Estadística computacional en R

  • Inicia: 06/03/2023    Finaliza: 31/03/2023
  • Horario de clases: Lunes a viernes de 08:30 a 12:30
  • Estudiantes mínimo: 4    máximo: 13
  • Costo: $5,000
  • Creditos: 12
  • Horas: 120
  • Nota:
  • Coordinadores: Roger Enrique Guevara Hernández
  • Profesores invitados:

Presentación

El curso de Estadística Computacional en R es una introducción a los modelos estadísticos empleadas en la investigación en ciencias naturales y en manejo de los recursos naturales. El estudiante obtendrá conocimientos teóricos y prácticos para el análisis de datos, interpretará los resultados y apreciará la necesidad de la adecuada planeación de un proyecto de investigación, de un diseño experimental correcto y toma de datos.

Objetivo

Familiarizar al estudiante con los métodos estadísticos utilizados cotidianamente en la investigación en ecología y evolución.

Objetivos específicos

Que el estudiante identifique los modelos o aproximaciones estadísticas que pueden ayudar a resolver el problema de investigación que se aborda. Que el estudiante se capaz de organizar los datos en forma correcta para realizar los análisis estadísticos. Que el estudiante sea capaz de realizar los análisis estadísticos. Que el estudiante sea capaz de interpretar correctamente el resultado de los análisis estadísticos. Que el estudiante se capaz de representar gráficamente los resultados obtenidos.

Metodología

El coordinador del curso presentará el fundamento de cada modelo, su aplicación, supuestos y limitaciones de las pruebas y demostrará con ejemplos prácticos que los estudiantes seguirán en sus ordenadores personales. Posteriormente los estudiante resolverán problemas similar de manera individual. Los estudiantes obtendrán datos de repositorios o de publicaciones relevantes para plantear un problema de investigación el cual deberán formalizar y presentar resultados.

Prerrequisitos del curso

Fundamentos de probabilidad y lógica

Habilidades y destrezas

Habilidades numéricas, pensamiento abstracto y agilidad mental.

Criterios de calificación

Evaluación de ejercicios individuales Presentación del proyecto

Contenido temático

1.- Introducción a sistema R Ambiente R Sistema de ayuda en R Objetos Asignar valores a objetos Llamar objetos Operaciones básicas Tablas Vectores y matrices Funciones Programación Números aleatorios Iteraciones Gráficas Importar datos 2.- Probabilidad 3.- Estadística descriptiva en R Frecuencias Media Desviación estándar 4.- Comparaciones básicas Una muestra Dos muestras Varianzas t de Student Suma de rangos de Wilcoxon Muestras pareadas Comparar dos proporciones, Distribución binomial Distribución Poisson contingencia Bondad de ajuste Correlación Correlación y escala Correlación y covarainza Kolmogrov-Smirnov 5.- Regresión Principios de la regresión Parámetros estimados Gráficas Supuestos Regresión multiple Regresión: modelos de árboles Regresión: Bosque de árboles 6.- Análisis de varianza Principios del ANOVA Supuestos ANOVA en R ANOVA 1-vía ANOVA 2-vías Interacciones ANOVA factorial Comparaciones múltiples Gráficas 7.- Análisis de covarianza Principios del ANCOVA Gráficas Simplificación de modelos 8.- Contrastes Diseños ortogonales Contrastes Contrastes de coeficientes Simplificación a posteriori Contrastes en ANCOVA 9.-ANOVA de bloques divididos Fundamento Diseños complejos 10.- ANOVA anidado Fundamento Psedoreplicación Componentes de la varianza 11.- Crítica de modelos Residuales Heterocedasticidad Errores no normales Atípicos AIC Mala definición de modelo Mala elección de error Mala elección de función de liga Sobredispersión Revisar el modelo 12.-Funciones y transformaciones 13.- Simplificación de modelos 14.- GLM Predictor lineal Valores ajustados Función de liga Estimación de parámetros Devianza 15. GLM con proporciones Error binomial Devianza Sobredispersión Crítica de modelos Regresión Análisis de devianza Simplificación y sobredispersión ANCOVA 16.- GLM con conteos Distribución Poisson Devianza Log-lineal Análisis de devianza Sobredispersión ANCOVA Tablas de contingencia 17.- GLM con respuestas binarias Devinza Función de incidencia ANCOVA logística 18.- Modelo mixtos 19.- Otras aplicaciones en ecología, análisis de la diversidad y evolución