Estructura de datos y programación estadística

• Fundamentos de programación estadística: sintaxis básica del lenguaje de programación, tipos de datos, estructuras fundamentales, uso de funciones, ciclos y mecanismos de control de flujo.
• Gestión y procesamiento de datos: conceptos y técnicas de manipulación y transformación de datos, procesos de representación, organización e integración de conjuntos de datos.

Fundamentos de probabilidad

• Conceptos fundamentales de probabilidad: reglas básicas, análisis de eventos aleatorios, estudio de la probabilidad condicional, teorema de Bayes.
• Variables aleatorias y distribuciones: características de las variables aleatorias, comportamiento de las distribuciones discretas y continuas, cálculo e interpretación de la esperanza, varianza, funciones de distribución.

Técnicas de muestreo y demografía

• Fundamentos y métodos de muestreo probabilístico: principales métodos de muestreo (aleatorio simple, estratificado y por conglomerados), procedimientos de estimación poblacional, análisis de la precisión muestral.
• Conceptos básicos de demografía aplicada: indicadores demográficos fundamentales, estructura y dinámica de la población en distintos contextos sociales.

Análisis exploratorio de datos

• Fundamentos del análisis exploratorio de datos (EDA): medidas de tendencia central, dispersión, análisis de distribuciones empíricas, técnicas de análisis univariante.
• Exploración de relaciones entre variables: conceptos de correlación y los patrones bivariados, métodos para identificar asociaciones y estructuras en datos categóricos.
• Representación gráfica de la información: principales gráficos descriptivos, principios de visualización de datos, identificación de valores atípicos, patrones relevantes para la interpretación de la información.

Inferencia estadística

• Estimación estadística: estimadores puntuales y sus principales propiedades, construcción e interpretación de intervalos de confianza.
• Pruebas de hipótesis: fundamentos del contraste de hipótesis (errores de tipo I y II), procedimientos de prueba aplicables a poblaciones normales y proporciones.
• Inferencia basada en modelos: contrastes para la comparación de medias y varianzas, análisis de los supuestos, limitaciones de los modelos inferenciales.

Estadística computacional

• Fundamentos de métodos computacionales estadísticos: simulación, generación de números aleatorios, técnicas de aproximación numérica, métodos computacionales básicos aplicados al análisis estadístico.
• Simulación y aplicaciones computacionales: métodos de simulación Monte Carlo, técnicas de estimación por remuestreo, aplicación de métodos computacionales para el estudio de distribuciones y aproximaciones estadísticas.

Analítica y visualización de datos

• Fundamentos de visualización y analítica descriptiva: principios de diseño gráfico y percepción visual, desarrollo de visualizaciones univariantes y multivariantes para el análisis descriptivo de la información.
• Narrativas y comunicación visual: construcción de dashboards y reportes analíticos, buenas prácticas para la comunicación efectiva de información en contextos analíticos.

Modelos estadísticos

• Modelos lineales clásicos: supuestos fundamentales del modelo lineal, métodos de estimación, análisis de las propiedades de los estimadores.
• Evaluación e interpretación del modelo: procedimientos de diagnóstico del modelo lineal, criterios de bondad de ajuste, inferencia estadística en modelos paramétricos.

Análisis y diseños experimentales

• Fundamentos del diseño experimental: conceptos básicos del diseño de experimentos (principios de control y aleatorización), estudio de los diseños completamente aleatorizados.
• Diseños con estructuras adicionales: diseños en bloques y diseño factorial general como estrategias para el control de la variabilidad.
• Diseños factoriales especiales y experimentación eficiente: diseños factoriales 2k2^k2k y 3k3^k3k, diseños factoriales fraccionarios, métodos para la identificación y resolución de confusiones.

Análisis multivariado

• Fundamentos del análisis multivariado: conceptos básicos, estructuras de covarianza, distancias multivariadas, evaluación de la normalidad multivariada.
• Métodos de reducción de dimensionalidad: análisis de componentes principales y análisis de correspondencias.
• Métodos de clasificación y agrupamiento: procedimientos de análisis discriminante , métodos de clustering para la identificación de patrones y la clasificación de datos.

Analítica y minería de datos

• Fundamentos y métodos de minería de datos: conceptos, ciclo KDD, tipos de aprendizaje, principios teóricos de clustering, clasificación y reglas de asociación.
• Analítica de datos para la detección de patrones: evaluación conceptual de modelos en analítica de datos, identificación e interpretación de patrones complejos en conjuntos de datos.

Elaboración del proyecto de tesis

• Definiciones fundamentales de investigación.
• Planteamiento del problema de investigación.
• Marco teórico e hipótesis de investigación.
• Marco metodológico de investigación y aspectos administrativos.

Modelos de series de tiempo

• Fundamentos de análisis de series de tiempo: componentes y propiedades estadísticas de las series temporales, estacionariedad, autocorrelación, modelos básicos como naïve, de tendencia y de nivel.
• Modelos estadísticos para series de tiempo: principios teóricos de los modelos ARIMA y su identificación, evaluación conceptual de los modelos, criterios de selección aplicables.

Fundamentos de machine learning

• Fundamentos del aprendizaje automático: aprendizaje supervisado y no supervisado, fundamentos teóricos del aprendizaje por refuerzo.
• Evaluación y selección de modelos: sobreajuste, validación y regularización, métricas de desempeño, comparación conceptual de modelos para la selección adecuada en distintos contextos de análisis.

Seminario de tesis I

• Revisión del planteamiento del problema de investigación.
• Revisión del marco teórico e hipótesis de investigación.
• Revisión del marco metodológico de investigación.
• Elaboración de instrumentos de recolección de datos.

Redes neuronales y visión computacional

• Fundamentos del aprendizaje profundo: perceptrón, redes neuronales básicas, algoritmo de retropropagación, regularización, funciones de activación, optimización.
• Principios de visión computacional: fundamentos de las redes neuronales convolucionales (CNN), extracción jerárquica de características, interpretación de imágenes.

Modelos prescriptivos

• Fundamentos de modelos prescriptivos: optimización lineal y no lineal, formulación teórica de modelos determinísticos de decisión.
• Principios de optimización aplicada: teoría de modelos estocásticos y de programación dinámica, evaluación conceptual de soluciones óptimas, análisis de sensibilidad en la toma de decisiones.

Estadística espacial

• Fundamentos de estadística espacial: dependencia espacial, autocorrelación, estructuras de datos georreferenciados, principios teóricos del análisis exploratorio espacial.
• Modelos estadísticos espaciales: fundamentos de los modelos de área y los modelos geostatísticos, conceptos de predicción espacial, evaluación de modelos.

Seminario de tesis II

• Validación de instrumentos de recolección de datos.
• Recolección de datos de investigación.
• Análisis de resultados de investigación.
• Discusión de resultados de investigación.

Seminario de tesis III

• Conclusiones y recomendaciones de investigación.
• Páginas preliminares de investigación.
• Revisión del informe de investigación.
• Sustentación previa del informe de investigación.