
Escoer, B. Analyse factorielle en reference a un modele. application a lanalyse de tableaux
dechanges. Revue de Satatistique Appliquee. 1984.
Lebart, L., Morineau, A. & Piron, M. Statisitique exploratoire multidimensionnelle. Dunod. 1995.
Le-Roux, B. & Rouanet, H. Geometric Data Analysis. From Correspondence Analysis to Struc-
tured Data Analysis. Springer. 2005.
Montenegro, A. & Pardo, C. Introduccion al analisis de datos textuales. U.Nacional de Colombia
Fac. Ciencias Depto. Estadstica y Matematicas. 1996
Pardo, C. E. Analisis de correspondencias de tablas de contingencia estructuradas. U.Distrital-
Colombia. 2005.
Preparado por Campo Elas Pardo. Revisado por Campo Elas Pardo.
74 CAP
ON ESTAD
ISTICA
7.2. AN
ORICOS
Creditos: 4
Descripcion:
Esta asignatura dispone los fundamentos y las herramientas para el analisis estadstico de variables
en escala nominal u ordinal, por medio de tablas de contingencia y modelos de regresion.
1. Distinguir entre los conceptos de asociacion y concordancia.
2. Elegir el coeciente adecuado para medir asociacion o concordancia de acuerdo con los objetivos
del estudio.
3. Valorar la plausibilidad de conjeturas acerca de caractersticas de tablas contingencias.
4. Aplicar conceptos de modelos de regresion en la solucion de problemas que involucren variables
categoricas.
Contenido:
1. Tablas de contingencia (s r)
1.1 Denicion de tablas de contingencia.
1.2 Medidas de asociacion para tablas de contingencia.
1.3 Medidas de concordancia para tablas de contingencia.
1.4 Pruebas de hipotesis 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 validacion de supuestos del modelo.
3. Regresion Logstica
3.1 Interpretacion de los parametros del modelo de regresion logstica.
3.3 Regresion logstica m ultiple.
3.4 Modelo Logit-Multinomial.
4. Modelos Log-Lineales para tablas de contingencia
4.1 Interpretacion del modelo Log-Lineal.
4.2 Modelo Log-Lineal a dos, tres o mas vas de clasicacion.
5. Regresion de Poisson
5.1 Interpretacion de los parametros del modelo de regresion de Poisson.
7.2. AN
ORICOS 75
Bibliografa basica:
Agresti, Alan. An Introduction to Categorical Data Analysis. John Wiley & Sons. 1996.
Agresti, Alan. Categorical Data Analysis. Second edition. John Wiley & Sons. 2002.
Daz,Guillermo. Analisis estadstico de datos categoricos aplicados a la investigacion biomedica.
Notas de clase. U.Nacional de Colombia. 2002.
Hosmer, David y Lemeshow, Stanley. Applied Logistic Regression. John Wiley & Sons. 1989.
Kleinbaum, David. Logistic Regression. A Self Learning Text. Springer Verlag. 1994.
Siegel, Sidney. Estadstica no parametrica aplicada a las ciencias del comportamiento. Trillas.
2003.
Stokes, Maura; Davis, Charles and Koch, Gary. Categorical Data Analysis Using the SAS System.
SAS Institute Wiley-Interscience. 2001.
Preparado por Nelcy Rodrguez y Luz Mery Gonzalez. Revisado por Emilse Gomez y Diana Franco.
76 CAP
ON ESTAD
ISTICA
7.3. AN
ALISIS DE DATOS LONGITUDINALES

Creditos: 4
Prerrequisito: Analisis multivariado
Contenido:
1. Conceptos basicos de datos longitudinales
1.1 Deniciones y caractersticas.
1.2 Objetivos del analisis.
1.3 Descripcion y exploracion.
1.4 Medidas de resumen.
1.5 Fuentes de variacion.
2. Modelos lineales para datos longitudinales
2.1 Modelo estadstico basico.
2.2 Exploracion de la media y de la matriz de covarianzas.
2.3 Modelos bajo estacionariedad.
2.4 Modelos de analisis de varianza univariados.
2.5 Modelos de analisis 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 estimacion generalizadas.
3.4 Modelos de efectos mixtos generalizados.
4. Topicos especiales de analisis 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 basica:
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. AN
ALISIS 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. Sprin-
ger. 2006.
Jones, R. H. Longitudinal Data with Serial Correlation: A State-Space Approach. Chapman and
Hall. 1993.
Jones, R. H. Nonlinear Models for Repeated. Chapman and Hall. 1995.
Verbeke, G and Molenberghs, G. Linear Mixed Mdels for Longitudinal Data. Springer. 2000.
Revisado por Emilse Gomez
78 CAP
ON ESTAD
ISTICA
7.4. COMPUTACI
ON ESTAD
ISTICA
Creditos: 4
Prerrequisito: Tres creditos de la agrupacion programacion
Descripcion:
Esta asignatura dispone elementos metodologicos en el uso intensivo de computador, con el n de
examinar de manera factica los desempe nos y propiedades de estimadores y metodos inferenciales,
considerando modicaciones de supuestos, de condiciones o de situaciones extremas.
El estudiante que curse la asignatura y cumpla con las exigencias academicas podra:
1. Adecuar elementos metodologicos que permitan el examen factico de las peculiaridades y el desem-
pe no de metodos, procedimientos y modelos.
2. Elaborar y ejecutar planes de simulacion cuando sea ineludible frente a un examen analtico teorico
no asequible.
3. Encontrar soluciones a problemas especcos partiendo de nuevas ideas y enfoques.
Contenido:
1. Inferencia por simulacion
1.1 Generacion de n umeros aleatorios.
1.2 Metodo de Monte Carlo.
1.3 Estimacion y pruebas de hipotesis por el metodo de Monte Carlo.
2. Estudio de casos de robustez
2.1 Estudio de casos para localizacion, dispersion y asociacion.
2.2 Estudio de casos para alteracion 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 asintoticas
4.1 Convergencia en distribucion simulada.
4.2 Insesgamiento simulado.
4.3 Eciencia 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 imputacion
6.1 Efecto sobre la localizacion.
6.2 Efecto sobre la dispersion.
6.3 Efecto sobre la asociacion.
7.4. COMPUTACI
ON ESTAD
ISTICA 79
Bibliografa basica:
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. Simulacion: 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
80 CAP
ON ESTAD
ISTICA
7.5. M
ON
Creditos: 4
Prerrequisito: Estadstica descriptiva multivariada.
Descripcion:
Se abordan los metodos de clasicacion no supervisada (agrupamiento) y supervisada (discriminante)
en un contexto de minera de datos.
El estudiante que curse la asignatura y que cumpla las exigencias academicas podra:
1. Conocer los principios matematicos en que se sustentan los metodos de clasicacion no supervi-
sada (cluster analysis) y supervisada (analisis discriminante).
2. Saber distinguir las situaciones en los que se aplican cada uno de los diferentes metodos estudiados.
3. Conocer las situaciones en las cuales se complementan algunos metodos.
4. Saber utilizar los metodos en conjunto con los metodos factoriales.
5. Saber abordar metodos en aplicaciones especicas en el contexto de minera de datos.
6. Saber ejecutar los metodos con programas de uso libre: R para los metodos y MySQL como mane-
jador de bases de datos.
7. Adquirir programas de minera de datos, se la Universidad posee licencia en el semestre que se
dicte. Por ejemplo Clementine de SPSS, SAS Enterprise Business Intelligence, IBM Intelligent Miner
For Data, Oracle Data Mining (ODM).
Contenido:
1. Introduccion
1.1 Introduccion a la minera de datos.
1.2 Introduccion al MySQL.
2. Marco teorico para los analisis de correspondiencias de tablas estructuradas y tablas ternarias
2.1 Algebra de relaciones.
2.2

Indices y distancias entre elementos a clasicar.
2.3 Metodos de clasicacion.
2.4 Metodos de clasicacion.
2.5 Estrategias de clasicacion.
2.6 Complementaridad entre metodos factoriales y de clasicacion.
3. Conceptos comunes a los metodos de clasicacion supervisada
3.1 Objetivos de un metodo de clasicacion supervisada.
3.2 Muestra de aprendizaje y muestra de prueba.
3.3 Reglas de clasicacion.
3.4 Calidad de una regla de clasicaci on.
4. Analisis factorial discriminante
4.1 Como un metodo descriptivo.
4.1.1 Funciones lineales discriminantes.
4.1.2 Relacion con otros metodos.
4.2 Reglas de clasicacion o afectacion.
4.3 Regularizacion en analisis discriminante.
7.5. M
ON 81
5. Otros metodos de discriminacion estadstica
5.1 Discriminacion con variables nominales.
5.2 Discriminacion usando regresion logstica.
6. Clasicacion supervisada con arboles binarios
6.1 Construccion de un arbol de decision binaria.
6.2 Seleccion del mejor sub-arbol.
6.3 Criterios de seleccion de la mejor division.
7. Clasicacion con redes neurales
7.1 Clasicacion no supervisada con redes de Kohonen.
7.2 Clasicacion supervisada con el perceptron multicajas.
8. Aplicaciones a problemas de minera
Bibliografa basica:
Anderberg, M. R. Cluster Analysis for Applications. Academic Press. 1973.
Bautista, F. & Gomez, E. Una exploracion de robustez de tres pruebas: dos de permutacion y la
de Mann Whitney. Revista Colombiana de Estadstica. 2007.
Bozdogan & Hamparsum. Statistical Data Mining and Knowledge Discovery. Chapman & Hall.
2004.
Breiman, L. Classication and Regression Trees. Chapman & Hall. 1993.
Cailliez, F. & Pages, J. Introduction à l Analyse des Donnees. Smash. 1976.
Crisei, J. V. & Lopez, M. F. Introduccion a la teora y practica de la taxonoma numerica.
Everitt, B. S. Cluster Analysis. Arnold London. 2001.
Fernandez, G. Data Mining Using SAS Applications. Chapman & Hall. 2003.
Fine, J. Iniciacion a los analisis 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.
82 CAP
ON ESTAD
ISTICA
7.6. MODELOS LINEALES GENERALIZADOS
Creditos: 4
Prerrequisito: Analisis de regresion.
Descripcion:
Esta asignatura acrecienta la base conceptual y teorica para modelar la relacion existente entre una
variable respuesta y un conjunto de variables explicativas, cuando la distribucion asociada a la variable
respuesta pertenece a la familia exponencial.
1. Identicar los componentes del modelo lineal generalizado: funcion de enlace y distribucion de la
variable respuesta.
2. Teorizar la construccion, evaluacion y seleccion de un modelo lineal generalizado.
3. Estimar modelos lineales generalizados, evaluar su ajuste y seleccionar uno adecuado.
4. Vericar los supuestos del modelo lineal generalizado.
5. Elegir procedimientos de analisis de acuerdo con la estructura de los datos y los objetivos de la
investigacion.
Contenido:
1. El modelo lineal general
1.2 El modelo de regresion.
1.3 El modelo de analisis de varianza.
1.4 Estimacion de los parametros en el modelo lineal general.
2. El modelo lineal generalizado
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 maxima verosimilitud.
3.2 Estimacion de parametros en el modelo lineal generalizado.
3.3 Distribucion muestral de la estadstica de puntaje.
3.4 Distribuciones muestrales de los estimadores maximo verosmiles.
3.5 Intervalos de conanza para los parametros del modelo.
3.6 Ajuste del modelo.
3.7 La estadstica de desvo D.
3.8 Pruebas de hipotesis.
3.9 Evaluacion de los supuestos del modelo.
4. Casos particulares de los Modelos Lineales Generalizados
4.1 Regresion logstica.
4.2 Regresion multinomial.
4.3 Regresion de Poisson.
7.6. MODELOS LINEALES GENERALIZADOS 83
4.4 Modelos de analisis de sobrevida.
Bibliografa basica:
Dobson, Annette. An Introduction to Generalized Linear Models. Chapman & Hall . 2002.
Fahrmeir, Ludwig y Tutz, Gerhard. Multivariate Statistical Modelling Based on Generalized
Linear Models. Springer. 2001.
Hardin, James y Hilbe, Joseph. Generalized Linear Models and Extensions. College Station, TX
Stata Press. 2007.
Lindsey, James. Applying Generalized Linear Models. Springer. 1997.
McCullagh, Peter y Nelder, Jhon A. Generalized Linear Models. CRC Press. 1989.
Myers, Raymond; Montgomery, Douglas y Vining, Georey. Generalized Linear Models with
Applications in Engineering and the Sciences. John Wiley & Sons. 2002.
Vargas, Jose A. y Lopez, Luis A. Modelos Lineales Generalizados. Notas de clase UN (En pre-
paracion). 2008.
Revista sugerida para consulta: Applied Statistics.
Revista sugerida para consulta: Technometrics.
84 CAP
ON ESTAD
ISTICA
7.7. MUESTREO ASISTIDO POR MODELOS
Creditos: 4
Prerrequisitos: Muestreo estadstico
Descripcion:
Esta asignatura dispone el uso de informacion auxiliar para mejorar la precision de las estimaciones de
parametros de una poblacion nita. Se examinan algunos modelos lineales que son candidatos naturales
para describir este tipo de poblaciones. Se derivan los estimadores de regresion que son generados por
estos modelos para diferentes estrategias muestrales. Ademas se presentan una variedad de metodos
para estimar la precision y exactitud de estadsticas muestrales.
1. Identicar las caractersticas propias de una estrategia muestral de dos fases y sus diversas aplica-
ciones.
2. Teorizar el uso de informacion auxiliar a traves de modelos de regresion simple y 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 basicos de muestreo probabilstico
1.1 Estimacion de totales.
1.2 Funciones lineales de totales y funciones no lineales de totales.
1.3 Estimacion de los coecientes de regresion.
2. El estimador de regresion
2.1 Estimador de diferencia y estimador de regresion.
2.2 Estimador de razon.
2.3 Postestraticacion.
2.4 Estimadores basados en modelos de regresion m ultiple.
2.5 Estimadores de calibracion.
3. Estimadores de regresion en dise nos de conglomerados y en dise nos en varias etapas
3.1 Estimadores de regresion y razon por modelacion en la primera etapa.
3.2 Estimadores de regresion y razon por modelacion en la ultima etapa.
3.3 Estimadores de regresion por modelacion combinada en la primera y ultima etapa.
4. Dise no en dos fases
4.1 El
estimador.
4.2 Dise no en dos fases para estraticacion.
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 basica:
Brewer, K. Combined Survey Sampling Inference. Arnold Publishers. 2002.
Brick, J.; Broenep, J. y Severinse, J. Muestreo: Dise no y analisis. International Thomson. 2000.
Lohr, S. L. Survey Measurement and Process Quality Wiley. 1997.
Sarndal, C.; Swensson, B. y Wretman, J. Model Assisted Survey Sampling. Springer - Verlag.
1992.
Wolter, K. Introduction to Variance Estimation. Springer. 1985.
Preparado por Leonardo Trujillo. Revisado por Luz Mery Gonzalez, Leonardo Trujillo y Pedro Nel
Pacheco.
86 CAP
ON ESTAD
ISTICA
7.8. PROCESOS ESTOC
ASTICOS
Creditos: 4
Descripcion:
Esta asignatura dispone conocimientos matematicos para caracterizar y estudiar fenomenos aleatorios
que se asocian con una variable aleatoria indexada.
1. Reconocer el modelo estocastico adecuado en la descripcion de una situacion real o cticia.
Contenido:
1. Revision de conceptos basicos de probabilidad
1.1 Espacios de probabilidad: Denicion y propiedades basicas.
1.2 Variables aleatorias.
1.3 Funcion de distribucion.
1.4 Funcion de densidad.
1.5 Algunas distribuciones importantes.
1.6 Funciones generadoras de momentos.
1.7 Esperanza condicional.
1.8 Modos de convergencia: deniciones y teoremas basicos.
2. Clasicacion de procesos estocasticos generales
2.1 Descripcion y denicion de procesos estocasticos.
2.2 Trayectorias.
2.3 Distribuciones nito dimensionales.
2.4 Teorema de Kolmogoro.
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 nitas
3.2 Probabilidades de transicion.
3.3 Matriz de transicion.
3.4 Representacion graca de cadenas de Markov nitas.
3.5 Ecuaciones de Chapman-Kolmogoro.
3.6 Probabilidad de transicion en n pasos.
3.7 Clasicacion de estados.
3.8 Distribucion lmite.
4. Cadenas de Markov con conjunto de estados contable innito
4.1 Recurrencia y transitoriedad.
7.8. PROCESOS ESTOC
ASTICOS 87
4.2 Recurrencia positiva y nula.
4.3 Procesos de ramicacion.
5. Cadenas de Markov con parametro de tiempo continuo
5.1 Proceso de Poisson.
5.2 Procesos de nacimiento y muerte.
6. Martingalas
6.2 Propiedades basicas.
7. Movimiento browniano
7.2 Propiedades basicas.
Bibliografa basica:
Bhat, N. Elements of Applied Stochastic Processes. John Wiley & Sons. 1984.
Durret, R. Essentials of Stochastic Processes. Springer. 2001.
Grimmett, G. & Stirzaker, D. Probability and Random Processes. Prentice Hall. 1998.
Hoel, P.; Port, S. & Stone, C. Introduction to Stochastic Processes. Houghton Miin. 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 Scientic. 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.
88 CAP
ON ESTAD
ISTICA
7.9. SERIES DE TIEMPO MULTIVARIADAS
Creditos: 4
Prerrequisito: Series de tiempo univariadas
Descripcion:
Esta asignatura acrecienta la base conceptual para modelar el comportamiento de varias variables
cuantitativas observadas a traves del tiempo, en forma discreta. Fortalece las competencias alcanzadas
por el estudiante en el curso de Series de tiempo univariadas.
1. Identicar la estructura general de una serie de tiempo multivariada.
2. Teorizar la construccion de modelos de series de tiempo a partir de las bases proporcionadas por
los procesos estocasticos multivariados.
3. Conceptualizar la implementacion de los modelos de estados.
4. Apropiar conceptos y fundamentos basicos del analisis espectral de series de tiempo multivariadas.
5. Ajustar modelos que involucren varias variables cuantitativas medidas a traves del tiempo.
Contenido:
1. Introduccion al analisis de series temporales multivariadas
1.1 Procesos estocasticos estacionarios multivariados.
1.2 Modelos VAR(p): propiedades, estimacion, vericacion, 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 estocasticos multivariados no estacionarios: cointegracion, races unitarias y ten-
dencias comunes.
2. Modelos de estados
2.1 Especicacion y supuestos basicos del modelo de estados.
2.2 Prediccion de los vectores de estado: el ltro de Kalman y el suavizador de punto jo.
2.3 Propiedades de un modelo de estados invariante en el tiempo: identicabilidad del modelo.
2.4 Estimacion de hiperparametros: c alculo de la funcion de verosimiltud.
2.5 Calculo de pronosticos del vector de variables observables.
2.6 Vericacion 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 Estimacion de la funcion de densidad espectral multivariada.
3.4 Ejemplos y aplicaciones.
4. Topicos adicionales
4.1 Reduccion de dimension: componentes principales y factores comunes dinamicos.
Bibliografa basica:
Brillinger, D. Time Series: Data analysis and theory. Holden - Day. 1981.
7.9. SERIES DE TIEMPO MULTIVARIADAS 89
Brockwell, P. J. and Davis, R. A. Time Series: Theory and Methods. Springer Verlag. 1991.
Fuller, W. Introduction to Statistical Time Series. John Wiley & Sons. 1995.
Hamilton, J. D. Time Series Analysis. Princeton University Press. 1994.
Harvey, A. C. Time Series Models. Harvester Wheatsheaf. 1993.
Harvey, A. C. Forecasting, Structural Time Series Models, and the Kalman Filter. Cambridge
U. Press. 1989.
Lutkepohl, H. New Introduction to Multiple Time Series Analysis. Springer - Verlag. 2005.
Preparado por Fabio Nieto. Revisado por Emilse Gomez y Diana Franco.
90 CAP
ON ESTAD
ISTICA
7.10. T
NO EXPERIMEN-
TAL
Creditos: 4
Prerrequisito: Dise no de experimentos
Descripcion:
Esta asignatura acrecienta la base conceptual para modelar y analizar un dise no experimental con
una estructura compleja.
1. Identicar metodologas y estrategias para abordar dise nos experimentales complejos.
2. Teorizar la construccion y la modelacion de dise nos de bloques incompletos, analisis de datos lon-
gitudinales y de modelos mixtos.
3. Apropiar las metodologas de confusion y supercies de respuesta.
4. Elegir procedimientos teniendo en cuenta la estructura de los datos y los objetivos de la investiga-
cion.
5. Evaluar los resultados de la aplicacion de un dise no o metodologa, a partir de ello raticarla o
elegir analisis alternativos.
Contenido:
1. Confusion en factoriales y factoriales fraccionados
1.1 Confusion parcial en arreglos factoriales fraccionados simetricos p
k
.
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 aberracion.
2. Dise no en bloques incompletos
2.1 Introduccion 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 supercies de respuesta de primer orden en datos normales y no normales
3.1 Introduccion a las supercies 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 Determinacion de las condiciones optimas.
3.5 Exploracion local para el ajuste de modelos de primer y segundo orden.
3.6 Ajuste de supercies 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.
7.10. T
NO EXPERIMENTAL 91
4.2 Planes de dise nos longitudinales. Motivacion. Analisis de datos longitudinales con una mues-
tra. Analisis de perles.
4.3 Analisis de perles y curvas de crecimiento en dise nos con medias repetidas. Introduccion
al analisis de varianza multivariado.
5. Introduccion a los modelos mixtos
5.1 Introduccion 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 basica:
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 CAP
ON ESTAD
ISTICA
Captulo 8
APLICACI
ON ESTAD
ISTICA
Alrededor del n ucleo estadstico, el currculo le ofrece al estudiante diversas posibilidades de agregar
otros temas especiales en la ruta del aanzamiento y robustecimiento de las competencias profesionales
ya emprendidas al cursar asignaturas del n ucleo. Los temas propios de las asignaturas de esta agrupa-
cion estan orientados al desarrollo de conceptos y procedimientos con objeto bien denido dentro de
las aplicaciones estadsticas. Por tanto su proposito concreto puede describirse mediante el objetivo
curricular de:
Generar contextos especializados que surtan elementos de diversas aplicaciones estadsticas para
estimular el acrecentamiento de las competencias y posibilidades profesionales
La lista de asignaturas de aplicacion estadstica se relaciona en el cuadro 8.
Cuadro 8.1: Asignaturas de la agrupacion Aplicacion estadstica
Calculo actuarial Optativa 3
Finanzas y modelos de inversion Optativa 3
Teora estadstica del riesgo Optativa 3
Control estadstico de calidad Optativa 3
Muestreo en poblaciones biologicas Optativa 3
Demografa Optativa 3
Epidemiologa Optativa 3
Teora de respuesta al tem Optativa 3
Modelos de sobrevivencia univariados Optativa 3
Modelos de sobrevivencia multivariados Optativa 3
Topicos de econometra I Optativa 3
Topicos de econometra II Optativa 3
Estrategia de mercados Optativa 3
Control de calidad y sistemas de gestion Optativa 3
Inteligencia articial Optativa 4
Minera de datos Optativa 4
Investigacion de operaciones I Optativa 3
Investigacion de operaciones II Optativa 4
Modelamiento y simulacion Optativa 3
93
94 CAP
ITULO 8. APLICACI
ON ESTAD
ISTICA
8.1. C
ALCULO ACTUARIAL
Creditos: 3
Descripcion:
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 Funcion de acumulacion 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 Introduccion a mercados nancieros 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 calculo de probabilidades a edades fraccionarias.
2.5 Probabilidades de muerte sobre varias vidas.
2.5.1 Grupos que se extinguen al primer fallecimiento, al ultimo y a un fallecimiento deter-
minado.
2.5.2 Ordenes de fallecimiento (funciones contingentes).
3. Seguros de vida
3.1 Esperanza y varianza de la funcion de benecio.
3.2 Seguro dotal puro.
3.3 Seguros de una vida pagaderos en el momento de la muerte, al nal del mes de muerte y
al nal 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. C
ALCULO ACTUARIAL 95
4.4 Funciones de conmutacion.
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 cesion.
5.6 Seguros saldado y prorrogado.
5.7 Participacion de utilidades.
Bibliografa basica:
Bowers, N. L.; Gerber, H. U.; Hickman, J. C. Actuarial Mathematics. Society of Actuaries. 1997.
Huertas, J. Calculo Actuarial: Contingencias de vida individual. U.Nacional de Colombia. 2002.
Jordan, C. W. Life Contingencies. Society of Actuaries. 1991.
Kellison, S. C. The Theory of Interest. Mc Graw Hill/ Irwin. 2008.
Preparado por Jaime Huertas. Revisado por Luz Mery Gonzalez y Leonardo Trujillo.
96 CAP
ITULO 8. APLICACI
ON ESTAD
ISTICA
8.2. CONTROL ESTAD
ISTICO DE CALIDAD
Creditos: 3
Descripcion:
Esta asignatura dispone los metodos estadsticos utilizados para alcanzar el aseguramiento de la
calidad en procesos industriales y de servicios, de tal forma que los artculos fabricados o los servicios
satisfagan los requisitos de las normas tecnicas que denen las especicaciones requeridas por el
mercado.
El estudiante que curse la asignatura y que cumpla las exigencias academicas podra:
1. Identicar la importancia de la calidad en el desarrollo y crecimiento de las empresas.
2. Evaluar la ecacia y eciencia de las caractersticas propias de un programa de mejoramiento con-
tinuo de la calidad.
3. Aplicar y utilizar las tecnicas de control de calidad en el proceso de fabricacion e interpretar las
normas tecnicas existentes en el mercado.
4. Usar metodos para comparar procesos industriales y de servicios teniendo en cuenta las especica-
ciones o requisitos dados para tomar acciones correctivas apropiadas cuando existe una discrepancia
entre el funcionamiento real y el estandar.
Contenido:
1. Introduccion
1.1 El concepto de calidad.
1.2 Calidad y productividad.
1.3 Control estadstico de procesos.
2. Construccion de cartas de control
2.1 Variabilidad de un proceso.
2.2 Denicion 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 S
2
.
3.4 Cartas para observaciones individuales.
8.2. CONTROL ESTAD
ISTICO DE CALIDAD 97
4. Capacidad de un proceso
4.1

Indices de capacidad.
4.2 Estimacion de los ndices de capacidad.
4.3

Indices de capacidad para distribuciones no normales.
5. Cartas de control para atributos
5.1 Cartas p, c y u.
5.2 Cartas de control basadas en una distribucion geometrica.
5.3 Carta de control por demeritos.
6. Cartas CUSUM
6.1 Cartas CUSUM para la media.
6.2 Cartas CUSUM para la dispersion.
7. Cartas EWMA
7.1 Carta EWMA para la media.
7.2 Carta EWMA para la dispersion.
8. Cartas de control multivariadas
8.1 Carta de control para el vector de medias.
8.2 Cartas de control para la dispersion del proceso.
8.3 Carta T
2
con estimadores alternativos de media y varianza.
8.4 Cartas CUSUM multivariadas.
8.5 Cartas EWMA multivariadas.
9. Cartas de control especiales
9.1 Cartas de control Boostrap.
9.2 Cartas de control con datos autocorrelacionados.
9.3 Cartas de control con intervalos de muestreo variable.
10. Planes de aceptacion de lotes por muestreo
10.1 Introduccion.
10.2 Inspeccion por variables.
10.3 Inspeccion por atributos.
Bibliografa basica:
Mason, Robert y Young, John. Multivariate Statistical Process Control: With Industrial Appli-
cations. ASA SIAM. 2002.
Mittag, H. Rinne. Statistical Methods of Quality Assurance. Chapman & Hall. 1993.
Montgomery, Douglas. Introduction to Statistical Quality Control, 4th ed. John Wiley & Sons.
2001.
Vargas, Jose A. Control Estadstico de Calidad. Unibiblos. 2006.
Wetherill, Barrie y Brown, Don. Multivariate Statistical Process Control with Industrial Appli-
cations. Chapman & Hall. 1991.
Revista sugerida para consulta: Journal of Quality Technology, Quality Engineering.
Preparado por Alberto Vargas y Diana Franco. Revisado por Luz Mery Gonzalez, Leonardo Trujillo
98 CAP
ITULO 8. APLICACI
ON ESTAD
ISTICA
8.3. DEMOGRAF
IA
Creditos: 3
Descripcion:
Esta asignatura dene el estudio de las poblaciones humanas, su dimension, estructura, evolucion y
caractersticas generales desde un punto de vista cuantitativo. De esta forma, estudia la estructura y
la dinamica de las poblaciones humanas y las leyes que rigen estos fenomenos.
El estudiante que curse la asignatura y cumpla con las exigencias academicas podra:
1. Utilizar las principales tecnicas de analisis demograco contextualizando las interpretaciones teori-
cas de los resultados obtenidos.
2. Construir indicadores demogracos y de migracion.
3. Realizar proyecciones de poblacion.
Contenido:
1. Introduccion
1.1 Que es la demografa.
2. Medicion demograca
2.1 Construccion de indicadores demogracos basicos.
2.2 Piramides poblacionales.
2.3 Tablas de vida.
2.4 Ecuacion de balance poblacional.
2.5 Indicadores esenciales en fecundidad.
2.6 Mortalidad y migracion.
2.7 Teoras de crecimiento poblacional.
2.8 Crecimiento exponencial.
3. Causalidad
3.1 Modelos estadsticos para el estudio de la causalidad utilizados en las ciencias sociales.
4. Censos
4.1 Dise no y aplicacion de un censo poblacional.
4.2 Utilidad de los censos.
4.3 Usos en el analisis demograco y en proyecciones de poblacion.
5. Proyecciones
5.1 Introduccion a las proyecciones poblacionales en un barrido de los metodos mas comunes:
interpolacion lineal.
5.2 Matrices de Leslie.
5.3 Metodo de componentes principales.
5.4 Uso de series de tiempo y modelo de Lee-Carter y sus variantes.
6. Aplicaciones en mortalidad
6.1 Diferencias entre tasas, proporciones y razones.
8.3. DEMOGRAF
IA 99
6.2 Principales indicadores de mortalidad y su construccion.
6.3 Debate en la recoleccion y calidad de las fuentes para su medicion.
6.4 Relacion entre ingresos y mortalidad.
6.5 Estudios epidemiologicos.
6.6 Mortalidad infantil.
7. Aplicaciones en fecundidad
7.1 Construccion de los principales indicadores de fecundidad.
7.2 Determinantes (proximos) de la fecundidad.
7.3 Principales teoras en fecundidad y sus aplicaciones estadsticas.
7.4 Repaso de modelos probit, logit y tobit.
7.5 Relacion con el mercado laboral y fecundidad adolescente.
8. Aplicaciones en otras areas
8.1 Medicion de los indicadores en migracion y aplicaciones.
8.2 Mercado matrimonial (deniciones, fuentes de informacion, medicion de indicadores matri-
moniales y modelos estadsticos y demogracos).
8.3 Modelos de riesgos (hazard models) y sistemas pensionales.
Bibliografa basica:
Hinde, A. Demographic Methods. Arnold. 1998.
Keytz, N. Introduction to the mathematics of population. Addison - Wesley. 1968.
Livi - Bacci. Introduccion 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
100 CAP
ITULO 8. APLICACI
ON ESTAD
ISTICA
8.4. EPIDEMIOLOG
IA
Creditos: 3
Descripcion:
Esta asignatura pone en contexto metodos estadsticos para el dise no, conduccion y analisis de estudios
sobre frecuencia, distribucion 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 epi-
demiologicos.
Contenido:
1. Conceptos generales de introduccion a la Epidemiologa
1.1 Deniciones basicas.
1.2 Variables en Epidemiologa y Causalidad.
2. Fundamentos de investigacion epidemiologica
2.1 Tipos de investigacion epidemiologica.
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 asociacion y estudios descriptivos
4.1 Medidas de asociacion.
4.2 Reportes de casos, series de casos y estudios transversales.
5. Estudios epidemiologicos
5.1 Estudios de cohorte.
5.2 Estudios de casos y controles.
5.3 Estudios experimentales.
6. Sesgo y efecto de confusion en Epidemiologa
6.1 Denicion.
6.2 Evaluacion.
7. Introduccion al uso de modelos estadsticos en la investigacion epidemiologica
7.1 Odds ratio y regresion logstica.
7.2 NNT (N umero necesario a tratar).
Bibliografa basica:
8.4. EPIDEMIOLOG
IA 101
Colimon, Kahl M. Fundamentos de Epidemiologa. 1978.
Guerrero, R.; Gonzalez, 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 Met-
hods. Van Nostrand Reinhold Company. 1982.
Londo no, Juan L. Metodolog
Ia de la Investigacion Epidemiologica. Universidad de Antioquia.

1995.
Rothman, Kenneth J. Modern Epidemiology. Little Brown and Company. 1986.
Ruz, A. et al. Investigacion Clnica: Epidemiologa Clnica Aplicada. Ceja. 2001.
Preparado por Nelcy Rodrguez. Revisado por Campo Elas Pardo y Humberto Mayorga.
102 CAP
ITULO 8. APLICACI
ON ESTAD
ISTICA
ON
Creditos: 3
Prerrequisito: Calculo de ecuaciones diferenciales
Descripcion:
Esta asignatura dene modelos relacionados con el ujo de dinero entre individuos, empresas o estados;
inversiones tales como: bonos, asignacion de capital, diversicacion 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 nancieras utilizando herramientas matematicas.
2. Estudiar algunos modelos que han sido desarrollados para analizar instrumentos nancieros.
3. Implementar dichos modelos en paquetes computacionales para utilizarlos en la construccion de
carteras de valores y valoracion de opciones.
Contenido:
1. Entorno de las inversiones
1.1 Activos reales y nancieros.
1.2 Clientes del sistema nanciero.
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 Valoracion de bono.
2.4 Duracion.
2.5 Inmunizacion.
3. Riesgo y aversion al riesgo
3.1 Decisiones en condiciones de certeza.
3.2 Riesgo.
3.3 Criterio del valor esperado.
3.4 Funcion de utilidad.
3.5 Aversion 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 Asignacion de capital a traves de carteras riesgosas y libres de riesgo.
4.2 Carteras de un activo riesgoso y un activo libre de riesgo.
ON 103
4.3 Tolerancia al riesgo y asignacion de activos.
5. Carteras riesgosas optimas
5.1 Diversicacion 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 basica:
Bodie, A.; Kane, A. J.; Marcus. Investments. Irwin. 1996.
Fabozzi, F. J. Investment Management. Prentice Hall. 1995.
Hull, J. C. Introduccion 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.
104 CAP
ITULO 8. APLICACI
ON ESTAD
ISTICA
8.6. MODELOS DE SOBREVIVENCIA MULTIVARIADOS
Creditos: 3
Prerrequisito: Modelos de sobrevivencia univariados
Descripcion:
Esta asignatura dispone los fundamentos y herramientas para la construccion y analisis de modelos
estadsticos para varias variables que denen tiempos a evento.
El estudiante que curse la asignatura y cumpla con las exigencias podra estimar, interpretar y aplicar
los modelos mas importantes de varios tiempos a evento, delimitando los problemas y estableciendo
soluciones en situaciones particulares.
Contenido:
1. Procesos de conteo
1.1 Notacion.
1.2 Modelos.
1.3 Propiedades de los modelos.
2. Tiempos de fallo multivariados
2.1 Introduccion.
2.2 Copulas de supervivencia.
2.3 Estimacion maximo verosmil y pseudo maximo verosmil.
2.3.1 Tiempos paralelos
2.3.2 Tiempos secuenciales
3. M ultiples causas de fallo y modelos multiestado.
3.1 Riesgos en competencia.
3.1.1 Funcion de verosimilitud.
3.1.2 Metodos no parametricos.
3.1.3 Metodos parametricos.
3.1.4 Metodos semiparametricos para modelos de riesgo multiplicativo.
3.2 Modelos multiestado.
8.6. MODELOS DE SOBREVIVENCIA MULTIVARIADOS 105
4. Analisis de tiempos de fallo correlacionados
4.1 Introduccion.
4.2 Efectos aleatorios (frailty models).
4.3 Modelos de regresion.
4.4 Estimacion no parametrica de la funcion de sobrevivencia.
5. Eventos recurrentes
5.1 Introduccion.
5.2 Procesos de conteo y gap times.
5.3 Estimacion de la intensidad general y media.
5.4 Metodos de diagnostico
Bibliografa basica:
Hougaard, Philip. Analysis of Multivariate Survival Data. Springer. 2000.
Kalbeisch, 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.
106 CAP
ITULO 8. APLICACI
ON ESTAD
ISTICA
8.7. MODELOS DE SOBREVIVENCIA UNIVARIADOS
Creditos: 3
Descripcion:
Esta asignatura dispone los fundamentos y herramientas para la construccion y analisis de modelos
estadsticos para una variable que dene el tiempo a un evento, como la muerte, la curacion de una
enfermedad o el da no de una maquina. Para un adecuado seguimiento del curso, se deben tener un alto
conocimiento de a) conceptos probabilsticos y de inferencia estadstica, b) principios fundamentales de
la construccion y evaluacion de modelos de regresion, y c) conceptos fundamentales de programacion
estructurada.
El estudiante que curse la asignatura y cumpla con las exigencias, podra estimar, interpretar y apli-
car los modelos mas importantes del tiempo a un evento, delimitando los problemas y estableciendo
soluciones en situaciones particulares.
Contenido:
1. Conceptos fundamentales
1.1 Las funciones de supervivencia, de riesgo y de riesgo acumulado.
1.2 Esperanza de vida.
1.3 Modelos parametricos.
1.4 Probabilidades condicionales y distribuciones truncadas.
2. La tabla de mortalidad
2.1 Componentes.
2.2 Probabilidades fraccionarias.
2.3 Decremento doble y simple.
3. Estimacion de Modelos de Sobrevida.
3.1 Tipos de censura: por la derecha, izquierda e intervalo.
3.2 Metodos actuariales de estimacion.
3.3 Estimador de Kaplan-Meier.
3.4 Estimador de Nelson-Aalen.
3.5 Varianza del estimador de sobrevida.
3.6 Estimador de la funcion del riesgo y de riesgo acumulada.
3.7 Intervalos de conanza.
3.8 Estimacion parametrica maximo verosmil bajo los distintos tipos de censura.
4. Modelos de regresion parametricos
4.1 Descripcion de los modelos.
4.2 Formulacion log-lineal.
4.3 Estimacion maximo verosmil.
4.4 Metodos de diagnostico.
5. Modelo de riesgos proporcionales de Cox
5.1 Estimacion del modelo.
8.7. MODELOS DE SOBREVIVENCIA UNIVARIADOS 107
5.2 Inferencia sobre los parametros.
5.3 Comparacion de dos modelos anidados.
5.4 Estimacion de la funcion de riesgo y de sobrevivencia.
5.5 Diagnostico del modelo.
5.6 Extensiones del modelo de Cox.
Bibliografa basica:
Collet, D. Modelling Survival Data in Medical. Chapman and Hall. 2003.
Colosimo, E. A. & Giolo, S. R. Analisis de sobrevivencia aplicada. Brucher. 2006.
Cox,D.R. & Oakes, D. Analysis of Survival Data. Chapman and Hall. 1984.
Kalbeisch, J. D. & Prentice, R. The Statistical Analysis of Failure Time Data . Wiley. 2002.
Klein, P.J. & Moechberger. Survival Analysis. Springer-Verlag. 2003.
Lawless, J . Statistical Models and Methods for Lifetime Data. Wiley. 2003.
London, D. Survival Models. ACTEX. 1997.
Preparado por Jaime Huertas. Revisado por Emilse Gomez y Diana Franco.
108 CAP
ITULO 8. APLICACI
ON ESTAD
ISTICA
OGICAS
Creditos: 3
Descripcion:
Esta asignatura dispone los conocimientos basicos de tecnicas de muestreo de mayor utilidad para solu-
cionar problemas relacionados con areas de las ciencias biologicas. Tambien, dispone las metodologas
estadsticas com unmente utilizadas en ecologa a nivel poblacional y comunitario.
1. Denir la poblacion, 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 investigacion: experimental y observacional.
1.2 Denicion de poblacion 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 fenomeno.
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 interseccion 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 informacion biologica y ecol ogica. Analisis poblacional
5.1 Estructura de edad.
5.2 Construccion de tablas de vida.
5.3 Matrices de Leslie y su aplicacion en manejo de poblaciones.
5.4 Crecimiento poblacional.
OGICAS 109
5.5 Dispersion poblacional.
5.6 Competencia intraspecca.
5.7 Uso de programas computacionales.
6. Analisis de informacion biologica y ecologica. Analisis comunitario
6.1 Estructura comunitaria.
6.2 Diversidad de especies.
6.3 Curvas de utilizacion de recursos.
6.4 Interacciones biologicas.
6.5 Competencia interespecca.
6.6 Depredacion.
6.7 Relaciones trocas.
7. Impacto ambiental
7.1 Estudios de impacto ambiental. Etapas y componentes.
7.2 Terminos de referencia. Evaluacion de impacto ambiental.
Bibliografa basica:
Begon; Harper & Townsend. Ecologa: individuos, poblaciones y comunidades. Omega. 1988.
Bryan F. J. Manly. Lyman L. McDonald, and Dana L. Thomas. Resource Selection by animals:
Statistical Design and analysis. Simposio de Estadstica. 2000.
Buckland, Anderson, Burnham. Introduction to Distance Sampling: Estimating Abundance of
Biological Populations. Oxford. 2001.
Celis de la Rosa Alfredo de J. Bioestadstica 2a. Edicion. Williams & Wilkins. 2008.
Cormack. Sampling Biological Populations. Int.Cooperative Pub House. 1979.
Fuentes, E. Ecologa: Introduccion 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 Estadsti-
ca. 2000.
Smith, R. L. & T. M. Smith. Ecologa. Addison-Wesley, 4ta edicion. 2001.
Thompson. Sampling Rare or Elusive Species: Concepts, Designs and Techniques for Estimating
Population Parameters. Island Press. 2004.
Preparado por Pedro Nel Pacheco y Nelcy Rodrguez. Revisado por Luz Mery Gonzalez, Leonardo
110 CAP
ITULO 8. APLICACI
ON ESTAD
ISTICA
8.9. TEOR
IA DE RESPUESTA AL

ITEM
Creditos: 3
Prerrequisito: Analisis de regresion.
Descripcion:
Esta asignatura dispone los elementos conceptuales y metodologicos para analizar estadsticamente
resultados de mediciones obtenidas a traves de pruebas educativas de aplicaciones masivas, desde la
perspectiva de las pruebas clasicas (TCT) tales como coecientes de conabilidad 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 parametros del modelo escogido.
3. Comparar los parametros estimados bajo cada esquema de analisis TCT vs TRI
4. Desarrollar aplicaciones y sistematizar los procedimientos de analisis.
Contenido:
1. Introduccion
1.1 Marco conceptual de test para la evaluacion de logro cognitivo, competencias y otros trazos
latentes.
2. Teora clasica
2.1 Conceptos basicos de teora de conabilidad.
2.2 Error de medida.
2.3 Coecientes de conabilidad de una prueba.
2.4 Mediciones paralelas.
2.5 Factores que afectan la conabilidad.
3. Introduccion a teora de respuesta al tem
3.1 Limitaciones de la TC.
3.2 Notas historicas sobre la TRI.
3.3 Supuestos de la TRI.
3.4 Curva caracterstica del tem.
3.5 Modelos e invarianza de TRI.
4. Estimacion en TRI
4.1 Introduccion y estimacion de parametros de los sujetos.
4.2 Estimacion de parametros de los items.
4.3 Ajuste de los datos al modelo.
4.4 Metrica de los sujetos y los items.
4.5 Funcion de informacion.
4.6 Funcion de informacion del tem y del test.
5. Aplicaciones de la TRI: bancos de items
5.1 Utilidad de los bancos items.
5.2 Construccion de un banco de items.
8.9. TEOR
IA DE RESPUESTA AL

ITEM 111
5.3 Ampliacion de un banco de items.
5.4 Construccion 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 evaluacion del funcionamientos diferencial de los items.
5.9 Analisis estadstico comparativo (clasico-IRT).
Revisado por Emilse Gomez, Diana Franco y Pedro Nel Pacheco.
112 CAP
ITULO 8. APLICACI
ON ESTAD
ISTICA
8.10. TEOR
IA ESTAD
ISTICA DEL RIESGO

Creditos: 3
Descripcion:
Esta asignatura dispone modelos estadsticos aplicables en un contexto de seguros.
1. Utilizar apropiadamente modelos de severidad y frecuencia y el efecto de modicaciones en primas
de seguros.
2. Utilizar apropiadamente modelos de riesgo individual y colectivo.
3. Aplicar tecnicas de interpolacion 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 Distribucion de las perdidas agregadas.
2. Modelos de frecuencia y severidad con modicaciones
2.1 Deducible.
2.2 Lmites.
2.3 Coaseguros.
2.4 Modelos de perdida en seguros.
3. Algunos metodos de aproximacion
3.1 Formula de Panjer.
3.2 Aproximacion normal.
3.3 Aproximacion gamma.
4. Teora de la ruina
4.1 Modelo clasico 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 interpolacion y simulacion
6.1 Splines c ubicos.
6.2 Ejemplos de simulacion de seguros.
Bibliografa basica:
8.10. TEOR
IA ESTAD
ISTICA 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 nance & Insu-
rance. Actex Publications. 2004.
Preparado por Piedad Urdinola y Leonardo Trujillo. Revisado por Luz Mery Gonzalez, Leonardo
114 CAP
ITULO 8. APLICACI
ON ESTAD
ISTICA
Captulo 9
CONSOLIDACI
ON ESTAD
ISTICA
El sentido factico de esta agrupacion, 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 rmeza y solidez a sus competencias, de manera que fruto de su aanzamiento la Universidad
pueda asegurar con alto grado de certeza la calidad de la formacion impartida en sus aulas. Como cul-
minacion del proceso formativo de un profesional en Estadstica, el currculo le otorga una ponderacion
superlativa al trabajo autonomo, siendo el trabajo docente meramente orientador.
El objetivo que orienta la presencia de esta agrupacion dentro de la organizacion curricular responde
a:
Concluir la formacion profesional del estudiante de la Carrera de Estadstica, mediante el cumpli-
miento de un eplogo curricular, integrado por experiencias academicas que le permitan al estudiante
transferir aspectos de la realidad al plano conceptual y derivar de su elaboracion soluciones particu-
lares, con el proposito de consolidar la formacion profesional.
Tres asignaturas conforman esta agrupacion, que se presentan en el cuadro 9.
Cuadro 9.1: Asignaturas de la agrupacion Consolidacion estadstica
Trabajo de grado Obligatoria 2
Seminario de estadstica Obligatoria 2
Consultora estadstica Obligatoria 8
9.1. CONSULTOR
IA ESTAD
ISTICA
Creditos: 2
Prerrequisito: Aprobacion de 39 creditos del componente de formacion disciplinar o profesional
Descripcion:
Esta asignatura propicia el fortalecimiento profesional y estimula la creatividad del estudiante median-
te la generacion de un espacio en el que enfrente situaciones reales, para que dictamine la pertinencia
y viabilidad estadstica de la consulta, proponga e implemente la mejor solucion, si hay lugar a ello.
El estudiante que curse la asignatura y cumpla con las exigencias, estara en capacidad de:
1. Aplicar elementos que le permitan una comunicacion profesional con el consultante.
2. Entender un problema consultado y recomendar alternativas de solucion con herramientas estadsti-
115
116 CAP
ITULO 9. CONSOLIDACI
ON ESTAD
ISTICA
cas apropiadas.
3. Elaborar reportes de avance, bitacoras y reportes tecnicos.
Contenido:
1. Marco conceptual
1.1 Deniciones. 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 Identicacion del problema consultado.
3.2 Traduccion del problema al lenguaje estadstico.
3.3 Planteamiento de soluciones al problema.
3.4 Comunicacion y discusion de las soluciones al consultante en su contexto.
3.5 Elaboracion de un informe.
4. Marco legal y etico de la consultora estadstica.
Bibliografa basica:
D.J.Hand y B.S.Everitt (Eds). The Statistical Consultant in Action. Cambridge U. Press. 1987.
Derr J. Statistical Consulting: A Guide to Eective 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. Scientic 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.
ISTICA 117
ISTICA
Creditos: 2
Prerrequisito: Aprobacion de 39 creditos del componente disciplinar o profesional
Descripcion:
Esta asignatura provee actividades para consolidar los conocimientos y habilidades en la estruc-
turacion estadstica y metodologica de un proyecto de investigacion.
1. Formular y escribir de manera autonoma una propuesta de proyecto de investigacion en Estadsti-
ca.
2. Acompa nar el proceso metodologico de propuestas de investigacion en otras areas del conoci-
miento.
3. Redactar y presentar los documentos propios de las etapas de un proceso de investigacion.
4. Velar por el cumplimiento de los aspectos eticos y normativos propios de un proceso investi-
gativo.
Contenido:
1. Normas sobre documentos escritos
1.1 Presentacion de un proyecto de investigacion.
1.2 Publicacion de artculos cientcos nacionales e internacionales.
1.3 Normas y estilos de citacion y bibliografa.
2. Elementos conceptuales de una investigacion
2.1 Planteamiento del problema.
2.2 Formulacion de objetivos.
2.3 Elaboracion del marco teorico.
2.4 Dise no metodologico.
2.5 Cronograma.
2.6 Presupuesto.
3. Exposicion oral de propuestas individuales
3.1 Temas potenciales (grupos de investigacion).
3.2 Propuesta de investigacion.
3.3 Anteproyecto de investigaci on.
3.4 Proyecto de investigacion
4. Exposicion escrita de propuestas individuales
4.1 Propuesta de investigacion.
4.2 Anteproyecto de investigaci on.
4.3 Proyecto de investigacion.
Bibliografa basica:
ICONTEC. Compendio-Tesis y otros trabajos de grado. Quinta actualizacion. Icontec, Colombia.
2002.
118 CAP
ITULO 9. CONSOLIDACI
ON ESTAD
ISTICA
Ouellet, A. Procesos de investigacion. EAN, Colombia. 2001.
Sampieri R, Fernandez, C. Baptista, P. Metodologa de la investigacion cientca. 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 Ro-
drguez y Luz Mery Gonzalez. Modicado por el Comite de Pregrado y Humberto Mayorga.
9.3. TRABAJO DE GRADO 119
9.3. TRABAJO DE GRADO
Creditos: 8
Prerrequisito: Aprobacion de 49 creditos del componente de formacion profesional o disciplinar
Modalidades:
1. Trabajos investigativos: Trabajo monograco, Participacion en proyectos de investigacion, Pro-
yecto nal
2. Practicas de extension: Participacion en programas docenteasistenciales, Internado medico,
Pasanta, Emprendimiento empresarial, Proyecto social
3. Actividades especiales: Examenes preparatorios
4. Opcion de grado: Cursos de posgrado.
Descripcion:
El trabajo de grado tiene como objetivo especco dentro de la agrupacion de consolidacion
estadstica: Integrar conocimientos y experiencias formativas, mediante la planeacion y ejecucion
de un trabajo de investigacion bajo la orientacion de un profesor, como propuesta de modelado o
solucion practica a un problema real o de evaluacion de una propuesta de mejoramiento, comparacion
o desempe no de un metodo o procedimiento estadstico.
Comentario: Este objetivo ha sido formulado teniendo en cuenta las modalidades, trabajo inves-
tigativo y pasanta, pero debido a la exibilidad para cursar la asignatura, quien opte por materias
del posgrado o examenes preparatorios, como trabajo de grado, y su plan de vida incluya formacion
mas avanzada, cumplira con este objetivo en mayor medida con una tesis de maestra o doctoral.
Preparado por el Comite asesor de carrera y Humberto Mayorga.

Cuadernillo de Asignaturas

Încărcat de

Informații document

Descriere originală:

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Cuadernillo de Asignaturas

Încărcat de

Drepturi de autor:

Formate disponibile

CUADERNILLO DE ASIGNATURAS

OFERTADAS POR EL DEPARTAMENTO DE ESTAD

ALCULO DIFERENCIAL EN UNA VARIABLE . . . . . . . . . . . . . . . . . . . . 9

ALCULO INTEGRAL EN UNA VARIABLE . . . . . . . . . . . . . . . . . . . . . . 11

ALCULO DE ECUACIONES DIFERENCIALES . . . . . . . . . . . . . . . . . . . . 31

ISTICA DESCRIPTIVA MULTIVARIADA . . . . . . . . . . . . . . . . . . . . 58

ISTICA DESCRIPTIVA Y EXPLORATORIA . . . . . . . . . . . . . . . . . . 60

ALISIS DE DATOS CATEG

ALISIS DE DATOS LONGITUDINALES . . . . . . . . . . . . . . . . . . . . . . . 76

OPICOS AVANZADOS DE DISE

ISTICA DEL RIESGO . . . . . . . . . . . . . . . . . . . . . . . . . . 112

Algebra lineal basica Obligatoria 4

Algebra matricial Obligatoria 4

ALCULO DIFERENCIAL EN UNA VARIABLE 9

ALCULO DIFERENCIAL EN UNA VARIABLE

ALCULO INTEGRAL EN UNA VARIABLE 11

ALCULO INTEGRAL EN UNA VARIABLE

Algebra multilineal y formas canonicas Optativa 4

ALCULO DE ECUACIONES DIFERENCIALES 31

ALCULO DE ECUACIONES DIFERENCIALES

+cx = f(t) (circuitos LRC, movimientos amortiguados forzados, resonancia).

ISTICA DESCRIPTIVA MULTIVARIADA

ISTICA DESCRIPTIVA MULTIVARIADA 59

ISTICA DESCRIPTIVA Y EXPLORATORIA

ISTICA DESCRIPTIVA Y EXPLORATORIA 61

ALISIS DE DATOS CATEG

ALISIS DE DATOS CATEG

ALISIS DE DATOS LONGITUDINALES

ALISIS DE DATOS LONGITUDINALES 77

OPICOS AVANZADOS DE DISE

OPICOS AVANZADOS DE DISE

Ia de la Investigacion Epidemiologica. Universidad de Antioquia.

ISTICA DEL RIESGO

ISTICA DEL RIESGO 113

S-ar putea să vă placă și