Curso de Análisis de correlación y regresión lineal con R

Duración

6 semanas

Precio

390€

Inicio

15 de Mayo de 2021

Matrícula

Solicita información

Descripción del curso

Conviértete en un experto en modelado de datos.

Un curso práctico con el que aprenderás a evaluar y modelar las relaciones entre variables y utilizar estos modelos para predecir, todo con R Software y RStudio.

A través de ejemplos prácticos, crearás gráficos de alta calidad, resumirás estadísticamente las relaciones, y ajustarás modelos de regresión lineal para múltiples variables.

• Inicio: consulta el calendario de convocatorias
• Duración: 6 semanas
• Metodología: 100% on-line
• Enfoque práctico: Learn by doing
• Plazas: limitadas

Destinatarios

Este curso práctico está orientado a investigadores y profesionales del análisis de datos interesados en comprender y aplicar a datos reales complejos análisis de correlación y modelos de regresión lineal.

Competencias

Competencias avanzadas y aplicables a tu día a día profesional.

Al finalizar el curso serás capaz de:

• • Realizar de manera efectiva análisis de relaciones: correlaciones y regresiones lineales que apoyarán la toma de decisiones en tu organización o investigación.
  • Maximizar tu interpretación, comprensión y comunicación de los resultados: obtén el máximo partido a tus datos.
    
  • Evaluar con confianza tu investigación y la de otros: identificar posibles problemas o limitaciones, juzgar la confiabilidad, la validez y la generalización de los resultados.
    
  • Dominar el lenguaje estadístico de R Software y RStudio: una de las competencias profesionales más demandadas en el mercado laboral de la Ciencia de Datos.
    

Metodología e-learning

Con enfoque Learn by doing «aprende haciendo»

El Curso de Análisis de correlación y regresión lineal con R es una formación práctica, intensiva y especializada impartida con metodología 100% on-line:

• Tutorización personalizada
  Con el apoyo individualizado de un docente experto comprometido con tu aprendizaje.
• Enfoque Learn by doing
  Pon en práctica los nuevos conocimientos analizando casos reales desarrollados completamente en torno a R Software.
• A tu ritmo
  Aprende cuándo y dónde quieras, marca tu propio ritmo de aprendizaje, sin fechas ni plazos de entrega.
• Contenidos de calidad
  Evoluciona paso a paso con materiales didácticos, actualizados y prácticos aplicables a tus proyectos profesionales.
• Evaluación continua
  Basada en la comprensión de los conceptos y en la capacidad técnica para resolver los ejercicios propuestos. Con certificado de finalización.
  

Requisitos de acceso

• Curso especializado

Para un mejor aprovechamiento es interesante contar con conocimientos básicos sobre Estadística, R Software y RStudio.

Si necesitas iniciarte en el manejo de esta herramienta, te recomendamos el Curso de Introducción al Data Science con R

• Reserva tu plaza on-line

Consulta el inicio de las próximas convocatorias en el calendario 2021.

Programa de contenidos

El Curso de Análisis de correlación y regresión lineal con R se divide en tres bloques temáticos:

TEMA 1 | Correlación simple y parcial

Cuantificar el grado de asociación entre dos o más variables.

• ¿Cómo medir las relaciones?
• Correlación simple: paramétrica y no paramétrica.
• Correlación parcial.
• Prueba de hipótesis para la correlación.
• Estimación de la potencia y tamaño de muestra.
• Correlación y causalidad.
• Asociaciones fortuitas.
• Factores de confusión.
• Cómo interpretar e informar los resultados.

TEMA 2 | Regresión lineal simple

Evaluar la relación lineal entre dos variables.

• Introducción al análisis de regresión.
• Supuestos del modelo lineal.
• Bondad de ajuste.
• Interpretación de los parámetros.
• Diagnóstico y validación.
• Identificación de outliers y valores influyentes.
• Predicción y estimación.
• Estimación de la potencia y tamaño de muestra.
• Cómo interpretar e informar los resultados.

TEMA 3 | Regresión lineal múltiple

Evaluar la relación lineal entre una variable respuesta y otras variables explicativas.

• Métodos de selección y comparación de modelos.
• Bondad de ajuste.
• Importancia relativa de las variables explicativas.
• Interpretación de la interacción entre variables explicativas.
• Diagnóstico y validación. Multicolinealidad.
• Estimación de la potencia y tamaño de muestra.
• Predicción y estimación.
• Cómo interpretar e informar los resultados.
• Estrategias para construir modelos más avanzados.