Curso avanzado de estadística no paramétrica con R y Python

Métodos de estadistica inferencial no paramétrica: Mann-Whitney, Kruskall-Wallis, Wilcoxon, Friedman, Levene, Spearman.

4.55 (129 reviews)
Udemy
platform
Español
language
Math
category
1,541
students
7.5 hours
content
Mar 2024
last update
$69.99
regular price

What you will learn

Introducción al mundo de la estadística no paramétrica.

Diferencia entre estadística paramétrica y no paramétrica.

¿Qué hacer cuando no se cumplen los supuestos paramétricos?

¿Qué modelos usar en la práctica según nuestro problema?

Instrucciones paso a paso para usar las pruebas no paramétricas.

Mann-Whitney, Kruskal-Wallis, Wilcoxon, Friedman, Spearman, etc.

Implementación de los análisis y códigos en R y Python.

Estudio de datos médicos de extracción de tejido cancerígeno.

Estudio de valoración de jueces en una cata de vinos.

Estudio de eficacia de medicamentos en pacientes.

Muchos más ejemplos de datos reales para practicar.

Cómo crear informes de resultados de alta calidad.

Cómo explicar los resultados estadísticos numéricos y visuales.

Description

Bienvenido al Curso avanzado de estadística no paramétrica con R y Python, donde aprenderás todo lo que necesitas para analizar datos, contrastar hipótesis, hacer comparaciones de grupos y mucho más, con los métodos no paramétricos de Estadística, tanto en R como en Python, los dos lenguajes de programación más utilizados de todo el mundo para el análisis de datos, y dos habilidades muy solicitadas por las empresas en las ofertas de trabajo de LinkedIn.

El curso proporciona mucho material práctico, tendrás todo el código fuente desde el minuto cero, plantillas de código para utilizar en tus propios análisis, y muchas horas de vídeo de alta calidad con todas las explicaciones necesarias para convertirte en un analista de datos top.

Muchas de las investigaciones cuantitativas en la rama de negocios, medicina o tecnología, utilizan variables de tipo cualitativo o categórico; sin embargo, estos datos no siempre cumplen con los requerimientos básicos de la estadística paramétrica. Por eso, como alternativa, existe la estadística no paramétrica, que permite realizar el análisis de los datos cualitativos o categóricos con mayor flexibilidad y consistencia. Como veremos durante el curso, la estadística no paramétrica tiene también un valor añadido, y es que sus pruebas y modelos estadísticos se pueden aplicar cuando la distribución subyacente no se ajusta a los llamados criterios paramétricos. Esto último se refiere a que muchas veces aplicamos métodos paramétricos sin saber que ellos asumen que la distribución de nuestros datos es Normal, y nada puede estar más lejos de la realidad, porque en la práctica no siempre nuestros datos van a cumplir con estas condiciones "perfectas".

Las principales pruebas no paramétricas y que veremos durante el curso son las siguientes:

  • Prueba de Anderson-Darling

  • Prueba de Shapiro-Wilks

  • Prueba de Levene

  • Prueba de Mann-Whitney

  • Prueba de Kruskal-Wallis

  • Prueba de los rangos con signo de Wilcoxon

  • Prueba de Friedman

  • Coeficiente de correlación no paramétrico de Spearman

Ejemplos de aplicaciones y finalidad de los métodos no paramétricos:

  1. Estudiar poblaciones que toman un orden de clasificación como críticas de películas que reciben de una a cinco estrellas.

  2. Para comparar grupos independientes, por ejemplo, qué herramienta de cirugía funciona mejor extrayendo tejido cancerígeno.

  3. Para comparar grupos relacionados, por ejemplo, verificar si han aumentado o disminuido significativamente los ingresos en un complejo comercial de varias tiendas.

Como los métodos no paramétricos hacen menos suposiciones, su aplicabilidad es mucho más amplia que la de los métodos paramétricos correspondientes. En particular, pueden aplicarse en situaciones en las que se sabe menos sobre la aplicación en cuestión. Además, debido a la dependencia de menos supuestos, los métodos no paramétricos son más robustos.

Otra justificación para el uso de métodos no paramétricos es la simplicidad. En ciertos casos, incluso cuando se justifica el uso de métodos paramétricos, los métodos no paramétricos pueden ser más fáciles de usar. Debido tanto a esta simplicidad como a su mayor robustez, algunos estadísticos consideran que los métodos no paramétricos dejan menos espacio para un uso inadecuado y malentendidos.

La aplicabilidad más amplia y la mayor robustez de las pruebas no paramétricas tienen un costo: en los casos en que una prueba paramétrica sería apropiada, las pruebas no paramétricas tienen menos potencia. En otras palabras, se puede requerir un tamaño de muestra mayor para sacar conclusiones con el mismo grado de confianza. Por eso es importante saber:

  1. ¿Qué suposiciones asumen los métodos paramétricos?

  2. ¿Cómo verificar si nuestros datos cumplen o no estas suposiciones?

  3. ¿Qué hacer en caso de que no las cumplan?

  4. Según nuestro objetivo, ¿qué método utilizar en la práctica?

  5. ¿Cómo redactar un buen informe con los resultados bien explicados (tanto numéricos como visuales)?

En este curso le daremos respuesta a todas estas preguntas. Así que tanto si eres un estudiante o un ingeniero, que quiere ampliar sus conocimientos básicos de Estadística; como si te interesa el mundo del Machine Learning y el Análisis de datos, y quieres tener una visión global de lo que sucede cuando no son tan perfectos los datos en la práctica; este es el sitio ideal para ti, vamos a cubrir todos los aspectos, y lo más importante tendrás mucho material práctico, tendrás todo el código fuente desde el minuto cero, plantillas de código tanto en R como en Python, para utilizar en tus propios análisis en la práctica. Muchas horas de vídeo de alta calidad con todas las explicaciones necesarias. Además tendrás acceso a un grupo privado para dudas para que no te sientas solo, donde puedes preguntar tus dudas y colaborar con las de los demás estudiantes. Y por supuesto material complementario a las clases, ejercicios y tareas para que puedas practicar por tu cuenta y poder convertirte en un analista de datos top, con experiencia en estadística no paramétrica.

¿Te apuntas?

¡Nos vemos en clase!

Content

Bienvenido al curso

Introducción al curso
Requisitos del curso
No valores el curso hasta completar más clases
Material del curso para descargar en Github
Cómo abrir los notebooks de Python en Google Colab
Cómo abrir los datasets y los scripts en RStudio
Acceso a la comunidad privada de estudiantes
Ruta de aprendizaje y todos los cursos en descuento en Aprende con Eli

Conceptos básicos

Población, muestra y variable aleatoria
Estadística descriptiva
Estimadores muestrales
Distribución Normal
Distribución t-student y chi-cuadrado
Distribución de los estimadores
Intervalos de confianza, contrastes de hipótesis y p-valor

Introducción a la estadística no paramétrica

Introducción a la estadística no paramétrica
Ejercicios sobre estadística no paramétrica
Análisis de distribuciones
Análisis de distribuciones en Python
Análisis de distribuciones en grupos en Python
Homogeneidad de varianzas: Levene Test
Ejercicios Homogeneidad de varianzas
Homogeneidad de varianzas Levene Test en Python
Análisis de distribuciones en R
Análisis de distribuciones en grupos en R
Homogeneidad de varianzas Levene Test en R

Mann-Whitney: 2 grupos independientes

Prueba de Mann-Whitney
Mann-Whitney Ejemplo 1 Python
Mann-Whitney Ejemplo 2 Python
Mann-Whitney Ejemplo 3 R
Mann-Whitney Ejemplo 4 R

Kruskall-Wallis: 3 o más grupos independientes

Prueba de Kruskall-Wallis
Kruskall-Wallis: Ejemplo de drogas en Python
Kruskall-Wallis: Ejemplo de drogas en R

Wilcoxon: 2 grupos relacionados

Prueba de Wilcoxon
Wilcoxon: Ejemplo Python
Wilcoxon: Ejemplo R

Friedman: 3 o más grupos relacionados

Prueba de Friedman
Friedman: Ejemplo Python
Friedman: Ejemplo R

Correlación no paramétrica de Spearman

Coeficiente de correlación rho de Spearman
Spearman: Ejemplo 1 Python
Spearman: Ejemplo 2 Python
Spearman: Ejemplo 3 R
Spearman: Ejemplo 4 R

Gráficos no paramétricos

Boxplot
Boxplots en Python
Boxplots en R

Tarea para practicar lo aprendido

Bonus

Bonus: Un regalo para ti

Screenshots

Curso avanzado de estadística no paramétrica con R y Python - Screenshot_01Curso avanzado de estadística no paramétrica con R y Python - Screenshot_02Curso avanzado de estadística no paramétrica con R y Python - Screenshot_03Curso avanzado de estadística no paramétrica con R y Python - Screenshot_04

Reviews

Ronald
August 12, 2023
Aprendi bastante en el curso pero creo que es mejorable la explicación de los diseños con medidas repetidas o muestras dependientes. Luego de ver la mayoria de videos creo que se enfoca mas en A/B testing no parametrico pero el curso no termina siendo tan avanzado ya que no se abordan temas como regresión no parametrica, densidad kernel, y otras variantes de los metodos estadisticos explicados.
Marina
May 18, 2023
El curso ha sido mejor de lo que me esperaba. La verdad es que estos temas les tenía muy perdidos, pero Eli ha sabido resumir y transmitir las nociones necesarias para entenderlo sin problemas. Además de cada apartado hay los suficientes ejemplos para implementarlos en python y r.
Juan
January 7, 2023
Buenas explicaciones conceptuales y prácticas sencillas de realizar. Proporciona material documentado.
Ariel
July 23, 2022
Me ha parecido bien organizado, conceptos claros y fundamentados. Viene con un par de esquemas en PDF con lo básico para recordar los casos de uso.
Paulino
July 6, 2022
Buena elección. Este curso completa los test posibles que se pueden hacer a datos y enseña los criterios para elegir unos u otros.
Angel
May 12, 2022
El curso es bastante novedoso para mí ya que trata un tema que no había abordado en profundidad, ahora requiero aplicar lo aprendido para reforzar los contenidos, me interesa sobre todo el anáisis que se puede aplicar a variables cualitativas. Considero que si no has recibido capacitación sobre este tema te será de gran utilidad adquirirlo.
Jesús
February 15, 2022
Considero que el curso fue muy bueno, la teoría muy bien explicada, además desempolvé varios conocimientos que ví en la licenciatura sobre métodos no paramétricos. No le pongo 5, ya que creo que faltaron más cuestionarios o tareas, esto con el fin de reforzar en cada sección lo que iba aprendiendo. Muchas gracias.
Alejandro
September 8, 2021
Excelente curso, ya que se explican muy bien los conceptos teoricos y algunas demostraciones matematicas.
Andrés
August 25, 2021
Muy buen curso! explicaciones claras y sencillas. Lo único que agregaría serían las pruebas que corrigen cuando las varianzas no son iguales
Luis
June 7, 2021
Todo muy bien explicado me encanto como explicas primero teórico luego en Python y luego en R, eso me encanto, lo único que no me gusto partes del código en Python están ingles y en r español estaría genial en un solo idioma jejeje, una recomendación para visual aparte de usar ggplot usar plotly hace los graficos interactivos y mas facil de analizar.
Christian
January 27, 2021
Excelente, explica muy bien ciertos errores cometidos como omitir la normalidad de los residuos, incluyen los códigos para poder practicar con R o Python
Eduardo
December 3, 2020
Creo que el curso en general fue muy decepcionante, hablan muy someramente de la estadística no paramétrica y realiza ejemplos muy básicos. Algo que es primordial enseñar es ver la opción de normalizar los residuos, sin embargo, no es abordado, solo lo comenta. Otro punto es que siempre te quiere vender sus cursos, y a la larga es molesto, compré el curso para aprender un poco más, no para que en cada video este vendiendo su programa. En resumen, poco interesante y muy decepcionante.
Daniel
November 16, 2020
Da una panorámica muy útil mediante el tratamiento de conceptos estadísticos que resulta bastante apropiado para ir avanzando en nivel de complejidad durante el análisis de los datos.
Verónica
September 6, 2020
El curso está dividido en secciones que introducen la teoría y otras más prácticas de análisis de datos con python, donde se muestran notebooks explicados con mucho detalle relacionados a los conceptos anteriores. La profesora explica bien y logra un buen equilibro entre las definiciones más formales y su puesta en práctica. Recomendado.
Jully
September 4, 2020
Este curso es una herramienta fundamental para un proyecto organizacional en el que estoy, mis expectativas son aprender y aplicar cada conocimiento, quiero tambien compartirlo y sacarle mucho provecho. He avanzado en muchos conceptos técnicos y pruebas que no conocía.

Coupons

DateDiscountStatus
9/1/202095% OFF
expired
4/6/202195% OFF
expired
6/10/202195% OFF
expired
9/9/202195% OFF
expired
10/13/202195% OFF
expired
11/11/202195% OFF
expired
11/15/202195% OFF
expired
12/21/202195% OFF
expired
2/11/202295% OFF
expired
6/6/202295% OFF
expired
7/11/202288% OFF
expired
12/20/202288% OFF
expired
3/10/202388% OFF
expired
5/26/202386% OFF
expired
6/15/202386% OFF
expired
10/14/202386% OFF
expired

Charts

Price

Curso avanzado de estadística no paramétrica con R y Python - Price chart

Rating

Curso avanzado de estadística no paramétrica con R y Python - Ratings chart

Enrollment distribution

Curso avanzado de estadística no paramétrica con R y Python - Distribution chart
3418522
udemy ID
8/14/2020
course created date
8/31/2020
course indexed date
Bot
course submited by