Curso avanzado de estadística no paramétrica con 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!

What You Will 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.

Who Should Attend!

• 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.

TAKE THIS COURSE