Programa Máster Estadística Aplicada con R
1. El Uso de R en Estadística. Estructuras de Datos
- Introducción a R y RStudio
- Ejecución de Código en R
- Variables y Funciones
- Librerías
- Estadísticos Descriptivos
- Representación Gráfica
2. Análisis Exploratorio de Datos con R. Componentes Principales y Análisis Clúster
- Data Frames y Tipos de Datos
- Vectores
- Importar, Exportar y Almacenar Datos
- Creación de Proyectos en RStudio
- Primeros Ejercicios Estadísticos: Regresión Lineal y t-test
- Uso del Operador %>% Pipes
- El paquete Base y Tidyverse
- Buenas Prácticas Estadísticas
3. Tratamiento de Datos con R
- Creación de Informes con R Markdown
- Creación de Gráficos con ggplot2
- Explorando Distribuciones
- Datos Omitidos y Outliers
- Tendencias en Gráficos de Dispersión
- Explorando Series Temporales
- Usando Coordenadas Polares
- Visualizando Múltiples Variables
- Análisis de Componentes Principales
- Análisis Clúster
- Análisis Factorial
4. Programación en R
- Cambiando Tipos de Datos
- Operaciones con Listas
- Operaciones con Números
- Operaciones con Factores
- Operaciones con Cadenas de Texto
- Operaciones con Fechas y Horas
- Manipulando Datos: data.table, dplyr y tidyr
- Filtrado
- Creación de Subconjuntos
- Ordenación
- Reorganizando Datos
- Fusionando Datos de Múltiples Tablas
- Extrayendo Datos de Páginas Web (Scraping)
- Otras Operaciones
- Funciones
- Más Sobre Pipes
- Condicionales
- Iteraciones Usando Bucles
- Midiendo el Rendimiento del Código
5. Métodos de Simulación. Contraste de Hipótesis
- Simulación y Distribuciones
- El t-test
- Contrastes de Hipótesis Habituales e Intervalos de Confianza
- Aspectos Éticos en Inferencia Estadística
- Evaluando Métodos Estadísticos Usando Simulación
- Cálculo de Tamaños de Muestra Mediante Simulación
- Bootstrapping
- Elaborando Informes de Resultados Estadísticos
6. Modelos de Regresión
- Modelos Lineales
- Modelos Lineales Generalizados. Regresión Logística
- Modelos Mixtos. Modelos Anidados de Efectos Aleatorios y Modelos Jerárquicos/Multinivel
7. Análisis de Supervivencia
- Análisis de Supervivencia
- Datos Censurados por la Izquierda y No Detección
- Creando Muestras Pareadas
8. Evaluación de Modelos Predictivos. Validación Cruzada y Bootstrapping
- Evaluando Modelos Predictivos
- Aspectos Éticos del Modelado Predictivo
- Los Retos de la Predicción
9. Técnicas de Regularización. Regresión Ridge, Lasso y Elastic Net
- Regresión Ridge
- Lasso
- Elastic Net
- Seleccionando el Mejor Modelo
- Modelos Regularizados Mixtos
10. Modelos de Machine Learning
- Árboles de Decisión
- Random Forests
- Boosted Trees
- Model Trees
- Análisis Discriminante
- Support Vector Machines
- Clasificadores k-Nearest Neighbours
Trabajo Fin de Máster
Para superar el Máster, el alumno deberá realizar un trabajo final (equivalente a 10 Créditos ECTS) de temática libre, en el que planteará una investigación estadística donde deberá utilizar alguna de las herramientas estadísticas aprendidas a lo largo del curso.