Información del curso

Docente: Luis D’Angelo Duración: Cuatro semanas, distribuidas en 4 módulos de aprendizaje Dedicación semanal: 4 horas reloj semanales. Total 16 horas reloj.

Destinado a:

Profesionales y técnicos de diversas áreas científicas que desean perfeccionar sus habilidades en estadística inferencial para optimizar el diseño y análisis de estudios.

Objetivo:

Este curso práctico de G*Power (y otros programas) se centra en capacitar a los participantes en el cálculo preciso del tamaño de muestra necesario y la determinación de la potencia estadística en contextos variados. A lo largo del curso, el participante aprenderá a aplicar estas habilidades en diferentes situaciones, como la comparación de medias respecto a un valor teórico, tanto para muestras independientes como dependientes, utilizando pruebas paramétricas y no paramétricas. También podrá determinar el tamaño de muestra y la potencia para evaluar diferencias de proporciones y comparaciones entre proporciones independientes y dependientes. Además, se abordará el análisis de tablas de contingencia para estudiar asociaciones entre variables categóricas, así como el cálculo del tamaño de muestra y la potencia para correlaciones, regresiones y análisis de varianza (ANOVA), abarcando diseños de un factor, varios factores y medidas repetidas en sus versiones paramétricas y no paramétricas. Al completar este curso, los participantes estarán preparados para tomar decisiones informadas sobre el tamaño de muestra y la potencia estadística en sus investigaciones, fortaleciendo la validez y la robustez de sus análisis de datos científicos.

Requisitos: Se recomienda que los participantes tengan conocimientos básicos en estadística descriptiva y un entendimiento general de los principios de la estadística inferencial.

Tener instalado y contar con un manejo básico de Adobe Acrobat (pdf), MS Word, MS Power Point, MS Excel.

Además, si los participantes cuentan con acceso a software como SPSS, Stata, Minitab o Ene 3.0 podrán seguir ejemplos prácticos utilizando estas herramientas durante el curso. Sin embargo, no es un requisito tener experiencia previa con estos programas, ya que se proporcionarán instrucciones y guías para su uso durante las sesiones prácticas.

Conocimientos mínimos previos: Se recomienda haber cursado ‘Elementos básicos de estadística y metodología aplicada a la investigación’, ‘Análisis de datos con Estadística Paramétrica’, o ‘Análisis de datos para variables cualitativas y estadística no paramétrica’.

Modalidad: A distancia, a través de la plataforma virtual de cursos del Centro REDES.

Certificación del curso:

• Para obtener el certificado de participación: El cursante tendrá que haber resuelto los Cuestionarios/Trabajos prácticos para los 4 módulos virtuales.
• Para obtener el certificado de aprobación: Además de cumplir los requisitos para el certificado de participación, para certificar la aprobación el cursante deberá rendir un examen de evaluación final, que será presentado en un encuentro sincrónico a los 7 días de finalizado el curso.

El requisito de aprobación del examen implica obtener un mínimo de 70 puntos en una escala de 0 a 100. En el caso de no haber aprobado el 1er. examen, pero haber alcanzado un puntaje igual o mayor a 50 puntos, el cursante tendrá derecho a un 2do. y último examen, en el que deberá obtener un mínimo de 70 puntos para aprobar.

Características de los certificados.

---

Contenidos:

Módulo 1: Pruebas de Hipótesis, potencia y tamaño de efecto. Comparación de Medias

En este módulo introductorio, los participantes explorarán los fundamentos de las pruebas de hipótesis estadísticas, incluyendo los conceptos de errores tipo I y tipo II, tamaño de efecto y potencia de la prueba. El enfoque se centrará en el cálculo del tamaño de muestra necesario y determinar la potencia para evaluar la significancia estadística de la diferencia entre una media muestral y un valor teórico. Se discutirán medidas de tamaño de efecto como d de Cohen, g de Hedges y Delta de Glass. Se cubrirán tanto pruebas paramétricas, como la prueba t de Student, como pruebas no paramétricas, como la prueba de Wilcoxon-Mann-Whitney para muestras independientes y la prueba de los rangos con signo de Wilcoxon para muestras dependientes.

Módulo 2: Comparación de Proporciones

En este módulo, se enseñará a calcular el tamaño de muestra necesario y determinación de la potencia de la prueba para evaluar si una proporción muestral difiere significativamente de un valor teórico utilizando la prueba binomial. Se discutirá el uso de Odds Ratio como medida de tamaño de efecto en muestras independientes y dependientes. Se abordará la comparación de proporciones independientes mediante la aproximación normal z y la prueba exacta de Fisher, y proporciones dependientes mediante la prueba de McNemar. También se explorará el cálculo de la cantidad de casos necesaria para aplicar la prueba chi cuadrado de independencia y bondad de ajuste en tablas de contingencia.

Módulo 3: Correlación y Regresión

En este módulo avanzado, los participantes aprenderán a calcular el tamaño de muestra necesario y determinar la potencia para evaluar la relación entre variables continuas mediante correlaciones paramétricas como el coeficiente de correlación de Pearson (r) y correlaciones no paramétricas como el coeficiente de correlación de Spearman (Rho). También se abordará el caso de la correlación biserial puntual y se compararán dos coeficientes de correlación independientes. Se discutirá el coeficiente f² en el contexto de la regresión. Además, se explorará el cálculo del tamaño de muestra necesario para regresión lineal simple y múltiple con varios predictores.

Módulo 4: Análisis de Varianza (ANOVA)

En este último módulo, se aprenderá a calcular el tamaño de muestra necesario y determinar la potencia para comparar múltiples grupos utilizando ANOVA de un factor, de varios factores y ANOVA de medidas repetidas. Se discutirá el coeficiente f² en el contexto de ANOVA. También se explorarán sus equivalentes no paramétricos, como el test de Kruskal-Wallis para un factor y el test de Friedman para medidas repetidas, adecuados para casos donde los supuestos de normalidad y homogeneidad de varianzas no se cumplen.

---