Contenido sugerido 

1. Preliminares.
1.1. Contexto de estadística: Modelos probabilísticas, modelos estadísticos, e inferencia estadística.
1.2. Espacio de probabilidad inducido por una variable aleatoria.
1.3. Distribución y densidad de una variable aleatoria.
1.4. Valor esperado y momentos de una variable aleatoria.
1.5. Convergencia en probabilidad y convergencia en distribución.
1.6. Ley de grandes números, teorema del límite central, y método delta.

2. Dependencia y condicionamiento.
2.1. Vectores aleatorios y distribuciones multivariadas.
2.2. Densidad conjunta, condicional y marginal.
2.3. Independencia.
2.4. Esperanza condicional.

3. Herramientas para análisis de datos.
3.1. Nociones de inferencia: Estimación puntual y por intervalos.
3.2. Función de distribución empírica y funcionales estadísticos.
3.3. Momentos empíricos.
3.4. Cuantiles empíricos y función de cuantiles.
3.5. Estimación de densidades.
3.6. Método de máxima verosimilitud. Teorema del estimador MV.
3.7. Bondad de ajuste, papel de probabilidad, gráficas Q-Q.
3.8. Intervalos asintóticos por el método de Wald.
3.9. Intervalos por el método de bootstrap.

4. Modelos estadísticos especiales.
4.1. La distribución normal multivariada.
4.2. Distribuciones con génesis en la normal multivariada (t, F, chi-cuadrada).
4.3. Familia exponencial.
4.4. Familia de Box-Cox.
4.5. Familia de localización y escala.

5. Regresión lineal.
5.1. Modelos lineales en general.
5.2. Mínimos cuadrados y verosimilitud.
5.3. Modelos de regresión.
5.4. Estimación y predicción.
5.5. Modelo de regresión logística.

Sugerencias de Bibliografia

1. Casella, G. and Berger, R.L. (1990), Statistical Inference, Duxbury Press.
2. Mukhopadhyay, N. (2000), Probability and Statistical Inference, Marcel Dekker.
3. Roussas, G.G. (1997), A Course in Mathematical Statistics, Academic Press.
4. Serfling, R. (1980), Approximation Theorems of Mathematical Statistics, Wiley.
5. Wasserman, L. (2004), All of Statistics: A Concise Course in Statistical Inference, Springer Texts in Stati