Al participante que no cumpla con los requisitos de evaluación, se le otorgará una Constancia de Participación, para lo cual el alumno deberá contar con una asistencia a clase mínima del 80% y un promedio final de la Especialización no menor a 11 (once). En el caso de no cumplir con dicho requerimiento no se emitirá dicha Constancia.

DESCRIPCIÓN

El curso comprende el análisis estadístico descriptivo e inferencial mediante el Software R, a través de gráficos y
las diferentes técnicas estadísticas o contrastes propuestos. Así también el manejo y conocimiento básico para comenzar a trabajar con el Software R y Jamovi.

OBJETIVO GENERAL

Proporcionar los conocimientos necesarios a los participantes a fin de que puedan realizar análisis estadístico descriptivo e inferencial utilizando el software R y Jamovi.

PLAN DE ESTUDIO:

1. Operaciones y Primeras Funciones en R. R como calculadora. Datos en R. Vector (vector). Factor (factor). Matrices (matrix)
2. Estadística Descriptiva. Gráficos básicos con R. Gráfico de barras. Gráficos de sectores. Histograma Medidas de Posición Central y Dispersión. Distribución Normal
3. Introducción a las Probabilidades 
   Concepto de Probabilidades. Distribuciones continuas: Distribución Normal. Distribuciones discretas: Poisson, Binomial
4. Muestreo y Tamaño de Muestra 
   Importancia del muestreo. Tipos de muestreo: Muestreo Aleatorio Simple, Estratificado, Sistemático. Tamaño de muestra para estimar proporciones y medias.
5. Prueba de Hipótesis. Prueba T paramétrica para una muestra, prueba de Normalidad. Alternativa no paramétrica.
   Prueba T paramétrica para dos muestras, prueba de Normalidad y homogeneidad de varianzas. Alternativa no paramétrica: U Mann-Whitney
6. Análisis de datos Categóricos. Prueba Chi Cuadrado de: Independencia, Homogeneidad de Subpoblaciones., Bondad de Ajuste a una Distribución de Frecuencias. Análisis de las casillas menores. Prueba de McNemar
7. Correlación de Pearson. Alternativa no paramétrica Spearman. Regresión Lineal Simple. Formulación del Modelo y supuestos. Análisis de varianza para la regresión lineal simple. Validación de supuestos del modelo
8. Taller de Integración

DESCRIPCIÓN

El curso comprende los fundamentos de los diseños experimentales, Diseño Completo Al Azar, Diseño de Bloques Completo al Azar, Análisis de Covarianza, Cuadrado Latino y Experimentos Factoriales; también se verán las alternativas no paramétricas.

OBJETIVO GENERAL

Aplicar los métodos estadísticos precisos para comprobar hipótesis y sacar conclusiones y recomendaciones que representen soluciones a problemas de la experimentación en los distintos campos de interés, usando R y Jamovi.

PLAN DE ESTUDIO:

1. Definición. Diseño de un experimento. Conceptos básicos: Factor, Tratamiento, Unidad Experimental, Variable Respuesta. Diseños experimentales: tipos. El Error Experimental. Esquema de investigación Principios Básicos del diseño experimental. Tipos de Modelos Experimentales: I, II y III. Supuestos del Modelo. ANOVA. Estudio de casos.
2. Diseños Completo al Azar (DCA). Concepto. Modelo Aditivo Lineal. Ventajas y Desventajas. Croquis experimental. Verificación de los supuestos básicos. ANOVA. Pruebas de comparación: Tukey, LSD. Confundimientos. Réplicas y Pseudoréplicas. Aleatorización Estudio de casos.
3. Diseños de Bloques Completamente al Azar (DBCA). Concepto de Bloques. Modelo Aditivo Lineal. Ventajas y Desventajas. Verificación de los supuestos básicos. ANOVA. Pruebas de comparación: Pruebas de comparación: Tukey, LSD. Estudio de casos
4. Métodos No Paramétricos. Kruskal Wallis para DCA. Friedman para DBCA. Estudio de casos
5. Análisis de Covarianza (ANCOVA). Concepto. Modelo Aditivo Lineal. Ventajas y Desventajas. Verificación de los supuestos básicos. ANOVA. Pruebas de comparación: Pruebas de comparación: Tukey, LSD. Estudio de casos.
6. Modelo Cuadrado Latino. Concepto. Modelo Aditivo Lineal. Ventajas y Desventajas. Verificación de los supuestos básicos. ANOVA. Pruebas de comparación: Pruebas de comparación: Tukey, LSD. Estudio de caso
7. Experimentos Factoriales. Modelo Aditivo Lineal. Análisis de la interacción, de los efectos Principales y efectos simples. Pruebas de Comparación. Aplicaciones en DCA y DBCA. Alternativas no paramétricas. Estudio de casos.
8. Taller de Integración.

DESCRIPCIÓN

El curso abarca temas referidos a las principales técnicas multivariantes como el análisis de la semejanza ecológica, técnica de Ordenamiento No Restringido, métodos de clustering y pruebas multivariadas de comparación.

OBJETIVO GENERAL

Proporcionar a los participantes los conceptos teóricos y prácticos de las principales técnicas multivariantes, para el análisis simultáneo de un conjunto de datos multivariados, usando R y Jamovi.

PLAN DE ESTUDIO:

1. Fundamentos del Análisis Multivariado. Fundamentos, Matriz comunitaria y Teoría de Gradientes. Clasificación de los métodos multivariados, usos de las técnicas. Exploración de datos, transformación de datos: aplicaciones. Outliers
2. Cluster No Jerárquico. Métodos de Kmeans, PAM, Fuzzy, Clara. Casos de Aplicación. Perfilamiento de Clusters.
3. Semejanza Ecológica-Técnica de Clasificación. Cluster No Jerárquico. Semejanza ecológica. Disimilitud y Similitud. Distancia Ecológica, tipos de distancia. Aplicaciones y usos: Bray Curtis, Distancia Euclidiana, Morisita, Jaccard, otras. Perfilamiento de Clusters.
4. Técnicas de Ordenación. Gradientes ambientales. Análisis de Componentes Principales: Teoría, Usos y  estricciones, análisis gráfico del Biplot. Escalamiento  Multidimensional no métrico (NMDS): Teoría, Fortalezas y Restricciones.
5. Análisis de Correspondencia-Análisis de Correspondencia Corregida.- Teoría, Usos y Restricciones Análisis de Coordenadas Principales.- Teoría, Usos y Restricciones
6. Pruebas de Hipótesis Multivariadas No Paramétricas. Análisis de varianza no parámetrica (ANOSIM). Prueba
   post-hoc no parámetrica (SIMPER) . Permutational MANOVA (PERMANOVA)
7. Integración de Rutinas Multivariadas
8. Taller de Integración.

DESCRIPCIÓN

El curso aborda las principales técnicas de regresión utilizadas en el análisis de datos, desde modelos lineales clásicos hasta modelos no lineales y técnicas modernas de aprendizaje estadístico supervisado. Se cubrirán aplicaciones prácticas en distintos contextos, con énfasis en la interpretación, validación de supuestos y selección de modelos.

OBJETIVO GENERAL

Proporcionar a los participantes los conocimientos teóricos y prácticos necesarios para aplicar modelos de
regresión en la exploración, análisis y predicción de datos, tanto en contextos tradicionales como en aplicaciones
modernas.

PLAN DE ESTUDIO:

1. Introducción a la Regresión y Regresión Lineal Simple. Fundamentos de regresión. Variable dependiente e independiente. Supuestos del modelo lineal. Estimación de parámetros. Coeciente de determinación R2. RMSE y MAPE. Pruebas de hipótesis sobre parámetros. Diagnóstico de residuos. Casos de aplicación.
2. Regresión Lineal Múltiple. Extensión del modelo lineal simple. Multicolinealidad. Selección de variables: métodos hacia adelante, hacia atrás y por pasos. Interacciones. Diagnóstico del modelo. VIF, residuos y leverage. Aplicaciones en ciencias sociales, ambientales y salud.
3. Regresión Polinómica y Modelos No Lineales. Ajuste de curvas. Comparación entre modelos lineales y polinómicos. Transformaciones de variables. Modelos
   con términos cuadráticos y cúbicos. Overfitting. Selección del grado óptimo. Visualización e interpretación de modelos no lineales.
4. Modelos de Regresión para Datos de Conteo: Poisson y Quasi-Poisson. Características de datos de conteo. Supuestos del modelo de Poisson. Sobredispersión.
   Diagnóstico y validación. Alternativa Quasi-Poisson. Interpretación de coecientes y tasa de
   incidencia.
5. Regresión Binomial Negativa y Comparación con Poisson
   Fundamentos de la distribución binomial negativa. Manejo de la sobredispersión. Ventajas sobre Quasi-Poisson. Selección de modelo: AIC, BIC y pruebas de razón de verosimilitud. Casos prácticos con datos reales.
6. Máquinas de Vectores de Soporte (SVM) para Regresión
   Introducción al aprendizaje estadístico supervisado. Concepto de margen y núcleo. SVM para problemas de regresión (SVR). Selección de hiperparámetros. Comparación con modelos tradicionales. Aplicaciones en predicción no lineal.
7. Random Forest para Regresión. Fundamentos del modelo Random Forest. Árboles de decisión y su ensamblado. Importancia de variables. Validación cruzada. Evaluación del error y tuning del modelo. Comparación con regresión múltiple y SVM. Visualización de resultados.
8. Taller Integrador de Regresión