Curso de análisis estadístico moderno con R que integra programación, visualización, simulación Montecarlo, remuestreo, diseños experimentales, métodos robustos y fundamentos de aprendizaje automático.

1. Instalación de R, RStudio y Posit.
2. Estructura de datos en R.
3. La librería dplyr y el enfoque Tidy.
4. La simulación como herramienta computacional para la solución y entendimiento de problemas estadísticos.
5. Simulación Montecarlo: error estándar de un estadístico y comparación con el error estándar teórico.
6. Simulación Bootstrap: error estándar de un estadístico y comparación con el error estándar teórico y Montecarlo.
7. Simulación Jackknife: error estándar de un estadístico y comparación con el error estándar teórico, Montecarlo y Bootstrap.
8. Visualización de datos.
9. Reducción de varianza con método Montecarlo.
10. Jackknife después de Bootstrap.
11. Intervalos de confianza Bootstrap y comparación con métodos tradicionales.
12. Bootstrapping con dependencias.
13. Medidas de similaridad.
14. Matrices de correlación.
15. Introducción a las pruebas de hipótesis con consideraciones modernas.
16. Estimación de potencia de pruebas mediante remuestreo.
17. Diseño de experimentos y modelos lineales: enfoque usual.
18. El papel de la simulación en el análisis de la varianza.
19. Diseño de experimentos y modelos lineales: enfoque robusto.
20. Machine Learning: introducción, métodos, entrenamiento y prueba, regresión múltiple y logística.
21. Bootstrapping en Machine Learning.
22. Aprendizaje no supervisado: clústeres jerárquicos.
23. Aprendizaje no supervisado: componentes principales.