Con el curso de este Máster contribuirás al avance de la Estadística Computacional a través del conocimiento más exhaustivo basado en las mejores técnicas informáticas y de programación”

Los avances que se han llevado a cabo en el ámbito de la Estadística han contribuido a la toma de decisiones certeras y efectivas en base a la recogida masiva de datos, su análisis y las conclusiones extraídas de los mismos. Sin embargo, si hay un elemento que ha fomentado considerablemente la evolución de esta ciencia, es su acción coordinada con la Computación, gracias a la cual ha sido posible automatizar tareas, optimizar acciones y manejar cantidades desmedidas de información en unos pocos segundos. Y es que la programación de algoritmos complejos y el diseño de estructuras de datos estáticas y dinámicas ha permitido a los profesionales de este ámbito trabajar de manera más segura y garantizada en la estimación de tendencias y en las diferentes predicciones sociales, económicas y políticas en el entorno actual.

En base a ello y al altísimo nivel de conocimiento que requiere este ámbito, TECH y su equipo de expertos han decidido lanzar un programa que permita al egresado adentrarse en la Estadística Computacional a través de un recorrido exhaustivo por sus principales áreas. Así surge este Máster, una experiencia académica de 1.500 horas que recorre las novedades relacionadas con la descripción y exploración de datos, con la programación y con el manejo de los principales softwares estadísticos (SPSS y R). Además, se centra en las aplicaciones de la Estadística en la industria actual y en los diseños muestrales para los diferentes sectores. Por último, destaca las principales técnicas multivariantes para la mejora de la calidad en los resultados y, por ende, de la predicción.

Todo ello, de manera 100% online y a través de un programa diseñado por auténticos expertos en la materia, los cuales no solo han participado activamente en la conformación del temario, sino que también han seleccionado cientos de horas de material adicional variado: casos de uso, vídeos al detalle, artículos de investigación, lecturas complementarias, ¡y mucho más! Todo estará disponible en el Campus Virtual desde el comienzo de la actividad académica y podrá ser descargado en cualquier dispositivo con conexión a internet. De esta manera, TECH ofrece una capacitación exhaustiva y flexible, adaptada a las necesidades de sus egresados y a los requisitos más exigentes del mercado laboral actual de la Estadística Computacional.

Alcanzar la excelencia y el máximo nivel profesional no será complicado gracias al curso de este programa y al altísimo grado de especialización que adquirirás con su superación”

Este Máster en Estadística Computacional contiene el programa educativo más completo y actualizado del mercado. Sus características más destacadas son:

• El desarrollo de casos prácticos presentados por expertos en Estadística Computacional
• Los contenidos gráficos, esquemáticos y eminentemente prácticos con los que está concebido recogen una información técnica y práctica sobre aquellas disciplinas indispensables para el ejercicio profesional
• Los ejercicios prácticos donde realizar el proceso de autoevaluación para mejorar el aprendizaje
• Su especial hincapié en metodologías innovadoras
• Las lecciones teóricas, preguntas al experto, foros de discusión de temas controvertidos y trabajos de reflexión individual
• La disponibilidad de acceso a los contenidos desde cualquier dispositivo fijo o portátil con conexión a internet

Una titulación que aborda la Estadística Computacional desde la base y hasta su manejo exhaustivo, a través de la adquisición de los conceptos clave y el manejo de los principales softwares informáticos”

Incluye en su cuadro docente a un equipo de profesionales del sector que vierten en esta capacitación la experiencia de su trabajo, además de reconocidos especialistas de sociedades de referencia y universidades de prestigio.

Su contenido multimedia, elaborado con la última tecnología educativa, permitirá al profesional un aprendizaje situado y contextual, es decir, un entorno simulado que proporcionará una capacitación inmersiva programada para entrenarse ante situaciones reales.

El diseño de este programa se centra en el Aprendizaje Basado en Problemas, mediante el cual el profesional deberá tratar de resolver las distintas situaciones de práctica profesional que se le planteen a lo largo del curso académico. Para ello, contará con la ayuda de un novedoso sistema de vídeos interactivos realizados por reconocidos expertos.

Trabajarás en el diseño de algoritmos complejos a través de las técnicas descriptivas más innovadoras y eficaces del entorno computacional actual"

En el Campus Virtual encontrarás 1.500 horas de contenido diverso, al cual podrás acceder desde donde quieras y cuando quieras, a través de cualquier dispositivo con conexión a internet"

El plan de estudios de esta titulación ha corrido a cargo de un equipo de expertos en el área de la Informática y la Estadística, los cuales, siguiendo los estrictos criterios de calidad de TECH, han seleccionado la información más vanguardista y exhaustiva del sector. Además, esta ha sido adaptada a la metodología Relearning, la cual consiste en reiterar los conceptos más importantes a lo largo del temario, favoreciendo un aprendizaje gradual y progresivo sin necesidad de invertir horas de más en memorizar. De esta manera, el egresado asistirá a una capacitación del máximo nivel académico con la que, sin duda, adquirirá un manejo profesional de las herramientas y técnicas de la Estadística Computacional .

Contarás con un módulo específico dedicado a la metodología Seis Sigma, con la que lograrás reducir los defectos o fallos en la entrega de un producto o servicio al cliente/usuario”

Módulo 1. Descripción y exploración de datos| 

1.1. Introducción a la Estadística

1.1.1. Conceptos básicos Estadística
1.1.2. Objetivo del análisis exploratorio de datos o Estadística descriptiva
1.1.3. Tipos de variables y escalas de medida
1.1.4. Redondeos y notación científica

1.2. Resumen de datos estadísticos

1.2.1. Distribuciones de frecuencias: tablas
1.2.2. Agrupamiento en intervalos
1.2.3. Representaciones gráficas
1.2.4. Diagrama diferencial
1.2.5. Diagrama integral

1.3. Estadística descriptiva unidimensional

1.3.1. Características de posición central: media, mediana, moda
1.3.2. Otras características de posición: cuartiles, deciles y percentiles
1.3.3. Características de dispersión: varianza y desviación típica (muestrales y poblacionales), rango, rango intercuartil
1.3.4. Características de dispersión relativa
1.3.5. Puntuaciones tipificadas
1.3.6. Características de forma: simetría y curtosis

1.4. Complementos en el estudio de una variable

1.4.1. Análisis exploratorio: diagrama de caja y otros gráficos
1.4.2. Transformación de variables
1.4.3. Otras medias: geométrica, armónica, cuadrática
1.4.4. La desigualdad de Chebyshev

1.5. Estadística descriptiva bidimensional

1.5.1. Distribuciones de frecuencias bidimensionales
1.5.2. Tablas estadísticas de doble entrada. Distribuciones marginales y condicionadas
1.5.3. Conceptos de independencia y dependencia funcional
1.5.4. Representaciones gráficas

1.6. Complementos en el estudio de dos variables

1.6.1. Características numéricas de una distribución bidimensional
1.6.2. Momentos conjuntos, marginales y condicionados
1.6.3. Relación entre medidas marginales y condicionales

1.7. Regresión

1.7.1. Línea general de regresión
1.7.2. Curvas de regresión 
1.7.3. Ajuste lineal
1.7.4. Predicción y error

1.8. Correlación

1.8.1. Concepto de correlación
1.8.2. Razones de correlación
1.8.3. Coeficiente de correlación de Pearson
1.8.4. Análisis de la correlación

1.9. Correlación entre atributos

1.9.1. Coeficiente de Spearman
1.9.2. Coeficiente Kendall
1.9.3. Chi cuadrado

1.10. Introducción a las series temporales

1.10.1. Series temporales
1.10.2. Proceso estocástico

1.10.2.1. Procesos estacionarios
1.10.2.2. Procesos no estacionarios

1.10.3. Modelos
1.10.4. Aplicaciones

Módulo 2. Programación  

2.1. Introducción a la programación

2.1.1. Estructura básica de un ordenador
2.1.2. Software
2.1.3. Lenguajes de programación
2.1.4. Ciclo de vida de una aplicación informática

2.2. Diseño de algoritmos

2.2.1. La resolución de problemas
2.2.2. Técnicas descriptivas
2.2.3. Elementos y estructura de un algoritmo

2.3. Elementos de un programa

2.3.1. Origen y características del lenguaje C++
2.3.2. El entorno de desarrollo
2.3.3. Concepto de programa
2.3.4. Tipos de datos fundamentales
2.3.5. Operadores
2.3.6. Expresiones
2.3.7. Sentencias
2.3.8. Entrada y salida de datos

2.4. Sentencias de control

2.4.1. Sentencias
2.4.2. Bifurcaciones
2.4.3. Bucles

2.5. Abstracción y modularidad: funciones

2.5.1. Diseño modular
2.5.2. Concepto de función y utilidad
2.5.3. Definición de una función
2.5.4. Flujo de ejecución en la llamada de una función
2.5.5. Prototipo de una función
2.5.6. Devolución de resultados
2.5.7. Llamada a una función: parámetros
2.5.8. Paso de parámetros por referencia y por valor
2.5.9. Ámbito identificador

2.6. Estructuras de datos estáticas

2.6.1. Matrices
2.6.2. Matrices. Poliedros
2.6.3. Búsqueda y ordenación
2.6.4. Cadenas. Funciones de E/S para cadenas
2.6.5. Estructuras. Uniones
2.6.6. Nuevos tipos de datos

2.7. Estructuras de datos dinámicas: punteros

2.7.1. Concepto. Definición de puntero
2.7.2. Operadores y operaciones con punteros
2.7.3. Matrices de punteros
2.7.4. Punteros y matrices
2.7.5. Punteros a cadenas
2.7.6. Punteros a estructuras
2.7.7. Indirección múltiple
2.7.8. Punteros a funciones
2.7.9. Paso de funciones, estructuras y matrices como parámetros de funciones

2.8. Ficheros

2.8.1. Conceptos básicos
2.8.2. Operaciones con ficheros
2.8.3. Tipos de ficheros
2.8.4. Organización de los ficheros
2.8.5. Introducción a los ficheros C++
2.8.6. Manejo de ficheros

2.9. Recursividad

2.9.1. Definición de recursividad
2.9.2. Tipos de recursión
2.9.3. Ventajas e inconvenientes
2.9.4. Consideraciones
2.9.5. Conversión recursivo-iterativa
2.9.6. La pila de recursión

2.10. Prueba y documentación

2.10.1. Pruebas de programas
2.10.2. Prueba de la caja blanca
2.10.3. Prueba de la caja negra
2.10.4. Herramientas para realizar las pruebas
2.10.5. Documentación de programas

Módulo 3. Software estadístico I 

3.1. Introducción al entorno SPSS

3.1.1. Como funciona SPSS
3.1.2. Creación, listado y remoción de objetos en memoria

3.2. Consola en SPSS

3.2.1. Entorno consola en SPSS
3.2.2. Principales controles

3.3. Modo Script en SPSS

3.3.1. Entorno Script en SPSS
3.3.2. Principales comandos

3.4. Objetos en SPSS

3.4.1. Objetos
3.4.2. Leyendo datos desde un archivo
3.4.3. Guardando datos
3.4.4. Generación de datos

3.5. Estructuras de control de flujo de ejecución

3.5.1. Estructuras condicionales
3.5.2. Estructuras repetitivas/iterativas
3.5.3. Vectores y matrices

3.6. Operaciones con objetos

3.6.1. Creación de objetos
3.6.2. Conversión de objetos
3.6.3. Operadores
3.6.4. ¿Cómo acceder los valores de un objeto: el sistema de indexación?
3.6.5. Accediendo a los valores de un objeto con nombres
3.6.6. El editor de datos
3.6.7. Funciones aritméticas simples
3.6.8. Cálculos con matrices

3.7. Funciones en SPSS

3.7.1. Bucles y vectorización
3.7.2. Creando sus propias funciones

3.8. Gráficos en SPSS

3.8.1. Manejo de gráficos

3.8.1.1. Abriendo múltiples dispositivos gráficos
3.8.1.2. Disposición de una gráfica

3.8.2. Funciones gráficas
3.8.3. Parámetros gráficos

3.9. Paquetes de SPSS

3.9.1. Librería SPSS
3.9.2. Paquetes SPSS

3.10. Estadística en SPSS

3.10.1. Un ejemplo simple de análisis de varianza
3.10.2. Fórmulas
3.10.3. Funciones genéricas

Módulo 4. Software estadístico II 

4.1. Introducción al entorno R

4.1.1. ¿Cómo funciona R?
4.1.2. Creación, listado y remoción de objetos en memoria

4.2. Consola en R

4.2.1. Entorno consola en R
4.2.2. Principales controles

4.3. Modo Script en R

4.3.1. Entorno consola en R
4.3.2. Principales comandos

4.4. Objetos en R

4.4.1. Objetos
4.4.2. Leyendo datos desde un archivo
4.4.3. Guardando datos
4.4.4. Generación de datos

4.5. Estructuras de control de flujo de ejecución

4.5.1. Estructuras condicionales
4.5.2. Estructuras repetitivas/iterativas
4.5.3. Vectores y matrices

4.6. Operaciones con objetos

4.6.1. Creación de objetos
4.6.2. Conversión de objetos
4.6.3. Operadores
4.6.4. Como acceder los valores de un objeto: el sistema de indexación
4.6.5. Accediendo a los valores de un objeto con nombres
4.6.6. El editor de datos
4.6.7. Funciones aritméticas simples
4.6.8. Cálculos con matrices

4.7. Funciones en R

4.7.1. Bucles y vectorización
4.7.2. Escribiendo un programa en R
4.7.3. Creando sus propias funciones

4.8. Gráficos en R

4.8.1. Manejo de gráficos

4.8.1.1. Abriendo múltiples dispositivos gráficos
4.8.1.2. Disposición de una gráfica

4.8.2. Funciones gráficas
4.8.3. Comandos de graficación de bajo nivel
4.8.4. Parámetros gráficos
4.8.5. Los paquetes Grid y Lattice

4.9. Paquetes de R

4.9.1. Librería R
4.9.2. Paquetes R

4.10. Estadística en R

4.10.1. Un ejemplo simple de análisis de varianza
4.10.2. Fórmulas
4.10.3. Funciones genéricas

Módulo 5. Aplicaciones estadísticas a la industria 

5.1. Teoría de colas

5.1.1. Introducción
5.1.2. Sistemas de colas
5.1.3. Medidas de efectividad
5.1.4. El proceso de Poisson
5.1.5. La distribución exponencial
5.1.6. Proceso de nacimiento y muerte
5.1.7. Modelos de colas con un servidor
5.1.8. Modelos con múltiples servidores
5.1.9. Modelos de colas con capacidad limitad
5.1.10. Modelos con fuentes finitas
5.1.11. Modelos generales

5.2. Introducción a grafos

5.2.2. Conceptos básicos
5.2.3. Grafos orientados y no orientados
5.2.4. Representaciones matriciales: matrices de adyacencia y de incidencia

5.3. Aplicaciones de grafos

5.3.1. Árboles: propiedades
5.3.2. Árboles enraizados
5.3.3. Algoritmo de búsqueda en profundidad
5.3.4. Aplicación a la determinación de bloques
5.3.5. Algoritmo de búsqueda en anchura
5.3.6. Árbol recubridor de peso mínimo

5.4. Caminos y distancias

5.4.1. Distancia en grafos
5.4.2. Algoritmo del camino crítico

5.5. Flujo máximo

5.5.1. Redes de transporte
5.5.2. Distribución de flujo a coste mínimo

5.6. Técnica de evaluación y revisión de programas (PERT)

5.6.1. Definición
5.6.2. Método
5.6.3. Aplicaciones

5.7. Método del camino crítico o de la ruta crítica (CPM)

5.7.1. Definición
5.7.2. Método
5.7.3. Aplicaciones

5.8. Gestión de proyectos

5.8.1. Diferencias y ventajas entre los métodos PERT y CPM
5.8.2. Procedimiento para trazar un modelo de red
5.8.3. Aplicaciones con duración de las actividades aleatorias

5.9. Inventarios deterministas

5.9.1. Costos asociados a los flujos
5.9.2. Costos asociados a los stocks o de almacenamiento
5.9.3. Costos asociados a los procesos. Planificación de reaprovisionamiento
5.9.4. Modelos de gestión de inventarios

5.10. Inventarios probabilísticos

5.10.1. Nivel de servicio y stock de seguridad
5.10.2. Tamaño óptimo de pedido
5.10.3. Un periodo
5.10.4. Varios periodos
5.10.5. Revisión continua
5.10.6. Revisión periódica

Módulo 6. Diseños muestrales 

6.1. Consideraciones generales sobre muestreo

6.1.1. Introducción
6.1.2. Notas históricas
6.1.3. Concepto de población, marco y muestra
6.1.4. Ventajas y desventajas del muestreo
6.1.5. Etapas de un proceso muestral
6.1.6. Aplicaciones del muestreo
6.1.7. Tipos de muestreo
6.1.8. Diseños muéstrales

6.2. El muestreo aleatorio simple

6.2.1. Introducción
6.2.2. Definición del diseño muestral MAS (N, n), MASR y parámetros asociados
6.2.3. Estimación de parámetros poblacionales
6.2.4. Determinación del tamaño muestral (sin reposición)
6.2.5. Determinación del tamaño muestral (con reposición)
6.2.6. Comparación entre muestreo aleatorio simple sin y con reposición
6.2.7. Estimación en subpoblaciones

6.3. Muestreos probabilísticos

6.3.1. Introducción
6.3.2. Diseño o procedimiento muestrales
6.3.3. Estadísticos, estimadores y sus propiedades
6.3.4. Distribución de un estimador en el muestreo
6.3.5. Selección de unidades sin y con reposición. Probabilidades iguales
6.3.6. Estimación simultánea de variables

6.4. Aplicaciones de muestreo probabilísticos

6.4.1. Aplicaciones principales
6.4.2. Ejemplos

6.5. Muestreo aleatorio estratificado

6.5.1. Introducción
6.5.2. Definición y características
6.5.3. Estimadores bajo M.A.E(n)
6.5.4. Afijaciones
6.5.5. Determinación del tamaño muestral
6.5.6. Otros aspectos del M.A.E

6.6. Aplicaciones de muestreo aleatorio estratificado

6.6.1. Aplicaciones principales
6.6.2. Ejemplos

6.7. Muestreo sistemático

6.7.1. Introducción
6.7.2. Estimaciones en el muestreo sistemático
6.7.3. Descomposición de la varianza en muestreo sistemático
6.7.4. Eficiencia del muestreo sistemático comparado al MAS
6.7.5. Estimación de la varianza: muestras replicadas o interpenetrantes

6.8. Aplicaciones muestreo sistemático

6.8.1. Aplicaciones principales
6.8.2. Ejemplos

6.9. Métodos indirectos de estimación

6.9.1. Métodos de razón
6.9.2. Métodos de regresión

6.10. Aplicaciones de métodos indirectos de estimación

6.10.1. Aplicaciones principales
6.10.2. Ejemplos

Módulo 7. Técnicas estadísticas multivariantes I 

7.1. Análisis factorial

7.1.1. Introducción
7.1.2. Fundamentos del análisis factorial
7.1.3. Análisis factorial
7.1.4. Métodos de rotación de factores e interpretación del análisis factorial

7.2. Modelización análisis factorial

7.2.1. Ejemplos
7.2.2. Modelización en software estadístico

7.3. Análisis de componentes principales

7.3.1. Introducción
7.3.2. Análisis de componentes principales
7.3.3. Sistemática del análisis de componentes principales

7.4. Modelización análisis de componentes principales

7.4.1. Ejemplos
7.4.2. Modelización en software estadístico

7.5. Análisis de correspondencia

7.5.1. Introducción
7.5.2. Test de independencia
7.5.3. Perfiles fila y perfiles columna
7.5.4. Análisis de la Inercia de una nube de puntos
7.5.5. Análisis de correspondencias múltiple

7.6. Modelización análisis de correspondencia

7.6.1. Ejemplos
7.6.2. Modelización en software estadístico

7.7. Análisis discriminante

7.7.1. Introducción
7.7.2. Reglas de decisión para dos grupos
7.7.3. Clasificación sobre varias poblaciones
7.7.4. Análisis canónico discriminante de Fisher
7.7.5. Elección de variables: procedimiento Forwrad y Backward
7.7.6. Sistemática del análisis discriminante

7.8. Modelización análisis discriminante

7.8.1. Ejemplos
7.8.2. Modelización en software estadístico

7.9. Análisis clúster

7.9.1. Introducción
7.9.2. Medidas de distancia y similitud
7.9.3. Algoritmos de clasificación jerárquica
7.9.4. Algoritmos de clasificación no jerárquica
7.9.5. Procedimientos para determinar el número adecuado de grupos
7.9.6. Caracterización de los clústeres
7.9.7. Sistemática del análisis clúster

7.10. Modelización análisis clúster

7.10.1. Ejemplos
7.10.2. Modelización en software estadístico

Módulo 8. Técnicas estadísticas multivariantes II 

8.1. Introducción

8.2. Escala nominal

8.2.1. Medidas de asociación para tablas 2x2

8.2.1.1. Coeficiente Phi
8.2.1.2. Riesgo relativo
8.2.1.3. Razón de productos cruzados (Odds Ratio)

8.2.2. Medidas de asociación para tablas IxJ

8.2.2.1. Coeficiente de contingencia
8.2.2.2. V de Cramer
8.2.2.3. Lambdas
8.2.2.4. Tau de Goodman y Kruskal
8.2.2.5. Coeficiente de incertidumbre

8.2.3. El coeficiente Kappa

8.3. Escala ordinal

8.3.1. Coeficiewntes Gamma
8.3.2. Tau-b y Tau-c de Kendall
8.3.3. D de Sommers

8.4. Escala de intervalo o de razón

8.4.1. Coeficiente Eta
8.4.2. Coeficientes de correlación de Pearson y de Spearman

8.5. Análisis estratificado en tablas 2x2

8.5.1. Análisis estratificado
8.5.2. Análisis estratificado en tablas 2x2

8.6. Formulación del problema en modelos loglineales

8.6.1. El modelo saturado para dos variables
8.6.2. El modelo saturado general
8.6.3. Otros tipos de modelos

8.7. El modelo saturado

8.7.1. Cálculo de los efectos
8.7.2. Bondad del ajuste
8.7.3. Prueba de los k efectos
8.7.4. Prueba de asociación parcial

8.8. El modelo jerárquico

8.8.1. El método Backward

8.9. Modelos de respuesta Probit

8.9.1. Formulación del problema
8.9.2. Estimación de los parámetros
8.9.3. Prueba de bondad de ajuste ji-cuadrado
8.9.4. Prueba de paralelismo para grupos
8.9.5. Estimación de la dosis necesaria para obtener una determinada proporción de respuesta

8.10. Regresión logística binaria

8.10.1. Formulación del problema
8.10.2. Variables cualitativas en la regresión logística
8.10.3. Selección de las variables
8.10.4. Estimación de los parámetros
8.10.5. Bondad del ajuste
8.10.6. Clasificación de los individuos
8.10.7. Predicción

Módulo 9. Metodología seis sigma para la mejora de la calidad 

9.1.  Aseguramiento estadístico de la calidad

9.1.1. Introducción
9.1.2. Aseguramiento estadístico de la calidad

9.2. Metodología Seis Sigma

9.2.1. Normativa de calidad
9.2.2. Metodología Seis Sigma

9.3. Gráficos de control

9.3.1. Introducción
9.3.2. Proceso en estado de control estadístico y proceso fuera de control
9.3.3. Gráficos de control y contrastes de hipótesis
9.3.4. Base Estadística de los gráficos de control. Modelo general
9.3.5. Tipos de gráficos de control

9.4. Otras herramientas básicas del SPC

9.4.1. Caso práctico ilustrativo
9.4.2. El resto de las “Siete Magníficas”

9.5. Gráficos de control para atributo

9.5.1. Introducción
9.5.2. Gráficos de control para la fracción no conforme
9.5.3. Gráficos de control para el número de no conformes
9.5.4. Gráficos de control para defectos

9.6. Gráficos de control para variables

9.6.1. Introducción
9.6.2. Gráficos de control de la media y el rango
9.6.3. Gráficos de control para unidades individuales
9.6.4. Gráficos de control basados en medias móviles

9.7. Muestreo de aceptación lote a lote por atributos

9.7.1. Introducción
9.7.2. Muestreo simple por atributos
9.7.3. Muestreo doble por atributos
9.7.4. Muestreo múltiple por atributos
9.7.5. Muestreo secuencial
9.7.6. Inspección con rectificación

9.8. Análisis de capacidad del proceso y del sistema de medición

9.8.1. Análisis de capacidad del proceso
9.8.2. Estudios de capacidad de sistemas de medición
9.9. Introducción a la metodología Taguchi para la optimización de procesos
9.9.1. Introducción a la metodología Taguchi
9.9.2. Calidad a través de la optimización de procesos

9.10. Casos prácticos

9.10.1. Casos prácticos para los gráficos de control para atributos
9.10.2. Casos prácticos para los gráficos de control para variables
9.10.3. Casos prácticos para el muestreo de aceptación lote a lote por atributos
9.10.4. Casos prácticos para el análisis de capacidad del proceso y del sistema de medición
9.10.5. Casos prácticos ilustrativo para la introducción a la metodología Taguchi para la optimización de procesos

Módulo 10. Técnicas avanzadas de predicción 

10.1. El modelo general de regresión lineal

10.1.1. Definición
10.1.2. Propiedades
10.1.3. Ejemplos

10.2. Regresión de mínimos cuadrados parciales

10.2.1. Definición
10.2.2. Propiedades
10.2.3. Ejemplos

10.3. Regresión sobre componentes principales

10.3.1. Definición
10.3.2. Propiedades
10.3.3. Ejemplos

10.4. Regresión RRR

10.4.1. Definición
10.4.2. Propiedades
10.4.3. Ejemplos

10.5. Regresión Ridge

10.5.1. Definición
10.5.2. Propiedades
10.5.3. Ejemplos

10.6. Regresión Lasso

10.6.1. Definición
10.6.2. Propiedades
10.6.3. Ejemplos

10.7. Regresión Elasticnet

10.7.1. Definición
10.7.2. Propiedades
10.7.3. Ejemplos

10.8. Modelos de predicción no lineal

10.8.1. Modelos de regresión no lineales
10.8.2. Mínimos cuadrados no lineales
10.8.3. Transformación a un modelo lineal

10.9. Estimación de parámetros en un sistema no lineal

10.9.1. Linealización
10.9.2. Otros métodos de estimación de parámetros
10.9.3. Valores iniciales
10.9.4. Programas de cómputo

10.10. Inferencia Estadística en regresión no lineal

10.10.1. La inferencia Estadística en la regresión no lineal
10.10.2. Validación de la inferencia aproximada
10.10.3. Ejemplos

Tienes ante ti la oportunidad perfecta para darle a tu carrera un giro de 180º y especializarte en un área en auge y con expectativas de futuro, como es la Estadística Computacional. ¿Vas a dejarla pasar?”