Diplomado en Estadística aplicada en ciencias biológicas y ecológicas con R

Detalles del programa

Este diplomado está diseñado para formar el pensamiento analítico en investigación y estadística de profesionales, equipándolos con técnicas avanzadas y herramientas informáticas en el lenguaje R, e incluyendo el componente de inteligencia artificial en su flujo de trabajo en ciencias. Buscamos potenciar la investigación cuantitativa en biología y ecología.
Descargar temario detallado PDF
Descargar brochure PDF
Descargar ficha de inscripción PDF

Facilidades de pago en cuotas, escribir al WhatsApp aquí

Generalidades:

Duración del diplomado:
416 horas (clase sincrónicas y material asincrónico), 5 meses.

Total de sesiones sincrónicas:

40 sesiones mediante Zoom.

Carga de trabajo promedio por semana:
15 horas (7 sincrónicas + 8 asincrónicas).

Horarios:
Viernes y Sábados de 6:00 a 9:30 pm (GMT-5, hora de Lima, Quito, Bogotá).

Fecha de inicio (detalle de fechas de cada módulo más abajo):
Inicio de clases sincrónicas: 2 de agosto de 2024

Fin de clases sincrónicas: 14 de diciembre de 2024.

Créditos académicos certificados por:

Se otorga certificado por 26 créditos académicos a nombre de la Facultad de Ciencias Biológicas, Universidad Nacional San Cristóbal de Huamanga (UNSCH, Perú) tras aprobar exitosamente el diplomado.

Avalado por:

Facultad de Ciencias Biológicas de la Universidad Nacional San Cristóbal de Huamanga (UNSCH).
Colegio de Biólogos del Perú – Consejo Regional XIII Ayacucho.
ONG Conservación Andina (CAA).
masterX.

Competencias que desarrollarás:

Escoge adecuadamente los métodos estadísticos para desarrollos metodológicos en investigación cuantitativa.
Implementa soluciones analíticas basadas en datos biológicos para mejorar la toma de decisiones en investigación cuantitativa.
Comunica efectiva y éticamente los resultados para la generación de conocimiento a partir de datos biológicos.

Fechas de los módulos:

MÓDULO	DURACIÓN SEMANAS	FECHA DE INICIO
Módulo 1: Introducción a R y RStudio para ciencias	2	2/08/2024
Módulo 2: Markdown y GitHub para reporte y colaboración científica	1	16/08/2024
Módulo 3: Graficación estadística e storytelling	2	23/08/2024
Módulo 4: Programación con R para automatizar procesos analíticos	1	6/09/2024
Módulo 5: Estadística descriptiva	1	13/09/2024
Módulo 6: Estadística inferencial básica	4	20/09/2024
Módulo 7: Modelamiento estadístico lineal	2	18/10/2024
Módulo 8: Modelamiento estadístico avanzado	3	1/11/2024
Módulo 9: Técnicas multivariadas	2	22/11/2024
Módulo 10: Análisis de biodiversidad	1	6/12/2024
Módulo 11: Publicación científica y ética en la era de la IA	1	13/12/2024
TOTAL	20 semanas	416 Horas

Certificación:

Los participantes que cumplan con el 80% de asistencia al diplomado y obtengan una nota mínima aprobatoria de catorce (16, equivalente a 80% en sistema de calificación vigesimal) recibirán el certificado de suficiencia donde constarán las competencias adquiridas, la duración y constancia la carga de créditos avalado emitido por la Facultad de Ciencias Biológicas, Universidad Nacional San Cristóbal de Huamanga (UNSCH, Perú) con un total de 26 créditos académicos y 400 horas.

Inversión:

Concepto	Monto
Pronto pago* (hasta el 21 de julio de 2024)	1,900 soles (Perú) o $500 (Latinoamérica)
Pago regular* (hasta el 01 de agosto de 2024)	2,090 soles (Perú) o $550 (Latinoamérica)
Pago en cuotas* (contacta un asesor)	2,470 soles en 05 cuotas de 494 soles (Perú) o $650 en 05 cuotas $130 (Latinoamérica)
Pago por módulo**	225 soles o $60

* Con créditos universitarios avalados por la Escuela de Posgrado de la UNSCH (Perú). Certificado a nombre de las cuatro instituciones.
** Sin créditos universitarios. Certificado a nombre de masterX.

Contacta un asesor en WhatsApp aquí

Habilidades y Competencias

Competencia específica 1: Escoge adecuadamente los métodos estadísticos para desarrollos metodológicos en investigación cuantitativa.
Competencia específica 2: Implementa soluciones analíticas basadas en datos biológicos para mejorar la toma de decisiones en investigación cuantitativa.
Competencia específica 3: Comunica efectiva y éticamente los resultados para la generación de conocimiento a partir de datos biológicos.

Contenido

Materiales descargables
Códigos desarrollados en clase
Asignación: Práctica 01
Asignación: Uso de Groq
Sesión 01 | Semana 1 | Módulo Introducción a R y RStudio para ciencias
C1S1M1 – 01 – Introducción al diplomado

14:53
C1S1M1 – 02 – Introducción a la Plataforma masterX

08:58
C1S1M1 – 03 – Grupo de WhatsApp e Instalaciones

10:27
C1S1M1 – 04 – Introducción a la Programación

11:27
C1S1M1 – 05 – ¿Qué es programar?

14:03
C1S1M1 – 06 – Lenguajes de Programación

10:07
C1S1M1 – 07 – IDEs y Scripts

08:26
C1S1M1 – 08 – Configuración de RStudio

32:14
C1S1M1 – 09 – Menús importantes de RStudio

13:23
C1S1M1- 10 – Proyectos de RStudio

13:03
C1S1M1- 11 – Información ingreso a Zoom

00:43
Sesión 02 | Semana 1 | Módulo Introducción a R y RStudio para ciencias
C2S1M1 – 01 – Comentarios y Secciones

14:38
C2S1M1 – 02 – Autorrellenado en funciones

10:18
C2S1M1 – 03 – Instalación de librerías

12:42
C2S1M1 – 04 – Búsqueda de ayuda en RStudio

10:21
C2S1M1 – 05 – Recapitulación y comentarios

07:58
C2S1M1 – 06 – Comentarios sobre instalación pacman

08:29
C2S1M1 – 07 – Directorios de trabajo

04:02
C2S1M1 – 08 – Nombrar variables

18:48
C2S1M1 – 09 – Operadores matemáticos

15:19
C2S1M1 – 10 – Operadores relacionales y lógicos

22:26
C2S1M1 – 11 – Vectores

01:01:11
Sesión 03 | Semana 2 | Módulo Introducción a R y RStudio para ciencias
C3S2M1 – 01 – Factores creación

12:02
C3S2M1 – 02 – Factores inspección

17:17
C3S2M1 – 03 – Factores preguntas lógicas

02:10
C3S2M1 – 04 – Factores indexación

02:33
C3S2M1 – 05 – Factores pregunta

09:25
C3S2M1 – 06 – Matrices introducción

09:26
C3S2M1 – 07 – Matrices creación

02:20
C3S2M1 – 08 – Matrices inspección

04:14
C3S2M1 – 09 – Matrices Operaciones matriciales

13:09
C3S2M1 – 10 – Matrices preguntas lógicas

03:18
C3S2M1 – 11 – Matrices indexación

09:12
C3S2M1 – 12 – DataFrame introducción

03:54
C3S2M1 – 13 – DataFrame creación

04:04
C3S2M1 – 14 – DataFrame inspección

06:03
C3S2M1 – 15 – DataFrame indexación

02:41
C3S2M1 – 16 – DataFrame coerción y uso del operador dólar

05:44
C3S2M1 – 17 – DataFrame preguntas lógicas

01:39
C3S2M1 – 18 – Pregunta sobre proyectos

11:48
C3S2M1 – 19 – Listas

10:58
C3S2M1 – 20 – Tibble

06:34
C3S2M1 – 21 – Carga de bases de datos

05:32
C3S2M1 – 22 – Cargade datos – recomendación Oliverio

01:41
C3S2M1 – 23 – Carga de bases de datos en RStudio

17:25
C3S2M1 – 24 – Pipes y Pipelines – Tuberías

12:57
C3S2M1 – 25 – Introducción a Tidyverse

04:54
C3S2M1 – 26 – Tidyverse Filtrado de filas

11:13
Sesión 4 | Semana 2 | Introducción a R y RStudio para Ciencias
C4S2M1 – 01 – Revisión de práctica 01

49:31
C4S2M1 – 02 – Tidyverse seleccionar columnas

22:10
C4S2M1 – 03 – Tidyverse crear y modificar columnas

10:45
C4S2M1 – 04 – Tidyverse agrupamientos

10:45
C4S2M1 – 05 – Tidyverse resúmenes estadísticos

44:01
C4S2M1 – 06 – Tidyverse Reordenamientos

04:42
C4S2M1 – 07 – Comentario sobre sus proyectos del diplomado

02:21
C4S2M1 – 08 – Introducción a los ejercicios aplicativos

15:35
C4S2M1 – 09 – Ejercicios Paper 01 PROT

30:07
Sesión 05 | Semana 2 | Módulo 1 – Introducción a R para Ciencias
C5S2M1 – 01 – Revisión de uso de las inteligencias

10:42
C5S2M1 – 02 – Ejercicios tidyverse Paper 1 final

11:00
C5S2M1 – 03 – Ejercicios tidyverse Paper 2

21:03
C5S2M1 – 04 – Ejercicios tidyverse Paper 3

20:26
C5S2M1 – 05 – Graficos con R base

20:02
Sesión de apoyo 01
Sesión de apoyo 02

Materiales descargables
Instalación: Quarto
Instalación: Git
Instalación: GitHub desktop
Instalación: Terminal de Windows
Libro: R Markdown
Libro: R Markdown Cookbook
¿Qué es TinyTex?
LaTeX project
Code Equations Web
Documentación de Quarto
Sesión 5 | Semana 3 | Módulo 2 Markdown y GitHub para reporte y colaboración científica
C5S3M2 – 01 – Explicación sobre el módulo anterior

05:09
C5S3M2 – 02 – Instalaciones iniciales

15:09
C5S3M2 – 03 – Organización de las carpetas de proyectos

31:27
C5S3M2 – 04 – Programación literaria

09:42
C5S3M2 – 05 – Lenguaje Markdown y texto plano

17:59
C5S3M2 – 06 – Aplicando Markdown en una R Notebook

39:09
C5S3M2 – 07 – Insertando código en el archivo Markdown

10:44
C5S3M2 – 08 – Vistas Source y Visual en RStudio

09:12
C5S3M2 – 09 – Archivos R Markdown y solución de error

10:02
C5S3M2 – 10 – Corrección de archivo fish.csv

08:31
C5S3M2 – 11 – Configuración y exportación HTML de Quarto

35:46
Clase 6 | Semana 2 | Módulo Markdown y GitHub para reporte y colaboración científica
C6S3M2 – 01 – YAML en un documento Quarto

38:14
C6S3M2 – 02 – Configuración de Code Chunks en un documento Quarto

41:33
C6S3M2 – 03 – Gestión de referencias bibliográficas y exportación de word

48:03
C6S3M2 – 04 – LaTeX, Fórmulas y Exportación de Quarto a PDF

47:10
C6S3M2 – 05 – Tema RStudio y creación de cuenta en GitHub

35:32
Clase 7 | Semana 4 | Módulo 02 Git y GitHub
C7S4M2 – 01 – Claves SSH y configuración de Git

36:23
C7S4M2 – 02 – Conectar Git con GitHub

25:54
C7S4M2 – 03 – Git origen y comandos

10:17
C7S4M2 – 04 – git add, git commit y pestaña git

27:30
C7S4M2 – 05 – Creación de Diapositiva HTML

28:29
C7S4M2 – 06 – Aplicación de comandos Git en Repo local

35:09
C7S4M2 – 07 – git remote, git push y GitHub Pages

40:04
Clase 8 | Semana 4 | Módulo 02 Git y GitHub
C8S4M2 – 01 – Cambios en archivo index.HTML

16:43
C8S4M2 – 02 – Instalar paquetes desde GitHub: leaflet y plotly

32:05
C8S4M2 – 03 – Diapositivas HTML con Quarto y RevealJS

01:14:31
C8S4M2 – 04 – git push y git clone

44:02
C8S4M2 – 05 – Fork, Star, y GitHub Desktop

17:06
C8S4M2 – 06 – Comentario de fin de módulo

07:14
Sesión de Consultoría | Módulo 02

Materiales descargables
Libro ggplot2
Extensiones de ggplot2
Plotly página de ayuda
Ayuda ggplot2 y Cheatsheet
Clase 9 | Semana 5 | Módulo 3 Visualización de datos e Storytelling
C9S5M3 – 01 – Proyecto del módulo

09:06
C9S5M3 – 02 – Tipos de variables en estudios

10:48
C9S5M3 – 03 – Gráficos de una sola variable

17:31
C9S5M3 – 04 – Gráficos de dos variables

22:09
C9S5M3 – 05 – Gráficos de más de dos variables

08:00
C9S5M3 – 06 – Introducción a Data Storytelling

19:03
C9S5M3 – 07 – Puntos clave para un buen Data Storytelling

07:49
C9S5M3 – 08 – Ejemplos de aplicación de Data Storytelling

23:04
C9S5M3 – 09 – Gramática de gráficos con ggplot2

40:24
C9S5M3 – 10 – 1V Gráfico de barras simples y treemap

47:48
Clase 10 | Semana 5 | Mod 3 Visualización de datos e Storytelling
C10S5M3 – 01 – Teoría de color

16:20
C10S5M3 – 02 – Recursos de visualización en masterX

06:45
C10S5M3 – 03 – Exportación de gráficos e interactivos

11:10
C10S5M3 – 04 – 1V Funciones y argumentos de ggplot2 aplicados en treemap

01:11:14
C10S5M3 – 05 – 1V Histograma de frecuencias

39:29
C10S5M3 – 06 – 1V Función de densidad

33:23
C10S5M3 – 07 – 1V Boxplot y Violín

20:55
Sesión extra | Módulo 3
C10S5M3-Extra – 01 – 1V Gráfico de líneas y área

43:01
C10S5M3-Extra – 02 – 2V Gráfico de barras stack, dodge y fill

21:46
C10S5M3-Extra – 03 – 2V Sankey Plot

16:25
C10S5M3-Extra – 04 – 2V Radar Plot

18:02

Materiales descargables
Códigos desarrollados
Clase 11 | Semana 6 | Módulo 4 Programación con R para automatizar procesos analíticos
C11S6M4 – 01 – Introducción al módulo

06:01
C11S6M4 – 02 – Proyecto y base de datos del módulo

14:06
C11S6M4 – 03 – Cheatsheets

11:28
C11S6M4 – 04 – Operaciones relacionales y lógicas

29:34
C11S6M4 – 05 – Condicionales if else

01:13:59
C11S6M4 – 06 – Práctica de Condicionales if, else y case_when

10:52
C11S6M4 – 07 – Función ifelse

11:55
C11S6M4 – 08 – Creación de funciones

09:37
Clase 12 | Semana 5 | Módulo 4 Programación con R para automatizar procesos analíticos
C12S6M4 – 01 – INFO exámenes y certificados de módulos

09:27
C12S6M4 – 02 – Práctica de creación de funciones

19:27
C12S6M4 – 03 – Manejo de argumentos en funciones modularizadas

13:15
C12S6M4 – 04 – Mensajes, advertencias y evaluación de errores a una función

20:00
C12S6M4 – 05 – Funciones anónimas

07:21
C12S6M4 – 06 – Función apply

21:28
C12S6M4 – 07 – Función tapply

06:45
C12S6M4 – 08 – Funciones lapply y sapply

16:22
C12S6M4 – 09 – Función source para llamar scripts de R

15:04
C12S6M4 – 10 – Loop o bucle for

42:37
C12S6M4 – 11 – Aplicación – crear muchos modelos GLM con loop for

26:37
C12S6M4 – 12 – Loop while, simulación de Montecarlo y app captura-recaptura

24:56

Materiales descargables
Códigos desarrollados
Diapositivas
Clase 13 | Semana 7 | Módulo 5 Estadística descriptiva
C13S7M5 – 01 – Introducción al módulo

09:32
C13S7M5 – 02 – ¿Qué es estadística?

14:48
C13S7M5 – 03 – ¿Cómo obtener la muestra y qué mide?

20:37
C13S7M5 – 04 – Tamaño de muestra y margen de error

28:03
C13S7M5 – 05 – Probabilidad vs Estadística

09:15
C13S7M5 – 06 – Distribuciones de probabilidad

37:04
C13S7M5 – 07 – Preliminares con código

04:51
C13S7M5 – 08 – Tablas de frecuencia unidimensionales

16:47
C13S7M5 – 09 – Tablas de frecuencia bidimensionales

08:25
C13S7M5 – 10 – Muestreo en R

15:05
C13S7M5 – 11 – Simulación con loop for – Influencia del N muestral

38:02
Clase 14 | Semana 7 | Módulo 5 Estadística
C14S7M5 – 01 – Diapositivas y materiales

08:12
C14S7M5 – 02 – Distribución binomial (discreta)

26:17
C14S7M5 – 03 – Distribución de poisson (discreta)

21:48
C14S7M5 – 04 – Distribución gamma (continua)

21:16
C14S7M5 – 05 – Distribución normal (continua)

21:59
C14S7M5 – 06 – Medidas de tendencia central y dispersión

20:00
C14S7M5 – 07 – Medidas de posición y de forma

29:35
C14S7M5 – 08 – Análisis bivariados: covarianza y correlación

24:26
C14S7M5 – 09 – Análisis exploratorio de datos (EDA)

35:35

Materiales descargables
Códigos desarrollados
Diapositivas Mod 6
Tamaños del Efecto (rangos)
Clase 15 | Semana 8 | Mód. 6 Estadística básica
C15S8M6 – 01 – Inferencia estadística y prueba de hipótesis

11:57
C15S8M6 – 02 – Tabla de errores

12:35
C15S8M6 – 03 – Poder estadístico

13:28
C15S8M6 – 04 – Formas de obtener mayor poder estadístico

26:54
C15S8M6 – 05 – Entendiendo el p-valor

15:03
C15S8M6 – 06 – Pruebas de normalidad – teoría

09:02
C15S8M6 – 07 – Pruebas de normalidad – aplicación en R I

34:21
C15S8M6 – 08 – Pruebas de normalidad – aplicación en R II

45:56
C15S8M6 – 09 – Pruebas de normalidad – aplicación en R III

20:29
Clase 16 | Semana 9 | Mód. Estadística básica
C16S8M6 – 01 – Introducción a comparacion de grupos

41:09
C16S8M6 – 02 – Pruebas de t para muestras independientes

01:20:09
C16S8M6 – 03 – Pruebas de t para muestras dependientes

24:14
C16S8M6 – 04 – Pruebas no paramétricas Mann-Withney y Wilcoxon

26:07
Clase 17 | Semana 9 | Mód. Estadística básica
C17S8M6 – 01 – Tamaños de efecto y teoría de ANOVAs

44:27
C17S8M6 – 02 – ANOVA de una vía

52:26
C17S8M6 – 03 – Kruskal-Wallis

20:53
C17S8M6 – 04 – ANOVA de dos vías unifactorial

34:43
C17S8M6 – 05 – ANOVA de dos vías factorial e interaction plot

20:09
C17S8M6 – 06 – Prueba de Chi cuadrado

01:13:12

Diapositivas del Módulo
Clase 18 | Semana 9 | Módulo 7
C18S9M7 – 01 – Modelo lineal concepto y función matemática

26:15
C18S9M7 – 02 – Aplicaciones y limitaciones del modelo lineal

21:51
C18S9M7 – 03 – Asunciones teóricas y alternativas analíticas

15:54
C18S9M7 – 04 – Funciones para las alternativas analíticas

09:12
C18S9M7 – 05 – Análisis Exploratorio

33:01
C18S9M7 – 06 – Crear modelo lineal y el null model

24:29
C18S9M7 – 07 – Revisión de asunciones teóricas

30:17
C18S9M7 – 08 – Regresion lineal múltiple y multicolinearidad

32:58
Clase 19 | Semana 9 | Módulo 7
C19S9M7 – 01 – Interacciones introducción y consultas

44:51
C19S9M7 – 02 – Aplicación de modelos con interacción

26:59
C19S9M7 – 03 – Gráficos de interacción

24:37
C19S9M7 – 04 – Métricas de evaluación y comparación

26:33
C19S9M7 – 05 – Intervalo de confianza y Gráfico de Coeficientes

11:28
C19S9M7 – 06 – Gráficos de efectos con sjPlot

36:02
Clase 20 | Semana 10 | Módulo 7
Clase 21 | Semana 10 | Módulo 7
C20S9M7 – 01 – Likelihood Ratio Test y Loglike

08:23
C20S9M7 – 02 – Modelos logarítmicos

27:59
C20S9M7 – 03 – Modelos lineal-log

25:04
C20S9M7 – 04 – Modelos log-lineal

10:27
C20S9M7 – 05 – Modelos log-log

10:46
C20S9M7 – 06 – Ejercicios personales, aplicaciones, papers

58:46

Materiales descargables
Códigos desarrollados
Diapositivas del módulo
Lista de Distribuciones de Probabilidades
Clase 21 | Semana 10 | Módulo 8
C21S10M8 – 01 – Introducción al módulo

08:09
C21S10M8 – 02 – Panorama de modelos disponibles

22:07
C21S10M8 – 03 – Comentario SDM

02:44
C21S10M8 – 04 – Función de enlace de un GLM

31:20
C21S10M8 – 05 – Familias de distribución potencial

19:53
C21S10M8 – 06 – Gaussiana, Gamma y Gaussiana inversa

14:08
C21S10M8 – 07 – Poisson, Sobredispersión y Binomial Negativa

07:09
C21S10M8 – 08 – Bernoulli, Binomial, Beta

05:21
C21S10M8 – 09 – Revisión de Papers – ¿cómo se redacta la metodología?

59:17
Clase 22 | Semana 11 | Módulo 8
C22S11M8 – 01 – Introducción GLM de conteos y paper de trabajo

23:08
C22S11M8 – 02 – Funciones nuevas y manejo de los datos

28:59
C22S11M8 – 03 – Gráficos exploratorios con flexplot

30:38
C22S11M8 – 04 – Teoría de GLM de conteos y GLM poisson

22:39
C22S11M8 – 05 – GLM Quasipoisson

31:00
C22S11M8 – 06 – GLM Binomial Negativa

04:30
C22S11M8 – 07 – Comparación de modelos

22:25
C22S11M8 – 08 – Selección de variables

26:50
Clase 23 | Semana 11 | Módulo 8
C23S11M8 – 01 – Interpretación de modelos de conteo

41:44
C23S11M8 – 02 – Teoría de modelos logísticos

42:38
C23S11M8 – 03 – Creción de modelos logísticos

32:25
C23S11M8 – 04 – Comparación de modelos logísticos

42:18
C23S11M8 – 05 – Interpretación de modelos logísticos

51:51
Clase 24 | Semana 12 | Módulo 8
Comentario: Paquete GAMLSS – extendiendo los modelos GLM
Comentario: PDF GAMLSS
C24S12M8 – 01 – Introducción a GLM logístico binomial

07:56
C24S12M8 – 02 – Paper de trabajo

14:48
C24S12M8 – 03 – Gráficas exploratorias en GLM logístico binomial

27:39
C24S12M8 – 04 – Modelamiento logístico binomial y quasibinomial

42:53
C24S12M8 – 05 – Interpretación de coeficientes (GLM logístico)

38:27
C24S12M8 – 06 – Gráficos del modelo (GLM logístico)

29:00
C24S12M8 – 07 – GLM Beta para proporciones

33:16
Clase 25 | Semana 12 | Módulo 8
C25S12M8 – 01 – Teoría sobre modelos para casos de ceros inflados

23:21
C25S12M8 – 02 – Paper de trabajo y gráficos exploratorios

35:53
C25S12M8 – 03 – Modelos iniciales, Poisson y chequeos iniciales

11:12
C25S12M8 – 04 – Modelamiento de Hurdle y comparación de modelos

20:43
C25S12M8 – 05 – Interpretaciones, partes Binomial Negativa Truncada y Logística

47:18
C25S12M8 – 06 – Gráficas del paper

15:41
C26S13M8 – 01 – Teoría sobre modelos de efectos mixtos y GEE

01:02:13
C26S13M8 – 02 – Gráficos exploratorios en modelos de efectos mixtos

27:13
C26S13M8 – 03 – Explicación sobre la interpretación del enlace inverso o recíproco

09:24
C26S13M8 – 04 – Modelamiento Gaussiana, Gamma y Gaussiana inversa

19:10
C26S13M8 – 05 – Comparación de modelos con AIC y RMSE

20:26
C26S13M8 – 06 – Modelamiento Ecuaciones de Estimación Generalizadas (GEE)

20:26
C26S13M8 – 07 – Gráficos del mejor modelo

02:07
C26S13M8 – 08 – Interpretación de modelos con enlace inverso

22:48

Archivos descargables
Códigos desarrollados
Diapositivas del módulo
C27S13M9 – 01 – Introducción al pensamiento multivariado

10:33
C27S13M9 – 02 – Introducción a las técnicas multivariadas

08:10
C27S13M9 – 03 – Listado de los métodos de distancias

20:30
C27S13M9 – 04 – Para qué sirven las distancias

08:40
C27S13M9 – 05 – Transformaciones

36:37
C27S13M9 – 06 – Distancia euclidiana y problema de los dobles ceros

14:21
C27S13M9 – 07 – Otras distancias para datos continuos

05:51
C27S13M9 – 08 – Distancias euclidianas transformadas y mixtas

08:07
C27S13M9 – 09 – Distancias para datos de presencia-ausencia

09:15
C27S13M9 – 10 – Distancias para datos de abundancia

04:43
C27S13M9 – 11 – Efecto de las transformaciones sobre las Distancias

18:21
C27S13M9 – 12 – Transformaciones en R

29:04
Clase 28 | Semana 14 | Mod 9
C28S14M9 – 01 – Paquetes y comentarios

07:17
C28S14M9 – 02 – Repaso sobre transformaciones

24:04
C28S14M9 – 03 – Matrices de distancia

41:31
C28S14M9 – 04 – Vista general de las técnicas multivariadas

22:34
C28S14M9 – 05 – Agrupamiento jerárquico – Teoría

18:21
C28S14M9 – 06 – Agrupamiento jerárquico – Práctica

58:06
C28S14M9 – 07 – PCA – Teoría

25:06
Clase 29 | Semana 14 | Mod 9
C29S14M9 – 01 – Recapitulación de agrupamiento jerarquico

16:29
C29S14M9 – 02 – Análisis de entrelazamiento de árboles

13:34
C29S14M9 – 03 – PCA – Testeos iniciales

50:13
C29S14M9 – 04 – PCA – Desarrollo

11:06
C29S14M9 – 05 – PCA – Gráficos

35:15
C29S14M9 – 06 – PCA – Mejora por reducción e interpretación

20:56
C29S14M9 – 07 – PCA – Complemento con especies indicadoras

14:33
C29S14M9 – 08 – CA – Teoría

11:06
Clase 30 | Semana 15 | Mod9
C30S15M9 – 01 – CA – Revisión y tablas de contingencia

09:23
C30S15M9 – 02 – CA – Desarrollo

52:55
C30S15M9 – 03 – PCoA o MDS – primer ejercicio con Bray Curtis

26:25
C30S15M9 – 04 – PCoA o MDS – comparación de métodos de distancia para biodiversidad

01:02:07
C30S15M9 – 05 – NMDS

42:37
Clase 31 | Semana 15 | Mod9
C31S15M9 – 01 – Teoría sobre RDA

37:25
C31S15M9 – 02 – RDA – Desarrollo del tb-RDA

45:24
C31S15M9 – 03 – RDA – selección de modelos

14:22
C31S15M9 – 04 – RDA – Test de significancia

27:23
C31S15M9 – 05 – db-RDA

09:57
C31S15M9 – 06 – CCA

28:57

Archivos descargables
Códigos desarrollados
Clase 32 | Semana 16 | Mod10
C32S16M10 – 01 – Introducción, paquetes, funciones nuevas y base de datos

23:14
C32S16M10 – 02 – Estimadores no paramétricos de biodiversidad

18:40
C32S16M10 – 03 – Diversidad alpha y números de Hill

51:37
C32S16M10 – 04 – Curvas de rarefacción-extrapolación con iNEXT para toda el área

23:58
C32S16M10 – 05 – Curvas de rarefacción-extrapolación con iNEXT con datos de incidencia

12:35
C32S16M10 – 06 – Curvas de rarefacción-extrapolación con iNEXT agregado por categorías

35:37
C32S16M10 – 07 – Curvas de rarefacción-extrapolación con múltiples q con iNEXT

03:35
Clase 33 | Semana 16 | Mod10
C33S16M10 – 01 – Comprensión sobre los índices de biodiversidad alpha

44:31
C33S16M10 – 02 – Exportación de gráficas simples y múltiples

11:30
C33S16M10 – 03 – Gráfica de Perfil de Diversidad – de Hill y de Renyi

08:29
C33S16M10 – 04 – Curvas de acumulación de especies – para toda el área

22:59
C33S16M10 – 05 – Curvas de acumulación de especies – agregado por categorías

10:51
C33S16M10 – 06 – Curvas de acumulación de especies – modelo de Clench

20:49
C33S16M10 – 07 – Curvas de rango-abundancia – para toda el área

13:14
C33S16M10 – 08 – Curvas de rango-abundancia – agregado por categorías

20:56
C33S16M10 – 09 – Estadística aplicada a los índices de diversidad

24:30

Archivos descargables
Clase 34 | Semana 17 | Mod 11
Enlaces a Herramientas IA utilizadas en el módulo
C34S17M11 – 01 – Tres etapas de la AI

09:25
C34S17M11 – 02 – Perceptrón, redes neuronales y súper computadoras

22:12
C34S17M11 – 03 – Inteligencia artificial generativa – texto, video, imagen

10:41
C34S17M11 – 04 – La era de los agentes AI en 2025

09:38
C34S17M11 – 05 – Niveles de cognición de la AI actual

20:48
C34S17M11 – 06 – Ciclo de vida de un paper

23:25
C34S17M11 – 07 – Revistas científicas y predatoras

29:15
C34S17M11 – 08 – Problemas éticos de la AI y la respuesta de las revistas científicas

26:05
C34S17M11 – 09 – Herramientas de AI para redacción científica e investigación

50:29
C35S17M11 – 10 – Búsqueda de referencias bibliográficas aumentada con AI

26:42
C35S17M11 – 11 – Uso de ChatGPT como Assistant AI Tool vs Generative AI Tool

09:25

Opiniones de los estudiantes

5.0

Total 1 Clasificación

100%

Instructores y Certificación

Escuela de Posgrado UNSCH

5.00

(1 Clasificación)

$550.00

Inscrito43
Clases340
Nivel del cursoExperto
Idiomaenglish,arabic
Course Duration: 416h

Tus instructores

Escuela de Posgrado UNSCH

0 Cursos
1 Review
0 Students

Conservación Andina Ayacucho

0 Cursos
1 Review
0 Students

Colegio de Biólogos del Perú Consejo Regional XIII Ayacucho

0 Cursos
1 Review
0 Students

Irwing Smith Saldaña Ugaz

Biostatistics, Data Science, MLOps

Biólogo egresado de la Universidad Nacional de Trujillo (Perú), candidato a Magister en Educación por la Universidad San Martin de Porres. Su enfoque se centra en la programación, bioestadística y operaciones de machine learning (MLOps), aplicados en biociencias y ecología. Es especialista en Data Science (por HarvardX, USA), en Estadística para Salud Pública (por Imperial College London, UK), y en Machine Learning Operations (por Duke University, USA). Ex docente universitario de la Universidad Nacional de Cajamarca e instructor en la escuela de Data Science & Engineering en masterX. Actualmente trabaja como analista en el Ministerio de Salud; y es Co-Fundador y CEO masterX Academy, una startup de educación en ciencia e investigación. Busca empoderar a más profesionales con el conocimiento de nuevas tecnologías y métodos analíticos para ayudarles a convertirse en investigadores de alto impacto, apoyando la educación efectiva y divulgación de la ciencia.

0 Cursos
13 Comentarios
0 Students

masterX

Startup de Educación en Línea para Científicos

0 Cursos
12 Comentarios
0 Students

Oliverio Pichardo Diestra

0 Cursos
1 Review
0 Students

Dirigido a

Profesionales de las carreras de biología, ecología, ingeniería ambiental y afines.

Diplomado en Estadística Aplicada en Ciencias Biológicas y Ecológicas con R

$550.00