Curso de Estadística para Investigación Científica

Lección 1 • Fundamentos de Probabilidad para Investigadores

Introduce las reglas de probabilidad, la probabilidad condicional y la independencia como base matemática para la inferencia. Conecta la teoría de la probabilidad con los valores p y los intervalos de confianza que se introducirán más adelante.

Lección 2 • Tipos de Datos y Escalas de Medición

Clasifica los datos nominales, ordinales, de intervalo y de razón, y vincula el tipo de escala con los análisis permitidos. Una clasificación correcta previene operaciones estadísticas inválidas en el futuro.

Lección 3 • Fundamentos de la Estadística Descriptiva

Cubre las medidas de tendencia central, dispersión y forma de la distribución para resumir conjuntos de datos. Estos resúmenes forman la base para todo el trabajo inferencial en los capítulos posteriores.

Lección 4 • Distribuciones de Probabilidad Comunes

Examina las distribuciones normal, binomial, de Poisson y t, y sus aplicaciones en investigación. Comprender los supuestos distribucionales es un prerrequisito para una prueba de hipótesis válida.

Lección 1 • Teoría y Estrategias de Muestreo

Cubre los métodos de muestreo probabilístico y no probabilístico, y su efecto en la generalización. Una estrategia de muestreo adecuada es fundamental para una inferencia insesgada a nivel poblacional.

Lección 2 • Sesgo, Confusión y Validez Interna

Identifica los sesgos de selección, información y confusión, y las estrategias estadísticas para abordarlos. Controlar estas amenazas es esencial antes de aplicar los métodos inferenciales.

Lección 3 • Técnicas de Aleatorización y Enmascaramiento

Detalla la aleatorización simple, por bloques, estratificada y adaptativa, y su papel en la eliminación de la confusión. Los procedimientos de enmascaramiento protegen contra los sesgos de desempeño y detección.

Lección 4 • Diseños Experimentales vs. Observacionales

Contrasta los ensayos controlados aleatorizados, los cuasi-experimentos, los estudios de cohorte, de casos y controles, y los transversales. La elección del diseño determina qué afirmaciones causales son estadísticamente defendibles.

Lección 1 • Pruebas Paramétricas para Medias

Cubre las pruebas t de una muestra, para muestras independientes y relacionadas, y el ANOVA de una vía con verificación de supuestos. Estas pruebas abordan las preguntas de comparación de medias más comunes en investigación.

Lección 2 • Formulación de Hipótesis y Lógica de la Prueba

Establece la construcción de la hipótesis nula y alternativa, y la lógica de la toma de decisiones estadísticas. Una formulación correcta previene pruebas desalineadas e interpretaciones erróneas de los resultados.

Lección 3 • Pruebas Chi Cuadrada y para Datos Categóricos

Aplica las pruebas chi cuadrada de bondad de ajuste e independencia, y la prueba exacta de Fisher a resultados categóricos. Estos métodos son esenciales para las comparaciones de frecuencias y proporciones en investigación.

Lección 4 • Alternativas No Paramétricas

Introduce pruebas basadas en rangos para datos que violan los supuestos paramétricos, incluyendo las pruebas de Wilcoxon, Kruskal-Wallis y Friedman. La selección de métodos no paramétricos preserva la validez cuando los supuestos fallan.

Lección 1 • Regresión Lineal Múltiple

Extiende la regresión a múltiples predictores, abordando la multicolinealidad, la selección de variables y la R cuadrada ajustada. El control multivariado es central para el análisis de investigación observacional.

Lección 2 • Principios de la Regresión Lineal Simple

Deriva la línea de regresión de mínimos cuadrados, interpreta la pendiente y el intercepto, y evalúa el ajuste del modelo. Esta sección establece el núcleo conceptual para todas las extensiones de regresión.

Lección 3 • Regresión Logística para Resultados Binarios

Modela resultados binarios usando regresión logística, interpretando log-momios, razones de momios y la discriminación del modelo. La regresión logística es la herramienta estándar para los criterios de valoración dicotómicos en investigación.

Lección 4 • Panorama General de los Modelos Lineales Generalizados

Introduce la regresión de Poisson, binomial negativa y gamma para resultados de conteo y sesgados. Extiende el marco de regresión a distribuciones de respuesta no normales comunes en investigación.

Lección 1 • Métodos de Imputación Simple y Múltiple

Aplica la imputación por media, regresión y múltiple por ecuaciones encadenadas para manejar los valores faltantes. La imputación múltiple preserva la incertidumbre y produce estimaciones insesgadas bajo el supuesto MAR.

Lección 2 • Mecanismos y Patrones de Datos Faltantes

Distingue los mecanismos MCAR, MAR y MNAR y sus consecuencias para la validez del análisis. La identificación correcta del mecanismo determina qué estrategias de corrección están justificadas estadísticamente.

Lección 3 • Limpieza de Datos y Gestión de Valores Atípicos

Establece procedimientos sistemáticos para detectar errores, inconsistencias y valores atípicos antes del análisis. Los datos limpios son un prerrequisito para obtener resultados estadísticos reproducibles y defendibles.

Lección 1 • Técnicas de Análisis de Conglomerados

Agrupa observaciones utilizando el agrupamiento jerárquico y de k-medias para revelar estructuras naturales en los datos. El análisis de conglomerados apoya la identificación de subgrupos en la investigación epidemiológica y del comportamiento.

Lección 2 • Fundamentos del Modelado de Ecuaciones Estructurales

Introduce los diagramas de senderos, los modelos de medida y los modelos estructurales para probar marcos teóricos complejos. El SEM integra el análisis factorial y la regresión en un enfoque confirmatorio unificado.

Lección 3 • Análisis de Componentes Principales y Factorial

Reduce la dimensionalidad usando PCA e identifica constructos latentes mediante el análisis factorial exploratorio. Estos métodos son fundamentales para el desarrollo de escalas y la compresión de datos en investigación.

Lección 4 • Análisis Multivariado de Varianza

Extiende el ANOVA a múltiples variables dependientes simultáneamente, controlando la tasa de error por familia. El MANOVA es esencial cuando los resultados están teóricamente relacionados y no deben probarse por separado.

Lección 1 • Riesgos Competitivos y Métodos Avanzados de Supervivencia

Aborda los eventos competitivos utilizando modelos de riesgo causa-específico y de subdistribución. Los métodos estándar de supervivencia producen estimaciones sesgadas cuando hay riesgos competitivos presentes.

Lección 2 • Regresión de Riesgos Proporcionales de Cox

Modela los efectos de las covariables sobre las tasas de riesgo utilizando el modelo de Cox, incluyendo la prueba de supuestos y la interpretación. El modelo de Cox es la herramienta de regresión dominante para los resultados de supervivencia en investigación.

Lección 3 • Diseños de Medidas Repetidas y Longitudinales

Cubre los diseños intrasujeto, los supuestos de esfericidad y los enfoques de modelos mixtos para datos longitudinales. El manejo adecuado de las observaciones correlacionadas es crítico para una inferencia longitudinal válida.

Lección 1 • Revisión por Pares y Crítica Estadística

Desarrolla habilidades para evaluar críticamente los métodos y resultados estadísticos en manuscritos enviados. Los estadísticos que fungen como revisores protegen la integridad del registro científico publicado.

Lección 2 • Tablas y Figuras para Resultados Estadísticos

Diseña tablas efectivas para la estadística descriptiva, las salidas de regresión y los resultados de supervivencia. Los elementos visuales bien construidos aceleran la comprensión del lector y reducen el número de palabras del manuscrito.

Lección 3 • Estándares y Guías de Reporte

Aplica las listas de verificación CONSORT, STROBE, PRISMA y guías de reporte relacionadas para asegurar la divulgación transparente de los métodos. La adhesión a los estándares de reporte es requerida por la mayoría de las revistas revisadas por pares.

Lección 4 • Interpretación y Comunicación de la Incertidumbre

Enseña la interpretación verbal y escrita precisa de los valores p, los intervalos de confianza y los tamaños del efecto. La mala interpretación de la incertidumbre es una fuente principal de errores en la investigación publicada.