Referencias

Sobre esta sección

Esta página reúne las referencias bibliográficas utilizadas en el curso Matemáticas para la Estadística. Los materiales están organizados por temas para facilitar la búsqueda según los tópicos de interés.

Libros de Referencia General

Los siguientes textos proporcionan cobertura completa de los temas tratados en el curso:

  • Casella & Berger (2002) — Texto clásico y riguroso sobre inferencia estadística, fundamental para cursos avanzados.
  • Rice (2007) — Excelente balance entre teoría y práctica con muchos ejemplos.
  • Wackerly et al. (2008) — Orientado a aplicaciones en ingeniería y ciencias, con numerosos ejercicios.
  • Wasserman (2006) — Curso conciso pero riguroso en inferencia estadística.
  • Wood (2015) — Introducción accesible a estadística desde una perspectiva moderna.

Análisis Exploratorio de Datos

Para los tópicos de la Semana 1 y 2 (EDA):

  • Tukey (1961) — Artículo seminal que define el Análisis Exploratorio de Datos (EDA).
  • Wickham & Grolemund (2016) — Guía moderna para manipulación y visualización de datos en R.

Probabilidad y Variables Aleatorias

Referencias para profundizar en los tópicos de las Semanas 3 y 4:

  • Rice (2007) — Excelentes capítulos sobre probabilidad y variables aleatorias.
  • Ross (2014) — Enfoque práctico para ingenieros y científicos.
  • Devore (2020) — Texto ampliamente usado en cursos de ingeniería.

Teoría del Muestreo e Inferencia Estadística

Para las Semanas 5, 7, 8 y 9:

  • Casella & Berger (2002) — Riguroso tratamiento de estimación y contrastes de hipótesis.
  • Agresti (2018) — Métodos estadísticos aplicados a ciencias sociales.
  • Benjamini & Hochberg (1995) — Control de tasa de falsos positivos en pruebas múltiples.

Regresión Lineal

Para las Semanas 10 y 11:

  • James et al. (2013) — Introducción moderna a aprendizaje estadístico con énfasis en regresión.
  • Freedman (2007) — Enfoque crítico y reflexivo sobre la práctica de la regresión.
  • Wooldridge (2020) — Aplicaciones econométricas de modelos de regresión.
  • Greene (2018) — Referencia avanzada en econometría.
  • Angrist & Pischke (2008) — Métodos empíricos para inferencia causal.

Análisis de Datos Categóricos y Epidemiología

Para la Semana 12 (tablas de contingencia, Chi-cuadrado, McNemar, medidas de asociación):

  • Agresti (2013) — Referencia estándar para el análisis de datos categóricos: tablas de contingencia, pruebas Chi-cuadrado y modelos log-lineales.
  • Fleiss et al. (2003) — Tratamiento riguroso de proporciones, tasas y pruebas para tablas 2×2, incluida la prueba de McNemar para datos apareados.
  • McNemar (1947) — Artículo original de Quinn McNemar donde se propone la prueba para muestras relacionadas.
  • Altman (1991) — Estadística médica aplicada: medidas de asociación (RR, OR, RD), tablas 2×2 y pruebas para datos apareados.
  • Rothman et al. (2008) — Epidemiología moderna: diseños de cohorte, caso-control y transversal; estimación e interpretación de RR y OR.
  • Szklo & Nieto (2007) — Presentación accesible de epidemiología analítica con énfasis en medidas de efecto.
  • Femia Marzo et al. (2024) — Paquete R del grupo de Bioestadística de la UGR (Pedro Femia et al.): funciones tabla2x2(), tablarxc() y testnormal() con el dataset osteo.
  • Diez et al. (2019) — Introducción accesible a la inferencia sobre proporciones y tablas de contingencia.

Recursos en R

El curso utiliza ampliamente R para la implementación de conceptos estadísticos:

  • R Core Team (2024) — Documentación oficial del proyecto R.
  • Wickham & Grolemund (2016) — Guía práctica para análisis de datos con R.
  • Kabacoff (2015) — Referencia completa de gráficos y manipulación en R.

Perspectivas Bayesianas

Para estudiantes interesados en métodos Bayesianos:

  • Koop (2011) — Introducción a econometría Bayesiana.
  • Gelman et al. (2013) — Texto completo sobre análisis Bayesiano de datos.
  • McElreath (2020) — Curso moderno en inferencia Bayesiana con Stan.
  • Peng & Dominici (2015) — Pensamiento estadístico desde perspectiva Bayesiana.

Tópicos Especializados

Lecturas complementarias para temas avanzados:

  • James et al. (2013) — Aprendizaje estadístico (machine learning clásico).
  • Efron & Hastie (2016) — Perspectiva histórica sobre estadística en la era computacional.
  • Hyndman & Athanasopoulos (2018) — Métodos de pronóstico y series de tiempo.
  • Pearl (2009) — Fundamentos matemáticos de causalidad.
  • Varian (2014) — Aplicaciones de estadística a economía y “big data”.
  • Montgomery et al. (2020) — Estadística aplicada a ingeniería.
  • Diez et al. (2019) — Recurso abierto gratuito para aprendizaje de estadística.

Diccionarios y Referencias Rápidas

  • Dodge (2006) — Diccionario definitivo de términos estadísticos en inglés.

Cómo citar este curso

Si utiliza los materiales de este curso en su investigación o trabajo, le recomendamos citar:

Luque Fernández, Miguel Ángel. (2025–2026). Matemáticas para la Estadística Médica. Universidad de Granada. Disponible en: https://migariane.github.io/CursoMatematicaEstadistica/

Acceso Abierto

Este curso es parte de una iniciativa de educación abierta. Los materiales están disponibles bajo licencia CC BY-NC-SA 4.0, lo que permite su uso para propósitos educativos y no comerciales.

Agresti, A. (2013). Categorical data analysis (3rd ed.). Wiley.
Agresti, A. (2018). Statistical methods for the social sciences (5th ed.). Pearson.
Altman, D. G. (1991). Practical statistics for medical research. Chapman; Hall/CRC.
Angrist, J. D., & Pischke, J.-S. (2008). Mostly harmless econometrics: An empiricist’s companion. Princeton University Press.
Benjamini, Y., & Hochberg, Y. (1995). Controlling the false discovery rate: A practical and powerful approach to multiple testing. Journal of the Royal Statistical Society, 57(1), 289–300.
Casella, G., & Berger, R. L. (2002). Statistical inference (2nd ed.). Duxbury Press.
Chihara, L. M., & Hesterberg, T. C. (2019). Mathematical statistics with resampling and r (2nd ed.). Wiley.
Devore, J. L. (2020). Probability and statistics for engineering and the sciences (9th ed.). Cengage Learning.
Diez, D. M., Barr, C. D., & Cetinkaya-Rundel, M. (2019). OpenIntro statistics (4th ed.). OpenIntro Inc. https://www.openintro.org
Dodge, Y. (2006). The oxford dictionary of statistical terms (2nd ed.). Oxford University Press.
Efron, B., & Hastie, T. (2016). Computer age statistical inference: Algorithms, evidence, and data science. Cambridge University Press.
Femia Marzo, P., Carmona Montes, P., & Luque-Fernandez, M. A. (2024). BioEstatR: Paquete de funciones de bioestadística para R. https://github.com/migariane/BioEstatR
Fleiss, J. L., Levin, B., & Paik, M. C. (2003). Statistical methods for rates and proportions (3rd ed.). Wiley.
Freedman, D. A. (2007). Statistical models: Theory and practice (2nd ed.). Cambridge University Press.
Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A., & Rubin, D. B. (2013). Bayesian data analysis (3rd ed.). Chapman; Hall/CRC.
Greene, W. H. (2018). Econometric analysis (8th ed.). Pearson.
Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: Principles and practice (2nd ed.). OTexts. https://otexts.com/fpp2/
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning. Springer.
Kabacoff, R. I. (2015). R in action: Data analysis and graphics with r (2nd ed.). Manning Publications.
Koop, G. (2011). Bayesian econometrics (2nd ed.). Wiley.
Martı́n Andrés, A., & Luna del Castillo, J. de D. (2004). Bioestadı́stica para las ciencias de la salud (5th ed.). Norma-Capitel.
Martı́n Andrés, A., & Silva Mato, A. (1994). Choosing the optimal unconditional test for comparing two independent proportions. Computational Statistics & Data Analysis, 17(5), 555–574. https://doi.org/10.1016/0167-9473(94)90148-1
McElreath, R. (2020). Statistical rethinking: A bayesian course with examples in r and stan (2nd ed.). CRC Press.
McNemar, Q. (1947). Note on the sampling error of the difference between correlated proportions or percentages. Psychometrika, 12(2), 153–157. https://doi.org/10.1007/BF02295996
Montgomery, D. C., Runger, G. C., & Hubele, N. F. (2020). Engineering statistics (6th ed.). Wiley.
Pearl, J. (2009). Causality: Models, reasoning, and inference (2nd ed.). Cambridge University Press.
Peng, R. D., & Dominici, F. (2015). Statistical rethinking. Chapman; Hall/CRC.
R Core Team. (2024). R: A language and environment for statistical computing. R Foundation for Statistical Computing. https://www.R-project.org/
Rice, J. A. (2007). Mathematical statistics and data analysis (3rd ed.). Duxbury Press.
Robins, J. M. (1987). A new approach to causal inference in mortality studies with a sustained exposure period—application to control of the healthy worker survivor effect. Mathematical Modelling, 7(5-8), 1393–1512. https://doi.org/10.1016/0270-0255(86)90088-6
Ross, S. M. (2014). Introduction to probability and statistics for engineers and scientists (5th ed.). Academic Press.
Rothman, K. J., Greenland, S., & Lash, T. L. (2008). Modern epidemiology (3rd ed.). Lippincott Williams; Wilkins.
Saad, F. A., Freer, C. E., Rinard, M. C., & Mansinghka, V. K. (2020). Optimal approximate sampling from discrete probability distributions. Proceedings of the ACM on Programming Languages, 4(POPL). https://doi.org/10.1145/3371104
Shapiro, S. S., & Wilk, M. B. (1965). An analysis of variance test for normality (complete samples). Biometrika, 52(3–4), 591–611.
Smith, M., & al., et. (2020). Computational causal inference. Statistics in Medicine, 39(1), 1–35. https://doi.org/10.1002/sim.9234
Szklo, M., & Nieto, F. J. (2007). Epidemiology: Beyond the basics (2nd ed.). Jones; Bartlett.
Tukey, J. W. (1961). The future of data analysis. The Annals of Mathematical Statistics, 33(1), 1–67.
Varian, H. R. (2014). Big data: New tricks for econometrics. Journal of Economic Perspectives, 28(2), 3–28.
Wackerly, D. D., Mendenhall, W., & Scheaffer, R. L. (2008). Mathematical statistics with applications (7th ed.). Duxbury Press.
Wasserman, L. (2006). All of statistics: A concise course in statistical inference. Springer.
Wickham, H., & Grolemund, G. (2016). R for data science. O’Reilly Media. https://r4ds.had.co.nz/
Wood, S. N. (2015). Core statistics. Cambridge University Press.
Wooldridge, J. M. (2020). Introductory econometrics: A modern approach (7th ed.). Cengage Learning.

Última actualización: Semestre 2025–2026