Máster en Estadística Aplicada para Data Science con R Software XVI EDICIÓN – MARZO/ABRIL 2023

Plan de estudios

Contenidos propios, campus virtual accesible las 24 horas y 100% en español

Módulo I

Módulo II

¿Qué aprenderás en los módulo I y II?

• 

  Conocer la caja de herramientas del científico de datos: el lenguaje de R Software y sus herramientas de gestión y manipulación de datos RStudio y RMarkdown.

• 

  Manejar datos complejos: muestras de pequeño tamaño, presencia de datos atípicos (outliers), el incumplimiento de los supuestos de la estadística clásica (independencia, normalidad, linealidad y homogeneidad de varianza).

• 

  Aplicar técnicas de estadística descriptiva clásica y robusta, para obtener resultados fiables ante la presencia de outliers.

• 

  Generar gráficos potentes y eficaces para resumir los principales patrones de datos. • Identificar relaciones espurias o de confusión entre variables.

• 

  Modelar y predecir la relación entre variables mediante modelo de regresión lineal. • Seleccionar predictores y evaluar su importancia relativa.

• 

  Seleccionar y aplicar pruebas de hipótesis (paramétricas, no paramétricas y robustas) para evaluar las preguntas de tus investigaciones.

• 

  Elegir la técnica más adecuada para sacar el máximo partido a tus datos en cada caso. • Informar de tus resultados con el mayor rigor estadístico.

• 

  Detectar el alcance de tus resultados en función del tamaño del efecto y calcular de forma efectiva el tamaño de la muestra que necesitas.

• 

  Comprender la potencia estadística de tus análisis para obtener resultados certeros.

• 

  Diseñar modelos experimentales óptimos para responder a tus preguntas de investigación (diseño completamente aleatorizado, diseño con bloques aleatorizados, diseño factorial, etc.).

• 

  Aumentar la capacidad de detectar cambios significativos.

Módulo III

¿Qué aprenderás en el módulo III?

• 

  Aplicar técnicas avanzadas de modelado para predecir comportamientos: modelos aditivos generalizados (GAM), modelos lineales generalizados (GLM, de Poisson, binomiales negativos y logísticos), modelos mixtos (MM), y sus combinaciones.

• 

  Dominar los modelos mixtos para modelar varianzas no constantes, efectos aleatorios y datos correlacionados o anidados.

• 

  Utilizar herramientas de Data Mining y Machine Learning. • Manejar conjuntos de datos con muchas variables (multivariantes o multidimensionales), visualizar patrones ocultos y descubrir relaciones potencialmente predictivas. • Evitar los problemas derivados de aproximaciones univariantes.

• 

  Utilizar información sobre la relación entre las variables para reflejar adecuadamente la complejidad de los datos, comprender su estructura y características claves. • Solucionar los problemas derivados de los análisis univariantes, identificar las variables que más contribuyen a la variación de los datos, aislar o combinar variables, resumir la redundancia, y visualizarlas en su conjunto.

• 

  Clasificar, ordenar, discriminar y comparar datos multivariantes.

• 

  Dominar las técnicas fundamentales de aprendizaje no supervisado: métodos de agrupación y reducción de dimensión.

• 

  Dominar los métodos de agrupación automática no supervisada: análisis clúster.

• 

  Dominar los métodos de clasificación supervisada: análisis de discriminación lineal (LDA).

• 

  Evaluar si existen diferencias significativas entre grupos para un conjunto de variables respuesta (MANOVA, ANOSIM, ADONIS, MRPP, MANTEL).

• 

  Aplicar técnicas de ordenación y reducción de la dimensión de los datos: análisis de componentes principales (PCA), análisis de correspondencia (CA) y escalamiento multidimensional (MDS/NMDS).

Trabajo Fin de Máster Estadística Aplicada a Datascience con R Software

Trabajo de Fin de Máster (TFM)
Una vez aprobado el temario del Máster deberás realizar un TFM en el que aplicarás en la práctica las técnicas abordadas en el Máster.

El TFM es una oportunidad excelente para demostrar que cuentas con habilidades avanzadas en adquisición, preparación, visualización, programación, modelado, evaluación e interpretación de datos para afrontar proyectos de Estadística Aplicada y Ciencia de Datos.

Descarga el plan de estudios

Afronta con seguridad, confianza y rigor científico cualquier reto estadístico y desarrolla competencias prácticas avanzadas para solucionar los problemas reales que surgen con el análisis, la manipulación y la representación gráfica de los datos en tu actividad profesional.

Competencias

Con aplicación directa a tu día a día profesional

Enfoque práctico

La práctica hace al maestro

Destinatarios

Profesionales del análisis de datos interesados en afrontar cualquier reto estadístico con seguridad, rigor y precisión con independencia del tipo, el volumen de datos y la complejidad del proyecto.