Hoy en día convivimos con los datos no sólo en nuestra actividad profesional sino también en nuestra vida cotidiana. Esa convivencia se traduce en una mayor capacidad de almacenamiento, un mayor volumen y por ende una mayor variedad de datos (estructurados, semi-estructurados y no estructurados) a causa de las nuevas herramientas, tecnologías y canales de comunicación como redes sociales, webs y apps; además de la velocidad y el procesamiento de datos relacionados con la creación de modelos estadísticos analíticos y experimentales.
En este contexto, la inferencia no-paramétrica proporciona un marco más flexible para el estudio de situaciones en las que los supuestos relacionados con la linealidad, la normalidad de los datos y la forma de la función de predicción no se cumplen. De hecho, todo lo anterior favorece el uso de estos métodos para determinar los valores críticos de decisión haciendo uso de la información contenida en los petabytes de datos.
Con este primer volumen nuestra intención es hacer un recorrido junto a los lectores por el complejo camino del análisis inferencial no paramétrico de forma legible e intuitiva; con aplicaciones a datos numéricos, caracteres o mediciones cualitativas que no cumplen con las restricciones y requisitos del análisis paramétrico; y haciendo uso de un entorno y lenguaje de programación con un enfoque de análisis estadístico como es R con sus códigos y su sintaxis.
En este libro incluimos capítulos que describen y analizan la lógica y estructura formal de cada uno de los tests no paramétricos estudiados, explicitando los aspectos más importantes a tener en cuenta antes de la aplicación de dichos tests. El libro presenta un método de aprendizaje basado en el uso de herramientas de cálculo automáticas en R como forma de aumentar la capacidad de los estudiantes para resolver problemas; reducir su frustración en el aprendizaje autónomo; y motivar a la reflexión de las ideas y la lógica subyacente en los tests, para centrarse en la identificación de la naturaleza de los problemas más que en la mecánica de su resolución, la cual ya ha sido resuelta por el uso del ordenador.
Juan Luis Peñaloza Figueroa es Doctor Cum Laude en Economía por la Universidad Autónoma de Madrid, Master en Estadística Aplicada y en Investigación Operativa, Experto en Estadística Multivariante Avanzada y profesor de la Universidad Complutense de Madrid. Su dilatada experiencia investigadora, que abarca la Estadística Multivariante y su relación con la dinámica Económica y Educativa en el marco del ecosistema del BIG DATA, se ha plasmado en numerosos artículos científicos, conferencias y libros.
Dª. Carmen Vargas Pérez es Doctora Cum Laude en Economía por la Universidad Carlos III de Madrid y profesora de la Universidad Complutense de Madrid. Es especialista en el Análisis Económico del Derecho, en la inmersión de la lógica del BIG DATA y las aplicaciones no paramétricas en diversos ámbitos. Es autora de una amplia variedad de publicaciones científicas y conferencias, y ha sido consultora para diversos organismos nacionales e internacionales incluyendo el Banco Mundial, Naciones Unidas y el Consejo General del Poder Judicial.
