Materia	Carrera	Plan	Año	Periodo
ESTIMACIÓN BAYESIANA	LICENCIATURA EN ANÁLISIS Y GES	OCS-1-27/22	2026	1° cuatrimestre

Docente	Función	Cargo	Dedicación
FERNANDEZ, ELINA DEL VALLE	Prof. Responsable	P.Adj Simp	10 Hs
GARAY, PABLO GERMÁN	Auxiliar de Práctico	A.1ra Simp	10 Hs

La estadística bayesiana ha tenido un desarrollo impresionante en los últimos años. En el contexto actual de la gestión y
análisis de datos, la inferencia bayesiana juega un papel fundamental en la toma de decisiones bajo incertidumbre, la
modelización estadística y la optimización de procesos. Su inclusión en una carrera de grado como esta licenciatura en
Análisis y Gestión de Datos se justifica por su flexibilidad, capacidad predictiva y aplicabilidad en diversas disciplinas.
La inferencia bayesiana proporciona un marco matemático para actualizar creencias en función de nueva información. En
entornos de gestión de datos, donde la incertidumbre es inherente, este enfoque permite mejorar la calidad de las decisiones.

- Comprender los fundamentos de la inferencia bayesiana.
- Aplicar el Teorema de Bayes en contextos de estimación y toma de decisiones.
- Construir modelos bayesianos y seleccionar distribuciones a priori apropiadas.
- Implementar métodos computacionales para inferencia bayesiana, de libre acceso.

Unidad 1: Fundamentos de la Inferencia Bayesiana
Concepto de probabilidad en la inferencia bayesiana. Comparación de métodos clásicos y bayesianos. Teorema de Bayes y su
interpretación. Distribuciones a priori y a posteriori. Elección de distribuciones a priori: informativas vs. no informativas.
Función de verosimilitud y cálculo de distribuciones a posteriori. Ejemplos introductorios de estimación bayesiana.
Unidad 2: Modelos Bayesianos
Modelado Bayesiano para variables discretas y continuas. Estimación puntual y por intervalos creíbles. Pruebas diagnósticas.
Enfoque bayesiano para contrastes de hipótesis y regiones de confianza.
Unidad 3: Métodos Computacionales
Introducción a la simulación Monte Carlo. Métodos de muestreo: Rechazo, Importancia y MCMC. Algoritmos de
Metropolis-Hastings y Gibbs Sampling. Implementación en software libres como R/Python con JAGS y Stan.

Los Trabajos Prácticos consisten en la resolución de actividades de aprendizaje elaboradas para cada una de las unidades programadas.
Los Trabajos Prácticos serán autoevaluados por el alumno, cuya resolución podrá corroborar en los encuentros sincrónicos y
corregir con la supervisión del equipo docente.
Ademas cada unidad tendrá un Trabajo Práctico evaluativo.

La asignatura contempla únicamente las condiciones de Promoción o Libre. No se establece la condición de regularidad, por lo que no es posible regularizar la materia para rendir examen final en instancias posteriores.
Promoción: Para obtener la promoción del curso, los estudiantes deben hacer entrega de las actividades obligatorias en tiempo y forma y aprobar los trabajos prácticos con una calificación igual o superior a 7.
Además deben hacer entrega del último trabajo práctico (Trabajo práctico integrador) cuya realización es grupal y aprobar con una calificación igual o superior a 7.
Se podrá recuperar 1 instancia evaluativa con un trabajo extra.
La nota final será el resultado de promediar las 3 calificaciones obtenidas.
Libre: No es posible rendir en condición de libre. El estudiante deberá recursar el espacio curricular.

[1] Correa Morales Juan Carlos, Barrera Causil Carlos Javier (2018) “Introducción a la Estadística Bayesiana” Ed.: Instituto Tecnológico Metropolitano.
[2] Martin Osvaldo A, Kumar Ravin; Lao Junpeng Bayesian Modeling and Computation in Python Boca Ratón, 2021. ISBN978-0-367-89436-8". Disponible web https://bayesiancomputationbook.com/welcome.html
[3] Apuntes de elaboración propia.

[1] Ronald Christensen (2010) “Bayesian Ideas and Data Analysis: An Introduction for Scientists and Statisticians” Department of Mathematics and Statistics. University of New Mexico. Albuquerque, New Mexico
[2] Hoff Peter (2009) “A First Course in Bayesian Statistical Methods” Springer Dordrecht Heidelberg London New York.Springer Science+Business Media. ISSN 1431-875X. ISBN 978-0-387-92299-7 e-ISBN 978-0-387-92407-6
[3] Hartigan J. A. (1983) “Bayes Theory” Department of Statistics Yale University. Box 2179 Yale Station New Haven, CT06520 U.S.A. ISBN-13 :978-1-4613-8244-7 e-ISBN-13 :978-1-4613-8242-3

Comprender la inferencia bayesiana en la toma de decisiones.
Construir modelos bayesianos y seleccionar distribuciones apropiadas.
Implementar métodos computacionales para inferencia bayesiana.

Unidad 1: Fundamentos de la Inferencia Bayesiana
Unidad 2: Modelos Bayesianos
Unidad 3: Métodos Computacionales

 

Email de contacto: elfernandez@unsl.edu.ar