Cuadernillo de Asignaturas PDF

CUADERNILLO DE ASIGNATURAS
OFERTADAS POR EL DEPARTAMENTO DE ESTADÍSTICA

(Versión preliminar)
PREGRADO EN ESTADÍSTICA
COMITÉ ASESOR DE PREGRADO:

Leonardo Trujillo O.
Luis Alberto López P.
Emilse Gómez T.
Campo Elı́as Pardo T.
Pedro Nel Pacheco D.
UNIVERSIDAD NACIONAL DE COLOMBIA

FACULTAD DE CIENCIAS
DEPARTAMENTO DE ESTADÍSTICA
10 DE NOVIEMBRE DE 2008
BOGOTÁ D.C.
Índice general
1. FUNDAMENTACIÓN MATEMÁTICO-ESTADÍSTICA 3
1.1. ÁLGEBRA LINEAL BÁSICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2. ÁLGEBRA MATRICIAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3. CÁLCULO DIFERENCIAL EN UNA VARIABLE . . . . . . . . . . . . . . . . . . . . 9
1.4. CÁLCULO INTEGRAL EN UNA VARIABLE . . . . . . . . . . . . . . . . . . . . . . 11
1.5. CÁLCULO VECTORIAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.6. FUNDAMENTOS DE MATEMÁTICAS . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.7. INFERENCIA ESTADÍSTICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.8. PROBABILIDAD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.9. SISTEMAS NUMÉRICOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2. FUNDAMENTACIÓN EN CIENCIAS 23
2.1. CONJUNTOS Y COMBINATORIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2. GEOMETRÍA ELEMENTAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.3. GEOMETRÍA VECTORIAL Y ANALÍTICA . . . . . . . . . . . . . . . . . . . . . . . 27
3. COMPLEMENTACIÓN MATEMÁTICA 29
3.1. ANÁLISIS ESTOCÁSTICO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.2. CÁLCULO DE ECUACIONES DIFERENCIALES . . . . . . . . . . . . . . . . . . . . 31
3.3. MODELOS MATEMÁTICOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4. PROGRAMACIÓN 35
4.1. PROGRAMACIÓN EN LENGUAJES ESTADÍSTICOS . . . . . . . . . . . . . . . . . 36
4.2. PROGRAMACIÓN Y MÉTODOS NUMÉRICOS . . . . . . . . . . . . . . . . . . . . 39
5. METODOLOGÍA 43
5.1. ESTADÍSTICA Y SOCIEDAD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
6. NÚCLEO ESTADÍSTICO 47
6.1. ANÁLISIS DE REGRESIÓN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
6.2. ANÁLISIS MULTIVARIADO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
6.3. DISEÑO DE EXPERIMENTOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
iv ÍNDICE GENERAL
6.4. DISEÑO Y DESARROLLO DE ENCUESTAS . . . . . . . . . . . . . . . . . . . . . . 54

6.5. ESTADÍSTICA BAYESIANA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
6.6. ESTADÍSTICA DESCRIPTIVA MULTIVARIADA . . . . . . . . . . . . . . . . . . . . 58
6.7. ESTADÍSTICA DESCRIPTIVA Y EXPLORATORIA . . . . . . . . . . . . . . . . . . 60
6.8. ESTADÍSTICA ESPACIAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
6.9. MÉTODOS NO PARAMÉTRICOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
6.10. MUESTREO ESTADÍSTICO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
6.11. SERIES DE TIEMPO UNIVARIADAS . . . . . . . . . . . . . . . . . . . . . . . . . . 68
7. COMPLEMENTACIÓN ESTADÍSTICA 71
7.1. ANÁLISIS DE CORRESPONDENCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . 71
7.2. ANÁLISIS DE DATOS CATEGÓRICOS . . . . . . . . . . . . . . . . . . . . . . . . . 74
7.3. ANÁLISIS DE DATOS LONGITUDINALES . . . . . . . . . . . . . . . . . . . . . . . 76
7.4. COMPUTACIÓN ESTADÍSTICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
7.5. MÉTODOS DE CLASIFICACIÓN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
7.6. MODELOS LINEALES GENERALIZADOS . . . . . . . . . . . . . . . . . . . . . . . 82
7.7. MUESTREO ASISTIDO POR MODELOS . . . . . . . . . . . . . . . . . . . . . . . . 84
7.8. PROCESOS ESTOCÁSTICOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
7.9. SERIES DE TIEMPO MULTIVARIADAS . . . . . . . . . . . . . . . . . . . . . . . . . 88
7.10. TÓPICOS AVANZADOS DE DISEÑO EXPERIMENTAL . . . . . . . . . . . . . . . . 90
8. APLICACIÓN ESTADÍSTICA 93
8.1. CÁLCULO ACTUARIAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
8.2. CONTROL ESTADÍSTICO DE CALIDAD . . . . . . . . . . . . . . . . . . . . . . . . 96
8.3. DEMOGRAFÍA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
8.4. EPIDEMIOLOGÍA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
8.5. FINANZAS Y MODELOS DE INVERSIÓN . . . . . . . . . . . . . . . . . . . . . . . . 102
8.6. MODELOS DE SOBREVIVENCIA MULTIVARIADOS . . . . . . . . . . . . . . . . . 104
8.7. MODELOS DE SOBREVIVENCIA UNIVARIADOS . . . . . . . . . . . . . . . . . . . 106
8.8. MUESTREO EN POBLACIONES BIOLÓGICAS . . . . . . . . . . . . . . . . . . . . 108
8.9. TEORÍA DE RESPUESTA AL ÍTEM . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
8.10. TEORÍA ESTADÍSTICA DEL RIESGO . . . . . . . . . . . . . . . . . . . . . . . . . . 112
9. CONSOLIDACIÓN ESTADÍSTICA 115

9.1. CONSULTORÍA ESTADÍSTICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
9.2. SEMINARIO DE ESTADÍSTICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
9.3. TRABAJO DE GRADO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
INTRODUCCIÓN
Después del texto de Humberto agradecer a los profesores que elaboraron el programa anotando al
frente las asignaturas.
2 ÍNDICE GENERAL
Capı́tulo 1
FUNDAMENTACIÓN
MATEMÁTICO-ESTADÍSTICA
Para un desarrollo formal del pensamiento estadı́stico se requiere alcanzar previamente un conjunto de
competencias matemáticas especiales, necesarias no sólo para la construcción de lenguaje estadı́stico,
para la aprehensión de conceptos estadı́sticos y para la argumentación estadı́stica, sino que a través
de ellas se busca estimular la creatividad y la disciplina en el estudiante.
El lenguaje, los procedimientos y los conceptos estadı́sticos, tienen asistencia de conceptos, lenguaje,
resultados y métodos matemáticos que deben ser aprestados para garantizar un desempeño académico
exitoso del estudiante. En este sentido, el plan de estudios reúne bajo la denominación de Fundamenta-
ción Matemático-Estadı́stica, las asignaturas que son los requisitos mı́nimos para cimentar la formación
de un Estadı́stico. Es en sı́ntesis la propedéutica del programa de pregrado en Estadı́stica. La lista de
asignaturas de esta agrupación se presenta en el cuadro 1.
Cuadro 1.1: Asignaturas de la agrupación Fundamentación Matemático-Estadı́stica
Asignatura Carácter Créditos

Fundamentos de matemáticas Obligatoria 4
Sistemas numéricos Obligatoria 4
Cálculo diferencial en una variable Obligatoria 4
Cálculo integral en una variable Obligatoria 4
Cálculo vectorial Obligatoria 4
Álgebra lineal básica Obligatoria 4
Álgebra matricial Obligatoria 4
Probabilidad Obligatoria 4
Inferencia estadı́stica Obligatoria 4
Aún cuando cada asignatura tiene propósitos especı́ficos dentro de la formación del estudiante, todas
ellas convergen hacia un punto común del currı́culo: la fundamentación matemático-estadı́stica del
estudiante de la Carrera de Estadı́stica En consecuencia el objetivo de esta agrupación es:
“Fundamentar un conjunto de competencias asociadas a la capacidad de razonamiento, mediante el
desarrollo de habilidades cognitivas abstractas y formales, orientado a la representación de realidades
a través de modelos. Igualmente para interpretar y expresar relaciones y propiedades mediante el uso
del lenguaje matemático como un recurso riguroso de comunicación”.
4 CAPÍTULO 1. FUNDAMENTACIÓN MATEMÁTICO-ESTADÍSTICA
1.1. ÁLGEBRA LINEAL BÁSICA

Créditos: 4
Descripción:
Que el alumno al finalizar el curso esté en capacidad de utilizar los conceptos de espacio vectorial
y transformación lineal en varios contextos de su carrera y reconocer los vı́nculos de la asignatura
con otras áreas teóricas o aplicadas de su carrera. En particular, deberá poder aplicar la estructura
euclidiana usual en Rn a diversas situaciones geométricas y fı́sicas, en lo referente a distancias, per-
pendicularidad, paralelismo, etc.
Contenido:
1. Vectores en Rn .
1.1 Combinaciones lineales y coordenadas.
1.2 Longitud y ángulo: El producto punto. Longitud. Distancia. Ángulos.
1.3 Vectores ortogonales.
1.4 Proyecciones.
2. Sistema de Ecuaciones Lineales.
2.1 Introducción a los sistemas de ecuaciones lineales.
2.2 Resolución de un sistema de ecuaciones lineales.
2.3 Métodos directos para resolver sistemas lineales: Matrices y forma escalonada.
2.4 Operaciones elementales entre filas.
3. Eliminación Gaussiana.
3.1 Eliminación por Gauss-Jordan. Sistemas homogéneos.

4. Conjuntos Generadores e Independencia Lineal.
4.1 Conjuntos generadores de vectores.
4.2 Independencia lineal.
5. Matrices.
5.1 Operaciones matriciales.
5.2 Adición de matrices y multiplicación por escalar.
5.3 Multiplicación de matrices. Propiedades de la multiplicación de matrices.
5.4 Potencia de una matriz.
5.5 Transpuesta de una matriz.
5.6 Álgebra de matrices: propiedades de la adición y multiplicación 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 Método de Gauss-Jordan para calcular inversas.
1.1. ÁLGEBRA LINEAL BÁSICA 5
7. Subespacios, base, dimensión y rango. Subespacios asociados con matrices.

7.1 Base, dimensión y rango.
7.2 Subespacios asociados con matrices.
8. Bases, dimensión y rango. Coordenadas.
8.1 Dimensión y rango.
8.2 Coordenadas.
9. Inducción a Software de Apoyo.
10. Introducción 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. Introducción a valores y vectores propios. Valores y vectores propios de matrices n × n.

13. Semejanza y Diagonalización.
14. Aplicaciones: Sistemas de Ecuaciones en Diferencia.
15. Ortogonalidad.
15.1 Sombras sobre una pared.
15.2 Ortogonalidad en Rn .
15.3 Conjunto de vectores ortogonales y ortonormales.
15.4 Matrices ortogonales.
16. Complementos Ortogonales.

16.1 Proyecciones ortogonales.
17. Proceso de Gram-Schmidt.
17.1 La factorización QR modificada.
17.2 Aproximación 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 Dimensión.
21. Cambio de Base.

21.1 Matrices para cambio de base.
21.2 Método de Gauss-Jordan para calcular una matriz de cambio de base.
22. Transformaciones Lineales.
22.1 Propiedades de las transformaciones lineales.
22.2 Composición de transformaciones lineales.
22.3 Inversa de las transformaciones lineales.
23. El núcleo y la imagen de una transformación lineal.

23.1 Transformaciones lineales inyectivas y sobreyectivas.
24. Isomorfismo de Espacios Vectoriales.
24.1 Matriz de una transformación lineal.
25. Matrices de Transformaciones Lineales Compuestas e Inversas.
25.1 Cambio de base y semejanza.
Bibliografı́a básica:
Florey, Francis Fundamentos de álgebra lineal y aplicaciones. Englewood Cliffs, N.J. Prentice
Hall. 1980.
Kolman, Bernard y David R. Hill Algebra Lineal. Pearson-Prentice Hall. 8va edición, México.
2006.
Lay, David. Álgebra lineal y sus aplicaciones. Prentice-Hall 2da edición, México. 2001.
Nakos, George y Jonier, David. Álgebra lineal con aplicaciones. Cengage Learning. 1999.
Pool, David Álgebra lineal: Una introducción moderna. Cengage Learning. 2004.
Restrepo de Peláez, Patricia; Franco Rosa y Muñoz, Luz Elena Álgebra lineal con aplicaciones.
Universidad Nacional de Colombia. 2004.
S.I. Grossman Álgebra Lineal. Ed. McGraw Hill. 1996.
Strang, Gilbert Álgebra lineal y sus aplicaciones. Fondo Educativo Interamericano. México. 1982.
1.2. ÁLGEBRA MATRICIAL 7
1.2. ÁLGEBRA MATRICIAL

Créditos: 4
Prerrequisito: Álgebra lineal básica
Descripción:
Esta asignatura aborda conceptos especiales del algebra lineal que facilitan la formalización de mode-
los, métodos y procedimientos estadı́sticos, especialmente los que involucren el tratamiento de infor-
mación multivariada.
El estudiante que curse la asignatura y cumpla con las exigencias, podrá:
1. Fortalecer la comprensión de la geometrı́a euclidiana multidimensional.
2. Realizar procedimientos de optimización basados en matrices.
3. Aprehender conceptos del álgebra matricial como parte del lenguaje necesario en los modelos, méto-
dos y procedimientos multivariados.
4. Disponer de los elementos que le faciliten los procedimientos de cálculo 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 más matrices.
1.4 Operador Vec.
1.5 Operador Vech.
2. Inversas generalizadas y de Moore Penrose
2.1 Definición y existencia.
2.2 Caraterización y propiedades.
2.3 Invarianza en la escogencia de la inversa generalizada.
2.4 Métodos para calcular inversas generalizadas.
2.5 Solución de sistemas de ecuaciones lineales.
3. Tópicos adicionales sobre determinantes
3.1 Definiciones, notación 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 Simétricas: productos y propiedades.
4.2 Idempotentes.
4.3 Ortogonales: matrices de Helmert y Householder.
5. Proyecciones y proyección de matrices
5.1 Resultados generales, terminologı́a y notación.
5.2 Proyección de matrices.
5.3 El problema de mı́nimos cuadrados.

5.4 Complemento ortogonal.
6. Formas lineales, bilineales y cuadráticas
6.1 Terminologı́a y resultados básicos.
6.2 Matrices y formas cuadráticas definidas no-negativas.
6.3 Descomposición de matrices simétricas y simétricas definidas no-negativas.
6.4 Inversas generalizadas de matrices simétricas definidas no-negativas.
7. Descomposición de matrices
7.1 Triangularización de una matriz.
7.2 Factorización QR.
7.3 Raı́ces cuadradas de matrices simétricas.
7.4 Descomposición de Cholesky.
7.5 Polinomio mı́nimo.
7.6 Forma canónica de Jordan.
7.7 Descomposición en valores singulares.
8. Diferenciación de matrices y aplicaciones
8.1 Diferenciación de formas lineales y cuadráticas.

8.2 Diferenciación 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 Diferenciación de inversas generalizadas.
8.6 Diferenciación de proyección de matrices.
Harville, D. A. Matrix Algebra from a Statistician’s perspective. Springer-Verlag. 1997.

Jiménez, J. A. Álgebra lineal II (Con aplicaciones en estadı́stica). Universidad Nacional de
Colombia. 2004.
Lay, D. Álgebra 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 Peláez, P.; Franco, R. y Muñoz, L. E. Álgebra 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 Rodrı́guez, Campo Elı́as Pardo y Humberto
Mayorga.
1.3. CÁLCULO DIFERENCIAL EN UNA VARIABLE 9
1.3. CÁLCULO DIFERENCIAL EN UNA VARIABLE

Créditos: 4
Prerrequisito: Haber aprobado el examen de clasificación en el área de matemáticas
Descripción:
Estudiar los conceptos de lı́mite y derivada para funciones de una variable real y utilizar estas ideas
en la solución de problemas de optimización, trazado de curvas y razones de cambio.
Contenido:
1. Funciones y Modelos
1.1 Cuatro maneras de representar una función, definición de función, dominio, rango, gráfica
de una función, prueba de la recta vertical.
1.2 Funciones definidas a tramos, valor absoluto, simetrı́a, función par, impar, funciones cre-
cientes, decrecientes. Catálogo de funciones básicas: función lineal.
1.3 Catálogo de funciones básicas: polinomios (grado, raı́ces, función cuadrática, función cúbi-
ca), funciones de potencia, funciones racionales, funciones algebraicas y funciones trigo-
nométricas.
1.4 Transformaciones de funciones: desplazamientos verticales y horizontales, alargamientos
verticales y horizontales.
1.5 Álgebra de funciones, composición de funciones.
1.6 Funciones exponenciales: gráficas, leyes de los exponentes, modelación con funciones expo-
nenciales, el número e.
1.7 Función inversa: función uno a uno, prueba de la recta horizontal, definición de función
inversa, gráfica de la función inversa.
1.8 Funciones logarı́tmicas: definición, gráficas, leyes de los logaritmos, logaritmo natural,
fórmula para el cambio de base, gráfica de la función logaritmo natural.
1.9 Funciones trigonométricas inversas: función seno inverso, función tangente inversa, función
coseno inverso.
2. Lı́mites y Derivadas.
2.1 Lı́mite de una función: definición intuitiva, ejemplos gráficos, ejemplos con tablas de valo-
res,+A203 lı́mites laterales, ejemplos gráficos.
2.2 Cálculo de lı́mites: reglas básicas para el cálculo de lı́mites, lı́mites de funciones definidas
por tramos, teorema de compresión.
2.3 Continuidad: definición, continuidad por la derecha y por la izquierda, teoremas básicos
sobre funciones continuas, teorema de sustitución para el cálculo de lı́mites de funciones
compuestas, teorema de continuidad de funciones compuestas, teorema del valor intermedio.
2.4 Lı́mites que comprenden el infinito: lı́mites infinitos y ası́ntotas verticales, lı́mites en el
infinito y ası́ntotas horizontales, lı́mites infinitos en el infinito.
2.5 Tangentes, velocidades y otras razones de cambio.
2.6 Definición de derivada, interpretación de la derivada como la pendiente de una tangente,
interpretación de la derivada como una razón de cambio.
2.7 La derivada como una función, notaciones de la derivada, relación entre diferenciabilidad
y continuidad, ¿Cómo deja de ser diferenciable una función? Derivadas superiores.
2.8 ¿Qué dice f’ acerca de f? ¿Qué dice f” acerca de f?
3. Reglas de Derivación.
3.1 Derivadas de polinomios y de funciones exponenciales. Las reglas del producto y del co-
ciente.
3.2 Derivación de funciones trigonométricas. La regla de la cadena.
3.3 Derivación implı́cita. Derivadas de las funciones trigonométricas inversas. Derivadas de
funciones logarı́tmicas. Derivación logarı́tmica.
4. Aplicaciones de la Derivación.
4.1 Razones de cambio de variables relacionadas.
4.2 Valores máximo y mı́nimo absolutos de una función. Extremos relativos de una función.
Teorema del valor extremo. Teorema de Fermat. Valores crı́ticos de una función.
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 Definición de concavidad y puntos de inflexión. Prueba de concavidad, prueba de la segunda
derivada para extremos relativos.
4.5 Ejemplos de trazado de gráficas. Formas indeterminadas y la regla de L’Hôpital.
4.6 Problemas de optimización.
Finney, R. L Cálculo. Prentice-Hall. 2000.

Hughes-Hallet, D., Gleason, A. M. Calculus. John Wiley & Sons. 1994.
J. Stewart Cálculo, Conceptos y contextos. Editorial Thomson, ediciones 2a y 3a . 2006.
Smith, R.T., Minton, R.B. Cálculo, Tomo I. Mc Graw Hill. 2000.
Stein, Sh.K., Barcellos, A. Cálculo con Geometrı́a Analı́tica. Prentice Hall Hispanoamericana.
1996.
Thomas, G. B., Finney, R. L. Cálculo en una variable. Addison Wesley Longman, 9na edición.
1998.
1.4. CÁLCULO INTEGRAL EN UNA VARIABLE 11
1.4. CÁLCULO INTEGRAL EN UNA VARIABLE

Créditos: 4
Prerrequisito: Cálculo diferencial en una variable
Descripción:
Objetivo general:
Lograr la apropiación por parte del estudiante de los conceptos fundamentales del cálculo 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 especı́ficos:
1. Conocer y manejar con propiedad el concepto de integral definida de una función real de una va-
riable real y su relación con el concepto de primitiva o antiderivada, para facilitar los cálculos.
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 Notación Sumatoria, propiedades.
1.3 Introducción al área.
1.4 Sumas de Riemman y la integral definida.
1.5 Propiedades de la integral definida.
1.6 Teorema del valor medio, Primer y Segundo Teorema Fundamental del Cálculo.
1.7 Integración numérica, Reglas de Simpson y del trapecio.
2. Métodos de Integración
2.1 Integración por sustitución.
2.2 Integración por partes.
2.3 Integración de funciones trigonométricas. Algunas sustituciones trigonométricas.
2.4 Integración de funciones racionales por descomposición en fracciones parciales.
2.5 Sustituciones especiales.
2.5 Integrales impropias.
3. Aplicaciones de la Integral
3.1 Área entre dos curvas.
3.2 Volúmenes de sólidos de sección transversal conocida. Volúmenes de sólidos de revolución;
discos, arandelas y cortezas cilı́ndricas.
3.3 Longitud de arco y área de una superficie de revolución.
3.4 Momentos y centros de masa. Trabajo.
3.5 Introducción a las ecuaciones diferenciales ordinarias.
4. Coordenadas Polares
4.1 Sistema de coordenadas polares. Gráfica de una ecuación polar.
4.2 Área y longitud de arco en coordenadas polares.
5. Sucesiones y Series
5.1 Sucesiones de números reales.
5.2 Series infinitas y convergencia, series telescópicas y geométricas.
5.3 Criterios de convergencia de series de términos no negativos: criterio de la integral, com-
paración, raı́z y razón.
5.4 Series alternantes, convergencia absoluta y condicional.
5.5 Series de potencias.
5.6 Series de Taylor y de Maclaurin.
Edwards y Penney. Cálculo con Geometrı́a Analı́tica. Prentice Hall. 1997.

Leithold l. C. Cálculo con Geometrı́a Analı́tica. Harla. 1998.
Purcell. Cálculo. 8 edición. Prentice Hall. 2007
Stewart James. Cálculo conceptos y contextos. Internacional Thompson. 2006.
Thomas G, Finney. Cálculo en una variable. 9 edición. Pearson. 2005.
1.5. CÁLCULO VECTORIAL 13
1.5. CÁLCULO VECTORIAL

Créditos: 4
Prerrequisito: Cálculo integral en una variable.
Descripción:
Objetivos:
1. Entender las nociones de derivación e integración al curso de funciones de varias variables.
2. Estudiar los teoremas clásicos del cálculo vectorial.
Contenido:
1. Cálculo Diferencial de Funciones de Varias Variables

1.1 Superficies Cuádricas. Funciones escalares de varias variables.
1.2 Lı́mites 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 máximos y mı́nimos de una función de varias variables.
1.8 Multiplicadores de Lagrange.
2. Integración Múltiple
2.1 Integrales dobles sobre rectángulos. 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 cilı́ndricas y esféricas. Integrales triples en coordenadas cilı́ndricas y esféricas.
2.7 Cambio de variables en las integrales múltiples.
2.8 Aplicaciones de las integrales triples.
3. Elementos de Cálculo Vectorial
3.1 Funciones vectoriales y curvas en el espacio. Derivadas e integrales de funciones vectoriales.
Longitud de arco e integral escalar de lı́nea.
3.2 Campos vectoriales. Integrales de lı́nea
3.3 El teorema fundamental de las integrales de lı́nea.
3.4 Superficies paramétricas. Área de una superficie e integral escalar de una superficie.
3.5 Integrales de superficie.
3.6 El Divergente de un campo vectorial. Teorema de la divergencia de Gauss.
3.7 El rotacional de un campo vectorial. Teorema de Stokes.
3.8 Teorema de Green.
C. Pita. Cálculo Vectorial. Prentice Hall, 1a edición. 1995.
James Stewart. Cálculo. Conceptos y contextos. International Thomson Editores. 1999.

J. E. Marsden & A. J. Tromba Cálculo vectorial. Cuarta edición. Adison Wesley Longman. 1996.
S. K. Stein. Cálculo y Geometrı́a Analı́tica. Mc Graw Hill, 5a edición. 1995.
T. M. Apostol. Calculus. Reverté, 2a edición. 1982
1.6. FUNDAMENTOS DE MATEMÁTICAS 15
1.6. FUNDAMENTOS DE MATEMÁTICAS

Créditos: 4
Descripción:
Descripción:
Se busca familiarizar al estudiante con los conceptos básicos de la matemática moderna, teorı́a de
conjuntos y elementos de lógica, métodos de demostración, relaciones y cardinalidad. Enfatizar en las
formas correctas de razonar y argumentar, ası́ como en la manera adecuada de comunicar por escrito
dichos argumentos.
Metodologı́a:
Dos clases semanales magistrales con explicaciones, ilustraciones y propuestas de ejercicios y proble-
mas por parte del profesor y con la participación activa de los estudiantes. Se dejarán talleres que
el estudiante debe realizar fuera de clase para generar luego discusiones en torno a los temas trabajados.
Contenido:
1. Conceptos Básicos de Lógica.

1.1 Cálculo proposicional: Proposiciones, conectivos, tablas de verdad, tautologı́as.
1.2 Implicación y equivalencia lógica, reglas de inferencia y cuantificadores.
1.3 Métodos de demostración: Pruebas directas, por contradicción, usando contra-recı́proca.
Pruebas de proposiciones equivalentes y de proposiciones con cuantificadores.
2. Conceptos Básicos de Teorı́a de Conjuntos.
2.1 Conjuntos: Determinación por extensión y por comprensión.
2.2 Conjuntos y relaciones: contenencia e igualdad.
2.3 Operaciones entre conjuntos: Unión, intersección, diferencia, diferencia simétrica y comple-
mento. Propiedades de las operaciones. Conjunto de partes.
2.4 Familias indexadas: Unión, intersección. Familias disjuntas y dos a dos disjuntas. Partición
de un conjunto.
3. Relaciones y Funciones
3.1 Relaciones: Pareja ordenada. Producto cartesiano. Concepto de relación. Dominio y Rango.
Relación inversa. Composición de relaciones.
3.2 Funciones: Clases: inyectiva, sobreyectiva y biyectiva. Función inversa. Composición de
funciones. Imagen directa e inversa de un conjunto. Comportamiento de las imágenes directa
e inversa con las operaciones de conjuntos.
3.3 Relaciones reflexivas, simétricas, antisimétricas 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, mı́nimo, máximo, acotación, su-
premo (sup), ı́nfimo (inf).
4. Cardinalidad
4.1 Equipotencia o similaridad.
4.2 Conjuntos finitos e infinitos. Cardinales
4.3 Teoremas de Cantor.
4.3 Inyecciones entre conjuntos infinitos. Tamaños de infinitud. Conjuntos enumerables. Teore-
ma de Schöder-Bernstein (enunciado y consecuencias para la equipotencia entre conjuntos
numéricos conocidos).
Allendoefer C.B y Oakley C.O. Fundamentos de Matemáticas Universitarias. McGraw-Hill, ter-

cera edición. 1982.
Bloch E. R. Proofs and Fundamentals. Birkhauser, Boston. 2000.
Muñoz J.M. Introducción a la teorı́a de conjuntos. Universidad Nacional de Colombia. 4ta edición
2002.
Sheinerman E.R. Matemáticas Discretas. Thomson-Learning. 2004.

Zalamea F. Fundamentos de Matemáticas. Universidad Nacional de Colombia. Sede Bogotá.
2007.
1.7. INFERENCIA ESTADÍSTICA 17
1.7. INFERENCIA ESTADÍSTICA

Créditos: 4
Prerrequisito: Probabilidad
Descripción:
Esta asignatura dispone los conceptos y fundamentos de la teorı́a de la inferencia estadı́stica con
enfoques frecuentista y bayesiano para poner en contexto las propiedades de las estadı́sticas, con el
objeto de diseñar estimadores y pruebas óptimos bajo muestreo aleatorio simple.
El estudiante que curse la asignatura y cumpla con las exigencias académicas, podrá:
1. Identificar la estructura general de la inferencia estadı́stica 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 cientı́ficas a lenguaje estadı́stico y valorar su plausibilidad.
Contenido:
1. Muestra aleatoria
1.1 Conceptos iniciales.
1.2 Distribución de sumas y productos en muestras aleatorias.
1.3 Distribución de los estadı́sticos de orden.
1.4 Muestras bajo la distribución normal.
1.5 Principios de simulación.
2. Construcción de estimadores
2.1 Conceptos iniciales.
2.2 Método de los momentos.
2.3 Método de máxima verosimilitud.
2.4 Método bayesiano.
2.5 Métodos robustos.
2.6 Algoritmo EM.
3. Evaluación de estimadores
3.1 Consistencia.
3.2 Insesgamiento.
3.3 Eficiencia.
3.4 Suficiencia.
3.5 Completez.
3.6 Varianza mı́nima.
3.7 Equivarianza.
3.8 Optimización bajo función de costos.
3.9 Robustez.
4. Pruebas de hipótesis
4.1 Conceptos básicos: Tipos de hipótesis, tipos de errores y probabilidades asociadas, regiones,
valor p.
4.2 Métodos para hallar pruebas: razón de verosimilitudes, bayesianos, unión-intersección y
intersección-unión.
4.3 Evaluación de pruebas. Función de potencia, pruebas uniformemente más potentes, tamaño
de una prueba, invarianza, eficiencia relativa, eficiencia relativa asintótica.
4.4 Optimalidad bajo función de pérdida.
5. Estimación por intervalos
5.1 Métodos para hallar intervalos: Inversión de la prueba, variable pivote, bayesiano.
5.2 Evaluación de intervalos de confianza: tamaño y probabilidad de cubrimiento, optimalidad
(relacionada con las pruebas, bayesiana y bajo función de costos).
5.3 Intervalos de credibilidad.
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 Estadı́stica. Unibiblos. 2002.
Ramanathan, R. Statistical Methods in Econometrics. Academic Press. 1993.
Preparado por Liliana Blanco, Fabio Nieto y Emilse Gómez. Revisado por Nelcy Rodrı́guez y Campo
Elı́as Pardo.
1.8. PROBABILIDAD 19
1.8. PROBABILIDAD
Créditos: 4
Prerrequisito: Cálculo integral en una variable
Descripción:
Esta asignatura dispone los elementos de la sintaxis formal de la probabilidad para eventos y variables
aleatorias unidimensionales y multidimensionales. Describe los modelos probabilı́sticos clásicos. Abor-
da la convergencia y la simulación de variables aleatorias. Se requieren conocimientos de álgebra
lineal y de cálculo en varias variables.
1. Manejar e interpretar los axiomas y los conceptos fundamentales de la teorı́a de probabilidad.
2. Reconocer en casos especı́ficos el o los modelos probabilı́sticos más adecuados en la descripción de
una situación real.
3. Fortalecer su formación disciplinar con el pensamiento probabilı́stico.
Contenido:
1. Conceptos básicos de probabilidad

1.1 σ-álgebras.
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 Definición y ejemplos.
2.2 Función de distribución.
2.3 Variables aleatorias discretas y continuas.
2.4 Distribución de una función 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 Función generadora de momentos.
3.4 Función caracterı́stica.
4. Distribuciones discretas de uso frecuente
4.1 Uniforme discreta.
4.2 Binomial.
4.3 Hipergeométrica.
4.4 Poisson.
4.5 Binomial negativa.
4.6 Geométrica.
5. Distribuciones de tipo continuo de uso frecuente
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. Distribución conjunta de variables aleatorias
6.1 Funciones de distribución conjunta.
6.2 Variables aleatorias independientes.
6.3 Covarianza y coeficiente de correlación.
6.4 Distribución de una función de un vector aleatorio.
6.5 Distribución de la suma, diferencia, producto y cociente de variables aleatorias.
6.6 Distribuciones F y t-student.
6.7 Funciones generadora de momentos y caracterı́stica conjuntas.
6.8 Distribución conjunta de la media y la varianza muestral.
6.9 Distribución normal multivariada.
7. Distribución condicional y valor esperado condicional
7.1 Función de distribución 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 números y teorema central del lı́mite
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 débil y fuerte de los grandes números.
8.4 Teorema central del lı́mite.
8.5 Simulación de algunas distribuciones discretas y continuas de uso frecuente.
Blanco, L. Probabilidad. U.Nacional de Colombia. 2004.

Ross, S. A First Course in Probability. Prentice Hall. 2002.
Ash, R. Probability and Measure Theory. Academic Press. 2000.
Capinski, M. & Zastawniak, T. Probability Through Problems. Springer. 2001.
Feller, W. An Introduction to Probability Theory and its Applications. Wiley. 1970.
Grimmett, G. & Stirzaker, D. Probability and Random Processes. Oxford. 2001.
Hoel P.; Port, S. & Stone, C. Introduction to Probability Theory. Houghton Mifflin. 1971.
Hogg, R. V.; McKean, J. W. & Craig, A. T. Introduction to Mathematical Statistics.
Prentice Hall. 2005.
Preparado por Liliana Blanco. Revisado por Emilse Gómez y Pedro Nel Pacheco.
1.9. SISTEMAS NUMÉRICOS 21
1.9. SISTEMAS NUMÉRICOS

Créditos: 4
Prerrequisito: Fundamentos de matemáticas
Descripción:
Revisar y complementar los conocimientos de los conjuntos numéricos que el estudiante ha utilizado en
sus estudios de educación media, desde los naturales hasta los complejos, resaltando las similitudes y
especificidades de cada uno de ellos. Detectar estructuras algebraicas elementales. Abordar principios
básicos de conteo. Estudiar los teoremas relacionados con la búsqueda de raı́ces de polinomios. Meto-
dologı́a: Dos clases semanales magistrales con explicaciones, ilustraciones y propuestas de ejercicios y
problemas por parte del profesor y con la participación activa de los estudiantes.
Contenido:
1. Operaciones Binarias
1.1 Operaciones binarias.
1.2 Propiedades: asociatividad y conmutatividad.
1.3 Existencia de elementos neutros e inversos laterales y bilaterales.
1.4 Ejemplos en Zn y otros conjuntos finitos con operaciones usuales y no usuales.
2. Números Naturales.
2.1 Números naturales: Axiomas de Peano. Operaciones y propiedades.
2.2 Divisibilidad y orden
2.3 Inducción, buen orden y recursión.
2.4 Nociones básicas de conteo, permutaciones, combinaciones y teorema del binomio.
3. Números Enteros
3.1 Construcción. Operaciones y sus propiedades.
3.2 Divisibilidad. Primos y compuestos. Algoritmo de la división.
3.3 Máximo Común Divisor y sus propiedades. Mı́nimo Común Múltiplo.
3.4 Algoritmo de Euclides. Congruencias.
3.5 Teorema fundamental de la Aritmética y sus consecuencias. Orden.
4. Números Racionales y Reales.
4.1 Racionales: Expansión decimal. Operaciones y sus propiedades. Orden. Densidad. Propie-
dad Arquimediana.
4.2 Reales: Expansión decimal. Operaciones y sus propiedades. Orden. Densidad. Propiedad
Arquimediana. Axioma de completez. Números algebraicos y trascendentes.
5. Números Complejos
5.1 Números Complejos: definición, operaciones y sus propiedades.
5.2 Conjugado. Forma trigonométrica. Representación geométrica.
5.3 Teorema de Moivre. Raı́ces n-ésimas de números complejos.
6. Polinomios
6.1 Polinomios en una variable: Operaciones. Algoritmo de la división.
6.2 Teorema del residuo y teorema del factor. Factorización única. Mı́nimo Común Multimplo
y Máximo Común Divisor.
6.3 Raı́ces: Raı́ces racionales de polinomios con coeficientes enteros. Teorema fundamental del
álgebra. Factorización en los reales y en los complejos. Irreducibles y su caracterización.
Fracciones simples, fracciones parciales.
Allendoefer C.B y Oakley C.O. Fundamentos de Matemáticas Universitarias. McGraw-Hill, 3ra

edición. 1982.
Bloch E. R. Proofs and Fundamentals. Birkhauser, Boston. 2000.
Jiménez L.R., Gordillo E., y Rubiano G.N. Teorı́a de números para principiantes. Universidad
Nacional de Colombia. 4ta edición. 2002.
Sheinerman E.R. Matemáticas Discretas. Thomson-Learning. 2004.
Zalamea F. Fundamentos de Matemáticas. Universidad Nacional de Colombia. 2007.
Capı́tulo 2
FUNDAMENTACIÓN EN
CIENCIAS
Cuadro 2.1: Asignaturas de la agrupación Fundamentación en Ciencias

Biologı́a general Optativa 3
Biologı́a molecular y celular Optativa 3
Fundamentos de ecologı́a Optativa 3
Probabilidad y estadı́stica fundamental Optativa 3
Bioestadı́stica fundamental Optativa 3
Estadı́stica social fundamental Optativa 3
Geometrı́a elemental Optativa 4
Geometrı́a vectorial y analı́tica Optativa 4
Conjuntos y combinatoria Optativa 4
Matemáticas discretas Optativa 4
Principios de quı́mica Optativa 3
Quı́mica orgánica I Optativa 3
Quı́mica básica Optativa 3
Introducción a la ciencia de materiales Optativa 3
Mecánica newtoniana Optativa 4
Electricidad y magnetismo Optativa 4
Oscilaciones y ondas Optativa 4
Mecánica de fluidos Optativa 4
2.1. CONJUNTOS Y COMBINATORIA

Créditos: 4
Prerrequisito: Fundamentos de matemáticas
Descripción:
Descripción:
Resultados básicos de teorı́a de números como el teorema fundamental de la aritmética y el teorema
chino de los restos, principios básicos de conteo y presentación de algunas estructuras finitas. En el
caso infinito introducción de operaciones con familias de conjuntos y de relaciones de orden y buen
24 CAPÍTULO 2. FUNDAMENTACIÓN EN CIENCIAS
orden. Cardinales y ordinales.

Objetivo:
Familiarizar al estudiante con conceptos básicos de matemáticas discretas y teorı́a de conjuntos a
través de operaciones básicas de conteo y su relación con estructuras finitas y de igual forma en el
caso infinito ver que sucede, como cambian las operaciones y el razonamiento con conjuntos infinitos.
Contenido:
1. Material de Base
1.1 Repaso de Lógica y métodos de demostración.
1.2 Los Números naturales.
1.3 Inducción matemática.
1.4 Propiedades elementales de los números primos. Teorema chino del residuo.
1.5 Teorema fundamental de la Aritmética.
2. Combinatoria/Conteo
2.1 Conteo. Permutaciones y Combinaciones.

2.2 Principio de las casillas.
2.3 Ciclos, factorización de permutaciones.
3. Teorı́a de Grafos
3.1 Relaciones de equivalencia. Matrices de relaciones.
3.2 Caminos y ciclos.
3.3 Trayectorias de Euler y Hamilton.
3.4 Representación de grafos. Isomorfismos de grafos.
4. Conjuntos Infinitos y Cardinales
4.1 Operaciones con conjuntos y familias. Ordenes parciales. Buen orden.
4.2 Conjuntos infinitos y dedekind-infinitos.
4.3 Teoremas de Schröder - Bernstein y Cantor.
4.4 Conjuntos contables y no contables. Ejemplos.
5. El Axioma de Elección
5.1 Formas usuales del axioma de elección. Equivalencias.
5.2 Lema de Zorn y aplicaciones.
5.3 Comparabilidad. Adición y multiplicación de cardinales.
5.4 Aritmética cardinal. Ordinales. Conjuntos bien ordenados, cofinalidades.
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. Teorı́a intuitiva de conjuntos. Cecsa. 1965.
Jech T., Hrbacek K. Introduction to Set Theory. Marcel Dekker. 1999.

Suppes. Teorı́a axiomática de conjuntos. Norma. 1968.
2.2. GEOMETRÍA ELEMENTAL 25
2.2. GEOMETRÍA ELEMENTAL

Créditos: 4
Descripción:
Objetivos:
1. Estudiar un ejemplo axiomático clásico, “Geometrı́a Elemental”, ejemplo que ilustra la forma en
que se construye una teorı́a matemática.
2. Estudiar los elementos básicos de la Geometrı́a Elemental que permitan a los estudiantes abordar
sus cursos superiores.
3. Contribuir al desarrollo del pensamiento matemático del estudiante, al desarrollo de la intuición y
de la capacidad de análisis.
Metodologı́a:
A medida que se desarrolle el curso, se debe reflexionar acerca de las definiciones y postulados que
vayan apareciendo y su necesidad y pertinencia dentro de la teorı́a para demostrar nuevos resultados.
Se debe insistir en el análisis de la estructura lógica de una proposición y en lo que significa una de-
mostración. Es importante involucrar a los estudiantes en la discusión de los temas tratados, se debe
promover en ellos la participación para que propongan conjeturas y sugieran soluciones a problemas
planteados.
Contenido:
1. Geometrı́a 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, ángulos y triángulos.
1.4 Paralelismo. Semejanza de triángulos. Razones trigonométricas.
2. Geometrı́a Plana: A. Circunferencia y Cı́rculo. B. Regiones Poligonales y sus Áreas. C. Cons-
trucciones con Regla y Compás. D. Colinealidad y Concurrencia.
2.1 Ángulos inscritos, semi-inscritos. Polı́gonos inscritos y circunscritos. Potencia de un punto
a una circunferencia. El eje radical, la recta de Simpson. El cı́rculo de los nueve puntos. El
triángulo órtico. El triángulo pedal.
2.2 Perı́metro y área de un polı́gono y de una circunferencia.
2.3 Algunas construcciones con regla y compás. La cuadratura del cı́rculo. La trisección del
ángulo. La duplicación del cubo.
2.4 Algunos teoremas clásicos: Ceva, Menelao, Pappus, Desargues, Pascal.
3. Geometrı́a Plana: A. Introducción a la Geometrı́a Cartesiana. Geometrı́a del Espacio: B. Con-
ceptos Básicos. C. Sólidos y Volúmenes. D. Introducción al Estudio de las Transformaciones
Geométricas.
3.1 Empleo de la geometrı́a cartesiana para resolver problemas de la geometrı́a elemental.
3.2 Rectas, planos, ángulos diedros, poliedros, los cinco poliedros regulares convexos.
3.3 El principio de Cavalieri. Volúmenes y áreas de prismas, pirámides, conos, cilindros y esferas.
3.4 Translaciones, reflexiones, rotaciones y homotecias.
Campos, A. Axiomática y Geometrı́a desde Euclides hasta Hilbert y Bourbaki. Universidad Na-
cional de Colombia. 1994.
Clemens. Geometry. Addison Wesley. 1998.

Coxeter, H. S. M. Introduction to geometry. Wiley. 1961.
Moise E y Downs F. Geometrı́a Moderna. Addison Wesley. 1986.
Rincón G. Un recorrido por la Geometrı́a. Publicación de la Universidad Antonio Nariño. 1992.
Thomas L. Heath. The thirteen books of Euclid’s Elements. Vol. I, II, III. Dover publications,
Inc. 1956.
2.3. GEOMETRÍA VECTORIAL Y ANALÍTICA 27
2.3. GEOMETRÍA VECTORIAL Y ANALÍTICA

Créditos: 4
Descripción:
Este es un curso que estudia los primeros conceptos del álgebra lineal en R2 y R3 y su relación con
algunos conceptos básicos de la geometrı́a.
Contenido:
1. Vectores geométricos en el plano.

1.1 Conceptos básicos. Suma de vectores.
1.2 Producto de un escalar por un vector. Teorema de la proporción y aplicación.
1.3 Descomposición de un vector. Proyección de un vector sobre otro vector. Producto escalar.
1.4 Vectores geométricos en el plano cartesiano. Descomposición canónica.
2. Vectores coordenados o algebraicos
2.1 Introducción.Suma y producto por escalar en R2 .
2.2 Magnitud, dirección y otros conceptos en R2 .
3. La lı́nea recta en el plano.
3.1 Ecuación vectorial y ecuaciones paramétricas. Ángulo de inclinación y pendiente.
3.2 Ecuaciones escalares no paramétricas. Ecuación en forma normal. Rectas perpendiculares.
3.3 Ángulo 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 básicas de las transformaciones lineales.
4.3 Imagen de un conjunto bajo una transformación. 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 básicos.
5.2 Sistemas de ecuaciones lineales y matrices. (Problema de aplicación).
6. Determinantes de orden 2.
6.1 Determinante de un producto de matrices.
6.2 Determinantes y áreas de paralelogramos.
6.3 Fórmulas de Cramer. Propiedades (lectura por parte del estudiante).
7. Valores propios y vectores propios
7.1 Definiciones. Cálculo de valores y vectores propios. Factorización A = P DP −1 .
7.2 Valores propios y vectores propios de matrices simétricas.
8. Secciones cónicas
8.1 La circunferencia. Traslación de ejes. La parábola.
8.2 La elipse.
8.3 La hipérbola. La ecuación Ax2 + Cy 2 + Dx + Ey + F = 0.
8.4 Rotación de ejes. Ecuación general de segundo grado.
9. Vectores en el espacio
9.1 Vectores geométricos. Conceptos básicos y operaciones. Sistema de coordenadas cartesianas
para el espacio. Descomposición canónica para vectores geométricos.
9.2 Producto cruz o producto vectorial.
9.3 Vectores coordenados o algebraicos.
10. Rectas y planos
10.1 La lı́nea recta. Ángulo 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 paramétricas para un plano.
Apóstol, T. M. Calculus. Segunda Edición. Reverté. 1982.

Asmar Charris, Abraham y otros Geometrı́a Vectorial y Analı́tica. Una Introducción al Álgebra
Lineal. Departamento de publicaciones. U.N. Medellı́n. 2007.
Banchoff, Thomas y Wermer, John. Linear Algebre Through Geometry, Second edition. Springer
Verlag. 1992.
Leithold, Louis. El Cálculo con Geometrı́a Analı́tica, Séptima edición. Oxford University Press.
2001.
Pool, David. Álgebra lineal: una introducción moderna. International Thonson editores. 2004.
Uribe, Julio. Geometrı́a Analı́tica y Vectorial, Quinta edición. Departamento de publicaciones.

U.N. Medellı́n.
Capı́tulo 3
COMPLEMENTACIÓN
MATEMÁTICA
Cuadro 3.1: Asignaturas de la agrupación Complemetación Matemática

Lógica matemática Optativa 4
Modelos matemáticos Optativa 4
Álgebra multilineal y formas canónicas Optativa 4
Introducción al análisis real Optativa 4
Cálculo de ecuaciones diferenciales Optativa 4
Grupos y anillos Optativa 4
Análisis estocástico Optativa 4
3.1. ANÁLISIS ESTOCÁSTICO

Créditos: 4
Prerrequisito: Procesos estocásticos
Descripción:
Al final el curso el estudiante debe conocer, manejar e interpretar los axiomas y los conceptos funda-
mentales del cálculo estocástico.
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: definición y propiedades.
1.6 Procesos markovianos.
30 CAPÍTULO 3. COMPLEMENTACIÓN MATEMÁTICA
1.7 Martingalas.
2. El Movimiento Browniano
2.1 Definición y propiedades.
2.2 Tiempos de paro.
2.3 Procesos que se derivan del movimiento browniano.
3. Integración Estocástica
3.1 Construcción 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 fórmula de Ito y el teorema de representación de martingalas.
4. Ecuaciones Diferenciales Estocásticas
4.2 Algunos métodos de solución.
4.3 Teoremas de existencia y unicidad de soluciones fuertes.
4.4 Soluciones débiles.
4.5 Ecuaciones diferenciales estocásticas lineales.
Blanco, L & Muñoz, M. Análisis Estocástico. Colección Notas de clase. Facultad de Ciencias.
Universidad Nacional. 2003.
Cyganowski, S.; Kloeden, P. & Ombach, J. From Elementary Probability to Stochastic Differen-
tial Equations with MAPLE. Springer. 2000.
Durret, R. Stochastic Calculus: A practical introduction. CRC Press. 1996.

Mikosch, T. Elementary Stochastic Calculus with Finance in View. Advanced Series on Statistical
Science & Applied Probability. Vol 6. World Scientific. 1999.
Nualart, D. Cálculo Estocástico: Notas de clase. Universidad de Barcelona. 2000.
Oksendal, B. Stochastic Differential Equations: An Introduction with Applications. 5 Edición.

Springer. 1998.
3.2. CÁLCULO DE ECUACIONES DIFERENCIALES 31
3.2. CÁLCULO DE ECUACIONES DIFERENCIALES

Créditos: 4
Prerrequisito: Álgebra lineal básica
Descripción:
Objetivos:
1. Modelar por medio de ecuaciones diferenciales algunos sistemas simples y predecir su comporta-
miento.
2. Comprender y utilizar las diferentes técnicas analı́ticas y cualitativas para resolver ecuaciones dife-
renciales.
Metodologı́a:
Clases magistrales y talleres.
Contenido:
1. Ecuaciones Diferenciales de Primer Orden
1.1 Preliminares: orden, clasificación y soluciones de las ecuaciones diferenciales. Ejemplos de

sistemas reales modelados por medio de ecuaciones diferenciales: variables independien-
tes, variables dependientes y parámetros. Técnicas para analizar ecuaciones diferenciales
(analı́ticas, cualitativas y numéricas).
1.2 Técnicas analı́ticas: separación de variables, ecuaciones homogéneas, ecuaciones exactas,
factor integrante y ecuaciones lineales.
1.3 Técnica cualitativa: campo de pendientes. Técnica numérica: método de Euler. Teorema de
existencia y unicidad de las soluciones. Ecuaciones autónomas y soluciones de equilibrio.
Lı́nea de fase.
1.4 Aplicaciones de las ecuaciones de primer orden (trayectorias ortogonales, mezclas, enfria-
miento y calentamiento de objetos, circuitos, movimientos en una dimensión con fricción y
modelos de poblaciones).
2. Ecuaciones de Orden Superior y Sistemas
2.1 Preliminares: ecuaciones lineales homogéneas y no homogéneas, problemas de valor inicial y

de valor en la frontera. Teorema de existencia y unicidad. Independencia lineal. El Wrons-
kiano. Reducción del orden para ecuaciones lineales de segundo orden. Ecuación lineal
homogénea con coeficientes constantes.
2.2 Ecuaciones no homogéneas con coeficientes constantes. Algunas aplicaciones de la ecuación
ax00 + bx0 + cx = f (t) (circuitos LRC, movimientos amortiguados forzados, resonancia).
2.3 Sistemas de ecuaciones diferenciales. Ecuaciones lineales de orden superior como sistemas.
Sistemas de ecuaciones lineales de primer orden. Teoremas de existencia y unicidad. Geo-
metrı́a de los sistemas autónomos: el campo vectorial. Soluciones de equilibrios y soluciones
periódicas. Retrato de fase de los sistemas autónomos en el plano.
2.4 Solución de un sistema lineal homogéneo con coeficientes constantes: la exponencial de
una matriz. Valores propios reales diferentes, valores propios complejos. Valores propios
repetidos. El plano traza-determinante para sistemas lineales homogéneos con coeficientes
constantes en el plano.
2.5 Solución particular para los sistemas no homogéneos: coeficientes indeterminados y varia-
ción de parámetros.
2.6 Método de Euler para sistemas autónomos. Sistemas no lineales: linealización alrededor de
puntos de equilibrio. Isoclinas (nulclinales) y análisis cualitativo.
3. Transformada de Laplace
3.1 Transformada de Laplace. Transformada inversa. Teoremas de traslación y derivadas de
una transformada. Transformadas de derivadas, integrales y funciones periódicas.
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 (teorı́a de Frobenius).
4.3 Dos ejemplos: ecuaciones de Bessel y Legendre.
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 edición. 1998.
3.3. MODELOS MATEMÁTICOS 33
3.3. MODELOS MATEMÁTICOS

Créditos: 4
Descripción:
La modelación matemática no es un tema fácil de enseñar, dada la gran diversidad de problemas
a los cuales esta se enfrenta. Además otra razón de esto se debe a que ésta solo se aprende por la
práctica, es decir no existe un conjunto de reglas para comprender la manera “correcta” del proceso
de modelación, esta solo puede adquirirse familiarizándose con una gran variedad de problemas. Se
han propuesto dos grandes corrientes para la enseñanza de la modelación matemática: 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 matemática 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 enseñar al estudiante la manera como
dichos problemas se abordan. Con esta tendencia, la modelación matemática se presenta como la
herramienta para solucionar problemas del mundo real.
Contenido:
1. Adimensionalización
2. Modelos Compartimentales
3. Optimización
4. Modelos Estocásticos
5. Sensibilidad
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.
Capı́tulo 4
PROGRAMACIÓN
La acentuada influencia que ha tenido el advenimiento y la evolución del computador en el desarrollo

de la Estadı́stica es fehaciente. Hizo posible la utilización de procedimientos cuya estructura teórica y
conceptual habı́a sido consolidada mucho antes, y ha permitido con su auxilio gran parte del avance
de la disciplina. La computación, por consiguiente, se ha venido convirtiendo en un elemento en la
investigación en Estadı́stica y en la práctica, 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 estadı́stico.
Pero la computación, más allá de ser un ejercicio rutinario de la práctica estadı́stica y de ser un medio
extraordinario de investigación y ensanchamiento del cuerpo conceptual de la Estadı́stica, curricular-
mente es un factor sinérgico que induce y fortalece el pensamiento estadı́stico.
Como el propósito no es convertir al estudiante en usuario exclusivo de paquetes, sino dotarlo de
las herramientas necesarias para un apropiado desempeño académico, se procura entonces generar en
el estudiante habilidades de programación de computadores que le permitan modificar programas o
desarrollar aplicaciones singulares de distinta complejidad, implementadas algorı́tmicamente mediante
algún lenguaje de programación. Además del objeto primario de presentar los fundamentos básicos de
la programación, la agrupación propende por la generación de un espacio para estimular la creatividad
del estudiante ante problemas propios que requieren de soluciones algorı́tmicas.
El cursar una asignatura que se encamina hacia el desarrollo de capacidades de programación de
computadores, es un requisito que se exige en la formación de un Estadı́stico y que la reforma curricular
en consecuencia considera como obligatoria; sin embargo, la flexibilidad de la estructura curricular
propuesta, le imprime un carácter opcional para cursarla: el estudiante opta entre varias posibilidades
para cumplir el requisito, cursando una asignatura con la carrera de Ingenierı́a de Sistemas, con la
Carrera de Matemáticas o en la Carrera de Estadı́stica. El cuadro 4 lista las asignaturas de esta
agrupación y señala las posibilidades de cumplimiento del requisito.
Cuadro 4.1: Asignaturas de la agrupación Programación

Programación y métodos numéricos Optativa 4
Análisis numérico Optativa 4
Programación de computadores Optativa 3
Programación orientada a objetos Optativa 3
Métodos numéricos Optativa 4
Programación en lenguajes estadı́sticos Optativa 4
Las asignaturas de esta agrupación difieren en su contenido y propósitos particulares, pero son cohe-
rentes temáticamente, puesto coinciden en estimular el desarrollo de capacidades de programación de
computadores; por ello la agrupación tiene como objetivo el siguiente:
“Incentivar la capacidad de abstraer problemas y de formular su solución, por medio del diseño de
36 CAPÍTULO 4. PROGRAMACIÓN
algoritmos y de su implementación en un lenguaje particular de programación”.
4.1. PROGRAMACIÓN EN LENGUAJES ESTADÍSTICOS

Créditos: 4
Correquisito: Álgebra lineal básica
Descripción:
Esta asignatura introduce la lógica de programación y las plataformas de programación en Estadı́stica.
Provee las herramientas básicas para la lectura, creación, procesamiento, almacenamiento y recupera-
ción de datos. Se hace una introducción a la moderna teorı́a de programación utilizando un lenguaje
orientado a objetos (C++) y la plataforma estadı́stica R.
1. Proponer el procedimiento lógico para resolver un problema.
2. Programar la solución de un problema en un lenguaje de programación.
3. Utilizar las estructuras vectoriales y matriciales en la programación de soluciones.
4. Realizar tareas estadı́sticas básicas en una plataforma de programación en Estadı́stica.
5. Producir gráficas con información estadı́stica.
6. Abordar la programación de tareas combinando un lenguaje de programación y una plataforma
estadı́stica.
7. Leer datos disponibles en diferentes aplicaciones y exportar datos para otros ambientes.
Contenido:
1. Conceptos iniciales de Programación
1.1 Compiladores, ensambladores, interpretadores.

1.2 Lenguaje de máquina, código fuente, código objeto.
1.3 Programación orientada a objetos.
1.4 Programación orientada a vectores.
2. Léxico básico
2.1 Variables y constantes: enteros, punto flotante, caracteres, cadenas.

2.2 Doble y simple decremento.
2.3 Operaciones básicas: enteras, punto flotante.
2.4 Operadores aritméticos. Precedencia.
2.5 Estructuras de datos. Valores miembro. Acceso.
3. Estructuras de control (C++,R)
3.1 Operadores relacionales. Precedencia.

3.2 Operadores lógicos.
3.3 Bloques.
3.4 Ciclos.
3.5 Decisión.
4. Funciones (C++,R)
4.1 Conceptos generales.

4.1. PROGRAMACIÓN EN LENGUAJES ESTADÍSTICOS 37
4.2 Definición y llamado. Prototipos.

4.3 Parámetros, variables locales y variables globales.
4.4 Valores de retorno.
4.5 Recursión.
5. Clases y objetos (C++,R)
5.1 Declaración de clases.
5.2 Especificadores de acceso a clases.
5.3 Acceso de miembros.
5.4 Asignación 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. Programación orientada a vectores
6.1 Optimización y reducción de código fuente. Eliminación de ciclos.
6.2 Tipos de vectores.
6.3 Aritmética de vectores.
6.4 Secuencias y generación de secuencias.
6.5 Vectores lógicos.
6.6 Valores missing.
6.7 Índices 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 Indexación.
8.2 Producto externo.
8.3 Transposición.
8.4 Multiplicación de matrices.
8.5 Ecuaciones lineales.
8.6 Valores y vectores propios.
8.7 Descomposición QR, determinantes.
8.8 Ajuste por mı́nimos cuadrados.
8.9 Concatenación de bloques de matrices.
9. Manipulación de objetos en R.
9.1 Construcción, modificación y acceso de listas.
9.2 Construcción, modificación 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 gráficas.
9.6 Parámetros para los gráficos.

9.7 Manejo de dispositivos de salida. Exportación de gráficas.
10. Elementos de programación en SAS.
10.1 Data, proc y library.
10.2 Importación, exportación y manejo de archivos.
10.3 IML.
Capper, D. Introducing C++ for Scientists, Engineers and Mathematicians. Kindle Book. 2001.
Correa, J. Gráficos estadı́sticos con R. U. Nacional, sede Medellı́n. 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 Elı́as Pardo.

4.2. PROGRAMACIÓN Y MÉTODOS NUMÉRICOS 39
4.2. PROGRAMACIÓN Y MÉTODOS NUMÉRICOS

Créditos: 4
Correquisito: Álgebra lineal básica
Descripción:
Objetivos:
1. Adquirir conocimientos básicos sobre computadores e informática.
2. Suministrar los conocimientos básicos de la programación de computadores en un lenguaje de pro-
gramación (C, C++, Fortran, o Pascal) en el contexto de los métodos numéricos.
3. Poner en práctica los conocimientos sobre computadores, informática y lenguajes considerados en
programas básicos de métodos numéricos.
Contenido:
1. Introducción
1.1 Introducción a la plataforma de programación.
2. Variables, Constantes, Operadores y Expresiones
2.1 Forma de un programa.

2.2 Edición del programa fuente, compilación y enlace, ejecución.
2.3 Nombres de identificadores.
2.4 Tipos de datos.
2.5 Modificadores de tipos.
2.6 Declaración de variables.
2.7 Variables locales y globales.
2.8 Sentencias de asignación.
2.9 Conversión de tipos.
2.10 Inicialización de variables.
2.11 Constantes.
2.12 Operadores aritméticos.
2.13 Incremento y decremento.
2.14 Operadores relacionales y lógicos.
2.15 Expresiones.
2.16 Conversión 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 función.

4.2 Valores devueltos.
4.3 Ámbito de una función.

4.4 Argumentos de una función.
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. Iniciación de arreglos.
6. Apuntadores
6.1 Significado.
6.2 Variables apuntadores.
6.3 Operadores de apuntadores.
6.4 Expresiones, asignaciones, aritmética de apuntadores.
6.5 Comparación de apuntadores.
6.6 Apuntadores y arreglos.
6.7 Asignación dinámica.
6.8 Arreglos de apuntadores.
6.9 Apuntadores a apuntadores.
7. Archivos Secuenciales
7.1 Lectura y escritura de la información sobre archivos.
8. Estructuras
8.1 Declaración, 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 eliminación gaussiana sin pivoteo y con pivoteo parcial.

9.2 La Factorización de Cholesky.
10. Calculo de los Ceros de una Función Continua
10.1 El método de bisección.
10.2 El método de la regla falsa.
11. Métodos de interpolación
11.1 El método de Lagrange.
11.2 El método de diferencias divididas.
12. Métodos de Integración

12.1 Regla del Trapecio y regla de Simpson.
4.2. PROGRAMACIÓN Y MÉTODOS NUMÉRICOS 41
Glassey, R. Numerical Computation using C. Academic Press. 1993.
Kernighan, B. W. & Ritchie, D. M. El Lenguaje de programación C. Prentice-Hall Hispanoame-

ricana. 1985.
Mora, H. Introducción a C y a métodos numéricos. Unibiblos. 2004.
Schildt, H. Turbo C/C++, Manual de Referencia. Osborne/McGraw-Hill. 1992.
Capı́tulo 5
METODOLOGÍA
Con esta agrupación, el currı́culo no pierde de vista la parte profesional como componente formativa de
un Estadı́stico, y con ella se pone a disposición del estudiante un número considerable de asignaturas
disı́miles, como ocurre en otras agrupaciones, pero que están estrechamente ligadas, de una u otra
forma, al apoyo del quehacer del egresado. Estas asignaturas no forman parte de la propedéutica
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 temáticas
particulares, el desarrollo de competencias y el incentivo de reflexiones deontológicas, factores que
posibilitan mejores resultados de su actividad profesional.
Como estratega metodológico, al Estadı́stico se le demanda persistencia en la búsqueda de los mejores
medios para incrementar el éxito de una investigación, en cuya labor desempeña roles especı́ficos y
definitivos. En la planeación, como una de sus funciones especı́ficas, se advierte su mayor desempeño
de interacción grupal, y está obligado a manejar elementos semánticos ajenos, a compartir funciones,
a suplir parcialmente carencias de recurso humano. En este sentido la agrupación denominada Me-
todologı́a, reúne asignaturas administradas por varias Facultades e incluye la primera asignatura de
Contexto que ofrecerı́a el Departamento de Estadı́stica. Estas asignaturas también se inscriben dentro
del componente de fundamentación a la luz de lo dispuesto en el acuerdo 033.
La relación de las asignaturas de esta agrupación se consigna en el cuadro 5.
Cuadro 5.1: Asignaturas de la agrupación Metodologı́a

Diseño, gestión y evaluación de proyectos Optativa 4
Gestión tecnológica Optativa 3
Gerencia de recursos humanos Optativa 3
Ingenierı́a económica Optativa 3
Finanzas Optativa 4
Formulación y evaluación de proyectos Optativa 3
Indicadores sociales Optativa 3
Estadı́stica y sociedad Optativa 3
El objetivo de esta agrupación se sintetiza como:

“Traer a identidad de fines una serie de saberes que paralelamente asisten a la profesionalidad y a
reflexiones deontológicas, para proponerla como base elección estudiantil, con el fin de que construya
en su rumbo académico, un apoyo conceptual y metodológico que acentúe un desempeño cualificado
en la cotidianidad profesional del futuro Estadı́stico”
44 CAPÍTULO 5. METODOLOGÍA
5.1. ESTADÍSTICA Y SOCIEDAD

Créditos: 3
Descripción:
Esta asignatura dispone actividades, como conferencias de expertos, lecturas, discusiones y expo-
siciones, que permitan el examen de: marcos normativos de organismos productores de estadı́sticas,
procedimientos estadı́sticos normalizados y normativas de comportamiento profesional. Es un espa-
cio de reflexión para la toma de conciencia sobre las consecuencias de los actos individuales o colectivos
del ejercicio profesional del estadı́stico en la sociedad.
1. Reconocer el papel de la estadı́stica en la sociedad y el estado.
2. Tener presente los aspectos ontológicos y deontológicos del ejercicio profesional.
3. Discernir entre conductas éticas y no éticas en la toma de decisiones con apoyo estadı́stico.
4. Concertar en el desarrollo de sistemas estadı́sticos.
5. Contribuir en la construcción y adaptación de los procedimientos estadı́sticos dentro de las normas
técnicas.
Contenido:
1. El valor de la información estadı́stica en la sociedad y estados modernos.
2. Aspectos filosóficos sobre medición y clasificación.

3. Normalización de las estadı́sticas oficiales y armonización internacional
3.1 Las cuentas nacionales.
3.2 Los censos de población y vivienda.
3.3 Los registros vitales.
3.4 Las encuestas de hogares y sectoriales.
4. Los sistemas estadı́sticos nacionales.
5. Vigilancia del estado sobre producción estadı́stica
5.1 Encuestas electorales.
5.2 Encuestas de opinión.
6. Aspectos éticos de la práctica estadı́stica
6.1 Confidencialidad estadı́stica.
6.2 Aspectos éticos en la experimentación en seres humanos y animales.
6.3 Derechos sobre la información estadı́stica pública.
7. Aspectos filosóficos y administrativos de la normalización técnica
7.1 Los organismos nacionales e internacionales de normalización.

7.2 Normas sobre procedimientos estadı́sticos.
7.3 Aspectos estadı́sticos de las normas técnicas.
7.4 Normas obligatorias sobre metrologı́a y de intercomparación 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. ESTADÍSTICA Y SOCIEDAD 45
Desrosières, A. De lo singular a lo general: la información estadı́stica y la construcción del

estado.
Desrosières, A. Reflejar o instituir: la invención de los indicadores estadı́sticos. Metodológica,
No.4. 1996.
CEPAL. Las cuentas nacionales: Lineamientos conceptuales, metodológicos y prácticos. CEPAL.
2007.
Cobo, Eric. Papel ético del estadı́stico en la experimentación 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 Gómez, Pedro Nel Pacheco, Campo Elı́as
Pardo. Revisado por Campo Elı́as Pardo.
46 CAPÍTULO 5. METODOLOGÍA
Capı́tulo 6
NÚCLEO ESTADÍSTICO
Se le caracteriza plenamente a esta agrupación por su esencia, intitulándola como núcleo, por medio
de la acepción: elemento primordial al que se van agregando otros para formar un todo . Cada una
de las asignaturas del núcleo estadı́stico forma parte de un componente ineludible en la formación de
un Estadı́stico, puesto que concebidas como base, sobre su conocimiento y competencias desarrolla-
das, el estudiante puede incrementar conocimientos adicionales relacionados con las asignaturas de la
agrupación como complementación o anexar conocimientos de temas particulares a manera de aplica-
ciones. Corresponde justamente a la apropiación de elementos conceptuales de la Estadı́stica, que lo
vinculan disciplinariamente con ella y cimientan su ejercicio profesional. Del mismo modo, el principio
de flexibilidad atenúa la rigidez presumida para una agrupación de este carácter y abre posibilidades
al exigirse 36 créditos de 44 posibles.
La agrupación está conformada por las asignaturas que incluye el cuadro 6.
Cuadro 6.1: Asignaturas de la agrupación Núcleo estadı́stico

Estadı́stica descriptiva y exploratoria Obligatoria 4
Análisis de regresión Obligatoria 4
Estadı́stica descriptiva multivariada Optativa 4
Muestreo estadı́stico Optativa 4
Métodos no paramétricos Optativa 4
Análisis multivariado Optativa 4
Estadı́stica bayesiana Optativa 4
Series de tiempo univariadas Optativa 4
Estadı́stica espacial Optativa 4
Diseño de experimentos Optativa 4
Diseño y desarrollo de encuestas Optativa 4
El objetivo de esta agrupación se condensa en los siguientes términos:

”Proveer al estudiante de un entorno para su inmersión dentro de un conjunto amplio de temáticas
concernientes al acervo disciplinar de la Estadı́stica, constituyendo el espacio propio para estructurar
las competencias profesionales especı́ficas y estructurales sustentadas en el reconocimiento de la cons-
titución, identidad y naturaleza de cada asignatura y de la articulación entre las mismas con el fin de
asentar y respaldar su crecimiento conceptual”
48 CAPÍTULO 6. NÚCLEO ESTADÍSTICO
6.1. ANÁLISIS DE REGRESIÓN

Créditos: 4
Prerrequisito: Inferencia estadı́stica
Descripción:
Esta asignatura dispone los conceptos y fundamentos de la teorı́a estadı́stica para modelar la rela-
ción existente entre una variable respuesta y un conjunto de variables explicativas, optimizando la
información disponible.
1. Identificar la estructura general de los modelos de regresión lineal y no lineal.
2. Teorizar la construcción, evaluación y selección de un modelo de regresión lineal y no lineal.
3. Estimar modelos de regresión lineal, evaluar su ajuste y seleccionar uno adecuado.
4. Verificar los supuestos del modelo de regresión lineal.
5. Ajustar modelos que involucren variables categóricas o modelos que tengan una estructura no lineal.
6. Elegir procedimientos de análisis de acuerdo con la estructura de los datos y los objetivos de la
investigación.
Contenido:
1. Regresión lineal simple
1.1 Introducción y formulación del modelo.

1.2 Estimación de los parámetros del modelo.
1.3 Análisis de varianza y pruebas de hipótesis.
1.4 Bondad de ajuste del modelo.
1.5 Regresión en términos matriciales.
2. Regresión lineal múltiple

2.2 Estimación de los parámetros del modelo.
2.3 Análisis de varianza y pruebas de hipótesis.
2.4 Bondad de ajuste del modelo.
2.5 Evaluación de los supuestos del modelo.
2.6 Variables predictoras categóricas.
2.7 Selección de variables y construcción de modelos.
3. Otros modelos de regresión
3.1 Regresión polinómica.

3.2 Regresión Poisson.
3.3 Regresión logı́stica.
3.4 Regresión robusta.
3.5 Regresión no lineal.
Draper, Norman y Smith, Harry. Applied Regression Analysis. John Wiley. 1998.
6.1. ANÁLISIS DE REGRESIÓN 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.
López, Luis y Rincón, Luis. Notas de Clase de Modelos Lineales. Universidad Nacional de Co-
lombia. 1999.
Montgomery, Douglas; Peck, Elizabeth y Vining, Geoffrey. Introduction to Linear Regression
Analysis. John Wiley and Son. 2006.
Searle, Shayle. Linear Models. John Wiley. 1971.
Preparado por Luz Mery González. Revisado por Emilse Gómez y Diana Franco.
6.2. ANÁLISIS MULTIVARIADO

Créditos: 4
Prerrequisitos: Algebra matricial

Inferencia estadı́stica
Descripción:
Esta asignatura extiende los conceptos de la inferencia estadı́stica al caso de múltiples variables, aborda
algunos métodos estadı́sticos multivariados relacionados con la estructura de covarianza y presenta
los conceptos básicos del análisis discriminante.
1. Complementar los fundamentos de la inferencia estadı́stica bajo el modelo normal multivariado.
2. Emplear intervalos y regiones de confianza para coeficientes de correlación y vectores de medias.
3. Construir, evaluar y comparar pruebas de hipótesis para coeficientes de correlación, vectores de
medias, matrices de covarianzas.
4. Aplicar adecuadamente los métodos multivariados relacionados con la estructura de covarianza.
5. Organizar información utilizando algunos métodos de clasificación o discriminación.
Contenido:
1. Introducción
1.1 Representación gráfica de datos multivariados.

1.2 Vectores aleatorios.
1.3 Algunos parámetros y estadı́sticas.
1.4 Distribuciones conjuntas, marginales y condicionales.
1.5 Panorama de los métodos multivariados.
2. Distribución normal multivariada y sus propiedades
2.1 Función de densidad.

2.2 Distribuciones marginales y condicionales.
2.3 Distribución normal bivariada.
2.4 Visión geométrica de la normal multivariada.
2.5 Pruebas de bondad y ajuste a la normal multivariada, transformaciones y detección de
datos atı́picos.
2.6 Correlación parcial y múltiple.
2.7 Inferencia sobre coeficientes de correlación.
3. Inferencia sobre vectores de medias
3.1 Estimación y propiedades del estimador. Distribución T2 de Hotelling.

3.2 Pruebas de hipótesis y regiones de confianza sobre el vector de medias.
3.3 Función de potencia y tamaños de muestra.
3.4 Distribuciones no centrales asociadas a la normal.
4. Inferencia sobre matrices de covarianzas y de correlaciones
4.1 Distribución de Wishart y sus propiedades.

4.2 Pruebas de hipótesis sobre matrices de covarianzas.
6.2. ANÁLISIS MULTIVARIADO 51
4.3 Pruebas de hipótesis sobre patrones especı́ficos de matrices de correlaciones.

5. Análisis en componentes principales
5.1 Objetivos del análisis en componentes principales.
5.2 Generación de componentes principales.
5.3 Criterios para la selección del número de componentes principales.
5.4 Interpretación geométrica del análisis en componentes principales.
6. Análisis de correlación canónica
6.1 Objetivos de la correlación canónica.

6.2 Modelo poblacional y su estimación muestral.
6.3 Interpretación geométrica del análisis de correlación canónica.
7. Análisis factorial
7.1 Objetivos del análisis factorial.
7.2 Modelo y métodos de estimación.
7.3 Criterios para la selección del número de factores.
7.4 Rotación de factores.
8. Análisis discriminante
8.1 Objetivos del análisis discriminante.
8.2 Reglas para discriminación de grupos.
8.3 Estimación de tasas de error de discriminación.
8.4 Discriminación bajo la distribución normal.
Dı́az, Luis Guillermo. Estadı́stica multivariada: inferencia y métodos. 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.
Peña, Daniel. Análisis multivariante de datos. Mc Graw Hill Book Company. 2004.
Pérez, Cesar. Técnicas de análisis 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 Dı́az y Campo Elı́as Pardo. Revisado por Nelcy Rodrı́guez
6.3. DISEÑO DE EXPERIMENTOS

Créditos: 4
Prerrequisito: Análisis de regresión
Descripción:
Esta asignatura dispone los conceptos y fundamentos que sustentan la planeación, modelación y
análisis de experimentos diseñados estadı́sticamente.
1. Identificar la estructura general de los diseños experimentales.
2. Planear un diseño de experimentos a la luz de los principios básicos.
3. Teorizar la construcción y la modelación de un diseño experimental a partir de las bases proporcio-
nadas por los modelos lineales.
4. Gestionar el tratamiento de datos faltantes.
5. Elegir diseños teniendo en cuenta la estructura de los datos y los objetivos de la investigación.
6. Evaluar los resultados de la aplicación de un diseño, a partir de ello ratificarla o elegir análisis
alternativos.
Contenido:
1. Principios del diseño de experimentos
1.1 Método cientı́fico y conceptos fundamentales del diseño experimental.

1.2 Los tres principios del diseño experimental.
1.3 Tipos de diseños, estrategia de diseño, recomendaciones para abordar un estudio experi-
mental.
1.4 Inferencia y tipos de análisis estadı́sticos.
2. Introducción a los modelos lineales
2.1 Introducción y conceptos básicos de modelos lineales.

2.2 Modelos lineales particionados y sumas de cuadrados asociadas.
2.3 Estimabilidad, sumas de cuadrados y funciones estimables.
2.4 Clasificación de los modelos en el análisis de varianza y diagramas de estructura.
3. Diseños completamente aleatorizados
3.1 Caracterización del diseño completamente aleatorizado y análisis de varianza.

3.2 Número de réplicas.
3.3 Submuestreo.
3.4 Validación de supuestos.
3.5 Pruebas de comparaciones múltiples.
3.6 Análisis de covarianza.
4. Diseños en bloques completos aleatorizados
4.1 Caracterización del diseño en bloques completos aleatorizados y análisis de varianza.

4.2 Estimación de una observación faltante.
4.3 Eficiencia relativa de los diseños en bloques completos aleatorizados.
4.4 Submuestreo.
6.3. DISEÑO DE EXPERIMENTOS 53
4.5 Ideas generales de bloques incompletos balanceados.

5. Diseños en cuadrados latinos y grecolatinos
5.1 Caracterización de los diseños y análisis de varianza.
5.2 Eficiencia relativa de los diseños.
5.3 Cuadrados latinos replicados.
6. Diseños factoriales
6.1 Caracterización de los diseños factoriales y análisis de varianza.
6.2 Diseños factoriales 2k y diseños factoriales 3k .
6.3 Factoriales en bloques incompletos.
6.4 Confusión en diseños factoriales.
6.5 Diseños factoriales fraccionados.
6.6 Diseños en parcelas divididas.
7. Introducción a la metodologı́a de superficies de respuesta
7.1 Análisis de una superficie de respuesta de primer orden.
7.2 Análisis de una superficie de respuesta de segundo orden.
Cochran, William y Cox, Gertrude. Diseños Experimentales. Trillas. 1990.

Dean, Ángela 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; López, Luis y Melo, Sandra Diseño de Experimentos Métodos y Aplicaciones.
Universidad Nacional de Colombia. 2007.
Montgomery, Douglas. Diseño y Análisis de Experimentos. Limusa Wiley. 2003.
Steel, Robert y Torrie, James. Bioestadı́stica. Principios y Procedimientos. McGraw-Hill. 1988.
6.4. DISEÑO Y DESARROLLO DE ENCUESTAS

Créditos: 4
Prerrequisitos: Muestreo estadı́stico

Tres créditos de la agrupación programación
Descripción:
La asignatura tiene un enfoque práctico y en ella, los estudiantes acompañados por el docente llevan a
cabo una investigación cuantitativa sobre un tema escogido dentro de las problemáticas del contexto
interdisciplinario. Es importante considerar que en este curso se realiza una investigación a través de
una encuesta en la cual, usualmente, los individuos se seleccionan mediante muestreo probabilı́stico.
1. Planear y ejecutar un proyecto de investigación.
2. Elaborar y exponer en forma oral y escrita informes de los resultados de la investigación.
3. Asesorar la elaboración de instrumentos de recolección de información y el trabajo de campo.
4. Ejercer actividades de liderazgo, trabajo en equipo, manejo de conflictos y toma de decisiones.
Contenido:
1. Preliminares
1.1 Presentación del curso y formación de grupos.
1.2 Presentación de grupos y lı́deres.
1.3 Funciones de los grupos.
1.4 Caracterı́sticas de un lı́der.
1.5 Presentación de los informes finales a elaborar. Índices.
2. Preparación 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 diseño muestral.
2.6 Precisión y confiabilidad. Fuentes de sesgo.
2.7 Práctica de definición de tamaño de muestra y selección.
2.8 Cartografı́a.
2.9 Caracterı́sticas de una propuesta.
2.10 Elaboración del presupuesto.
2.11 Presentación de la propuesta al usuario y aprobación de la misma.
3. Actividades previas a la ejecución
3.1 Especificaciones de validación, consistencia e imputación.
3.2 Especificaciones de estimación de parámetros, tabulación y varianza.
3.3 Programas de captura y procesamiento.
3.4 Plan operativo.
3.5 Capacitación de encuestadores y técnicas de entrevista.
3.6 Organización del procesamiento.
6.4. DISEÑO Y DESARROLLO DE ENCUESTAS 55
3.7 Factores de expansión y tratamiento de la no respuesta.

4. Ejecución
4.1 Capacitación de encuestadores.
4.2 Recolección de información.
4.3 Captura y procesamiento de información.
4.4 Análisis y elaboración de informes.
5. Presentación de resultados
5.1 Presentación de resultados al usuario.

5.2 Discusión final con el grupo - Retroalimentación.
5.3 Autoevaluación.
Bautista, Leonardo; Salamanca, Ana Milena (sin publicar). Notas de curso de extensión en
Técnicas de Diseño y Desarrollo de Encuestas. Universidad Nacional de Colombia. 2002.
Iarossi, G. The Power of Survey Design: A User’s Guide for Managing Surveys, Interpreting
Results and Influencing Respondents. The World Bank. 2006.
Lyberg, Beamer, et. Al. Survey Measurement and Process Quality Wiley. 1997.
Material de entrenamiento. Técnicas de presentaciones efectivas. TEC Institute - Argentina.
2007.
Särndal, 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 González, Leonardo
Trujillo y Pedro Nel Pacheco.
6.5. ESTADÍSTICA BAYESIANA

Créditos: 4
Correquisito: Análisis de regresión
Descripción:
Esta asignatura dispone lo necesario para profundizar en la visión de conjunto del paradigma baye-
siano, consolidando sus fundamentos y sus métodos básicos, ilustrando los elementos necesarios para
la solución de problemas de inferencia estadı́stica con el enfoque bayesiano.
1. Utilizar tanto su evidencia previa como la empı́rica proporcionada por el experimento aleatorio que
haya realizado para inferir Bayesianamente.
2. Comparar en casos prácticos los resultados obtenidos por los métodos bayesianos con los resultados
de los métodos frecuentistas.
3. Discernir en qué casos los métodos bayesianos son necesarios, y tener la capacidad de aplicarlos.
4. Hacer simulación de fenómenos bajo los modelos Bayesianos.
Contenido:
1. Conceptos básicos
1.1 Modelos estadı́sticos.
1.2 Función de verosimilitud.
1.3 Teorema de Bayes.
1.4 Permutabilidad.
1.5 Suficiencia y familia exponencial.
1.6 Eliminación de parámetros.
2. Distribución a priori
2.1 Definición de priori.
2.2 Priori conjugada.
2.3 Priori no informativa.
2.4 Priori jerárquica.
3. Estimación
3.1 Comparación de estimadores.
3.2 Estimación en modelos normales.
4. Aproximación y métodos computacionales (opcional)
4.1 Técnicas de optimización.
4.2 Aproximaciones analı́ticas.
4.3 Métodos de integración numérica.
4.4 Métodos de simulación.
5. Pruebas de hipótesis
5.1 Pruebas de hipótesis bayesiana.
5.2 Pruebas de hipótesis e intervalos de confianza.
5.3 Pruebas de hipótesis asintóticas.
6.5. ESTADÍSTICA BAYESIANA 57
6. Muestrador de Gibbs
6.2 Implementación y optimización.
6.3 Diagnósticos de convergencia.
6.4 Aplicación a modelos lineales normales.
7. Metrópolis Hastings
7.2 Casos especiales.
7.3 Algunos algoritmos.
8. Introducción a modelos lineales
8.1 Modelo lineal.
8.2 Modelo lineal Bayesiano.
8.3 Modelo lineal jerárquico.
8.4 Modelo lineal dinámico.
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 Gómez.
6.6. ESTADÍSTICA DESCRIPTIVA MULTIVARIADA

Créditos: 4
Prerrequisito: Álgebra matricial
Descripción:
Aborda el análisis descriptivo y exploratorio multivariado de tablas grandes de datos (muchas filas
y columnas). Recurre a la representación geométrica multidimensional de las tablas de datos y a
su lectura mediante proyecciones en planos, denominados factoriales, y a la conformación de grupos
homogéneos en el sentido de variabilidad baja dentro de los grupos y alta entre grupos. Las repre-
sentaciones geométricas permiten visualizar la información relevante contenida en las tablas de datos.
El aprendizaje se consolida mediante una aplicación real siguiendo las pautas de la metodologı́a de la
investigación.
1. Aplicar los métodos empleando programas de uso libre y comercial y utilizarlos en el contexto de
situaciones especı́ficas.
2. Abordar el aprendizaje de otros métodos de la estadı́stica exploratoria multidimensional.
3. Consolidar los conocimientos sobre metodologı́a de la investigación.
4. Mejorar las destrezas en redacción de textos, normas de presentación de trabajos escritos y de
presentación oral de los resultados.
Contenido:
1. Introducción
1.1 Métodos estadı́sticos exploratorios multidimensionales.

1.2 Presentación del software que se va a utilizar en el curso.
1.3 Repaso de la descripción de dos variables.
2. El entorno de una tabla de datos
2.1 El contexto y las etapas de la investigación.

2.2 El contexto de la investigación.
2.3 Planteamiento de objetivos.
3. Representación multivariada de datos
3.1 Espacios euclidianos multidimensionales.

3.2 Representación geométrica de tablas de datos.
3.3 Significado de las estadı́sticas básicas y de las operaciones de centrado y reducido.
3.4 Inercia y contribuciones a la inercia de filas y columnas.
3.5 Proyección sobre cualquier eje.
3.6 Contribución de las filas y columnas a la inercia proyectada sobre un eje. Calidad de la
representación sobre un eje.
4. Análisis 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. ESTADÍSTICA DESCRIPTIVA MULTIVARIADA 59
4.5 Ayudas para la interpretación de los ejes factoriales.

4.6 Proyección de elementos ilustrativos.
5. Análisis de correspondencias simples - ACS
5.1 Objetivos del ACS.
5.2 Tablas obtenidas de la tabla de contingencia.
5.3 Representación geométrica de las tablas de perfiles.
5.4 El ACS como dos ACP.
6. Análisis de correspondencias múltiples - ACM
6.1 Objetivos del ACM.
6.2 Codificaciones 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. Introducción a los métodos de clasificación en espacios métricos
7.1 Objetivos de los métodos de agrupamiento.
7.2 Índices de similitud, disimilitud y distancia entre individuos.
7.3 Inercia intra y entre grupos.
7.4 Clasificación alrededor de centros móviles.
7.5 Clasificación jerárquica aglomerativa.
7.6 El método de Ward.
7.7 Caracterización de las clases.
7.8 Combinación de métodos factoriales y de clasificación.
8. Escalamiento multidimensional
8.1 Objetivos del escalamiento multidimensional.
8.2 Análisis en coordenadas principales (ACO).
8.3 Transformación de ı́ndices de disimilitud en distancias euclidianas.
8.4 Análisis procusteano.
8.5 Biplots.
9. Análisis factorial discriminante (descriptivo)
9.1 Objetivos del análisis discriminante.
9.2 Obtención de las funciones lineales discriminates.
9.3 Puntaje discriminante combinando ACM y análisis factorial discriminante.
Escofier, B. & Pagµes, J. Análisis factoriales simples y múltiples. Objetivos, métodos e interpre-
tación. Universidad del Paı́s 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 Elı́as Pardo, discutido con Guillermo Dı́az y Oscar Melo y profesores del
Departamento de Estadı́stica. Revisado por Nelcy Rodrı́guez y Humberto Mayorga.
6.7. ESTADÍSTICA DESCRIPTIVA Y EXPLORATORIA

Créditos: 4
Descripción:
Esta asignatura introduce conceptos sobre el papel de la Estadı́stica en la metodologı́a de la in-
vestigación, provee la sintaxis inicial del lenguaje estadı́stico y las herramientas necesarias para la
organización, la descripción, el análisis, el resumen, la presentación y la identificación de patrones y
estructuras inherentes a conjuntos de datos.
1. Reconocer el papel de la Estadı́stica en los procesos de investigación.
2. Aplicar adecuadamente algunos métodos descriptivos y exploratorios, utilizando herramientas com-
putacionales.
3. Leer y comprender informes de los análisis estadı́sticos en investigaciones de tipo exploratorio.
4. Presentar de manera verbal y escrita los resultados estadı́sticos obtenidos en una investigación de
carácter exploratorio.
Contenido:
1. Estadı́stica e investigación
1.1 Formas de saber.

1.2 Método cientı́fico e investigación.
1.3 La estadı́stica y la investigación.
1.4 Definiciones de Estadı́stica.
1.5 Caracterı́sticas del método estadı́stico.
1.6 Clasificación de los métodos estadı́sticos.
1.6.1 Métodos descriptivos.
1.6.2 Métodos inductivos o inferencia estadı́stica.
1.6.3 Métodos teóricos o teorı́a estadı́stica.
2. Conceptos fundamentales de Estadı́stica
2.1 El colectivo, agregado, población, universo.

2.2 Las variables.
2.3 Escalas de medición o clasificación.
2.4 El censo o enumeración completa.
2.5 El muestreo.
2.6 Los parámetros y las estadı́sticas.
2.7 Reseña histórica de la Estadı́stica.
3. Descripción de una variable
3.1 Distribuciones de frecuencias.

3.2 Gráficos para una variable.
3.3 Medidas de resumen: tendencia, localización, dispersión y forma.
4. Descripción conjunta de varias variables
4.1 Tablas de contingencia.

4.2 Gráficos de dispersión.
6.7. ESTADÍSTICA DESCRIPTIVA Y EXPLORATORIA 61
4.3 Matrices de covarianza y correlación.

4.4 Gráficos para varias variables.
4.5 Detección de datos atı́picos.
5. Introducción al análisis de datos correlacionados

5.1 Concepto de serie de tiempo.
5.2 Concepto de proceso espacial.
5.3 Autocorrelación.
5.4 Técnicas de suavizamiento.
5.5 Tendencia.
6. Introducción a métodos resistentes
6.1 Medidas resistentes univariadas.
6.2 Lı́nea resistente.
6.3 Pulimento de medianas.
7. Principios de la transición de la descripción a la inferencia
7.1 Ejemplos y casos.
7.2 Muestra aleatoria.
7.3 Distribución normal.
7.4 Caso introductorio, estimando la media poblacional; confianza y precisión.
7.5 Perspectivas de inferencia en otros contextos.
Emerson D.; Hoaglin D.; Mosteller F. y Tukey J. Understanding robust and exploratory data
analysis. John Wiley. 1983.
Peña Daniel. Estadı́stica, Modelos y Métodos. Volumen 1. Alianza Editorial. 1999.

Rossman Allan J. Workshop Statistics Discovery with data. Springer. 2000.
Scheaffer R.L.; Gnanadesikan M.; Çwatkins 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 Rodrı́guez y Campo Elı́as
Pardo.
6.8. ESTADÍSTICA ESPACIAL

Créditos: 4
Descripción:
Esta asignatura dispone los conceptos y fundamentos para modelar estadı́sticamente, a partir de las
bases proporcionadas por los procesos estocásticos, el comportamiento de una variable cuantitativa
georreferenciada considerando las dependencias estadı́sticas en la secuencia de observaciones.
1. Elegir un método apropiado según las caracterı́sticas de la georreferenciación.
2. Reconocer diferentes modelos de variabilidad espacial.
3. Construir mapas a partir de predicciones óptimas para las variables de interés.
4. Determinar patrones y regularidades en el comportamiento espacial de los datos.
Contenido:
1. Introducción
1.1 Proceso estocástico; la estadı́stica espacial como un proceso estocástico.
1.2 Áreas de la estadı́stica espacial según el conjunto de ı́ndices del proceso.
1.3 Perspectivas de aplicación.
2. Geoestadı́stica
2.1 Análisis exploratorio: Gráficos exploratorios, tendencia, interpolación determinı́stica.
2.2 Autocorrelación espacial: Variable regionalizada, momentos, estacionariedad, isotropı́a, va-
riograma, covariograma y correlograma, modelos teóricos.
2.3 Predicción espacial. Kriging (simple, ordinario, residual, universal) y cokriging.
3. Análisis de datos de áreas
3.1 Análisis descriptivo: Coordenada media, cuantificación de la contigüidad espacial, opera-
dor retardo espacial, matriz de pesos espaciales, histograma regional, gráficos de retardo
espacial, mapas de cuantiles (box map), gráficos de Moran, mapas LISA.
3.2 Efectos espaciales.
3.2.1 Autocorrelación espacial: Indices de Geary y Moran, ı́ndice bayesiano empı́rico, indi-
cadores locales de asociación espacial (LISA).
3.2.2 Heterogeneidad Espacial.
3.3 Introducción a los modelos de regresión espacial: autorregresivos espaciales (primer orden,
regresivo-autoregresivo mixto, de error espacial) y espacial general.
4. Patrones puntuales
4.1 Análisis descriptivo: Gráficos exploratorios, relación varianza media, ı́ndices basados en
conteos por cuadrantes, pruebas de aleatoriedad, función de intensidad, estimador kernel,
gráficos de contornos de la función de intensidad.
4.2 Tipos de patrones: Propiedades de segundo orden, estimación de las propiedades de segundo
orden para procesos marcados univariados y multivariados, distribución del vecino más
cercano, función K.
4.3 Modelos para patrones puntuales: Procesos Poisson homogéneo y no homogéneo, proceso
de Cox, Proceso Poisson agregado (cluster), proceso de Gibbs. Métodos de Monte Carlo
para estimación de la intensidad.
6.8. ESTADÍSTICA ESPACIAL 63
Anselin, L. Spatial Econometrics. Kluwer Academic Publisher. 1998.
Cressie, N. Spatial Statistics. John Wiley. 1993.

Moreno R. & Vayá, Esther. Técnicas econométricas para el tratamiento de datos espaciales: La
econometrı́a 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 Ramón Giraldo, Martha Bohorquez. Revisado por Emilse Gómez y Diana Franco.
6.9. MÉTODOS NO PARAMÉTRICOS

Créditos: 4
Prerrequisitos: Inferencia estadı́stica
Descripción:
Esta asignatura dispone métodos estadı́sticos de inferencia de distribución libre los cuales carecen de
supuestos tales como que la muestra es extraı́da bajo una distribución de probabilidad determinada
o conocida.
1. Identificar los métodos apropiados para el manejo de datos proveniente de distribuciones no cono-
cidas a priori.
2. Construir, evaluar y comparar estimadores obtenidos con muestras de distribución libre.
3. Aplicar métodos adecuados para el ajuste de densidades y de modelos lineales.
4. Realizar estimaciones puntuales, por intervalo y pruebas de hipótesis a partir de muestras obtenidas
de distribuciones cuya naturaleza se desconoce.
Contenido:
1. Introducción
1.1 Conceptos básicos de inferencia no paramétrica.

1.2 Clasificación de métodos no paramétricos.
1.3 Reseña histórica.
2. Métodos no paramétricos para una muestra
2.1 Prueba de rachas para aleatoriedad.

2.2 Pruebas de bondad de ajuste.
2.3 Modelo de localización. Prueba del signo (distribución bajo las hipótesis nula y alterna,
manejo de empates y otros usos).
2.4 Definición de rango. Prueba del rango signado de Wilcoxon (manejo de empates y de
muestras pareadas).
2.5 Estimador de Hodges-Lehmann. Estimación asociada a la prueba.
2.6 Estimador de Hodges-Lehmann. Estimación asociada a la prueba del signo y del rango
signado de Wilcoxon.
3. Métodos no paramétricos para dos muestras
3.1 Pruebas de igualdad de distribuciones.

3.2 Modelo de localización: Prueba de Mann-Whitney-Wilcoxon (estimación y manejo de em-
pates). Pruebas de permutaciones.
3.3 Modelo de escala. Algunas pruebas (manejo de empates).
4. Métodos no paramétricos para estimadores de localización en más de dos muestras
4.1 Diseño a una vı́a: Pruebas de Kruskal-Wallis, alternativas ordenadas y diferencias múltiples
(manejo de empates).
4.2 Diseño en bloques: Prueba de Friedman, alternativas ordenadas y diferencias múltiples
(manejo de empates).
5. Estimación no paramétrica de la densidad

6.9. MÉTODOS NO PARAMÉTRICOS 65
5.1 El histograma y el polı́gono de frecuencias.

5.2 Estimador núcleo de la densidad.
5.3 Estimador de la densidad multivariante.
5.4 Comportamiento local: Sesgo y varianza del estimador núcleo MISE y AMISE, eficiencia
relativa, elección de la ventana asumiendo normalidad.
5.5 Funciones núcleo con ventanas comparables, sesgo y varianza asintóticas.
6. Regresión no paramétrica
6.1 El modelo de regresión no paramétrica.
6.2 Estimadores núcleo y polinomios locales. Propiedades.
6.3 Verosilmilitud local y familias exponenciales.
6.4 Inferencia en el modelo de regresión no paramétrica.
6.5 Suavizado por splines.
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. Estadı́stica no parámetrica - Notas de Clase Universidad Nacional de
Colombia. 2008.
Gibbons, J. y Chakraborti, S. Nonparametric statistical Inference. Marcel Dekker. 1992.
Higgins, J. J. Introduction to Modern Nonparametric Statistics. Thompson Learning. 2004.
Hollander, M. y Wolfe, D. Nonparametric Statistical Inference. Jhon Wiley and Sons. 1999.
Lehmann, E. Nonparametric Statistical Methods based on Ranks. Prentice Hall. 1998.
Simonoff, J. S. Smoothing Methods in Statistics. Springer. 1996.

Wand, M. P. y Jones, M. C. Kernel Smoothing. Chapman and Hall. 1995.
Preparado por Jimmy Corzo y Ramón Giraldo. Revisado por Luz Mery González, Leonardo Trujillo
y Pedro Nel Pacheco.
6.10. MUESTREO ESTADÍSTICO

Créditos: 4
Prerrequisitos: Inferencia estadı́stica
Descripción:
Esta asignatura dispone las ideas centrales en muestreo probabilı́stico de poblaciones finitas. Conside-
ra diseños muestrales para los cuales las unidades podrı́an tener diferentes probabilidades de selección
y aborda métodos de estimación de funciones de totales poblacionales (totales, medias, razones, pro-
porción, coeficientes de correlación, percentiles).
1. Identificar las caracterı́sticas propias de diferentes estrategias muestrales (diseño y estimadores).
2. Teorizar el comportamiento de los estimadores asociados a diferentes diseños muestrales.
3. Construir, comparar y evaluar estimadores bajo diferentes diseños de muestreo probabilı́stico.
4. Construir y evaluar diseños de muestreo probabilı́stico.
5. Realizar estimaciones puntuales y por intervalo a partir del diseño aplicado.
6. Escoger el diseño y el tamaño de muestra apropiados en una situación aplicada.
Contenido:
1. Conceptos básicos de muestreo
1.1 Conceptos básicos de probabilidad e inferencia.

1.2 Importancia del Muestreo.
1.3 Concepto de Muestreo Probabilistico.
2. Diseños de muestra para elementos
2.1 Estimadores básicos para la estimación de totales, construcción del pi-estimador y MCR-
estimador.
2.2 Diseño de muestreo aleatorio simple. Tamaño de muestra.
2.3 Diseño Bernoulli, diseño sistemático, diseño Poisson, diseño pi-pt y ppt.
2.4 Muestreo estratificado.
3. Diseños de muestra para conglomerados
3.1 Diseño de conglomerados, diseño en dos etapas, principios de independencia e invarianza.

3.2 Diseño en varias etapas, diseño en etapas con muestreo con reemplazo en las primeras
etapas. Tamaño de muestra.
3.3 Comparación del muestreo con reemplazo frente al muestreo sin reemplazo en varias etapas.
4. Estimación de parámetros diferentes a totales
4.1 Funciones lineales de totales, estimación en funciones no lineales de totales.

4.2 Método de linealización de Taylor para estimación de la varianza.
4.3 Estimación de cociente de totales, la estimación de los promedios, de varianzas y covarianzas
poblacionales, estimacion de percentiles y estimacion de coeficientes de regresion.
5. Calidad muestral
5.1 Errores muestrales y no muestrales.

5.2 Fuentes de sesgo, errores de los marcos.
6.10. MUESTREO ESTADÍSTICO 67
5.3 Tratamiento de la no-respuesta, declaraciones de calidad, obligaciones del muestrista.
Bautista, Leonardo. Técnicas de diseño 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 diseño y análisis International Thomson. 2000.
Ospina, D. Introduccion al Muestreo. Universidad Nacional de Colombia. 2001.
Särndal, C.; Swensson, B. y Wretman, J. Model Assisted Survey Sampling. Springer. 2003.
Preparado por Leonardo Trujillo. Revisado por Luz Mery González, Leonardo Trujillo y Pedro Nel
Pacheco.
6.11. SERIES DE TIEMPO UNIVARIADAS

Créditos: 4
Correquisito: Análisis de regresión
Descripción:
Esta asignatura dispone los conceptos y fundamentos para modelar estadı́sticamente, a partir de las
bases proporcionadas por los procesos estocásticos, el comportamiento de una variable cuantitativa
indexada en el tiempo, considerando las dependencias estadı́sticas en la secuencia de observaciones.
1. Identificar la estructura general de una serie de tiempo univariada.
2. Formular y ajustar un modelo apropiado a la serie objeto de estudio.
3. Distinguir la tendencia, estacionalidad, ciclos y datos atı́picos 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 fenómeno observado a través del tiempo.
Contenido:
1. Procesos estocásticos estacionarios

1.1 Definición de estacionariedad débil y estricta.
1.2 Propiedades de un proceso estacionario: procesos ergódicos, determinı́sticos, existencia de
un proceso estacionario.
1.3 Funciones de autocorrelación y sus propiedades.
2. Procesos ARMA estacionarios
2.1 Definición de un proceso ARMA.
2.2 Procesos causables e invertibles.
2.3 Función de autocorrelación y de autocorrelación parcial de un proceso ARMA.
3. Representación espectral de un proceso estacionario
3.1 Procesos estocásticos complejos.
3.2 Distribución espectral de un proceso estacionario.
3.3 Función de densidad espectral de un proceso estacionario.
3.4 Cálculo de la función de densidad espectral de un proceso lineal causable.
3.5 Estimación de la función de densidad espectral: el periodograma.
3.6 Suavizamiento del periodograma.
4. Teorı́a de predicción de procesos estocáticos estacionarios
4.1 Las ecuaciones de predicción.
4.2 Métodos recurrentes para calcular predictores lineales óptimos.
4.3 Predicciones a partir de un proceso ARMA.
4.4 Medidas de incertidumbre de un predictor e intervalos de predicción.
4.5 Medidas para la evaluación de la bondad de pronóstico.
5. Inferencia sobre las funciones de medias y de autocorrelación de un proceso estacionario
5.1 Estimación de la media de un proceso estacionario y propiedades distribucionales.
6.11. SERIES DE TIEMPO UNIVARIADAS 69
5.2 Estimación de la función de autocorrelación y de autocorrelación parcial de un proceso

estacionario y propiedades distribucionales.
6. Estimación y validación de modelos ARMA
6.1 Función de verosimilitud de un modelo ARMA.

6.2 Propiedades distribucionales de los estimadores de máxima verosimilitud de los parámetros
de un modelo ARMA.
6.3 Análisis de residuos.
7. Procesos no estacionarios y estacionales SARIMA
7.1 Modelos ARIMA para procesos estocásticos no estacionarios.
7.2 Criterios de información para identificar modelos ARIMA.
7.3 Predicción con modelos ARIMA.
7.4 Modelos SARIMA para procesos estacionales.
8. Modelos de intervención
8.1 Definición y propiedades de las funciones de intervención.
8.2 Análisis estadı́stico de un modelo de intervención: identificación, estimación, verificación y
función de pronóstico.
8.3 Datos atı́picos en series de tiempo.
8.4 Estimación de datos faltantes en una serie de tiempo.
9. Análisis de series de tiempo por medio de modelos de componentes no observables
9.1 Modelos con tendencia y estacionalidad.
9.2 Estimación y eliminación de tendencia y estacionalidad.
9.3 Métodos de suavizamiento.
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. Análisis estadı́stico de series de tiempo económicas. Thomson. 2003.
Peña, D. Series Temporales. Alianza Universidad Textos. 2005.
Preparado por Fabio Nieto. Revisado por Emilse Gómez y Diana Franco.
Capı́tulo 7
COMPLEMENTACIÓN
ESTADÍSTICA
Esta agrupación tiene fines paralelos a la agrupación de Aplicación estadı́stica, en el sentido de partir
del núcleo estadı́stico y secundar posibilidades de agregar otros temas especiales en dirección al fortale-
cimiento de competencias profesionales ya promovidas. Sólo que esta agrupación procura el desarrollo
de conceptos y procedimientos adicionales del núcleo, que el estudiante elige en su gestión académica
para complementar su preparación en la disciplina.
Consecuentemente, el objetivo de esta agrupación consiste en:
”Fortalecer competencias disciplinares alcanzadas por el estudiante, incorporando al núcleo estadı́sti-
co temas adicionales que busquen ampliar su formación disciplinar básica, respondiendo de manera
integral a su proyecto de vida”.
La lista de asignaturas de aplicación estadı́stica se relaciona en el cuadro 7.
Cuadro 7.1: Asignaturas de la agrupación Complementación estadı́stica

Procesos estocásticos Optativa 4
Computación estadı́stica Optativa 4
Análisis de datos categóricos Optativa 4
Análisis de correspondencias Optativa 4
Análisis de datos longitudinales Optativa 4
Métodos de clasificación Optativa 4
Muestreo asistido por modelos Optativa 4
Series de tiempo multivariadas Optativa 4
Tópicos avanzados de diseño experimental Optativa 4
Modelos lineales generalizados Optativa 4
Teorı́a de muestreo Optativa 4
Teorı́a de estadı́stica no paramétrica Optativa 4
Teorı́a de series de tiempo Optativa 4
Teorı́a de diseño de experimentos Optativa 4
7.1. ANÁLISIS DE CORRESPONDENCIAS

Créditos: 4
72 CAPÍTULO 7. COMPLEMENTACIÓN ESTADÍSTICA
Prerrequisito: Estadı́stica descriptiva multivariada
Descripción:
Descripción:
El curso busca consolidar los conocimientos sobre fundamentos y aplicaciones de los análisis de corres-
pondencias simples y múltiples y la clasificación sobre coordenadas factoriales. El repaso de los métodos
se hace con su aplicación al análisis de datos textuales, haciendo énfasis en el análisis de preguntas
abiertas y cerradas en encuestas.
Se estudia la extensión del AC a tablas estructuradas y ternarias, privilegiando el caso de tablas
indexadas en el tiempo o en el espacio. Se estudia el análisis factorial múltiple y su aplicación al caso
de variables cualitativas y mixtas (cuantitativas y cualitativas).
Finalmente se abordan modificaciones y extensiones del AC: análisis de correspondencias no simétrico,
análisis canónico de correspondencias, análisis de coinercia y la combinación del AC con otros métodos.
Para ejecutar los métodos se utiliza preferentemente software libre: R y el DTM. Se utiliza también
el SPAD si la Universidad dispone de licencia en el semestre que se dicte el curso.
Objetivos:
1. Saber analizar información obtenida a partir de preguntas abiertas y cerradas utilizando análisis
de correspondencias simples y múltiples y clasificación sobre coordenadas factoriales.
2. Conocer los fundamentos del análisis de datos textuales.
3. Conocer las aplicaciones del AC en tablas estructuradas y ternarias.
4. Conocer los fundamentos y aplicaciones del análisis factorial múltiple.
5. Saber abordar métodos y aplicaciones especı́ficas.
6. Saber ejecutar los métodos con programas estadı́sticos de uso libre y comercial.
Contenido:
1. Análisis de datos textuales
1.1 El ámbito de la estadı́stica textual.

1.2 Las preguntas abiertas en encuestas.
1.3 Unidades de la estadı́stica textual y segmentación del corpus.
1.4 Documentos lexicométricos.
1.5 AC aplicado a un corpus de respuestas abiertas.
1.6 Palabras y respuestas caracterı́sticas.
1.7 Clasificación de textos, palabras o individuos.
2. Marco teórico para los análisis de correspondiencias de tablas estructuradas y tablas ternarias
2.1 ACP ponderado o generalizado o diagrama de dualidad - ACP(X,M,D).

2.2 Análisis 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 Análisis de tablas marginales.

3.2 Análisis de tablas yuxtapuestas.
3.3 Análisis intra-tablas en una dimensión.
3.4 Análisis intra-tablas en dos dimensiones.
4. Extensiones del ACM
4.1 ACM condicional.

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

4.3 AC difuso.
5. Análisis factorial múltiple (AFM) con variables cualitativas
5.1 Fundamentos del AFM.
5.2 El AFM con variables cualitativas.
5.3 Análisis factorial múltiple con variables cuantitativas y cualitativas.
5.4 El AFM en tablas de contingencia.
6. Otros métodos con AC
6.1 AC no simétrico.
6.2 Análisis canónico de correspondencias.
6.3 Análisis de coinercia.
6.4 Combinación de ACM y análisis factorial discriminante.
Bécue, 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. Métodos estadı́sticos multivariados en investigación social. Simposio
de Estadı́stica. U.Nacional de Colombia Fac. Ciencias Depto. Estadı́stica. 2001.
Escofier, B. Analyse factorielle en reference a un modele. application a l’analyse de tableaux
d’echanges. Revue de Satatistique Appliquée. 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. Introducción al análisis de datos textuales. U.Nacional de Colombia
Fac. Ciencias Depto. Estadı́stica y Matematicas. 1996
Pardo, C. E. Análisis de correspondencias de tablas de contingencia estructuradas. U.Distrital-
Colombia. 2005.
Preparado por Campo Elı́as Pardo. Revisado por Campo Elı́as Pardo.
7.2. ANÁLISIS DE DATOS CATEGÓRICOS

Créditos: 4
Descripción:
Esta asignatura dispone los fundamentos y las herramientas para el análisis estadı́stico de variables
en escala nominal u ordinal, por medio de tablas de contingencia y modelos de regresión.
1. Distinguir entre los conceptos de asociación y concordancia.
2. Elegir el coeficiente adecuado para medir asociación o concordancia de acuerdo con los objetivos
del estudio.
3. Valorar la plausibilidad de conjeturas acerca de caracterı́sticas de tablas contingencias.
4. Aplicar conceptos de modelos de regresión en la solución de problemas que involucren variables
categóricas.
Contenido:
1. Tablas de contingencia (s × r)
1.1 Definición de tablas de contingencia.

1.2 Medidas de asociación para tablas de contingencia.
1.3 Medidas de concordancia para tablas de contingencia.
1.4 Pruebas de hipótesis asociadas a tablas de contingencia.
2. Introducción 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 validación de supuestos del modelo.
3. Regresión Logı́stica
3.1 Interpretación de los parámetros del modelo de regresión logı́stica.
3.3 Regresión logı́stica múltiple.
3.4 Modelo Logit-Multinomial.
4. Modelos Log-Lineales para tablas de contingencia
4.1 Interpretación del modelo Log-Lineal.
4.2 Modelo Log-Lineal a dos, tres o más vı́as de clasificación.
5. Regresión de Poisson
5.1 Interpretación de los parámetros del modelo de regresión de Poisson.
7.2. ANÁLISIS DE DATOS CATEGÓRICOS 75
Agresti, Alan. An Introduction to Categorical Data Analysis. John Wiley & Sons. 1996.
Agresti, Alan. Categorical Data Analysis. Second edition. John Wiley & Sons. 2002.
Dı́az,Guillermo. Análisis estadı́stico de datos categóricos aplicados a la investigación biomédica.
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. Estadı́stica no paramétrica 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 Rodrı́guez y Luz Mery González. Revisado por Emilse Gómez y Diana Franco.
7.3. ANÁLISIS DE DATOS LONGITUDINALES

Créditos: 4
Prerrequisito: Análisis multivariado
Contenido:
1. Conceptos básicos de datos longitudinales
1.1 Definiciones y caracterı́sticas.

1.2 Objetivos del análisis.
1.3 Descripción y exploración.
1.4 Medidas de resumen.
1.5 Fuentes de variación.
2. Modelos lineales para datos longitudinales
2.1 Modelo estadı́stico básico.

2.2 Exploración de la media y de la matriz de covarianzas.
2.3 Modelos bajo estacionariedad.
2.4 Modelos de análisis de varianza univariados.
2.5 Modelos de análisis de varianza multivariados.
2.6 Modelo lineal general.
2.7 Modelos de curvas de crecimiento.
2.8 Modelos lineales de efectos mixtos.
2.9 Análisis de residuales.
3. Modelos lineales generalizados para datos longitudinales
3.1 Modelos lineales generalizados.

3.2 Modelos marginales.
3.3 Ecuaciones de estimación generalizadas.
3.4 Modelos de efectos mixtos generalizados.
4. Tópicos especiales de análisis 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 estocásticos.
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. ANÁLISIS 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 Gómez
7.4. COMPUTACIÓN ESTADÍSTICA

Créditos: 4
Prerrequisito: Tres créditos de la agrupación programación
Descripción:
Esta asignatura dispone elementos metodológicos en el uso intensivo de computador, con el fin de
examinar de manera fáctica los desempeños y propiedades de estimadores y métodos inferenciales,
considerando modificaciones de supuestos, de condiciones o de situaciones extremas.
El estudiante que curse la asignatura y cumpla con las exigencias académicas podrá:
1. Adecuar elementos metodológicos que permitan el examen fáctico de las peculiaridades y el desem-
peño de métodos, procedimientos y modelos.
2. Elaborar y ejecutar planes de simulación cuando sea ineludible frente a un examen analı́tico teórico
no asequible.
3. Encontrar soluciones a problemas especı́ficos partiendo de nuevas ideas y enfoques.
Contenido:
1. Inferencia por simulación
1.1 Generación de números aleatorios.

1.2 Método de Monte Carlo.
1.3 Estimación y pruebas de hipótesis por el método de Monte Carlo.
2. Estudio de casos de robustez
2.1 Estudio de casos para localización, dispersion y asociación.

2.2 Estudio de casos para alteración de la distribución.
2.3 Estudio de casos con datos atı́picos.
3. Inferencia basada en permutaciones
3.1 Estudio de casos para pruebas de localización.

3.2 Estudio de casos para pruebas de dispersion y asociación.
3.3 Estudio de casos para pruebas en permutaciones de rangos.
4. Exploración de propiedades asintóticas
4.1 Convergencia en distribución simulada.

4.2 Insesgamiento simulado.
4.3 Eficiencia simulada.
4.3 Potencia de tests simulada.
5. Aplicación de métodos de remuestreo
5.1 Vision empı́rica de los métodos de Bootstrap y Jackknife.
6. Estudio de casos de imputación
6.1 Efecto sobre la localización.

6.2 Efecto sobre la dispersion.
6.3 Efecto sobre la asociación.
7.4. COMPUTACIÓN ESTADÍSTICA 79
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.
Rı́os D., Rı́os S. & Martin J. Simulación: Métodos 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 González, Leonardo Trujillo
7.5. MÉTODOS DE CLASIFICACIÓN

Créditos: 4
Prerrequisito: Estadı́stica descriptiva multivariada.
Descripción:
Se abordan los métodos de clasificación no supervisada (agrupamiento) y supervisada (discriminante)
en un contexto de minerı́a de datos.
El estudiante que curse la asignatura y que cumpla las exigencias académicas podrá:
1. Conocer los principios matemáticos en que se sustentan los métodos de clasificación no supervi-
sada (cluster analysis) y supervisada (análisis discriminante).
2. Saber distinguir las situaciones en los que se aplican cada uno de los diferentes métodos estudiados.
3. Conocer las situaciones en las cuales se complementan algunos métodos.
4. Saber utilizar los métodos en conjunto con los métodos factoriales.
5. Saber abordar métodos en aplicaciones especificas en el contexto de minerı́a de datos.
6. Saber ejecutar los métodos con programas de uso libre: R para los métodos y MySQL como mane-
jador de bases de datos.
7. Adquirir programas de minerı́a 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. Introducción
1.1 Introducción a la minerı́a de datos.
1.2 Introducción al MySQL.
2. Marco teórico para los análisis de correspondiencias de tablas estructuradas y tablas ternarias
2.1 Algebra de relaciones.
2.2 Índices y distancias entre elementos a clasificar.
2.3 Métodos de clasificación.
2.4 Métodos de clasificación.
2.5 Estrategias de clasificación.
2.6 Complementaridad entre métodos factoriales y de clasificación.
3. Conceptos comunes a los métodos de clasificación supervisada
3.1 Objetivos de un método de clasificación supervisada.
3.2 Muestra de aprendizaje y muestra de prueba.
3.3 Reglas de clasificación.
3.4 Calidad de una regla de clasificación.
4. Análisis factorial discriminante
4.1 Como un método descriptivo.
4.1.1 Funciones lineales discriminantes.
4.1.2 Relación con otros métodos.
4.2 Reglas de clasificación o afectación.
4.3 Regularización en análisis discriminante.
7.5. MÉTODOS DE CLASIFICACIÓN 81
5. Otros métodos de discriminación estadı́stica

5.1 Discriminación con variables nominales.
5.2 Discriminación usando regresión logı́stica.
6. Clasificación supervisada con árboles binarios
6.1 Construcción de un árbol de decisión binaria.
6.2 Selección del mejor sub-árbol.
6.3 Criterios de selección de la mejor división.
7. Clasificación con redes neurales

7.1 Clasificación no supervisada con redes de Kohonen.
7.2 Clasificación supervisada con el perceptron multicajas.
8. Aplicaciones a problemas de minerı́a
Anderberg, M. R. Cluster Analysis for Applications. Academic Press. 1973.

Bautista, F. & Gómez, E. Una exploración de robustez de tres pruebas: dos de permutación y la
de Mann Whitney. Revista Colombiana de Estadı́stica. 2007.
Bozdogan & Hamparsum. Statistical Data Mining and Knowledge Discovery. Chapman & Hall.
2004.
Breiman, L. Classification and Regression Trees. Chapman & Hall. 1993.

Cailliez, F. & Pages, J. Introduction à l’ Analyse des Données. Smash. 1976.
Crisei, J. V. & López, M. F. Introducción a la teorı́a y práctica de la taxonomı́a numérica.
Everitt, B. S. Cluster Analysis. Arnold London. 2001.

Fernandez, G. Data Mining Using SAS Applications. Chapman & Hall. 2003.
Fine, J. Iniciación a los análisis de datos multidimensionales a partir de ejemplos.
PRESTA. 1996.
Hand, D. J. Kernel Discriminant Analysis. Research Studies Press. 1982.
Preparado por Campo Elı́as Pardo. Revisado por Campo Elı́as Pardo.
7.6. MODELOS LINEALES GENERALIZADOS

Créditos: 4
Prerrequisito: Análisis de regresión.
Descripción:
Esta asignatura acrecienta la base conceptual y teórica para modelar la relación existente entre una
variable respuesta y un conjunto de variables explicativas, cuando la distribución asociada a la variable
respuesta pertenece a la familia exponencial.
1. Identificar los componentes del modelo lineal generalizado: función de enlace y distribución de la
variable respuesta.
2. Teorizar la construcción, evaluación y selección de un modelo lineal generalizado.
3. Estimar modelos lineales generalizados, evaluar su ajuste y seleccionar uno adecuado.
4. Verificar los supuestos del modelo lineal generalizado.
5. Elegir procedimientos de análisis de acuerdo con la estructura de los datos y los objetivos de la
investigación.
Contenido:
1. El modelo lineal general

1.2 El modelo de regresión.
1.3 El modelo de análisis de varianza.
1.4 Estimación de los parámetros 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. Estimación e inferencia en el modelo lineal generalizado
3.1 El método de máxima verosimilitud.

3.2 Estimación de parámetros en el modelo lineal generalizado.
3.3 Distribución muestral de la estadı́stica de puntaje.
3.4 Distribuciones muestrales de los estimadores máximo verosı́miles.
3.5 Intervalos de confianza para los parámetros del modelo.
3.6 Ajuste del modelo.
3.7 La estadı́stica de desvı́o D.
3.8 Pruebas de hipótesis.
3.9 Evaluación de los supuestos del modelo.
4. Casos particulares de los Modelos Lineales Generalizados
4.1 Regresión logı́stica.

4.2 Regresión multinomial.
4.3 Regresión de Poisson.
7.6. MODELOS LINEALES GENERALIZADOS 83
4.4 Modelos de análisis de sobrevida.
Dobson, Annette. An Introduction to Generalized Linear Models. Chapman & Hall . 2002.
Fahrmeir, Ludwig y Tutz, Gerhard. Multivariate Statistical Modelling Based on Generalized
Linear Models. Springer. 2001.
Hardin, James y Hilbe, Joseph. Generalized Linear Models and Extensions. College Station, TX
Stata Press. 2007.
Lindsey, James. Applying Generalized Linear Models. Springer. 1997.
McCullagh, Peter y Nelder, Jhon A. Generalized Linear Models. CRC Press. 1989.
Myers, Raymond; Montgomery, Douglas y Vining, Geoffrey. Generalized Linear Models with
Applications in Engineering and the Sciences. John Wiley & Sons. 2002.
Vargas, José A. y López, Luis A. Modelos Lineales Generalizados. Notas de clase UN (En pre-
paración). 2008.
Revista sugerida para consulta: Applied Statistics.
Revista sugerida para consulta: Technometrics.
7.7. MUESTREO ASISTIDO POR MODELOS

Créditos: 4
Prerrequisitos: Muestreo estadı́stico
Descripción:
Esta asignatura dispone el uso de información auxiliar para mejorar la precisión de las estimaciones de
parámetros de una población finita. Se examinan algunos modelos lineales que son candidatos naturales
para describir este tipo de poblaciones. Se derivan los estimadores de regresión que son generados por
estos modelos para diferentes estrategias muestrales. Además se presentan una variedad de métodos
para estimar la precisión y exactitud de estadı́sticas muestrales.
1. Identificar las caracterı́sticas propias de una estrategia muestral de dos fases y sus diversas aplica-
ciones.
2. Teorizar el uso de información auxiliar a través de modelos de regresión simple y múltiple.
3. Construir, evaluar y comparar estimadores bajo diferentes estrategias muestrales.
4. Construir y evaluar diseños de muestreo probabilı́stica.
5. Realizar estimaciones puntuales y por intervalo a partir del diseño aplicado.
6. Asesorar en la escogencia del diseño y del tamaño de muestra apropiados en una situación aplicada.
7. Construir, evaluar y comparar estimadores de la varianza usando métodos de remuestreo.
Contenido:
1. Conceptos básicos de muestreo probabilı́stico

1.1 Estimación de totales.
1.2 Funciones lineales de totales y funciones no lineales de totales.
1.3 Estimación de los coeficientes de regresión.
2. El estimador de regresión
2.1 Estimador de diferencia y estimador de regresión.
2.2 Estimador de razón.
2.3 Postestratificación.
2.4 Estimadores basados en modelos de regresión múltiple.
2.5 Estimadores de calibración.
3. Estimadores de regresión en diseños de conglomerados y en diseños en varias etapas
3.1 Estimadores de regresión y razón por modelación en la primera etapa.
3.2 Estimadores de regresión y razón por modelación en la última etapa.
3.3 Estimadores de regresión por modelación combinada en la primera y última etapa.
4. Diseño en dos fases
4.1 El π ∗ −estimador.
4.2 Diseño en dos fases para estratificación.
4.3 Aplicaciones del diseño en dos fases.
4.4 Muestreo repetido, encuestas en panel y estimación de diferencias con traslape.
5. Estimación 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.
Brewer, K. Combined Survey Sampling Inference. Arnold Publishers. 2002.
Brick, J.; Broenep, J. y Severinse, J. Muestreo: Diseño y análisis. International Thomson. 2000.
Lohr, S. L. Survey Measurement and Process Quality Wiley. 1997.
Särndal, 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 González, Leonardo Trujillo y Pedro Nel
Pacheco.
7.8. PROCESOS ESTOCÁSTICOS

Créditos: 4
Descripción:
Esta asignatura dispone conocimientos matemáticos para caracterizar y estudiar fenómenos aleatorios
que se asocian con una variable aleatoria indexada.
1. Reconocer el modelo estocástico adecuado en la descripción de una situación real o ficticia.
Contenido:
1. Revisión de conceptos básicos de probabilidad

1.1 Espacios de probabilidad: Definición y propiedades básicas.
1.2 Variables aleatorias.
1.3 Función de distribución.
1.4 Función de densidad.
1.5 Algunas distribuciones importantes.
1.6 Funciones generadoras de momentos.
1.7 Esperanza condicional.
1.8 Modos de convergencia: definiciones y teoremas básicos.
2. Clasificación de procesos estocásticos generales
2.1 Descripción y definición de procesos estocásticos.
2.2 Trayectorias.
2.3 Distribuciones finito dimensionales.
2.4 Teorema de Kolmogoroff.
2.5 Procesos con incrementos estacionarios.
2.6 Procesos con incrementos independientes.
2.7 Procesos de Markov.
2.8 Procesos de segundo orden.
3. Cadenas de Markov finitas
3.2 Probabilidades de transición.
3.3 Matriz de transición.
3.4 Representación gráfica de cadenas de Markov finitas.
3.5 Ecuaciones de Chapman-Kolmogoroff.
3.6 Probabilidad de transición en n pasos.
3.7 Clasificación de estados.
3.8 Distribución lı́mite.
4. Cadenas de Markov con conjunto de estados contable infinito
4.1 Recurrencia y transitoriedad.
7.8. PROCESOS ESTOCÁSTICOS 87
4.2 Recurrencia positiva y nula.

4.3 Procesos de ramificación.
5. Cadenas de Markov con parámetro de tiempo continuo
5.1 Proceso de Poisson.
5.2 Procesos de nacimiento y muerte.
6. Martingalas
6.2 Propiedades básicas.
7. Movimiento browniano
7.2 Propiedades básicas.
Bhat, N. Elements of Applied Stochastic Processes. John Wiley & Sons. 1984.
Durret, R. Essentials of Stochastic Processes. Springer. 2001.
Grimmett, G. & Stirzaker, D. Probability and Random Processes. Prentice Hall. 1998.
Hoel, P.; Port, S. & Stone, C. Introduction to Stochastic Processes. Houghton Mifflin. 1972.
Karlin, S. & Taylor, H. A First Course in Stochastic Processes. Ac. Press. 1975.
Lawler, G. Introduction to Stochastic Processes. Chapman & Hall. 1996.
Mikosh, T. Elementary Stochastic Calculus with Finance in View. World Scientific. 1999.
Ross, S. Stochastic Processes. Wiley. 1996.
Todorovic, P. An Introduction to Stochastic Processes and their Applications. Springer. 1992.
Preparado por Liliana Blanco. Revisado por Luz Mery González, Leonardo Trujillo y Pedro Nel
Pacheco.
7.9. SERIES DE TIEMPO MULTIVARIADAS

Créditos: 4
Prerrequisito: Series de tiempo univariadas
Descripción:
Esta asignatura acrecienta la base conceptual para modelar el comportamiento de varias variables
cuantitativas observadas a través del tiempo, en forma discreta. Fortalece las competencias alcanzadas
por el estudiante en el curso de Series de tiempo univariadas.
1. Identificar la estructura general de una serie de tiempo multivariada.
2. Teorizar la construcción de modelos de series de tiempo a partir de las bases proporcionadas por
los procesos estocásticos multivariados.
3. Conceptualizar la implementación de los modelos de estados.
4. Apropiar conceptos y fundamentos básicos del análisis espectral de series de tiempo multivariadas.
5. Ajustar modelos que involucren varias variables cuantitativas medidas a través del tiempo.
Contenido:
1. Introducción al análisis de series temporales multivariadas

1.1 Procesos estocásticos estacionarios multivariados.
1.2 Modelos VAR(p): propiedades, estimación, verificación, predicción.
1.3 Análisis estructural de modelos VAR(p): Causalidad en el sentido de Granger, Análisis de
Impulso-Respuesta, Descomposición de la varianza de predicción.
1.4 Procesos estocásticos multivariados no estacionarios: cointegración, raı́ces unitarias y ten-
dencias comunes.
2. Modelos de estados
2.1 Especificación y supuestos básicos del modelo de estados.
2.2 Predicción de los vectores de estado: el filtro de Kalman y el suavizador de punto fijo.
2.3 Propiedades de un modelo de estados invariante en el tiempo: identificabilidad del modelo.
2.4 Estimación de hiperparámetros: cálculo de la función de verosimiltud.
2.5 Cálculo de pronósticos del vector de variables observables.
2.6 Verificación de supuestos del modelo (los residuales).
2.7 Modelos de componentes no observables (modelo estructural básico).
3. Análisis espectral multivariado
3.1 El espectro de procesos estacionarios vectoriales.
3.2 Conceptos de coherencia, ganancia y fase.
3.3 Estimación de la función de densidad espectral multivariada.
3.4 Ejemplos y aplicaciones.
4. Tópicos adicionales
4.1 Reducción de dimensión: componentes principales y factores comunes dinámicos.
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 Gómez y Diana Franco.
7.10. TÓPICOS AVANZADOS DE DISEÑO EXPERIMEN-

TAL
Créditos: 4
Prerrequisito: Diseño de experimentos
Descripción:
Esta asignatura acrecienta la base conceptual para modelar y analizar un diseño experimental con
una estructura compleja.
1. Identificar metodologı́as y estrategias para abordar diseños experimentales complejos.
2. Teorizar la construcción y la modelación de diseños de bloques incompletos, análisis de datos lon-
gitudinales y de modelos mixtos.
3. Apropiar las metodologı́as de confusión y superficies de respuesta.
4. Elegir procedimientos teniendo en cuenta la estructura de los datos y los objetivos de la investiga-
ción.
5. Evaluar los resultados de la aplicación de un diseño o metodologı́a, a partir de ello ratificarla o
elegir análisis alternativos.
Contenido:
1. Confusión en factoriales y factoriales fraccionados
1.1 Confusión parcial en arreglos factoriales fraccionados simétricos pk .

1.2 Concepto de alias y resoluciones. Tipos de resolución.
1.3 Factoriales fraccionados asimétricos con confusión.
1.4 Factoriales fraccionados en fracciones regulares e irregulares.
1.5 Diseños de mı́nima aberración.
2. Diseño en bloques incompletos
2.1 Introducción a la teorı́a de los diseños en bloques incompletos. Tipos I, II, III, IV y V.
2.2 Análisis de experimentos en bloques incompletos con recuperación de información Inter.-
bloques.
2.3 Bloques incompletos equilibrados.
2.4 Bloques incompletos desequilibrados, bloques incompletos parcialmente desequilibrados.
3. Metodologı́a de superficies de respuesta de primer orden en datos normales y no normales
3.1 Introducción a las superficies de respuesta. Principio del error puro y falta de ajuste.
3.2 Modelos de diseños de primer orden. Diseños para ajustar estos modelos o reducir.
3.3 Modelos y diseños de segundo orden. Diseños rotables de segundo orden. Diseños de segundo
orden ortogonales.
3.4 Determinación de las condiciones óptimas.
3.5 Exploración local para el ajuste de modelos de primer y segundo orden.
3.6 Ajuste de superficies de respuesta no lineales.
4. Análisis de datos longitudinales en el contexto de diseño experimental
4.1 Experimentos cross-over de diseños simples 2x2. Cross-over con respuesta binaria.
7.10. TÓPICOS AVANZADOS DE DISEÑO EXPERIMENTAL 91
4.2 Planes de diseños longitudinales. Motivación. Análisis de datos longitudinales con una mues-
tra. Análisis de perfiles.
4.3 Análisis de perfiles y curvas de crecimiento en diseños con medias repetidas. Introducción
al análisis de varianza multivariado.
5. Introducción a los modelos mixtos

5.1 Introducción a los modelos de efectos aleatorios. Análisis de datos balanceados.
5.2 Los métodos de Henderson I, II y III en la estimación de componentes de varianza. Lecturas
adicionales.
5.3 Sobre métodos alternativos para la estimación de los componentes de la varianza. MIXTO,
MINQUE, MIVQUE, REML.
5.4 Mejores predictores lineales insesgados.
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.
Capı́tulo 8
APLICACIÓN ESTADÍSTICA
Alrededor del núcleo estadı́stico, el currı́culo le ofrece al estudiante diversas posibilidades de agregar
otros temas especiales en la ruta del afianzamiento y robustecimiento de las competencias profesionales
ya emprendidas al cursar asignaturas del núcleo. Los temas propios de las asignaturas de esta agrupa-
ción están orientados al desarrollo de conceptos y procedimientos con objeto bien definido dentro de
las aplicaciones estadı́sticas. Por tanto su propósito concreto puede describirse mediante el objetivo
curricular de:
“Generar contextos especializados que surtan elementos de diversas aplicaciones estadı́sticas para
estimular el acrecentamiento de las competencias y posibilidades profesionales”
La lista de asignaturas de aplicación estadı́stica se relaciona en el cuadro 8.
Cuadro 8.1: Asignaturas de la agrupación Aplicación estadı́stica

Cálculo actuarial Optativa 3
Finanzas y modelos de inversión Optativa 3
Teorı́a estadı́stica del riesgo Optativa 3
Control estadı́stico de calidad Optativa 3
Muestreo en poblaciones biológicas Optativa 3
Demografı́a Optativa 3
Epidemiologı́a Optativa 3
Teorı́a de respuesta al ı́tem Optativa 3
Modelos de sobrevivencia univariados Optativa 3
Modelos de sobrevivencia multivariados Optativa 3
Tópicos de econometrı́a I Optativa 3
Tópicos de econometrı́a II Optativa 3
Estrategia de mercados Optativa 3
Control de calidad y sistemas de gestión Optativa 3
Inteligencia artificial Optativa 4
Minerı́a de datos Optativa 4
Investigación de operaciones I Optativa 3
Investigación de operaciones II Optativa 4
Modelamiento y simulación Optativa 3
94 CAPÍTULO 8. APLICACIÓN ESTADÍSTICA
8.1. CÁLCULO ACTUARIAL

Créditos: 3
Descripción:
Esta asignatura dispone los métodos matemáticos y estadı́sticos para construir algunos planes de
seguros para hechos contingentes de vida o renta.
1. Crear y diseñar productos de seguros de vida y renta.
2. Desarrollar modelos computacionales para el cálculo de los productos de vida y de renta.
Contenido:
1. La medición del interés y anualidades
1.1 Función de acumulación simple y compuesta.

1.2 Tasas de interés: 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 Introducción a mercados financieros y de derivados.
2. Modelos de supervivencia y tablas de mortalidad
2.1 Las funciones de supervivencia y de riesgo.

2.2 Probabilidades condicionales.
2.3 Doble y simple decremento.
2.4 Tablas de mortalidad: componentes.
2.4.1 Suposiciones para el cálculo de probabilidades a edades fraccionarias.
2.5 Probabilidades de muerte sobre varias vidas.
2.5.1 Grupos que se extinguen al primer fallecimiento, al último 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 función de beneficio.

3.2 Seguro dotal puro.
3.3 Seguros de una vida pagaderos en el momento de la muerte, al final del mes de muerte y
al final del año 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. CÁLCULO ACTUARIAL 95
4.4 Funciones de conmutación.

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 cesión.
5.6 Seguros saldado y prorrogado.
5.7 Participación de utilidades.
Bowers, N. L.; Gerber, H. U.; Hickman, J. C. Actuarial Mathematics. Society of Actuaries. 1997.
Huertas, J. Cálculo 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 González y Leonardo Trujillo.
8.2. CONTROL ESTADÍSTICO DE CALIDAD

Créditos: 3
Descripción:
Esta asignatura dispone los métodos estadı́sticos utilizados para alcanzar el aseguramiento de la
calidad en procesos industriales y de servicios, de tal forma que los artı́culos fabricados o los servicios
satisfagan los requisitos de las normas técnicas que definen las especificaciones requeridas por el
mercado.
El estudiante que curse la asignatura y que cumpla las exigencias académicas podrá:
1. Identificar la importancia de la calidad en el desarrollo y crecimiento de las empresas.
2. Evaluar la eficacia y eficiencia de las caracterı́sticas propias de un programa de mejoramiento con-
tinuo de la calidad.
3. Aplicar y utilizar las técnicas de control de calidad en el proceso de fabricación e interpretar las
normas técnicas existentes en el mercado.
4. Usar métodos para comparar procesos industriales y de servicios teniendo en cuenta las especifica-
ciones o requisitos dados para tomar acciones correctivas apropiadas cuando existe una discrepancia
entre el funcionamiento real y el estándar.
Contenido:
1. Introducción
1.1 El concepto de calidad.
1.2 Calidad y productividad.
1.3 Control estadı́stico de procesos.
2. Construcción de cartas de control
2.1 Variabilidad de un proceso.
2.2 Definición de una carta de control.
3. Cartas de control para variables continuas
3.1 Carta X.
3.2 Longitud promedio de corrida (ARL).
3.3 Cartas R, S y S2 .
3.4 Cartas para observaciones individuales.
8.2. CONTROL ESTADÍSTICO DE CALIDAD 97
4. Capacidad de un proceso
4.1 Índices de capacidad.
4.2 Estimación de los ı́ndices de capacidad.
4.3 Índices 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 distribución geométrica.
5.3 Carta de control por deméritos.
6. Cartas CUSUM
6.1 Cartas CUSUM para la media.
6.2 Cartas CUSUM para la dispersión.
7. Cartas EWMA
7.1 Carta EWMA para la media.
7.2 Carta EWMA para la dispersión.
8. Cartas de control multivariadas
8.1 Carta de control para el vector de medias.
8.2 Cartas de control para la dispersión del proceso.
8.3 Carta T2 con estimadores alternativos de media y varianza.
8.4 Cartas CUSUM multivariadas.
8.5 Cartas EWMA multivariadas.
9. Cartas de control especiales
9.1 Cartas de control Boostrap.
9.2 Cartas de control con datos autocorrelacionados.
9.3 Cartas de control con intervalos de muestreo variable.
10. Planes de aceptación de lotes por muestreo
10.1 Introducción.
10.2 Inspección por variables.
10.3 Inspección por atributos.
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, José A. Control Estadı́stico 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 González, Leonardo Trujillo
8.3. DEMOGRAFÍA
Créditos: 3
Descripción:
Esta asignatura define el estudio de las poblaciones humanas, su dimensión, estructura, evolución y
caracterı́sticas generales desde un punto de vista cuantitativo. De esta forma, estudia la estructura y
la dinámica de las poblaciones humanas y las leyes que rigen estos fenómenos.
El estudiante que curse la asignatura y cumpla con las exigencias académicas podrá:
1. Utilizar las principales técnicas de análisis demográfico contextualizando las interpretaciones teóri-
cas de los resultados obtenidos.
2. Construir indicadores demográficos y de migración.
3. Realizar proyecciones de población.
Contenido:
1. Introducción
1.1 Qué es la demografı́a.
2. Medición demográfica
2.1 Construcción de indicadores demográficos básicos.
2.2 Pirámides poblacionales.
2.3 Tablas de vida.
2.4 Ecuación de balance poblacional.
2.5 Indicadores esenciales en fecundidad.
2.6 Mortalidad y migración.
2.7 Teorı́as de crecimiento poblacional.
2.8 Crecimiento exponencial.
3. Causalidad
3.1 Modelos estadı́sticos para el estudio de la causalidad utilizados en las ciencias sociales.
4. Censos
4.1 Diseño y aplicación de un censo poblacional.
4.2 Utilidad de los censos.
4.3 Usos en el análisis demografico y en proyecciones de población.
5. Proyecciones
5.1 Introducción a las proyecciones poblacionales en un barrido de los métodos más comunes:
interpolación lineal.
5.2 Matrices de Leslie.
5.3 Método 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. DEMOGRAFÍA 99
6.2 Principales indicadores de mortalidad y su construcción.

6.3 Debate en la recolección y calidad de las fuentes para su medición.
6.4 Relación entre ingresos y mortalidad.
6.5 Estudios epidemiológicos.
6.6 Mortalidad infantil.
7. Aplicaciones en fecundidad
7.1 Construcción de los principales indicadores de fecundidad.
7.2 Determinantes (próximos) de la fecundidad.
7.3 Principales teorı́as en fecundidad y sus aplicaciones estadı́sticas.
7.4 Repaso de modelos probit, logit y tobit.
7.5 Relación con el mercado laboral y fecundidad adolescente.
8. Aplicaciones en otras áreas
8.1 Medición de los indicadores en migración y aplicaciones.
8.2 Mercado matrimonial (definiciones, fuentes de información, medición de indicadores matri-
moniales y modelos estadı́sticos y demográficos).
8.3 Modelos de riesgos (hazard models) y sistemas pensionales.
Hinde, A. Demographic Methods. Arnold. 1998.

Keyfitz, N. Introduction to the mathematics of population. Addison - Wesley. 1968.
Livi - Bacci. Introducción a la Demografı́a Ariel. 1993.
Rowland D. Demographic methods and concepts. Oxford. 2003.
Vallin, J. La Demografı́a. Alianza. 1995.
Preparado por Piedad Urdinola y Leonardo Trujillo. Revisado por Luz Mery González, Leonardo
8.4. EPIDEMIOLOGÍA
Créditos: 3
Descripción:
Esta asignatura pone en contexto métodos estadı́sticos para el diseño, conducción y análisis de estudios
sobre frecuencia, distribución y determinantes de enfermedades en poblaciones biológicas.
1. Manejar los términos corrientes empleados en el área de epidemiologı́a.
2. Aplicar métodos estadı́sticos en el contexto epidemilógico.
3. Interpretar los resultados para los diseños epidemiológicos más ampliamente conocidos.
4. Proponer el uso de herramientas estadı́sticas alternativas para el análisis de datos en estudios epi-
demiológicos.
Contenido:
1. Conceptos generales de introducción a la Epidemiologı́a

1.1 Definiciones básicas.
1.2 Variables en Epidemiologı́a y Causalidad.
2. Fundamentos de investigación epidemiológica
2.1 Tipos de investigación epidemiológica.
2.2 Estudios observacionales. Opciones de diseño.
3. Medidas de frecuencia
3.1 Proporciones, razones, riesgos, tasas.
3.2 Tasas de prevalencia y tasas de incidencia.
3.3 Métodos de ajuste de tasas.
4. Medidas de asociación y estudios descriptivos
4.1 Medidas de asociación.
4.2 Reportes de casos, series de casos y estudios transversales.
5. Estudios epidemiológicos
5.1 Estudios de cohorte.
5.2 Estudios de casos y controles.
5.3 Estudios experimentales.
6. Sesgo y efecto de confusión en Epidemiologı́a
6.1 Definición.
6.2 Evaluación.
7. Introducción al uso de modelos estadı́sticos en la investigación epidemiológica
7.1 Odds ratio y regresión logı́stica.
7.2 NNT (Número necesario a tratar).
8.4. EPIDEMIOLOGÍA 101
Colimon, Kahl M. Fundamentos de Epidemiologı́a. 1978.

Guerrero, R.; González, C.; Medina, E. Epidemiologı́a. 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.
Londoño, Juan L. MetodologÍa de la Investigación Epidemiológica. Universidad de Antioquia.
1995.
Rothman, Kenneth J. Modern Epidemiology. Little Brown and Company. 1986.
Ruı́z, A. et al. Investigación Clı́nica: Epidemiologı́a Clı́nica Aplicada. Ceja. 2001.
Preparado por Nelcy Rodrı́guez. Revisado por Campo Elı́as Pardo y Humberto Mayorga.
8.5. FINANZAS Y MODELOS DE INVERSIÓN

Créditos: 3
Prerrequisito: Cálculo de ecuaciones diferenciales
Descripción:
Esta asignatura define modelos relacionados con el flujo de dinero entre individuos, empresas o estados;
inversiones tales como: bonos, asignación de capital, diversificación y riesgo de cartera, entre otros.
El estudiante que curse la asignatura y cumpla con las exigencias académicas, podrá
1. Modelar problemas que aparecen en inversiones financieras utilizando herramientas matemáticas.
2. Estudiar algunos modelos que han sido desarrollados para analizar instrumentos financieros.
3. Implementar dichos modelos en paquetes computacionales para utilizarlos en la construcción de
carteras de valores y valoración de opciones.
Contenido:
1. Entorno de las inversiones
1.1 Activos reales y financieros.

1.2 Clientes del sistema financiero.
1.3 Tipos de mercados.
1.4 Mercado del dinero y mercado de capitales.
1.5 Tı́tulos valores.
1.6 Índices del mercado.
1.7 Posiciones largas y cortas.
1.8 Cuentas de margen.
2. Bonos y otros tı́tulos valores
2.1 Acciones.
2.2 Bonos.
2.3 Valoración de bono.
2.4 Duración.
2.5 Inmunización.
3. Riesgo y aversión al riesgo
3.1 Decisiones en condiciones de certeza.

3.2 Riesgo.
3.3 Criterio del valor esperado.
3.4 Función de utilidad.
3.5 Aversión 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 Asignación de capital a través de carteras riesgosas y libres de riesgo.

4.2 Carteras de un activo riesgoso y un activo libre de riesgo.
8.5. FINANZAS Y MODELOS DE INVERSIÓN 103
4.3 Tolerancia al riesgo y asignación de activos.

5. Carteras riesgosas óptimas
5.1 Diversificación y riesgo de cartera.
5.2 Carteras de dos activos riesgosos. Colocación de activos. Modelo de selección de cartera de
Markowitz.
5.3 Carteras óptimas con restricciones sobre el activo libre de riesgo.
6. Opciones
6.1 Derivados. Opciones. Futuros .Opción de compra. Opción de venta. Opciones europeas y
americanas.
6.2 Variables que afectan el valor de una opción. Cobertura o replicación de cartera.
6.3 Modelo Binomial. Modelo de Black Scholes. Estrategias especulativas usando opciones.
Bodie, A.; Kane, A. J.; Marcus. Investments. Irwin. 1996.

Fabozzi, F. J. Investment Management. Prentice Hall. 1995.
Hull, J. C. Introducción 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 González y Leonardo Trujillo.
8.6. MODELOS DE SOBREVIVENCIA MULTIVARIADOS

Créditos: 3
Prerrequisito: Modelos de sobrevivencia univariados
Descripción:
Esta asignatura dispone los fundamentos y herramientas para la construcción y análisis de modelos
estadı́sticos para varias variables que definen tiempos a evento.
El estudiante que curse la asignatura y cumpla con las exigencias podrá estimar, interpretar y aplicar
los modelos más importantes de varios tiempos a evento, delimitando los problemas y estableciendo
soluciones en situaciones particulares.
Contenido:
1. Procesos de conteo
1.1 Notación.
1.2 Modelos.
1.3 Propiedades de los modelos.
2. Tiempos de fallo multivariados
2.1 Introducción.
2.2 Copulas de supervivencia.
2.3 Estimación máximo verosı́mil y pseudo máximo verosı́mil.
2.3.1 Tiempos paralelos
2.3.2 Tiempos secuenciales
3. Múltiples causas de fallo y modelos multiestado.
3.1 Riesgos en competencia.
3.1.1 Función de verosimilitud.
3.1.2 Métodos no paramétricos.
3.1.3 Métodos paramétricos.
3.1.4 Métodos semiparamétricos para modelos de riesgo multiplicativo.
3.2 Modelos multiestado.
8.6. MODELOS DE SOBREVIVENCIA MULTIVARIADOS 105
4. Análisis de tiempos de fallo correlacionados

4.1 Introducción.
4.2 Efectos aleatorios (frailty models).
4.3 Modelos de regresión.
4.4 Estimación no paramétrica de la función de sobrevivencia.
5. Eventos recurrentes
5.1 Introducción.
5.2 Procesos de conteo y “gap times”.
5.3 Estimación de la intensidad general y media.
5.4 Métodos de diagnóstico
Hougaard, Philip. Analysis of Multivariate Survival Data. Springer. 2000.

Kalbfleisch, J. D. and Prentice, R. The Statistical Analysis of Failure Time Data. Springer. 2002.
Lawless, J. Statistical Models and Methods for Lifetime Data. Springer. 2003.
Lawless, J. The Statistical Analysis of Recurrent Events. Springer. 2007.
Therneau, T. and Grambsch, P. Modeling Survival Data. Springer. 2000.
Preparado por Jaime Huertas. Revisado por Emilse Gómez y Diana Franco.
8.7. MODELOS DE SOBREVIVENCIA UNIVARIADOS

Créditos: 3
Descripción:
Esta asignatura dispone los fundamentos y herramientas para la construcción y análisis de modelos
estadı́sticos para una variable que define el tiempo a un evento, como la muerte, la curación de una
enfermedad o el daño de una máquina. Para un adecuado seguimiento del curso, se deben tener un alto
conocimiento de a) conceptos probabilı́sticos y de inferencia estadı́stica, b) principios fundamentales de
la construcción y evaluación de modelos de regresión, y c) conceptos fundamentales de programación
estructurada.
El estudiante que curse la asignatura y cumpla con las exigencias, podrá estimar, interpretar y apli-
car los modelos más 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 paramétricos.
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. Estimación de Modelos de Sobrevida.
3.1 Tipos de censura: por la derecha, izquierda e intervalo.
3.2 Métodos actuariales de estimación.
3.3 Estimador de Kaplan-Meier.
3.4 Estimador de Nelson-Aalen.
3.5 Varianza del estimador de sobrevida.
3.6 Estimador de la función del riesgo y de riesgo acumulada.
3.7 Intervalos de confianza.
3.8 Estimación paramétrica máximo verosı́mil bajo los distintos tipos de censura.
4. Modelos de regresión paramétricos
4.1 Descripción de los modelos.
4.2 Formulación log-lineal.
4.3 Estimación máximo verosı́mil.
4.4 Métodos de diagnóstico.
5. Modelo de riesgos proporcionales de Cox
5.1 Estimación del modelo.
8.7. MODELOS DE SOBREVIVENCIA UNIVARIADOS 107
5.2 Inferencia sobre los parámetros.

5.3 Comparación de dos modelos anidados.
5.4 Estimación de la función de riesgo y de sobrevivencia.
5.5 Diagnóstico del modelo.
5.6 Extensiones del modelo de Cox.
Collet, D. Modelling Survival Data in Medical. Chapman and Hall. 2003.

Colosimo, E. A. & Giolo, S. R. Análisis de sobrevivencia aplicada. Brucher. 2006.
Cox,D.R. & Oakes, D. Analysis of Survival Data. Chapman and Hall. 1984.
Kalbfleisch, J. D. & Prentice, R. The Statistical Analysis of Failure Time Data . Wiley. 2002.
Klein, P.J. & Moechberger. Survival Analysis. Springer-Verlag. 2003.
Lawless, J . Statistical Models and Methods for Lifetime Data. Wiley. 2003.
London, D. Survival Models. ACTEX. 1997.
Preparado por Jaime Huertas. Revisado por Emilse Gómez y Diana Franco.
8.8. MUESTREO EN POBLACIONES BIOLÓGICAS

Créditos: 3
Descripción:
Esta asignatura dispone los conocimientos básicos de técnicas de muestreo de mayor utilidad para solu-
cionar problemas relacionados con áreas de las ciencias biológicas. También, dispone las metodologı́as
estadı́sticas comúnmente utilizadas en ecologı́a a nivel poblacional y comunitario.
1. Definir la población, el tipo de muestreo, los factores determinantes en el diseño de la muestra, el
cálculo del tamaño de la muestra, métodos de selección de unidades muestrales y ajustes a tamaños
de muestra para estudios en poblaciones biológicas.
Contenido:
1. Conceptos generales de muestreo

1.1 Tipos de investigación: experimental y observacional.
1.2 Definición de población y muestra.
1.3 Tipos de muestreo.
2. Elementos generales en el diseño de muestras.
2.1 Objetivos del estudio o pregunta.
2.2 Variabilidad del fenómeno.
2.3 Medidas a ser estimadas.
2.4 Errores.
3. Diseños de muestra para estudios en biologı́a y ecologı́a
3.1 Muestreo de parcelas.
3.2 Muestreo de transectos.
3.3 Muestreo de intersección de puntos (cuadrantes).
3.4 Trampeo.
3.5 Muestreo de captura y recaptura.
4. Diseño de muestras para estudios epidemiológicos
4.1 Muestras en estudios experimentales.
4.2 Muestreo para cuasiexperimentos y para experimentos clı́nicos.
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. Análisis de información biológica y ecológica. Análisis poblacional
5.1 Estructura de edad.
5.2 Construcción de tablas de vida.
5.3 Matrices de Leslie y su aplicación en manejo de poblaciones.
5.4 Crecimiento poblacional.
8.8. MUESTREO EN POBLACIONES BIOLÓGICAS 109
5.5 Dispersión poblacional.

5.6 Competencia intraspecı́fica.
5.7 Uso de programas computacionales.
6. Análisis de información biológica y ecológica. Análisis comunitario

6.1 Estructura comunitaria.
6.2 Diversidad de especies.
6.3 Curvas de utilización de recursos.
6.4 Interacciones biológicas.
6.5 Competencia interespecı́fica.
6.6 Depredación.
6.7 Relaciones tróficas.
7. Impacto ambiental
7.1 Estudios de impacto ambiental. Etapas y componentes.
7.2 Términos de referencia. Evaluación de impacto ambiental.
Begon; Harper & Townsend. Ecologı́a: 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 Estadı́stica. 2000.
Buckland, Anderson, Burnham. Introduction to Distance Sampling: Estimating Abundance of
Biological Populations. Oxford. 2001.
Celis de la Rosa Alfredo de J. Bioestadı́stica 2a. Edición. Williams & Wilkins. 2008.
Cormack. Sampling Biological Populations. Int.Cooperative Pub House. 1979.

Fuentes, E. Ecologı́a: Introducción a la teorı́a de poblaciones y comunidades. Universidad Católica
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 Estadı́sti-
ca. 2000.
Smith, R. L. & T. M. Smith. Ecologı́a. Addison-Wesley, 4ta edición. 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 Rodrı́guez. Revisado por Luz Mery González, Leonardo
8.9. TEORÍA DE RESPUESTA AL ÍTEM

Créditos: 3
Prerrequisito: Análisis de regresión.
Descripción:
Esta asignatura dispone los elementos conceptuales y metodológicos para analizar estadı́sticamente
resultados de mediciones obtenidas a través de pruebas educativas de aplicaciones masivas, desde la
perspectiva de las pruebas clásicas (TCT) tales como coeficientes de confiabilidad y discriminación
comparadas con el modelamiento (TRI) a través de funciones caracterı́sticas, logı́sticas o de Rash.
1. Escoger el modelo adecuado a la prueba bajo análisis.
2. Estimar e interpretar los parámetros del modelo escogido.
3. Comparar los parámetros estimados bajo cada esquema de análisis TCT vs TRI
4. Desarrollar aplicaciones y sistematizar los procedimientos de análisis.
Contenido:
1. Introducción
1.1 Marco conceptual de test para la evaluación de logro cognitivo, competencias y otros trazos
latentes.
2. Teorı́a clásica
2.1 Conceptos básicos de teorı́a de confiabilidad.
2.2 Error de medida.
2.3 Coeficientes de confiabilidad de una prueba.
2.4 Mediciones paralelas.
2.5 Factores que afectan la confiabilidad.
3. Introducción a teorı́a de respuesta al ı́tem
3.1 Limitaciones de la TC.
3.2 Notas históricas sobre la TRI.
3.3 Supuestos de la TRI.
3.4 Curva caracterı́stica del ı́tem.
3.5 Modelos e invarianza de TRI.
4. Estimación en TRI
4.1 Introducción y estimación de parámetros de los sujetos.
4.2 Estimación de parámetros de los items.
4.3 Ajuste de los datos al modelo.
4.4 Métrica de los sujetos y los items.
4.5 Función de información.
4.6 Funcion de información del ı́tem y del test.
5. Aplicaciones de la TRI: bancos de items
5.1 Utilidad de los bancos items.
5.2 Construcción de un banco de items.
8.9. TEORÍA DE RESPUESTA AL ÍTEM 111
5.3 Ampliación de un banco de items.

5.4 Construcción 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 Métodos de evaluación del funcionamientos diferencial de los items.
5.9 Análisis estadı́stico comparativo (clasico-IRT).
Revisado por Emilse Gómez, Diana Franco y Pedro Nel Pacheco.

8.10. TEORÍA ESTADÍSTICA DEL RIESGO

Créditos: 3
Descripción:
Esta asignatura dispone modelos estadı́sticos aplicables en un contexto de seguros.
1. Utilizar apropiadamente modelos de severidad y frecuencia y el efecto de modificaciones en primas
de seguros.
2. Utilizar apropiadamente modelos de riesgo individual y colectivo.
3. Aplicar técnicas de interpolación y simulación en seguros.
Contenido:
1. Sistemas del seguro
1.1 Teorı́a de la utilidad. Seguro y utilidad.

1.2 Modelo individual.
1.3 Modelo colectivo.
1.4 Distribución de las pérdidas agregadas.
2. Modelos de frecuencia y severidad con modificaciones
2.1 Deducible.
2.2 Lı́mites.
2.3 Coaseguros.
2.4 Modelos de pérdida en seguros.
3. Algunos métodos de aproximación
3.1 Fórmula de Panjer.

3.2 Aproximación normal.
3.3 Aproximación gamma.
4. Teorı́a de la ruina
4.1 Modelo clásico de Cramer-Lundberg.

4.2 Modelos en tiempo discreto.
4.3 Modelos en tiempo continuo.
5. Aplicación en reaseguros
5.1 Reaseguro aplicado a cada reclamación.

5.2 Reaseguro aplicado a la pérdida agregada.
6. Técnicas interpolación y simulación
6.1 Splines cúbicos.

6.2 Ejemplos de simulación de seguros.
8.10. TEORÍA ESTADÍSTICA DEL RIESGO 113
Hardy, M An Introduction to risk measures for actuarial applications. SOA Study Note C-25-07.
2006.
Kaas, Goovaerts, Dhaene, and Denuit Modern actuarial risk theory. Kluwer academic publishers.
2001.
Klugman, S. A., Panjer, H. H. & Willmot, G. E. Loss Models: From Data to Decisions. Wiley.
2004.
Thomas N. Herzog and Graham Lord. Applications of Monte Carlo methods to finance & Insu-
rance. Actex Publications. 2004.
Preparado por Piedad Urdinola y Leonardo Trujillo. Revisado por Luz Mery González, Leonardo
Capı́tulo 9
CONSOLIDACIÓN ESTADÍSTICA
El sentido fáctico de esta agrupación, está en correspondencia con el empeño del espı́ritu del plan de
estudios de garantizar experiencias formativas que le permitan al estudiante integrar conocimientos
y dar firmeza y solidez a sus competencias, de manera que fruto de su afianzamiento la Universidad
pueda asegurar con alto grado de certeza la calidad de la formación impartida en sus aulas. Como cul-
minación del proceso formativo de un profesional en Estadı́stica, el currı́culo le otorga una ponderación
superlativa al trabajo autónomo, siendo el trabajo docente meramente orientador.
El objetivo que orienta la presencia de esta agrupación dentro de la organización curricular responde
a:
“Concluir la formación profesional del estudiante de la Carrera de Estadı́stica, mediante el cumpli-
miento de un epı́logo curricular, integrado por experiencias académicas que le permitan al estudiante
transferir aspectos de la realidad al plano conceptual y derivar de su elaboración soluciones particu-
lares, con el propósito de consolidar la formación profesional”.
Tres asignaturas conforman esta agrupación, que se presentan en el cuadro 9.
Cuadro 9.1: Asignaturas de la agrupación Consolidación estadı́stica

Trabajo de grado Obligatoria 2
Seminario de estadı́stica Obligatoria 2
Consultorı́a estadı́stica Obligatoria 8
9.1. CONSULTORÍA ESTADÍSTICA

Créditos: 2
Prerrequisito: Aprobación de 39 créditos del componente de formación disciplinar o profesional
Descripción:
Esta asignatura propicia el fortalecimiento profesional y estimula la creatividad del estudiante median-
te la generación de un espacio en el que enfrente situaciones reales, para que dictamine la pertinencia
y viabilidad estadı́stica de la consulta, proponga e implemente la mejor solución, si hay lugar a ello.
El estudiante que curse la asignatura y cumpla con las exigencias, estará en capacidad de:
1. Aplicar elementos que le permitan una comunicación profesional con el consultante.
2. Entender un problema consultado y recomendar alternativas de solución con herramientas estadı́sti-
116 CAPÍTULO 9. CONSOLIDACIÓN ESTADÍSTICA
cas apropiadas.
3. Elaborar reportes de avance, bitácoras y reportes técnicos.
Contenido:
1. Marco conceptual
1.1 Definiciones. Consultorı́a versus asesorı́a estadı́stica.
1.2 Caracterı́sticas de una consultorı́a estadı́stica.
1.3 Historia de la consultorı́a estadı́stica local y mundial.
2. La consultorı́a estadı́stica en contexto
2.1 En la Universidad Nacional.
2.2 En Colombia.
2.3 En el mundo.
3. Etapas de una consultorı́a estadı́stica
3.1 Identificación del problema consultado.
3.2 Traducción del problema al lenguaje estadı́stico.
3.3 Planteamiento de soluciones al problema.
3.4 Comunicación y discusión de las soluciones al consultante en su contexto.
3.5 Elaboración de un informe.
4. Marco legal y ético de la consultorı́a estadı́stica.
D.J.Hand y B.S.Everitt (Eds). The Statistical Consultant in Action. Cambridge U. Press. 1987.
Derr J. Statistical Consulting: A Guide to Effective Communication. Duxbury Thomson. 2000.
Boice R. Professors as Writers: A elf-Help Guide to Productive Writing. New Forums Press.
1990.
Peat J, Elliott E, Baur L, Keena V. Scientific Writing. BMJ Books. 2002.
Stausser J. Painless Writing. Barron’s. 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 Rodrı́guez y Luz Mery González.

9.2. SEMINARIO DE ESTADÍSTICA 117
9.2. SEMINARIO DE ESTADÍSTICA

Créditos: 2
Prerrequisito: Aprobación de 39 créditos del componente disciplinar o profesional
Descripción:
Esta asignatura provee actividades para consolidar los conocimientos y habilidades en la estruc-
turación estadı́stica y metodológica de un proyecto de investigación.
1. Formular y escribir de manera autónoma una propuesta de proyecto de investigación en Estadı́sti-
ca.
2. Acompañar el proceso metodológico de propuestas de investigación en otras áreas del conoci-
miento.
3. Redactar y presentar los documentos propios de las etapas de un proceso de investigación.
4. Velar por el cumplimiento de los aspectos éticos y normativos propios de un proceso investi-
gativo.
Contenido:
1. Normas sobre documentos escritos
1.1 Presentación de un proyecto de investigación.

1.2 Publicación de artı́culos cientı́ficos nacionales e internacionales.
1.3 Normas y estilos de citación y bibliografı́a.
2. Elementos conceptuales de una investigación
2.1 Planteamiento del problema.

2.2 Formulación de objetivos.
2.3 Elaboración del marco teórico.
2.4 Diseño metodológico.
2.5 Cronograma.
2.6 Presupuesto.
3. Exposición oral de propuestas individuales
3.1 Temas potenciales (grupos de investigación).

3.2 Propuesta de investigación.
3.3 Anteproyecto de investigación.
3.4 Proyecto de investigación
4. Exposición escrita de propuestas individuales
4.1 Propuesta de investigación.

4.2 Anteproyecto de investigación.
4.3 Proyecto de investigación.
ICONTEC. Compendio-Tesis y otros trabajos de grado. Quinta actualización. Icontec, Colombia.

2002.
118 CAPÍTULO 9. CONSOLIDACIÓN ESTADÍSTICA
Ouellet, A. Procesos de investigación. EAN, Colombia. 2001.

Sampieri R, Fernandez, C. Baptista, P. Metodologı́a de la investigación cientı́fica. Mac Graw
Hill. 2003.
Zorrilla S., Torres M. Guı́a para elaborar la tesis. Mac Graw Hill. 1992.
Propuesta inicial: Piedad Urdinola, Emilse Gómez y Humberto Mayorga. Revisado por Nelcy Ro-
drı́guez y Luz Mery González. Modificado por el Comité de Pregrado y Humberto Mayorga.
9.3. TRABAJO DE GRADO 119
9.3. TRABAJO DE GRADO

Créditos: 8
Prerrequisito: Aprobación de 49 créditos del componente de formación profesional o disciplinar
Modalidades:
1. Trabajos investigativos: Trabajo monográfico, Participación en proyectos de investigación, Pro-

yecto final
2. Prácticas de extensión: Participación en programas docente–asistenciales, Internado médico,
Pasantı́a, Emprendimiento empresarial, Proyecto social
3. Actividades especiales: Exámenes preparatorios

4. Opción de grado: Cursos de posgrado.
Descripción:
El trabajo de grado tiene como objetivo especı́fico dentro de la agrupación de consolidación
estadı́stica: “Integrar conocimientos y experiencias formativas, mediante la planeación y ejecución
de un trabajo de investigación bajo la orientación de un profesor, como propuesta de modelado o
solución práctica a un problema real o de evaluación de una propuesta de mejoramiento, comparación
o desempeño de un método o procedimiento estadı́stico”.
Comentario: Este objetivo ha sido formulado teniendo en cuenta las modalidades, trabajo inves-
tigativo y pasantı́a, pero debido a la flexibilidad para cursar la asignatura, quien opte por materias
del posgrado o examenes preparatorios, como trabajo de grado, y su plan de vida incluya formación
más avanzada, cumplirá con este objetivo en mayor medida con una tesis de maestrı́a o doctoral.
Preparado por el Comité asesor de carrera y Humberto Mayorga.

Cuadernillo de Asignaturas PDF

Cargado por

Copyright:

Formatos disponibles

Cuadernillo de Asignaturas PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Cuadernillo de Asignaturas PDF

Cargado por

Copyright:

Formatos disponibles

CUADERNILLO DE ASIGNATURAS

OFERTADAS POR EL DEPARTAMENTO DE ESTADÍSTICA

COMITÉ ASESOR DE PREGRADO:

UNIVERSIDAD NACIONAL DE COLOMBIA

6.4. DISEÑO Y DESARROLLO DE ENCUESTAS . . . . . . . . . . . . . . . . . . . . . . 54

9. CONSOLIDACIÓN ESTADÍSTICA 115

Cuadro 1.1: Asignaturas de la agrupación Fundamentación Matemático-Estadı́stica

Asignatura Carácter Créditos

1.1. ÁLGEBRA LINEAL BÁSICA

3.1 Eliminación por Gauss-Jordan. Sistemas homogéneos.

6. Inversa de una Matriz.

7. Subespacios, base, dimensión y rango. Subespacios asociados con matrices.

10. Introducción a las Transformaciones Lineales.

12. Introducción a valores y vectores propios. Valores y vectores propios de matrices n × n.

16. Complementos Ortogonales.

21. Cambio de Base.

23. El núcleo y la imagen de una transformación lineal.

1.2. ÁLGEBRA MATRICIAL

Prerrequisito: Álgebra lineal básica

1. Conceptos preliminares sobre matrices

5.3 El problema de mı́nimos cuadrados.

8.1 Diferenciación de formas lineales y cuadráticas.

Harville, D. A. Matrix Algebra from a Statistician’s perspective. Springer-Verlag. 1997.

1.3. CÁLCULO DIFERENCIAL EN UNA VARIABLE

Prerrequisito: Haber aprobado el examen de clasificación en el área de matemáticas

Finney, R. L Cálculo. Prentice-Hall. 2000.

1.4. CÁLCULO INTEGRAL EN UNA VARIABLE

Prerrequisito: Cálculo diferencial en una variable

1.1 Antiderivadas o primitivas y problemas de condiciones iniciales.

Edwards y Penney. Cálculo con Geometrı́a Analı́tica. Prentice Hall. 1997.

1.5. CÁLCULO VECTORIAL

Prerrequisito: Cálculo integral en una variable.

1. Cálculo Diferencial de Funciones de Varias Variables

C. Pita. Cálculo Vectorial. Prentice Hall, 1a edición. 1995.

James Stewart. Cálculo. Conceptos y contextos. International Thomson Editores. 1999.

1.6. FUNDAMENTOS DE MATEMÁTICAS

1. Conceptos Básicos de Lógica.

Allendoefer C.B y Oakley C.O. Fundamentos de Matemáticas Universitarias. McGraw-Hill, ter-

Sheinerman E.R. Matemáticas Discretas. Thomson-Learning. 2004.

1.7. INFERENCIA ESTADÍSTICA

Berger, J. Statistical Decision Theory and Bayesian Analysis. Springer. 1985.

Prerrequisito: Cálculo integral en una variable

1. Conceptos básicos de probabilidad

Blanco, L. Probabilidad. U.Nacional de Colombia. 2004.

1.9. SISTEMAS NUMÉRICOS

Prerrequisito: Fundamentos de matemáticas

Allendoefer C.B y Oakley C.O. Fundamentos de Matemáticas Universitarias. McGraw-Hill, 3ra

Cuadro 2.1: Asignaturas de la agrupación Fundamentación en Ciencias

Asignatura Carácter Créditos

2.1. CONJUNTOS Y COMBINATORIA

Prerrequisito: Fundamentos de matemáticas

orden. Cardinales y ordinales.

2.1 Conteo. Permutaciones y Combinaciones.

Chen Discrete Mathematics. http://www.maths.mq.edu.au/ wchen/lndmfolder/lndm.html. 2008.

Jech T., Hrbacek K. Introduction to Set Theory. Marcel Dekker. 1999.

2.2. GEOMETRÍA ELEMENTAL

1. Geometrı́a Plana: A. Primeros Axiomas y Postulados. B. Rectas, Segmentos y Planos. C. Con-

Clemens. Geometry. Addison Wesley. 1998.

2.3. GEOMETRÍA VECTORIAL Y ANALÍTICA