Diploma
de
Posgrado
en
Administración y Dirección.
Métodos
Cuantitativos
en
Plan de estudios

Título de la materia: Modelización y Tratamiento de la Incertidumbre
Docente a cargo de la materia y productor de contenidos: Ing Alfredo
Russo
Docente- Tutor pedagógico: Ing Alfredo Russo y otro a designar.
Fundamentación: Este curso es en parte nivelador de conocimientos y en parte
introductorio a los siguientes. Se dictan temas como Estadística Descriptiva,
Inferencia Bayesiana y Regresiones Lineales simples y multivariadas, todas con el
uso de R.
Objetivo general
Actualizar conocimientos de Estadística, introducir al uso del paquete estadístico R,
introducir el enfoque Bayesiano de la Inferencia Estadística
Objetivos específicos:
Al completar el cursado, el alumno:
 Será capaz de utilizar el paquete estadístico R para aplicar métodos de la
inferencia estadística en un problema determinado.
 Sabrá aplicar la teoría del cálculo de probabilidades en ejemplos concretos.
 Será capaz de analizar y modelar datos según el enfoque bayesiano.
 Sabrá aplicar la técnicas bayesianas de regresión lineal simple y
multivariada.
Unidades y/o módulos
I – Estadística descriptiva: Técnicas del análisis descriptivo de datos. Análisis
Gráfico de un conjunto de Datos. Cálculo de Medidas Descriptivas.
II – Probabilidades: Cálculo de Probabilidades. Definiciones básicas. Probabilidad
Condicional e Independencia. Fórmula de Bayes. Probabilidad Total. Modelos
gráficos. Asignación de Distribuciones a Priori.
III - Variables Aleatorias:
Distribuciones de Probabilidad.
Variables
Aleatorias
Discretas
y
Continuas.
IV - Inferencia Estadística Bayesiana: Modelos. Modelo Beta – Binomial. Modelo
Normal – Normal. Inferencia Bayesiana. Estimación puntual. Estimación por
Intervalos. Contraste de Hipótesis.
V. Modelos Lineales: Regresión Lineal Simple. Regresión Lineal Multivariada.
NOTA: Las clases teóricas y prácticas demandan un total de 30 horas, durante las
cuales se ponen la bibliografía obligatoria completa a disposición de los asistentes,
bajo la forma de cursos multimedia. La bibliografía obligatoria incluye un tutorial de
R con las funciones básicas del programa. Se supone que el asistente tiene que
dedicar no menos de 100 horas de estudio y desarrollo de problemas de aplicación
para poder aprobar el curso.
Durante el desarrollo del curso se deberán hacer tres entregas de evaluación, que
comprenderán problemas de aplicación usando el software recomendado.
Las 30 horas de curso se dictan en tres semanas. Durante ese período, los
asistentes pueden hacer consultas por el correo electrónico del campus. Se prevén
conferencias simultáneas con video usando utilitarios sin costo (Skype o similar)
Contenidos
Los descritos más arriba.
Bibliografía Obligatoria
Material multimedia a entregar con el curso
Tutorial de R a entregar (se lo puede bajar de http://www.r-project.org/)
Modo de evaluación
3 Entregas periódicas de problemas a resolver y un trabajo final
Cronograma de la materia
Semana
Horario
1
I y II
10
Cantidad de
horas
Prácticas
Participación
en foros y
debates
40
2
III y IV
10
30
3
V y evaluación
10
30
30
100
Total

Tema o
Unidad
Temática
Cantidad
de horas
Teóricas
Docente a
cargo
A Russo y
H Ferrari
A Russo y
H Ferrari
A Russo y
H Ferrari
Título de la materia: Ingeniería de la Decisión
Docente a cargo de la materia y productor de contenidos: Ing Alfredo
Russo
Docente- Tutor pedagógico: Ing Alfredo Russo
Fundamentación: La asignatura de Ingeniería de la Decisión proporciona los
modelos y herramientas básicas de ayuda a la toma de decisiones, bien por
individuos, bien por grupos, aportando además conceptos básicos en relación con
los Sistemas de Ayuda a la Decisión. Los temas principales que se cubren serán el
Análisis de Decisiones, el Análisis de Negociaciones, los Sistemas de Ayuda a la
Decisión y el Análisis de Riesgos.
Objetivo general
Que el estudiante sea capaz de desarrollar y aplicar ideas originales en el área de
ayuda a la toma de decisiones, utilizando para ello herramientas y modelos del
Análisis de Decisiones, de Negociaciones y de Riesgos.
Objetivos específicos:
Al completar el cursado, el alumno:
 Será capaz de analizar críticamente conceptos de modelización avanzados.
 Será capaz de comunicar efectivamente los resultados que haya obtenido
mediante aplicación de los métodos presentados.
 Comprenderá cómo estructurar y resolver un problema de toma de
decisiones.
 Comprenderá cómo estructurar y afrontar un problema de negociaciones.
 Comprenderá cómo analizar los riesgos en situaciones que lo requieran y
proponer fórmulas de gestión de los mismos.
 Comprenderá el concepto de sistema de ayuda a la decisión y habrá
manejado alguno de ellos.
Unidades y/o módulos
I - Introducción a la Ingeniería de la Decisión: Conceptos básicos de la
Ingeniería de la Decisión
II - Análisis de Decisiones: Aproximaciones a problemas de decisiones. El ciclo
del AD
III -Estructuración de problemas: Tablas. Árboles. Diagramas de influencia.
IV - Modelización de preferencias: Funciones de valor. Funciones de utilidad.
V - Cálculo de alternativas óptimas: Evaluación de tablas. Evaluación de
árboles. Evaluación de diagramas de influencia.
VI - Análisis de Sensibilidad - Conceptos básicos del AS.
VII - Análisis de Negociaciones: Juegos no cooperativos. Juegos en forma
normal. Dominancia. Equilibrios de Nash. Juegos secuenciales. Juegos cooperativos.
Solución de Nash. Solución de Smorodinsky Kalai. Otras. Votaciones. Esquemas de
Votación. Teorema de Arrow. Negociaciones distributivas. Métodos analíticos en
negociaciones distributivas. Cuestiones tácticas. Negociaciones integrativas.
Métodos analíticos en negociaciones integrativas. Cuestiones tácticas.
VIII - Sistemas de ayuda a la decisión: Conceptos básicos. Conceptos de SAD.
Ejemplos de SAD.
Contenidos
Los descritos más arriba.
Actividades prácticas
Sesión 1. Estructuración con GENIE
Sesión 2. Modelización con GMAA
Sesión 3. Evaluación con GENIE
Sesión 4. Empleo de GAMBIT
Sesión 5. Empleo de EXCEL para arbitraje y negociación
Bibliografía Obligatoria
Material multimedia a entregar con el curso.
Tutoriales de Genie-Owl, GMAA, Gambit
Modo de evaluación
5 Entregas periódicas de problemas a resolver (1 problema por entrega) y un
trabajo final
Cronograma de la materia:
Semana
1
2
3
Horario
Tema o
Unidad
Temática
I, II, III
IV, V, VI
VII, VIII y
evaluación
final
Total
Título de la materia:
Cantidad
de horas
Teóricas
10
10
10
Cantidad de
horas
Prácticas
Participación
en foros y
debates
40
30
30
30
100
Docente a
cargo
A Russo
A Russo
A Russo
Análisis de Datos Avanzados
Docente a cargo de la materia y productor de contenidos: Ing Alfredo
Russo y Dr Hernán Ferrari
Docente- Tutor pedagógico: Ing Alfredo Russo y Dr Hernán Ferrari
Fundamentación: En esta asignatura se presentan, mediante casos prácticos,
técnicas avanzadas del análisis de datos. Dependiendo del conocimiento previo del
alumnado se incidirá en diversas técnicas estadísticas siempre desde una
perspectiva aplicada.
Objetivo general
Que el estudiante sea capaz de desarrollar y aplicar ideas originales en el área de
ayuda a la toma de decisiones, utilizando para ello herramientas y modelos de
análisis de datos y de la Investigación Operativa. Evaluación: Lectura y exposición
en público de trabajos de investigación en el área de la Investigación Operativa, así
como de propuestas innovadoras de su aplicación a problemas reales de Toma de
Decisiones. Que sea también capaz de liderar equipos multidisciplinares con el fin
de afrontar y resolver problemas de toma de decisiones y que adquiera la habilidad
de integrar conocimientos, afrontar la complejidad, así como formular juicios a
partir de información incierta por medio de herramientas de análisis de datos, todo
ello a partir de funciones de utilidad socialmente responsables
Objetivos específicos: El participante adquirirá competencia para manejar:


Elementos de los procesos estocásticos, como son los procesos de Poisson y
las cadenas de Markov, utilizando el software adecuado.
Sabrá modelar series temporales, seleccionando y utilizando técnicas
alternativas.


Será capaz de aplicar modelos estocásticos para resolver problemas reales.
Será capaz de realizar análisis de riesgo con el software apropiado.
Unidades y/o módulos
I – Introducción: Matrices estocásticas, propiedades y operaciones con las
mismas.
II – Cadenas de Markov en Tiempo Discreto: Procesos estocásticos, camino
aleatorio, diagramas de procesos de Markov, matrices de transición, matrices de
costos, análisis de las Cadenas de Markov en Tiempo Discreto por medio de
complementos de Excel. Estados absorbentes. Resultados y su interperpretación.
III – Análisis de Series Temporales: Modelos AR Modelos MA Modelos ARIMA.
Problemas de aplicación usando software libre.
IV – Análisis de Riesgo: Regresión logística. Aplicaciones: credit scoring.
Problemas de aplicación.
Contenidos
Los descritos más arriba.
Bibliografía obligatoria
Material didáctico multimedia suministrado con el curso
Complementos de Excel del Prof Jensen de la U Texas (Markov_análisis)
Tutorial sobre el uso de complementos de Excel
Tutorial sobre Análisis de Series Temporales con R
Tutorial para el uso de R con la Regresión Logística
Modo de evaluación
4 Entregas periódicas de problemas a resolver (1 problema por tema) Los
resultados de cada etapa de evaluación se promedian para obtener una nota única
del curso.
Cronograma de la materia:
Semana
1
I y II
10
Cantidad de
horas
Prácticas
Participación
en foros y
debates
40
2
III
10
30
3
IV
10
30
Total

Horario
Tema o
Unidad
Temática
Título de la materia:
Cantidad
de horas
Teóricas
30
Minería de Datos
Docente a
cargo
A Russo y
H Ferrari
A Russo yH
Ferrari
A Russo y
H Ferrari
100
Docente a cargo de la materia y productor de contenidos: Ing Alfredo
Russo y Dr Hernán Ferrari
Docente- Tutor pedagógico: Ing Alfredo Russo y Dr Hernán Ferrari
Fundamentación: En esta asignatura se presentan, mediante casos prácticos,
técnicas clásicas y modernas de Minería de Datos. En concreto se analizarán
técnicas de representación de la información, predicción y clasificación desde una
perspectiva aplicada. Incluye el manejo de software libre para Minería de Datos
Objetivo general:
Que el estudiante sea capaz de desarrollar y aplicar ideas originales en el área de
ayuda a la toma de decisiones, utilizando para ello herramientas y modelos de
Minería de Datos. Que el estudiante adquiera la habilidad de integrar
conocimientos, afrontar la complejidad, así como formular juicios a partir de
información incierta por medio de herramientas de análisis de datos. Que adquiera
el entrenamiento necesario como para acceder a publicaciones científicas de punta
en el área de Minería de Datos.
Objetivos específicos: El participante adquirirá los conocimientos necesarios
para:





Captura, transformación y carga (ETL) de datos desde diferentes
bases de datos en uso por las empresas
Los métodos de Minería de Datos más extendidos.
Identificar aplicaciones del ámbito profesional susceptibles de ser
resueltas satisfactoriamente mediante técnicas de reconocimiento de
patrones y tendencias.
Adquirir experiencia en la utilización de las técnicas de procesado de
la información abordadas, y tener recursos suficientes para
implementar otras modalidades no experimentadas explícitamente.
Presentar sus procedimientos, defenderlos públicamente en foros
tanto técnicos como divulgativos y presentar mejoras o innovaciones
añadidas al diseño inicial.
Unidades y/o módulos:
I – Introducción: Minería de Datos, conceptos y técnicas usuales. Descripción de
los paquetes de software aptos para su ejecución.
II.- Técnicas de Reducción de la Dimensionalidad y Representación de la
Información: Componentes Principales y Escalado Multidimensional. Ejemplos,
aplicaciones.
III.- Estimación y predicción: Estimación y predicción con redes neurales y
Máquinas de Vectores Soporte (SVM) Ejemplos, aplicaciones.
IV - Clasificación Supervisada y No Supervisada: Clasificación No Supervisada:
Agrupamiento con Métodos Jerárquicos y Métodos Particionales. Clasificación
Supervisada con Redes Neurales y Máquinas de Vectores Soporte (SVM) Ejemplos,
aplicaciones
Contenidos
Los descritos más arriba.
Bibliografía obligatoria
Material didáctico multimedia suministrado con el curso
Tutorial sobre Manejo de Pentaho
Tutorial sobre R para redes neurales
Tutorial sobre R para SVM
Modo de evaluación
4 Entregas periódicas de problemas a resolver (1 problema por tema) Los
resultados de cada etapa de evaluación se promedian para obtener una nota única
del curso.
Cronograma de la materia:
Semana
Horario
Tema
o
Unidad
Temática
1
I y II
10
Cantidad de
horas
Prácticas
Participación
en foros y
debates
40
2
III
10
30
3
IV
10
30
30
100
Total
ANEXO RESOLUCIÓN (CS) Nº: 700/11
Cantidad
de horas
Teóricas
Docente a
cargo
A Russo yH
Ferrari
A Russo y
H Ferrari
A Russo y
H Ferrari
Descargar

Información general (presentación , perfil del graduado, objetivos de

Enzo Ferrari

Enzo Ferrari

BiografíaMarca FerrariAutomóviles

Clima social en el aula

Clima social en el aula

MaestrosEducaciónAlumnosEntornoPedagogíaContenidosTareasEscuelaComportamientoAdministración educativaAprendizajeEnseñanza

Tutoría y orientación

Tutoría y orientación

EducaciónAlumnosJuventudProfesoresPedagogíaProgramasAdolescenciaConsulta triádicaServiciosModelo clínicoPersonalidad

Estructura Socieconómica

Estructura Socieconómica

MaximatoEconomía mexicanaInflaciónDéficit Fiscal