Estadística Aplicada con Python

Presentación

Python se ha consolidado como el lenguaje principal para el análisis de datos y la estadística aplicada, gracias a su potente ecosistema de bibliotecas científicas y su versatilidad en entornos profesionales. Este curso ofrece una formación que abarca desde los fundamentos de la estadística descriptiva hasta técnicas avanzadas de inferencia y modelado predictivo, utilizando herramientas como pandas, SciPy, statsmodels y scikit-learn.

A lo largo del curso, los participantes aprenderán a transformar datos en insights accionables, dominando todo el flujo de trabajo analítico: limpieza y exploración de datos, creación de modelos estadísticos robustos y comunicación efectiva de resultados. Todo este proceso se llevará a cabo en Google Colab, un entorno en la nube basado en Jupyter Notebooks, que ofrece ventajas significativas: acceso inmediato sin configuración, potencia computacional con GPUs gratuitas, colaboración en tiempo real y almacenamiento integrado con Google Drive, eliminando así las barreras técnicas para que los estudiantes puedan concentrarse plenamente en su aprendizaje y desarrollo profesional.

Al culminar el programa, los participantes habrán desarrollado competencias esenciales para abordar problemas complejos mediante análisis estadísticos rigurosos, y estarán en condiciones de aplicar estos conocimientos en diversos ámbitos, como el sector empresarial, la investigación científica o la formulación de políticas públicas. El enfoque práctico del curso, basado en casos reales y proyectos aplicados, garantiza que los participantes no solo comprendan los conceptos teóricos, sino que también adquieran la experiencia necesaria para implementar soluciones estadísticas eficaces en sus respectivos contextos laborales o académicos.

Objetivos específicos

• Aprender a limpiar, transformar y visualizar datos usando pandas y Seaborn en Google Colab, identificando patrones y anomalías en conjuntos de datos reales.
• Ejecutar pruebas de hipótesis (t-Student, ANOVA, Wilcoxon, Chi-cuadrado) con SciPy y statsmodels, interpretando resultados para la toma de decisiones.
• Implementar modelos de regresión simple y múltiple, evaluando su rendimiento mediante métricas como R² y p-valores, con aplicaciones en casos reales.
• Modelar tendencias y estacionalidad con ARIMA/SARIMA, y aplicar pruebas de causalidad de Granger para relaciones predictivas.

Dirigido a

Dirigido a profesionales y académicos de diversas áreas como finanzas, marketing, operaciones, ingeniería, ciencias biomédicas y sociales, que buscan dominar herramientas estadísticas aplicadas con Python; el curso está especialmente diseñado para analistas de datos que necesitan fortalecer sus fundamentos estadísticos, líderes que requieren interpretar resultados para la toma de decisiones estratégicas, investigadores que aplican métodos cuantitativos en sus trabajos, y emprendedores que desean incorporar análisis predictivos en sus proyectos.

Plan de Estudios

• Estadística descriptiva y visualización de datos
  • Fundamentos de programación en Python 3
  • Análisis exploratorio de datos (EDA)
  • Medidas de tendencia central: Media, mediana y moda
  • Medidas de posición: Cuartiles, deciles y percentiles
  • Medidas de dispersión: Varianza, desviación estándar y rango
  • Visualización de datos con Matplotlib y Seaborn.

• Pruebas de Hipótesis
  • Distribución normal estándar (Z), t-Student, Chi-cuadrado y F de Fisher
  • Prueba de normalidad: Shapiro-Wilk y Kolmogorov-Smirnov
  • Pruebas paramétricas: T-Student (una muestra, muestras pareadas e independientes)
  • Construcción e interpretación de Intervalos de confianza
  • Aplicaciones a datos reales.

• Correlación, regresión lineal simple y múltiple, Análisis de Varianza de uno y dos factores.
  • Análisis de correlación
  • Modelos de regresión lineal simple y múltiple
  • ANOVA de un factor (comparación de medias entre más de 2 grupos)
  • ANOVA de dos factores
  • Casos prácticos con datos reales

• Pruebas no paramétricas.
  • Prueba de rangos con signo de Wilcoxon (muestras relacionadas)
  • Prueba de U Mann Whitney (muestras independientes)
  • Prueba chi-cuadrado para bondad de ajuste
  • Prueba chi-cuadrado para homogeneidad e independencia (Tablas de contingencia)
  • Prueba de Kruskal-Wallis (tres o más muestras independientes)

• Web scraping, series de tiempo y causalidad de Granger
  • Web scraping con python: BeautifulSoup y Scrapy
  • Análisis de series de tiempo (tendencias y estacionalidad)
  • Modelos ARIMA Y SARIMA
  • Pruebas de causalidad de Granger
  • Aplicaciones a datos reales

Expositores

Yuri Juan Balcona Mamani

Magíster en Matemáticas por la Universidad Federal de Minas Gerais (Brasil). Bachiller y Licenciado en Matemáticas por la Universidad Nacional de San Agustín de Arequipa, y actualmente candidato a Doctor en Estadística Aplicada por la Universidad Nacional del Altiplano. Cuenta con diplomados en Data Science y Métodos Estadísticos por la Universidad Católica San Pablo.

Es docente en la Universidad Nacional de San Agustín de Arequipa, la Universidad Católica San Pablo y la Universidad Continental. Ha participado como ponente y asistente en diversos congresos nacionales e internacionales, y se especializa en temas como Energía de Willmore y Series de Tiempo.

Metodología

La metodología implementada será virtual, utilizando clases magistrales síncronas para el desarrollo de los contenidos. Se promoverá la integración y la participación activa de los estudiantes en el aula a través de exposiciones, foros de discusión y trabajos colaborativos. Adicionalmente, se asignarán horas no lectivas específicamente destinadas al desarrollo de prácticas calificadas, las cuales se llevarán a cabo mediante la plataforma Moodle.

Requisitos de admisión

• Ficha de datos (personales, profesional, académicos, entre otros).
• Comprobante de pago.
• Correo en extensión Gmail para el acceso a las sesiones en Google Meet.

Duración

06 semanas.

Calendario

Inversión

• Pronto pago hasta el 04 de julio: S/ 275.00.
• Inversión: S/ 310.00.
• Descuentos:
  • 5% de descuento corporativo (2 personas)
  • 10% de descuento corporativo (3 personas a más)
  • 20% de descuento para alumnos y antiguos alumnos UCSP
• Cierre de inscripciones: 21 de julio de 2025.

Certificación

Certificado digital otorgado por Dirección de la Escuela de Postgrado, el Departamento de Matemática y Estadística

Organiza