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.