Udemy
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
Development
Web Development Data Science Mobile Development Programming Languages Game Development Database Design & Development Software Testing Software Engineering Development Tools No-Code Development
Business
Entrepreneurship Communications Management Sales Business Strategy Operations Project Management Business Law Business Analytics & Intelligence Human Resources Industry E-Commerce Media Real Estate Other Business
Finance & Accounting
Accounting & Bookkeeping Compliance Cryptocurrency & Blockchain Economics Finance Finance Cert & Exam Prep Financial Modeling & Analysis Investing & Trading Money Management Tools Taxes Other Finance & Accounting
IT & Software
IT Certification Network & Security Hardware Operating Systems Other IT & Software
Office Productivity
Microsoft Apple Google SAP Oracle Other Office Productivity
Personal Development
Personal Transformation Personal Productivity Leadership Career Development Parenting & Relationships Happiness Esoteric Practices Religion & Spirituality Personal Brand Building Creativity Influence Self Esteem & Confidence Stress Management Memory & Study Skills Motivation Other Personal Development
Design
Web Design Graphic Design & Illustration Design Tools User Experience Design Game Design Design Thinking 3D & Animation Fashion Design Architectural Design Interior Design Other Design
Marketing
Digital Marketing Search Engine Optimization Social Media Marketing Branding Marketing Fundamentals Marketing Analytics & Automation Public Relations Advertising Video & Mobile Marketing Content Marketing Growth Hacking Affiliate Marketing Product Marketing Other Marketing
Lifestyle
Arts & Crafts Beauty & Makeup Esoteric Practices Food & Beverage Gaming Home Improvement Pet Care & Training Travel Other Lifestyle
Photography & Video
Digital Photography Photography Portrait Photography Photography Tools Commercial Photography Video Design Other Photography & Video
Health & Fitness
Fitness General Health Sports Nutrition Yoga Mental Health Dieting Self Defense Safety & First Aid Dance Meditation Other Health & Fitness
Music
Instruments Music Production Music Fundamentals Vocal Music Techniques Music Software Other Music
Teaching & Academics
Engineering Humanities Math Science Online Education Social Science Language Teacher Training Test Prep Other Teaching & Academics
AWS Certification Microsoft Certification AWS Certified Solutions Architect - Associate AWS Certified Cloud Practitioner CompTIA A+ Cisco CCNA Amazon AWS CompTIA Security+ Microsoft AZ-900
Graphic Design Photoshop Adobe Illustrator Drawing Digital Painting InDesign Character Design Canva Figure Drawing
Life Coach Training Neuro-Linguistic Programming Personal Development Personal Transformation Mindfulness Life Purpose Meditation CBT Emotional Intelligence
Web Development JavaScript React CSS Angular PHP Node.Js WordPress Vue JS
Google Flutter Android Development iOS Development React Native Swift Dart Programming Language Mobile Development Kotlin SwiftUI
Digital Marketing Google Ads (Adwords) Social Media Marketing Google Ads (AdWords) Certification Marketing Strategy Internet Marketing YouTube Marketing Email Marketing Retargeting
Microsoft Power BI SQL Tableau Business Analysis Data Modeling Business Intelligence MySQL Data Analysis Blockchain
Business Fundamentals Entrepreneurship Fundamentals Business Strategy Business Plan Startup Freelancing Online Business Blogging Home Business
Unity Game Development Fundamentals Unreal Engine C# 3D Game Development C++ 2D Game Development Unreal Engine Blueprints Blender
30-Day Money-Back Guarantee
Teaching & Academics Math Statistics

Curso avanzado de estadística no paramétrica con R y Python

Métodos de estadistica inferencial no paramétrica: Mann-Whitney, Kruskall-Wallis, Wilcoxon, Friedman, Levene, Spearman.
Rating: 4.6 out of 54.6 (37 ratings)
522 students
Created by Elisa Cabana Garceran del Vall
Last updated 3/2021
Spanish
Spanish [Auto]
30-Day Money-Back Guarantee

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:

  1. Estudiar poblaciones que toman un orden de clasificación como críticas de películas que reciben de una a cinco estrellas.

  2. Para comparar grupos independientes, por ejemplo, qué herramienta de cirugía funciona mejor extrayendo tejido cancerígeno.

  3. 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:

  1. ¿Qué suposiciones asumen los métodos paramétricos?

  2. ¿Cómo verificar si nuestros datos cumplen o no estas suposiciones?

  3. ¿Qué hacer en caso de que no las cumplan?

  4. Según nuestro objetivo, ¿qué método utilizar en la práctica?

  5. ¿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.

Course content

12 sections • 57 lectures • 7h 22m total length

  • Preview07:06
  • Preview05:01
  • No valores el curso hasta completar más clases
    02:51
  • Material del curso para descargar en Github
    04:36
  • Cómo abrir los notebooks de Python en Google Colab
    09:20
  • Cómo abrir los datasets y los scripts en RStudio
    04:04
  • Acceso a la comunidad privada de estudiantes
    00:04
  • ¿Cómo formular preguntas en el curso?
    06:36
  • Preview00:20
  • Material extra
    00:15

  • Libro de estadística no paramétrica
    00:03

  • Población, muestra y variable aleatoria
    10:47
  • Estadística descriptiva
    18:06
  • Estimadores muestrales
    25:28
  • Distribución Normal
    12:36
  • Distribución t-student y chi-cuadrado
    10:21
  • Distribución de los estimadores
    11:49
  • Intervalos de confianza, contrastes de hipótesis y p-valor
    20:45

  • Preview24:56
  • Ejercicios sobre estadística no paramétrica
    8 questions
  • Algo para que sigas adelante...
    00:00
  • Análisis de distribuciones
    12:24
  • Análisis de distribuciones en Python
    18:17
  • Análisis de distribuciones en grupos en Python
    09:16
  • Homogeneidad de varianzas: Levene Test
    09:15
  • Ejercicios Homogeneidad de varianzas
    3 questions
  • Homogeneidad de varianzas Levene Test en Python
    06:31
  • Análisis de distribuciones en R
    10:54
  • Análisis de distribuciones en grupos en R
    06:01
  • Homogeneidad de varianzas Levene Test en R
    05:25

  • Preview19:57
  • Algo para que sigas adelante...
    00:00
  • Mann-Whitney Ejemplo 1 Python
    11:03
  • Mann-Whitney Ejemplo 2 Python
    05:13
  • Mann-Whitney Ejemplo 3 R
    06:33
  • Mann-Whitney Ejemplo 4 R
    05:24

  • Prueba de Kruskall-Wallis
    17:40
  • Algo para que sigas adelante...
    00:00
  • Kruskall-Wallis: Ejemplo de drogas en Python
    09:58
  • Kruskall-Wallis: Ejemplo de drogas en R
    09:16

  • Prueba de Wilcoxon
    12:10
  • Algo para que sigas adelante...
    00:00
  • Wilcoxon: Ejemplo Python
    04:19
  • Wilcoxon: Ejemplo R
    05:16

  • Prueba de Friedman
    10:14
  • Algo para que sigas adelante...
    00:00
  • Friedman: Ejemplo Python
    05:26
  • Friedman: Ejemplo R
    06:17

  • Coeficiente de correlación rho de Spearman
    11:56
  • Algo para que sigas adelante...
    00:00
  • Spearman: Ejemplo 1 Python
    05:16
  • Spearman: Ejemplo 2 Python
    06:45
  • Spearman: Ejemplo 3 R
    04:25
  • Spearman: Ejemplo 4 R
    06:26

  • Boxplot
    08:05
  • Boxplots en Python
    08:00
  • Boxplots en R
    08:11

Instructor

Elisa Cabana Garceran del Vall
PhD en Estadística, profesora universitaria e investigadora
Elisa Cabana Garceran del Vall
  • 4.6 Instructor Rating
  • 1,136 Reviews
  • 16,364 Students
  • 8 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 ¡tres 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!


  • Udemy for Business
  • Teach on Udemy
  • Get the app
  • About us
  • Contact us
  • Careers
  • Blog
  • Help and Support
  • Affiliate
  • Impressum Kontakt
  • Terms
  • Privacy policy
  • Cookie settings
  • Sitemap
  • Featured courses
Udemy
© 2021 Udemy, Inc.