¿Te gustaría convertirte en una Especialización en Predicción y no tienes tiempo para asistir a clases presenciales? Estás, entonces, ante la opción perfecta para conseguirlo. ¿Confías en TECH?”

El comportamiento humano, las tendencias sociales, los resultados de una campaña política, el desarrollo de la ciencia, los conflictos armados o la epidemiología de una enfermedad son tan solo unas pocas actividades en las que la Predicción Estadística juega un papel fundamental en la estimación de lo que ocurrirá en el futuro de cada una de ellas y, por lo tanto, en su evolución. Y es que, a pesar de que no se trata de una ciencia exacta, la probabilidad basada en las condiciones ya existentes de un determinado contexto, es capaz de establecer, con un mínimo margen de error, cuál será el plan de actuación óptimo para alcanzar los mejores resultados.

Anticiparse a lo que ocurrirá en base al estudio exhaustivo de las claves estructurales de un proyecto ha permitido a millones de entidades públicas y privadas desarrollar estrategias empresariales, sociales y económicas gracias a las cuales han logrado alcanzar el éxito. Por ello, y con el fin de proporcionar a todos los interesados en esta área la información que les permita ponerse al día sobre los avances que se han realizado en cuanto a estadística multivariante y predicción avanzada, TECH y su equipo de profesionales han desarrollado este completísimo Especialización. A través de 450 horas de capacitación teórico-práctica, el egresado podrá ahondar en las novedades de los distintos modelos de estimación lineal, así como en las herramientas más innovadoras para su aplicación en los diferentes contextos actuales. También trabajará con las distintas escalas, desde la nominal hasta la de intervalo o de razón, concluyendo con un análisis exhaustivo de las múltiples técnicas de regresión, sus características y las ventajas y desventajas de su empleo en determinados casos.

Y para superar la totalidad de los requisitos de la titulación, contará con 6 meses para acceder, sin horarios, al Campus Virtual y para ir superando los 3 módulos que incluye. Además, contará con material adicional de gran calidad presentado en diferentes formatos, para que ahonde de manera personalizada en los aspectos que considere más importantes o relevantes para su desarrollo y desempeño profesional. Es, por lo tanto, una oportunidad única para especializarse en el ámbito de la Predicción Estadística a través de una experiencia académica 100% online que se adapta a él, a sus necesidades y a los requisitos más exigentes del mercado laboral actual.  

El mejor programa del mercado académico actual para ahondar en los métodos de predicción lineal que están marcando tendencia en el sector de la Estadística Aplicada”

Esta Especialización en Predicción 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 Aplicada
• 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

Trabajarás con la información más exhaustiva y diversa sobre las técnicas estadísticas multivariantes, desde la escala nominal al modelo de regresión logística binaria”

El programa incluye, en su cuadro docente, a 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.

¿Conoces en su totalidad la aplicación de las propiedades de las matrices idempotentes? Si quieres conseguirlo, matricúlate en esta Especialización y encontrarás todo lo que necesitas"

Podrás ahondar en las técnicas de análisis estratificado en tablas 2x2, así como en la formulación del problema en modelos loglineales a través de contenido teórico, práctico y adicional"

TECH es referente en el panorama académico online por la altísima calidad de sus titulaciones, así como por ser pionera en el empleo de técnicas metodológicas innovadoras, como el proceso de aprendizaje basado en el Relearning, que consiste en reiterar los conceptos más importantes a lo largo del temario para que el egresado pueda ir implementándolos a su conocimiento de manera natural y progresiva, sin necesidad de invertir horas de más en memorizar. Además, cada uno de sus programas incluye material adicional diverso, gracias al cual puede ahondar de manera personalizada en los diferentes aspectos del contenido, asistiendo a una experiencia académica adaptada a las exigencias de todos los profesionales.

Tendrás acceso a 450 horas de material teórico, práctico y adicional con el cual podrás ahondar de manera personalizada y en base a tus exigencias en los distintos apartados del temario”

Módulo 1. Métodos de predicción lineal

1.1. El modelo de Regresión lineal simple

1.1.1. Introducción a los modelos de regresión y pasos previos en la regresión simple: exploración de los datos
1.1.2. Modelo
1.1.3. Hipótesis
1.1.4. Parámetros

1.2. Estimación y contrastes de la regresión lineal simple

1.2.1. Estimación puntual de los parámetros del modelo

1.2.1.1. Método de mínimos cuadrados
1.2.1.2. Los estimadores de máxima verosimilitud

1.2.2. Inferencia sobre los parámetros del modelo bajo las hipótesis de Gauss-Markov

1.2.2.1. Intervalos
1.2.2.2. Test

1.2.3. Intervalo de confianza para la respuesta media e intervalo de predicción de nuevas observaciones
1.2.4. Inferencias simultáneas en la regresión simple
1.2.5. Bandas de confianza y de predicción

1.3. Diagnosis y validación del modelo de regresión lineal simple

1.3.1. Análisis de la varianza (ANOVA) del modelo de regresión simple
1.3.2. Diagnósticos del modelo

1.3.2.1. Evaluación gráfica de la linealidad y verificación de las hipótesis mediante el análisis de los residuos
1.3.2.2. Test de falta de ajuste lineal

1.4. El modelo de regresión lineal múltiple

1.4.1. Exploración de los datos con herramientas de visualización multidimensional
1.4.2. Expresión matricial del modelo y los estimadores de los coeficientes
1.4.3. Interpretación de los coeficientes del modelo múltiple

1.5. Estimación y contrastes de la regresión lineal múltiple

1.5.1. Leyes de los estimadores de los coeficientes, de las predicciones y de los residuos
1.5.2. Aplicación de las propiedades de las matrices idempotentes
1.5.3. Inferencia en el modelo lineal múltiple
1.5.4. Anova del modelo

1.6. Diagnosis y validación del modelo de regresión lineal múltiple

1.6.1. Test de “ligaduras” para resolver restricciones lineales sobre los coeficientes

1.6.1.1. El principio de la variabilidad incremental

1.6.2. Análisis de los residuos
1.6.3. Transformaciones de Box-Cox

1.7. El problema de la multicolinealidad

1.7.1. Detección
1.7.2. Soluciones

1.8. Regresión polinómica

1.8.1. Definición y ejemplo
1.8.2. Forma de matriz y cálculo de estimaciones
1.8.3. Interpretación
1.8.4. Aproximaciones alternativas

1.9. Regresión con variable cualitativas

1.9.1. Variables ficticias en regresión (dummies)
1.9.2. Interpretación de los coeficientes
1.9.3. Aplicaciones

1.10. Criterio de selección de modelos

1.10.1. El estadístico Cp de Mallows
1.10.2. La validación cruzada de modelos
1.10.3. La selección automática por pasos

Módulo 2. Técnicas estadísticas multivariantes

2.1. Introducción
2.2. Escala nominal

2.2.1. Medidas de asociación para tablas 2x2

2.2.1.1. Coeficiente Phi
2.2.1.2. Riesgo relativo
2.2.1.3. Razón de productos cruzados (odds ratio)

2.2.2. Medidas de asociación para tablas IxJ

2.2.2.1. Coeficiente de contingencia
2.2.2.2. V de Cramer
2.2.2.3. Lambdas
2.2.2.4. Tau de Goodman y Kruskal
2.2.2.5. Coeficiente de incertidumbre

2.2.3. El Coeficiente Kappa

2.3. Escala ordinal

2.3.1. Coeficientes Gamma
2.3.2. Tau-b y Tau-c de Kendall
2.3.3. D de Sommers

2.4. Escala de intervalo o de razón

2.4.1. Coeficiente Eta
2.4.2. Coeficientes de correlación de Pearson y de Spearman

2.5. Análisis estratificado en tablas 2x2

2.5.1. Análisis estratificado
2.5.2. Análisis estratificado en tablas 2x2

2.6. Formulación del problema en modelos loglineales

2.6.1. El modelo saturado para dos variables
2.6.2. El modelo saturado general
2.6.3. Otros tipos de modelos

2.7. El modelo saturado

2.7.1. Cálculo de los efectos
2.7.2. Bondad del ajuste
2.7.3. Prueba de los k efectos
2.7.4. Prueba de asociación parcial

2.8. El modelo Jerárquico

2.8.1. El método Backward

2.9. Modelos de respuesta probit

2.9.1. Formulación del problema
2.9.2. Estimación de los parámetros
2.9.3. Prueba de bondad de ajuste ji-cuadrado
2.9.4. Prueba de paralelismo para grupos
2.9.5. Estimación de la dosis necesaria para obtener una determinada proporción de respuesta

2.10. Regresión logística binaria

2.10.1. Formulación del problema
2.10.2. Variables cualitativas en la regresión logística
2.10.3. Selección de las variables
2.10.4. Estimación de los parámetros
2.10.5. Bondad del ajuste
2.10.6. Clasificación de los individuos
2.10.7. Predicción

Módulo 3. Técnicas avanzadas de predicción

3.1. El modelo general de regresión lineal

3.1.1. Definición
3.1.2. Propiedades
3.1.3. Ejemplos

3.2. Regresión de mínimos cuadrados parciales

3.2.1. Definición
3.2.2. Propiedades
3.2.3. Ejemplos

3.3. Regresión sobre componentes principales

3.3.1. Definición
3.3.2. Propiedades
3.3.3. Ejemplos

3.4. Regresión RRR

3.4.1. Definición
3.4.2. Propiedades
3.4.3. Ejemplos

3.5. Regresión Ridge

3.5.1. Definición
3.5.2. Propiedades
3.5.3. Ejemplos

3.6. Regresión Lasso

3.6.1. Definición
3.6.2. Propiedades
3.6.3. Ejemplos

3.7. Regresión Elasticnet

3.7.1. Definición
3.7.2. Propiedades
3.7.3. Ejemplos

3.8. Modelos de predicción no lineal

3.8.1. Modelos de regresión no lineales
3.8.2. Mínimos cuadrados no lineales
3.8.3. Transformación a un modelo lineal

3.9. Estimación de parámetros en un sistema no lineal

3.9.1. Linealización
3.9.2. Otros métodos de estimación de parámetros
3.9.3. Valores iniciales
3.9.4. Programas de cómputo

3.10. Inferencia estadística en regresión no lineal

3.10.1. La inferencia estadística en la regresión no lineal
3.10.2. Validación de la inferencia aproximada
3.10.3. Ejemplos

Contarás con ejemplos teóricos y prácticos de cada módulo, para que puedas conceptualizar tanto la información como las técnicas y estrategias de predicción que encontrarás en esta Especialización”