Este cuaderno presenta un recorrido aplicado por los principales métodos de estadística multivariante, utilizando R y Python como lenguajes de análisis. Se desarrollan tópicos como espacios y distribuciones multivariantes, inferencia, análisis de componentes principales (PCA), análisis factorial, escalamiento multidimensional, técnicas de clusterización, clasificación y regresión multivariante con regularización. El objetivo es ilustrar la aplicación práctica de estas metodologías sobre datos simulados y reales, reforzando las bases estadísticas y mostrando su potencial en la ciencia de datos y el aprendizaje automático.

El documento trata sobre cómo estimar efectos causales del uso de mosquiteros en la malaria usando datos observacionales, aplicando diagramas causales, regresiones ajustadas y emparejamiento para controlar sesgos y obtener inferencias más confiables.

En el presente documento se evalúa un modelo de redes neuronales, mediante la metodología crisp-dm

Se elabora el análisis exploratorio, entrenamiento y evaluación de un bosque aleatorio.

Construimos y evaluamos modelos de árbol para la toma de decisiones.

Emplear análisis exploratorio de datos, junto con modelaje estadístico y técnicas de aprendizaje automático en casos empresariales aplicados.

Se analiza los supuestos fundamentales para los mejores estimadores lineales no sesgados en una regresión de mínimos cuadros, mediante la programación de R. # Instalar y cargar las librerías necesarias install.packages(c("ggplot2", "dplyr", "broom", "lmtest", "car","skimr")) library(ggplot2) # Para visualización de datos library(dplyr) # Para manipulación de datos library(broom) # Para organizar los resultados de regresiones library(lmtest) # Para realizar pruebas estadísticas en modelos library(car) # Para análisis de regresión avanzado y verificar supuestos library(skimr) # Resumen estadistico

Universidad Militar Nueva Granada