Curso avanzado de estadística no paramétrica con R y Python
What you'll learn
- Introducción al mundo de la estadística no paramétrica.
- Diferencia entre estadística paramétrica y no paramétrica.
- ¿Qué hacer cuando no se cumplen los supuestos paramétricos?
- ¿Qué modelos usar en la práctica según nuestro problema?
- Instrucciones paso a paso para usar las pruebas no paramétricas.
- Mann-Whitney, Kruskal-Wallis, Wilcoxon, Friedman, Spearman, etc.
- Implementación de los análisis y códigos en R y Python.
- Estudio de datos médicos de extracción de tejido cancerígeno.
- Estudio de valoración de jueces en una cata de vinos.
- Estudio de eficacia de medicamentos en pacientes.
- Muchos más ejemplos de datos reales para practicar.
- Cómo crear informes de resultados de alta calidad.
- Cómo explicar los resultados estadísticos numéricos y visuales.
Requirements
- Es recomendable haber cursado anteriormente el Curso completo de Estadística a nivel universitario.
- Se necesitan conocimientos básicos de programación en R y en Python.
- Disponer de un ordenador con conexión a internet para utilizar R y Python.
Description
Bienvenido al Curso avanzado de estadística no paramétrica con R y Python, donde aprenderás todo lo que necesitas para analizar datos, contrastar hipótesis, hacer comparaciones de grupos y mucho más, con los métodos no paramétricos de Estadística, tanto en R como en Python, los dos lenguajes de programación más utilizados de todo el mundo para el análisis de datos, y dos habilidades muy solicitadas por las empresas en las ofertas de trabajo de LinkedIn.
El curso proporciona mucho material práctico, tendrás todo el código fuente desde el minuto cero, plantillas de código para utilizar en tus propios análisis, y muchas horas de vídeo de alta calidad con todas las explicaciones necesarias para convertirte en un analista de datos top.
Muchas de las investigaciones cuantitativas en la rama de negocios, medicina o tecnología, utilizan variables de tipo cualitativo o categórico; sin embargo, estos datos no siempre cumplen con los requerimientos básicos de la estadística paramétrica. Por eso, como alternativa, existe la estadística no paramétrica, que permite realizar el análisis de los datos cualitativos o categóricos con mayor flexibilidad y consistencia. Como veremos durante el curso, la estadística no paramétrica tiene también un valor añadido, y es que sus pruebas y modelos estadísticos se pueden aplicar cuando la distribución subyacente no se ajusta a los llamados criterios paramétricos. Esto último se refiere a que muchas veces aplicamos métodos paramétricos sin saber que ellos asumen que la distribución de nuestros datos es Normal, y nada puede estar más lejos de la realidad, porque en la práctica no siempre nuestros datos van a cumplir con estas condiciones "perfectas".
Las principales pruebas no paramétricas y que veremos durante el curso son las siguientes:
Prueba de Anderson-Darling
Prueba de Shapiro-Wilks
Prueba de Levene
Prueba de Mann-Whitney
Prueba de Kruskal-Wallis
Prueba de los rangos con signo de Wilcoxon
Prueba de Friedman
Coeficiente de correlación no paramétrico de Spearman
Ejemplos de aplicaciones y finalidad de los métodos no paramétricos:
Estudiar poblaciones que toman un orden de clasificación como críticas de películas que reciben de una a cinco estrellas.
Para comparar grupos independientes, por ejemplo, qué herramienta de cirugía funciona mejor extrayendo tejido cancerígeno.
Para comparar grupos relacionados, por ejemplo, verificar si han aumentado o disminuido significativamente los ingresos en un complejo comercial de varias tiendas.
Como los métodos no paramétricos hacen menos suposiciones, su aplicabilidad es mucho más amplia que la de los métodos paramétricos correspondientes. En particular, pueden aplicarse en situaciones en las que se sabe menos sobre la aplicación en cuestión. Además, debido a la dependencia de menos supuestos, los métodos no paramétricos son más robustos.
Otra justificación para el uso de métodos no paramétricos es la simplicidad. En ciertos casos, incluso cuando se justifica el uso de métodos paramétricos, los métodos no paramétricos pueden ser más fáciles de usar. Debido tanto a esta simplicidad como a su mayor robustez, algunos estadísticos consideran que los métodos no paramétricos dejan menos espacio para un uso inadecuado y malentendidos.
La aplicabilidad más amplia y la mayor robustez de las pruebas no paramétricas tienen un costo: en los casos en que una prueba paramétrica sería apropiada, las pruebas no paramétricas tienen menos potencia. En otras palabras, se puede requerir un tamaño de muestra mayor para sacar conclusiones con el mismo grado de confianza. Por eso es importante saber:
¿Qué suposiciones asumen los métodos paramétricos?
¿Cómo verificar si nuestros datos cumplen o no estas suposiciones?
¿Qué hacer en caso de que no las cumplan?
Según nuestro objetivo, ¿qué método utilizar en la práctica?
¿Cómo redactar un buen informe con los resultados bien explicados (tanto numéricos como visuales)?
En este curso le daremos respuesta a todas estas preguntas. Así que tanto si eres un estudiante o un ingeniero, que quiere ampliar sus conocimientos básicos de Estadística; como si te interesa el mundo del Machine Learning y el Análisis de datos, y quieres tener una visión global de lo que sucede cuando no son tan perfectos los datos en la práctica; este es el sitio ideal para ti, vamos a cubrir todos los aspectos, y lo más importante tendrás mucho material práctico, tendrás todo el código fuente desde el minuto cero, plantillas de código tanto en R como en Python, para utilizar en tus propios análisis en la práctica. Muchas horas de vídeo de alta calidad con todas las explicaciones necesarias. Además tendrás acceso a un grupo privado para dudas para que no te sientas solo, donde puedes preguntar tus dudas y colaborar con las de los demás estudiantes. Y por supuesto material complementario a las clases, ejercicios y tareas para que puedas practicar por tu cuenta y poder convertirte en un analista de datos top, con experiencia en estadística no paramétrica.
¿Te apuntas?
¡Nos vemos en clase!
Who this course is for:
- Estudiantes de ingenierías, medicina o economía que busquen entender los métodos de la estadística no paramétrica.
- Estudiantes de Estadística que quieran profundizar en esta área más específica.
- Ingenieros de IA y ML que quieran conocer acerca del análisis de datos cuando no se cumplen los supuestos paramétricos.
- Estudiantes de doctorado que quieran conocer o estén investigando acerca de la estadística no paramétrica.
- Empresas o usuarios que quieran hacer análisis de datos médicos, comparaciones de grupos independientes o relacionados con los métodos no paramétricos.
Instructors
- 4.5 Instructor Rating
- 5,330 Reviews
- 53,571 Students
- 15 Courses
Hola a todos, soy Eli, la creadora de Aprende con Eli. Soy una joven profesora apasionada del Análisis de Datos. Sobre mi formación, soy Licenciada en Matemáticas por la Universidad de La Habana, ciudad en la que nací y crecí hasta que después de graduarme gané una beca para hacer el máster en la Universidad Carlos III de Madrid, España. Y luego, terminé haciendo el doctorado en la especialidad de Estadística. Actualmente me dedico a la investigación de métodos robustos de detección de atípicos, un campo que tiene muchísima importancia en Medicina, Neurociencia, Química, Geoquímica, Finanzas, entre muchos otros. Además de trabajar en investigación, soy profesora en la Universidad Carlos III de Madrid, donde tengo más de 10 años de experiencia impartiendo la asignatura de Estadística. He tenido alumnos de Ingeniería Informática, Telecomunicaciones, Industriales, Mecánica, Eléctrica, Administración de Empresas y ADE+Derecho. Me encanta todo lo relacionado con Data Mining, detección de atípicos, clustering, clasificación, regresión lineal, regresión logística, análisis discriminante, Machine Learning, Artificial Intelligence y Big Data, especialmente en R, Matlab o Python.
Sobre mí personalmente puedo decirles que también tengo una vena artística, me encanta tocar la guitarra, cantar covers, dibujar, escribir y la fotografía. Soy siempre muy positiva e intento no perder nunca la motivación por alcanzar mis objetivos. Y otra de mis pasiones es enseñar, ver que los estudiantes no solo "aprueban" sino que realmente aprenden. Eso me ha motivado crear estos cursos en Udemy, el saber que puedo enseñar la Estadística de una forma más práctica y más amena, porque a lo largo de mi experiencia docente he aprendido que los alumnos no suelen entender los conceptos porque no se explica a veces la conexión que hay entre todos ellos y el por qué es importante entenderlos.
Espero que te animes a pasar mis cursos y que te ayuden con tus objetivos académicos. En mi web Aprende con Eli, puedes obtener ¡2 libros gratis! Además encontrarás todos los cursos con descuento y un blog donde debatimos cosas interesantes como por ejemplo ¿cuál es la diferencia entre machine learning e inteligencia artificial?
¡Nos vemos en clase!
- 4.5 Instructor Rating
- 5,330 Reviews
- 53,571 Students
- 15 Courses
¿Te interesa la Ciencia de Datos, los modelos estadísticos o la Inteligencia Artificial?
¿Te gustaría aprender a analizar datos con R o Python?
¿Necesitas ayuda para encontrar trabajo como científico o analista de datos?
¿Tienes problemas para poder avanzar en tu proyecto de Ciencia de Datos?
¿Quieres aprender sobre estas disciplinas y no sabes por dónde empezar?
Si has contestado que sí a alguna de estas preguntas, entonces has llegado al lugar correcto. En la academia online Aprende con Eli encontrarás las respuestas a todas tus inquietudes. Somos fieles defensores del aprendizaje en línea como una alternativa más económica y mucho más rápida y efectiva que la educación reglada o universitaria.
Brindamos herramientas de formación personal y profesional para aprender a tu ritmo, en cualquier lugar donde te encuentres, en el horario que mejor te venga, con todo el material disponible, incluyendo conceptos, teoría, ejemplos, casos prácticos explicados al completo, códigos tanto en R como en Python y por supuesto ejercicios prácticos, cuestionarios, tareas, y material complementario para poder seguir los cursos sin ningún problema y que al completarlos seas un experto del análisis de datos.
¡Echa un vistazo a todas las opciones que tenemos!