Estadística de cero a experto

La base que debes tener para poder continuar hacia temas más avanzados. Incluye todos los temas sobre Estadística Descriptiva, Probabilidades, Variable Aleatoria, Distribuciones, Estimación, Inferencia, Intervalos de confianza, Contrastes de hipótesis y Regresión lineal. Este curso es fácil seguir de principio a fin. Habrán ejemplos y ejercicios resueltos en pantalla, donde te explico todo paso a paso. Dispondrás de material complementario de fórmulas y propiedades, así como resúmenes de contenido. También incluimos en esta parte el contenido de los dos cursos prácticos con ejercicios resueltos (Estadística y Probabilidades + Estadística Inferencial)

Los métodos que debes conocer cuando no podemos usar los que asumen los llamados "supuestos paramétricos", por ejemplo, cuando no conocemos qué distribución tienen nuestros datos. Incluye los métodos: Anderson-Darling, Shapiro-Wilks, Levene, Mann-Whitney, Kruskal-Wallis, Wilcoxon, Friedman, Coeficiente de correlación no paramétrico de Spearman, etc. Responderemos a las preguntas: ¿Qué suposiciones asumen los métodos paramétricos? ¿Cómo verificar si nuestros datos cumplen o no estas suposiciones? ¿Qué hacer en caso de que no las cumplan? Según nuestro objetivo, ¿qué método utilizar en la práctica? ¿Cómo redactar un buen informe con los resultados bien explicados (tanto numéricos como visuales)?

Aprenderás la diferencia entre el enfoque frecuentista y el bayesiano. Cubriremos los conceptos principales de la Estadística Bayesiana, por ejemplo, el Teorema de Bayes y probabilidades y distribuciones condicionales. Luego veremos los métodos más complejos como las Pruebas A/B dentro del área de la Inferencia Bayesiana, los métodos de muestreo como el muestreo por Rechazo o el algoritmo Metropolis-Hastings, y la relación del enfoque bayesiano con el Aprendizaje Automático (Machine Learning).