Contenido
Diplomado Modelos Estadísticos para Negocios, Finanzas y Economía.
ÁREA: ESTADÍSTICA Y MATEMÁTICAS
HORARIO: LUNES DE 19:00 A 22:00 H. Y MIÉRCOLES DE 19:00 A 22:00 H.
MÓDULOS A CURSAR: 5
HORAS: 150
Información del programa.
ACERCA DEL PROGRAMA:
El objetivo general del Diplomado es brindar a los participantes los conocimientos de los conceptos y métodos estadísticos fundamentales, para aplicarlos a los negocios, las finanzas y la economía. Poner de relieve el análisis de los supuestos teóricos y señalar las limitaciones y los alcances de las conclusiones obtenidas en el análisis estadístico. Se emplean paquetes estadísticos que faciliten el análisis. Se enfoca el estudio de los modelos estadísticos como una herramienta para realizar investigación en diversas disciplinas científicas.
¿QUÉ VAS A APRENDER?.
- Las habilidades para estimar y analizar modelos estadísticos.
- Los criterios para generar el mejor modelo para un conjunto de datos dado, así como para encontrar el modelo que brinde el mejor pronóstico.
- Las técnicas que se utilizan en el análisis de series de tiempo para construir modelos, dependiendo de las características y del volumen de los datos disponibles.
¿A QUIÉN VA DIRIGIDO?.
Personas interesadas en conocer los métodos estadísticos para estimar, analizar y aplicar modelos en finanzas, economía y negocios.
Nota: Es necesario enviar el currículum vitae; tener conocimientos básicos de teoría de conjuntos, álgebra y cálculo; tener un manejo intermedio de Excel; y contar con un equipo de cómputo con Internet estable con 8 MBps para descarga y 2 MBps para carga.
Si el equipo es Windows requiere:
- Memoria: Mínimo 4 GB RAM
- Windows 7 o más actual
SI el equipo es MAC requiere:
- Memoria: Mínimo 4 GB RAM
- MacOS Sierra (10.12) o más actual.
Plan de Estudios:
Módulo 1:
CONCEPTOS DE ESTADÍSTICA Y PROBABILIDAD.
Objetivo Exponer los conceptos y conocimientos necesarios de estadística y probabilidad que se requieren para estimar y analizar modelos. Conocer la información de un conjunto de datos para poder identificar e interpretar aspectos relevantes. Definir modelos probabilísticos en una y varias variables aleatorias que describan situaciones en las que haya incertidumbre. Identificar e interpretar aspectos relevantes de un fenómeno aleatorio. Obtener resultados y conclusiones en problemas prácticos.
Temario
1. Introducción a la estadística y la probabilidad
2. Análisis exploratorio de datos Tipos de variables y escalas de medición. Representación gráfica y medidas descriptivas de conjuntos de datos. Comparación de variables entre subgrupos y asociación entre variables
3. Conceptos básicos de probabilidad Axiomas y teoremas de probabilidad. Probabilidad conjunta, marginal y condicional. Eventos independientes
4. Variables aleatorias discretas Función de probabilidad y función de distribución. Momentos de una variable aleatoria. Propiedades del valor esperado y de la varianza. Distribuciones Bernoulli, binomial y de Poisson
5. Variables aleatorias continuas Función de probabilidad y función de distribución. Momentos de una variable aleatoria. Propiedades del valor esperado y de la varianza. Distribuciones uniforme, gamma (exponencial y ji cuadrada) y normal
6. Distribuciones bivariadas y multivariadas 2Función de densidad de probabilidad conjunta, marginal y condicional. Valor esperado y varianza de una función de variables aleatorias. Variables aleatorias independientes. Distribución multinomial y normal multivariada
Módulo 2:
INFERENCIA ESTADÍSTICA.
Objetivo Adquirir los conceptos y conocimientos de inferencia estadística necesarios para estimar y analizar modelos. Conocer las características del conjunto de datos de una muestra aleatoria para identificar el tipo de inferencia estadística que se puede realizar, y así, obtener resultados, planear o hacer inferencias acerca de la población en estudio. Realizar un análisis estadístico inferencial para obtener resultados y conclusiones en problemas prácticos.
Temario
1. El problema de la inferencia estadística Objetivo de la estadística y la inferencia estadística. Concepto de distribución de muestreo. Teorema central del límite. Distribuciones muestrales relacionadas con la distribución normal
2. Estimación puntual y propiedades de estimadores Definición de estimador. Error de estimación y error cuadrático medio. Propiedades de estimadores. Métodos de estimación
3. Estimación por intervalos Concepto de intervalo de confianza. Intervalos de confianza para parámetros de localización y de dispersión. Determinación del tamaño de muestra
4. Pruebas de hipótesis paramétricas y no paramétricas Conceptos y elementos de pruebas de hipótesis. Nivel de significancia y potencia de la prueba. Prueba de razón de verosimilitudes. Prueba de hipótesis para media, proporción y varianza. Prueba de hipótesis para comparación de medias, proporciones y varianzas. Prueba de hipótesis para coeficiente de correlación (de Pearson y de Spearman). Pruebas de bondad de ajuste (normalidad)
Módulo 3:
MODELO DE REGRESIÓN LINEAL.
Objetivo Aprender las técnicas de regresión lineal para distinguir entre los tipos de datos que se tienen y los modelos que se pueden estimar. En un modelo estimado se deben aplicar las técnicas de inferencia estadística y sacar conclusiones para obtener el mejor modelo y el mejor pronóstico a partir de un conjunto de datos dado. En un modelo de regresión estimado se debe verificar que se cumplan los supuestos y, en caso de que no se cumplan, señalar las consecuencias y realizar 3las correcciones necesarias. Se estudia el uso de un paquete para análisis econométrico.
Temario
1. Modelos econométricos y datos
2. Modelo de regresión lineal simple Modelo condicional. Estimadores de mínimos cuadrados. Propiedades de los estimadores. Teorema de Gauss-Markov. Coeficiente de correlación y coeficiente de determinación. Inferencia en el modelo lineal simple. Predicción media e individual
3. Modelo de regresión lineal múltiple Especificación del modelo lineal general. Estimadores de mínimos cuadrados. Propiedades de los estimadores. Teorema de Gauss-Markov. Coeficiente de correlación, coeficiente de correlación parcial y coeficiente de determinación. Inferencia en el modelo lineal general. Predicción media e individual
4. Formas funcionales de los modelos de regresión
5. Violación de los supuestos del modelo clásico de regresión. Detección, consecuencias y corrección Normalidad de los errores. Varianza constante del error. Errores no correlacionados. Variables explicativas linealmente independientes
6. Aplicaciones
Módulo 4:
MODELOS DE PRONÓSTICO PARA SERIES DE TIEMPO.
Objetivo Proporcionar los conceptos y conocimientos necesarios para distinguir entre los enfoques cualitativo y cuantitativo del pronóstico. Reconocer el tipo del modelo subyacente en cada técnica de pronóstico estadístico, validar el modelo y aplicar la técnica cuantitativa de pronóstico adecuada, dependiendo de las características y el volumen de los datos disponibles
Temario
1. Introducción al pronóstico Métodos cualitativos y cuantitativos para la obtención de predicciones. Pronóstico estadístico
2. Conocimiento de los datos Inspección de los datos de una serie de tiempo. Técnicas de suavizamiento
3. Uso de transformaciones Transformaciones lineales y no lineales para series de tiempo. Selección de una transformación
4. Criterios para elegir una técnica de pronóstico
5. Modelos de pronóstico para series no estacionales
6. Modelos de pronóstico para series estacionales
7. Evaluación de los pronósticos 4Medidas de exactitud y de precisión para evaluar los pronósticos de una serie de tiempo
8. Aplicaciones
Módulo 5:
ANÁLISIS DE SERIES DE TIEMPO.
Objetivo Presentar las herramientas que se utilizan con mayor frecuencia en el análisis de series de tiempo. El análisis se enfoca en el dominio del tiempo, con énfasis particular en la familia de modelos ARIMA. La estrategia de construcción de modelos es la propuesta por Box y Jenkins.
Temario
1. Introducción al análisis de series de tiempo
2. Elementos de ecuaciones en diferencia Notación y conceptos elementales. Uso de operadores de retraso
3. Modelos para series univariadas Identificación de modelos ARIMA. Estimación de modelos ARIMA. Verificación de los supuestos de los modelos
4. Modelos para series estacionales Análisis de series estacionales. Construcción de modelos. Verificación de los supuestos de los modelos
5. Pronósticos para series de tiempo
6. Aplicaciones.
