Dirigido a

Profesionales que se encuentran en el sector privado o público, con interés en optimizar su capacidad analítica y tomar decisiones informadas basadas en datos. Es ideal para aquellos que desean avanzar en sus carreras dentro del ámbito de análisis de datos, ciencia de datos, investigación aplicada o cualquier área en la que se requiera análisis cuantitativo avanzado. 

Profesiones y cargos: 

• Analistas de datos: Profesionales encargados de analizar, interpretar y reportar datos en empresas de diversos sectores. 
• Científicos de datos: Personas que trabajan con grandes volúmenes de datos para crear modelos predictivos y análisis avanzados. 
• Ingenieros de datos: Profesionales que diseñan y gestionan infraestructuras y sistemas de datos dentro de las empresas. 
• Economistas y estadísticos: Especialistas en análisis cuantitativo que utilizan técnicas estadísticas para la toma de decisiones en negocios y gobiernos. 
• Gerentes de marketing, finanzas y operaciones: Profesionales de áreas donde el análisis de datos es clave para la optimización de estrategias y procesos. 
• Investigadores en ciencias sociales, salud y biología: Aquellos que necesitan aplicar análisis estadísticos en la investigación aplicada. 

Objetivos

Al finalizar el curso, estarás en capacidad de:

• Refrescar y consolidar los conocimientos fundamentales de estadística. 
• Desarrollar habilidades prácticas para aplicar técnicas estadísticas en situaciones del mundo real. 
• Mejorar la capacidad para interpretar y comunicar resultados estadísticos de manera efectiva. 
• Introducir métodos avanzados para el análisis de grandes conjuntos de datos y modelos predictivos.
• Hacer análisis de datos usando programación en el entorno de R.

Metodología

Clases magistrales y prácticas con la presencia de un proyecto.

Contenido

Módulo 1: Introducción y Recapitulación de Conceptos Básicos (2 horas) 

Teoría: 

• Revisión de conceptos fundamentales: distribuciones de probabilidad, p-value, pruebas de hipótesis 
• Estadística descriptiva vs. estadística inferencial. 

Práctica: 

• Resolución de ejercicios prácticos utilizando herramientas estadísticas como R  
• Análisis de datos sencillos y técnicas gráficas

Módulo 2: Muestreo y Estimación (2 horas) 

Teoría: 

• Muestreo aleatorio y no aleatorio: métodos de muestreo, errores de muestreo. 
• Estimación puntual y por intervalos: intervalo de confianza, error estándar. 

Práctica: 

• Aplicación de técnicas de muestreo con un dataset real. 
• Cálculo de intervalos de confianza y análisis de su interpretación en contextos reales. 

Módulo 3: Pruebas de Hipótesis (3 horas) 

Teoría: 

• Conceptos clave: Hipótesis nula y alternativa, valor p, error tipo I y tipo II, potencia estadística. 
• Pruebas paramétricas vs. no paramétricas: t-Student, ANOVA, chi-cuadrado. 

Práctica: 

• Ejercicios prácticos de prueba de hipótesis utilizando R  
• Implementación de una prueba t de una muestra y de dos muestras. 
• Análisis de un conjunto de datos para probar hipótesis relevantes. 

Módulo 4: Regresión Lineal y Análisis de la Varianza (ANOVA) (3 horas) 

Teoría: 

• Regresión lineal simple y múltiple: conceptos, interpretación de coeficientes, R². 
• Análisis de la varianza (ANOVA): hipótesis, análisis de varianza de una o más muestras. 

Práctica: 

• Ejercicio práctico de ajuste de modelos de regresión lineales usando datos reales. 
• Interpretación de los resultados y diagnóstico del modelo de regresión. 
• Realización de un análisis ANOVA para comparar medias de varios grupos. 

Módulo 5: Técnicas Avanzadas en Estadística (3 horas) 

Teoría: 

• Métodos de estimación robusta: cuando y cómo usarlos. 
• Técnicas de reducción de dimensionalidad: Análisis de Componentes Principales (PCA). 
• Métodos no paramétricos: pruebas de Wilcoxon, Kruskal-Wallis. 

Práctica: 

• Aplicación de PCA a un conjunto de datos con múltiples variables. 
• Ejercicios con métodos robustos para mejorar la precisión del análisis. 
• Implementación de una prueba no paramétrica en R. 

Módulo 6: Modelos Predictivos y Machine Learning Básico (3 horas) 

Teoría: 

• Introducción al Machine Learning: diferencias entre estadística clásica y machine learning. 
• Modelos predictivos: regresión logística, árboles de decisión. 
• Validación de modelos: sobreajuste, validación cruzada, métricas de rendimiento. 

Práctica: 

• Implementación de un modelo predictivo usando Regresión Logística. 
• Análisis de la precisión del modelo mediante validación cruzada. 
• Aplicación de árboles de decisión y análisis de su desempeño.

Módulo 7: Visualización de Datos y Comunicación de Resultados (2 horas) 

Teoría: 

• Principios de visualización efectiva: cómo contar historias con datos. 
• Herramientas y técnicas: gráficos en R. 

Práctica: 

• Creación de gráficos interactivos y estáticos para presentar los resultados de los análisis anteriores. 
• Preparación de un informe visual que combine estadísticas descriptivas y resultados de regresión. 

Módulo 8: Proyecto Final y Conclusiones (2 horas) 

Práctica: 

• Proyecto integrador: Los participantes trabajarán en pequeños grupos para analizar un dataset real utilizando las técnicas aprendidas durante el curso. El objetivo es resolver una pregunta de negocio o realizar un análisis detallado de un problema real. 
• Presentación de los resultados y discusión de los enfoques utilizados.

Profesores

Condiciones

Eventualmente la Universidad puede verse obligada, por causas de fuerza mayor a cambiar sus profesores o cancelar el programa. En este caso el participante podrá optar por la devolución de su dinero o reinvertirlo en otro curso de Educación Continua que se ofrezca en ese momento, asumiendo la diferencia si la hubiere.

La apertura y desarrollo del programa estará sujeto al número de inscritos. El Departamento/Facultad (Unidad académica que ofrece el curso) de la Universidad de los Andes se reserva el derecho de admisión dependiendo del perfil académico de los aspirantes.

Relacionados

• Ingeniería Biomédica