Módulo 1. Estadística y R en investigación sanitaria

• 1.1. Bioestadística

1.1.1. Introducción al método científico
1.1.2. Población y muestra. Medidas muestrales de centralización
1.1.3. Distribuciones discretas y Distribuciones continuas
1.1.4. Esquema general de la inferencia estadística. Inferencia sobre una media de una población normal. Inferencia sobre una media de una población general
1.1.5. Introducción a la inferencia no paramétrica

• 1.2. Introducción a R

1.2.1. Características básicas del programa
1.2.2. Principales tipos de objetos
1.2.3. Ejemplos sencillos de simulación e inferencia estadística
1.2.4. Gráficos
1.2.5. Introducción a la programación en R

• 1.3. Métodos de regresión con R

1.3.1. Modelos de regresión
1.3.2. Selección de variables
1.3.3. Diagnóstico del modelo
1.3.4. Tratamiento de datos atípicos
1.3.5. Análisis de regresiones

• 1.4.  Análisis Multivariante con R

1.4.1. Descripción de datos multivariantes
1.4.2. Distribuciones multivariantes
1.4.3. Reducción de la dimensión
1.4.4. Clasificación no supervisada: análisis de conglomerados
1.4.5. Clasificación supervisada: análisis discriminante

• 1.5. Métodos de regresión para la investigación con R

1.5.1. Modelos lineales generalizados (GLM): regresión de Poisson y binomial negativa
1.5.2. Modelos lineales generalizados (GLM): regresiones logística y binomial
1.5.3. Regresión de Poisson y Binomial Negativa infladas por ceros
1.5.4. Ajustes locales y modelos aditivos generalizados (GAM)
1.5.5. Modelos mixtos generalizados (GLMM) y generalizados aditivos (GAMM)

• 1.6. Estadística aplicada a la investigación biomédica con R I

1.6.1. Nociones básicas de R. Variables y objetos de R. Manejo de datos. Ficheros. Gráficos
1.6.2. Estadística descriptiva y funciones de probabilidad
1.6.3. Programación y funciones en R
1.6.4. Análisis de tablas de contingencia
1.6.5. Inferencia básica con variables continuas

• 1.7. Estadística aplicada a la investigación biomédica con R II

1.7.1. Análisis de la varianza
1.7.2. Análisis de correlación
1.7.3. Regresión lineal simple
1.7.4. Regresión lineal múltiple
1.7.5. Regresión logística

• 1.8. Estadística aplicada a la investigación biomédica con R III

1.8.1. Variables de confusión e interacciones
1.8.2. Construcción de un modelo de regresión logística
1.8.3. Análisis de supervivencia
1.8.4. Regresión de Cox
1.8.5. Modelos predictivos. Análisis de curvas ROC

• 1.9. Técnicas estadísticas de Data Mining con R I

1.9.1. Introducción. Data Mining. Aprendizaje Supervisado y No Supervisado. Modelos Predictivos. Clasificación y Regresión
1.9.2. Análisis descriptivo. Pre-procesamiento de datos
1.9.3. Análisis de Componentes Principales (PCA)
1.9.4. Análisis Clúster. Métodos Jerárquicos. K-means

• 1.10. Técnicas estadísticas de Data Mining con R II

1.10.1. Medidas de Evaluación de Modelos. Medidas de capacidad predictiva. Curvas ROC
1.10.2. Técnicas de Evaluación de Modelos. Validación cruzada. Muestras Bootstrap
1.10.3. Métodos basados en árboles (CART)
1.10.4. Support vector machines (SVM)
1.10.5. Random Forest (RF) y Redes Neuronales (NN)