1
Diseño de un programa curricular
de doctorado en matemática y
estadística: Asignaturas y plana
docente
Gutiérrez Segura, Flabio Alfonso;
Escobar Gómez, Eder; Jiménez
Huayama, Mayckol; García Saba,
Manuel Hernán; Silupú Ortega, Vanessa
Humbertina; Sabino Escobar, Carlos
Manuel
© Gutiérrez Segura, Flabio Alfonso;
Escobar Gómez, Eder; Jiménez
Huayama, Mayckol; García Saba,
Manuel Hernán; Silupú Ortega, Vanessa
Humbertina; Sabino Escobar, Carlos
Manuel, 2026
Primera edición (1.ª ed.): agosto, 2025
Editado por:
Editorial Mar Caribe ®
www.editorialmarcaribe.es
Av. Gral. Flores 547, 70000 Col. del
Sacramento, Departamento de Colonia,
Uruguay.
Diseño de carátula e ilustraciones: Luisa
Fernanda Lugo Rojas
Libro electrónico disponible en:
https://editorialmarcaribe.es/ark:10951/is
bn.9789915698328
Formato: Electrónico
ISBN: 978-9915-698-32-8
ARK:
https://editorialmarcaribe.es/ark:10951/is
bn.9789915698328
Editorial Mar Caribe (OASPA): Como miembro de
la Open Access Scholarly Publishing Association,
apoyamos el acceso abierto de acuerdo con el
código de conducta, la transparencia y las
mejores prácticas de OASPA para la publicación
de libros académicos y de investigación. Estamos
comprometidos con los más altos estándares
editoriales en ética y deontología, bajo la
premisa de «Ciencia Abierta en América Latina y
el Caribe»
Editorial Mar Caribe, firmante Nº 795 de
12.08.2024 de la Declaración de Berlín
"... Nos sentimos obligados a abordar los retos de
Internet como un medio funcional emergente
para la distribución del conocimiento.
Obviamente, estos avances pueden modificar
significativamente la naturaleza de la publicación
científica, así como el actual sistema de garantía
de calidad...." (Max Planck Society, ed. 2003, pp.
152-153).
CC BY-NC 4.0
Los autores pueden autorizar al público en
general a reutilizar sus obras únicamente con
fines no lucrativos, los lectores pueden utilizar
una obra para generar otra, siempre que se dé
crédito a la investigación, y conceden al editor el
derecho a publicar primero su ensayo bajo los
términos de la licencia CC BY-NC 4.0.
Editorial Mar Caribe se adhiere a la
"Recomendación relativa a la preservación del
patrimonio documental, comprendido el
patrimonio digital, y el acceso al mismo" de la
UNESCO y a la Norma Internacional de
referencia para un sistema abierto de
información archivística (OAIS-ISO 14721). Este
libro está preservado digitalmente por
datasegura.info
Editorial Mar Caribe
Diseño de un programa curricular de
doctorado en matemática y estadística:
Asignaturas y plana docente
Colonia, Uruguay
2026
3
Diseño de un programa curricular de
doctorado en matemática y estadística:
Asignaturas y plana docente
4
Índice
Introducción ............................................................................................................ 9
Capítulo 1 .............................................................................................................. 12
Diseño de un programa curricular de Doctorado en Matemática y
Estadística: asignaturas y plana docente .......................................................... 12
Marco normativo y estructural del doctorado en el sistema universitario
peruano ............................................................................................................. 13
Etapas de formación e investigación autónoma .......................................... 15
La fase de formación y especialización ...................................................... 15
El examen de calificación como hito transformador ................................. 16
La etapa de investigación y seminarios de tesis ......................................... 16
Núcleo de asignaturas en matemática pura y aplicada ............................. 17
Análisis y ecuaciones diferenciales .............................................................. 17
Álgebra, geometría y topología .................................................................. 18
Núcleo de asignaturas en estadística y ciencia de datos ............................ 19
Inferencia estadística avanzada y teoría de la decisión ........................... 19
Modelos lineales y procesos estocásticos ................................................... 20
Computación y aprendizaje automático (Machine Learning) ................. 20
La plana docente: Perfiles de excelencia e investigación acreditada ...... 22
Clasificación RENACYT y el rol del docente investigador .......................... 22
Perfil de los asesores y jurados de tesis ........................................................ 23
Gestión de la investigación y recursos tecnológicos ..................................... 24
Laboratorios y herramientas computacionales .......................................... 24
Financiamiento y sostenibilidad ................................................................... 25
Internacionalización: Cotutelas y redes académicas globales ................... 25
Régimen de cotutela y dobles grados ........................................................ 25
Participación en redes y sociedades científicas ........................................ 26
Prospectiva y tendencias en la investigación doctoral ................................ 27
Impacto de la Inteligencia Artificial y la Ciencia de Datos ....................... 28
Sostenibilidad, Cambio Climático y Biomatemática ................................. 28
Capítulo 2 .............................................................................................................. 30
Impacto y desarrollo de la inteligencia artificial en los programas de
5
Doctorado en Matemática y Estadística ........................................................... 30
Fundamentación Matemática de la Inteligencia Artificial ........................... 30
Álgebra Lineal y Representación de Datos ................................................ 31
Cálculo y Optimización ................................................................................. 31
Probabilidad, Estadística y Manejo de la Incertidumbre ........................... 32
Panorama de los doctorados en matemática y estadística en el Perú ...... 32
Universidad Nacional de Piura (UNP): Integración de EDP e IA ................ 32
Universidad Nacional de Ingeniería (UNI) e IMCA ...................................... 34
Universidad Nacional Mayor de San Marcos (UNMSM) y el enfoque Deep
Tech ................................................................................................................ 34
Pontificia Universidad Católica del Perú (PUCP): Probabilidad y Procesos
Estocásticos .................................................................................................... 34
Fronteras Internacionales: TDA y Automatización del Descubrimiento ....... 35
Análisis de Datos Topológicos (TDA) ............................................................ 35
La Revolución de la IA en la Investigación Matemática Pura .................. 35
Aplicaciones de la IA en la investigación peruana ....................................... 36
Salud y Biotecnología .................................................................................... 36
Educación y Competencias Matemáticas ................................................. 36
Agricultura y Medio Ambiente ..................................................................... 37
El Ecosistema de Financiamiento e Internacionalización ............................. 37
Becas de Prociencia y Concytec ................................................................ 37
Convenios de Cotutela y Doble Grado ...................................................... 37
Ética y Responsabilidad en la IA Aplicada a la Investigación ...................... 38
Transparencia y Autoría ................................................................................ 38
Equidad y Sesgos Estadísticos ....................................................................... 39
Capítulo 3 .............................................................................................................. 41
Análisis sistémico de la línea de investigación en biomatemática y
bioestadística en el marco curricular de matemática y estadística en el Perú
................................................................................................................................ 41
Epistemología y Fundamentación de las Ciencias Matemáticas de la Vida
............................................................................................................................ 41
Arquitectura Curricular del Pregrado en Estadística y Matemática ............ 42
Ingeniería Estadística en la Universidad Nacional de Ingeniería (UNI) ..... 43
6
La Escuela Profesional de Estadística en la UNMSM ................................... 44
Otros Programas Regionales y su Enfoque en Ciencias Naturales ............ 45
Especialización y Posgrado: La Maestría en Bioestadística de la UNMSM ... 46
El Programa de Especialización de la Universidad Continental ................ 47
Modelamiento Matemático Aplicado a la Epidemiología y Salud Pública 48
Mecanismos de Modelado Determinista y Estocástico ............................. 48
Aplicaciones de la Bioestadística en el Control de Enfermedades .......... 49
Biomatemática y Bioestadística en la Gestión de Recursos Naturales y
Pesquería ........................................................................................................... 49
Modelado de la anchoveta peruana ......................................................... 50
Bioinformática y Biotecnología: La Nueva Frontera Científica ..................... 51
El Laboratorio de Bioinformática y Biología Molecular (BBM) de la UPCH51
Ingeniería Biomédica: Una Alianza Estratégica PUCP-UPCH ..................... 52
Perfil Profesional, Competencias y el Mercado Laboral ............................... 52
Competencias Específicas Requeridas ....................................................... 52
El Investigador en el Sistema Nacional (RENACYT) hasta 2021 .................. 53
Desafíos Educativos y Contexto Internacional ............................................... 54
Tendencias PISA y su Implicancia Científica ............................................... 54
Comparativa Regional: El Ecosistema Latinoamericano ........................... 55
Rol de las Sociedades Científicas y el Futuro de la Investigación ................ 55
SEMBIOMAT: El Nodo de Intercambio Científico......................................... 55
Síntesis y Perspectivas Estratégicas .................................................................. 56
Recomendaciones para el Desarrollo Curricular........................................ 56
Capítulo 4 .............................................................................................................. 58
Análisis del lenguaje natural y aprendizaje relacional y estructurado en
programas de doctorado de matemática y estadística ................................. 58
Fundamentos matemáticos y estadísticos en la investigación lingüística ... 58
El pipeline del procesamiento de lenguaje natural ................................... 59
El paradigma del aprendizaje relacional estadístico (SRL) ........................... 61
Mecanismos de la lógica de Markov .......................................................... 61
Modelado teórico de cuerdas y gramática ............................................... 62
Aprendizaje estructurado y predicción lingüística ......................................... 63
7
Inferencia y optimización en modelos estructurados ................................ 63
Modelos neuronales y gramáticas probabilísticas ..................................... 64
Modelos gráficos probabilísticos (PGM) y su relevancia ............................... 64
Tipos de representaciones gráficas ............................................................. 65
Inferencia bayesiana: el pilar del razonamiento bajo incertidumbre .......... 66
El teorema de Bayes y la actualización de creencias ............................... 66
Estadística bayesiana no paramétrica ........................................................ 67
Panorama de programas de doctorado y líneas de investigación ............. 68
Instituciones líderes y sus enfoques .............................................................. 68
Currículos y requisitos académicos .............................................................. 69
Desarrollo del campo en el contexto peruano .............................................. 70
Pontificia Universidad Católica del Perú (PUCP)......................................... 70
Universidad Nacional Mayor de San Marcos (UNMSM) ............................. 71
Universidad Nacional de Ingeniería (UNI) ................................................... 71
Financiamiento y oportunidades para investigadores: PRONABEC ............. 72
Beca Generación del Bicentenario ............................................................. 72
Tendencias emergentes: LLMs y razonamiento probabilístico ...................... 73
Bayesianismo y Grandes Modelos de Lenguaje ......................................... 73
El desafío de los datos estructurados en LLMs ............................................ 73
Capítulo 5 .............................................................................................................. 75
Estado legal, mallas curriculares y análisis de la plana docente en los
programas de doctorado en matemática y estadística en el Perú ................ 75
Evolución y marco normativo del posgrado en el sistema universitario
peruano ............................................................................................................. 75
La Ley Universitaria 30220 y las exigencias del doctorado ........................ 76
Licenciamiento y supervisión por la SUNEDU ............................................... 78
El Doctorado en Matemáticas en la Pontificia Universidad Católica del
Perú (PUCP) ........................................................................................................ 79
Estructura curricular y fases de estudio ........................................................ 79
Líneas de investigación y asignaturas destacadas .................................... 80
El Doctorado en Matemática Pura de la Universidad Nacional Mayor de
San Marcos (UNMSM) ....................................................................................... 81
El enfoque curricular del Plan 2021/2025 ..................................................... 81
8
Áreas de especialización y cursos avanzados ........................................... 83
El Doctorado en Ciencias con mención en Matemática de la Universidad
Nacional de Ingeniería (UNI) ............................................................................ 84
Programas de doctorado en estadística: ingeniería, minería de datos e
investigación aplicada ..................................................................................... 86
Doctorado en Ciencias e Ingeniería Estadística en la UNI (DCIES) ........... 86
Doctorado en Estadística Matemática Aplicada en la Universidad
Nacional de Tumbes ..................................................................................... 87
Universidad Nacional de Piura y su Doctorado en Ciencias Matemáticas
......................................................................................................................... 88
Universidad Nacional del Santa (UNS) y la Universidad Nacional de Trujillo
(UNT) ................................................................................................................ 88
Perfil del investigador y campo ocupacional en matemática y estadística
............................................................................................................................ 89
Competencias del doctor en matemática ................................................ 89
Competencias del doctor en estadística ................................................... 90
Conclusión ............................................................................................................. 93
Bibliografía ............................................................................................................. 96
9
Introducción
La formación doctoral es la cima del sistema educativo y clave para
crear conocimiento original. En ciencias exactas, esta necesidad es aún más
vital; la matemática y la estadística no solo son disciplinas con una profunda
carga teórica, sino también el idioma universal que sustenta la ciencia
moderna, la tecnología avanzada y las decisiones informadas por datos.
Este libro, titulado Diseño de un programa curricular de doctorado en
matemática y estadística: Asignaturas y plana docente, nace como una
respuesta técnica y visionaria a la brecha existente en la oferta académica
de posgrado de alta especialización. La obra que el lector tiene en sus manos
es el resultado de una investigación exhaustiva que combina el análisis
comparado de currículos internacionales con las demandas específicas del
entorno académico y científico actual.
A lo largo de estas páginas se presenta una propuesta estructurada
que trasciende la mera enumeración de contenidos. Se aborda la
arquitectura curricular como un organismo vivo, en el que la selección de
asignaturas responde a un equilibrio entre la profundidad teórica y la
aplicabilidad interdisciplinaria. Asimismo, se pone especial énfasis en el factor
humano: la plana docente. Se argumenta con rigor que un doctorado es tan
fuerte como la trayectoria investigativa y la capacidad de mentoría de sus
catedráticos.
Los autores invitan a reflexionar sobre la formación necesaria de los
investigadores que liderarán el avance científico en las próximas décadas,
garantizando que dispongan de las herramientas analíticas para afrontar
problemas complejos en un mundo cada vez más centrado en el
10
modelamiento matemático y el análisis estadístico avanzado.
La evolución de la ciencia en el siglo XXI está marcada por una
creciente complejidad que demanda profesionales con una capacidad
analítica superior. En este escenario, los programas de doctorado en
Matemática y Estadística desempeñan un rol determinante, no solo en la
formación de docentes universitarios, sino también en la formación de
investigadores capaces de expandir las fronteras del saber y de proponer
soluciones innovadoras en sectores como la biotecnología, la inteligencia
artificial, la economía cuantitativa y la ingeniería.
El diseño de un currículo doctoral no puede ser un proceso arbitrario.
Requiere una fundamentación epistemológica y pedagógica que garantice
que el egresado posea tanto una base sólida en los fundamentos de su
disciplina como una especialización de vanguardia. La presente investigación
identifica la necesidad de integrar la Matemática Pura, la Matemática
Aplicada y la Estadística de manera sinérgica, rompiendo los silos
tradicionales para fomentar una visión holística de la investigación
cuantitativa.
El objetivo central de esta obra es presentar una propuesta
metodológica y estructural para la implementación de un programa de
doctorado de excelencia. Primero, se analiza el estado del arte de la
educación doctoral en ciencias exactas a nivel global, identificando
tendencias como la transdisciplinariedad y la internacionalización. Segundo,
se detalla la organización de las asignaturas, clasificándolas en seminarios de
investigación, cursos nucleares de teoría avanzada y electivos de
especialización, lo que asegura una progresión lógica hacia la tesis doctoral.
Tercero, se proponen estándares de calidad para la selección de los
profesores, considerando criterios de producción científica (indexación e
impacto), experiencia en la dirección de tesis y en las redes de colaboración.
A través de la investigación exploratoria se recopilan fuentes
11
secundarias y estudios de caso de universidades peruanas e internacionales
para analizar la situación del currículo en programas académicos de ciencias
exactas, y se ofrece una visión inicial sobre las competencias del doctor en
matemática y estadística, lo que permite un enfoque abierto centrado en
descubrir fenómenos subyacentes y generar ideas para futuros estudios. La
propuesta curricular presentada aquí se fundamenta en un enfoque basado
en competencias investigativas. Su objetivo, además de transmitir
información, es promover la autonomía intelectual. El proceso de diseño
incluyó el análisis de programas destacados a nivel internacional, consultas
con expertos y la evaluación de las carencias en la investigación regional.
En suma, este libro ofrece una base sólida para que las instituciones de
educación superior establezcan programas de doctorado que cumplan con
los estándares de acreditación más exigentes, contribuyendo así al
fortalecimiento del capital intelectual y al prestigio científico de la comunidad
académica.
12
Capítulo 1
Diseño de un programa curricular
de Doctorado en Matemática y
Estadística: asignaturas y plana
docente
La configuración de un programa doctoral en ciencias matemáticas y
estadísticas representa uno de los desafíos más complejos en la gestión de la
educación superior contemporánea. Este proceso no se limita a la mera
enumeración de contenidos programáticos; por el contrario, exige la
creación de una arquitectura intelectual que permita el tránsito desde la
asimilación de conocimientos avanzados hasta la producción de saber
original y disruptivo.
En el contexto de las instituciones peruanas, este diseño está
intrínsecamente ligado al cumplimiento de las Condiciones Básicas de
Calidad (CBC) establecidas por la Superintendencia Nacional de Educación
Superior Universitaria (SUNEDU), que constituyen un marco de referencia
obligatorio para garantizar la excelencia académica y la sostenibilidad de la
investigación. La integración de la matemática pura con la estadística
aplicada y la reciente convergencia hacia la ciencia de datos y la
inteligencia artificial obligan a replantear los currículos tradicionales en torno
a modelos más flexibles, interdisciplinarios y orientados a la visibilidad
internacional (Gutiérrez et al., 2025).
13
Marco normativo y estructural del doctorado en
el sistema universitario peruano
La génesis de cualquier programa doctoral en el Perú debe responder
a la Ley Universitaria N° 30220 y a las directrices específicas del licenciamiento
institucional y de los programas. Según la normativa vigente, un programa de
doctorado debe contar con una carga académica mínima de 64 créditos y
una duración no inferior a 6 semestres académicos (Condori et al., 2022). Sin
embargo, la tendencia observada en instituciones de prestigio internacional
y que empieza a replicarse en programas nacionales de excelencia es la
extensión de este periodo a ocho o diez semestres para permitir una
maduración real de la tesis doctoral (véase la Tabla 1). El diseño curricular
debe segmentarse en etapas que garanticen una progresión lógica para el
estudiante.
La Condición I de SUNEDU exige la existencia de objetivos académicos
claros y planes de estudio actualizados que guarden coherencia con el perfil
del graduado. Para un doctorado en matemática y estadística, esto implica
justificar, de manera cuantitativa y cualitativa, la creación del programa en
su área de influencia, asegurando que la oferta educativa sea
financieramente sostenible durante un periodo mínimo de cinco años. La
gestión de la calidad institucional debe ser transversal y contar con áreas
especializadas para el seguimiento de los planes estratégicos y operativos.
14
Tabla 1: Programa de doctorado en Perú conforme a la Ley Universitaria N°
30220
Elemento Estructural
Requisito Normativo
(Mínimo)
Estándar de Excelencia
Créditos Académicos
64 créditos
120 - 360 créditos
Duración Cronológica
6 semestres (3 años)
8 - 10 semestres (4 - 5 años)
Modalidad de dictado
Presencial / Semipresencial
Presencial con estancias
internacionales
Requisito de idioma
Dos idiomas (uno puede ser
nativo)
Inglés avanzado (ALTE 3)
obligatorio
Ratio de presencialidad
No exclusivamente virtual
Énfasis en investigación de
laboratorio
La rigurosidad administrativa también se refleja en la designación de
las autoridades del programa. El Director de la Escuela de Posgrado debe ser
un docente de dedicación exclusiva con el grado de doctor, mientras que los
Directores de las Unidades de Posgrado (UPG) deben poseer
15
preferentemente la categoría de docente principal, lo que asegura una
conducción académica con experiencia. Esta estructura de gobierno es la
que valida el currículo de estudios y propone al Consejo Universitario la
selección de los docentes investigadores.
Etapas de formación e investigación autónoma
El diseño de un currículo doctoral moderno se divide en dos fases
críticas: la etapa formativa de profundización y la etapa de investigación
dedicada a la tesis. Esta división permite que estudiantes con diferentes
perfiles de maestría nivelen sus conocimientos en áreas fundamentales antes
de enfrentarse a problemas de frontera en matemática y en estadística.
La fase de formación y especialización
En los programas líderes como el de la Pontificia Universidad Católica
del Perú (PUCP), la primera etapa se centra en cursos de especialización
vinculados a las líneas de investigación del programa. Durante los primeros
tres semestres, el estudiante, bajo la guía de un tutor asignado desde su
ingreso, debe aprobar un número determinado de créditos en asignaturas
que consoliden su base teórica. Estas asignaturas no son meras repeticiones
de contenidos de pregrado o de maestría; son seminarios de alto nivel en los
que se discuten teoremas clásicos y resultados recientes.
La flexibilidad curricular es una característica deseable. El estudiante
debe poder elegir entre cursos de formación y de especialización que se
adapten a su proyecto de tesis. Por ejemplo, un aspirante enfocado en
geometría diferencial requerirá asignaturas sustancialmente distintas de las de
uno orientado a la probabilidad o al análisis funcional (Gutiérrez et al., 2025).
Este modelo de "tutoría desde el inicio" es compartido por instituciones
internacionales como Stanford, donde el Director de Estudios de Posgrado
(DGS) colabora en el diseño de un programa individualizado para cada
16
estudiante, especialmente cuando existen brechas en su formación previa.
El examen de calificación como hito transformador
El tránsito hacia la etapa de investigación pura está marcado por el
Examen de Calificación o de Candidatura. Este hito evaluativo suele realizarse
al finalizar el segundo o el tercer semestre y tiene como objetivo verificar que
el estudiante posee la madurez intelectual necesaria para desarrollar una tesis
doctoral original. En la PUCP, aprobar este examen es un requisito
indispensable para iniciar formalmente los seminarios de tesis.
Este examen suele consistir en pruebas escritas y orales sobre las áreas
nucleares del programa, además de la defensa de un proyecto de
investigación preliminar. En programas internacionales como el de la
Universidad Católica de Chile (UC), el examen de candidatura oral se
complementa con actividades de seguimiento y talleres de habilidades
transversales, que incluyen la ética en la investigación. La reprobación de este
hito generalmente conlleva la separación del programa o la obtención de un
grado intermedio de maestría, lo que asegura que solo los perfiles más aptos
alcancen la condición de candidatos a doctorado.
La etapa de investigación y seminarios de tesis
Una vez superada la fase formativa, el currículo se centra casi
exclusivamente en el desarrollo de la tesis. En la Universidad Nacional de
Ingeniería (UNI) y en la Universidad Nacional Mayor de San Marcos (UNMSM),
esta etapa se estructura mediante Seminarios de Investigación y de Tesis
correlativos. El propósito de estos seminarios es proporcionar un espacio
formal de exposición y crítica en el que el estudiante presenta sus avances
ante un comité de tesis o un jurado de expertos.
El producto esperado de estos seminarios es incremental. Por ejemplo,
en la UNMSM, el Seminario de Investigación III exige explícitamente la
17
redacción de un artículo científico relacionado con el proyecto para su envío
a una revista indexada. Esta vinculación entre la asignatura y la producción
científica real es lo que diferencia un doctorado de investigación de uno
profesionalizante. La tesis doctoral debe contener resultados nuevos y
relevantes, y su calidad debe ser avalada por especialistas externos de
instituciones de prestigio antes de la sustentación pública final.
Núcleo de asignaturas en matemática pura y
aplicada
El diseño curricular para el área de matemática debe contemplar un
espectro amplio que abarque desde las estructuras abstractas hasta la
modelación de fenómenos complejos. Las líneas de investigación determinan
la oferta de cursos electivos y de seminarios especializados.
Análisis y ecuaciones diferenciales
El análisis matemático, en sus vertientes reales, complejas y funcionales,
constituye el lenguaje fundamental del doctorado. Las asignaturas de Teoría
de la Medida e Integración son obligatorias y profundizan en la noción de
álgebras, en las medidas de Borel y en los teoremas fundamentales de
convergencia de Lebesgue. El análisis funcional introduce al estudiante en los
espacios de Banach y de Hilbert, el teorema de Hahn-Banach, la teoría de
operadores y el análisis espectral, herramientas indispensables para el estudio
de las Ecuaciones Diferenciales Parciales (EDP).
En el ámbito de las EDP, los cursos avanzan hacia el análisis no lineal,
los métodos variacionales y la teoría de semigrupos de operadores lineales. El
estudio del teorema de Hille-Yosida y del teorema de Lumer-Phillips permite
abordar problemas de difusión y de evolución con rigor matemático absoluto.
Estas asignaturas suelen complementarse con tópicos de análisis armónico y
18
de teoría de distribuciones, lo que permite al investigador abordar problemas
de regularidad de las soluciones en espacios de Sobolev.
Álgebra, geometría y topología
El currículo de álgebra y geometría ha experimentado una notable
sofisticación en las estructuras no conmutativas y en la dinámica compleja. La
PUCP destaca por su línea de álgebra y geometría no conmutativa, que
estudia teorías homológicas como la homología de Hochschild y la K-teoría.
Por su parte, la UNMSM y la UNI ofrecen seminarios profundos en Geometría
Diferencial, Geometría Riemanniana y Topología Algebraica, que abarcan
desde la teoría de categorías y funtores hasta la geometría de variedades.
En el área de Sistemas Dinámicos, las asignaturas se centran en la
dinámica hiperbólica, la teoría ergódica diferencial y las foliaciones
holomorfas. El estudio de los difeomorfismos del círculo, el número de rotación
de Poincaré y la reducción de singularidades de Seidenberg representan el
límite del conocimiento en este campo. La resolución de singularidades en
curvas algebraicas y el estudio de las superficies de Riemann integran
métodos del análisis complejo con la geometría algebraica clásica (véase la
Tabla 2).
Tabla 2: Álgebra, geometría y topología en universidades de Perú
Área de Especialización
Asignaturas Clave
Fundamento de
Investigación
Análisis Funcional
Espacios de Banach, Teoría
Espectral
Bases para EDP y Física
Matemática
19
Geometría Compleja
Foliaciones Holomorfas,
Varias Variables Complejas
Dinámica de sistemas
holomorfos
Álgebra Avanzada
Álgebra Conmutativa,
Homología
Estructuras algebraicas y
topología
Sistemas Dinámicos
Teoría Ergodică, Dinámica
Hiperbólica
Modelado de sistemas
determinísticos
Núcleo de asignaturas en estadística y ciencia
de datos
La estadística moderna a nivel doctoral requiere una simbiosis
profunda entre la teoría de la probabilidad y la capacidad computacional.
El diseño curricular debe alejarse de la estadística meramente descriptiva
para enfocarse en la inferencia asintótica, los modelos estocásticos y el
aprendizaje automático de alta dimensión (Gutiérrez et al., 2025).
Inferencia estadística avanzada y teoría de la decisión
La inferencia estadística avanzada es el pilar de cualquier programa
doctoral en la materia. Este curso aborda la teoría paramétrica y no
paramétrica desde una perspectiva matemática rigurosa, analizando la
suficiencia, la completitud y la eficiencia de los estimadores. Se profundiza en
las propiedades de los estimadores de máxima verosimilitud y en el
comportamiento asintótico de las pruebas de hipótesis.
20
La Teoría de la Decisión y el Análisis Bayesiano constituyen una vertiente
fundamental del currículo contemporáneo. A diferencia del enfoque
frecuentista, estas asignaturas introducen la estimación mediante
distribuciones a priori, el uso de funciones de pérdida y de métodos
computacionales intensivos, como las cadenas de Markov Monte Carlo
(MCMC) y el muestreo de Gibbs. El dominio de estas técnicas permite al
estadístico doctoral abordar modelos jerárquicos y problemas de alta
complejidad para los que no existen soluciones analíticas.
Modelos lineales y procesos estocásticos
En el doctorado, los modelos lineales se extienden a los modelos
lineales generalizados (GLM) y a los modelos de efectos mixtos. Estas
asignaturas cubren la regresión logística y de Poisson, así como los modelos
de supervivencia, e integran técnicas de optimización numérica para la
estimación de parámetros. El rigor matemático se mantiene mediante el
estudio de las familias exponenciales y de la teoría de la cuasiverosimilitud.
En cuanto a los procesos estocásticos, el currículo debe incluir el
estudio de procesos de Poisson, cadenas de Markov en tiempo continuo,
movimiento browniano y cálculo de Itô. Estas herramientas son vitales para
líneas de investigación en finanzas cuantitativas, donde se modela la
evolución de los precios de los activos, y en biometría, para el estudio de las
trayectorias de las enfermedades (Ocaña, 2009). El Análisis de Datos
Funcionales (FDA) surge como una asignatura de frontera que trata las
observaciones como funciones continuas en lugar de vectores discretos, lo
cual resulta esencial para el análisis de series temporales complejas.
Computación y aprendizaje automático (Machine Learning)
El componente computacional ha dejado de ser una herramienta de
apoyo para convertirse en un área de estudio propia dentro del doctorado.
21
Las asignaturas de Computación Estadística Avanzada y Minería de Datos
introducen algoritmos de optimización convexa, de aprendizaje supervisado
y no supervisado y de redes neuronales profundas (Deep Learning). La
integración de lenguajes como R y Python en el núcleo curricular asegura que
el investigador pueda implementar modelos a gran escala en infraestructuras
de Big Data (véase la Tabla 3).
Tabla 3: Líneas de investigación implementadas en doctorados en
matemática y estadística
Línea de Estadística
Asignaturas de doctorado
Aplicación Investigativa
Inferencia Matemática
Teoría Asintótica,
Estimación Óptima
Fundamentos de la
validación científica
Modelos Estocásticos
Cálculo de Itô, procesos de
difusión
Finanzas y Biomatemática
Análisis de Datos
Análisis Multivariado, Datos
Funcionales
Geociencias y Análisis de
Mercados
Computación
Algoritmos MCMC,
Optimización Convexa
Inteligencia Artificial y Big
Data
22
La plana docente: Perfiles de excelencia e
investigación acreditada
El éxito y el prestigio de un doctorado dependen de la calidad y la
trayectoria de sus docentes. En el Perú, este aspecto está estrictamente
regulado por la SUNEDU y el CONCYTEC, que exigen que los profesores de la
plana docente posean el grado de doctor y demuestren una producción
científica constante y relevante.
Clasificación RENACYT y el rol del docente investigador
El Registro Nacional Científico, Tecnológico y de Innovación
Tecnológica (RENACYT) es el sistema que califica la producción de los
investigadores peruanos con base en su formación, en las publicaciones en
revistas indexadas (Scopus, Web of Science), en el registro de la propiedad
intelectual y en la asesoría de tesis. Para un programa de doctorado, es
imperativo que los docentes principales y los coordinadores de líneas de
investigación pertenezcan a los niveles superiores del registro, como el de
Investigador Distinguido o Nivel I.
Un Investigador Distinguido debe alcanzar un puntaje mínimo de 200
puntos y poseer un índice igual o superior a 10 en Scopus. Este nivel de
exigencia garantiza que el doctorando reciba mentoría de académicos
insertos en el flujo global del conocimiento y con capacidad para publicar en
los cuartiles más altos (Q1 y Q2). El "Docente Investigador" goza de un régimen
especial en las universidades, con una carga lectiva reducida que le permite
dedicar al menos 16 horas semanales a la generación de nuevos
conocimientos (CONCYTEC, 2022).
23
Perfil de los asesores y jurados de tesis
La relación entre el doctorando y su asesor es el eje del programa. El
asesor debe ser un especialista en el tema de la tesis y, según los reglamentos
internos, haber sido, de preferencia, docente del programa. Para garantizar
la imparcialidad y la calidad, los jurados de tesis (dictaminadores y
replicantes) deben poseer todos el grado de doctor y, en la etapa final, el
jurado debe incluir al menos a un especialista externo de una institución de
prestigio internacional (véase la Tabla 4).
Tabla 4: Nivel de investigador exigido en el perfil del docente en educación
superior (Perú)
Nivel de Docente
(RENACYT)
Puntaje Mínimo
Requisitos de Producción
Investigador Distinguido
200 puntos
Índice + Producción
en Q1
Nivel I
160 puntos
Artículos en revistas
indexadas de alto impacto
Nivel II
100 puntos
Publicaciones constantes +
Asesorías de tesis
24
Nivel III - VII
10 - 99 puntos
Investigadores en formación
o consolidación
La plana docente debe ser multidisciplinaria en su campo. Por ejemplo,
en el Doctorado en Ciencias e Ingeniería Estadística de la UNI se busca una
combinación de teóricos de la probabilidad con especialistas en aprendizaje
de máquina y en estadística aplicada a la ingeniería. La participación de
profesores visitantes de instituciones como la UNAM (México), el IMPA (Brasil)
o el Cinvestav enriquece la perspectiva de los estudiantes y facilita la
creación de redes de colaboración internacional.
Gestión de la investigación y recursos
tecnológicos
Un doctorado en matemática y estadística requiere una infraestructura
que trascienda las aulas. La Condición III de SUNEDU enfatiza la necesidad de
contar con políticas de investigación, líneas activas y los recursos necesarios
para sostenerlas.
Laboratorios y herramientas computacionales
Aunque la matemática pura a menudo se asocia con el trabajo teórico
individual, el doctorado moderno exige laboratorios de computación de alto
rendimiento. Para áreas como el Análisis Numérico, la Simulación Estocástica
y la Ciencia de Datos, es indispensable contar con licencias de software
especializado (MATLAB, Mathematica, SAS, STATA) y con acceso a clústeres
de computación para el procesamiento de grandes volúmenes de datos.
Un ejemplo innovador en la gestión de recursos es la Facultad de
25
Ingeniería Económica, Estadística y CC.SS. de la UNI, que cuenta con el apoyo
de terminales de Bloomberg en sus programas de doctorado. Esto permite
que la investigación en estadística financiera se realice con datos en tiempo
real, conectando la academia con el flujo de información de los mercados
globales. La biblioteca virtual también es un recurso crítico; los indicadores de
calidad exigen acceso a bases de datos científicas de texto completo para
que el investigador esté al tanto del estado del arte en su disciplina.
Financiamiento y sostenibilidad
La sostenibilidad financiera de un doctorado se garantiza mediante un
plan de financiamiento de cinco años que incluya partidas para recursos
humanos, investigación, equipamiento y acervo bibliográfico. En las
universidades públicas, este presupuesto suele estar vinculado a fondos
concursables y a proyectos de inversión, mientras que en las privadas
proviene de los promotores y de las pensiones. El apoyo económico a los
doctorandos es igualmente vital; instituciones como la PUCP brindan
préstamos y ayudas económicas a docentes y jefes de práctica para cursar
estudios de posgrado, lo que incentiva la mejora continua de su personal.
Internacionalización: Cotutelas y redes
académicas globales
En el nivel doctoral, la investigación no puede ser local. El diseño
curricular debe facilitar la movilidad estudiantil y docente, permitiendo que el
conocimiento generado tenga impacto y visibilidad a nivel internacional
(UNESCO, 2016).
Régimen de cotutela y dobles grados
La cotutela internacional es un mecanismo mediante el cual una tesis
26
doctoral es dirigida por dos asesores de universidades distintas (una nacional
y otra extranjera), en el marco de un convenio específico. Este régimen
favorece la movilidad del estudiante, quien debe realizar estancias de
investigación en ambas instituciones. Al concluir, el estudiante puede recibir
un diploma otorgado conjuntamente o dos diplomas individuales, uno de
cada institución, que reconozcan la validez de la cotutela (Montoya, 2023).
Países como Francia han establecido marcos muy sólidos para la
cotutela con universidades peruanas. Los convenios regulan aspectos como
la matrícula, el idioma de la tesis (con resúmenes en francés), el lugar de la
defensa y el financiamiento de los viajes. Instituciones como la Embajada de
Francia y el programa de becas Eiffel ofrecen apoyo financiero específico
para estas estadías de investigación alternadas.
Participación en redes y sociedades científicas
La integración en redes académicas es esencial para la validación del
trabajo doctoral. La Sociedad Matemática Peruana (SMP) y la Sociedad
Peruana de Matemática Aplicada y Computacional (SPMAC) actúan como
nodos nacionales que conectan a los investigadores con la Unión
Matemática Internacional (IMU). Los programas de doctorado deben
fomentar la participación de sus estudiantes en coloquios y workshops, en los
que puedan exponer sus avances y recibir retroalimentación de la
comunidad científica internacional (véase la Tabla 5).
27
Tabla 5: Becas y convenios internacionales en educación
Tipo de Convenio
Beneficio Académico
Requisito Principal
Co-tutela Individual
Doble grado o diploma
conjunto
Dos asesores y estancia en el
extranjero
Doble Grado Marco
Convenio institucional para
múltiples alumnos
Equivalencia de créditos y
requisitos
Movilidad ERASMUS+
Estancias cortas de
investigación
Convenio con consorcios
europeos
Redes Temáticas
Colaboración en proyectos
específicos
Líneas de investigación
compartidas
Prospectiva y tendencias en la investigación
doctoral
El diseño de un doctorado en matemática y estadística debe ser
dinámico y anticipar las necesidades futuras de la ciencia y la tecnología. Las
megatendencias globales sugieren que la frontera entre las matemáticas
puras y las aplicadas se vuelve cada vez más porosa.
28
Impacto de la Inteligencia Artificial y la Ciencia de Datos
La IA no es solo una aplicación de la informática, sino un campo
profundamente matemático basado en la optimización, el álgebra lineal y la
probabilidad. Los currículos doctorales están integrando asignaturas de
Aprendizaje de Máquina (Machine Learning) y de Deep Learning en su núcleo
de especialización. La demanda de científicos de datos que no solo apliquen
algoritmos, sino que también comprendan su fundamentación matemática
para mejorarlos representa una oportunidad estratégica para los programas
doctorales (Pérez y Lagunes, 2025).
Sostenibilidad, Cambio Climático y Biomatemática
La modelación de fenómenos biológicos y climáticos se ha convertido
en una prioridad de investigación a nivel global. La estadística desempeña un
papel clave en la medición del impacto del cambio climático y en la gestión
de la sostenibilidad (Sepúlveda y Huincahue, 2024). Programas como el de la
Universidad de Chile destacan a investigadores de alto impacto en
geociencias y ecología, lo cual sirve de referencia para que los doctorados
peruanos fortalezcan sus líneas de biomatemática y de estadística ambiental.
La interdisciplinariedad permite que el matemático y el estadístico colaboren
con biólogos y médicos en el diseño de experimentos y el análisis de sistemas
genómicos complejos.
La creación de un programa de doctorado en matemática y
estadística, conforme a los estándares actuales, exige un compromiso
institucional con la excelencia y la investigación de largo aliento. No se trata
simplemente de cumplir con los 64 créditos mínimos exigidos por ley, sino de
construir un ecosistema en el que el estudiante se transforme en un
investigador autónomo capaz de competir a nivel global.
Se recomienda que el diseño curricular priorice la flexibilidad y permita
29
que el estudiante profundice en su área de interés desde el primer semestre,
mediante una tutoría rigurosa. El examen de calificación debe actuar como
un filtro real de calidad, asegurando que solo los candidatos preparados
inicien la tesis. Asimismo, es imperativo que la plana docente esté
conformada por investigadores activos con alta visibilidad en bases de datos
como Scopus, lo que no solo garantiza la calidad de la mentoría, sino que
también facilita la inserción de los graduados en la comunidad científica
internacional (Echeverry et al., 2013).
Finalmente, la infraestructura tecnológica y la internacionalización
deben ser pilares estratégicos. Un doctorado moderno no puede prosperar
en el aislamiento; requiere acceso a clústeres de computación, bases de
datos actualizadas y convenios de cotutela que permitan el intercambio de
ideas y la validación de resultados en los centros de investigación más
prestigiosos del mundo. El doctorado en matemática y estadística es la piedra
angular del desarrollo científico y tecnológico soberano de cualquier nación.
30
Capítulo 2
Impacto y desarrollo de la
inteligencia artificial en los
programas de Doctorado en
Matemática y Estadística
La convergencia disciplinaria entre las ciencias formales y la
computación avanzada ha generado un cambio de paradigma en la
investigación doctoral contemporánea. Los programas de doctorado en
matemática y estadística han dejado de considerar la inteligencia artificial
(IA) como mera herramienta de aplicación para integrarla como objeto de
estudio fundamental que demanda rigor analítico, demostraciones formales
y una reevaluación de los fundamentos estocásticos (Pérez y Lagunes, 2025).
Esta transformación no solo afecta la estructura curricular, sino que también
redefine la naturaleza misma del descubrimiento científico, permitiendo que
algoritmos avanzados asistan en la formulación de conjeturas y en la
validación de pruebas complejas.
Fundamentación Matemática de la
Inteligencia Artificial
La arquitectura de la inteligencia artificial moderna se sustenta en
cuatro pilares matemáticos esenciales: el álgebra lineal, el cálculo
multivariado, la teoría de la probabilidad y la optimización. En el nivel
doctoral, la investigación se aleja de la mera implementación de librerías para
centrarse en comprender los mecanismos que permiten que una máquina
31
aprenda, razone y decida (Panqueban y Huincahue, 2024).
Álgebra Lineal y Representación de Datos
El álgebra lineal actúa como el lenguaje de los datos. En los modelos
de aprendizaje profundo (Deep Learning), las redes neuronales dependen de
la multiplicación de matrices acelerada para conectar y ajustar las "neuronas"
a través de múltiples capas.
La investigación avanzada explora técnicas como la aproximación
mediante matrices de bajo rango y la cuantización para reducir la carga
computacional, lo que permite que modelos masivos operen en dispositivos
con recursos limitados. Un ejemplo crítico es el uso de la factorización de
matrices no negativas (NMF), en el que la introducción de regularizaciones
topológicas puede resolver problemas de fragmentación estructural en los
vectores base y mejorar la interpretabilidad semántica de los resultados.
Cálculo y Optimización
El aprendizaje de una IA es, en esencia, un proceso de optimización
continua. El cálculo multivariado proporciona las herramientas para que los
algoritmos ajusten sus parámetros internos mediante descenso de gradiente,
con el objetivo de minimizar funciones de pérdida en espacios de alta
dimensionalidad. La fórmula general para la actualización de pesos en una
red neuronal se expresa mediante:
Donde representa la tasa de aprendizaje y es el gradiente
de la función de pérdida. La investigación doctoral profundiza en la
optimización estocástica y en las metaheurísticas para evitar mínimos locales
y encontrar soluciones globales en problemas no convexos, integrando
32
conceptos de programación lineal y no lineal.
Probabilidad, Estadística y Manejo de la Incertidumbre
Dado que los datos del mundo real son inherentemente ruidosos e
incompletos, la teoría de la probabilidad y la estadística resultan vitales para
cuantificar la incertidumbre. La IA utiliza estos principios para modelar
fenómenos aleatorios mediante procesos estocásticos, en los que el estado
de un sistema evoluciona con el tiempo según leyes probabilísticas. En los
doctorados de estadística se investigan los procesos de Markov, que
satisfacen la propiedad de que el futuro es independiente del pasado, dado
el presente, lo cual constituye una base fundamental para el aprendizaje por
refuerzo y los modelos generativos (Ocaña, 2009).
Panorama de los doctorados en matemática y
estadística en el Perú
El ecosistema académico peruano ha mostrado una adaptación
progresiva a la integración de la IA en sus líneas de investigación de posgrado.
Las universidades líderes han estructurado programas que combinan el rigor
de las ciencias básicas con las demandas tecnológicas de la era digital.
Universidad Nacional de Piura (UNP): Integración de EDP e IA
El Doctorado en Ciencias Matemáticas de la UNP es uno de los
programas que ha formalizado la IA como una de sus líneas de investigación
centrales, junto con las Ecuaciones Diferenciales Parciales (EDP) y la
Optimización. Su plan de estudios se caracteriza por una fuerte carga de
métodos computacionales avanzados desde los primeros ciclos, integrando
la lógica difusa y las redes neuronales como herramientas para abordar
problemas complejos que carecen de soluciones analíticas tradicionales
33
(véase la Tabla 6).
Tabla 6: Formalización de la inteligencia artificial como línea de investigación
en el programa de Doctorado en Ciencias Matemáticas de la UNP
Ciclo
Asignaturas Vinculadas a
IA y Matemática Aplicada
Créditos
I
Programación Lineal y No
Lineal
04
II
Programación Entera
04
III
Inteligencia Artificial /
Lógica Difusa y Redes
Neuronales
08
III
Metaheurísticas
04
IV
Tópicos de Optimización
Avanzada
04
Esta estructura sugiere un enfoque en "Soft Computing", en el que el
investigador desarrolla modelos capaces de manejar la ambigüedad y la
34
imprecisión, con aplicaciones directas en la toma de decisiones
gubernamentales y empresariales.
Universidad Nacional de Ingeniería (UNI) e IMCA
La UNI, a través de su Facultad de Ciencias y el Instituto de Matemática
y Ciencias Afines (IMCA), mantiene una tradición de rigor en matemáticas
puras, pero ha expandido sus horizontes hacia la modelización matemática y
computacional. Sus líneas de investigación incluyen optimización,
probabilidad y sistemas dinámicos, áreas que proporcionan la base teórica
para el aprendizaje estadístico avanzado. El IMCA promueve un intercambio
activo con investigadores a nivel global y se centra en la resolución de
problemas industriales reales mediante métodos cuantitativos.
Universidad Nacional Mayor de San Marcos (UNMSM) y el
enfoque Deep Tech
La UNMSM ha innovado con el lanzamiento del primer doctorado en
Sudamérica en "Deep Tech con enfoque en Inteligencia Artificial (IA) y
tecnologías emergentes". Este programa se complementa con la sólida
formación de su Escuela Profesional de Estadística, que prepara a los
investigadores para proponer y validar modelos estadísticos que representen
fenómenos reales con responsabilidad social y sostenibilidad ambiental.
Pontificia Universidad Católica del Perú (PUCP): Probabilidad
y Procesos Estocásticos
En el Doctorado en Matemáticas de la PUCP, la investigación se inclina
por la teoría de la probabilidad y los procesos estocásticos, líneas
fundamentales para comprender la dinámica de los algoritmos de IA en
entornos aleatorios. Además, la institución cuenta con grupos especializados
como el Laboratorio de Inteligencia Artificial (IA-PUCP) y el Q-LAB, que aplican
35
métodos computacionales a las ciencias sociales, la agricultura y la lucha
contra la corrupción.
Fronteras Internacionales: TDA y
Automatización del Descubrimiento
A nivel internacional, la investigación doctoral está explorando áreas
en las que la matemática abstracta y la IA se fusionan para crear nuevas
capacidades de análisis.
Análisis de Datos Topológicos (TDA)
El análisis de datos topológicos representa una de las fronteras más
avanzadas de la matemática aplicada. Utiliza herramientas de la topología
algebraica, específicamente la homología persistente, para extraer
información sobre la "forma" de conjuntos de datos de alta dimensión,
ruidosos e incompletos. En programas doctorales de universidades como
Oxford y Manchester, el TDA se utiliza para clasificar estructuras complejas en
sistemas biológicos, redes neuronales y en la dinámica tumoral. El proceso se
basa en identificar características que persisten a lo largo de diferentes
escalas de parámetros, lo que garantiza que las estructuras halladas no sean
meros artefactos del ruido.
La Revolución de la IA en la Investigación Matemática Pura
En el año 2025, se alcanzó un punto de inflexión en el que los modelos
de IA comenzaron a resolver problemas de nivel de investigación y a formular
conjeturas que luego fueron demostradas mediante métodos tradicionales.
Investigadores como Terence Tao han comenzado a utilizar sistemas como
AlphaEvolve, que emplea algoritmos genéticos y modelos de lenguaje para
escribir código en Python capaz de encontrar soluciones óptimas a problemas
36
matemáticos abiertos. Esta colaboración entre la intuición humana y el rigor
computacional está acelerando el descubrimiento en campos como la teoría
de nudos y la geometría combinatoria.
Aplicaciones de la IA en la investigación
peruana
La investigación doctoral en el Perú no solo busca el avance teórico,
sino también el impacto social y económico. Diversas tesis y proyectos
demuestran la versatilidad de la IA en contextos locales.
Salud y Biotecnología
El Grupo IA-PUCP desarrolla herramientas para el análisis y la predicción
de proteínas repetidas, vinculadas a enfermedades heterogéneas. Asimismo,
se investiga la detección de causalidad en datos genómicos mediante
perfiles temporales de expresión génica, lo que permite una comprensión más
profunda de las interacciones biológicas sin necesidad de realizar
intervenciones costosas.
Educación y Competencias Matemáticas
Existe una tendencia creciente hacia el uso de la IA para fortalecer las
competencias matemáticas en la educación secundaria. Investigaciones
recientes han demostrado que el uso de chatbots educativos y de
herramientas tecnológicas basadas en IA mejora significativamente la
resolución de problemas de cantidad, forma y movimiento en estudiantes de
diversas regiones del país (Bolaño y Duarte, 2024). Estos estudios emplean
enfoques cuantitativos y diseños preexperimentales para validar el progreso
académico impulsado por la tecnología.
37
Agricultura y Medio Ambiente
Proyectos en el Q-LAB de la PUCP aplican la IA al sector agrícola para
optimizar la toma de decisiones basada en datos ambientales y de mercado.
Además, se han desarrollado sistemas de monitoreo ambiental, como la
detección automatizada de derrames de petróleo, que emplean redes
neuronales convolucionales y un procesamiento de imágenes avanzado.
El Ecosistema de Financiamiento e
Internacionalización
Para sostener investigaciones de alto nivel en IA, es fundamental contar
con mecanismos de financiamiento y redes de colaboración a nivel global.
Becas de Prociencia y Concytec
El Estado peruano, a través de Prociencia, financia programas
doctorales en alianzas interinstitucionales y otorga becas que pueden
alcanzar los S/ 234,000 por becario durante un periodo de 36 meses. Estos
fondos están destinados a áreas estratégicas como la economía digital y las
tecnologías de la información, lo que permite a los doctorandos concentrarse
en la generación de conocimiento original, con un estipendio mensual de S/
6,500.
Convenios de Cotutela y Doble Grado
La internacionalización se facilita mediante convenios de cotutela, que
permiten a los estudiantes obtener títulos de doctor de dos universidades
distintas tras realizar estancias de investigación supervisadas por directores de
ambas instituciones (Montoya, 2023). Universidades peruanas como la PUCP,
la UNI y la UNMSM mantienen vínculos con instituciones en Francia, España,
Australia y otros países, fomentando el intercambio de personal académico y
38
de proyectos conjuntos (véase la Tabla 7).
Tabla 7: Internacionalización mediante convenios de cotutela en Perú
Institución / Programa
Modalidad de
Cooperación
Alcance Geográfico
Escuela Doctoral Franco-
Peruana
Becas de doctorado
Francia - Perú
STIC-AmSud
Investigación e
Innovación
Chile, Francia, Perú
Programas de Doble
Grado PUCP
Movilidad Estudiantil
Internacional (Varios)
Cotutelas Macquarie
University
Doble PhD
Australia - Internacional
Ética y Responsabilidad en la IA Aplicada a la
Investigación
El avance de la IA en los doctorados conlleva desafíos éticos
significativos que deben abordarse con rigor académico. La transparencia en
el uso de modelos generativos, la mitigación de sesgos en los algoritmos y la
protección de datos personales son temas centrales en los cursos de
formación continua y de posgrado.
Transparencia y Autoría
El uso de la IA generativa en la producción científica exige protocolos
claros para garantizar la trazabilidad y el cumplimiento de las normativas
39
editoriales. Las instituciones están promoviendo un ciclo de trabajo "Humano-
IA-Humano", en el que la validación cruzada y la triangulación de los
resultados generados por la IA son esenciales para mantener la integridad
científica. Se enfatiza que la IA no debe reemplazar el razonamiento humano,
sino complementarlo, lo que permite una mayor productividad sin sacrificar el
pensamiento crítico.
Equidad y Sesgos Estadísticos
La estadística aplicada a la IA tiene un rol crítico al auditar modelos
para detectar si las decisiones automatizadas son discriminatorias por motivos
como la edad o el género. La investigación doctoral se enfoca en integrar
reglas de equidad directamente en los algoritmos de optimización, buscando
un equilibrio saludable entre la precisión predictiva y la justicia social.
La integración de la inteligencia artificial en los programas de
doctorado de matemática y estadística ha pasado de ser una opción a
convertirse en una necesidad estructural. La capacidad de los algoritmos
para procesar volúmenes masivos de datos y sugerir estructuras matemáticas
invisibles al ojo humano está redefiniendo los límites de lo que es posible
investigar (Pérez y Lagunes, 2025).
En el contexto peruano, el fortalecimiento de las alianzas
interinstitucionales y el financiamiento estratégico de Prociencia permiten a
una nueva generación de investigadores abordar problemas locales con
herramientas de clase mundial. Sin embargo, el éxito de esta línea de
investigación dependerá de mantener un equilibrio entre el dominio técnico
de las herramientas de IA y la profundidad teórica de las matemáticas puras.
La IA no es el fin de la matemática, sino su extensión hacia una nueva era de
complejidad y descubrimiento. Los programas doctorales deben continuar
fomentando este diálogo interdisciplinario y asegurar que el rigor analítico
40
siga siendo el faro que guía la innovación tecnológica.
41
Capítulo 3
Análisis sistémico de la línea de
investigación en biomatemática y
bioestadística en el marco
curricular de matemática y
estadística en el Perú
La integración de las ciencias matemáticas y estadísticas con las
ciencias de la vida constituye uno de los ejes más dinámicos y críticos del
ecosistema científico contemporáneo del Perú. Este fenómeno no responde
únicamente a una tendencia global de interdisciplinariedad, sino también a
una necesidad imperativa de abordar problemas complejos de salud
pública, gestión de recursos naturales y biotecnología con un rigor
cuantitativo que permita la toma de decisiones informadas y basadas en
evidencia científica.
En el marco de los programas curriculares de matemática y estadística,
las líneas de investigación en biomatemática y bioestadística han
evolucionado de ser áreas periféricas a convertirse en pilares fundamentales
de la formación académica y de la producción científica nacionales.
Epistemología y Fundamentación de las
Ciencias Matemáticas de la Vida
La biomatemática y la bioestadística, aunque intrínsecamente
relacionadas, poseen fundamentos epistemológicos y metodológicos
42
distintos que convergen en el estudio de los seres vivos. La biomatemática se
centra en la construcción y el análisis de modelos matemáticos —a menudo
deterministas o estocásticos— que buscan describir los mecanismos
subyacentes a los procesos biológicos (Velázquez et al., 2019). Estos modelos
permiten predecir el comportamiento de sistemas complejos, como la
propagación de una enfermedad o la dinámica de una población pesquera,
bajo diversas condiciones experimentales o ambientales.
Por otro lado, la bioestadística se especializa en la aplicación de
técnicas estadísticas para la recolección, el análisis y la interpretación de
datos en el ámbito de la biología, la medicina y la salud pública, así como en
la gestión de la variabilidad y la incertidumbre inherentes a los sistemas
biológicos (Velázquez et al., 2019).
En el Perú, estas disciplinas se han formalizado mediante escuelas
profesionales que han sabido adaptar sus mallas curriculares para responder
a desafíos específicos, como la fisiología de la altura, el manejo de la biomasa
marina y el control de enfermedades infecciosas endémicas. La formación
del matemático y estadístico peruano ha pasado de un enfoque puramente
teórico a otro en el que la modelación y el análisis de datos biológicos son
competencias esenciales para la empleabilidad y la investigación
(Sepúlveda y Huincahue, 2024).
Arquitectura Curricular del Pregrado en
Estadística y Matemática
La formación académica de pregrado constituye la base sobre la cual
se asienta la especialización en biomatemática y bioestadística. Las
universidades públicas peruanas han estructurado sus planes de estudio para
garantizar sólidas competencias en ciencias básicas e introducir
43
progresivamente aplicaciones de las ciencias de la vida (Velázquez et al.,
2019).
Ingeniería Estadística en la Universidad Nacional de
Ingeniería (UNI)
El programa de Ingeniería Estadística de la UNI es un referente nacional
por su rigor técnico. Aunque su orientación original posee un fuerte
componente económico e industrial, la inclusión de materias avanzadas en
el modelamiento proporciona al egresado las herramientas necesarias para
la bioestadística. La malla curricular se organiza en diez semestres, de los
cuales los cuatro primeros consolidan el cálculo, el álgebra lineal y las
probabilidades básicas (véase la Tabla 8).
Tabla 8: Contribución del programa de ingeniería estadística de la UNI a la
línea de bioestadística
Semestre
Código
Asignatura
Contribución a la
línea de
bioestadística
III
ES312
Probabilidades I
Fundamentos
para el modelado
de eventos
biológicos
aleatorios.
V
ES512
Inferencia
Estadística
Paramétrica
Esencial para las
pruebas de
hipótesis en
ensayos clínicos.
VII
ES712
Análisis de
Regresión
Modelado de las
asociaciones
entre factores de
riesgo y la salud.
44
VII
ES713
Diseño y Análisis
de Experimentos
Base para la
investigación en
laboratorios y en
campo.
VIII
ES815
Procesos
Estocásticos
Modelado de la
propagación de
epidemias y de
mutaciones.
IX
ES911
Análisis
Multivariante II
Técnicas
avanzadas de
genética y
bioinformática.
El perfil del egresado de la UNI enfatiza la capacidad de proponer y
validar modelos estadísticos que representen fenómenos reales, lo cual resulta
directamente aplicable a la investigación biomédica y epidemiológica. La
rigurosidad en el cálculo diferencial e integral permite a estos profesionales
abordar modelos de sistemas dinámicos, que constituyen el corazón de la
biomatemática moderna.
La Escuela Profesional de Estadística en la UNMSM
En la Universidad Nacional Mayor de San Marcos, la formación del
estadístico se orienta a la identificación y formulación de problemas
complejos mediante la recolección y el análisis de datos. Su plan de estudios
fomenta la comunicación con especialistas de otras disciplinas, una
competencia clave para el trabajo en equipos de salud multidisciplinarios. La
UNMSM vincula explícitamente su carrera de estadística con áreas como la
genética, la biotecnología y la microbiología, reconociendo estas ramas
como campos de acción naturales para el profesional de la información
(véase la Tabla 9).
45
Tabla 9: Modelación, investigación e interdisciplinariedad en la Escuela
Profesional de Estadística en la UNMSM
Eje de Competencia
Descripción
Impacto Profesional
Modelación
Propone y valida modelos
que representen hechos
reales.
Capacidad de simular
brotes infecciosos.
Investigación
Realiza propuestas
innovadoras con
responsabilidad social.
Desarrollo de protocolos
éticos en salud pública.
Interdisciplinariedad
Se comunica con
especialistas de distintas
disciplinas.
Integración efectiva en
los equipos médicos de
los hospitales.
Otros Programas Regionales y su Enfoque en Ciencias
Naturales
La descentralización de la educación superior ha permitido que las
universidades de diversas regiones del Perú integren la bioestadística y la
biomatemática a sus realidades locales. La Universidad Nacional de Piura
(UNP) y la Universidad Nacional de San Cristóbal de Huamanga (UNSCH) han
adaptado sus currículos para incluir conocimientos básicos de biología,
química y física como requisitos para comprender el entorno del estadístico.
En la UNP, el plan curricular destaca que el profesional debe resolver
problemas estadísticos relacionados con su contexto, aplicando principios
fundamentales de aritmética y álgebra, y demostrando dominio de la
estadística superior para brindar asesoramiento en medicina y economía. La
UNSCH, por su parte, prioriza métodos numéricos y la programación
estadística, herramientas vitales para el procesamiento de datos biológicos a
46
gran escala en regiones de alta diversidad biológica.
La Universidad Nacional del Santa (UNS) ofrece líneas de investigación
específicas en métodos estadísticos aplicados a la investigación biomédica y
en bioinformática dentro de sus programas de doctorado, lo que evidencia
una verticalidad académica que abarca desde el pregrado hasta el máximo
grado académico en estas especialidades.
Especialización y Posgrado: La Maestría en
Bioestadística de la UNMSM
El nivel de especialización más profundo en el Perú se encuentra en la
Maestría en Bioestadística de la Facultad de Ciencias Matemáticas de la
UNMSM. Este programa ha sido diseñado para satisfacer la creciente
demanda de investigadores altamente calificados por parte de
universidades, instituciones de salud y empresas de biotecnología.
El programa de maestría tiene una duración de dos años y se divide en
áreas de profundización y de investigación aplicada. El currículo refleja las
tendencias internacionales al incluir técnicas de análisis de datos espaciales
y modelos multinivel, esenciales en los estudios epidemiológicos modernos
(véase la Tabla 10).
Tabla 10: Estructura y tendencias del plan de estudios 2024
Ciclo Académico
Cursos Obligatorios
Enfoque de Investigación
I
Bioestadística,
Epidemiología,
Redacción Científica.
Fundamentos de salud
pública y comunicación
científica.
47
II
Estadística Espacial,
Muestreo, Taller de
Investigación I.
Formulación de
proyectos de tesis y
manejo de la
geoestadística.
III
Seminario de
Bioestadística II, Taller de
Investigación II.
Diseños experimentales y
validación de
instrumentos.
IV
Seminario de
Bioestadística III, Taller de
Investigación III.
Análisis multivariante
avanzado y finalización
de la tesis.
Los cursos electivos de la maestría en la UNMSM demuestran una
notable sofisticación técnica, al cubrir temas como el análisis de
supervivencia (modelos de Cox), los modelos lineales generalizados y los
pronósticos para datos longitudinales mediante redes neuronales. Esta
formación permite que los graduados no solo apliquen técnicas estándar, sino
que también innoven en la creación de nuevos métodos estadísticos
adaptados a la realidad biológica del país.
El Programa de Especialización de la Universidad Continental
Complementando la oferta académica formal, instituciones como la
Escuela de Posgrado de la Universidad Continental ofrecen programas de
especialización en Estadística Aplicada a la Investigación y en Análisis de
Datos. Estos programas, aunque de menor duración (128 horas lectivas), están
diseñados para profesionales en ejercicio que requieren herramientas
inmediatas para la elaboración de tesis y trabajos científicos. Su enfoque
incluye modelos de regresión de Poisson y de logística, fundamentales para el
análisis de la frecuencia de enfermedades y de los factores de riesgo en salud
48
pública.
Modelamiento Matemático Aplicado a la
Epidemiología y Salud Pública
La utilidad de la biomatemática se hizo evidente de manera dramática
durante la pandemia del COVID-19. Los investigadores peruanos emplearon
modelos matemáticos para predecir la propagación del virus y evaluar la
efectividad de las medidas de mitigación.
Mecanismos de Modelado Determinista y Estocástico
En el ámbito de la epidemiología matemática, se utilizan sistemas de
ecuaciones diferenciales para modelar la dinámica de las poblaciones de
susceptibles ( ), infectados ( ) y recuperados ( ). Un modelo básico tipo SIR
puede expresarse como:
¿Dónde están la tasa de transmisión y la de recuperación?
Investigadores de la UNI y de otras universidades desarrollaron versiones más
complejas de estos modelos para incluir compartimentos de expuestos,
portadores asintomáticos y hospitalizados, lo que permite una simulación más
fiel de la realidad peruana. La conversión de estos modelos deterministas en
49
modelos estocásticos permitió capturar la incertidumbre y las fluctuaciones
aleatorias en la transmisión, lo cual resultó crucial para el diseño de estrategias
de vacunación óptimas y la distribución de recursos hospitalarios.
Aplicaciones de la Bioestadística en el Control de
Enfermedades
La bioestadística desempeña un papel crucial en el diseño de estudios
epidemiológicos, desde los de cohortes hasta los ensayos clínicos. En el Perú,
se ha aplicado intensamente para:
1. Diseño de Muestras: Determinación del tamaño de muestra necesario
para detectar efectos significativos en intervenciones de salud.
2. Análisis de Supervivencia: Evaluación de la eficacia de los tratamientos
frente a enfermedades crónicas o infecciosas.
3. Control de Sesgos: Aplicación de técnicas de ajuste multivariante para
garantizar que las asociaciones encontradas no se deban a variables de
confusión.
4. Gestión de Pandemias: Modelado de la tasa de transmisión y de la
inmunidad de grupo para informar las políticas de confinamiento y de
apertura económica.
Biomatemática y Bioestadística en la Gestión
de Recursos Naturales y Pesquería
El Perú es una de las potencias pesqueras del mundo y la sostenibilidad
de este sector depende críticamente de la aplicación de la biometría y el
modelamiento poblacional realizados por el Instituto del Mar del Perú
(IMARPE) (véase la Tabla 11).
50
Modelado de la anchoveta peruana
La anchoveta (Engraulis ringens) es el recurso hidrobiológico más
importante del país. IMARPE utiliza modelos de evaluación de stocks que
integran datos biológicos y oceanográficos para determinar las cuotas de
pesca y proteger la biomasa. Entre 1961 y 2009, se desarrollaron modelos
basados en longitudes de onda con resolución mensual que permiten
identificar cambios de fase en la dinámica del reclutamiento vinculados a
eventos climáticos como El Niño.
Tabla 11: Líneas de investigación en Biomatemática y Bioestadística del
IMARPE
Línea de Investigación
Metodología Aplicada
Aplicación Práctica
Hidroacústica
Aplicación de métodos
acústicos para estimar la
biomasa.
Diagnóstico inmediato de
la abundancia de
anchoveta.
Biometría
Registro del peso, la talla
y el estado reproductivo
de los peces.
Seguimiento de la salud
poblacional en el litoral y
en la Amazonía.
Modelos de
reclutamiento
Algoritmos evolutivos
para estimar series de
reclutas.
Predicción de la
disponibilidad del recurso
en temporadas futuras.
Ecología de sistemas
Modelos aditivos
generalizados (GAM)
vinculados a TSM y al
oxígeno.
Identificación de nichos
ecológicos y de áreas de
protección.
La investigación en biometría pesquera en IMARPE no se limita a la
anchoveta, sino que abarca recursos como el jurel, la caballa, el calamar
gigante (pota) y el bacalao de profundidad, asegurando niveles
poblacionales saludables mediante un manejo precautorio adaptativo. Estos
51
modelos consideran la variabilidad del hábitat modulada por la temperatura,
las corrientes y la disponibilidad de alimento, factores que inciden
directamente en el crecimiento y la supervivencia de las larvas.
Bioinformática y Biotecnología: La Nueva
Frontera Científica
La convergencia de la biología molecular, la informática y las
matemáticas ha dado lugar a la bioinformática, una disciplina en la que el
Perú ha comenzado a destacar gracias a sus laboratorios de excelencia.
El Laboratorio de Bioinformática y Biología Molecular (BBM)
de la UPCH
La Universidad Peruana Cayetano Heredia, a través de sus Laboratorios
de Investigación y Desarrollo (LID), integra la biomatemática y la
bioestadística de manera central. El BBM, liderado por la Dra. Claudia
Machicado, utiliza herramientas computacionales avanzadas e inteligencia
artificial (IA) para analizar Big Data biológico.
● Modelamiento molecular: Se utiliza para la visualización 3D de proteínas
e identificar inhibidores de proteasas virales (como los del SARS-CoV-2) a
partir de productos naturales peruanos.
● Investigación en tuberculosis: El Perú es una zona endémica de
tuberculosis (TB). La bioinformática se emplea para comprender los
mecanismos de resistencia a fármacos, como la pirazinamida, mediante
el secuenciamiento de nueva generación (NGS) y el modelado de la
actividad enzimática recombinante.
● Genética Poblacional: Los estudios sobre la adaptación a la hipoxia y el
52
mal de montaña crónico en poblaciones andinas requieren modelos
matemáticos para analizar la variabilidad genética y la cinética del
transporte de oxígeno.
Ingeniería Biomédica: Una Alianza Estratégica PUCP-UPCH
La creación de la carrera de Ingeniería Biomédica, como un programa
conjunto de la Pontificia Universidad Católica del Perú (PUCP) y la Universidad
Peruana Cayetano Heredia (UPCH), representa un hito en la educación
interdisciplinaria. Este programa forma profesionales que aplican principios de
ingeniería y de matemáticas para resolver problemas médicos. Sus áreas de
concentración, como señales e imágenes biomédicas, biomecánica y
rehabilitación, y biotecnología de tejidos, dependen fundamentalmente de
la capacidad de modelar sistemas biológicos complejos y de procesar datos
médicos digitales.
Perfil Profesional, Competencias y el Mercado
Laboral
El desarrollo de la biomatemática y la bioestadística en el Perú ha
redefinido el perfil del matemático y del estadístico modernos. El mercado
laboral ya no solo demanda técnicos en procesamiento de datos, sino
también científicos capaces de interpretar la realidad biológica y social a
través de los números.
Competencias Específicas Requeridas
De acuerdo con los planes curriculares de la UNMSM, UNFV y la UNP, se
han identificado competencias críticas para el profesional en estas líneas de
investigación:
1. Capacidad de Abstracción y Modelamiento: Habilidad para traducir
53
fenómenos biológicos complejos en modelos matemáticos o
estadísticos.
2. Manejo de Herramientas Computacionales: dominio experto de
lenguajes como R, Python y SQL y de software especializado como SPSS
y Stata.
3. Comunicación Interdisciplinaria: Capacidad para dialogar con
profesionales de las ciencias de la salud y de la biología para planificar
proyectos de investigación científica.
4. Rigor Ético: Responsabilidad en el manejo de datos sensibles y en el
cumplimiento de los estándares internacionales de publicación
científica.
El Investigador en el Sistema Nacional (RENACYT) hasta 2021
El Consejo Nacional de Ciencia, Tecnología e Innovación Tecnológica
(CONCYTEC) clasifica a los investigadores peruanos mediante el registro
RENACYT. Para los especialistas en biomatemática y bioestadística, el
reconocimiento depende de su producción científica indexada y de su
capacidad para liderar proyectos (véase la Tabla 12).
Tabla 12: Nivel de clasificación de investigador en Perú hasta 2021
Grupo de Investigador
Requisitos de Nivel 1
Impacto en la Línea de
Investigación
Carlos Monge Medrano
Grado de doctor, >40
artículos indexados, >8
proyectos de
investigación.
Líderes de laboratorios de
bioinformática y
biotecnología.
María Rostworowski
Grado de doctor o
maestro, >10 artículos
indexados, asesoría de
tesis.
Investigadores en
instituciones públicas
(MINSA, IMARPE).
54
Esta clasificación fomenta la excelencia en la investigación
biomatemática, vinculando el ascenso profesional con la publicación de
hallazgos en revistas de alto impacto, como las indexadas en Scopus o en
Web of Science.
Desafíos Educativos y Contexto Internacional
A pesar de los avances en el nivel universitario y de posgrado, el Perú
enfrenta desafíos estructurales en la formación básica que afectan la línea de
investigación en ciencias matemáticas.
Tendencias PISA y su Implicancia Científica
Los resultados del Programa para la Evaluación Internacional de
Estudiantes (PISA) 2022 muestran que una proporción significativa de
estudiantes peruanos no alcanza el nivel básico de competencia en
matemática y en ciencias.
● Matemática: El 66% de los estudiantes peruanos se encuentra por debajo
del Nivel 2 de competencia, frente al 20% en los países de la OCDE.
● Ciencia: El 53% de los estudiantes no alcanza el nivel mínimo, lo que limita
la base de talento para futuras investigaciones en biomatemática.
La pandemia de COVID-19 exacerbó estas brechas y afectó
negativamente la tendencia positiva que el país había mantenido desde
2009. Esta situación pone de manifiesto la necesidad de fortalecer la
educación estadística desde los niveles básicos para asegurar que los futuros
profesionales cuenten con la alfabetización numérica necesaria para
abordar las ciencias de la vida.
55
Comparativa Regional: El Ecosistema Latinoamericano
En comparación con otros países de la región, como Brasil y Chile, el
Perú presenta un desarrollo acelerado, aunque aún en proceso de
consolidación. Brasil, por ejemplo, posee una integración más profunda de la
estadística en la formación docente y una producción científica en
biomatemática más extensa. Chile, por su parte, destaca por sus perfiles de
egreso altamente especializados en consultoría estadística y por un sistema
educativo con mejores resultados en las pruebas PISA (Cotrado et al., 2022).
No obstante, el Perú posee ventajas competitivas en áreas específicas.
La investigación en fisiología de la altura realizada por la UPCH y el
modelamiento de ecosistemas de afloramiento costero del IMARPE son
referentes mundiales. Estos nichos de excelencia demuestran que, cuando se
alinean los recursos institucionales con los problemas territoriales, la
biomatemática peruana puede alcanzar estándares internacionales de
primer orden.
Rol de las Sociedades Científicas y el Futuro de
la Investigación
La sostenibilidad de las líneas de investigación en biomatemática y
bioestadística depende en gran medida de la actividad de comunidades de
práctica como la Sociedad Peruana de Matemática Aplicada y
Computacional (SPMAC)3.
SEMBIOMAT: El Nodo de Intercambio Científico
El Seminario Internacional de Biomatemática (SEMBIOMAT), organizado
por la SPMAC, es el evento principal en el que confluyen expertos nacionales
e internacionales. Sus objetivos son claros:
56
● Crear conciencia sobre el uso de herramientas matemáticas para
perfeccionar la investigación en biología y salud.
● Instruir a especialistas en técnicas de modelado y en software
computacional.
● Fomentar la iniciación científica mediante concursos de afiches y de
tesis dirigidos a estudiantes de pregrado y de posgrado.
La participación de investigadores de Brasil, Chile y Estados Unidos en
estos seminarios permite la transferencia de conocimientos y la formación de
redes de colaboración internacional, fundamentales para el avance de la
ciencia en el país.
Síntesis y Perspectivas Estratégicas
El análisis integral de la línea de investigación en biomatemática y
bioestadística en los currículos de matemática y estadística revela un
panorama de maduración institucional y técnica. La transición de una
enseñanza teórica a una aplicada ha permitido que los matemáticos y
estadísticos se conviertan en actores clave en la resolución de problemas
nacionales críticos (Tobar et al., 2025).
Recomendaciones para el Desarrollo Curricular
1. Integración Temprana: Los programas de pregrado deben considerar la
introducción de conceptos biológicos y biomédicos desde los ciclos
intermedios, permitiendo que el estudiante visualice la aplicabilidad de
la estadística en las ciencias de la vida.
2. Fortalecimiento del Posgrado: La Maestría en Bioestadística de la UNMSM
debe continuar su actualización hacia el análisis de datos masivos
(Machine Learning y Deep Learning) aplicados a la genómica y la
epidemiología espacial.
57
3. Colaboración Interinstitucional: El éxito de IMARPE y la alianza PUCP-
UPCH sugiere que el modelo de colaboración entre el Estado, la
academia y los institutos de investigación es el camino más eficiente
para producir ciencia de alto impacto.
4. Cierre de Brechas Digitales: El acceso a infraestructura de computación
de alto rendimiento es esencial para el modelamiento de sistemas
biológicos complejos y no debe ser una barrera para los investigadores
de provincias.
5. Fomento de la Comunicación Científica: La formación debe incluir
competencias sólidas en redacción de artículos científicos y en
divulgación, asegurando que el conocimiento generado en el Perú
participe en el debate global.
La biomatemática y la bioestadística en el Perú han dejado de ser
promesas académicas y se han convertido en herramientas estratégicas para
el desarrollo. La capacidad del país para enfrentar futuras crisis sanitarias,
gestionar sus recursos marinos y avanzar en la biotecnología dependerá
directamente del vigor y la profundidad con que estas líneas de investigación
se sigan cultivando en las aulas y los laboratorios de todo el territorio nacional
(Velázquez et al., 2019). La inversión en estas disciplinas no es solo un gasto
educativo, sino también una salvaguarda de la salud y de la sostenibilidad
del país en el siglo XXI.
58
Capítulo 4
Análisis del lenguaje natural y
aprendizaje relacional y
estructurado en programas de
doctorado de matemática y
estadística
La convergencia contemporánea entre la lingüística computacional,
la lógica formal y la estadística matemática ha dado lugar a un campo de
estudio altamente especializado que redefine la forma en que los sistemas
artificiales procesan y comprenden el lenguaje humano. En el epicentro de
esta evolución se encuentran el aprendizaje relacional estadístico (SRL) y el
aprendizaje estructurado, paradigmas que buscan superar las limitaciones de
los modelos tradicionales de aprendizaje automático al integrar la
incertidumbre probabilística con la estructura lógica inherente a los datos del
mundo real (Guerrero, 2004).
Esta integración es particularmente crítica en los departamentos de
matemáticas y estadística de las universidades de élite, donde el enfoque se
desplaza del desarrollo de aplicaciones superficiales hacia la
fundamentación teórica de cómo los sistemas pueden razonar sobre
entidades interconectadas y relaciones complejas.
Fundamentos matemáticos y estadísticos en la
investigación lingüística
59
El análisis moderno del lenguaje natural (NLP) se sustenta en una
arquitectura matemática robusta que permite transformar datos no
estructurados en representaciones computables y analizables. En los
programas de doctorado en estadística, la formación comienza con una
base sólida en álgebra lineal, cálculo multivariado y teoría de la probabilidad,
elementos esenciales para el modelado de datos de alta dimensionalidad
(Giraldo y Orozco, 2023). El álgebra lineal, por ejemplo, constituye la columna
vertebral de técnicas como la descomposición en valores propios (SVD) y el
análisis de componentes principales (PCA), fundamentales para reducir la
dimensionalidad de los vectores de palabras y extraer características
semánticas latentes.
El cálculo, por su parte, proporciona las herramientas de optimización
necesarias para entrenar algoritmos de aprendizaje profundo. Los conceptos
de derivadas y gradientes son vitales para algoritmos como el descenso de
gradiente estocástico (SGD), mientras que la regla de la cadena facilita la
retropropagación en redes neuronales complejas. En el contexto del
procesamiento de texto, estas herramientas permiten minimizar las funciones
de pérdida que miden la discrepancia entre las predicciones del modelo y la
estructura lingüística observada.
El pipeline del procesamiento de lenguaje natural
Para que una máquina procese el texto, el lenguaje humano debe
descomponerse en piezas manejables mediante un flujo de trabajo
estructurado (Giraldo y Orozco, 2023). La primera etapa es la tokenización,
que consiste en dividir el texto en palabras o en subunidades. A partir de aquí,
se aplican técnicas de extracción de características para cuantificar la
importancia de los términos. Una de las métricas más utilizadas en la
estadística lingüística es el TF-IDF (Term Frequency-Inverse Document
Frequency), cuya lógica se basa en equilibrar la frecuencia de una palabra
60
en un documento específico con su rareza en el corpus (véase la Tabla 13).
Tabla 13: Flujo de trabajo estructurado de lenguaje natural
Etapa del Pipeline
Función
Matemática/Estadística
Objetivo Principal
Tokenización
Segmentación discreta
Convertir texto en
unidades atómicas.
TF-IDF
Ponderación de
frecuencias
Evaluar la relevancia de
términos específicos.
Embeddings
Mapeo a espacios
vectoriales
Capturar relaciones
semánticas en baja
dimensionalidad.
Clustering (K-Means)
Optimización de
centroides
Agrupar documentos o
términos por similitud.
Modelado (HMM/CRF)
Inferencia probabilística
Predecir etiquetas
secuenciales o
estructuras.
Este proceso transforma el lenguaje, históricamente considerado un
dato no estructurado, en estructuras que los departamentos de estadística
pueden analizar mediante modelos de regresión, clasificación y
agrupamiento. La transición de contar palabras a comprender contextos se
logra mediante redes neuronales y transformadores que aprovechan
mecanismos de atención para priorizar la información relevante en una
secuencia.
61
El paradigma del aprendizaje relacional
estadístico (SRL)
El aprendizaje relacional estadístico (SRL) es una subdisciplina de la
inteligencia artificial y la estadística que se centra en modelos de dominio
caracterizados por la incertidumbre y por una estructura relacional compleja.
A diferencia del aprendizaje automático convencional, que a menudo
asume que los ejemplos son independientes e idénticamente distribuidos
(i.i.d.), el SRL reconoce que la mayoría de los datos del mundo real, incluido el
lenguaje, están interconectados (Pérez y Lagunes, 2025).
La investigación doctoral en esta área busca combinar la potencia de
la lógica de primer orden para representar estructuras complejas con la
flexibilidad de los modelos gráficos probabilísticos para gestionar la
incertidumbre. En este sentido, el SRL permite que la información de una
entidad ayude a extraer conclusiones sobre otras entidades relacionadas,
aprovechando la autocorrelación relacional presente en los conjuntos de
datos (Panqueban y Huincahue, 2024).
Mecanismos de la lógica de Markov
Uno de los marcos unificadores más influyentes en el SRL es la lógica de
Markov (MLN). Semánticamente, un conjunto de fórmulas de lógica de
Markov representa una distribución de probabilidad sobre los mundos
posibles. Matemáticamente, la probabilidad de que un modelo asigne a una
estructura particular se define mediante la siguiente expresión:
62
En esta fórmula, es la función de partición de normalización, es el
peso asociado a la -ésima fórmula lógica, y representa el número
de veces que dicha fórmula es verdadera en la estructura . El aprendizaje
de estos modelos implica encontrar los pesos que maximizan la verosimilitud
de los datos observados, lo cual se realiza calculando la derivada parcial de
la log-verosimilitud:
Donde la diferencia entre el conteo real de la fórmula en los datos
y su valor esperado bajo el modelo actual guía la actualización de los pesos.
Esta estructura permite aplicar con éxito el SRL a tareas de NLP como la
extracción de relaciones, la resolución de correferencias y el análisis de
sentimientos en redes sociales, donde las dependencias entre usuarios y
mensajes son explícitamente relacionales (Abler, 2009).
Modelado teórico de cuerdas y gramática
Un avance significativo en la intersección entre las matemáticas
aplicadas y el SRL es el uso de representaciones teóricas basadas en modelos
de cuerdas para la inferencia gramatical. En este enfoque, las palabras o
frases no se ven solo como símbolos aislados, sino como estructuras que
satisfacen ciertos predicados lógicos. Las representaciones convencionales
utilizan relaciones binarias para el orden (como la relación de sucesor ) y
relaciones unarias para describir propiedades de cada posición en la
cadena.
La investigación ha demostrado que el uso de modelos "no
convencionales", en los que los símbolos comparten propiedades (por
63
ejemplo, sonidos fonéticos que comparten rasgos de articulación), permite a
los modelos de lógica de Markov lograr un mejor desempeño con menos
datos. (Abler, 2009) Al tratar los símbolos como combinaciones de atributos en
lugar de entidades autónomas, los sistemas pueden generalizar de manera
más efectiva, captando dependencias de larga distancia mediante lógica
proposicional o de primer orden.
Aprendizaje estructurado y predicción
lingüística
La predicción estructurada es una extensión del aprendizaje
supervisado en la que la salida del modelo no es un único valor escalar, sino
un objeto estructurado, como un árbol de análisis, una secuencia de
etiquetas o un grafo de relaciones. En el procesamiento del lenguaje natural,
casi todas las tareas de comprensión profunda requieren decisiones
interdependientes y bien estructuradas (Giraldo y Orozco, 2023).
Inferencia y optimización en modelos estructurados
La principal dificultad de la predicción estructurada es el espacio de
salida exponencialmente grande. Para resolver esto, los investigadores en
matemáticas aplicadas diseñan algoritmos de inferencia que a menudo se
formulan como problemas de optimización combinatoria o de programación
lineal entera (ILP). Estos modelos, conocidos como Modelos Condicionales
Restringidos (CCM), permiten incorporar conocimiento humano mediante
restricciones lógicas sobre las variables de salida.
Para acelerar el proceso, se han desarrollado técnicas de "inferencia
amortizada", que reutilizan cálculos previos mediante el almacenamiento en
caché de muestras de inferencia. Además, se emplean métodos de
descomposición dual que fragmentan estructuras complejas en
64
subproblemas más sencillos y recurren a relajaciones lagrangianas para
preservar la coherencia global.
Modelos neuronales y gramáticas probabilísticas
El auge de las redes neuronales ha transformado la predicción
lingüística estructurada. Los modelos tradicionales, como los modelos ocultos
de Markov (HMM) y los campos aleatorios condicionales (CRF), que
dependían de características diseñadas manualmente, están siendo
complementados o reemplazados por arquitecturas de extremo a extremo
que utilizan representaciones distribuidas. Por ejemplo, las gramáticas de
redes neuronales recurrentes (RNNG) inyectan sesgos sintácticos explícitos en
los modelos de lenguaje, lo que les permite superar a los modelos puramente
secuenciales en tareas que requieren un análisis sintáctico profundo.
La investigación doctoral en instituciones como la Universidad
Carnegie Mellon (CMU) analiza las propiedades de estos modelos, como su
"pereza" (la tendencia a almacenar información con el mínimo esfuerzo) o su
"especificidad" (la capacidad de filtrar información irrelevante para la tarea
objetivo). Estos estudios utilizan técnicas de sondeo (probing) para
desentrañar qué tipo de información lingüística captan de manera efectiva
las capas internas de las redes neuronales profundas.
Modelos gráficos probabilísticos (PGM) y su
relevancia
Los modelos gráficos probabilísticos constituyen el lenguaje unificado
para representar la incertidumbre en sistemas multivariados complejos. Al
combinar la teoría de probabilidades con la teoría de grafos, los PGM
permiten capturar dependencias estadísticas en grandes conjuntos de datos
de forma eficiente. En la lingüística computacional, estos modelos son
65
esenciales para tareas como el procesamiento de voz, la traducción
automática y el modelado de temas.
Tipos de representaciones gráficas
La investigación en laboratorios de estadística se centra en tres
representaciones fundamentales de los PGM:
1. Redes Bayesianas: utilizan grafos acíclicos dirigidos para representar
relaciones de causalidad o de dependencia condicional.
2. Redes de Markov (Campos Aleatorios de Markov): Utilizan grafos no
dirigidos y son ideales para modelar interdependencias espaciales o
relaciones simétricas.
3. Grafos de Factores: Representan explícitamente la factorización de la
distribución de probabilidad conjunta mediante un grafo bipartito.
La inferencia en estos modelos, que consiste en calcular la distribución
de probabilidad de variables no observadas, puede ser exacta o
aproximada. Los métodos de inferencia exacta, como el algoritmo de
eliminación de variables y la propagación de creencias, son factibles en
grafos con estructuras simples (como los árboles). Sin embargo, para modelos
más complejos, se recurre a técnicas de inferencia aproximada como los
métodos de Monte Carlo basados en cadenas de Markov (MCMC), que
incluyen el muestreo de Gibbs y el algoritmo de Metropolis-Hastings (véase la
Tabla 14).
66
Tabla 14: Métodos de inferencia exacta
Algoritmo de inferencia
Tipo
Aplicación en NLP
Viterbi
Exacta (Secuencial)
Etiquetado de partes del
discurso (POS tagging).
Propagación de
creencias
Exacta/Aproximada
Análisis sintáctico y
resolución de
restricciones.
Muestreo de Gibbs
Aproximada (MCMC)
Modelado de temas
(LDA) y segmentación de
palabras.
Inferencia Variacional
Aproximada
(Optimización)
Autoencoders
variacionales para la
generación de texto.
Inferencia bayesiana: el pilar del razonamiento
bajo incertidumbre
La inferencia bayesiana representa un paradigma fundamental en la
estadística moderna y en la ciencia de datos y se diferencia del enfoque
frecuentista por su concepción de la probabilidad como una medida del
grado de creencia o de incertidumbre. En el análisis del lenguaje natural, las
técnicas bayesianas son herramientas poderosas para modelar una amplia
gama de fenómenos, lo que permite integrar el conocimiento previo y
gestionar la incertidumbre asociada a los parámetros del modelo (Delso et al.,
2024).
El teorema de Bayes y la actualización de creencias
El proceso bayesiano se basa en la aplicación del teorema de Bayes
67
para actualizar las probabilidades a medida que se observa nueva evidencia:
Donde representa la distribución a priori (creencias iniciales),
es la verosimilitud (cómo encajan los datos observados con el
modelo) y es la distribución a posteriori (creencia actualizada). Este
marco es intuitivo para los científicos porque se asemeja al proceso de
investigación diagnóstica: reducir progresivamente la incertidumbre
mediante la acumulación de información.
En el ámbito del NLP, los modelos bayesianos se emplean para la
segmentación de palabras, la resolución de la ambigüedad sintáctica y el
aprendizaje de la morfología. Por ejemplo, en el estudio del desarrollo del
lenguaje, se ha demostrado que los bebés podrían utilizar estrategias de
inferencia bayesiana para segmentar las palabras de su lengua nativa a partir
de probabilidades de transición, incluso sin conocer previamente su
significado.
Estadística bayesiana no paramétrica
Un área de investigación activa y avanzada en los programas de
doctorado es la estadística bayesiana no paramétrica. Estos modelos
permiten que el número de parámetros crezca con el tamaño de los datos, lo
que evita las limitaciones de los modelos de dimensión fija (Cañizares et al.,
2025). El proceso de Dirichlet es una de las herramientas centrales en este
campo, utilizado como distribución a priori en modelos de mezcla no
paramétricos y en modelos jerárquicos de temas. Estas técnicas son cruciales
para el análisis de grandes volúmenes de texto en los que no se conoce de
antemano el número de categorías o temas subyacentes.
68
Panorama de programas de doctorado y líneas
de investigación
La formación de investigadores de alto nivel en NLP y SRL se lleva a
cabo en programas de doctorado que integran sinergicamente la
informática, la estadística y la lingüística. Universidades de prestigio a nivel
global han establecido centros de excelencia con líneas de investigación
específicas que definen el estado del arte.
Instituciones líderes y sus enfoques
La Universidad Carnegie Mellon (CMU) es reconocida por su trabajo en
el diseño de algoritmos escalables de aprendizaje e inferencia para el SRL,
con un enfoque particular en la integración entre la extracción de
información y el razonamiento relacional. Su trabajo con el sistema ProPPR
permite realizar inferencia en grafos de conocimiento masivos con tiempos de
ejecución que no dependen del tamaño total del grafo.
Por otro lado, la Universidad de Edimburgo alberga un Centro de
Formación Doctoral (CDT) en Diseño de Procesamiento Responsable de
Lenguaje Natural. Este programa no solo se centra en la excelencia técnica,
sino también en la ética, la gobernanza y la consideración de los contextos
de uso, preparando a los graduados para liderar en un entorno en el que la
IA tiene un impacto social profundo. En Escocia también destacan
investigaciones en el modelado bayesiano de la evolución de las formas y del
lenguaje, que emplean procesos gaussianos para inferir filogenias y cambios
temporales en objetos complejos (véase la Tabla 15).
69
Tabla 15: Instituciones líderes en el diseño de algoritmos escalables de
aprendizaje e inferencia para el SRL
Universidad
Centro/Departamento
Línea de Investigación
Destacada
Stanford
Dept. de Estadística / CS
Inferencia causal, alta
dimensionalidad y
genómica.
MBZUAI
Dept. de NLP
Modelos de lenguaje
masivos (LLMs),
traducción y
multimodalidad.
Oxford
Dept. de Estadística
Modelos relacionales
para la toma de
decisiones y el
aprendizaje de grafos.
ETH Zurich
Dept. de Matemáticas
(SfS)
Descubrimiento causal en
datos agrupados y
refuerzo multiagente.
U. Alberta
Ciencias Matemáticas y
Estadísticas
Aprendizaje automático
estadístico y consultoría
en datos.
U. Texas Austin
Dept. de Ciencias de la
Computación
Semántica del lenguaje
natural mediante lógica
probabilística.
Currículos y requisitos académicos
Los programas de doctorado en estadística con especialización en
aprendizaje automático suelen requerir una sólida base en teoría de la
inferencia, probabilidad y computación estadística. Por ejemplo, el
doctorado en la Universidad de Yale incluye cursos que abarcan desde la
70
teoría de la decisión hasta el análisis de supervivencia y la probabilidad
subjetiva, equipando a los estudiantes con las herramientas necesarias para
traducir preguntas científicas en modelos estadísticos rigurosos.
En Europa, programas como el de la Universidad de Essex para el
doctorado en ciencias actuariales incluyen módulos obligatorios de
estadística bayesiana y computacional, en los que los estudiantes desarrollan
algoritmos de MCMC para distribuciones de probabilidad complejas. Estos
currículos reflejan una tendencia global hacia la profesionalización de la
investigación en datos, en la que el dominio de software como R, Python y
Stan es tan importante como la comprensión de los teoremas de
convergencia estocástica.
Desarrollo del campo en el contexto peruano
En el Perú, la investigación en inteligencia artificial, procesamiento del
lenguaje natural y estadística aplicada ha experimentado un crecimiento
notable, impulsado por los departamentos de ciencias e ingeniería de las
universidades más importantes del país.
Pontificia Universidad Católica del Perú (PUCP)
El Grupo de Inteligencia Artificial de la PUCP (IA-PUCP) es un referente
nacional en el desarrollo de soluciones de IA con impacto social. El grupo
realiza investigación multidisciplinaria en áreas como el procesamiento de
lenguaje natural, la lingüística computacional y los modelos gráficos
probabilísticos.
● Investigadores principales: Arturo Oncevay se enfoca en el
procesamiento de lenguajes minoritarios y en el aprendizaje de
máquina, mientras que Edwin Villanueva trabaja en modelos gráficos
probabilísticos y en bioinformática.
71
● Infraestructura: La universidad cuenta con laboratorios equipados con
tecnología de cómputo de alto rendimiento, incluidos servidores con
procesadores gráficos (GPU) para el entrenamiento de modelos de
redes neuronales profundas.
Universidad Nacional Mayor de San Marcos (UNMSM)
La Facultad de Ciencias Matemáticas de la UNMSM alberga grupos de
investigación que integran la matemática pura con la estadística y la
investigación operativa.
● GEINEDPA: Este grupo multidisciplinario busca aglutinar a investigadores
interesados en proponer soluciones científicas a problemas de las
ciencias básicas y aplicadas, incluyendo el asesoramiento de tesis de
posgrado en estas áreas.
● Investigación en lenguaje: Se han realizado estudios sobre el
procesamiento del lenguaje natural y su relación con procesos
cognitivos como la memoria y el razonamiento, desde una perspectiva
de semántica cognitiva (Krasadakis et al., 2024).
Universidad Nacional de Ingeniería (UNI)
La UNI ofrece programas de maestría en inteligencia artificial que
profundizan en las matemáticas que subyacen a las redes neuronales
profundas y a los modelos de lenguaje de gran tamaño (LLMs).La formación
en esta institución destaca por su carácter teórico-práctico, lo que permite a
los estudiantes desarrollar proyectos en laboratorios especializados en
robótica e inteligencia artificial.
72
Financiamiento y oportunidades para
investigadores: PRONABEC
Para los profesionales peruanos, el acceso a los programas de
doctorado internacionales descritos anteriormente está respaldado por
programas de becas del Estado, principalmente a través del Programa
Nacional de Becas y Crédito Educativo (PRONABEC).
Beca Generación del Bicentenario
Esta beca está dirigida a peruanos con alto rendimiento académico y
recursos económicos insuficientes para realizar estudios de posgrado en el
extranjero.
● Requisitos de excelencia: Los postulantes deben pertenecer, como
mínimo, al tercio superior de sus estudios de pregrado o de posgrado
previos.
● Elegibilidad de programas: Los estudios deben realizarse en instituciones
de educación superior extranjeras que se encuentren entre los 400
primeros puestos de los rankings internacionales más reconocidos (QS,
THE, ARWU).
● Beneficios integrales: El financiamiento incluye la matrícula, la pensión
de estudios, el transporte internacional, el alojamiento, la alimentación y
los gastos para la obtención del grado correspondiente.
Además de las becas nacionales, existen iniciativas de colaboración,
como la Asociación Universitaria Iberoamericana de Postgrado (AUIP), que
promueve programas doctorales conjuntos en inteligencia artificial entre
universidades de España, Cuba y otros países latinoamericanos y otorga
becas de estancia de investigación.
73
Tendencias emergentes: LLMs y razonamiento
probabilístico
La llegada de los modelos de lenguaje masivos (LLMs), como los
basados en la arquitectura GPT, ha planteado interrogantes fundamentales
sobre su capacidad de razonamiento lógico y estadístico. Una línea de
investigación emergente consiste en enseñar a estos modelos a "razonar
como bayesianos".
Bayesianismo y Grandes Modelos de Lenguaje
Investigaciones de Google DeepMind sugieren que los LLMs pueden ser
entrenados para imitar las predicciones de un modelo bayesiano, lo que les
permite actualizar sus creencias de forma óptima a medida que reciben
nueva información. Por ejemplo, en tareas de recomendación personalizada,
un asistente bayesiano debe inferir las preferencias del usuario a partir de sus
elecciones previas. Al entrenar al LLM para aproximar este razonamiento
matemático, se logra no solo un mejor rendimiento en la tarea específica, sino
también una mayor capacidad de generalización a otros dominios (Cantú &
Santoyo, 2018).
Este enfoque trata el estado interno del LLM como una representación
de un "mundo posible" y utiliza principios de aprendizaje bayesiano para
asegurar que el modelo asigne pesos realistas a la información recibida,
logrando acuerdos con los ideales matemáticos en hasta el 80% de los casos.
El desafío de los datos estructurados en LLMs
A pesar de su éxito con el lenguaje natural, los LLMs todavía enfrentan
dificultades para procesar hechos almacenados en formatos altamente
estructurados, como tablas o grafos de conocimiento. Los datos estructurados
74
presentan características como la heterogeneidad (mezcla de texto,
números y fechas) y la invariancia ante el orden de las filas o columnas,
propiedades que los transformadores tradicionales, optimizados para
secuencias de texto libre, no siempre captan de manera eficiente (Delso et
al., 2024). El desarrollo de benchmarks como StructFact busca evaluar y
mejorar la capacidad de estos modelos para razonar sobre conocimientos
específicos de dominio que no estaban presentes durante su
preentrenamiento masivo.
La integración del análisis de lenguaje natural con el aprendizaje
relacional y estructurado marca una era dorada para la estadística aplicada
y las matemáticas. Los programas de doctorado están evolucionando para
formar investigadores que no solo dominen las herramientas de
programación, sino que también posean una comprensión profunda de la
fundamentación probabilística y lógica de los sistemas de IA (Delso et al.,
2024).
La investigación futura se encamina hacia modelos que no solo sean
más precisos, sino también más explicables, justos y eficientes en el uso de
recursos. La capacidad de combinar el aprendizaje a partir de grandes
volúmenes de datos con la inyección de conocimiento estructurado
mediante lógica de primer orden y modelos gráficos probabilísticos seguirá
siendo el motor de los avances en áreas tan diversas como la medicina de
precisión, el análisis de políticas públicas y la comprensión profunda de la
comunicación humana. En este contexto, el papel de las universidades
peruanas y el apoyo a través de programas de becas, como los de
PRONABEC, son fundamentales para asegurar que el talento local participe
activamente en esta revolución científica global.
75
Capítulo 5
Estado legal, mallas curriculares y
análisis de la plana docente en los
programas de doctorado en
matemática y estadística en el
Perú
La arquitectura de la educación superior en el Perú ha atravesado una
fase de reestructuración profunda, impulsada por un marco normativo
orientado a elevar el rigor de los programas de posgrado a estándares
internacionales. En el epicentro de esta transformación se encuentran los
doctorados en ciencias básicas, específicamente en las disciplinas de
matemática y estadística, que constituyen el cimiento del desarrollo científico
y tecnológico nacional. Para la UNESCO (2016), estos programas no solo
representan el nivel más alto de especialización académica, sino que
también actúan como nodos de transferencia de conocimiento, donde la
base legal, la solidez de las mallas curriculares y la trayectoria de la plana
docente convergen para definir la calidad de la investigación producida en
el país.
Evolución y marco normativo del posgrado en
el sistema universitario peruano
La base legal que rige los programas de doctorado en el Perú se
sustenta primordialmente en la Ley Universitaria N° 30220, una norma que
marcó un punto de inflexión en la autonomía y la supervisión de las
76
instituciones de educación superior. Esta ley no solo establece las reglas del
juego para la creación y el funcionamiento de las universidades, sino que
también define con precisión los requisitos para la obtención de grados
académicos de alto nivel (.edu PUCP, 2022). Bajo este esquema, la
Superintendencia Nacional de Educación Superior Universitaria (SUNEDU)
ejerce un rol fiscalizador y de acompañamiento, asegurando que los
programas de doctorado en matemática y estadística cumplan con las
Condiciones Básicas de Calidad (CBC) necesarias para su licenciamiento.
La Ley Universitaria 30220 y las exigencias del doctorado
El artículo 45 de la Ley 30220 establece taxativamente que los estudios
de doctorado requieren el grado de maestro como requisito de acceso. Esta
jerarquización asegura que el doctorando cuente con una base investigativa
previa antes de embarcarse en la generación de conocimiento original (Mori,
2014). Asimismo, la ley prescribe que los programas de doctorado deben
tener una duración mínima de seis semestres académicos, un contenido
mínimo de 64 créditos y la sustentación de una tesis de máxima rigurosidad
que demuestre un aporte original a la ciencia.
Uno de los pilares de la reforma es limitar la educación a distancia al
doctorado. El artículo 47 de la referida ley estipula que los estudios de
doctorado no pueden dictarse exclusivamente en la modalidad a distancia,
lo que salvaguarda la naturaleza presencial de la mentoría científica y del
trabajo en laboratorios de cómputo o centros de investigación. Esta
disposición es particularmente relevante en matemática y estadística, donde
la interacción continua entre el asesor y el tesista resulta fundamental para
resolver problemas teóricos complejos (véase la Tabla 16).
Tabla 16: La Ley Universitaria 30220 y los requisitos del doctorado
77
Artículo de la Ley 30220
Ámbito de Aplicación
Requisito Específico para
Doctorados
Artículo 45.
Obtención de grados
Grado de maestro para
ingresar; tesis original para
egresar.
Artículo 45.
Duración
Mínimo de seis semestres
académicos (3 años).
Artículo 47
Educación a distancia
Prohibición de la modalidad
100% virtual en los
doctorados.
Artículo 82.
Docencia Universitaria
Obligatoriedad del grado de
doctor para dictar en los
doctorados.
Artículo 31.
Unidades de Investigación
Obligatoriedad de los
institutos de investigación en
las universidades.
El rigor académico también se extiende a los requisitos para la plana
docente. El artículo 82 de la Ley Universitaria exige que, para la formación a
nivel de doctorado, el docente posea obligatoriamente el grado académico
78
de doctor. Además, los miembros del Consejo Directivo de la SUNEDU y las
autoridades universitarias, como el Superintendente, deben contar con el
grado de Doctor obtenido mediante estudios presenciales, lo que subraya la
importancia de la experiencia académica directa en la gestión del sistema
educativo (Cotrado et al., 2022).
Licenciamiento y supervisión por la SUNEDU
El proceso de licenciamiento institucional, llevado a cabo por la
SUNEDU, ha sido el mecanismo mediante el cual se ha depurado la oferta
académica en el Perú. Solo aquellas universidades que demuestran
sostenibilidad financiera, infraestructura adecuada y, sobre todo, una plana
docente calificada y líneas de investigación activas pueden ofrecer
programas de doctorado en matemática y estadística. Este control asegura
que instituciones como la Universidad Nacional Mayor de San Marcos
(UNMSM), la Universidad Nacional de Ingeniería (UNI) y la Pontificia
Universidad Católica del Perú (PUCP) operen bajo un paraguas de legalidad
y de calidad verificada.
El sistema se complementa con la labor del Sistema Nacional de
Evaluación, Acreditación y Certificación de la Calidad Educativa (SINEACE),
que otorga acreditaciones específicas a los programas que superan
estándares de excelencia que van más allá del cumplimiento básico de la ley
(Ponce, 2025). En matemática y estadística, la acreditación es un proceso
vital para la mejora continua, al incentivar a los departamentos a mantener
publicaciones en revistas indexadas y a celebrar convenios de movilidad
académica internacional.
79
El Doctorado en Matemáticas en la Pontificia
Universidad Católica del Perú (PUCP)
El programa de Doctorado en Matemáticas de la PUCP representa uno
de los esfuerzos más sostenidos del sector privado para fomentar las ciencias
básicas en el país. Su enfoque principal es formar investigadores con una base
científica amplia y profunda, capaces de desempeñarse tanto en la
academia como en sectores tecnológicos avanzados que requieren
modelización matemática de alto nivel.
Estructura curricular y fases de estudio
El plan de estudios de la PUCP se organiza en una estructura de cuatro
años u ocho semestres académicos, con una carga total de 64 créditos. Este
programa se distingue por una clara división en dos etapas, diseñadas para
llevar al estudiante desde la profundización teórica hasta la producción
científica independiente.
La primera etapa, que abarca el primer año y medio de estudios,
consiste en 24 créditos distribuidos en seis cursos de formación y
especialización. Durante este periodo, el estudiante es guiado por un tutor
para seleccionar cursos en cuatro líneas principales de investigación: Álgebra
y Geometría no Conmutativa, Geometría Diferencial, Geometría y Dinámica
Compleja y Teoría de Probabilidad y Procesos Estocásticos. Esta fase culmina
con el Examen de Calificación, un hito obligatorio que consiste en dos
pruebas orales ante jurados especialistas, diseñadas para evaluar la
capacidad del candidato para abordar problemas de frontera en su área de
tesis y en una línea secundaria (véase la Tabla 17).
80
Tabla 16: Plan de estudios de la PUCP
Fase de Estudio
(PUCP)
Ciclos Académicos
Carga Crediticia
Actividades
Principales
Etapa 1:
Especialización
I - III
24 Créditos
Cursos obligatorios y
electivos; examen de
calificación.
Etapa 2:
Investigación
IV - VIII
40 Créditos
Seminarios de tesis A-
E; elaboración de
tesis originales.
A partir del cuarto ciclo, el estudiante ingresa a la etapa de
investigación pura y cursa seminarios de tesis consecutivos que suman 40
créditos. Estos seminarios están orientados a la realización de una
investigación original con difusión internacional, requisito esencial para la
graduación.
Líneas de investigación y asignaturas destacadas
Las asignaturas de la PUCP están estrechamente vinculadas a las líneas
de investigación activas de sus docentes. En el área de Álgebra se imparten
cursos como Álgebra Conmutativa, Análisis Funcional y Geometría Algébrica.
Para los interesados en geometría diferencial, la oferta incluye variedades
complejas y aplicaciones armónicas.
Un área particularmente fuerte en la PUCP es la Dinámica Compleja y
Geometría, donde se ofrecen cursos especializados como Superficies de
81
Riemann, Varias Variables Complejas y Geometría Analítica Local. En el
ámbito de las matemáticas aplicadas, la línea de Teoría de la Probabilidad
ofrece martingalas, integración estocástica y procesos de Markov,
fundamentales para el desarrollo de modelos en finanzas y en física
estadística.
El Doctorado en Matemática Pura de la
Universidad Nacional Mayor de San Marcos
(UNMSM)
Como la universidad más antigua del continente, la UNMSM mantiene
una tradición de rigor en su programa de Doctorado en Matemática Pura.
Este programa tiene como finalidad principal la formación de investigadores
capaces de plantear y resolver problemas mediante nuevas metodologías y
técnicas, con una sólida base en la matemática actual.
El enfoque curricular del Plan 2021/2025
El doctorado en la San Marcos está diseñado para completarse en 6
semestres (3 años). La malla curricular integra periodos de profundización e
investigación, con una fuerte carga crediticia en seminarios que fomentan la
discusión científica (véase la Tabla 17).
El programa doctoral no rehúye de la dimensión humanística. Al incluir
la filosofía y la investigación ética como componentes curriculares, el diseño
busca potenciar el pensamiento crítico. No se trata de una ética periférica,
sino de una ética integrada en la práctica diaria del análisis de datos. El
objetivo es que los futuros doctores tengan la capacidad de cuestionar cifras
y datos, identificar sesgos, malinterpretaciones estadísticas o aplicaciones
tecnológicas que puedan vulnerar la integridad social.
82
Tabla 17: El enfoque curricular del Plan 2021/2025 en la UNMSM
Semestre
Asignaturas
Créditos
Enfoque
I
Epistemología,
Electivos de
especialidad
14
Fundamentación
filosófica y técnica.
II
Seminario de Tesis I,
Seminario de
Investigación I
11
Planteamiento del
problema e hipótesis.
III
Seminario de Tesis II,
Seminario de
Investigación II
11
Estado del arte y
marco teórico.
IV
Seminario de Tesis III,
Seminario de
Investigación III
12
Resultados
preliminares y
artículos indexados.
V
Tesis I, Seminario de
Investigación IV
12
Redacción y
publicación de
resultados.
83
VI
Tesis II, Seminario de
Investigación V
12
Sustentación pública
final.
La asignatura de Epistemología en la UNMSM no es solo un curso
teórico; exige que el estudiante desarrolle una elucidación filosófica de los
problemas conceptuales y metodológicos de su propia investigación
científica. Los seminarios de investigación y de tesis son el corazón del
programa, en los que el estudiante debe demostrar avances tangibles,
culminando en el Seminario de Tesis III con la aceptación o la publicación de
artículos científicos en revistas indexadas de prestigio mundial.
Áreas de especialización y cursos avanzados
La UNMSM ofrece una amplia gama de cursos avanzados y seminarios
especializados que reflejan las fortalezas de su departamento. En la línea de
Ecuaciones Diferenciales y Análisis Funcional se estudian temas como
semigrupos de operadores lineales, ecuaciones diferenciales parciales
elípticas y no lineales.
En el área de Geometría y Topología, el programa incluye Topología
Algebraica, Geometría de Variedades y Dinámica Hiperbólica. Los seminarios
de Dinámica Hiperbólica abordan temas como el número de rotación de
Poincaré, los difeomorfismos estructuralmente estables y el teorema de Kupka-
Smale, proporcionando al estudiante las herramientas necesarias para la
investigación en sistemas dinámicos. Además, se incluyen tópicos de varias
variables complejas, funciones analíticas y superficies de Riemann, lo cual se
alinea con las tendencias globales de la matemática pura.
84
El Doctorado en Ciencias con mención en
Matemática de la Universidad Nacional de
Ingeniería (UNI)
La UNI, reconocida por su excelencia en ingeniería y ciencias, ofrece
un doctorado en matemática que combina el rigor teórico con una fuerte
inclinación por la modelización y la resolución de problemas complejos.
El programa de la UNI se desarrolla en seis semestres, comenzando con
una carga intensiva de cursos electivos (mínimo de 14 créditos) en el primer
semestre. A partir del segundo semestre, el estudiante se sumerge en
seminarios de investigación y en cursos de tópicos especiales (véase la Tabla
18).
Tabla 18: Estructura académica y admisión
Semestre
Código - Asignatura
Horas
Créditos
II
DM918 - Seminario
de Investigación I
80
5
II
DM826 - Tópicos de
Matemática I
80
5
III
DM828 - Seminario
80
5
85
de Investigación II
IV
DM833 - Seminario
de Investigación III
80
5
V
DM850 - Seminario
de Tesis I
160
10
VI
DM851 - Seminario
de Tesis II
160
10
El proceso de admisión en la UNI es uno de los más exigentes del país y
se divide en una admisión inicial y otra definitiva, tras el primer año. Para la
admisión inicial, el postulante debe poseer el grado de Maestro en Ciencias y
aprobar los exámenes de conocimientos en las áreas de la especialidad, con
una nota mínima de 16. La admisión definitiva requiere que el estudiante
cuente con un asesor aceptado, un plan de tesis aprobado y que haya
superado los exámenes de calificación correspondientes (Universidad
Nacional de Ingeniería, 2020).
86
Programas de doctorado en estadística:
ingeniería, minería de datos e investigación
aplicada
El campo de la estadística en el Perú ha evolucionado hacia un
enfoque multidisciplinario, en el que el rigor matemático se encuentra con la
innovación tecnológica. Esto se refleja en los programas ofrecidos por la UNI
y la Universidad Nacional de Tumbes (UNTumbes).
Doctorado en Ciencias e Ingeniería Estadística en la UNI
(DCIES)
El DCIES de la UNI forma parte de un hub académico-tecnológico que
integra la ciencia de datos y la ingeniería estadística. Este programa se
enfoca en el desarrollo de nuevas metodologías y herramientas matemático-
computacionales para procesar y analizar grandes volúmenes de datos.
Las líneas de investigación en este programa incluyen:
● Metodología estadística avanzada.
● Modelos estadísticos espacio-temporales y geoespaciales.
● Series de tiempo y análisis latente.
● Aprendizaje de máquina (Machine Learning).
● Diseño experimental y muestreo complejo.
El DCIES está concebido como el espacio de investigación de frontera
en "Deep Tech" en el Perú, integrando el modelado estadístico avanzado con
la computación de alto rendimiento (HPC) y con entornos en la nube. Su
objetivo es transformar problemas reales de la industria en soluciones formales
de inferencia y en frameworks computacionales.
87
Doctorado en Estadística Matemática Aplicada en la
Universidad Nacional de Tumbes
En el norte del país, la UNTumbes ofrece un programa de doctorado
que destaca por integrar herramientas computacionales modernas en la
estadística matemática. El programa tiene una duración de tres años (seis
ciclos) y requiere un total de 77 créditos (véase la Tabla 19).
Tabla 19: Asignaturas clave del programa de doctorado en la UNTumbes
Ciclo
Asignaturas Clave
Créditos
Contenido
Destacado
I
Programación en R
5
Uso de R para
técnicas estadísticas
y gráficas.
II
Métodos
Estadísticos para la
Investigación
5
Inferencia y
modelado
avanzado.
III
Minería de datos
5
Extracción de
patrones a gran
escala a partir de
grandes volúmenes
de datos.
88
III
Didáctica de las
Ciencias
5
Formación
pedagógica para la
docencia superior.
IV
Inteligencia Artificial
5
Modelos predictivos y
redes neuronales.
Además de los centros principales en Lima, otras universidades públicas
han desarrollado programas de doctorado que fortalecen la
descentralización de la investigación científica.
Universidad Nacional de Piura y su Doctorado en Ciencias
Matemáticas
La Universidad Nacional de Piura (UNP) ofrece un Doctorado en
Ciencias Matemáticas con un plan de estudios de 90 créditos distribuidos en
seis ciclos. Las áreas principales de investigación son las Ecuaciones
Diferenciales Parciales (EDP), la Optimización y la Inteligencia Artificial (IA).
Una particularidad de la UNP es su enfoque cooperativo, que
contempla la participación de la Universidad Nacional de Trujillo y de otras
instituciones nacionales y extranjeras. Históricamente, su departamento ha
contado con profesores visitantes de España, Argentina, Cuba y Colombia, lo
que compensa la necesidad inicial de doctores en su propia plana docente.
Universidad Nacional del Santa (UNS) y la Universidad
Nacional de Trujillo (UNT)
La UNS en Chimbote ofrece doctorados en Matemática y en
89
Estadística y Matemática, con un enfoque en la resolución de problemas
científicos aplicados a la ingeniería y las humanidades. Para De Olivera et al.
(2019), el perfil del doctor enfatiza la creatividad intelectual y la capacidad
de difundir sus investigaciones en revistas internacionales. Las líneas de
investigación en la UNS abarcan desde el análisis armónico y la teoría de
aproximación hasta la didáctica de la matemática y la formación del
profesorado.
Por su parte, la Universidad Nacional de Trujillo ha acreditado ante el
SINEACE programas de pregrado en Educación Secundaria con mención en
Ciencias Matemáticas, lo cual sirve de base para sus estudios de posgrado.
En la UNT se fomentan el pensamiento lógico-matemático para analizar
diversos problemas y el dominio técnico de las ciencias matemáticas básicas
en la formación docente.
Perfil del investigador y campo ocupacional en
matemática y estadística
La formación doctoral en estas disciplinas no solo prepara para la vida
académica, sino que también dota al profesional de habilidades analíticas
de alto nivel, altamente valoradas en el mercado laboral contemporáneo.
Competencias del doctor en matemática
El egresado de un doctorado en matemática pura o aplicada es
intelectualmente creativo y capaz de trabajar tanto de forma independiente
como en grupos interdisciplinarios. Sus competencias incluyen:
● Enfrentar problemas matemáticos originales y trascendentales de la
praxis para modelarlos y solucionarlos.
● Evaluar rigurosamente la investigación por pares y difundir los resultados
en redes científicas a nivel global.
90
● Aplicar herramientas de optimización y de computación matemática en
los sectores industrial, de asesoría empresarial y de gestión ambiental.
Competencias del doctor en estadística
El profesional con grado de doctor en estadística posee una
capacidad crítica y ética para manejar datos y tomar decisiones basadas en
evidencia científica. Sus roles incluyen:
● Desarrollo de investigación original en estadística teórica y aplicada.
● Enseñanza universitaria de alta especialización.
● Resolución de problemas fundamentales derivados de la ciencia y la
tecnología mediante inferencia bayesiana, muestreo complejo y análisis
multivariante.
En el contexto peruano, los doctores en estas áreas encuentran
oportunidades en universidades licenciadas que buscan fortalecer su planta
docente ordinaria, en instituciones de investigación del Estado y en el sector
financiero y de ciencia de datos, donde la demanda de perfiles analíticos
rigurosos está en constante aumento (Escobar, 2022). El estudio de un
doctorado en Perú requiere una planificación financiera clara, ya que los
costos varían según la institución y la modalidad de apoyo (véase la Tabla 20).
Tabla 20: Inversión y aspectos económicos del doctorado
Universidad
Tasa de Matrícula Anual
(Aprox. US$)
Apoyo Financiero / Becas
PUCP
~ 6,581
Becas integrales para
91
dedicación exclusiva.
UNMSM
~ 0 (Tasas administrativas
mínimas)
Oportunidades de proyectos
de investigación.
UNP (Piura)
~ 1,579
Programas de incentivo a la
investigación.
UNT (Tumbes)
~ 3,348 (Total programa)
Tasas competitivas para la
región norte.
Es fundamental destacar que muchas universidades públicas ofrecen
aranceles reducidos a sus egresados o a docentes universitarios que buscan
homologar sus grados conforme a la nueva Ley Universitaria. Además, el
Estado peruano, a través de programas de becas y de financiamiento de
proyectos de investigación, fomenta que los mejores talentos culminen sus
estudios doctorales sin la carga económica que ello suele representar
(Orellana et al., 2025).
El fortalecimiento de los doctorados en matemática y estadística es un
pilar fundamental para la soberanía científica del Perú. La transición de un
modelo de enseñanza puramente profesionalizante a uno centrado en la
investigación ha sido posible gracias al marco legal establecido por la Ley
30220 y a la supervisión de la SUNEDU (González, 2022).
92
La solidez de programas como los de la PUCP, la UNMSM y la UNI,
respaldados por planes docentes que incluyen formación doctoral en los
mejores centros del mundo (como el IMPA), garantiza que el país cuente con
investigadores de talla global. Al mismo tiempo, la diversificación de la oferta
en regiones como Tumbes y Piura y el enfoque en áreas emergentes como la
inteligencia artificial y la ciencia de datos en la UNI aseguran que la
matemática y la estadística sigan siendo motores de desarrollo e innovación
para el país.
La integración de la investigación doctoral con las necesidades de la
industria y el Estado es el próximo desafío. Con mallas curriculares actualizadas
y un compromiso renovado con la excelencia docente, los programas de
doctorado en el Perú están posicionados para liderar la transformación digital
y científica que la sociedad demanda.
93
Conclusión
El diseño de un doctorado en matemática y estadística no puede
limitarse a una lista de materias; debe partir de una base filosófica que
justifique la selección de cada contenido. La propuesta analizada se sustenta
en la necesidad de un programa interdisciplinario que responda a espacios
de especialización precisos. Esta precisión se traduce en la formación de
doctorandos capaces de interactuar con áreas como la bioinformática, la
inteligencia artificial, las ciencias de la educación y la economía financiera.
Una de las contribuciones más significativas de esta propuesta es la
adopción de un pluralismo metodológico explícito. El currículo integra de
manera fundamental la enseñanza de las probabilidades y de la inferencia
desde marcos tanto frecuentistas como bayesianos. Esta decisión no es
meramente técnica, sino también profundamente pedagógica y profesional.
En la práctica científica contemporánea, el investigador se enfrenta a
situaciones en las que la información previa es crucial (contexto bayesiano) y
a otras en las que la objetividad a largo plazo es el estándar (contexto
frecuentista).
Al capacitar al doctorando en ambos marcos, se le otorga la
autonomía intelectual para seleccionar enfoques en función de los
estimandos y del contexto del problema, evitando el dogmatismo
metodológico que a menudo limita la innovación. Este enfoque fomenta una
cultura de estimación de la incertidumbre, en la que el uso de dominios y
distribuciones de probabilidad reemplaza la confianza ciega en valores
puntuales, lo que permite una interpretación más honesta y rigurosa de los
fenómenos naturales y sociales.
94
El programa doctoral no rehúye de la dimensión humanística. Al incluir
la filosofía y la investigación ética como componentes curriculares, el diseño
busca potenciar el pensamiento crítico. No se trata de una ética periférica,
sino de una ética integrada en la práctica diaria del análisis de datos. El
objetivo es que los futuros doctores tengan la capacidad de cuestionar cifras
y datos, identificar sesgos, malinterpretaciones estadísticas o aplicaciones
tecnológicas que puedan vulnerar la integridad social.
Esta formación filosófica se vincula directamente al compromiso con la
reproducibilidad científica. El currículo está alineado con objetivos
contemporáneos que exigen que cada hallazgo pueda verificarse de
manera independiente. La transparencia en el uso de algoritmos y la
honestidad en la presentación de resultados se erigen en competencias tan
vitales como el dominio de un teorema complejo o de una técnica de
simulación avanzada.
Aunque el detalle semestral de créditos se encuentra en la
documentación administrativa de la editorial, la obra "Asignaturas y plana
docente" especifica las áreas temáticas que vertebran el aprendizaje del
doctorando. Estas áreas han sido seleccionadas por su relevancia en la
frontera del conocimiento y por su capacidad para impulsar la transferencia
tecnológica.
En conclusión, el currículo integra el uso de herramientas de control de
versiones y entornos de programación que facilitan la reproducibilidad
científica. Siguiendo las directrices éticas del programa, se enseña a los
estudiantes a documentar sus procesos de manera que cualquier otro
investigador pueda replicar sus resultados. Este compromiso con la
transparencia es lo que distingue a un investigador de excelencia en el
95
panorama científico global.
96
Bibliografía
Abler, D., Kanellopoulos, V., Davies, J., Dosanjh, M., Jena, R., Kirkby, N., &
Peach, K. (2013). Data-driven Markov models and their application in the
evaluation of adverse events in radiotherapy. Journal of radiation research, 54
Suppl 1(Suppl 1), i49–i55. https://doi.org/10.1093/jrr/rrt040
Amarilla, C.D. (2024). Cadenas de Márkov ocultas discretas y los experimentos
mendelianos. Reportes científicos de la FACEN, 15(1), 15-32.
https://doi.org/10.18004/rcfacen.2024.15.1.015
.edu PUCP. (2022, 22 de julio). El inconstitucional retroceso a la autorregulación
de la educación universitaria. .edu
PUCP. https://www.direccion.de/recuperacion-para-el-lector/
Bolaño-García, M., & Duarte-Acosta, N. (2024). Una revisión sistemática Del Uso
De La Inteligencia Artificial En La educación. Rev Colomb Cir, 39, 51-63.
https://doi.org/10.30944/20117582.2365
Cantú, P.C., & Santoyo, M.A. (2018). Evaluación del rendimiento académico
en bioestadística y la competencia disciplinar de pensamiento
matemático en estudiantes universitarios. Educación, 28(54), 45-60.
https://doi.org/10.18800/educacion.201901.003
Cañizares Luna, O., Sarasa Muñoz, N.L., Herrera Martínez, M., Guirado Blanco,
O., & Boffill Cárdenas, M. (2021). Concepción y diseño de un programa de
doctorado en ciencias médicas según el contexto
local. EDUMECENTRO, 13(3), 382-400.
97
http://scielo.sld.cu/pdf/edu/v13n3/2077-2874-edu-13-03-382.pdf
CONCYTEC. (2022). (27 de diciembre de 2022). 22. ¿Cuáles son los niveles de
clasificación de los investigadores RENACYT?. Base de conocimiento
CONCYTEC.
https://conocimiento.concytec.gob.pe/preguntas/renacyt/cuales-son-los-
niveles-de-clasificacion-de-los-investigadores-renacyt/
Condori Meléndez, H., Romani Miranda, U.I., Giles Abarca, C.A., & Rivera
Muñoz, J.L. (2022). Realidades y perspectivas de la educación superior
universitaria en el Perú actual. Revista Universidad y Sociedad, 14(3), 469-477.
http://scielo.sld.cu/pdf/rus/v14n3/2218-3620-rus-14-03-469.pdf
Cotrado Mendoza, B., D. Pallauta, J. ., & Castro Quispe, A. C. (2022). La
profesionalización docente de matemática en el sistema educativo público
peruano. Revista Latinoamericana Ogmios, 2(5), 241–248.
https://doi.org/10.53595/rlo.v2.i5.035
De Olivera, F., Olesker, L. y Pagés, D. (2019). Probabilidad y estadística en la
formación de profesores de matemática. Un análisis curricular e implicaciones
didácticas. Reloj de agua, 20, 5-14.
https://dialnet.unirioja.es/descarga/articulo/7407022.pdf
Delso Vicente, A. T., Carvajal Camperos, M., & Corral De La Mata, D. Ángel.
(2024). La evolución del procesamiento del lenguaje natural y su influencia en
la inteligencia artificial: Una revisión y líneas de investigación futura. European
Public & Social Innovation Review, 10, 1–23. https://doi.org/10.31637/epsir-
2025-782
98
Echeverry, A., Samper, C., Camargo, L., Molina, O., & Perry, P. (2013). Aportes
investigativos para el diseño curricular en geometría y estadística. Bogotá:
Universidad pedagógica nacional.
https://books.google.com.pe/books/about/Aportes_investigativos_para_el_d
ise%C3%B1o_c.html?id=wmuKDwAAQBAJ&redir_esc=y
Escobar Jiménez, C. (2022). Doctores, incentivos de titulación e impacto en la
investigación: un panorama general de los profesores con doctorado en el
sistema de educación superior ecuatoriano. Revista Andina De
Educación, 5(2), 000528. https://doi.org/10.32719/26312816.2022.5.2.8
Giraldo Forero, A.F., & Orozco Duque, A.F. (2023). Evolución del procesamiento
natural del lenguaje. TecnoLógicas, 26(56).
https://www.redalyc.org/articulo.oa?id=344273557010
González Fretel, C. D. (2022). A propósito de la reciente aprobación del
“Proyecto de Ley que reestablece la autonomía universitaria”: Entrevista al
profesor Walter Alban Peralta. Derecho & Sociedad, (58), 1–10.
https://doi.org/10.18800/dys.202201.004
Guerrero Seide, E. (2004). La estructuración del contenido matemático por
problemas: un mecanismo para alcanzar un conocimiento efectivo en
educación superior. Revista electrónica de investigación educativa, 6(2), 1-
12. https://www.scielo.org.mx/pdf/redie/v6n2/v6n2a3.pdf
Gutiérrez Segura, F. A., Escobar Gómez, E., Jiménez Huayama, M., García
Saba, M. H., Silupú Ortega, V. H., & Sabino Escobar, C. M. (2025). Diseño de un
programa curricular de doctorado en matemática y estadística: Concepción
99
y líneas de investigación. Colonia del Sacramento: Editorial Mar Caribe.
https://doi.org/10.17613/mkbfa-t6v67
Krasadakis, P., Sakkopoulos, E., & Verykios, VS (2024). Un estudio sobre los
desafíos y avances en el procesamiento del lenguaje natural con énfasis en
la informática jurídica y los lenguajes con pocos recursos. Electronics , 13 (3),
648. https://doi.org/10.3390/electronics13030648
Monge Morales, G. (2017). Las Universidades en el Perú: Análisis constitucional
y legal desde su condición de Personas Jurídicas. THEMIS Revista De Derecho,
(72), 211–224. https://doi.org/10.18800/themis.201702.012
Montoya, J. (2023). Tesis doctoral de doble titulación (cotutela) como
estrategia para la internacionalización de los programas de doctorado:
Experiencias de la Escuela de Ingeniería de la Universidad de La
Sabana. Encuentro Internacional De Educación En Ingeniería.
https://doi.org/10.26507/paper.2782
Mori, J. (2014). Mirando el bosque en su conjunto La endogamia académica
y la renovación docente en las universidades públicas. En Blanco Y
Negro, 5(2).
https://revistas.pucp.edu.pe/index.php/enblancoynegro/article/view/11385
Ocaña-Riola, R. (2009). Modelos de Markov aplicados a la investigación en
Ciencias de la Salud. Interciencia, 34(3), 157-162.
http://ve.scielo.org/scieloOrg/php/articleXML.php?pid=S0378-
18442009000300004&lang=es
100
Orellana-Cuellar, L., Pezo-Pezo, A., & Caballero-Ortiz, A.G. (2015). Nueva ley
universitaria: necesidad de reevaluación en la docencia después de los
setenta. Anales de la Facultad de Medicina, 76(2), 205-
206. https://doi.org/dx.doi.org/10.15381/anales.v76i2.11150
Panqueban, D., & Huincahue, J. (2024). Inteligencia artificial en educación
matemática: una revisión sistemática. Uniciencia, 38 (1), 357-373.
https://dx.doi.org/10.15359/ru.38-1.20
Pérez-Salamanca, V. A., & Lagunes-Domínguez, A. (2025). El impacto de la IA
en el aprendizaje basado en problemas y el pensamiento variacional. AiBi
Revista De Investigación, Administración E Ingeniería, 13(3), 1-
12. https://doi.org/10.15649/2346030X.4400
Ponce Vega, L. A., Zevallos Castañeda, M. E., Pongo Águila, O. E., & Rivas
Peña, C. A. (2025). Calidad educativa y satisfacción estudiantil: Regulación e
importancia en la Educación Universitaria del Perú. Prohominum, 7(4), 175–
197. https://doi.org/10.47606/ACVEN/PH0391
Sepúlveda-Herrera, C., & Huincahue, J. (2024). Modelación matemática y
etnomatemática: una revisión sistemática de una línea de investigación en
desarrollo. Bolema: Boletim De Educação Matemática, 38, e230280.
https://doi.org/10.1590/1980-4415v38a230280
Tobar Moran, M. R., Sarmiento Barreiro, L. M., Reyes Sánchez, Z. G., & Falconí
San Lucas, S. del R. (2025). La bioestadística como modelo de enseñanza-
aprendizaje en la investigación en estudiantes de las áreas de la salud. Una
revisión sistemática. RECIMUNDO, 9(2), 579–595.
101
https://doi.org/10.26820/recimundo/9.(2).abril.2025.579-595
UNESCO. (2016). Estado del arte y criterios orientadores para la elaboración
de políticas de formación y desarrollo profesional de docentes de primera
infancia en América Latina y el Caribe. Santiago: Organización de las
Naciones Unidas para la Educación, la Ciencia y la Cultura.
https://unesdoc.unesco.org/ark:/48223/pf0000245157
Universidad Nacional de Ingeniería (2020). Reglamento Admisión 2020-1.
Admisión UNI Oficina Central, https://admision.uni.edu.pe/wp-
content/uploads/2022/11/reglamento-20201.pdf
Velázquez González, V.A., González Morales, R.M., Velázquez Zúñiga, G.A., &
Martínez Lozada, P.R. (2019). Impacto de la Bioestadística como
ciencia. Correo Científico Médico, 23(4), 1417-1433.
http://scielo.sld.cu/pdf/ccm/v23n4/1560-4381-ccm-23-04-1417.pdf
102
De esta edición de “Diseño de un programa curricular de doctorado en
matemática y estadística: Asignaturas y plana docente”, se terminó de
editar en la ciudad de Colonia del Sacramento en la República Oriental
del Uruguay el 27 de agosto de 2025
103
