PROGRAMA
-
1.Análisis de Componentes Principales
-Introducción
-Determinación de las Componentes Principales
-Contribución de cada Componente Principal a la variabilidad total
-Componentes Principales Muestrales
-Estandarización
-Cálculo con R
-Elección del número de Componentes Principales
-Reducción en el número de variables
-Componentes Principales para datos bidimensionales. Representaciones gráficas
-Scores
-Componentes Principales como transformaciones lineales ortogonales
-Detección de observaciones anómalas en datos multivariantes
-El biplot
-Determinación de clusters
-En búsqueda de la Proyección Óptima (Projection Pursuit)
-Referencias y Problemas Resueltos2. Análisis de Correspondencias
-Introducción
-Análisis de Correspondencias bidimensional
-Cálculo con R
-Dimensión de las coordenadas
-Análisis de Correspondencias múltiple
-Cálculo con R
-Referencias y Problemas Resueltos3. Escalado Multidimensional
-Introducción
-Escalado Multidimensional Clásico: Métrico Euclídeo y no Euclídeo
-Reconstrucción de la matriz de datos a partir de la matriz de distancias
-Matriz de proximidades Euclídea y no Euclídea
-Cálculo con R
-Escalado Multidimensional no Métrico
-Referencias y Problemas Resueltos4. Análisis de Conglomerados (clusters)
-Introducción
-Análisis cluster de casos
-Técnicas jerárquicas aglomerativas de formación de conglomerados
-Distancias y similaridades entre individuos
-Tipos de agrupamiento
-Análisis cluster de variables
-Análisis cluster de bloques
-Métodos de optimización en el análisis cluster: Algoritmo k-medias
-Técnicas inferenciales de formación de conglomerados
-Elección del número de clusters
-Cálculo con R
-Referencias y Problemas Resueltos5. Análisis Discriminante
-Introducción
-Función discriminante lineal de Fisher
-Utilización de probabilidades de priori
-Cálculo con R
-Valoración de la función discriminante
-Función discriminante cuadrática
-Referencias y Problemas Resueltos6. Análisis Factorial
-Introducción
-Modelo del Análisis Factorial
-Estimación de parámetros en el Modelo del Análisis Factorial
-Referencias y Problemas Resueltos7. Modelos Log-lineales
-Introducción
-Independencia condicionada
-Tipos de Independencia
-El modelo log-lineal como modelo lineal general
-Comparación de modelos: Tests condicionales para modelos anidados
-Referencias y Problemas Resueltos8. Regresión Logística
-Introducción
-Estimación y contraste
-Cálculo con R
-El modelo de regresión logística y el modelo log-lineal
-Modelos de regresión Logit y Probit
-Los modelos de regresión Logit y Probit como modelos lineales generalizados
-Referencias y Problemas Resueltos9. Regresión Poisson
-Introducción
-Estimación y contraste
-Cálculo con R
-Bondad del ajuste
-Referencias y Problemas Resueltos10. Regresión no Lineal y Regresión Suavizada
-Introducción
-Modelo de la Regresión no Lineal
-Cálculo con R
-Utilización de la función derivada
-Valores iniciales de los parámetros
-Análisis del modelo ajustado
-Regresión Suavizada
-Regresión Spline
-Cálculo con R
-Referencias y Problemas Resueltos11. Análisis de la Varianza con Medidas Repetidas
-Introducción
-Análisis de la Varianza para un factor y Repetición de una variable
-Fuentes de variación
-Contraste sobre la tendencia de la Repetición
-Análisis de la Varianza para un factor y Repetición de dos variables
-Cálculo con R
-Referencias y Problemas Resueltos12. Análisis de Series Temporales
-Introducción
-Elementos básicos en una Serie Temporal
-Tendencia
-Componente Cíclica
-Movimiento Estacional
-Series temporales estacionarias
-Procesos Autorregresivos de orden p, AR(p)
-Procesos de Medias Móviles de orden q, MA(q)
-Procesos Autorregresivos de Medias Móviles, ARMA(p,q)
-Series temporales no estacionarias
-Procesos Autorregresivos Integrados de Medias Móviles, ARIMA(p,d,q)
-Análisis de una serie temporal
-Identificación del modelo
-Estimación de parámetros
-Diagnosis
-Predicciones
-Cálculo con R
-Referencias y Problemas Resueltos13. Control Estadístico de la Calidad
-Introducción
-Gráfico de control para la media
-Cálculo con R
-Referencias y Problemas Resueltos14. Data Mining
-Introducción y características del Data Mining
-Métodos de Aprendizaje Supervisado y de Aprendizaje no Supervisado
-El Data Mining y la Inferencia Estadística
-Tipos de Estructuras en la Base de Datos
-Data Snooping
-Tareas a realizar en Data Mining
-Componentes de un análisis Data Mining
-Estrategias de manejo de Bases de Datos de gran tamaño
-Procesamiento Analítico Automático (Online Analytical Processing OLAP)
-Almacenamiento de Datos ( DataWarehousing)
-Referencias y Problemas Resueltos15. Análisis Estadístico de Datos Direccionales y Espaciales
-Introducción a los datos direccionales.
-Introducción a los datos espaciales:
- Introducción al QGIS.
-Sistemas de Información Geográfica.
-Aplicaciones de los Sistemas de Información Geográfica.
-Sistemas de Información Geográfica más utilizados.
-Instalación de QGIS.
-Descripción del Área de trabajo.
-Tipos de datos GIS.
-GIS vectorial. Ejemplos.
-GIS raster. Ejemplos.
-Utilización y manejo de QGIS.
-Introducción.
-Incorporación de Tablas de Datos. Ejemplos.
-Selección Espacial. Ejemplos.
-Análisis Espacial de Proximidad. Ejemplos
-Presentación e Impresión. Ejemplos.
-Interacción entre QGIS y R.
-Introducción.
-Configuración de QGIS.
-Ejecución de programas de R a través de QGIS.
-Análisis de Datos Espaciales de tipo discreto. Procesos Puntuales.
-Introducción.
-Datos espaciales y su representación.
-Procesos Puntuales Espaciales.
-Análisis de la distribución espacial.
-Aleatoriedad Espacial Completa (CSR).
-Ajuste de Modelos Espaciales Puntuales.
-Análisis de la densidad espacial.
-Análisis de Datos Espaciales de tipo continuo. Geoestadística.
-Introducción.
-Variograma.
-Utilización de covariables.
-Análisis exploratorio del Variograma.
-Interpolación espacial.
-Análisis de Datos Espaciales agregados o regionales.
-Introducción.
-Entornos y pesos de Áreas.
-Contraste global de autocorrelación espacial: Estadístico I de Moran.
-Contraste local de autocorrelación espacial: Gráfico de dispersión de Moran.
-Ajuste de Modelos.16. Inferencias con Mixturas de distribuciones
-Introducción.
-Estimación de los parámetros.
-Revisión del Análisis Cluster.
-Clasificación de individuos: Comparación del Análisis Discriminante, Análisis de Mixturas, Análisis Cluster y Análisis de Componentes Principales.17. Métodos Estadísticos para Datos de Alta Dimensión
-Introducción
-Regresión Lasso
-Regresión Ridge
-Cálculo con R
-Referencias y Problemas Resueltos18. Modelos de Regresión Poisson cero-inflados
-Introducción
-Modelos de Regresión Poisson cero-inflados
-Formulación y Comparación de modelos
-Cálculo con R
-Referencias y Problemas Resueltos19. Modelos de Efectos Mixtos
-Introducción
-Formulación del Modelo de Efectos Mixtos
-Modelos de Mínimos Cuadrados Generalizados
-Modelos para Datos Anidados
-Modelos para un Factor de Efectos Aleatorios
-Cálculo con R
-Referencias y Problemas Resueltos -
-Introducción-Estimación de la media de una población-Métodos robustos y datos anómalos-Opciones ante la presencia de datos anómalos-Distribuciones contaminadas-Elementos de un análisis de robustez-La función de influencia-Robustez Cuantitativa: El punto de ruptura-Robustez Cualitativa-Referencias y Problemas Resueltos-Introducción-La media alfa-Winsorizada muestral-Cálculo con R-La media alfa-recortada muestral-Varianza de la media alfa-recortada muestral-Cálculo con R-Estimación de cuantiles-Estimador p-cuantil-Cálculo con R-M-estimadores-M-estimadores de localización-Cálculo con R-El M-estimador de localización de Huber y la media alfa-recortada-Estimadores de escala robustos-Comparación de estimadores robustos-Referencias y Problemas Resueltos-Introducción-Intervalos de confianza basados en la media alfa-recortada muestral-Cálculo con R-Intervalo de confianza para la mediana poblacional-Cálculo con R-Contrastes de hipótesis robustos para una muestra-Contrastes de hipótesis relativos a la media alfa-recortada poblacional-Contrastes de hipótesis relativos a la mediana poblacional-Referencias y Problemas resueltos-Introducción-Intervalos y tests basados en medias alfa-recortadas muestrales-Intervalo de confianza para la diferencia de medias recortadas de dos poblaciones independientes-Cálculo con R-Contrastes para la diferencia de medias recortadas de dos poblaciones independientes-Generalización robusta del test de Wilcoxon-Mann-Whitney-Cálculo con R-Datos apareados-Cálculo con R-Referencias y Problemas resueltos-Introducción-Un factor: diseño completamente aleatorizado-Generalización robusta del test de Welch-Cálculo con R-Generalización robusta del test de Box-Cálculo con R-Comparaciones múltiples-Cálculo con R-Dos factores: diseño completamente aleatorizado-Cálculo con R-Generalización robusta del test de Kruskal-Wallis-Cálculo con R-Análisis de la Varianza con Medidas Repetidas-Cálculo con R-Referencias y Problemas resueltos-Introducción-Correlación de porcentaje ajustado-Correlación entre dos variables-Cálculo con R-Correlación entre p variables-Cálculo con R-Correlación Winsorizada-Cálculo con R-Correlación media biponderada-Cálculo con R-Estimadores multivariantes robustos-Función de influencia k-dimensional-M-estimadores multidimensionales-M-estimadores de Goldberg e Iglewicz-Detección de outliers en datos multivariantes: El Relplot-Estimador Elipsoide de Mínimo Volumen-Cálculo con R-Otros métodos relacionados-Análisis de Componentes Principales robusto-Referencias y Problemas resueltos-Introducción-Falta de robustez del estimador de mínimos cuadrados-Estimadores de regresión tipo-Huber-Función de influencia del estimador de regresión de Huber-Cálculo con R-M-estimadores para modelos lineales-Definición de M-estimador para un modelo lineal-Función de influencia del M-estimador para un modelo lineal-M-Regresión óptima-Cálculo con R-Otros estimadores robustos-Regresión media biponderada-Regresión Winsorizada-Cálculo con R-Análisis de la Covarianza Robusto-Cálculo con R-Referencias y Problemas resueltos-Introducción-Estimador jackknife del sesgo-Justificación de la definición-Cálculo con R-Estimador jackknife de la varianza-Cálculo con R-Referencias y Problemas resueltos-Introducción-Notación y conceptos básicos-Estimadores bootstrap del error de muestreo y la varianza-Justificación de los estimadores bootstrap-Estimadores bootstrap del sesgo-Intervalos de confianza bootstrap-Intervalo bootstrap-t-Intervalo percentil-Intervalo de sesgo-corregido y acelerado BCa-Intervalo bootstrap aproximado ABC-Varianza de los estimadores bootstrap-Cálculo con R-Estimaciones bootstrap de la distribución del estimador-Estimaciones bootstrap del sesgo del estimador-Intervalos de confianza bootstrap con una muestra unidimensional-Intervalos de confianza bootstrap con dos muestras unidimensionales-Intervalos de confianza bootstrap con datos apareados-Bootstrap en el Análisis de la Varianza-Bootstrap en el Análisis de la Regresión-Bootstrap en el Análisis de la Covarianza-Referencias y Problemas resueltos
-
29. Tratamiento Informático de los Métodos Estadísticos anteriores con SAS, SPSS y R-Introducción-Tratamiento informático con R.-El Lenguaje, El Editor, Tipos de Datos, Gráficos.-Tratamiento informático de Métodos Clásicos-Tratamiento informático de Métodos Robustos y de Remuestreo-Tratamiento informático con BMDP-Realización y Ejecución de Programas, Gráficos. Navegación-Tratamiento informático de Métodos Clásicos-Tratamiento informático de Métodos Robustos y de Remuestreo-Tratamiento informático con SAS-Estructuras y Navegación. Elaboración y Ejecución de Programas (Sentencias DATA y PROC). Gráficos.-Tratamiento informático de Métodos Clásicos-Tratamiento informático de Métodos Robustos y de Remuestreo-Tratamiento informático con SPSS-El Editor de datos, Ejecución mediante Cuadros de diálogo. Sintaxis, Gráficos.-Tratamiento informático de Métodos Clásicos-Tratamiento informático de Métodos Robustos y de Remuestreo
-
30. Aplicaciones en Arqueología y Paleontología
31. Aplicaciones en Biología y Ciencias Ambientales
32. Aplicaciones en Ciencias de la Salud
33. Aplicaciones en Economía y Ciencias Sociales
34. Aplicaciones en Ingeniería
Los temas anteriores corresponden al Programa Oficial del curso y componen las Unidades Didácticas antes mencionadas. No obstante, si un alumno está interesado en algún otro tema de Estadística (Estadística Descriptiva, Cálculo de Probabilidades, Modelos Probabilísticos, Estimadores Puntuales clásicos, Intervalos de Confianza clásicos, Tests de Hipótesis clásicos, Análisis de la Varianza clásico, Regresión Lineal Simple y Correlación Bivariante clásicas, Regresión Lineal Múltiple y Correlación Multivariante clásicas, Análisis de la Covarianza clásico, Pruebas Chi-cuadrado, Estadística no Paramétrica, Análisis de Datos, Fundamentos Estadísticos de los Ensayos Clínicos, Análisis de Supervivencia, u otros) así como en su Tratamiento Informático con el software del curso, R, S-PLUS, BMDP, SAS o SPSS, puede solicitar, sin ningún coste adicional, que se lo enviemos. De esta manera, el alumno sigue una enseñanza personalizada en la cual no sólo estudia en profundidad los temas que más le interesen, sino que puede plantear preguntas sobre trabajos concretos que esté realizando o que piense realizar. Este tipo de enseñanza es posible y deseable, precisamente porque el curso es a distancia admitiendo, este tipo de cursos, una enseñanza individualizada profesor-alumno.