Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ESTADÍSTICA
RESUMEN DE CURSOS
ESTADÍSTICA ESPACIAL
INSCRIPCIÓN INDIVIDUAL
Precio
INSCRIPCIÓN GRUPAL
Pagar el precio con descuento (S/ 180 por persona), en un solo monto por todas las
personas. En el formulario de inscripción una persona inscribe a todas.
Importante:
Toda comunicación respecto al curso se enviará al correo que registró en el formulario de
inscripción, el correo que registró debe ser un correo Gmail personal ya que los
materiales se comparten mediante Google Drive. Para poder adjuntar el o los
archivos al formulario de inscripción, ingrese mediante su correo Gmail personal, si
ingresa al formulario de inscripción mediante una cuenta de la UNALM (es decir con
@lamolina.edu.pe) puede tener problemas para adjuntar en el formulario la
constancia de pago por ejemplo. El enlace para la clase se enviará un día antes del inicio
del curso, en caso no le llegue revise su bandeja de Spam ya que quizás se encuentra en
esa ubicación.
FORMAS DE CONTACTO:
E-mail: unalm.estadistica@gmail.com
https://www.facebook.com/DAEIUNALM
https://www.instagram.com/estadisticaunalm/
MEDIO DE PAGO
1. Realice el pago en la cuenta corriente del Banco de Crédito del Perú
191-0031059-0-26
CCI: 00219100003105902650
la cual está a nombre de la Fundación para el Desarrollo Agrario.
Una vez realizado el pago, no procede la devolución del mismo
REQUISITOS:
Conocimientos básicos de estadística.
ANÁLISIS DE DATOS CON R
NIVEL INTERMEDIO
HORARIO: 21,25 y 28 de octubre; 01 y 04 de noviembre (De 5:30 p.m. a 09:30 p.m.)
HORAS ACADÉMICAS: 20
TEMARIO:
• Generación de reportes con R Markdown
• Programación con R (funciones y estructuras de programación)
• Prueba t para muestras independientes y muestras pareadas
• Correlación de Pearson
• Intervalos de confianza de un parámetro
• Prueba de hipótesis de un parámetro
REQUISITOS:
Conocimientos de nivel básico de R y de estadística descriptiva.
ANÁLISIS DE DATOS CON R
NIVEL AVANZADO
TEMARIO:
• Análisis de regresión lineal
• Análisis de regresión logística
• Introducción a los diseños experimentales
• Pruebas no paramétricas
REQUISITOS:
Manejo de R a nivel básico, y conocimientos básicos de inferencia estadística
(distribuciones de probabilidad, intervalos de confianza y pruebas de hipótesis)
MACHINE LEARNING CON R
HORAS ACADÉMICAS: 20
TEMARIO:
CONCEPTOS BÁSICOS
• Conceptos generales del Machine learning
• Preprocesamiento y limpieza de datos
• Exploración y visualización de datos
APRENDIZAJE NO SUPERVISADO
• Técnicas de agrupamiento
• Técnicas de particionamiento
• Reducción de dimensionalidades
• Sistemas de recomendación
APRENDIZAJE SUPERVISADO
• Regresión logística
• Naive-Bayes
• Máquinas de soporte vectorial
• K vecinos más cercanos (KNN)
• Árboles de clasificación
• Random forest, Baggin
• Adaboost, XGboost
• Stacking
VALIDACIÓN DE MODELOS
• Optimización de parámetros
• Validación de modelos
• Ensamblado de modelos
• Exportación de modelos predictivos
REQUISITOS:
Conocimientos de R nivel básico.
DISEÑOS EXPERIMENTALES CON R
TEMARIO:
REQUISITOS:
HORAS ACADÉMICAS: 20
TEMARIO:
Introducción al Análisis de Series de Tiempo.
• Procesos Estocásticos.
• Características de la Función: Media, Varianza, Autocovarianza, Autocorrelación.
• Ruido Blanco.
• Gráficos de Series de Tiempo.
• Análisis Exploratorio.
• Implementación en R.
Pruebas de Tendencia, Estacionalidad y Estacionariedad
• Análisis de Tendencia.
• Análisis de Estacionalidad.
• Análisis de Estacionariedad.
• Implementación en R.
REQUISITOS:
Conocimientos básicos en Estadística Descriptiva e Inferencial, Probabilidades, Pruebas
No Paramétricas.
ESTADÍSTICA ESPACIAL
HORAS ACADÉMICAS: 20
DOCENTE: Arturo Vergara Villarino
TEMARIO:
1. Conceptos Básicos
4. Elaboración de Mapas
5. Dependencia Espacial
5.1. Variogramas
5.2. Densidad de kernell
5.3. índice de Moran Univariado Global y Local
REQUISITOS:
Dirigido profesionales de diferentes carreras que están ejerciendo su profesión en
actividades de planeamiento, gestión de información, supervisión, monitoreo, y
modelamiento de datos; que deseen ampliar sus conocimientos en el manejo de
herramientas de geoprocesamiento para la generación de información espacial.