• Curso de estadística

    Aprende a administrar empresas para que puedas ser tu propio jefe.

Resumen del curso

Curso de estadística
  • Curso de estadística


    Curso básico para la administración general de empresas.

  • Duración:

    6 meses
  • Modalidad:

    A distancia
  • Precio:

    Consultar
  • Área:

    Administración

Objetivos

Objetivo general

El programa académico de este curso permite que el alumno pueda estudiar en profundidad materias esenciales dentro del entorno de la administración con los que puedan llevar a la práctica sus propios proyectos.


Objetivos específicos

Análisis del entorno general y específico de la empresa
Gestionar los grupos de interes de la empresa
Toma de decisiones
Desarrollo de estrategias
Desarrollo de proyectos


Destinatarios

Destinatarios

Principales destinatarios


Este curso de administración de empresas está dirigido a profesionales y estudiantes de carreras como administración de empresas, Finanzas, Contabilidad, etc. y demás profesionales que pueden intervenir en el desarrollo de procedimientos administrativos.


Otros destinatarios


La formación estará disponible para todos aquellos interesados en aprender a gestionar compañías no obstante, en caso de no contar con estudios previos y/o experiencia será necesario realizar un modulo extra de ofimática para equiparar los niveles de los alumnos.

Requisitos previos

Requisitos obligatorios

No existen requisitos obligatorios previos.

Requisitos recomendables

Es conveniente que los participantes tengan un manejo general de las herramientas básicas informáticas (ofimática, carpetas, archivos, etc) así como los conceptos básicos de estadística descriptiva y probabilidad.
Los participantes se beneficiarán de su experiencia previa en uno o más de los siguientes campos:
Marketing
Manejo de base de datos
Programación
Matemáticas

Ninguno de los conocimientos resulta, en principio, excluyente. La simultánea falta de experiencia en todos los campos mencionados hará más ardua al alumno la tarea de seguimiento del curso.

Temario

Modulos

Modulo 1: Introducción a la administración

Capítulo 1: Estadística descriptiva unidimensional Conceptos básicos y fuentes de la estadística Distribuciones de frecuencia Medidas de posición Medidas de dispersión – Rango, varianza, desviación típica y coeficiente de variación Momentos Características de forma y concentración Resumen del tema Glosario de términos Ejercicios Bibliografia Capítulo 2: Estadística descriptiva bidimensional Variables estadísticas bidimensionales Distribuciones m dimensionales Distribuciones bidimensionales: Marginales y condicionadas Análisis de tablas de contingencia bidimensionales I×J. Distribuciones de frecuencias observadas Independencia estadística Contrastes de independencia asintóticos en tablas I×J. Contraste de independencia jicuadrado. Contraste de independencia de razón de verosimilitudes. Contraste de homogeneidad ji-cuadrado. Momentos bidimensionales Modelos muestrales asociados Modelos muestrales usuales. Representaciones gráficas Regresión y correlación Medidas de asociación Medidas de Asociación en Tablas de Contingencia Bidimensionales Medidas de Asociación para Tablas I×J. Cocientes de ventajas. Inferencia sobre medidas de asociación. Análisis de Tablas Multidimensionales Distribución conjunta de frecuencias observadas, tablas parciales, distribuciones marginales y condicionadas. Independencia en tablas tridimensionales. Asociación en tablas tridimensionales. Resumen del tema Glosario de términos Ejercicios Bibliografía Capítulo 3: Muestreo estadístico Introducción a la teoría de muestras. Justificación del muestreo. Conceptos básicos. Tipos de muestreo. Métodos de muestreo. El muestreo aleatorio simple. Planteamiento del método. Estimadores y sus varianzas. Estimación de la varianza. Intervalos de confianza. El tamaño de la muestra. El muestreo con reemplazo y probabilidades iguales. Muestreo con probabilidades desiguales. Muestreo con reposición y probabilidades desiguales: el estimador de Hansen y Hurwitz. Muestreo sin reposición y probabilidades desiguales: el estimador de Horvitz -Thompson. Muestreo estratificado. Conveniencia de la estratificación. Estimadores y sus varianzas. Estimación de la varianza. Intervalos de confianza. Afijación. Formación de los estratos. Estratificación a posteriori. Muestreo sistemático. Introducción. Estimadores y sus varianzas. Cálculo práctico de los estimadores de las varianzas. Comparación con el m.a.s. y el muestreo estratificado en distintos tipos de poblaciones. Muestreo sistemático pluridimensional. Métodos indirectos de estimación. Definición de estimadores indirectos. La estimación de razón en el m.a.s.: estimadores, sesgo, error cuadrático medio y condiciones de optimalidad. Estimadores de razón en el muestreo estratificado: estimadores separado y combinado. Estimadores de regresión. Estimadores de diferencia. Muestreo por conglomerados. Extracción de los conglomerados con probabilidades iguales y sin reemplazo. Extracción de los conglomerados con probabilidades desiguales. Muestreo por conglomerados combinado con estratificación. Muestreo bietápico. Teorema de Madow. Generalización a tres etapas. Resumen del tema Glosario de términos Ejercicios Bibliografia Capítulo 4: Diseño de encuestas Conceptos y definiciones de la encuesta Cuando se aplica Como se aplica Dimensión de la encuesta. Caracteristicas de la encuesta. Fases de una Encuesta por Muestreo. (Primero una introducción y luego SUBIDIVIDIR LAS FASES DE LA ENCUESTA para explicarlos bien uno a uno) Tipos de encuestas. Diseño de la encuesta Tipos de diseño de la encuesta Gestión de cuestionarios. Escalas de medida. Análisis de ítems. Validación. Tratamiento y medición de errores. Falta de respuesta. Depuración e Imputación de datos. Reducción de errores ajenos al muestreo. El uso de dispositivos móviles. Técnicas estadísticas aplicadas al análisis de encuestas. Resumen del tema Glosario de términos Ejercicios Bibliografia Capítulo 5: Inferencia estadística Introducción a la inferencia estadística. Muestras aleatorias y estadísticos muestrales. Distribuciones muestrales. Estimación puntual de parámetros Propiedades. Métodos de obtención de estimadores. Estimación por intervalos de confianza. Métodos para la obtención de regiones de confianza Contraste de hipótesis paramétrico. Metodología Neyman-Pearson. Tests de la razón de verosimilitudes. Relación entre intervalos de confianza y tests de hipótesis. Introducción a la inferencia estadística no paramétrica. Inferencia no paramétrica referente a cuantiles. Pruebas no paramétricas para una muestra. Pruebas no paramétricas para muestras independientes. Pruebas no paramétricas para muestras relacionadas. Introducción a la inferencia bayesiana. Introducción a la teoría de la decisión. Resumen del tema………………………………………………………………76 Glosario de términos…………………………………………………………..19 Ejercicios……………………………………………………………………………..23 Bibliografia………………………………………………………………………….24 Capítulo 6: Números índice Definición de número índice Índice elemental Índice sintético Índices de precios y de cantidades Enlaces de series de números Tasas de variación Análisis descriptivo de series cronológicas Tendencias Variaciones estacionales Resumen del tema Glosario de términos Ejercicios Bibliografia Capítulo 7 Series temporales Introducción Conceptos básicos, terminología y notación. Naturaleza de las series temporales. Objetivos del análisis de series temporales. Enfoques del análisis de series temporales. Procesos estocásticos. Procesos estacionarios. Función de autocorrelación. Teorema de descomposición de Wold. Modelos ARMA y ARIMA. Método BOX-JENKINS para análisis de series temporales Filosofía del método Box-Jenkins. Funciones de autocorrelación y de autocorrelación parcial. Construcción de modelos ARMA: Identificación, estimación y validación. Predicción. Modelización de series temporales estacionales Modelos ARIMA estacionales multiplicativos. Construcción de modelos estacionales por el método de BoxJenkins: Identificación, estimación y validación. Predicción. Otros enfoques. REGRESIÓN DINÁMICA Y ANÁLISIS DE INTERVENCIÓN Modelos de regresión dinámica. Función de correlaciones cruzadas. Función de transferencia. Construcción de modelos de regresión dinámica: Identificación, estimación y validación. Predicción. Análisis de intervención. Introducción al análisis espectral Análisis espectral de un proceso estacionario. Filtros lineales y transformación de la función de densidad espectral. Periodograma y su relación con el correlograma. Estimación del espectro, propiedades muestrales. Estimación consistente mediante ventanas espectrales. Aplicación a la modelización de series. Resumen del tema Glosario de términos Ejercicios Bibliografia Capítulo 8: Probabilidad Espacio de probabilidad: definición axiomática y propiedades básicas de la probabilidad. Probabilidad condicionada: teoremas básicos. Independencia de sucesos. Variables aleatorias: casos discreto y continuo. Características de una variable aleatoria. Modelos de probabilidad discretos. Modelos de probabilidad continuos. Variables aleatroias multidimensionales Concepto de variable aleatoria multidimensional. Distribución de probabilidad inducida. Función de distribución conjunta. Variables aleatorias discretas y continuas. Distribuciones marginales y condicionadas. Independencia Función de una variable aleatoria multidimensional Momentos de variables aleatorias multidimensionales Esperanza matemática de una variable aleatoria multidimensional: Vector de medias. Esperanza matemática de una función de variable aleatoria multidimensional. Momentos. Matriz de covarianzas. Función generatriz de momentos. Reproductividad de distribuciones. Esperanza condicionada. Momentos condicionados. Regresión y correlación Introducción a los modelos lineales y a los modelos de regresión Definición de modelo lineal Clasificación de modelos lineales. Modelo lineal de Gauss-Markov Inferencia en modelos lineales. Estimación mínimo cuadrática. Interpretación geométrica. Descomposición de la variabilidad. Coeficiente de determinación. Funciones estimables y el teorema de Gauss Markov. Estimación máximo verosímil. Distribución de los estimadores. Contrastes de hipótesis sobre funciones estimables. El modelo de regresión lineal simple. Hipótesis básicas del modelo. Estimación por mínimos cuadrados ordinarios y por máxima verosimilitud. Distribución de los estimadores. Descomposición de la variabilidad. Coeficiente de determinación. Predicción. Contrastes de hipótesis e intervalos de confianza para los parámetros del modelo. Tabla ANOVA para la regresión simple. Intervalos de confianza para las predicciones. Bandas de confianza. Calibración lineal. Contraste sobre la falta de ajuste en el caso de datos repetidos. Análisis de residuos en regresión lineal simple. Residuos y normalidad: papel probabilístico normal, contraste de Shapiro-Wilks. Transformaciones en busca de normalidad: familia de Box-Cox. Residuos y heterocedasticidad: mínimos cuadrados ponderados. Residuos y autocorrelación: test de Durbin-Watson, estimación bajo autocorrelación de primer orden. Residuos y datos anómalos. El modelo de regresión lineal múltiple. Hipótesis básicas del modelo. Estimación por mínimos cuadrados ordinarios y por máxima verosimilitud. Distribución de los estimadores. Correlación en regresión lineal múltiple: coeficiente de determinación, coeficiente de determinación corregido, correlación parcial. Contrastes de hipótesis e intervalos de confianza sobre los parámetros del modelo. Tabla ANOVA de la regresión múltiple. Contraste sobre restricciones lineales en los parámetros. Estimación bajo restricciones lineales. Selección de regresores en regresión lineal múltiple. Selección entre todos los posibles subconjuntos de predictores: Estadístico Cp de Mallows. Otros criterios (Akaike,BIC,...). Métodos backward, forward y stepwise Residuos en regresión múltiple y su aplicación al estudio de las hipótesis del modelo. Medidas de influencia y detección de datos anómalos. Introducción al estudio y tratamiento de las desviaciones de las hipótesis básicas del modelo. Regresión polinómica. La regresión curvilínea como modelo de regresión lineal múltiple. La regresión curvilínea vía los polinomios ortogonales estadísticos. Cálculo de polinomios ortogonales estadísticos Regresión bidimensional mínimo-cuadrática: curvas y rectas de regresión. Análisis de la Correlación. Algunos modelos de distribuciones de probabilidad multidimensionales Distribución multinomial. Distribución normal bivariante. Generalización: distribución Normal multivariante. Análisis de componentes principales Fundamentos del análisis Análisis factorial exploratorio Descripción del modelo Análisis factorial confirmatorio Modelos LISREL Descripción del modelo Análisis de correlaciones canónicas Fundamentos del análisis Técnicas probabilísticas de clasificación: Análisis discriminante Introducción al modelo El modelo Lineal General: el caso de la Regresión Lineal Multivariante. Descripción del modelo El modelo Lineal General: el caso del Análisis de la Varianza. Manova. Descripción del modelo Números "aleatorios" distribuidos uniformemente Métodos de recurrencia lineal Validación de sucesiones de números aleatorios Contraste Ji cuadrado. Contraste Kolmogorov-Smirnov Test de rachas. Test de huecos. Test de poker. Otros contrastes. Números "aleatorios" distribuidos no uniformemente El método de la transformación inversa Distribución uniforme continua Funciones de densidad tipo cuña. Funciones de densidad triangulares. Distribución exponencial Distribución Bernouilli Distribución Binomial Distribución Geométrica Distribución de Poisson Método de Aceptación-Rechazo Método de Composición Distribución Lognormal Distribución Normal El método Ziggurat Generación de diferentes procesos Vectores aleatorios: características y modelos Definición y caracterizaciones de un vector aleatorio. Distribución de probabilidad y función de distribución. Esperanza matemática y momentos. Función característica de variables y vectores aleatorios. Independencia Modelos de distribuciones multidimensionales. Convergencia de sucesiones de variables aleatorias Convergencia casi segura Convergencia en probabilidad Convergencia en ley Relación entre los distintos tipos de convergencias. Leyes de los grandes números Planteamiento general de las leyes de los grandes números. Leyes débiles de los grandes números Leyes fuertes de los grandes números. Teorema central del límite Primeros teoremas y leyes límite Planteamiento del problema central del límite clásico Extensiones del caso Bernoulli Solución del problema central del límite clásico. Resumen del tema Glosario de términos Ejercicios Bibliografia Capítulo 9 Procesos estocásticos Nociones básicas de procesos estocásticos Introducción. Clasificación de los procesos estocásticos: procesos estacionarios, procesos ergódicos, procesos con incrementos independientes, procesos con incrementos estacionarios, etc. Procesos estocásticos en tiempo discreto. Procesos estocásticos en tiempo continuo. El proceso de Poisson Postulados del proceso de Poisson. Ecuaciones del proceso. Distribución de los tiempos entre llegadas y tiempos de espera. Aplicaciones del proceso de Poisson. El proceso de Poisson no homogéneo. El Proceso de Poisson compuesto Cadenas de Markov en tiempo discreto (CMTD) Introducción: propiedad de Markov. Probabilidades de transición y distribuciones finitodimensionales. Clasificación de estados. Probabilidades de primer paso. Comportamiento límite. Aplicaciones. Cadenas de Markov en tiempo continuo (CMTC) Definición, propiedades. Matriz de probabilidades de transición y ecuaciones de Chapman-Kolmogorov. Definición y cálculo de la Qmatriz. Clasificación de estados. Tiempos de primer paso. Comportamiento límite. Casos especiales: Procesos de nacimiento y muerte. Generalizaciones: Procesos de renovación de Markov. Generación de procesos markovianos Sistemas de colas Procesos de nacimiento y muerte Procesos de ramificación Estimación de integrales mediante el método de Monte Carlo Monte Carlo de acertar o fallar Monte Carlo crudo Técnicas de reducción de la varianza: Muestreo Correlado, Variables Antitéticas, Variables de Control, Condicionamiento, Muestreo Estratificado, Muestreo según Importancia Introducción a los métodos MCMC Elementos básicos Tipos de algoritmos Velocidad de convergencia Algoritmos MCMC Algoritmos Gibbs sampling y sus variaciones Algoritmos de Metropolis-Hastings Metodología Metropolis-Hastings en el contexto de los Modelos Lineales Generalizados Algoritmo Data Augmentation Algoritmos Híbridos Resumen del tema Glosario de términos Ejercicios Bibliografia Capítulo 10: Investigación operativa Introducción a los Métodos de Optimización Definición de la Investigación Operativa Evolución histórica de la Investigación Operativa. Etapas de un Problema de Investigación Operativa. Modelos de la Investigación Operativa. Áreas de aplicación de la Investigación Operativa. Análisis convexo Conjuntos convexos. Propiedades Puntos extremos. Variedades lineales, hiperplanos y semiespacios Introducción a la Programación Lineal Formulación de un Problema de Programación Lineal. Concepto de Solución. Tipos de Solución. Teorema Fundamental de la Programación Lineal. Teorema de Equivalencia. Resolución Gráfica de un Problema de Programación Lineal. Algortimo del Simplex Fundamentos del Simplex. Método del Simplex en forma tabular. Casos especiales del método Simplex. Motivación geométrica del método Simplex. Variables artificiales: Método de la M y método de las dos Fases. Dualidad en un Problema de Programación Lineal Formulación del problema Dual. Relaciones Primal-Dual. Interpretación Económica del problema Dual. Método dual del Simplex. Análisis de sensibilidad Introducción al Análisis de Sensibilidad Dualidad en un Problema de Programación Lineal Formulación del problema Dual. Relaciones Primal-Dual. Interpretación Económica del problema Dual. Método dual del Simplex Análisis de sensibilidad Introducción al Análisis de Sensibilidad. Cambios Discretos. Incorporación de Restricciones. Programación Paramétrica. Programación Entera Introducción a la Programación lineal Entera. Formulación de Problemas de Programación Entera. Algoritmo de resolución de un problema lineal entero. Aplicaciones de la Programación Entera. Programación no lineal. Introducción a la Programación no lineal Programación Dinámica. Introducción. Formulación y resolución de problemas. Condiciones de Kuhn-Tucker. Programación dinámica con horizonte temporal finito. Teoría de colas. Introducción. Sistemas de colas. Medidas de efectividad. El proceso de Poisson. La distribución exponencial. Proceso de nacimiento y muerte. Modelos de colas con un servidor. Modelos con múltiples servidores. Modelos de colas con capacidad limitada. Modelos con fuentes finitas. Modelos generales. Modelos de Inventarios. Introducción y definiciones. Características y componentes de un modelo de inventarios. Modelos de cantidad económica de lote. Producción conjunta de lotes. Modelos con demanda aleatoria. Simulación e Introducción a Teoría de Grafos Introducción a la Simulación o Definición de sistema real, modelo y simulación. Ventajas e inconvenientes de la simulación. Aplicaciones de la Simulación. Números aleatorios. Generación de números pseudoaleatorios Definición de números aleatorios y pseudoaleatorios. Propiedades deseables de un generador de números pseudoaleatorios. Métodos de generación de números pseudoaleatorios: Método de los cuadrados medios, métodos congruenciales. Medidas estadísticas de calidad de un generador de números pseudoaleatorios uniformes: Contraste chi-cuadrado. Contraste de Kolmogorov-Smirnov. Contaste de rachas ascendentes. Generación de valores de variables aleatorias Métodos para generar valores de variables aleatorias discretas: Transformación cuantil. Método de aceptación y rechazo. Método de composición. Generación de distribuciones discretas: Uniforme, Bernoulli, Binomial, Poisson, Binomial negativa e Hipergeométrica. Métodos para generar valores de variables aleatorias continuas: Método de transformación inversa. Método de aceptación y rechazo. Generación de distribuciones continuas: normal, chi-cuadrado de Pearson, t de Student, F de Snedecor, exponencial, Weibull, gamma, beta, Pareto. Simulación de vectores aleatorios: Método de las distribuciones condicionadas. Método de aceptación/rechazo. Métodos específicos para simular la normal multivariante. Simulación de Monte Carlo o Integración Monte Carlo. Técnicas de reducción de la varianza. Métodos Monte Carlo en inferencia. Simulación de sistemas o Fenómenos de espera. Fiabilidad. Inventarios. Introducción a la Teoría de grafos Conceptos básicos Grafos orientados y no orientados. Representaciones matriciales: Matrices de adyacencia y de incidencia Métodos y técnicas de la Inteligencia Artificial Definición de Inteligencia Artificial Caracterización de la Inteligencia Artificial. Metas de la Inteligencia Artificial Métodos y modelos en Inteligencia artificial Técnicas de Búsqueda Introducción al espacio de estados y agentes de búsqueda Búsqueda sin información Técnicas de búsqueda heurística Planificación Razonamiento sobre acciones Planificación como búsqueda en un espacio de estados Planificación como búsqueda en un espacio de planes Técnicas de optimización basadas en metaheurísticas Definición de metaheurística Algoritmos voraces (Greedy) Técnicas de búsqueda local Extensiones a la búsqueda local: búsqueda local iterativa y enfriamiento simulado Algoritmos bioinspirados para optimización Concepto y origen de los algoritmos bioinspirados Fundamentos de los algoritmos genéticos Tipos de algoritmo genético Algoritmos híbridos Algoritmos basados en el comportamiento de las hormigas Inteligencia de enjambres Resumen del tema Glosario de términos Ejercicios Bibliografia Capítulo 11 Diseño de experimentos Introducción al diseño de experimentos. Los principios del diseño de experimentos. El principio de aleatorización. La repetición del experimento. El concepto de bloque. Diseños completamente aleatorizados. Modelo de efectos fijos: planteamiento y estimación del modelo Contraste de hipótesis. Modelo de efectos aleatorios: diagnosis y validación del modelo. Comparaciones múltiples. Diseños en bloques completos aleatorizados. Diseño en bloques completos aleatorizados: planteamiento y estimación del modelo Contraste de hipótesis. Test de interacción de tukey. Diseños en bloques incompletos aleatorizados. Diseños en bloques incompletos balanceados. Descripción del modelo. Análisis del efecto de los tratamientos. Análisis del efecto de los bloques. Tratamiento mediante ordenador. Cuadrados latinos. Diseños en cuadrado latinos. Descripción y estimación de los parámetros del modelo. Contraste de hipótesis. Tratamiento mediante ordenador. Cuadrados greco-latinos. Diseño en cuadrados greco-latinos. Descripción y estimación del modelo. Contraste de hipótesis. Tratamiento mediante ordenador. Cuadrados de youden. Diseños en cuadrados de youden. Descripción del modelo. Análisis del efecto de los tratamientos. Análisis del efecto de los bloques. Diseños factoriales con dos factores. Diseño factorial con dos factores. Planteamiento y estimación del modelo. Contraste de hipótesis. Tratamiento mediante ordenador. Diseños factoriales con tres factores. Diseño factorial con tres factores sin replicación: planteamiento y estimación del modelo. Contraste de hipótesis. Diseño factorial con tres factores con replicación: planteamiento y estimación del modelo; contraste de hipótesis. Diseños factoriales con más de tres factores. Diseños factoriales con más de tres factores. Planteamiento y estimación del modelo. Contraste de hipótesis. Tratamiento mediante ordenador. Métodos no paramétricos para el análisis de la varianza. Contraste de rangos de kruskal-wallis Resumen del tema Glosario de términos Ejercicios Bibliografía Capitulo xxxx Metaanalisis Capítulo 12 Aplicaciones estadísticas en otras disciplinas Econometría Datos en R Lectura de datos y manipulación de variables Variables de tipos especiales Bases de datos. SQL Libro dplyr Grandes volúmenes de datos Libros ff, ffbase, scaleR Libro bigmemory Proyecto pbdR Programación con R Creación de funciones propias Remuestreo Simulación de variables aleatorias Bootstrap Libro boot Elaboración de informes de resultados HTML Latex Gráficos Libro ggplot2 Tema 6. Introducción a Python Censos generales de la nación y padrón municipal Censo de población y de viviendas Censo de edificios y de locales La oficina del censo electoral El padrón municipal Introducción a la Demografía Operaciones estadísticas demográficas elaboradas por el INE Estadísticas sociales, educativas y sanitarias. Estadísticas del Sector Servicios Operaciones estadísticas sobre otras temáticas: Agricultura, Entorno Físico y Medio Ambiente, Ciencia y Tecnología. Operaciones de síntesis estadística elaboradas por el INE Demográficos Conceptos básicos de la demografía Mediciones del crecimiento demográfico Medidas de los fenómenos demográficos y estructura de la población Mortalidad Nupcialidad Fecundidad Migraciones Proyecciones de población El modelo de población estable Empresa Historia y conceptos básicos del Control Estadístico de la Calidad, etapas y herramientas. Estudio de la Capacidad de un Proceso Introducción a los Diagramas Gráficos de Control por variables Diseño de gráficos de Control por variables Análisis de Pareto Diseño de gráficos de Control por atributos Muestreo para la aceptación Planes de muestreo La norma MIL STD 105 D (ANSI/ASQC Z1.4). La norma MIL STD 414 (ANSI/ASQC Z1.9) Diseño de experimentos aplicado a la calidad Metodología de Taguchi Superficies de respuesta aplicadas a la calidad Riesgo Introducción. Riesgo e incertidumbre: aspectos conceptuales y epistemológicos. Introducción a la teoría de la decisión estadística. Conceptos básicos. Función de pérdida y riesgo. Modelos de decisión bajo incertidumbre y criterios de optimización: reglas minimax; decisión bayesiana. Fundamentos sobre medidas de riesgo basadas en distribuciones de pérdida. Distribuciones de pérdida y medidas cuantitativas de riesgo. Medidas basadas en momentos. Medidas basadas en cuantiles: Value-at-Risk (VaR), Expected Shortfall (ES). Sobre la elección de una buena medida de riesgo: Axiomática; medidas de riesgo coherentes, medidas de riesgo convexas. Riesgo y dependencia en un contexto multivariante; introducción a cópulas. Medidas dinámicas de riesgo. Modelos y técnicas de análisis y evaluación de riesgos en distintos campos de aplicación. Finanzas y Seguros Geofísica, Medio Ambiente y Ecología Salud y Epidemiología Ingeniería e Industria Contenidos técnicos específicos incluyen, entre otros:  Indicadores basados en medidas poblacionales y procesos puntuales Volatilidad y modelos GARCH Metodologías basadas en VaR Modelos actuariales predictivos Simulación Monte Carlo aplicada al análisis de riesgos Bioestadística Programa de Teoría ENSAYOS CLÍNICOS. Concepto y objetivo de un Ensayo Clínico. Necesidad del grupo Control. Control del sesgo. Tipos de EC. Diseño de un EC. Métodos de asignación aleatoria del tratamiento. El problema del consentimiento. Medida de la respuesta. Tamaño de muestra. Duración del EC. Ética en los EC. Los EC en España. El ensayo clínico ideal. Introducción al metaanálisis. II. MODELOS DE TABLAS 22. Introducción. Tipos de muestreo. Distribuciones asociadas: Modelos I (multinomial), II (doble-binomial) y III (hipergométrica). Hipótesis de independencia. Inferencias condicionada e incondicionada. Suficiencia, auxiliaridad y tablas 22. TESTS EXACTOS EN TABLAS 22. Test exacto de Fisher. Los dos tests incondicionados de Barnard. Tablas y programas. Acotaciones entre modelos. TEST ASINTÓTICOS EN TABLAS 22. El estadístico chi-cuadrado de Pearson, la corrección por continuidad y las condiciones de validez en los tres modelos. V. TAMAÑO DE MUESTRA EN TABLAS 22. Tamaño de muestra bajo el Modelo II y en base a la diferencia de proporciones: valor exacto y valor aproximado con y sin corrección por continuidad. Tamaños desequilibrados. Caso de otros parámetros de referencia. Caso del Modelo I. VI. MEDIDAS DE ASOCIACIÓN EPIDEMIOLÓGICAS. Tipos de estudios. Diseño óptimo. Diferencia de Berkson. Riesgo relativo. Razón del producto cruzado. Riesgo atribuible. El caso de las enfermedades raras. Estimaciones puntuales. Intervalos de confianza exactos y aproximados. Otras medidas de asociación: coeficientes phi y de Yule (correlación tetracórica). La razón del producto cruzado y la regresión logística. VII. ANÁLISIS DE VARIAS TABLAS 22. La paradoja de Simpson y los sesgos de confusión y de interacción. Tests de homogeneidad. Tests de asociación. Test de Gart. Test de Mantel-Haenszel. Estimación de la asociación común. METODOLOGÍA DE BIOEQUIVALENCIA. Equivalencia de dos proporciones: no-Inferioridad, superioridad y equivalencia, tests aproximados y exactos, tamaño de muestra. Bioequivalencia de dos medias: biodisponibilidad. bioequivalencia, bioequivalencia de razón y de promedio, tests TOST, tamaño de muestra. MEDIDAS DE CONCORDANCIA. Índice Kappa normal y ponderado. Caso particular de las Tablas 22. Índice Delta para cualidades nominales. Caso de las cantidades: coeficientes de correlación de concordancia e intraclases. Fiabilidad de sistemas Introducción y conceptos básicos Función de estructura de un sistema Modelos de ocurrencia de fallos Fiabilidad de sistemas Modelos estocásticos de fiabilidad Métodos de diagnóstico. Test diagnóstico binario. Parámetros de un test diagnóstico binario. Estimación de los parámetros de un test diagnóstico binario. Tests de hipótesis para comparar los parámetros de dos tests diagnósticos binarios. Test diagnóstico continuo. Curva ROC. Estimación del área bajo la curva ROC. Análisis de supervivencia. Función de azar y función de supervivencia. Datos censurados. Estimaciones por la metodología de Kaplan-Meier. Comparación de dos curvas de supervivencia. Modelos de regresión. Regresión de Cox. Regresión logística. Otros modelos de regresión Resumen del tema………………………………………………………………76 Glosario de términos…………………………………………………………..19 Ejercicios……………………………………………………………………………..23 Bibliografia…………………………………………………………………………. Capítulo 13 Análisis de datos Introducción al análisis explortario de datos La perspectiva exploratoria. La importancia del AED en la aplicación de la Estadística. Diferencias del AED con la estadística tradicional. Objetivos, herramientas y problemas del AED. El problema de los Big Data. Análisis de datos multivariantes. Reducción de la dimensionalidad. Exploración y representación de datos multivariantes Escalamiento multidimensional.Introducción al MDS. Matrices de proximidad El modelo clásico de MDS Extensiones. Análisis de Componentes principales. Estimación de las componentes. Tipificación y conexión con el análisis de coordenadas principales. Aplicación del Análisis de Componentes Principales Análisis de Correspondencias Simple. Planteamiento general del problema Ajustes de los perfiles fila y columna. Distancia Ji-cuadrado Aplicación del Análisis de Correspondencias. Análisis de Conglomerados Métodos clásicos de particiones Métodos de particiones para datos de proximidad Determinación del número de clases. Aplicación del Análisis de Conglomerados. Introducción a la teoría de valores extremos. Caso univariante. Máximos (mínimos) por bloques. Comportamiento límite: Tipos extremales, dominios de atracción y distribución de valores extremos generalizada. Inferencia. Periodos de retorno. Generalización a estadísticos de orden superior. Análisis de excedencias de umbrales. Excesos sobre un umbral. Comportamiento límite: Distribución de Pareto generalizada. Selección del umbral. Inferencia. Periodos de retorno. Introducción al análisis de extremos en datos multivariantes Conceptos de ‘extremo multivariante’. Análisis a partir de efectos marginales. Análisis de dependencia estructural: Distribuciones max-estables. Independencia asintótica y medidas de dependencia extremal. Análisis de extremos en series de datos dependientes. Máximos en series estacionarias. Índice extremal. Excedencias de umbrales en series estacionarias. Extensiones al caso de series no estacionarias. Enfoques del análisis de extremos basados en procesos puntuales. Representación límite de extremos mediante procesos puntuales. Interpretación en relación con los enfoques de modelización previos. Análisis exploratorio de datos de una sola variable (Estimación robusta) Introducción. Exploración de la forma de una distribución. Exploración no paramétrica de la densidad. Detección de datos anómalos. Estimadores robustos. Transformaciones para obtener simetría y homoscedasticidad. Generación de variables aleatorias. Simulación. Mezcla de distribuciones. • Aplicación a problemas reales. EXPLORACIÓN DE LA RELACIÓN ENTRE DOS VARIABLES. Introducción. La línea resistente de Tukey. Análisis de residuos. Exploración de relaciones monótonas no lineales. EXPLORACIÓN MULTIDIMENSIONAL DE DATOS. REDUCCIÓN DE LA DIMENSIONALIDAD. Introducción. Medidas de proximidad. Distancias. Técnicas para la exploración de datos de proximidad. Aplicación a problemas reales Técnicas para la exploración de datos de preferencias. Introducción al Análisis Multivariante. Notas sobre la historia del Análisis Multivariante. Objetivos del Análisis Multivariante. Clasificación de las técnicas multivariantes. La organización de los datos. Geometría de la muestra. Algunos estadísticos descriptivos multivariantes y su interpretación geométrica. Centroide de la muestra. Varianzas generalizadas. Distribución normal multivariante. Distribución normal multivariante: Definición y caracterización. Distribuciones marginales y condicionadas. Caso bidimensional y tridimensional. Distribuciones asociadas: formas cuadráticas aleatorias normales. Regresión y correlación en poblaciones normales multivariantes. Modelos teóricos. Regresión lineal múltiple normal. Correlación lineal múltiple y parcial. Estudios exhaustivos de los casos bidimensional y tridimensional. Estimación de parámetros en la distribución normal multivariante. Estimación por máxima verosimilitud del vector media y la matriz de covarianzas en la distribución normal multivariante. Teorema de Zehna y su aplicación a la estimación de los coeficientes de correlación de Pearson, parciales y múltiples, y a la de las hipersuperficies de regresión lineal. Distribución de los estimadores de máxima verosimilitud del vector media y la matriz de covarianzas. Distribuciones exactas de los estimadores del vector de medias y de la matriz de covarianzas. Independencia de los estimadores (Teorema de Fisher Multivariante). Teorema de Dykstra. Distribuciones asintóticas de los estimadores. Distribución de Wishart. Definición y principales propiedades. La distribución de Wishart inversa. La distribución de Wishart descentrada. Formas cuadráticas normales matriciales y la ley de Wishart. Contrastes de hipótesis sobre vectores media en poblaciones normales multivariantes. El estadístico T2 de Hotelling. Problema de una muestra. Problema de dos muestras independientes. Problema de dos muestras apareadas. Regiones de confianza para vectores media. Inferencia simultánea: métodos de Scheffé y de Bonferroni. El problema de Behrens-Fisher multivariante. Otras aplicaciones de la metodología T2: análisis de perfiles. Contrastes de hipótesis sobre matrices de covarianzas. Contrastes sobre un valor particular. Contraste de esfericidad. Test de Box de igualdad de matrices de covarianzas. El entorno de programación y análisis R El lenguaje de programación R Estructuras de datos Libros (packages) de R Metodología del análisis estadístico Depuración de datos Métodos gráficos Programación con R Estructuras de programación. Algoritmos Estructuras de programación en R Creación de funciones propias Aplicaciones Bases de datos. SQL El lenguaje SQL. Acceso a bases de datos desde R SQL y NoSQL Gestión de grandes volúmenes de datos en R Elaboración de informes de resultados con knitr El libro knitr Knitr en HTML Knitr en Latex Datos en R Lectura de datos y manipulación de variables Variables de tipos especiales Bases de datos. SQL Libro dplyr Grandes volúmenes de datos Libros ff, ffbase, scaleR Libro bigmemory Proyecto pbdR Programación con R Creación de funciones propias Remuestreo Simulación de variables aleatorias Bootstrap Libro boot Elaboración de informes de resultados HTML Latex Gráficos Libro ggplot2 Introducción a Python Mineria de datos Perspectiva Estadística de la Minería de Datos. La minería de datos como técnica estadística de exploración y validación. Problemas y técnicas estadísticas en la minería de datos. Big Data. Minería de datos mediante técnicas estadísticos de agrupamiento. Medidas de proximidad. Criterios de análisis cluster para matrices de disimilaridad. Agrupamiento mediante mezclas de distribuciones. Aplicaciones de minería de datos mediante técnicas de agrupamiento con SPSS y R. Minería de datos mediante técnicas estadísticas de clasificación. Clasificación mediante análisis discriminante. Clasificación mediante discriminación logística. Otros métodos de clasificación. Aplicaciones de minería de datos mediante técnicas de clasificación con SPSS y R. Perspectiva informática de la Minería de Datos. Modelos de asociación. La Minería de Datos y su relación con la Informática Selección y transformación de datos. Concepto de patrón frecuente y regla de asociación o tendencia Métodos para la obtención de reglas de asociación Medidas de interés para la evaluación del modelo Modelos de Agrupamiento o Segmentación Modelos de agrupamiento con un número fijo de grupos Agrupamiento jerárquico Evaluación de modelos Modelos Predictivos - Regresión - Modelos de Clasificación: Basados en instancias (lazy) Bayesianos Basados en árboles de decisión Evaluación del clasificador Clasificación con costes Resumen del tema Glosario de términos Ejercicios Bibliografia

Examen final