Sociedad Argentina de Estadística
Inicio / Eventos / Cursos

Próximos cursos

Actualmente no hay cursos con inscripción abierta.

Cursos anteriores

Consultá información referida a cursos y actividades de capacitación

2026

Estadística bayesiana con PyMC
Tomás Capretto
Institución
Core developer de PyMC y Bambi
Fechas
27 de octubre; 3, 10, 17 y 24 de noviembre (18 a 20 horas)
Contenidos

Probabilidad como herramienta para cuantificar la incertidumbre. Fundamentos de la inferencia bayesiana: distribución a priori, verosimilitud, distribución a posteriori y distribución predictiva. Modelos conjugados. Inferencia analítica y aproximada. Métodos de Monte Carlo basados en cadenas de Markov (MCMC) y diagnóstico de la inferencia computacional. Evaluación y comparación de modelos. Modelos de regresión y modelos jerárquicos. Análisis de datos con PyMC, ArviZ, PreliZ y Bambi.

Observación
Coorganizado con la Escuela de Estadística de la Facultad de Ciencias Económicas y Estadística (UNR), el Consejo Profesional de Ciencias Económicas de la Provincia de Santa Fe y el Colegio de Graduados en Ciencias Económicas de Rosario
Estadística Actuarial. Estudio de Riesgos Asegurables.
Lic. Enrique Arónica, UNR
Fechas
20 y 27 de mayo y 3, 10, 16 y 24 de junio de 2026
Contenidos

La inseguridad, y la incertidumbre que esta provoca, generada por la aleatoriedad de los riesgos, son el elemento vinculante de la Estadística y el Seguro. Se presenta la Teoría del Riesgo como modelo de comportamiento de las fluctuaciones aleatorias de las variables derivadas de la gestión aseguradora y se la formula a través de dos enfoques, la Teoría del Riesgo Individual y la Teoría del Riesgo Colectivo.

Observación
Este curso se realizó en conjunto con el Consejo Profesional de Ciencias Económicas de Santa Fe y la Escuela de Estadística de la FCEyE (UNR).
Introducción a los modelos de estimación en áreas pequeñas.
Dr. Andrés Gutierrez, CEPAL
Fechas
20 y 27 de julio de 2026 (dos encuentros de una hora y media)
Contenidos
Introducción a la estimación para áreas pequeñas y motivación. Modelos de área: modelo de Fay–Herriot, estimación EBLUP. Modelos de unidad: modelos Battese-Harter-Fuller y Empirical Best.
Visión por Computadora: del Procesamiento Digital de Imágenes al Deep Learning.
Lic. Fernanda Micucci, UNSAN, Dirección de estadísticas, Pvcia BsAs
Fechas
4, 11, 18 y 25 de agosto y 1 y 8 de setiembre (seis encuentros de dos horas)
Contenidos
Representación y análisis de imágenes digitales como datos matriciales. Manipulación y visualización de imágenes con Python. Mejora de imágenes mediante histogramas y transformaciones de intensidad. Filtrado espacial, detección de bordes y operaciones morfológicas básicas. Introducción a la visión por computadora moderna y al uso de modelos basados en redes neuronales convolucionales para clasificación, detección de objetos y segmentación de imágenes.

2025

Introducción a la Programación en Python para Aprendizaje por Refuerzo.
Dr. Darío Ezequiel Diaz, IPC (Misiones)
Fechas
13, 20 y 27 de marzo y 3, 10 y 17 de abril de 2025 (seis encuentros de tres horas)
Contenidos
Fundamentos de Python. Programación Funcional y Orientada a Objetos en Python. Manipulación de Datos con Pandas y NumPy. Visualización de Datos con Matplotlib y Seaborn. Introducción a Scikit-learn y TensorFlow. Introducción a OpenAI Gym y Simulaciones. Ejercicios prácticos: Creación de un agente de control en un entorno de OpenAI Gym.
Introducción al Aprendizaje por refuerzo desde una perspectiva estadística
Dr. Darío Ezequiel Diaz, IPC (Misiones)
Fechas
22 y 29 de mayo y 5 de junio de 2025 (tres encuentros de tres horas)
Contenidos
Introducción a los conceptos clave con apoyo de material audiovisual. Discusión de fundamentos matemáticos y estadísticos relevantes. Estudios de Caso: Aplicaciones prácticas de RL en distintos ámbitos, como economía, optimización industrial y salud. Análisis de resultados y buenas prácticas en la implementación. Ejercicios Prácticos: Resolución guiada de problemas en Python utilizando bibliotecas especializadas como OpenAI Gym y TensorFlow. Implementación de algoritmos en entornos simulados. Discusión y Reflexión: Espacios de debate sobre la aplicabilidad de RL en diferentes escenarios. Evaluación crítica de métodos y estrategias de aprendizaje. Tareas y Evaluaciones: Asignaciones prácticas individuales o grupales para reforzar el aprendizaje. Evaluación continua mediante la revisión de ejercicios y participación activa.
Textual Machine Learning: Representaciones Modernas y Modelado del Lenguaje
Lic. Juan Manuel Fernández, UNLu
Fechas
4 clases de 3 horas. Los días 10, 17 y 24 de junio y 1 de julio entre las 18 y las 21 horas
Contenidos
Introducción al análisis de texto como dato. Singularidad del texto como fuente de datos. Casos de uso y problemáticas reales. Preprocesamiento y Representación del Lenguaje. Limpieza, tokenización y normalización. Representaciones clásicas: Bag of words, TF-IDF. Word embeddings genéricos (word2vec, fastText). Embeddings contextuales y modelos de Transformers. Modelado y Aprendizaje Automático sobre Texto. Modelos supervisados: Naive Bayes, árboles y XGBoost, regresión. Análisis de tópicos y clustering. Evaluación de modelos. Visualización y Comunicación. Reducción de dimensionalidad para visualizar representaciones textuales (PCA, t-SNE, UMAP). Gráficos con Matplotlib y Seaborn para analizar distribuciones, frecuencias y relaciones. Interpretación visual de modelos supervisados y análisis de tópicos. Modelos Avanzados y Aplicaciones. Introducción a LLMs (Large Language Models). Chatbots, clasificación semántica, generación. Desafíos éticos y explicabilidad.
Estimación de efectos causales en datos observacionales.
Dr. Pablo Mahnic, UNCuyo
Fechas
19 y 26 de agosto y 2 y 16 de setiembre de 2025 (cuatro encuentros de dos horas)
Contenidos
El modelo lineal con datos observacionales: supuestos y propiedades de los estimadores. Definición formal del efecto causal en el modelo lineal. El Teorema de Frisch-Waugh-Lovell y su utilidad para el análisis parcial de efectos. Problemas típicos en datos observacionales: errores de medición, omisión de variables relevantes, inclusión de variables irrelevantes, selección muestral y simultaneidad. Consecuencias sobre la validez de los estimadores y estrategias básicas de corrección. La endogeneidad como problema central: el método de Variables Instrumentales (IV) y la estimación por Mínimos Cuadrados en Dos Etapas (2SLS). Ejemplos aplicados, condiciones de validez, propiedades de los estimadores, y el problema de los instrumentos débiles. Extensiones metodológicas: estimación del efecto causal con variable respuesta binaria mediante el modelo IV-Probit. Introducción a métodos alternativos para estimar impactos causales de políticas públicas: diseño de regresión discontinua (RDD) y regresión discontinua difusa.
Métodos de Medición de la Pobreza desde una Perspectiva Estadística.
Dr. Darío Ezequiel Diaz, IPC (Misiones)
Fechas
11, 18 y 25 de noviembre de 2025 (tres encuentros de tres horas)
Contenidos
El modelo lineal con datos observacionales: supuestos y propiedades de los estimadores. Definición formal del efecto causal en el modelo lineal. El Teorema de Frisch-Waugh-Lovell y su utilidad para el análisis parcial de efectos. Problemas típicos en datos observacionales: errores de medición, omisión de variables relevantes, inclusión de variables irrelevantes, selección muestral y simultaneidad. Consecuencias sobre la validez de los estimadores y estrategias básicas de corrección. La endogeneidad como problema central: el método de Variables Instrumentales (IV) y la estimación por Mínimos Cuadrados en Dos Etapas (2SLS). Ejemplos aplicados, condiciones de validez, propiedades de los estimadores, y el problema de los instrumentos débiles. Extensiones metodológicas: estimación del efecto causal con variable respuesta binaria mediante el modelo IV-Probit. Introducción a métodos alternativos para estimar impactos causales de políticas públicas: diseño de regresión discontinua (RDD) y regresión discontinua difusa.

2024

Introducción a la inferencia causal con DAGs
Dra. Lucía Babino, UBA-Conicet, UTD
Fechas
5, 12, 19 y 26 de Abril y 3, 10, 17 y 24 de Mayo de 2024 (ocho encuentros de tres horas)
Contenidos
(DAGs): definición y elementos de un DAG causal, construcción del DAG correspondiente a los supuestos causales, sesgos por confusión y de selección, mediación, reglas de d-separación. Confusión: sesgo por confusión, criterio del backdoor path, conceptos de confusión y confusor, estudios aleatorizados vs. observacionales, métodos de control de la confusión. Sesgo de selección: sesgo de selección y sus principales características, estructuras que lo originan, sesgo de selección en estudios de caso-control y de seguimiento, sesgo de selección debido a pérdida de seguimiento y auto-selección, métodos de control de este sesgo.
Visualización de datos usando Locker Studio y Power Bi
Mag. Lorena Naidicz, UNT, Lic. Florencia Minogne
Fechas
11, 18, 25 de junio y 2 de julio (cuatro encuentros de dos horas)
Contenidos
Looker Studio: instalación. Base de datos con planilla de cálculo (Google Sheet). Conexión con Looker Studio. Construcción de dashboard (panel de control). Power BI: instalación, carga de archivos, carga desde web, uso de Power Query (ETL de los datos). Primary Key y Foreign Key en bases de datos relacionales. Joins entre tablas. Relaciones entre tablas para crear un modelo de datos. Creación de visualizaciones con Power BI. Visualizaciones específicas de Power BI utilizando inteligencia artificial.
Métodos de estimación para ecuaciones simultáneas y sistemas con R
Mag. Adrián M. Moneta Pizarro, UNC
Fechas
16 y 30 de octubre de 2024 (dos encuentros de tres horas)
Contenidos
(Opcional): El modelo de regresión lineal en R. Herramientas para explorar los datos. Estimación por mínimos cuadrados ordinarios. Análisis de varianza. Estimación puntual y por intervalos de los coeficientes. Predicción. Gráficos de diagnóstico. Contraste de hipótesis lineales. Métodos para modelos con ecuaciones simultáneas y sistemas en R. Regresiones aparentemente no relacionadas (SUR). Mínimos cuadrados indirectos (ILS). Variables instrumentales (IV). Mínimos cuadrados en dos etapas (2SLS). Mínimos cuadrados en tres etapas (3SLS). Máxima verosimilitud con información completa (FIML).
Modelos mixtos y aplicaciones con con R
Dra. Viviana Giampaoli, USP (Universidade de São Paulo, Brasil)
Fechas
14 y 21 de noviembre de 2024 (dos encuentros de tres horas)
Contenidos
Introducción. ¿Fijo o aleatorio? Modelo Mixto Normal. Métodos de Estimación. Predicción. Aplicaciones. Modelos Lineales Generalizados Mixtos, Modelos Marginales versus Modelos Condicionales; GAMLSS, Modelos para datos longitudinales. Aplicaciones.

2023

Visualización de datos con R
Lic. Pablo Ortiz, UNC
Fechas
19 y 26 de abril y 3 de mayo de 2023 (3 encuentros de 2 horas)
Contenidos
Herramientas de visualización de datos basadas en la gramática de gráficos empleando principalmente la librería ggplot2. Uso de librerías de R que amplían las posibilidades de visualización mediante la incorporación y manipulación de elementos de las diferentes capas que componen los gráficos. Introducición a las buenas prácticas para realizar visualizaciones con aspecto profesional.
Introducción a la Estadística Espacial Aplicada con R
Dr. Andrés Farall, UBA-Conicet
Fechas
30 de mayo y 6, 13 y 20 de junio de 2023 (4 encuentros de 4 horas)
Contenidos
Introducción a la Estadística Espacial. Tipos de Datos Espaciales. Ejemplificación con datos reales y con los paquetes terra y sf. Manipulación y Algebra de Objetos Espaciales. Herramientas de Visualización de Datos Espaciales. Análisis de Concentración Espacial. Métodos de Segmentación Espacial. Modelado Estadístico de Datos Espaciales. Taller 1: Trabajo con Datos Inmobiliarios (en paralelo con el dictado de los temas).
Introducción al Muestreo Probabilístico en Poblaciones Finitas
Lic. Gregorio García
Fechas
15, 22 y 29 de Agosto de 2023 (tres encuentros de 2 horas)
Contenidos
Introducción: ¿Por qué recurrimos al muestreo probabilístico? Definiciones básicas: Población, Marco de muestreo, Diseño muestral. Estimadores. Varianza. Factor de expansión a partir del diseño muestral. Parámetros poblacionales y estimadores básicos: Total / Media / Razón. Diseños muestrales básicos: Muestreo aleatorio simple, Muestreo sistemático, Muestreo estratificado, Muestreo por conglomerados, Muestreo en varias etapas, Diseño muestral complejo. Errores no muestrales: Tratamiento de la No Respuesta, modelización, supuestos y posibles ajustes. Elegibilidad, No Respuesta: Definición / Tipos / Mecanismos de No Respuesta. Efectos de la No Respuesta sobre el Sesgo y la Variancia de los estimadores.
Introducción al Modelado bayesiano
Dr. Guillermo Solovey, UBA-Conicet
Fechas
12, 19 y 26 de Setiembre; 10, 17, 24, 31 de Octubre y 7 de noviembre de 2023 (ocho encuentros de 2 horas)
Contenidos
Fundamentos bayesianos: Aprender a pensar bayesianamente y a crear modelos bayesianos básicos. Introducción a la estadística bayesiana. Diferencias entre estadística bayesiana y frecuentista. Pensar bayesianamente. Modelo beta-binomial. Equilibrio entre el prior y los datos. Análisis bayesiano secuencial. Familias conjugadas. Simulación y análisis de la distribución posterior: Herramientas computacionales para simular la distribución posterior en modelos bayesianos complejos. Analizar modelos simulados y exactos para hacer inferencia y sacar conclusiones. Aproximar la distribución posterior. Método de grilla, Metrópolis-Hastings y Markov Chain Monte Carlo (MCMC). Implementación y diagnóstico en R. Estimación de parámetros. Testeo de hipótesis. Predicción. Modelos bayesianos de regresión y clasificación: Extender los modelos bayesianos a casos en los que la variable respuesta es contínua y categórica. Regresión Normal. Regresión múltiple. Variables de control y confusoras. Evaluación, diagnóstico y comparación de modelos. Regresión de Poisson. Naive-Bayes. Regresión logística.

2022

Introducción al Análisis de datos simbólicos
Dra. Lilian Adriana Mallea, UNSJ
Fechas
9, 15, 23 y 30 de junio 2022 (4 clases de una hora y media)
Contenidos
A. El paradigma de Análisis de Datos Simbólicos. Introducción al Análisis de Datos Simbólicos. Motivación. Ejemplos. Fuentes de datos simbólicos: agregación (contemporánea, temporal); descripción de conceptos abstractos. Ejemplos. Tipos y variables y sus representaciones. Ejemplos. Ejemplos de aplicaciones. El paquete SODAS – presentación. Visualización de datos simbólicos con SODAS Interfaces: consiguiendo datos nativos. Agregación de datos. B. Métodos para el Análisis de Datos Simbólicos. Estadística Descriptiva Disimilaridad Clasificación. Regresión Lineal para variables valuadas en intervalos.
Introducción al Análisis de Series de Tiempo con Python
Lic. Sergio Buzzi, UNC
Fechas
5, 12, 19 de Septiembre de 2022 (3 encuentros de dos horas)
Contenidos
Introducción a Python: Principales interfaces de usuario. Creación y asignación de variables. Tipos de datos. Operaciones matemáticas básicas. Instalación y carga de bibliotecas. Principales bibliotecas de manipulación de datos y análisis gráfico. Estructuras de control. Funciones. Introducción al Análisis de Series de tiempo: Proceso estocástico. Componentes. Estacionariedad. Ruido blanco. Caminata aleatoria. Retardos y diferencias. Funciones de autocorrelación y autocorrelación parcial. Modelos ARMA. Método de Box y Jenkins. Raíz unitaria. Modelos ARIMA.
Estadística no paramétrica aplicada
Mag. Jemina García, UBA
Fechas
5, 12, 19 y 26 de octubre de 2022 (4 encuentros de tres horas)
Contenidos
Test basados en la distribución Binomial. Test para cuantiles. Límites de tolerancia. El test del signo y sus variantes. Test para muestras apareadas. Test para comparación de poblaciones. Tablas de contingencia. Test de Fisher. Test para medianas. Mann-Whitney. Métodos basados en rangos. Test de Ktustall-Wallis. Test para comparación de varianzas.
Modelos para datos de conteo
Mag. Guillermina Harvey, UNR
Fechas
11, 18 y 25 de noviembre y 2 de diciembre de 2022 (4 encuentros de 2 horas)
Contenidos
Introducción a los datos de conteo. Su encuadre en los modelos lineales generalizados. Inferencia estadística y ajuste de los modelos. Modelo de regresión Poisson para valores esperados y para tasas. El problema de la sobredispersión en los datos de conteo. Modelo Binomial Negativo. Modelos para datos con exceso de ceros. Modelos de dos componentes: hurdle y cero inflados. Modelos para datos con alta asimetría. Modelos Poisson-Tweedie.

2021

Optimización banco de preguntas con R
Lic. Pablo Ortiz, UNC
Fechas
19 y 26 de Mayo, 2 y 9 de Junio de 2021 (4 clases de una hora y media)
Contenidos
Introducción. Integración de R con Markdown y LaTeX mediante la IDE RStudio. Configuración de proyectos para el desarrollo de preguntas y exportación de las preguntas generadas a formato XML de Moodle e importación de preguntas. Generación de ejercicios dinámicos y reproducibles combinando datos, resultados y/o texto en las consignas y preguntas generados a través de R. Tipos de preguntas: selección de alternativas (simples o múltiples), numéricas, abiertas y combinaciones de las mismas. Parametrización y configuración de metadatos para la adecuación desde banco de preguntas del aula virtual.
Análisis descriptivo para datos multivariados
Mag. Alejandra Clemente, INDEC
Fechas
16, 23, 30 de Junio y 7 de Julio de 2021 (4 encuentros de una hora y media)
Contenidos
Descripción de datos multivariados: La matriz de datos, vector de medias, matriz de variancias y covariancias, medidas globales de variabilidad, medidas de distancia, matriz de precisión. Componentes Principales: Enfoques descriptivo, estadístico y geométrico del problema. Calculo de las componentes. Propiedades de los componentes. Análisis a partir de la matriz de correlaciones. Interpretación de los componentes. Criterios para la selección del número de componentes. Los componentes como predictores óptimos. Análisis multidimensional (componentes principales a partir de matrices de distancias). Análisis de Conglomerados: Métodos clásicos de partición. Métodos jerárquicos y no jerárquicos. Algoritmos de partición.
Análisis de Supervivencia
Dr. Maximiliano Reddick; UN. LaPlata
Fechas
Jueves 12, 19, 26 de Agosto y 2, 9, 16, 23 y 30 de Septiembre de 2021 (8 clases de 3 horas)
Contenidos
Introducción al Análisis de Supervivencia. Censura y truncamiento. Tipos de censura. Funciones de Riesgo y Supervivencia. Estimación no paramétrica de la función de Riesgo Acumulado (Nelson-Aalen) y función de Supervivencia (Kaplan-Meier). Intervalos de confianza. Test de comparación de curvas de supervivencia (Logrank test). Modelos paramétricos. Modelos Exponencial, Weibull y Gamma. Incorporación de covariables. Modelos semiparamétricos. Modelo de riesgos proporcionales de Cox. Modelo de riesgos aditivos de Aalen. Modelo de Tiempo de Falla Acelerada. Covariables dependientes del tiempo. Modelo de Cox estratificado. Selección de tamaño de muestra. Riesgos competitivos.
Estimación de efectos causales con Variables Instrumentales
Dr. Matías Hisgen, UNNE
Fechas
26 de Octubre y 2, 9 y 16 de Noviembre de 2021 (4 clases de una hora y media)
Contenidos
Identificación de efectos causales en el modelo de regresión lineal múltiple. Endogeneidad. Identificación de efectos causales con variables instrumentales (IV). Mínimos Cuadrados en dos etapas (MC2E). Instrumentos Débiles. Aplicación 1: Tiempo Óptimo a Cateterismo en pacientes con Síndrome Coronario Agudo. Aplicación 2: Tamaño de la clase y rendimiento académico en alumnos de primaria.