SESIÓN 01: INTRODUCCIÓN A R

• Objetivo:
  • ​Explicar las principales características de R, descargar e instalar el software y conocer las principales funciones del mismo.
• Temas:
  • ¿Qué es R?
  • Instalación y descarga
  • Utilidad R
  • Editores especializados
  • Área de trabajo (workspace)
  • Paquetes
  • R como calculadora
• Ejemplos:
  • Utilizar Ayuda
  • Directorio de trabajo
  • Operaciones matemáticas
  • Instalación de paquetes
  • Personalización de RStudio

SESIÓN 02: GESTIÓN DE BASE DE DATOS

• Objetivo:
  • Detallar la gestión de base de datos: tipos, estructura de datos que se presentan en R y explicar la importación y exportación de distintos archivos.
• Temas:
  • Base de datos
  • Importación de datos
  • Exportación de datos
• Ejemplos:
  • Importación de un archivo XLSX
  • Exportación de un archivo XLSX 
  • Importación de un archivo CSV
  • Importar un archivo DTA
  • Importación y exportación

SESIÓN 03: MANEJO DE DATOS

• Objetivo:
  • Detallar la preparación de una base de datos para la manipulación de la misma a través de R.
• Temas:
  • Crear una variable
  • Etiquetar una variable
  • Renombrar variable
  • Recodificar variables
  • Ordenar datos
  • Fusionar datos
• Ejemplos:
  • Crear una nueva variable
  • Renombrar variable
  • Fusión de Datos - Parte 1
  • Fusión de Datos - Parte 2
  • Recodificación de variables

SESIÓN 04: ESTADÍSTICA DESCRIPTIVA

• Objetivo:
  • ​Explicar los fundamentos de la estadística descriptiva y aplicarlo en R.
• Temas:
  • Estadística descriptiva
  • Medidas de tendencia central
  • Medidas de tendencia no central
  • Medidas de dispersión
  • Medidas de forma
• Ejemplos:
  • Distribución de frecuencias
  • Medidas de tendencia central y no central
  • Medidas de dispersión
  • Medidas de forma - asimetría
  • Medidas de forma - curtosis
  • Distribución de frecuencia para variables cualitativas
  • Distribución de frecuencia para variables cuantitativas
  • Medidas de tendencia central
  • Medidas de tendencia no central
  • Medidas de forma
  • Consideración del promedio
  • Consideración de la mediana
  • Consideración de varianza
  • Consideración del rango y el coeficiente de variación
  • Consideración de las medidas de forma

SESIÓN 05: GRÁFICOS EN R

• Objetivo:
  • Elaborar diferentes gráficos estadísticos mediante el uso de R.
• Temas:
  • Gráficos estadísticos
  • Gráficos univariantes
  • Gráficos multivariantes
• Ejemplos:
  • Gráficos univariantes - Cualitativos
  • Gráficos univariantes - Cuantitativos
  • Diagrama de dispersión
  • Gráfico de tallos y hojas
  • Gráficos de dispersión ajustada con recta
  • Diagrama de cajas
  • Histograma y diagrama de cajas
  • Edición de un diagrama de dispersión
  • Gráfico de barras
  • Guardar y exportar gráficos
  • Gráfico de serie de tiempo
  • Gráfico de barras con GGPLOT2
  • Gráfico de cajas con GGPLOT2
  • Histograma con GGPLOT2
  • Gráfico de dispersión con GGPLOT 2

SESIÓN 06: MUESTREO ALEATORIO

• Objetivo:
  • Conocer la importancia de la selección aleatoria en las muestras para realizar estimaciones o inferencias en la población.
• Temas:
  • Conceptos previos
  • Tipos de muestreo
  • Muestreo aleatorio simple
• Ejemplos:
  • Media estimada
  • Promedio
  • Intervalo de confianza
  • Proporción
  • Tamaño de muestra
  • Varianza en M.A.S con y sin reposición
  • Tamaño de muestra de reposición
  • Tamaño de muestra sin reposición
  • Tamaño de muestra para una proporción
  • Estimación del total
  • Error absoluto para el tamaño de muestra sin reposición
  • Error relativo para el tamaño de muestra sin reposición
  • Error absoluto para el tamaño de muestra con reposición
  • Error relativo para el tamaño de muestra con reposición
  • Error absoluto para el tamaño de muestra con reposición en una proporción

SESIÓN 07: PROBABILIDADES

• Objetivo:
  • Presentar la importancia de la selección aleatoria en las muestras para realizar estimaciones o inferencias en la población.
• Temas:
  • Probabilidades
  • Experimentos aleatorios
  • Espacio muestral
  • Eventos
  • Probabilidad con R
• Ejemplos:
  • Muestra aleatoria
  • Función Cards
  • Función Subset
  • Probabilidad condicional
  • Función Subset - parte 2
  • Función Intersect
  • Probabilidad
  • Probabilidad en eventos incluyentes y excluyentes
  • Probabilidad condicional
  • Teorema de bayes
  • Aplicación de la regla de probabilidad total
  • Aplicación del teorema de bayes con datos resumidos
  • Probabilidad en una tabla cruzada
  • Probabilidad condicional en una tabla cruzada
  • Regla de probabilidad total en una tabla cruzada

SESIÓN 08: TÉCNICAS DE CONTEO

• Objetivo:
  • Aplicar combinatorias o permutaciones en los análisis mediante R.
• Temas:
  • Conteo de puntos muestrales
  • Variaciones
  • Permutaciones
  • Combinaciones
  • Probabilidad con R
• Ejemplos:
  • Variación sin repetición
  • Combinatoria sin repetición
  • Permutación sin repetición
  • Variación con repetición
  • Combinatoria con repetición
  • Permutación con repetición
  • Permutación circular
  • Principio de multiplicación
  • Principio de adición
  • Combinación
  • Aplicación técnica de la variación sin repetición
  • Aplicación técnica de la variación con repetición
  • Permutación sin repetición
  • Aplicación de combinación con repetición
  • Aplicación de combinación sin repetición

SESIÓN 09: DISTRIBUCIONES DISCRETAS

• Objetivo:
  • Explicar las principales distribuciones discretas y la aplicación de las mismas mediante R.
• Temas:
  • Ensayos Bernoulli
  • Distribución binomial
  • Distribución geométrica
  • Distribución binomial negativa
  • Distribución hipergeométrica
  • Distribución Poisson
• Ejemplos:
  • Poisson
  • Hipergeométrica
  • Binomial
  • Distribución geométrica
  • Binomial negativa
  • Bernoulli
  • Media y varianza en una binomial
  • Aproximación de poisson a binomial
  • Distribución multinomial
  • Función PGEOM
  • Aplicación de distribución binomial
  • Aplicación de distribución geométrica
  • Aplicación de distribución hipergeométrica
  • Aplicación distribución binomial negativa
  • Aplicación de distribución de poisson

SESIÓN 10: DISTRIBUCIONES CONTINUAS

• Objetivo:
  • Presentar las principales distribuciones continuas y la aplicación de las mismas mediante R.
• Temas:
  • Distribución uniforme
  • Distribución normal
  • Distribución exponencial
  • Distribución chi-cuadrado
  • Distribución T-Student
  • Probabilidad F
• Ejemplos:
  • Normal
  • Chi-cuadrado
  • Gráfica de función densidad de la distribución normal
  • Exponencial
  • T-Student
  • Distribución uniforme
  • Media y varianza en una distribución uniforme
  • Gráficas de la exponencial
  • Relación entre la distribución de posisson y exponencial
  • Función QF y PF
  • Crear valores aleatorios en R
  • Propiedad de la distribución normal
  • Teorema del límite central
  • Generar una distribución chi cuadrada
  • Característica de la T-student y F

SESIÓN 11: ESTIMACIÓN DE PARÁMETROS

• Objetivo:
  • Explicar la estadística inferencial y aplicarla en R.
• Temas:
  • Estimación puntual
  • Estimación por intervalos
  • Estimación por intervalo de la media
• Ejemplos:
  • Intervalo de confianza
  • Intervalo de confianza para la proporción
  • Intervalo de confianza para la varianza
  • Diferencia de medias 
  • Diferencia de proporciones
  • Función Z.TEST
  • Intervalo de confianza para la media con varianza desconocida
  • Función T.TEST
  • IC para la proporción con QNORM
  • Función VAR.TEST
  • Intervalo de confianza Z para una base de datos
  • Intervalo de confianza de la proporción
  • Intervalo de confianza de diferencia para proporciones
  • Intervalo de confianza para la diferencia de medias
  • Intervalo de confianza para la varianza

SESIÓN 12: PRUEBAS ESTADÍSTICAS PARAMÉTRICAS

• Objetivo:
  • Explicar las pruebas de estadística paramétrica y los procedimientos usando R.
• Temas:
  • Pruebas de hipótesis
  • Prueba T para una muestra
  • Prueba T para muestras independientes
  • Prueba T para muestras relacionadas
  • Prueba Z para una muestra
  • Prueba Z para dos muestras
• Ejemplos:
  • Prueba Z
  • Muestras relacionadas
  • Prueba T dos colas
  • Prueba T para muestras independientes - Parte 1
  • Prueba T para muestras independientes - Parte 2
  • Prueba T para muestras relacionadas con dos colas
  • Prueba T para muestras relacionadas con una cola
  • Función Cohen.D
  • Prueba Z para una muestra con población normal
  • Prueba Z para dos muestras con población normal
  • Prueba Z para datos resumidos
  • Prueba para la varianza
  • Prueba de hipótesis para la media
  • Prueba de proporción para dos muestras
  • Prueba de hipótesis para la proporción

SESIÓN 13: PRUEBAS ESTADÍSTICAS NO PARAMÉTRICAS

• Objetivo:
  • Explicar el funcionamiento de las pruebas de estadística no paramétrica y los procedimientos mediante R.
• Temas:
  • Chi-cuadrado
  • Binomial
  • Rachas
  • Kolmogorov-Smirnov
  • U de Mann Whitney-Wilcoxon
  • Kruskall-Wallis
  • Rangos de signos de Wilcoxon
  • Friedman
• Ejemplos:
  • Chi-cuadrado
  • Kolmogorov-Smirnov
  • Friedman
  • Prueba de Kruskall-Wallis
  • Prueba de los rangos de signos de Wilcoxon
  • Binomial
  • Rachas
  • U de man Whitney - Wilcoxon
  • Prueba de Wilcoxon
  • Prueba de McNemar
  • Prueba Chi-cuadrado
  • Prueba de Kolmogorov-Smirnov con valor atípico
  • Prueba de Kruskal-Walls
  • Prueba de rangos de Wilcoxon
  • Prueba binomial

SESIÓN 14: MODELOS DE REGRESIÓN LINEAL

• Objetivo:
  • Desarrollar los tipos de modelos de regresión lineal (simple y múltiple) con sus supuestos.
• Temas:
  • Regresión lineal simple
  • Regresión lineal múltiple
  • Bondad de ajuste y significancia
  • Supuestos del modelo de regresión lineal
  • Errores de especificación
• Ejemplos:
  • Regresión lineal simple
  • Regresión lineal múltiple
  • Error de especificación
  • Regresión lineal múltiple y prueba Reset - Parte 1
  • Regresión lineal múltiple y prueba Reset - Parte 2
  • Gráfica de una regresión lineal
  • Supuesto de linealidad
  • Supuesto de independencia
  • Supuesto de homocedasticidad
  • Supuesto de normalidad
  • Modelo de regresión lineal
  • Crear variable dummy en R
  • Modelo Anova
  • Modelo Ancova
  • Variable de interacción

SESIÓN 15: REGRESIONES NO LINEALES

• Objetivo:
  • Presentar los modelos de regresión no lineal, así como el ajuste de curvas para dichos modelos en R.
• Temas:
  • Modelos no lineales
  • Regresión cuadrática
  • Regresión exponencial
  • Regresión potencial
  • Regresión logarítmica
  • Regresión polinómica
• Ejemplos:
  • Regresión cuadrática - Parte 1
  • Modelo cúbico
  • Regresión exponencial
  • Regresión cuadrática - Parte 2
  • Regresión cúbica
  • Mínimos cuadrados no lineales
  • Regresión potencial
  • Gráfica de una regresión lineal y potencial
  • Regresión logarítmica
  • Regresión polinómica
  • Regresión exponencial
  • Modelo exponencial linealizado
  • Modelo de regresión potencial
  • Modelo potencial linealizado
  • Normalidad en el modelo

SESIÓN 16: CORRELACIÓN

• Objetivo:
  • ​Detallar el análisis sobre la relación que se puede establecer entre variables a través de la correlación.
• Temas:
  • Coeficiente de correlación
  • Correlación múltiple
  • Correlación parcial
  • Correlación semiparcial
  • Función CORRPLOT
  • Función CORRPLOT.MIXED
• Ejemplos:
  • Correlación
  • Correlación múltiple
  • Correlación parcial
  • Correlación semiparcial
  • Calcular el R y R cuadrado
  • Gráfico de una correlación
  • Matriz de correlación
  • Coeficiente de correlación de Pearson
  • Coeficiente de correlacipon de Spearman
  • Coeficiente de correlación de Kendall
  • Gráfico de dispersión con GGPLOT2
  • Gráfico de dispersión con línea de tendencia
  • Gráfico de dispersión en Facets
  • Consideración del coeficiente de Pearson
  • Consideración del coeficiente de Spearman

SESIÓN 17: MULTICOLINEALIDAD

• Objetivo:
  • Explicar el problema de multicolinealidad y correcciones teórico-prácticas.
• Temas:
  • Multicolinealidad
  • Detección de la multicolinealidad
  • Soluciones de la multicolinealidad
• Ejemplos:
  • Multicolinealidad - Parte 1
  • Detección de multicolinealidad
  • Multicolinealidad - Parte 2
  • Solución multicolinealidad - Parte 1
  • Solución multicolinealidad - Parte 2
  • Función GGPAIRS
  • Regresión con una variable cualitativa
  • Regresión con más de una variable cualitativa
  • Alta multicolinealidad
  • Eliminación de variables
  • Modelo de regresión lineal
  • Análisis de la matriz de dispersión
  • Análisis de correlación
  • Matriz de correlación y dispersión
  • Factor de inflación de la varianza

SESIÓN 18: HETEROCEDASTICIDAD

• Objetivo:
  • Explicar el problema de heterocedasticidad, cómo detectarla, solucionarla y aplicarla en R.
• Temas:
  • Heterocedasticidad
  • Detección de la heterocedasticidad
  • Solución a la heterocedasticidad
• Ejemplos:
  • Métodos gráficos
  • Breusch-Pagan
  • Goldfeld-Quandt
  • Test de White
  • Corrección del modelo
  • Función autoplot
  • Prueba de bartlett
  • Función ncvtest
  • Función hmctest
  • Errores robustos
  • Modelo de regresión lineal
  • Estadístico de Breusch-Pagan
  • Estadístico de White
  • Estadístico de Bartlett
  • Modelo con errores robustos

SESIÓN 19: AUTOCORRELACIÓN

• Objetivo:
  • Explicar cómo detectar y solucionar el problema de autocorrelación en R.
• Temas:
  • Autocorrelación
  • Detección de la autocorrelación
• Ejemplos:
  • Durbin-Watson
  • Ljung-Box
  • Breusch-Godfrey
  • Test de autocorrelación
  • Corrección de la autocorrelación
  • Autocorrelación simple
  • Autocorrelación parcial
  • Método Cochrane-Orcutt
  • Función DWT
  • Detección gráfica de la autocorrelación
  • Estimación de un modelo de regresión lineal
  • Estadístico Durbin-Watson
  • Estadístico de Breusch-Godfrey

Actualización parcial el 26 de octubre del 2023.