MÁSTER DE ESTADÍSTICA APLICADA CON R SOFTWARE (X EDICIÓN)
Información
Máxima Formación
Online
Curso
El MÁSTER DE ESTADÍSTICA APLICADA CON R SOFTWAREes único en la oferta unisitaria actual porque te cita para resol en la práctica los problemas estadísticos complejos que surgen en tu desempeño profesional. Adquiere ya los conocimientos avanzados que necesitas para: ✔️ Aplicar la Ciencia de Datos actual a la investigación y a la práctica profesional. ✔️ Dominar el análisis de grandes volúmenes de datos con visión global. ✔️ Construir modelos analíticos y algoritmos complejos para tus proyectos. ✔️ Comunicar gráficamente los resultados de tus análisis con precisión y alta calidad. ✔️ Generar predicciones estadísticas. Además, serás z de liderar proyectos que implican el análisis de grandes volúmenes de datos y extraer conocimiento valioso aplicando disas técnicas estadísticas: • Clásicas. • Robustas (análisis de Outliers). • Avanzadas. • Multivariantes (Data Mining y Big Data). A quién va dirigido Este Máster está orientado aGraduados, Licenciados, PhD, Doctorados unisitarios y profesionales en activo interesados en alcanzar el perfil de experto en Ciencia de Datos, y: • Adquirir una visión global de los procesos estadísticos en el análisis de grandes volúmenes de datos complejos. • Aplicar la Estadística para resol problemas de una forma eficiente en áreas de trabajo de disa índole (científicas, industriales o sociales) y construir modelos analíticos y algoritmos. • Dotarse de habilidades especializadas en estadística, programación, visualización y comunicación, para dar explicación a los resultados obtenidos. • Ocupar puestos de trabajo nacionales e internacionales en empresas, administración e industrias, vinculados a proyectos de investigación, desarrollo e innovación (I+D+i). Requisitos Para acceder al Máster debes acreditar o estar en posesión del Para cursar con éxito este Máster no es necesario tener conocimientos previos de Estadística ni de programación en R. Para realizar la reserva de matrícula y obtener el título, debes acreditar estar en posesión del: • Título de Grado unisitario o titulación equivalente por una unisidad española. • Titulación equivalente por estudios extranjeros que den acceso a estudios de Postgrado (titulación oficial). Temario completo de este curso PRIMER MÓDULO: TÉCNICAS CLÁSICAS Y ROBUSTAS. TEMA 1. SOFTWARE R. Manejo de bases de datos en el software R. Programación. TEMA 2. ESTADÍSTICA DESCRIPTIVA. Variables categóricas y numéricas. Estadísticos clásicos y robustos. Gráficos avanzados. TEMA 3. ESTADÍSTICA INFERENCIAL. Pruebas paramétricas, no paramétricas y robustas. TEMA 4. REGRESIÓN Y CORRELACIÓN. Correlación simple, múltiple, parcial y robusta. Regresión lineal simple y múltiple. Selección de variables y transformaciones. Regresión robusta simple y múltiple. SEGUNDO MÓDULO: TÉCNICAS AVANZADAS TEMA 5. DISEÑO EXPERIMENTAL ANOVA uni y bi-factorial. Diseño experimental por bloques aleatorizados, Diseño de medidas repetidas, Diseño split-plot, Diseño anidado o jerárquico y ANCOVA. TEMA 6. MODELOS AVANZADOS. Modelo lineal (LM), Modelo aditivo (AM), Modelo lineal generalizado (GLM) univariante, Modelo aditivo generalizado (GAM), Introducción al Modelo mixto (MM). TERCER MÓDULO: TÉCNICAS MULTIVARIANTES TEMA 7. ESTADÍSTICA MULTIVARIANTE. Análisis de conglomerados (Cluster) jerárquico y no jerárquico, Árbol de regresión multivariada (MRT), Análisis discriminante (LDA), Análisis de correspondencias (CA), CA sin tendencia (DCA), CA parcial (pCA), y CA canónico (CCA), Análisis de componentes principales (PCA), Análisis de redundancia (RDA), Pruebas para diferencias multivariadas entre grupos (MANOVA, MRPP, ANOSIM, NPMANOVA, MANTEL). TEMA 8: DISCRIMINACIÓN. ANÁLISIS DISCRIMINANTE Y MRT. El análisis lineal discriminante (LDA) nos permite: Identificar características que diferencien (o discriminen) a 2 o más grupos de elementos. ¿Cómo podemos caracterizar estos grupos? Discriminación. Seleccionar el menor número de variables explicativas necesarias para discriminar de manera efectiva los grupos. ¿Cuántas de estas variables son necesarias para que el modelo sea preciso? Selección de variables. Predecir a qué grupo ha de pertenecer una nueva observación. ¿A qué grupo pertenecerá un nuevo caso? y ¿con qué precisión puedo realizar la predicción? Clasificación. El árbol de regresión multivariada (MRT) es una técnica extremadamente flexible, no tiene prácticamente ninguna suposición, y nos permite: Clasificar observaciones. Establecer reglas de decisión. Resumir grandes bases de datos Seleccionar variables de interés Detectar interacción entre variables Captar efectos no aditivos TEMA 9: COMPARACIÓN MULTIVARIANTE: Nos permite discriminar entre grupos. ¿Los grupos son significativamente distintos? ¿Es válida la agrupación dada? ¿Qué grupos en particular difieren entre sí? TEMA 10: ORDENACIÓN Y EXPLICACIÓN. PCA/RDA/PRDA, CA/CCA/PCA, NMDS/MDS. Utilizaremos distintas técnicas de ordenación para la representación visual de datos en más de una dimensión y encontraremos qué factores (dimensiones) subyacen bajo los datos. más
Otros cursos de esta academia
CURSO DE MOODLE 3.8 PARA DOCENTES Y CREACIÓN DE CONTENIDOS CON...
(Máxima Formación)
Características generales del e-learning 1... 2 gestión de roles y permisos 4... importar y exportar preguntas 6... • personal de centros de formación y academias...
CURSO PRÁCTICO DE ADMINISTRACIÓN DE LA PLATAFORMA MOODLE 3.8
(Máxima Formación)
Métodos de matriculación 5... añadir entradas al blog personal 8... anular roles y permisos 5... añadir preguntas a la encuesta 7... estilos que ofrece exe-learning...