Curso de estadística con R

Lección 1 • Instalación y configuración de R y RStudio

Cubre la instalación de R y RStudio, la disposición de los paneles y las opciones globales. Establece el espacio de trabajo del que depende cada capítulo posterior.

Lección 2 • Sintaxis básica de R y operadores

Introduce los operadores de asignación, aritméticos, lógicos y de comparación. Proporciona la base sintáctica para todas las tareas de scripting posteriores.

Lección 3 • Flujo de control y funciones

Enseña if-else, bucles for, bucles while y la creación de funciones personalizadas. Permite a los estudiantes escribir bloques de código reutilizables y basados en lógica.

Lección 4 • Tipos de datos y estructuras en R

Explica vectores, matrices, listas y data frames con reglas de coerción de tipos. Los estudiantes obtienen el vocabulario estructural necesario para el análisis de datos.

Lección 1 • Reorganización de datos con tidyr

Cubre pivot_longer, pivot_wider, separate y unite para la reorganización estructural. Habilita los principios de datos ordenados esenciales para el modelado y la visualización.

Lección 2 • Importación de datos desde múltiples fuentes

Cubre la importación de CSV, Excel, JSON y bases de datos usando paquetes base de R y tidyverse. Conecta el acceso a datos brutos con los flujos de trabajo de limpieza posteriores.

Lección 3 • Manejo de datos con dplyr

Aplica los verbos filter, select, mutate, group_by y summarize para transformar datos. Construye el conjunto de habilidades básicas de manipulación de tidyverse.

Lección 4 • Manejo de datos faltantes e inconsistentes

Enseña la detección de NA, estrategias de imputación y eliminación de duplicados. Reduce directamente los problemas de calidad de los datos antes de que comience el análisis.

Lección 1 • EDA con R base y vistas previas de ggplot2

Usa hist(), boxplot() y llamadas básicas de ggplot2 para visualizar distribuciones rápidamente. Conecta los hallazgos del EDA con el capítulo completo de visualización siguiente.

Lección 2 • Análisis de distribución univariada

Examina la tendencia central, dispersión y forma de variables individuales. Establece una comprensión de referencia de cada variable antes del trabajo multivariado.

Lección 3 • Detección y tratamiento de valores atípicos

Aplica métodos de IQR, puntuación z y robustos para identificar y manejar valores atípicos. Evita que los valores extremos distorsionen los modelos estadísticos posteriores.

Lección 4 • Relaciones bivariadas y multivariadas

Explora correlaciones, tabulaciones cruzadas y covarianza entre pares de variables. Identifica predictores candidatos para capítulos de modelado posteriores.

Lección 1 • Fundamentos de la gramática de gráficos

Explica estéticas, geometrías y capas como bloques de construcción de ggplot2. Proporciona el modelo conceptual que subyace a cada gráfico de este capítulo.

Lección 2 • Exportación e incrustación de visualizaciones

Guarda gráficos en formatos raster y vectorial y los incrusta en informes. Asegura que los gráficos sean reproducibles y estén listos para publicación o presentación.

Lección 3 • Tipos de gráficos comunes y casos de uso

Cubre gráficos de barras, líneas, dispersión, histogramas y cajas con contextos de datos apropiados. Capacita a los estudiantes para seleccionar el gráfico correcto para cada pregunta analítica.

Lección 4 • Temas, colores y anotaciones

Personaliza la apariencia de los gráficos con temas, paletas de colores y anotaciones de texto. Produce gráficos que cumplen con los estándares profesionales y de accesibilidad.

Lección 1 • Distribuciones de probabilidad en R

Cubre las distribuciones normal, binomial, de Poisson y t usando las funciones d, p, q, r. Construye la base probabilística requerida para todos los métodos de inferencia.

Lección 2 • Marco de prueba de hipótesis

Establece hipótesis nula y alternativa, valores p y errores Tipo I/II. Proporciona la lógica de toma de decisiones aplicada en cada prueba posterior.

Lección 3 • Muestreo, estimación e intervalos de confianza

Explica distribuciones muestrales, error estándar y construcción de intervalos de confianza. Conecta la probabilidad teórica con la estimación práctica de parámetros poblacionales.

Lección 4 • Pruebas paramétricas: pruebas t y ANOVA

Aplica pruebas t de una muestra, dos muestras y pareadas, y ANOVA de una vía en R. Cubre la verificación de supuestos y comparaciones post-hoc para diferencias de grupos.

Lección 1 • Comparación y validación de modelos

Usa divisiones de entrenamiento-prueba, validación cruzada k-fold y métricas RMSE/MAE para validar modelos. Construye hábitos de evaluación rigurosos para el modelado predictivo.

Lección 2 • Regresión logística para resultados binarios

Ajusta modelos logísticos con glm(), interpreta razones de probabilidades y evalúa el desempeño de clasificación. Extiende las habilidades de regresión a variables de respuesta categóricas.

Lección 3 • Selección de variables y regularización

Aplica selección por pasos, criterios AIC/BIC, regularización ridge y lasso. Reduce el sobreajuste e identifica conjuntos de predictores parsimoniosos.

Lección 4 • Regresión lineal simple y múltiple

Ajusta modelos de regresión OLS con uno y múltiples predictores usando lm(). Establece el flujo de trabajo de modelado central utilizado a lo largo de este capítulo.

Lección 1 • Análisis de componentes principales y factorial

Aplica PCA y análisis factorial exploratorio para reducir la dimensionalidad e identificar estructura latente. Prepara datos de alta dimensionalidad para modelado e interpretación.

Lección 2 • Técnicas de análisis de conglomerados

Implementa agrupamiento por k-means, jerárquico y basado en densidad para segmentar observaciones. Permite el descubrimiento de patrones no supervisados en conjuntos de datos no etiquetados.

Lección 3 • Extensiones del análisis de varianza

Cubre ANOVA de dos vías, efectos de interacción y ANOVA de medidas repetidas. Extiende las habilidades de comparación de grupos a diseños factoriales y longitudinales.

Lección 4 • Análisis de series de tiempo

Cubre descomposición, prueba de estacionariedad, modelado ARIMA y pronóstico en R. Aborda estructuras de datos temporales distintas del análisis transversal.

Lección 1 • Estructura del proyecto y gestión de paquetes

Organiza proyectos de R con estructuras de carpetas consistentes y renv para bloqueo de dependencias. Asegura la portabilidad y reproducibilidad en diferentes entornos de cómputo.

Lección 2 • Control de versiones con Git y GitHub

Aplica commits de Git, ramas y pull requests a la gestión de proyectos de R. Permite el desarrollo colaborativo y rastreable de código analítico.

Lección 3 • Compartición y publicación de resultados analíticos

Despliega informes y dashboards a través de Quarto, Shiny y plataformas de hosting público. Completa el flujo desde datos brutos hasta entregables accesibles y compartibles.

Lección 4 • Automatización del flujo de trabajo con targets

Construye flujos de trabajo conscientes de dependencias usando el paquete targets para omitir pasos actualizados. Reduce el tiempo de recálculo en flujos analíticos grandes de múltiples pasos.