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

• Adquirir una comprensión profunda y aplicar medidas de tendencia central, posición, dispersión y de forma para analizar y describir conjuntos de datos de manera precisa.
• Comprender el uso y la aplicación de distribuciones de probabilidad en la modelización de fenómenos aleatorios.
• Entender y aplicar los fundamentos de la estadística inferencial, incluyendo la estimación, los intervalos de confianza, las pruebas de hipótesis y el análisis de varianzas (ANOVA), para realizar inferencias válidas a partir de datos.
• Implementar técnicas estadísticas no paramétricas, para analizar y comparar grupos, así como evaluar las relaciones entre variables.
• Desarrollar habilidades en el análisis de regresión lineal, no lineal y la multilineal, para modelar relaciones entre variables y realizar predicciones.
• Manejar eficientemente Python para el procesamiento de datos, ejecución de análisis estadísticos avanzados y creación de visualizaciones que faciliten la interpretación y comunicación de resultados.
• Implementar y aplicar las herramientas de la inteligencia artificial, para desarrollar las pruebas paramétricas y no paramétricas realizadas en la estadística.

Dirigido a

Profesionales interesados en profundizar sus conocimientos y habilidades en estadística aplicada y análisis de datos utilizando Python. Este grupo incluye gerentes y ejecutivos de áreas como finanzas, producción, marketing, logística, y ventas, quienes se enfrentan a la necesidad de tomar decisiones informadas basadas en datos. También está dirigido a profesionales de áreas de humanidades, biomédicas, ciencias e ingenierías que buscan aplicar métodos estadísticos en sus campos de trabajo.

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.

Duración

10 sesiones.

Calendario

Inversión

• Pronto pago hasta el 17 de julio: S/ 280.00.
• Inversión: S/ 350.00.
• 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: 25 de julio de 2026.

Certificación

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

Organiza