|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/curso-avanzado-de-estadistica-no-parametrica-con-r-y-python/
课程评论：没有评论
课程名称：高级非参数统计与R及Python 课程概述：欢迎来到“高级非参数统计与R及Python”课程。在这里，您将学习如何使用非参数统计方法分析数据、检验假设、进行组间比较等。课程将使用世界上最流行的两种数据分析编程语言——R和Python。非参数统计方法在商业、医学和技术等领域的定量研究中广泛应用，尤其适用于处理定性或分类变量的数据。 该课程提供大量的实践材料，您将获得从第一分钟开始的源代码和分析模板，以及高质量的视频课程，帮助您成为顶级数据分析师。非参数统计提供了更大的灵活性和一致性，因为它允许在不符合参数统计基本要求的情况下进行分析。许多参数统计方法假设数据分布为正态分布，但实际数据常常不符合这一“完美”条件。 课堂中将涵盖的主要非参数检验包括： - 安德森-达林检验 - 谢皮罗-威尔克斯检验 - 莱文检验 - 曼-惠特尼检验 - 克鲁斯卡尔-瓦利斯检验 - 威尔科克森符号秩检验 - 弗里德曼检验 - 斯皮尔曼非参数相关系数 您将学习如何应用非参数方法，例如评估电影的评级、比较独立组的手术工具效果、以及检查商业综合体内店铺收入的显著变化等。 非参数方法的适用性更广泛，且对假设要求更少，因而通常更为稳健。这些方法在某些情况下使用起来也更为简单，减少了误用和误解的空间。然而，非参数检验在参数检验适用时的效能较低，因此选择合适的方法至关重要。 本课程将回答以下问题： - 参数方法假设了什么？如何验证我们的数据是否符合这些假设？ - 如果不符合该怎么办？ - 根据目标，实践时使用哪种方法？ - 如何撰写清晰的结果报告？ 无论您是希望拓展统计知识的学生，还是对机器学习及数据分析感兴趣的工程师，这个课程都将覆盖所有相关知识。您将获得大量实践材料、源代码模板和高质量的学习视频。此外，您还可以加入私密交流群，与其他学生分享疑惑与经验，还有补充材料、练习和作业来帮助您独立练习，成为顶尖的非参数统计分析师。 您准备好加入我们了吗？课堂上见！
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-DarlingPrueba de Shapiro-WilksPrueba de LevenePrueba de Mann-WhitneyPrueba de Kruskal-WallisPrueba de los rangos con signo de WilcoxonPrueba de FriedmanCoeficiente de correlación no paramétrico de SpearmanEjemplos de aplicaciones y finalidad de los métodos no paramétricos:Estudiar poblaciones que toman un orden de clasificación como críticas de películas que reciben de una a cinco estrellas.Para comparar grupos independientes, por ejemplo, qué herramienta de cirugía funciona mejor extrayendo tejido cancerígeno.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:¿Qué suposiciones asumen los métodos paramétricos?¿Cómo verificar si nuestros datos cumplen o no estas suposiciones?¿Qué hacer en caso de que no las cumplan?Según nuestro objetivo, ¿qué método utilizar en la práctica?¿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!
