MIDE Stats

– Lógica del contraste de hipótesis aplicada a negocio
– Tipos de hipótesis
– Tests paramétricos y no paramétricos
– One-sided vs. two-sided tests en experimentación online
– Tipos de errores en decisiones digitales
– Tamaño muestral, potencia estadística y MDE
– Riesgos habituales en contrastes de hipótesis: p-hacking, tests mal planteados y lecturas erróneas
– Interpretación de resultados más allá del p-valor

– Probabilidad como base de la inferencia estadística
– Variables aleatorias y distribuciones relevantes en analítica digital
– Regresión lineal y múltiple aplicada a negocio digital
– Regresión logística y modelos de clasificación básicos
– Introducción al clustering como herramienta exploratoria
– Correlación vs. causalidad: límites de la inferencia
– Supuestos, validación y diagnóstico de modelos

– Diferencias entre estadística clásica y Machine Learning
– Aprendizaje supervisado vs. no supervisado
– Reducción de dimensionalidad: PCA y SVD
– Clustering avanzado y segmentación de usuarios
– Minería de datos aplicada a analítica digital
– Overfitting, underfitting y generalización
– Evaluación de modelos: métricas y validación

– Naturaleza de los datos temporales
– Componentes de una serie temporal: tendencia, estacionalidad y ruido
– Modelos clásicos de series temporales
– Interrupted Time Series Analysis (ITSA)
– Bayesian Structural Time Series (BSTS)
– Evaluación de impacto post-lanzamiento
– Limitaciones de los modelos temporales
– Series temporales como complemento a experimentación online