Tutoriales en R

En esta sección encontrará tutoriales desarrollados en R para la resolución de algunos ejercicios relacionados con probabilidad, estadística e ingeniería.

Aspectos generales

• Guía básica de R: Introducción

Para los que nunca han programado, o al menos nunca han programado en R/Rstudio.

Estadística

• Demostración del Teorema del Límite Central (TLC)

Una demostración por intuición de cuándo y por qué funciona el TLC.

• Estadística bivariada

Un pequeño tutorial con ejercicios resueltos sobre covarianza y correlaciones.

• Intervalos de confianza, Pruebas de hipótesis y tamaño de muestra

Ejercicios resueltos de la clase de Intervalos de Confianza y Pruebas de hipótesis. Incluye consideraciones para el cálculo del tamaño de muestra de forma clásica (intervalos) y con potencia estadística.

• Ejercicio integrador resuelto

Este es un ejercicio integrador, del tema de pruebas de hipótesis, intervalos de confianza y tamaño de muestra. El mismo se encuentra resuelto.

• Potencia estadística: Regresión y ANOVA

Una guía práctica para determinar el tamaño de muestra en modelos de regresión lineal y ANOVA. Cubre desde diseños balanceados y desbalanceados hasta experimentos factoriales y reductores de ruido, utilizando el índice \(f\) de Cohen y la librería pwr de R.

Diseño de experimentos

• Experimento factorial completo \(2^k\)

Guía práctica para la construcción, aleatorización y análisis de experimentos factoriales completos de dos niveles sin y con réplicas. Cubre desde la formulación del modelo lineal en R hasta el diagnóstico de efectos y la selección de términos.

• Experimento factorial completo bloqueado y confundido \(2^{k}\) en \(2^p\) bloques

Tutorial sobre la estructuración de diseños factoriales \(2^k\) bajo restricciones de aleatorización. Muestra cómo aislar la variabilidad por bloques mediante la confusión de interacciones de alto orden (\(ABCDE\)) y cómo preservar la estructura del bloque en la selección del modelo.

• Experimento factorial fraccionado \(2^{k-p}_{R}\)

Esta es una guía para la construcción y análisis de diseños factoriales fraccionados \(2^{k-p}_R\).

• Diseños de segundo orden para RSM

En este tutorial encontrará como se pueden diseñar y analizar experimentos de RSM de segundo orden, en particular el Diseño Central Compuesto (DCC) y el Diseño Box-Behnken (DBB).

Ingeniería de Calidad

• Diagrama de Pareto

Aprenda a realizar un gráfico de Pareto en R. Este es un principio que dice que una pequeña cantidad de causas suele explicar la mayor parte de los efectos.

• Gráficos de control para variables

Los gráficos de control son herramientas estadísticas. Su uso es la forma más eficaz de distinguir entre causa común y atribuible para la variabilidad cuando se supervisa el resultado del proceso en tiempo real.

• Gráficos de control para atributos

Mientras que los gráficos de control para variables rastrean las cantidades medidas relacionadas con la calidad de los resultados del proceso, los gráficos para atributos siguen el recuento de los elementos no conformes.

• Análisis de capacidad para datos normales

Un análisis de capacidad es una herramienta estadística que evalúa si un proceso puede cumplir de forma consistente con los requisitos o especificaciones establecidos. Compara la variabilidad natural del proceso con los límites de tolerancia del cliente para determinar qué tan capaz es.

• Análisis de capacidad para datos no normales

Es relativamente común encontrarse con procesos que no siguen la distribución normal, ya sea por que así es como debe comportarse o bien, por errores que suceden a la hora de recolectar, almacenar o procesar los datos.

Elementos básicos de Machine Learning

• Aprendizaje no supervisado: Clusters

Es una técnica multivariable para detectar agrupamientos en un conjunto de datos. Puede ser agrupamiento de casos o variables. Se usa cuando se desconocen el número de grupos o conglomerados que existen, o las variables que pertenecen a ellos.