Plan de estudios del Curso Análisis Estadístico con R

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.

Redes en las que nos puedes ubicar

NÚMEROS EN LOS QUE NOS PUEDES UBICAR

Whatsapp

+51 923 444 442

Skype

institutoICIP

Hangouts

info@icip.pe

Skype

institutoICIP

Whatsapp

+51 923 444 442

Hangouts

info@icip.pe

NÚMEROS EN LOS QUE NOS PUEDES UBICAR

 

Icono Whatsapp

Whatsapp

+51 923 444 442

 

 
info@icip.peinfo@icip.peinfo@icip.ecinfo@icip.com.co

DIRECCIÓN

 

Cal. Santa Florencia 564
Urb. Pando 3era Etapa
Cercado de Lima, Lima - Perú

 

Referencia: Cruce de la Av. Universitaria con la Av. Venezuela

HORARIO DE ATENCIÓN

 
Oficina:
Lunes a Sábado
8:00 am - 4:45 pm

 
Central telefónica

Lunes a Sábado
8:00 am - 10:00 pm
Domingos
8:00 am - 5:00 pm