Temario
El curso de Estadística Computacional en R es una introducción a los modelos estadísticos empleadas en la investigación en ciencias naturales y en manejo de los recursos naturales. El estudiante obtendrá conocimientos conceptaules y prácticos para el análisis de datos, interpretará los resultados y apreciará la necesidad de la adecuada planeación de un proyecto de investigación y de un correcto diseño experimental, diseño de toma de datos en campo, etc.
Objetivo
Familiarizar al estudiante con los métodos estadísticos utilizados cotidianamente en la investigación en ecología.
Objetivos específicos
Que el estudiante identifique correctamente el tipo de modelo estadístico necesario en acorde a la pregunta y tipo de datos. Que el estudiante se capaz de organizar los datos en forma correcta para realizar los análisis estadísticos. Que el estudiante sea capaz de realizar los análisis estadísticos. Que el estudiante sea capaz de interpretar correctamente el resultado de los análisis estadísticos. Que el estudiante se capaz de representar gráficamente los resultados obtenidos.
Habilidades y destrezas
Habilidades numéricas, pensamiento abstracto, y agilidad mental.
Contenido temático
1.- Introducción a sistema R Ambiente R Sistema de ayuda en R Objetos Asignar valores a objetos Llamar objetos Operaciones básicas Tablas Vectores y matrices Funciones Programación Números aleatorios Iteraciones Gráficas Importar datos 2.- Estadística descriptiva en R Frecuencias Media Desviación estándar 3.-Pruebas clásicas en R Inferencias en una muestra Comparación de dos varianzas Comparación de dos medias t de Student Suma de rangos de Wilcoxon Muestras pareadas Comparar dos proporciones, binomial Ji-cuadrara, contingencia Prueba excta de Fisher Correlación Correlación y escala Correlación y covarainza Kolmogrov-Smirnov 2.- Regresión Principios de la regresión Regresión en R Parámetros estimados Gráficas Supuestos Regresión multiple Regresión: modelos de árboles Regresión: Bosque de árboles 3.- Análisis de varianza Principios del ANOVA Supuestos ANOVA en R ANOVA 1-vía ANOVA 2-vías Interacciones ANOVA 3-Vías Parámetros Comparaciones múltiples Diferencias mínima significativa Gráficas 4.- Análisis de covarianza Principios del ANCOVA Parámetros Gráficas ANCOVA con diferentes valores de covariable ANCOVA usando lm y aov Simplificación de modelos 4.- Crítica de modelos Residuales Heterocedasticidad Errores no normales Atípicos AIC Mala definición de modelo Mala elección de error Mala elección de función de liga Sobredispersión Revisar el modelo 5.- Contrastes Diseños ortogonales Contrastes Contrastes de coeficientes Simplificación a posteriori Contrastes en ANCOVA 6.-ANOVA de bloques divididos Fundamento Diseños complejos 7.- ANOVA anidado Fundamento Psedoreplicación Componentes de la varianza 8.-Funciones y transformaciones Potencias Polinomial Polinomial inversa Logaritmica Ecuación de Michaelis-Mente Exponencial asintótica Transformación Box-Cox 9.- Simplificación de modelos 10.- GLM Predictor lineal Valores ajustados Función de liga Estimación de parámetros Devianza 11. GLM con proporciones Error binomial Devianza Sobredispersión Crítica de modelos Regresión Análisis de devianza Simplificación y sobredispersión ANCOVA 12.- GLM con conteos Error Poisson Distribución Poisson Devianza Log-lineal Análisis de devianza Sobredispersión ANCOVA Tablas de contingencia 13.- GLM con respuestas binarias Devinza Función de incidencia ANCOVA logística 15.- Modelo mixtos
