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.

INSCRÍBETE