Diseño de Investigación
Fundamentos y bases empíricas.
1.1. Evolución del método estadístico.
1.2. Ciencia en la sociedad.
1.3. Método científico.
1.4. Conocimiento.
1.5. Medición de datos.
1.6. Experimentación.
1.7. Clasificación.
1.8. Inicio de una investigación.

Elección del tema, objetivos e hipótesis.
2.1. Tema de investigación.
2.2. Objetivo de la investigación.
2.3. Hipótesis de la investigación.
2.4. Metas.

Muestreos, tipos, datos y controles.
3.1. Datos.
3.2. Muestreo.
3.3. Tipos de muestreos.
3.4. Con azarización.
3.5. Sin azarización.
3.6. Cálculo de tamaño muestral.
3.7. Grupo control y grupo/s experimental/es.
3.8. Principios éticos en la investigación.

Tipos de diseños de investigación.
4.1. Diseño de una investigación.
4.2. Tipo de diseño. Motivos de elección.
4.3. Propiedades de una investigación.
4.4. Clasificación de los diseños de investigación estadística.
4.5. Según la intención de los objetivos que originan la investigación.
4.6. Según la direccionalidad de la investigación.
4.7. Según el número de mediciones.
4.8. Según el grado de control.
4.9. Diseños observacionales.
4.9.1 Ensayos de prevalencia.
4.9.2. Estudios de casos y controles.
4.9.3. Estudios de cohortes.
4.10. Diseños Cuasiexperimentales.
4.10.1. Diseños intersujetos.
4.10.2. Diseños intrasujetos.
4.10.3. Pre-post test de grupo único.
4.10.4. Pre-post test con dos grupos.
4.11. Diseños experimentales.
4.11.1. Diseños de laboratorio.
4.11.2. Ensayos clínicos controlados.
4.11.3. Estudios de campo.

Comunicación de resultados.
5.1. Autoevaluación del trabajo.
5.2. Presentación oral de las investigaciones.
5.2.1. Métodos audiovisuales.
5.2.2. Exposición verbal.
5.2.3. Presentación en cartel.
5.3. Manuscrito. Publicación.
5.3.1. Título.
5.3.2. Autores.
5.3.3. Redacción del texto.
5.3.4. Resumen.
5.3.5. Introducción.
5.3.6. Material y métodos.
5.3.7. Discusión.
5.3.8. Agradecimientos.
5.3.9. Referencias.
5.4. Elección de la revista.

Técnicas estadísticas cuantitativas.
6.1. Estadística descriptiva.
6.2. Estadística predictiva.
6.3. Estadística multivariada.
6.4. Machine learning.
6.5. Técnicas robustas.

Técnicas clásicas.

1. R.
1.1. Instalación.
1.2. Primeros pasos.
1.3. Tipos de introducción de datos.
1.4. Importado y exportado de bases de datos.
1.5. Cambio de directorio.
1.6. Guardado de scripts.

2. Estadística descriptiva numérica y gráfica.
2.1. Medidas de posición y dispersión.
2.1.1. Media.
2.1.2. Mediana.
2.1.3. Cuasivarianza.
2.1.4. Cuasidesviación típica.
2.1.5. Cuantiles.
2.1.6. Resumen.
2.1.7. describeBy.
2.1.8. Descriptiva robusta. Huber. Alpha winsorizadas. Alpha recortadas.
2.1.9. Test de Grubbs para detección de outliers.
2.2. La distribución normal.
2.3. Funciones útiles para investigación. Tratamiento de datos faltantes.
2.4. Gráficos de barras.
2.5. Gráficos de sectores.
2.6. Histograma.
2.7. Nubes de puntos.
2.8. Gráficos de cajas.
2.9. Gráficos para tablas de contingencia.
2.10.- Conclusión.

3. Pruebas no paramétricas.
3.1. Test de Wilcoxon.
3.2. Test de Wilcoxon – Mann-Whitney.
3.3. Test de Kolmogorov – Smirnov.
3.4. Test de Shapiro-Wilks.
3.5. Test de Kruskal – Wallis.
3.6. Test de Chi cuadrado.

4. T de Student.
4.1. Distribución t-Student.
4.2. Función t.test.
4.3. Función var.test.
4.4. Resolución. Supuestos.
4.5. Media de una población normal.
4.6. Media de una población no necesariamente normal. Muestras grandes.
4.7. Cociente de dos poblaciones independientes.

5. Análisis de varianza. Diseño completamente aleatorizado.
5.1. Un factor. HSD Tukey.
5.2. Generalizaciones robusta del test de Welch y del test de Box para un factor. Comparaciones robustas lincon.
5.3. Dos factores. HSD Tukey.
5.4. Generalización robusta del test de Welch para dos factores. Comparaciones robustas lincon.

6. Análisis de varianza. Medidas repetidas.
6.1. Análisis de Varianza. Medidas Repetidas.

7. Análisis de varianza multivariante (MANOVA).
7.1. Proceso de realización de MANOVA.

8. Regresión y correlación lineal simples.
8.1. Regresión lineal simple.
8.1.1. Introducción.
8.1.2. Modelo.
8.1.3. Contraste.
8.1.4. Tabla de análisis de varianza.
8.1.5. Resolución e interpretación de resultados.
8.1.6. Predicciones.
8.2. Correlación simple.
8.2.1. Introducción.
8.2.2. Coeficiente de correlación de Pearson. Conocimiento de otros métodos Kendall y Spearman.
8.2.3.- Resolución de correlación.

9. Regresión múltiple.
9.1. Modelo.
9.2. Contraste de la regresión lineal múltiple.
9.3. Tabla de análisis de la varianza para la regresión lineal múltiple.
9.4. Estimación de la varianza común.
9.5. Contraste de hipótesis sobre los coeficientes de regresión.
9.6. Regresión múltiple con R.
9.7. Selección secuencial de variables por pasos. Criterio de Akaike (AIC)

10. Correlación múltiple.
10.1.- Introducción.
10.2.- Resolución.
10.3.- Representaciones gráficas.

Técnicas avanzadas.

Técnicas actuales en regresión. Tratamiento de datos anómalos.
1.1. Introducción.
1.2. Bibliotecas.
1.3. Formulación.
1.4. Regresión lineal por mínimos cuadrados.
1.5. Técnicas actuales en Regresión (tratamiento de datos anómalos).
1.5.1. Recta de Huber.
1.5.2. LTS-Least Trimmed Squares.
1.5.3. LMS-Least Median of Squares.
1.5.4. Recta M-estimador (MM).

Regresión poisson.
2.1. Introducción.
2.2. Resolución del modelo.
2.3. Interpretación y predicciones.

Modelos de regresión logística. Logit y probit.
3.1. Introducción.
3.2. Modelos logit y probit.
3.3. Resolución del modelo.
3.4. Interpretación y predicciones.
3.5. Conclusión.

Regresión suavizada.
4.1. Introducción.
4.2. Formulación.
4.3. Resolución y toma de decisiones.
4.4. Conclusión.

Regresión múltiple robusta.
5.1. Introducción.
5.2. Regresión de Huber.
5.3. Regresión múltiple robusta de Huber.
5.4. MM-estimadores.
5.5. Regresión múltiple M-estimadores.
5.6. Interpretación de resultados, predicciones y toma de decisiones.
5.7. Conclusión.

Correlación simple y múltiple robustas.
6.1. Introducción.
6.2.- Correlación robusta para dos variables.
6.2.1. Correlación de porcentaje ajustado.
6.2.2. Correlación winsorizada.
6.2.3. M-estimadores de Goldberg e Iglewicz.
6.3. Correlación robusta para p variables.
6.3.1. Correlación de porcentaje ajustado entre p variables.
6.3.2. Correlación winsorizada entre p variables.
6.4. Interpretación de resultados, predicciones y toma de decisiones.
6.5. Conclusión.

Modelos lineales generalizados univariantes.
7.1. Desarrollo.
7.2. Conclusión.

Modelos lineales mixtos generalizados. Diseño por bloques aleatorios.
8.1. Introducción.
8.2. Realización del modelo lineal.
8.3. Comprobación de efectos fijos.
8.4. Comprobación de efectos aleatorios.
8.5. Creación del modelo.
8.6. Comprobación de supuestos del modelo.
8.7. Transformaciones.
8.8. Interpretación de resultados y toma de decisiones.
8.9.- Conclusión.

Árboles de regresión y clasificación CARTS.
9.1. Introducción.
9.2. Árboles de regresión.
9.3. Prunned o podado del Árbol.
9.4. Interpretación de resultados y toma de decisiones.
9.5. Árboles de clasificación.
9.6. Interpretación de resultados y toma de decisiones.
9.7. Conclusión.

Modelos aditivos generalizados GAM.
10.1. Introducción.
10.2. Modelos GAM para validación de modelos CARTs.
10.3. Interpretación de resultados y toma de decisiones.
10.4. Conclusión.

Análisis de supervivencia.
11.1. Introducción.
11.2. Análisis de supervivencia sin covariables.
11.3. Estimador de Kaplan Meier.
11.4. Comparación de curvas de supervivencia.
11.5. Análisis de supervivencia con covariables.
11.6. Uno y k grupos.

Modelos SARIMA de series temporales.
12.1. Introducción.
12.2. Objetivos y usos en las diferentes ciencias.
12.3. Paquetes a instalar en R.
12.4. Bibliotecas a abrir en R.
12.5. Cómo introducir los datos en R.
12.6. Resolución, interpretación de resultados, predicciones y toma de decisiones.
12.6.1. Filtrado lineal.
12.6.2. Modelos SARIMA
12.6.2.1. Identificación del modelo.
12.6.2.2. Estimación de los parámetros.
12.6.2.3. Diagnosis.
12.6.2.4. Predicción.
12.6.2.5. Test de serie estacionaria.
12.6.2. Cointegración de Series.
12.7. Conclusión.

Parámetros gráficos.
13.1. Gráfico plot. Función legend.
13.2. Recta de regresión.
13.3. Histograma.
13.4. Gráfico de cajas.
13.5. Gráficos de barras con barras de error.
13.6. Gráficos para regresión y correlación con ggplot2.

Técnicas de análisis multivariante.

Análisis de correspondencias.
1.1. Introducción.
1.2. Análisis de correspondencias bidimensional.
1.3. Análisis de correspondencias múltiple.
1.4. Interpretación de resultados y toma de decisiones.
1.5. Conclusión.

Análisis factorial. Validación de instrumentos tipo likert
2.1. Introducción.
2.2. Confección de un instrumento cuantitativo.
2.3. Proceso de validación de un instrumento.
2.4. Validación interna. Alpha de Cronbach.
2.5. Validación externa. Análisis factorial exploratorio y confirmatorio.
2.6. Interpretación de resultados y toma de decisiones.

Análisis de componentes principales. Reducción de dimensionalidad.
3.1. Introducción.
3.2. Formulación.
3.3. Análisis de componentes principales. Proporción de varianza y gráfico de sedimentación.
3.4. Representaciones gráficas
3.5. Interpretación de resultados y toma de decisiones.

Análisis discriminante.
4.1. Introducción.
4.2. Formulación.
4.3. Análisis discriminante lineal. Clasificación conocida.
4.4. Cross-validation.
4.5. Método de los k vecinos más próximos (knn).
4.6. Método de los k vecinos más próximos (knn) con cross-validation.
4.7. Análisis discriminante. K grupos y clasificación desconocida.
4.8. Interpretación de resultados y toma de decisiones.
4.9. Conclusión.

Escalado multidimensional.
5.1. Introducción.
5.2. Formulación.
5.3. Escalado multidimensional métrico.
5.4. Escalado multidimensional no métrico.
5.5. Interpretación de resultados y toma de decisiones.
5.6. Trabajo de matrices.
5.7. Conclusión.

Análisis clusters.
6.1. Introducción.
6.2. Formulación.
6.3. Elección del número de clusters. Matriz negativa de distancias de cuadrados.
6.4. Análisis clusters. Método jerárquico y no jerárquico.
6.5. Método de Ward.
6.6. Interpretación de resultados y toma de decisiones.
6.7. Conclusión.

Big Data y ETL. Cubos OLAP y Tidyverse.

Trabajo de bases de datos.
1.1. Importado de bases de datos.
1.2. Creación de bases de datos con == y &.
1.3. Guardado de bases de datos creadas.
1.4. Estudio de variables cuantitativas y cualitativas.

Big data, ETL y cubos OLAP.
2.1. OLAP (On-Line Analytical Processing – Procesamiento analítico en línea)
2.1.1. Los Cubos OLAP
2.1.2. Gestores de bases de datos con OLAP
2.1.3. Hechos y dimensiones
2.1.4. Operaciones OLAP
2.1.4.1. Rebanada
2.1.4.2. Dados
2.1.4.3. Enrollar
2.1.4.4. Profundizar
2.1.4.5. Pivote

Tidyverse.
3.1. Uso del pipe %>%
3.2. Selección de columnas.
3.3. Exclusión de columnas.
3.4. Filtrado.

Remuestreo. Simulación Bootstrap.

4. 1. Clásico.

4.2. Robusto.

4.3. Confección de bases de datos.

Visualización de datos.

5. Gráficos avanzados para las técnicas estudiadas.