Cátedra UCA · MIM Estadística Aplicada y Modelos de Regresión
Ciclo Lectivo 2026 · Semanas 1 a 11 Activas (U1 a U6 + TPI + Entregas)

Portal de Recursos Web & Clases Interactivas

Acceso centralizado a presentaciones de clase, laboratorios numéricos y simuladores interactivos en formato HTML para las Unidades 1 a 6, junto al enunciado oficial del Trabajo Práctico Integrador (TPI) y centro de evaluaciones.

1 a 6 + TPI
Unidades Online
30
Banco de Preguntas
38
Recursos (32 Notebooks)
Datasets Sintéticos TP 1 al 6 · DNI PRNG

Generadores de Datos Personalizados por DNI

Plataformas web cliente (Mulberry32) para generar y descargar los datasets CSV únicos por grupo para los 6 Trabajos Prácticos, con ruido calibrado (5-8%) para auditoría de supuestos.

6 Datasets Disponibles Abrir Generador TP1
Evaluación & Guías Unidades 2 y 3 · 2026

Centro de Guías & Evaluaciones Parciales

Enunciado oficial de examen parcial (100 pts, 50% cálculo / 50% interpretación) resoluble en papel y calculadora, solucionario analítico, banco calibrado de 30 preguntas teórico-prácticas y ejercitación complementaria.

Parcial 100 Pts 30 Preguntas Solucionario Guías 02 y 03
Capstone Project Semana 13 · 100 Pts

Trabajo Práctico Integrador: Decision Intelligence

Proyecto final articulador: Inferencia Estadística y ANOVA, Diagnósticos de Gauss-Markov y PCA sin data leakage, Torneo Predictivo con Random Forest, Inferencia Causal con DAGs y Double ML en DoWhy/EconML, Metodología Agéntica (/agentes), Bitácora viva (BITACORA.md) y Deploy en producción.

DoWhy & Causal ML Sistemas Agénticos Deploy en Vivo Rúbrica 100 Pts
Calendario Oficial 13 Semanas · Cronograma V3

Planificación Semanal & Bibliografía

Cronograma oficial semana a semana: fechas de clase, temario teórico-práctico, jornadas institucionales, entregas de TPs (Semana 6, 11 y 13) y referencias bibliográficas requeridas.

Fechas Oficiales Deadlines TPs Bibliografía
Presentación HTML Semana 1 · 26/08

U1-S01: Repaso de Python & Análisis Exploratorio

Fundamentos de manipulación de datos en Pandas, visualización descriptiva con Seaborn, variables aleatorias discretas y continuas.

Pandas Seaborn Descriptiva
Presentación HTML Semana 2 · 02/09

U1-S02: Procesos de Markov & Modelado Dinámico

Cadenas de Markov de tiempo discreto, matrices de transición estocásticas, estados absorbentes, distribución estacionaria y simulación.

Markov Estacionario Simulación
Presentación HTML Semana 3 · 09/09

U2-S03: Inferencia, Estimación & TCL

Estimación puntual e intervalos de confianza, Teorema Central del Límite, cálculo de tamaños de muestra y contraste de normalidad (Shapiro-Wilk, Q-Q Plots).

TCL Intervalos Shapiro-Wilk
Guía Interactiva Semana 3 · Guía

U2: Guía de Clase - Inferencia & Muestreo

Documento de lectura estructurado con fundamentos matemáticos KaTeX, demostraciones de muestreo y verificación rigurosa de normalidad.

Teoría Muestreo Fórmulas
Simulador Web Semana 3 · Lab

U2: Simulador - Planificación de Demanda

Herramienta interactiva con gráficos Chart.js para simular escenarios estocásticos de demanda, dimensionamiento de stock de seguridad y niveles de servicio.

Simulador Chart.js Demanda
Presentación HTML Semana 4 · ANOVA

U2-S04: Test de Hipótesis & ANOVA

Pruebas paramétricas de comparación de medias (t de Student, F de Fisher), alternativas no paramétricas (Wilcoxon) y ANOVA de 1 factor.

ANOVA t-Student Wilcoxon
Laboratorio Interactivo Semana 4 · Lab

U2: Laboratorio ANOVA & Test de Tukey

Plataforma interactiva con Plotly.js para verificación de supuestos (homocedasticidad, normalidad) y contrastes post-hoc de Tukey HSD.

Plotly Tukey HSD Homocedasticidad
Presentación HTML Semana 5 · 23/09

U3-S05: Regresión Lineal Simple & Múltiple

Estimadores MCO, supuestos clásicos de Gauss-Markov, matriz de covarianza, contrastes de significancia global y bondad de ajuste (R², RMSE).

MCO Gauss-Markov R² / RMSE
Laboratorio Virtual Semana 5 · Lab MCO

U3-S05: Laboratorio - Regresión Lineal & MCO

Laboratorio virtual y visualización científica con Plotly.js y MathJax para estimación de MCO, descomposición de variabilidad y análisis de residuos en vivo.

Plotly MCO en Vivo Residuos
Presentación HTML Semana 6 · 30/09

U3-S06: Diagnóstico de Modelos, Outliers & PCA

Análisis de residuos, factores de inflación de la varianza (VIF), Distancia de Cook y reducción de dimensionalidad mediante Análisis de Componentes Principales.

VIF Cook Distance PCA
Laboratorio Interactivo Pro Semana 6 · RegressioLab

U3: RegressioLab Pro - Regresión Múltiple

Plataforma avanzada de cálculo y diagnóstico econométrico: selección exploratoria de modelos ($2^k-1$), determinante de correlación $D$, factores VIF, estadístico PRESS, distancia de Cook y tests confirmatorios.

2^k-1 Modelos PRESS & VIF Det(D) > 0.10
Laboratorio Espectral Semana 6 · PCA Lab

U3: PCA Lab Pro - Componentes Principales

Laboratorio interactivo de reducción dimensional: descomposición espectral exacta de autovalores, Scree Plot interactivo con criterio de Kaiser, Biplot 2D con vectores de carga y regresión PCR para erradicar multicolinealidad.

Scree Plot Biplot 2D PCR (VIF=1.0)
Presentación HTML Semana 8 · Unidad 4 (Parte 1)

U4 (Parte 1): Regresión No Lineal & Logística

Del modelo lineal a la sigmoide, optimización por Máxima Verosimilitud (MLE), cálculo e interpretación estricta de Odds Ratios ($e^{\beta}$), matrices de confusión y trade-off en curvas ROC/AUC.

Sigmoide Odds Ratios ROC / AUC
Presentación HTML Semana 8 · Unidad 4 (Parte 2)

U4 (Parte 2): Clasificación Probabilística & Naive Bayes

Modelos generativos vs discriminativos, teorema de Bayes, supuesto de independencia condicional, Naive Bayes Gaussiano y multinomial para clasificación multiclase.

Bayes Generativo Independencia
Laboratorio Interactivo Pro Semana 8 · LogitLab

U4: LogitLab Pro - Regresión Logística & ROC

Laboratorio interactivo de clasificación: calibración de sigmoide y Odds Ratios, optimización de umbral de corte $\tau$ con matriz de costos financieros, matriz de confusión $2\times 2$ dinámica y cálculo de curva ROC / score AUC.

Odds Ratios e^β Umbral τ Óptimo Curva ROC / AUC
Material de Estudio Guía & Ejercicios U4

U4: Guía Teórica y Práctica de Clasificación

Compendio teórico con deducción de MLE, entropía cruzada binaria, cálculo manual de Odds Ratios y guía de problemas prácticos de clasificación con Naive Bayes y Regresión Logística.

Guía Teórica PDF Guía 04 Ejercicios TP 04 Consigna
Presentación HTML Semana 9 · 21/10

U5 Parte 1: Árboles de Probabilidades (Clasificación) & Regresión (CART)

Por qué 'árbol de decisión' es un término mal usado: los algoritmos CART no deciden, sino que estiman probabilidades condicionales P(Y=k|X) en clasificación (Árbol de Probabilidades) y esperanzas condicionales locales E[Y|X] en regresión (Árbol de Regresión). Criterios Gini/MSE, sobreajuste y poda.

Árbol de Probabilidades Gini vs Entropía Poda y Complejidad
Presentación HTML Semana 9 · Ensembles

U5 Parte 2: Random Forest & Series de Tiempo

Métodos de ensamble Bagging: descorrelación de árboles mediante subespacios aleatorios (m = sqrt(p)), convergencia asintótica del error Out-Of-Bag (OOB), ranking de Feature Importance (MDI) e introducción rigurosa a Series Temporales.

Random Forest Error OOB Series Temporales
Laboratorio Interactivo Pro Unidad 5 · Lab

TreeSeriesLab Pro · Árboles de Probabilidades, Regresión & Series

Plataforma interactiva: visualizador 2D de Árboles de Probabilidades y Regresión con distinción conceptual frente a 'árbol de decisión', teorema de Breiman con convergencia OOB, descomposición aditiva/multiplicativa con ACF y demostración de la trampa de extrapolación horizontal en árboles.

Árbol de Probabilidades 2D Curva OOB Error Forecasting Temporal
Material de Estudio & TP Guía & TP Nº 5

U5: Guía Teórica & TP Nº 5 (Demanda Energética)

Fundamentos teóricos con deducción de Gini, varianza de Breiman, y enunciado oficial del Trabajo Práctico Nº 5 con rúbrica de 100 puntos sobre demanda eléctrica horaria, optimización de hiperparámetros y pronóstico ARIMA.

Guía Teórica U5 TP Nº 5 Consigna Rúbrica 100 Pts
Presentación HTML Semana 10 · 28/10

U6 Parte 1: Inferencia Causal & Grafos DAGs

Fundamentos del cálculo causal de Judea Pearl: distinción entre asociación observacional P(Y|X) e intervención causal P(Y|do(X)). Grafos Acíclicos Dirigidos (DAGs), estructuras canónicas (confusor, mediador, colisionador) y la trampa del sesgo de Berkson.

do(X) Operator DAGs d-Separation Berkson's Bias
Presentación HTML Semana 10 · 28/10

U6 Parte 2: Criterio Backdoor & Estimación Causal

Eliminación sistemática de sesgo de confusión: Criterio de la Puerta Trasera (Backdoor Criterion), identificación no paramétrica, estimación vía MCO ajustado y ponderación por inverso de propensión (IPW / Propensity Scores). Resolución de la Paradoja de Simpson.

Backdoor Criterion IPW Weighting Simpson's Paradox DoWhy 4-Steps
Presentación HTML Semana 10 · 28/10

U6 Parte 3: Causal Machine Learning (DoWhy & EconML)

Machine Learning orientado a la causalidad: Double Machine Learning (DML de Chernozhukov et al.), residualización de Frisch-Waugh-Lovell con algoritmos predictivos, estimación de CATE heterogéneo y pruebas estocásticas de refutación (Placebo & Random Common Cause).

Double ML (DML) EconML CATE Heterogeneity Refutation Tests
Laboratorio Interactivo Simulador U6

🔬 CausalLab Pro

Plataforma de experimentación cuantitativa: modelado interactivo de DAGs con detección en tiempo real de d-separación (sesgo de Berkson vs Backdoor), simulación estocástica de la Paradoja de Simpson y panel de Causal ML con curvas CATE y refutación estocástica.

🎯 Misión Analítica Interactive DAG Canvas Simpson Live CATE Curve
Material de Cátedra Semana 11 · Entrega

Guía Teórico-Práctica & Enunciado TP Nº 6

Consigna oficial del TP Nº 6: Evaluación de impacto causal de un nuevo algoritmo de recomendación en e-commerce ($N=10.000$). Implementación de los 4 pasos en DoWhy, estimación CATE con EconML, pruebas de refutación y rúbrica de 100 puntos.

Guía Teórica U6 TP Nº 6 Consigna Rúbrica 100 Pts
Notebooks Prácticos Semana 10 · 4 .ipynb

U6: Notebooks de Causalidad & Causal ML

Laboratorios prácticos en Python: fundamentos de causalidad con NetworkX, ajuste Backdoor y eliminación de confusores, estimación de efectos causales con DoWhy y Double Machine Learning avanzado con EconML.

01 Causalidad & DAGs 02 Backdoor 03 DoWhy 04 EconML DML
Notebooks Prácticos Unidad 1 · 5 .ipynb

U1: Notebooks de Python & Exploración

Entornos ejecutables para análisis exploratorio, manipulación de series con Pandas, visualización multivariada con Seaborn y cadenas de Markov.

Pandas Seaborn Markov
5 cuadernos listos para ejecutar
Notebooks Prácticos Unidad 2 · 10 .ipynb

U2: Notebooks de Inferencia & ANOVA

Batería completa de contrastes de hipótesis paramétricos y no paramétricos: bondad de ajuste, t-Student, ANOVA DCA de 1 factor y Tukey HSD.

SciPy Stats Statsmodels ANOVA DCA
10 cuadernos listos para ejecutar
Notebooks Prácticos Unidad 3 · 6 .ipynb

U3: Notebooks de Regresión Lineal & PCA

Ajuste econométrico y diagnóstico riguroso de modelos: estimación por MCO, residuos, factores VIF, distancia de Cook y reducción con PCA.

MCO OLS VIF & Cook PCA Sklearn
6 cuadernos listos para ejecutar
Notebooks Prácticos Semana 8 · 3 .ipynb

U4: Notebooks de Clasificación & Bayes

Modelos de clasificación en Python: regresión no lineal y polinómica, regresión logística binaria (Odds Ratios, curvas ROC/AUC) y clasificación con Naive Bayes.

Logística Sklearn Odds Ratios Naive Bayes
3 cuadernos listos para ejecutar
Notebooks Prácticos Semana 9 · 4 .ipynb

U5: Notebooks de Árboles, Ensembles & CV

Implementación práctica en Python: árboles de clasificación y regresión, ensamble Random Forest con análisis de importancia de variables y optimización rigurosa de hiperparámetros con K-Fold Cross Validation.

CART Regresor Random Forest GridSearchCV
4 cuadernos listos para ejecutar

Resumen del Cronograma y Planificación (V3)

Materia: Estadística Aplicada y Modelos de Regresión (2026)

Ver tabla completa →
Sem Fecha Unidad Temario Teórico-Práctico (Notebooks & Accesos) Lecturas Recomendadas
1 26/08/2026 Unidad 1 Análisis Exploratorio y Probabilidad
Repaso de estadística descriptiva. Manipulación de datos y visualización con Pandas y Seaborn. Conceptos fundamentales de probabilidad y variables aleatorias.
[1] Cap. 1 a 4
[5] Cap. 1
2 02/09/2026 Unidad 1 Procesos Estocásticos & Inferencia Inicial
Cadenas de Markov, estados estacionarios y simulación dinámica. Introducción a inferencia estadística.
[1] Cap. 8
[5] Cap. 2
3 09/09/2026 Unidad 2 Inferencia, Estimación y Teorema Central del Límite
Estimación paramétrica (puntual y por intervalos). Tamaños de muestra. Pruebas de normalidad (Shapiro-Wilk, Q-Q Plots). Test de hipótesis y ANOVA de 1 factor.
[1] Cap. 8
[5] Cap. 2
4 16/09/2026 - OLIMPÍADAS INTERUCA
Jornada institucional y deportiva. Sin dictado de clases teóricas ni prácticas.
-
5 23/09/2026 Unidad 3 Regresión Lineal Simple y Múltiple
Estimadores MCO, supuestos de Gauss-Markov. Bondad de ajuste (R², RMSE).
[5] Cap. 3
[6] Cap. 1 y 2
6 30/09/2026 Unidad 3 Diagnóstico de Modelos, Outliers y PCA
Análisis de residuos, multicolinealidad (VIF), valores atípicos y apalancamiento (Distancia de Cook). Ingeniería de características y Análisis de Componentes Principales (PCA).
🚨 Entrega obligatoria de TP 1, TP 2 y TP 3
[4] Cap. 3
[6] Cap. 3 y 4
[7] Cap. 3
7 07/10/2026 Parcial EVALUACIÓN PARCIAL
Evaluación teórico-práctica presencial integradora sobre los contenidos de Unidades 1, 2 y 3.
-
8 14/10/2026 Unidad 4 Regresión Logística y Naive Bayes
Dictado integral de Unidad 4. Clasificación binaria, función sigmoidea, estimación MLE, Odds Ratios ($e^eta$). Clasificador Naive Bayes, curvas ROC, matrices de confusión y costo de clasificación.
[4] Cap. 8
[7] Cap. 2
9 21/10/2026 Unidad 5 Modelos Basados en Árboles de Probabilidades, Regresión, Ensembles y Series de Tiempo
Árboles de Probabilidades (clasificación) y Árboles de Regresión (CART). Discusión epistemológica de por qué "árbol de decisión" es un término mal usado (estimación de probabilidades condicionales vs decisiones externas). Criterios Gini, Entropía y varianza. Random Forest, subespacio ($m = \sqrt{p}$) y Series de Tiempo.
[4] Cap. 8 y 9
[7] Cap. 2 y 5
10 28/10/2026 Unidad 6 Inferencia Causal: Fundamentos, DAGs y Causal ML
Correlación vs. Causalidad. Grafos Acíclicos Dirigidos (DAGs) y variables confusoras (confounders). Criterio Backdoor. Estimación de efectos con DoWhy/EconML. Taller de consultas y avances del TP Integrador.
[2] Cap. 1 a 6
[3] Cap. 1 a 6
11 04/11/2026 - Taller Práctico / Avances TP Integrador
Espacio para aplicar Inferencia Causal a los proyectos finales. Pruebas de refutación de modelos.
🚨 Entrega obligatoria de TP 4, TP 5 y TP 6
-
12 11/11/2026 - Cierre Técnico y Preparación de Defensas
Tutorías por grupo para el cierre de hitos del TP Integrador (Hito 3 y 4). Resolución de dudas y formato de reporte.
-
13 18/11/2026 - RECUPERATORIO / DEFENSA TP INTEGRADOR
Examen recuperatorio y defensa oral obligatoria del Proyecto Integrador. Cierre formal de cursada.
-