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. 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.

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:

1. Prueba de Anderson-Darling

2. Prueba de Shapiro-Wilks

3. Prueba de Levene

4. Prueba de Mann-Whitney

5. Prueba de Kruskal-Wallis

6. Prueba de los rangos con signo de Wilcoxon

7. Prueba de Friedman

8. Coeficiente de correlación no paramétrico de Spearman

Ejemplos 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:

1. ¿Qué suposiciones asumen los métodos paramétricos?

2. ¿Cómo verificar si nuestros datos cumplen o no estas suposiciones?

3. ¿Qué hacer en caso de que no las cumplan?

4. Según nuestro objetivo, ¿qué método utilizar en la práctica?

5. ¿Cómo redactar un buen informe con los resultados bien explicados (tanto numéricos como visuales)?

Todo esto lo aprenderás en este curso, y al finalizar serás capaz de poner en práctica estos conocimientos por ti mismo tanto en R como en Python.

¿Te apuntas?

¡Nos vemos en clase!