El curso especializado "Introducción al Análisis Estadístico", meticulosamente diseñado para explorar los principios fundamentales y avanzados de la estadística, aprovechando la versatilidad de Python y sus bibliotecas especializadas. Este programa de formación aborda desde los conceptos básicos de la estadística descriptiva hasta las complejidades de la inferencia estadística y el modelado, proporcionando a los participantes una comprensión integral de las técnicas clave necesarias para abordar problemas analíticos.
El curso no solo se centra en el aspecto técnico de la programación en Python, sino que profundiza en la aplicación de este lenguaje junto con bibliotecas como NumPy, Pandas y Matplotlib en el análisis exploratorio de datos, la visualización detallada y la creación de modelos predictivos. A lo largo de las sesiones, los participantes serán guiados en la comprensión de distribuciones, medidas de tendencia central, dispersión, así como en la aplicación de pruebas estadísticas cruciales. Este programa representa no solo una oportunidad para mejorar las competencias técnicas, sino también un paso significativo hacia la maestría en el análisis estadístico, capacitando a los profesionales para traducir datos complejos en decisiones informadas. Únanse a esta experiencia educativa que potenciará sus habilidades y enriquecerá su perspectiva en el fascinante mundo del análisis estadístico con Python y sus bibliotecas especializadas.
Dirigido a
Dirigido a todas las personas interesadas en aprender programación en Python aplicado a análisis estadístico de datos. Es indispensable que el estudiante esté familiarizado con los conceptos básicos de Python y principios de algoritmia.
Objetivos
Al finalizar el curso, se espera que el estudiante esté en capacidad de:
- Contar con las habilidades para trabajar con Python en análisis de datos.
- Limpiar y transformar datos utilizando bibliotecas especializadas como NumPy y Pandas.
- Crear visualizaciones impactantes con Matplotlib para comunicar patrones en los datos.
- Realizar análisis exploratorio completo para comprender la estructura de los conjuntos de datos.
- Aplicar métodos inferenciales y realización de pruebas estadísticas para conclusiones respaldadas por datos.
- Construir y evaluar modelos básicos para predicciones y toma de decisiones basadas en datos cuantitativos.
Metodología
Clases magistrales con componente práctico. El curso tiene un sitio oficial en la plataforma virtual Bloque Neón donde se publicará toda la información pertinente. Es responsabilidad del estudiante consultar regularmente el sitio mencionado.
Con base en la metodología utilizada en los cursos ofertados por la Dirección de Educación Continuada (EDCO), no se permite realizar cambios de estudiantes una vez iniciada la primera sesión.
Contenido
Introducción a Python
Bienvenida y presentación del curso. Introducción a Python y su entorno de desarrollo. Tipos de datos y estructuras en Python.
Estadística básica
Operaciones matemáticas y funciones básicas en Python. Inicio a la estadística descriptiva. Utilización de NumPy y Pandas para manipulación de datos.
Visualización de datos
Iniciación a la visualización de datos. Gráficos de dispersión y correlación.
Visualización de datos
Gráficos de barras e histogramas. Exploración de gráficos de caja y bigotes (boxplots). Personalización y mejora de la visualización de gráficos.
Conceptos de probabilidad y distribuciones estadísticas
Conceptos básicos de probabilidad. Distribuciones de probabilidad: normal, binomial y Poisson.
Conceptos de probabilidad y distribuciones estadísticas
Uso de la biblioteca SciPy para cálculos de probabilidad. Muestreo y distribuciones de muestras. Aplicación del teorema del límite central.
Estadística inferencial
Conceptos de estadística inferencial. Intervalos de confianza y su interpretación.
Estadística inferencial
Pruebas de hipótesis: conceptos y pasos. Pruebas t de Student y ANOVA. Introducción a la regresión lineal simple y correlación.
Análisis avanzado y herramientas específicas
Análisis de regresión múltiple.
Clustering y segmentación
Métodos de clustering y segmentación.
Análisis de Series Temporales
Análisis de Series Temporales. Aprendizaje automático
Introducción al aprendizaje automático en Python. Utilización de bibliotecas como Scikit-Learn para análisis avanzados.
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.
