Felipe Osorio: Teaching

Asignaturas

Información y material para las asignaturas dictadas a partir del año 2017. Por favor, ruego informar si Ud. nota que algún enlace o archivo no está disponible.

Línea de Modelación Estadística
Notas de Clase
MAT-032: Probabilidad y Estadística Comercial
MAT-041: Probabilidad y Estadística
MAT-042: Probabilidad y Estadística Industrial
MAT-206: Inferencia Estadística
MAT-266: Análisis de Regresión
MAT-269: Análisis Estadístico Multivariado
MAT-466: Modelos Lineales Generalizados
MAT-468: Simulación Estocástica
Cursos anteriores

Descripción línea de modelación estadística

Una descripción un poco más detallada de cada una de las asignaturas ofrecidas por la línea de modelación estadística del Departamento de Matemática (DMAT) se presenta en la página de github: faosorios.github.io/EST-USM

Notas de Clase

A continuación se encuentra disponible los apuntes de clase (en desarrollo) de algunas asignaturas dictadas a partir de 2017.

Asignaturas:

MAT-041: Introducción a la Estadística con Apoyo Computacional PDF [1.5 Mb] (74 páginas, en colaboración con Ronny Vallejos).
MAT-206: Elementos de Inferencia Estadística PDF [903 Kb] (68 páginas).
MAT-266: Análisis de Regresión PDF [1.22 Mb] (127 páginas).

MAT-032: Probabilidad y Estadística Comercial

Encuesta docente: Evaluación global: 3.0-3.8 | Resultados: 2019 , 2021

Descripción
La asignatura presenta conceptos fundamentales de inferencia estadística así como del cálculo de probabilidades. Se describe procedimientos básicos para resumir la información, algunos modelos de probabilidades de uso rutinario además de procedimientos para estimación y toma de decisiones bajo incertidumbre.

Referencias

Canavos, G. (1990). Probabilidad y Estadística, Aplicaciones y Métodos. McGraw-Hill Latinoamericana.
Meyer, P.L. (1976). Probabilidad y Aplicaciones Estadísticas. Fondo Educativo Interamericano.
Newbold, O., Carlson, W.L., Thorne, B. (2008). Estadística para Administración y Economía (6ta Ed.). Prentice Hall, Madrid.
Wackerly, D., Mendenhall, W., Scheaffer, R. (2008). Estadística Matemática y Aplicaciones. Cengage Learning.

MAT-041: Probabilidad y Estadística

Encuesta docente: Evaluación global: 3.5-3.8 | Resultados: 2019 , 2023

Descripción
La asignatura presenta una introducción rigurosa a los conceptos fundamentales sobre inferencia estadística así como del cálculo de probabilidades. En el curso se describe procedimientos básicos para resumir información, modelos probabilísticos de uso común y finalmente algunos procedimientos de estimación y de test de hipótesis.

Referencias

Hogg, R.V., Tanis, E.A., Zimmerman, D.L. (2014). Probability and Statistical Inference (9th Ed.). Prentice Hall, Boston.
Panaretos, V.M. (2016).Statistics for Mathematicians: A Rigorous First Course. Birkhäuser, Laussane.
Wasserman, L. (2003). All of Statistics: A concise course in statistical inference. Springer, New York.

GitHub de la asignatura:
Material de la asignatura se encuentra disponible en la página: MAT-041: Probabilidad y Estadística

MAT-042: Probabilidad y Estadística Industrial

Encuesta docente: Evaluación global: 4.0 | Resultados: 2022

Descripción
Asignatura teórico-práctica de carácter fundamental que entrega conceptos básicos sobre procedimientos de análisis de datos y de teoría de probabilidad, potenciando la aplicación con ejemplos en ingeniería. Se enfatiza la correcta identificación de técnicas apropiadas para el análisis de datos, modelar situaciones simples usando distribuciones de probabilidad específicas así como estudiar fenómenos aleatorios. El desarrollo de la asignatura contempla el uso de herramientas computacionales para resolver problemas reales así como para desarrollar experimentos numéricos básicos.

Referencias

Devore, J. (2008). Probabilidad y Estadística para Ingeniería y Ciencias, 7a Edición. Cengage Learning, Mé:xico.
Hogg, R.V., Tanis, E.A., Zimmerman, D.L. (2014). Probability and Statistical Inference, 9th Edition. Prentice Hall, Boston.
Newbold, O., Carlson, W.L., Thorne, B. (2008). Estadística para Administración y Economía, 6a Edición. Prentice Hall, Madrid.
Wackerly, D., Mendenhall, W., Scheaffer, R. (2008). Estadística Matemática con Aplicaciones. Cengage Learning, Mé:xico.

MAT-206: Inferencia Estadística

Encuesta docente: Evaluación global: 2.9-4.0 | Resultados: 2017 , 2018 , 2019 , 2020 , 2021 , 2022

Descripción
El objetivo del curso es presentar los conceptos fundamentales de inferencia estadística. El enfoque de la asignatura es presentar herramientas que correspondan a un vehículo que permita llevar a cabo el análisis de un conjunto de datos. El desarrollo de la asignatura está fuertemente basado en realizar supuestos distribucionales clásicos y por tanto la exposición estará relacionada de manera importante con la función de verosimilitud. A medida que se progrese en los contenidos se revisará procedimientos de estimación y prueba de hipótesis relajando una serie de supuestos para el contexto más general de ecuaciones de estimación.

Referencias

Casella, G., Berger, R.L. (2002). Statistical Inference (2nd Ed.). Duxbury, Pacific Grove.
Jørgensen, B., Labouriau, R. (1994). Exponential Families and Theoretical Inference. Lecture Notes, Department of Statistics, University of British Columbia.
Pawitan, Y. (2001). In All Likelihood: Statistical modelling and inference using likelihood. Oxford University Press, New York.
Rohde, C.A. (2014). Introductory Statistical Inference with Likelihood Function. Springer, New York.

GitHub de la asignatura:
Material de la asignatura se encuentra disponible en la página: MAT-206: Inferencia Estadística

MAT-266: Análisis de Regresión

Encuesta docente: Evaluación global: 3.4-3.6 | Resultados: 2021 , 2022 , 2023

Descripción
El curso proporciona elementos básicos e inferenciales del modelo de regresión lineal. Al finalizar el curso los alumnos deberán ser capaces de llevar a cabo análisis de regresión, selección de modelos y regresión logística. Posteriormente se describirá tópicos más avanzados tales como regresión no-paramétrica. En el transcurso de la disciplina, se discutirá también algunas técnicas de diagnóstico y procedimientos de estimación robustos.

Referencias

Hocking, R. (1996). Methods and Applications of Linear Models. Wiley, New York.
Seber, G.A.F., Lee, A.J. (2003). Linear Regression Analysis (2nd Ed.). Wiley, New York.
Weisberg, S. (2005). Applied Linear Regression (3rd Ed.). Wiley, New York.

Conjunto de datos

Boston housing: housePrices.csv | housePrices.rda
Puntajes adaptativos de Gesell: gesell.csv | gesell.rda
Cemento Portland: portland.rda
Producción textil en los Países Bajos: textile.csv | textile.rda

R scripts

Cálculo del número condición escalado: scaled.condition.R
Estimación Box-Cox en regresión: boxcox.lm.R
QQ-plot con envelopes en regresión lineal: envelope.lm.R

GitHub de la asignatura:
Página con material de la asignatura: MAT-266: Análisis de Regresión

MAT-269: Análisis Estadístico Multivariado

Encuesta docente: Evaluación global: 3.4-3.8 | Resultados: 2017 , 2020 , 2022 , 2023

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: MAT-269: Análisis Estadístico Multivariado

MAT-466: Modelos Lineales Generalizados

Encuesta docente: Evaluación global: 3.1-4.0 | Resultados: 2018 , 2021

Descripción
El propósito de este curso es proveer de una introducción a los aspectos básicos de estimación y pruebas de hipótesis en el contexto de modelos de regresión para datos que siguen una distribución en la familia exponencial. El curso se plantea como un marco unificador para la inferencia en modelos lineales para datos no gaussianos. Algunos tópicos adicionales en los que se realiza un énfasis especial son extensiones nolineales así como para datos con estructura longitudinal.

Referencias

Dobson, A. (1990). An Introduction to Generalized Linear Models. Chapman and Hall, London.
McCullagh, P., Nelder, J.A. (1983). Generalized Linear Models. Chapman and Hall, London.
Paula, G.A. (2013). Modelos de Regressão: com apoio computacional. Instituto de Matemática e Estatística - USP, São Paulo, Brasil.
Wei, B. (1998). Exponential Family Nonlinear Models. Springer, Singapore.

Conjunto de datos

Datos de Finney: finney.csv | finney.rda

GitHub de la asignatura:
Página con material de la asignatura: MAT-466: Modelos Lineales Generalizados

MAT-468: Simulación Estocástica

Encuesta docente: Evaluación global: 4.0 | Resultados: 2020

Descripción
El propósito de este curso es proveer de una descripción detallada de las principales herramientas necesarias para resolver problemas en el área de estadística aplicada en ingeniería. El curso cubre un amplio rango de aspectos computacionales en estadística, desde álgebra lineal numérica, optimización y modelos de regresión no lineal a generación de dígitos aleatorios. Se realiza bastante énfasis en aquellas técnicas regularmente utilizadas en el campo de estadística. Se discute algunos aspectos de la implementación computacional y se ilustra los resultados a través de ejemplos. Los procedimientos descritos se aplicarán para llevar a cabo la inferencia estadística en modelos de mayor complejidad.

Referencias

Gentle, J.E. (2007). Matrix Algebra: Theory, Computation and Applications in Statistics. Springer, New York.
McLachlan, G.J., Krishnan, T. (2008). The EM Algorithm and Extensions. Wiley, New York.
Monahan, J.F. (2011). Numerical Methods of Statistics. Cambridge University Press.
Robert, C.P., Casella, G. (2004). Monte Carlo Statistical Methods. Springer, New York.

Cursos Anteriores

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).

Departamento de Matemática, Universidad Técnica Federico Santa María:

MAT-042: Probabilidad y Estadística Industrial (2013).
MAT-266: Análisis de Regresión (2011, 2014).
MAT-269: Análisis Estadístico Multivariado (2011, 2017).
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).

Departamento de Estadística, Universidad de Valparaíso:

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).