Probabilidad y estadística para la ciencia de datos
La utilización de herramientas de probabilidad, estadística y programación es fundamental para la toma de decisiones a partir de los datos. Actualmente, la demanda de personal calificado en estas áreas ha venido creciendo en las empresas y organizaciones.
El propósito general de esta Microcredencial es proporcionar a los estudiantes los fundamentos sólidos de probabilidad, estadística y programación requeridos para analizar datos y tomar las mejores decisiones informadas para sus empresas, universidades y organizaciones. Al completar este programa, los estudiantes estarán preparados con las habilidades y el conocimiento necesarios para analizar datos, descubrir patrones y tendencias, aplicar sus hallazgos para mejorar los procesos y apoyar la toma de decisiones.
La Microcredencial tiene una duración total de 48 horas distribuidas en 36 horas de trabajo sincrónico (24 horas magistrales y 12 horas complementarias) y 12 horas de trabajo autónomo del estudiante. El tiempo de trabajo autónomo está contemplado para el estudio de recursos educativos digitales y la realización de talleres y demás actividades relacionadas con la Microcredencial; estos tiempos serán gerenciados por los estudiantes y sus equipos de trabajo. Para mayor referencia, consulte Metodología.
Conoce más sobre las macrocredenciales y microcredenciales Uniandes aquí.
Competencia
Al finalizar esta Microcredencial, los estudiantes estarán en capacidad de aplicar las herramientas de probabilidad, estadística y programación en Python para extraer y analizar información relevante de bases de datos orientadas a las empresas y organizaciones.
El estudiante que apruebe esta Microcredencial podrá obtener una insignia digital que es una representación digital que se puede mostrar, acceder y verificar en línea. Incluye metadatos que brindan información detallada sobre la certificación que se otorga y que puede publicarse en redes sociales, plataformas profesionales de reclutamiento y empleos.
Esta Microcredencial no es homologable con ningún programa regular de la Universidad de los Andes.
Conoce la insignia digital que recibirás por aprobar esta microcredencial aquí.
Dirigido a
Esta Microcredencial está dirigida a profesionales que deseen iniciar una formación robusta en el análisis estadístico de datos y el manejo de grandes volúmenes de información. Estas habilidades son de vital importancia para aquellos que desean aplicar la analítica de datos en empresas y organizaciones. El entorno de aprendizaje se caracteriza por su enfoque interdisciplinario e incluye campos de aplicación en administración, ingeniería, finanzas y ciencias. La Microcredencial también está abierta a estudiantes de pregrado y posgrado de diversos campos que hayan completado el ciclo básico de matemáticas (cálculo diferencial e integral).
Requisitos: Se requieren conocimientos básicos de programación.
Esta Microcredencial no es homologable con ningún programa regular de la Universidad de los Andes.
Objetivos
1. Aplicar elementos fundamentales del lenguaje Python (bucles, funciones y arreglos) y librerías fundamentales de Matplolib y Numpy para el diseño y ejecución de programas básicos.
2. Realizar el cálculo de diferentes estimadores estadísticos usando distribuciones de probabilidad conjunta y hacer regresión lineal usando el método de mínimos cuadrados.
3. Realizar muestreo y estimación de parámetros usando la función de distribución posterior con el método de máxima verosimilitud y el método de Metrópolis-Hastings.
Metodología
Cada semana hay dos sesiones magistrales de dos horas y una sesión complementaria de 2 horas. La metodología de la Microcredencial se basa en aprendizaje por indagación y resolución de problemas. En cada sesión de la clase magistral se presenta la temática y se realizan ejemplos. Posteriormente, cada estudiante trabaja en uno o dos problemas individuales y se hace una discusión abierta alrededor de estos problemas. Al finalizar cada módulo, se asigna un taller en la clase magistral para desarrollo asincrónico. En la sesión complementaria se realizan 2 horas de trabajo individual guiado por el profesor, en donde se resuelven dudas sobre el taller asignado. La evaluación del curso se realiza promediando los 6 talleres semanales. Antes de cada sesión sincrónica, se invita a los estudiantes a explorar problemas o materiales que servirán de base para solucionar los problemas calificables.
La Microcredencial tiene una duración total de 48 horas distribuidas en 36 horas de trabajo sincrónico (24 horas magistrales y 12 horas complementarias) y 12 horas de trabajo autónomo del estudiante. El tiempo de trabajo autónomo está contemplado para el estudio de recursos educativos digitales y la realización de talleres y demás actividades relacionadas con la Microcredencial; estos tiempos serán gerenciados por los estudiantes y sus equipos de trabajo.
Sistema de evaluación
El estudiante desarrollará de forma individual un (1) taller en cada módulo, los cuales tendrán una participación cada uno del 16,66% (total 6 talleres).
Contenido
Módulo 1
- Presentación del curso e instalación del software.
- Introducción a la sintaxis básica de Python. - Tipado de variables, operadores, operadores de comparación.
- Funciones y funciones anónimas.
- Estructura de datos: listas, tuplas y diccionarios.
- Condicionales y operadores de comparación.
- Bucles: for y while.
- Continue, pass, else, break.
- Lectura y escritura de archivos de texto plano usando Numpy.
Módulo 2
- Definición de probabilidad y su interpretación frecuentista.
- Generación de números aleatorios discretos.
- Distribuciones de probabilidad discreta: bernoulli, binomial, poisson.
- Ejemplos aplicados: modelo de conteo de la radiación cósmica de fondo.
- Definición de media y varianza.
- Generación de números aleatorios continuas.
- Distribución de probabilidad continua: exponencial, gaussiana, chi cuadrado.
- Ideas del teorema de límite central.
- Ejemplos aplicados.
Módulo 3
- Teoría fundamental del muestreo.
- Muestreo aleatorio simple, estratificado y sistemático de una población.
- Series de tiempo, media móvil simple y pesada. Optimización usando Scipy.optimize.
- Probabilidad condicional y total. Teorema de Bayes.
- Ejemplo de aplicación.
- Distribución de probabilidad en varias variables.
- Marginalización.
- Valores esperados.
- Varianza y covarianza.
Módulo 4
- Gaussianas multivariadas.
- Valores esperados y covarianza.
- Coeficiente de ρ de Pearson y ρ de Spearman.
- Introducción a Principal Component Analysis (PCA).
- Regresión Lineal.
- Mínimos cuadrados matriciales.
- Mínimos cuadrados usando χ2. Paquete Scipy.optimize.
- Regresiones no lineales. Regresión logística.
- Ejemplos de aplicación.
Módulo 5
- Estimación de parámetros.
- Visualización de la función de verosimilitud.
- Método de máxima verosimilitud L(θ).
- Cadenas de Markov.
- Teorema de limite central.
- Método de remuestreo (bootstrapping) aplicado a regresiones.
- Algoritmo de Metropolis-Hastings para estimación de parámetros.
- Metropolis-Hastings para muestreo.
Módulo 6
- Definición de una hipótesis paramétricas y proceso de inferencia.
- Errores de tipo-I y tipo-II.
- Significancia estadística de una observación.
- Definición del p-valor (p-value) y su correcta interpretación.
- Cálculo de valores críticos para el caso normal y χ2.
- Media y proporción.
- Diferencia de medias y proporciones.
- Estimación de la varianza poblacional.
- Lema de Neyman-Pearson.
- Comparación de modelos.
- Pruebas de hipótesis no paramétricas.
- Coeficiente de correlación para datos nominales 2 × 2, coeficiente φ.
- T de Wilcoxon.
- Prueba U de Mann Whitney.
- Varianza en dos direcciones por rangos de Friedman.
Profesores
Manuel Alejandro Segura Delgado
Diego Hernando Useche Reyes
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.
