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.
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.
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.
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.
U1-S01: Repaso de Python & Análisis Exploratorio
Fundamentos de manipulación de datos en Pandas, visualización descriptiva con Seaborn, variables aleatorias discretas y continuas.
U1-S02: Procesos de Markov & Modelado Dinámico
Cadenas de Markov de tiempo discreto, matrices de transición estocásticas, estados absorbentes, distribución estacionaria y simulación.
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).
U2: Guía de Clase - Inferencia & Muestreo
Documento de lectura estructurado con fundamentos matemáticos KaTeX, demostraciones de muestreo y verificación rigurosa de normalidad.
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.
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.
U2: Laboratorio ANOVA & Test de Tukey
Plataforma interactiva con Plotly.js para verificación de supuestos (homocedasticidad, normalidad) y contrastes post-hoc de Tukey HSD.
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).
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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).
🔬 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.
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.
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.
U1: Notebooks de Python & Exploración
Entornos ejecutables para análisis exploratorio, manipulación de series con Pandas, visualización multivariada con Seaborn y cadenas de Markov.
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.
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.
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.
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.