Asignaturas

Notas de Clase

A continuación se encuentra disponible los apuntes de clase (en desarrollo) de algunas de las asignaturas dictadas.

Asignaturas:

• Introducción a la Estadística con Apoyo Computacional  PDF [1.5 Mb]  (74 páginas, en colaboración con Ronny Vallejos).
• Elementos de Inferencia Estadística  PDF [903 Kb]  (68 páginas).
• Análisis de Regresión  PDF [1.22 Mb]  (127 páginas).

AES-519: Bioestadística

Descripción
La asignatura presenta conceptos básicos sobre procedimientos de análisis de datos, conceptos de teoría de probabilidad y fundamentos de inferencia estadística. Se describe algunos modelos de probabilidades de uso rutinario además de procedimientos para estimación y toma de decisiones bajo incertidumbre.

Referencias

• Díaz, V. (2012). Metodología de la Investigación Científica y Bioestadística. RIL Editores, Santiago de Chile.
• Milton, J.S. (2007).Estadística para Biología y Ciencias de la Salud (3ra Ed.). McGraw-Hill, México, DF.
• Walpole, R.E., Myers, R.H., Myers, S.L., Ye, K. (2012). Probabilidad y Estadística para Ingeniería y Ciencias (9a Ed.). Pearson, México, DF.

IECD-213: Métodos Estadísticos

Descripción
La asignatura presenta una introducción a los conceptos fundamentales sobre cálculo de probabilidades, variables aleatorias, así como algunos procedimientos de estimación y de test de hipótesis.

Referencias

• Canavos, G. (1990). Probabilidad y Estadística, Aplicaciones y Métodos. McGraw-Hill Latinoamericana.
• Meyer, P.L. (1976). Probabilidad y Aplicaciones Estadísticas. Fondo Educativo Interamericano.
• Devore, J. (2008). Probabilidad y Estadística para Ingeniería y Ciencias (7a Ed.). Cengage Learning, Mé:xico.

IECD-415: Métodos Multivariados

Descripción
El propósito de este curso es proveer de una introducción a la inferencia estadística en un contexto donde se mide múltiples variables de interés de naturaleza cuantitativa. A lo largo del curso frecuentemente se asumirá que los datos provienen desde una distribución normal multivariada. La asignatura es subdividida en dos principales partes. Inferencia bajo el supuesto de normalidad y la descripción de diversas técnicas multivariadas. Entre las que podemos destacar: Regresión multivariada y GMANOVA, Análisis de componentes principales, Análisis factorial y métodos de clasificación y agrupamiento.

Referencias

• Anderson, T.W. (2003). An Introduction to Multivariate Statistical Analysis (3rd Ed.). Wiley, New York.
• Hardle, W.K., Simar, L. (2012). Applied Multivariate Statistical Analysis (3rd Ed.). Springer, New York.
• Seber, G.A.F. (2004). Multivariate Observations. Wiley, New York.

Conjunto de datos

• bloodsugar: bloodsugar.csv  |  bloodsugar.rda
• examScor: examScor.csv  |  examScor.rda
• lifeexp: lifeexp.R
• measure: measure.R
• pollution: pollution.rda
• pottery: pottery.R

GitHub de la asignatura:
Página con material de la asignatura: IECD-415: Métodos Multivariados

DOCE-301: Modelos Estadísticos

Descripción
Este curso proporciona los elementos fundamentales para comprender la teoría general de modelos lineales, así como presentar algunas de sus extensiones y la construcción de medidas de diagnóstico mediante métodos de eliminación de casos.

Referencias

• Belsley, D.A., Kuh, E., Welsh, R.E. (1984). Regression Diagnostics: Identifying Influential Data and Sources of Collinearity.. Wiley, New York.
• Kutner, M.H., Nachtsheim, C.J., Neter, J., Li, W. (2005). Applied Linear Statistical Models (5th Ed.). McGraw-Hill, Boston.
• McCullagh, P., Nelder, J.A. (1989). Generalized Linear Models. Chapman and Hall, London.

DOCE-303: Diagnóstico en Modelos Estadísticos

Descripción
El propósito de este curso es proveer de una descripción detallada de las principales herramientas necesarias para llevar a cabo el desarrollo de medidas de diagnóstico que permitan evaluar la calidad de modelo postulado, así como la identificación de datos atípicos en modelos comunmente usados en estadística. El curso cubre un amplio rango de procedimientos de diagnóstico e ilustra la metodología con diversos modelos estadísticos. Además, se discutirá algunos aspectos relativos a la implementación computacional de cada una de las técnicas. La metodología descrita a lo largo de la asignatura será aplicada en modelos de mayor complejidad.

Referencias

• Cook, R.D., Weisberg, S. (1982). Residuals and Influence in Regression. Chapman and Hall, New York.
• Fox, J. (2020). Regression Diagnostics: An Introduction. SAGE Publications, Los Angeles.
• Poon, Y.S., Poon, W.Y. (2012). Application of Elementary Differential Geometry to Influence Analysis. International Press, Beijing.
• Wei, B.C. (1998). Exponential Family Nonlinear Models. Springer, Singapore.

EST-736: Análisis de datos para la toma de Decisiones

Descripción
Empleando el potencial de la Estadística como una ciencia que permite hacer inferencias sobre una población, en este curso se introduce el uso de diversos procedimientos de test de hipótesis, los que resultan fundamentales como apoyo en la toma de decisiones bajo incertidumbre. La asignatura describe métodos paramétricos clásicos así como algunas herramientas no paramétricas.

Referencias

• Hollander, M., Wolfe, D.A., Chicken, E. (2014). Nonparametric Statistical Methods, 3rd Ed.. Wiley, New York.
• Walpole, R.E., Myers, R.H., Myers, S.L., Ye, K. (2012). Probabilidad y Estadística para Ingeniería y Ciencias, 9a Ed.. Pearson, México, DF.

Cursos anteriores

Facultad de Ingeniería, Universidad Andrés Bello

• CIND-211: Redes y Sistemas Estocásticos en Ingeniería (2025).

Departamento de Matemática, Universidad Técnica Federico Santa María:

• MAT-031: Estadística (2024).
• MAT-032: Probabilidad y Estadística Comercial (2019, 2021).
• MAT-041: Probabilidad y Estadística (2019, 2023).
• MAT-042: Probabilidad y Estadística Industrial (2013, 2022).
• MAT-206: Inferencia Estadística (2017 a 2022, 2024).
• MAT-266: Análisis de Regresión (2011, 2014, 2021 a 2023).
• MAT-269: Análisis Estadístico Multivariado (2011, 2017, 2020, 2022 a 2024).
• MAT-305: Métodos Estadísticos en Ingeniería (2011 a 2014).
• MAT-306: Proyectos Estadísticos (2012, 2013).
• MAT-360: Inferencia Estadística (2012).
• MAT-420: Procesos Estocásticos (2012).
• MAT-422: Modelos Lineales (2012).
• MAT-423: Estadística Espacial (2014).
• MAT-466: Modelos Lineales Generalizados (2018, 2021, 2024).
• MAT-468: Simulación Estocástica (2020, 2024).

Instituto de Estadística, Pontificia Universidad Católica de Valparaíso:

• EST-136: Computación Estadística (2015).
• EST-224: Probabilidad e Inferencia Estadística (2017).
• EST-310: Estadística 2 (2016).
• EST-448: Regresión (2016).
• EST-712: Métodos Estadísticos I (2016).
• EST-781: Análisis de Datos Correlacionados (2015).
• EST-782: Estadística Computacional (2015, 2017).

Instituto de Estadística, Universidad de Valparaíso:

• IECD-223: Probabilidad (2025).
• IECD-325: Modelos Lineales y Diseño de Experimentos (2025).
• IES-312: Distribución de Formas Cuadráticas (2008 a 2010).
• IES-321: Modelos lineales (2007 a 2010).
• IES-324: Simulación (2009).
• IES-423: Ecuaciones de Estimación Generalizadas (2007).
• EST-610: Modelación Estadística (2007, 2010).
• EST-623: Modelos para Datos con Medidas Repetidas (2008).
• EST-624: Tópicos en Modelos con Efectos Mixtos (2009, 2010).
• MGE-201: Inferencia Estadística (2025).