MATLAB con titulación en estadística

Conceptos básicos de MATLAB (aprox. 2 días)

Interfaz de usuario de MATLAB

Lectura de datos de un archivo

Variables, matrices, operadores, funciones básicas

Representación gráfica de datos

Personalización de diagramas

Exportación de gráficos

Variables y comandos (aprox. 2 días)

Operadores relacionales y lógicos

Conjuntos, conjuntos con sólidos 2D (polyshape)

Realización de cálculos matemáticos y estadísticos con vectores

Gráficos en estadística

Análisis y visualización (aprox. 1 día)

Creación y modificación de matrices

Operaciones matemáticas con matrices

Representación gráfica de datos matriciales

Aplicaciones matriciales: Mapeo, rotación, sistemas de ecuaciones lineales, método de los mínimos cuadrados

Inteligencia artificial (IA) en el proceso de trabajo

Presentación de tecnologías específicas de IA

y posibles aplicaciones en el entorno profesional

Tratamiento de datos (aprox. 1 día)

Tipos de datos: Matrices de estructura, matrices de celdas, string vs. char, categórico, datetime y muchos más

Creación y organización de datos tabulares

Selección condicional de datos

Importación/exportación con Matlab: estructuras de carpetas, datos .mat, datos de tablas, textos continuos

Programación en MATLAB (aprox. 3 días)

Estructuras de control: bucles, if-else, excepciones

Funciones

Programación orientada a objetos

Diseño de aplicaciones

Simulación en MATLAB (aprox. 5 días)

Integración y diferenciación numéricas

Fundamentos de la simulación de ecuaciones diferenciales ordinarias, ODE de Matlab y opciones del solucionador

Tecnología de simulación en Matlab: parámetros de entrada, interpolación de datos, estudios de simulación

Control de simulación: funciones de evento (paso por cero), funciones de salida

Ejemplos de aplicación, p. ej. simulación de un motor eléctrico, simulación de un cohete

Simulink (aprox. 4 días)

Conceptos básicos de Simulink: Diagramas, funciones, señales y ecuaciones diferenciales

Funciones, subsistemas y bibliotecas

Importación/exportación, tablas de consulta, control

Paso por cero, automatización de tareas de simulación (acceso a Matlab)

Ejemplos de aplicación, por ejemplo, simulación del tren de transmisión de un avión

Trabajo de proyecto (aprox. 2 días)

Consolidar los contenidos aprendidos

Presentación de los resultados del proyecto

Fundamentos de estadística (aprox. 6 días)

Fundamentos de la teoría de la medición (población, muestra, tipos de muestra, medición, niveles de escala)

Estadística descriptiva univariante (distribuciones de frecuencia, medidas centrales, medidas de dispersión, estandarización, histogramas, diagramas de barras, diagramas circulares, diagramas de líneas, diagramas de caja)

Estadística descriptiva bivariante (medidas de correlación, coeficientes de correlación, tablas cruzadas, gráficos de dispersión, gráficos de barras agrupadas)

Fundamentos de la estadística inferencial inductiva (distribuciones de probabilidad, distribución normal, distribución muestral de la media, prueba de significación, prueba de hipótesis nula, nivel de significación, tamaño del efecto, estimación de parámetros, intervalos de confianza, gráficos de barras de error, análisis de potencia, tamaño de la muestra).

Preparación y depuración de datos con el software adecuado

Análisis descriptivo

Visualización de resultados estadísticos

Análisis e interpretación de resultados estadísticos asistidos por IA

Métodos para comparar dos grupos (aprox. 5 días)

prueba z, prueba t para una muestra

prueba t para muestras independientes y relacionadas

Diseños pretest-postest con dos grupos

Pruebas de significación de apoyo (prueba de Anderson-Darling, prueba de Ryan-Joiner, prueba de Levene, prueba de Bonett, prueba de significación para correlaciones)

Métodos no paramétricos (prueba de Wilcoxon, prueba de signos, prueba de Mann-Whitney)

Análisis de contingencia (prueba binomial, prueba exacta de Fisher, prueba chi-cuadrado, tabulaciones cruzadas, medidas de asociación)

Interpretación de los resultados de las pruebas

Interpretación de resultados asistida por IA

Fundamentos del análisis de regresión (aprox. 2 días)

Regresión lineal

Interpretación de modelos

Interpretación de modelos asistida por IA

Análisis de correlación

Métodos para comparar las medias de varios grupos (aprox. 3 días)

Análisis de varianza (ANOVA) monofactorial y bifactorial

Análisis post-hoc

Interpretación de las diferencias entre grupos

Análisis multifactorial de la varianza (modelo lineal general)

Factores fijos, aleatorios, cruzados y anidados

Métodos de comparación múltiple (Tukey-HSD, Dunnett, Games-Howell)

Análisis de interacción

Análisis de potencia para análisis de varianza

Introducción al diseño de experimentos (DoE) (aprox. 1 día)

Diseños experimentales factoriales completos y factoriales parciales

Trabajo por proyectos (aprox. 3 días)

Consolidar los contenidos aprendidos

Presentación de los resultados del proyecto