Docentes expositores/as: Ramiro Irastorza, Marcelo Cappelletti y Martín Morales
Inscripción y postulación a becas: del 17 al 31 de agosto de 2026
Fecha de realización: del 26 de octubre al 04 de diciembre de 2026. Habrá encuentros sincrónicos los miércoles de 18 a 22 horas
Carga horaria: 40 horas
Metodología: Teórico- práctico
Modalidad: Virtual sincrónico
Código del curso: 48/DCYT
Certificado: Se entregarán certificados de asistencia y aprobación de la Universidad Nacional de Quilmes.
Arancel: Residentes en el país: $ 152000 (Extranjeros residentes en Argentina, deberán presentar certificado de residencia en el país. Caso contrario, la facturación se realizará como Residentes en otros países.)
-Residentes en otros países: informes_posgrado@unq.edu.ar
Proceso de Inscripción
Antes de comenzar el proceso de inscripción, asegurate de tener una dirección de correo electrónico válida y que funcione correctamente, hasta obtener el usuario de estudiante de la UNQ, con dominio “@uvq.edu.ar”, el cuál se considerará automáticamente como su domicilio electrónico. Es importante destacar que las comunicaciones que enviemos a estas direcciones se considerarán válidas y suficientes a todos los efectos legales
A continuación les facilitamos la guía de inscripción: “Guía de Inscripción a cursos de posgrado”
Admisión
Los/as aspirantes a las propuestas formativas de posgrado deberán poseer como mínimo alguna de las siguientes condiciones:
a) Ser graduado/a universitario con título de grado final expedido por una Universidad Nacional, Universidad Provincial o Universidad Privada reconocida por el Poder Ejecutivo Nacional, correspondiente a una carrera con al menos cuatro (4) años de duración;
b) Graduados/as de Universidades extranjeras reconocidas por las autoridades competentes en su país.
c) Acreditar estudios terciarios completos de cuatro (4) o más años de duración con título final expedido por una institución reconocida por la autoridad educativa competente.
Fundamentación
Curso ofrecido en el marco del Doctorado en Ciencia y Tecnología
La estadística constituye el fundamento teórico sobre el cual se construyen los métodos modernos de análisis de datos y aprendizaje automático. Comprender sus principios, alcances y limitaciones resulta esencial para interpretar correctamente los resultados obtenidos mediante técnicas computacionales avanzadas. El curso propone fortalecer la formación en métodos estadísticos clásicos, descriptivos, inferenciales y de modelización, destacando su vigencia, complementariedad y diferencias conceptuales con las metodologías empleadas en inteligencia artificial y ciencia de datos. La enseñanza se apoyará en herramientas de software libre (R, Python), priorizando la reproducibilidad, la interpretación y la aplicación práctica en problemas científicos y tecnológicos.
Objetivos Generales:
Consolidar la formación metodológica en estadística de los doctorandos, promoviendo una comprensión profunda de los métodos clásicos y su articulación con los enfoques contemporáneos de análisis de datos e inteligencia artificial.
Objetivos Específicos:
– Revisar los fundamentos teóricos de la estadística descriptiva, inferencial y multivariada.
– Comprender el sentido y la validez de los supuestos estadísticos en modelos de regresión, varianza y pruebas de hipótesis.
– Identificar cómo los modelos estadísticos se relacionan o diferencian de sus equivalentes en inteligencia artificial.
– Utilizar software libre para la implementación práctica de los métodos estadísticos.
– Fomentar la reflexión crítica sobre el papel de la estadística en la modelización y la toma de decisiones científicas.
Vinculación con los objetivos de la carrera:
El curso provee las bases metodológicas para la formulación, análisis e interpretación de resultados experimentales en investigación científica y tecnológica, brindando criterios sólidos para evaluar la validez y robustez de los modelos aplicados, tanto desde una perspectiva estadística clásica como desde las metodologías emergentes en IA.
Unidades Temáticas
Unidad I. Fundamentos y rol de la estadística en la ciencia de datos
Conceptos de variable, población, muestra y error. Estadística descriptiva y visualización. Comparación con enfoques de la ciencia de datos: inferencia vs. predicción. Herramientas de software libre: R, Python.
Bibliografía obligatoria Unidad I
– Montgomery, DC and Runger, GC (2010). Applied Statistics and Probability for Engineers. John Wiley & Sons.
– Dalgaard, P (2008). Introductory Statistics with R. Springer.
– James, G. et al. (2023). An Introduction to Statistical Learning: with Applications in Python. Springer.
Unidad II. Inferencia estadística y pruebas de hipótesis
Estimadores, intervalos de confianza y niveles de significancia. Test para medias, varianzas y proporciones. Supuestos, poder estadístico y tamaños muestrales. Contraste con la validación empírica en IA (cross-validation, métricas).
Bibliografía obligatoria Unidad II
– Montgomery, DC and Runger, GC (2010). Applied Statistics and Probability for Engineers. John Wiley & Sons.
– James, G. et al. (2023). An Introduction to Statistical Learning: with Applications in Python. Springer.
– Freedman, D., Pisani, R., Purves, R. (2007). Statistics. W.W. Norton & Co.
Unidad III. Regresión lineal y modelos predictivos
Regresión lineal simple y múltiple. Diagnóstico del modelo: residuos, R², supuestos y multicolinealidad. Diferencias conceptuales con la regresión en machine learning (entrenamiento, regularización, overfitting). Introducción al pensamiento predictivo sin abandonar el enfoque inferencial.
Bibliografía obligatoria Unidad III
– James, G. et al. (2023). An Introduction to Statistical Learning: with Applications in Python. Springer.
– Freedman, D., Pisani, R., Purves, R. (2007). Statistics. W.W. Norton & Co.
– Wasserman, L. (2004). All of Statistics. Springer.
– Montgomery, DC, Peck, EA and Vining, GG (2012). Introduction to Linear Regression Analysis. John Wiley & Sons.
Unidad IV. Análisis de varianza y diseño experimental
ANOVA y comparación de medias múltiples. Diseño de experimentos y control de la variabilidad. Importancia de la reproducibilidad y el control en IA y aprendizaje automático.
Bibliografía obligatoria Unidad IV
– Montgomery, DC and Runger, GC (2010). Applied Statistics and Probability for Engineers. John Wiley & Sons.
– Dalgaard, P (2008). Introductory Statistics with R. Springer.
– James, G. et al. (2023). An Introduction to Statistical Learning: with Applications in Python. Springer.
Unidad V. Métodos no paramétricos y reflexión crítica
Pruebas de Wilcoxon, Kruskal-Wallis, Kolmogorov-Smirnov. Ventajas y limitaciones. ¿Qué ocurre con los métodos estadísticos cuando los datos son masivos o no cumplen supuestos? La estadística como lenguaje común entre ciencia clásica y algoritmos de IA.
Bibliografía obligatoria Unidad IV
– Montgomery, DC and Runger, GC (2010). Applied Statistics and Probability for Engineers. John Wiley & Sons.
– Dalgaard, P (2008). Introductory Statistics with R. Springer.
– James, G. et al. (2023). An Introduction to Statistical Learning: with Applications in Python. Springer.