Programa Máster Estadística Aplicada

1. Introducción al Uso en R en Estadística
  • Comandos Básicos
  • Gráficos
  • Indexando Datos
  • Cargando Datos
  • Resúmenes Gráficos y Numéricos
2. El Modelo de Regresión Lineal
  • Regresión Lineal Simple
  • Regresión Lineal Múltiple
  • Extensiones del Modelo Lineal
  • Comparación entre el Modelo Lineal y el Método k-Nearest Neighbors
  • Ejemplo Práctico
3. Métodos de Clasificación: Regresión Logística y Análisis Discriminante
  • Regresión Logística
  • Análisis Discriminante Lineal y Cuadrático
  • El Algoritmo Naive Bayes
  • Comparativa de Métodos de Clasificación
  • Modelos Lineales Generalizados
  • Ejemplo Práctico
4. Métodos de Remuestreo: Validación Cruzada y Bootstrap
  • Validación Cruzada
  • Método de Bootstrap
  • Ejemplo Práctico
5. Extensiones a la Regresión Lineal. Regresión Ridge y Lasso. Componentes Principales. Mínimos Cuadrados Parciales
  • Regresión Ridge y Lasso
  • Método de Componentes Principales
  • Mínimos Cuadrados Parciales
  • Ejemplo Práctico
6. Modelos No Lineales: Regresión Polinómica, Splines y GAMs
  • Regresión Polinómica
  • Splines
  • Splines Suavizadas
  • Regresión Local
  • Generalized Additive Models (GAMs)
  • Ejemplo Práctico
7. Árboles de Decisión
  • Fundamentos de Árboles de Decisión
  • Bagging, Random Forests, Boosting y Árboles de Regresión Bayesianos
  • Ejemplo Práctico
8. Máquinas de Vector Soporte
  • Clasificadores de Máximo Margen
  • Clasificadores Basados en Vector Soporte
  • Máquinas de Vector Soporte
  • Máquinas de Vector Soporte con Más de Dos Clases
  • Relación entre Máquinas de Vector Soporte y Regresión Logística
  • Ejemplo Práctico
9. Deep Learning
  • Redes Neuronales de una Capa
  • Redes Neuronales Multicapa
  • Redes Neuronales Convolucionales
  • Redes Neuronales Recurrentes
  • Ajuste de una Red Neuronal
  • Ejemplo Práctico
10. Análisis de Supervivencia
  • Supervivencia y Tiempos Censurados
  • La Curva de Supervivencia de Kaplan-Meier
  • Test Log-Rank
  • Modelos de Regresión con Respuesta de Supervivencia. El Modelo de Cox
  • Cuestiones Adicionales
  • Ejemplo Práctico
11. Análisis de Componentes Principales y Clúster
  • Análisis de Componentes Principales
  • Métodos de Clustering: K-Means y Clustering Jerárquico
  • Ejemplo Práctico
12. Contraste de Múltiples Hipótesis
  • Contrastes de Hipótesis. Errores de Tipo I y II
  • Family-Wise Error Rate (FWER)
  • False Discovery Rate
  • Enfoque de Remuestreo para el P-Valor y la False Discovery Rate
  • Ejemplo Práctico
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.