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.