Máster en Estadística Aplicada para la ciencia de datos con R Software - Máxima Formación

• Afianzar y adquirir nuevos conocimientos sobre Estadística Aplicada y Ciencia de Datos.
• Desarrollar habilidades prácticas avanzadas para extraer todo el potencial de los datos en su actividad profesional.
• Ser capaz de superar cualquier reto estadístico, con independencia de su área profesional o nivel de complejidad.
• Crecer en su desempeño con los datos y ganar libertad, seguridad, confianza y precisión en sus análisis de datos.
• Controlar el lenguaje de R Software y sus paquetes con nivel experto.

Expedido y otorgado por la Universidad Nebrija de Madrid.

• Área: Ciencia de Datos.
• Créditos: 66 ECTS.
• Duración: 10 meses.

Recursos de aprendizaje:

• Lecciones en vídeo descargables.
• Lecciones en formato presentación (ppt/pdf).
• Recursos descargables: hojas de trucos, guías rápidas, plantillas de código, mapas conceptuales y esquemas.
• Estudio de casos reales con los códigos de programación disponibles.
• Tareas prácticas para resolver.
• Tares opcionales para adquirir habilidades más avanzadas.
• Recursos complementarios: bibliografía para profundizar en los aspectos que más te interesen.
• Foros de debate comunitarios con respuestas de tus tutores.
• Wiki comunitaria para compartir recursos recomendados.

Programa de contenidos:

Máster de Estadística Aplicada para la Ciencia de Datos con R Software

MÓDULO I.

UNIDAD 1. INTRODUCCIÓN A LA ESTADÍSTICA APLICADA CON R

• Introducción a la Estadística Aplicada y su caja de herramientas.
• Descarga e instalación de R, RStudio y sus paquetes.
• Cómo trabajar con R/RStudio.
• Operaciones básicas. Ayuda. Viñetas. Citas.
• Documentación. Git/GitHub.
• Creación de informes reproducibles con RMarkdown.

UNIDAD 2. OBTENCIÓN, LIMPIEZA Y EXPLORACIÓN DE DATOS

• Obtención y manipulación de bases de datos con tidyverse.
• Tipos de variables.
• Estadística descriptiva, medidas clásicas y robustas.
• Gráficos avanzados con ggplot2.

UNIDAD 3. CORRELACIÓN Y REGRESIÓN LINEAL

• Correlación simple, múltiple, parcial y robusta.
• Regresión lineal simple y múltiple.
• Selección de variables.
• Evaluación de supuestos y transformaciones.
• Adecuación del modelo.
• Predicciones, interpretación y representación de interacciones entre predictores.

MÓDULO II.

UNIDAD 4. INFERENCIA ESTADÍSTICA

• Conceptos básicos, hipótesis, p-valor, significación y tipos de errores.
• Pruebas de hipótesis y estimación de intervalos de confianza.
• Potencia estadística, estimación del tamaño muestral y del tamaño de efecto.
• Comparación de puntuaciones (medias) y comparación de proporciones para una y dos muestras. Pruebas paramétricas, no paramétricas y robustas.

UNIDAD 5. DISEÑO EXPERIMENTAL

• Estrategias de experimentación.
• Factores de control, replicación, aleatorización, bloqueo y factorización.
• Diseños uni y multi-factoriales, ANOVA de una y dos vías, ANCOVA, análisis de interacción entre factores.
• Estimación del tamaño de muestra.

MÓDULO III.

UNIDAD 6. MODELOS DE REGRESIÓN AVANZADOS

• Ampliación del modelo lineal ante el incumplimiento de los supuestos estadísticos clásicos.
• Modelo aditivo generalizado (GAM).
• Modelo lineal generalizado (GLM).
• Modelo Mixto (MM).

UNIDAD 7. ANÁLISIS DE AGRUPACIÓN CLÚSTER

• Análisis Clúster jerárquico y no jerárquico (por k-medias).
• Validación y representación de la agrupación.

UNIDAD 8. DISCRIMINACIÓN Y COMPARACIÓN MULTIVARIANTE

• Análisis de discriminación lineal (LDA) y cuártico (QDA).
• Análisis multivariante de la varianza (MANOVA) y sus versiones no paramétricas (MRPP, ANOSIM, MPANOVA, MANTEL).

UNIDAD 9. ORDENACIÓN Y REDUCCIÓN DE LA DIMENSIÓN

• Análisis de componentes principales (PCA).
• Análisis de correspondencias (CA).
• Análisis de escalamiento multidimensional (MDS/NMDS).