RStudio e IA Aplicado a la Investigación

Instalación de R y RStudio: Guía paso a paso para instalar el software y configurarlo en diferentes sistemas operativos (Windows, Mac, Linux). 

Interfaz de RStudio: Exploración del entorno de trabajo, ventanas principales (Script, Consola, Environment, Gráficos, Paquetes). 

Comandos y scripts básicos: Cómo escribir y ejecutar scripts, comentarios, y el uso de la consola interactiva. 

Estructuras de datos en R: Vectores, matrices, listas y data frames. 

Conceptos de programación básica: Variables, operadores aritméticos y lógicos, condicionales (if), bucles (for, while). 

Importación desde diferentes fuentes: Archivos CSV, Excel, Stata, SPSS, RData y Conexión con bases de datos SQL y no SQL.

Uso de funciones como read.csv(), read_excel(), haven::read_sav() y DBI.

Exportación de datos: Guardar datasets en diferentes formatos (CSV, Excel, RData) y Uso de funciones como write.csv(), write.xlsx(). 

Operaciones básicas con dplyr:

• Select(): Seleccionar columnas.
• filter(): Filtrar filas bajo condiciones específicas.
• mutate(): Crear nuevas variables o modificar existentes.
• summarise() y group_by(): Agrupar datos y generar
• resúmenes.
• arrange(): Ordenar los datos.

Manipulación avanzada:

• Unir datasets: Uso de
• left_join(), right_join(),
• inner_join(), full_join().
• Pivoteo de datos:
• pivot_longer() y pivot_wider()
• para transformar datos entre
• formatos largos y anchos.

Conceptos fundamentales de visualización: Mapeo estético (ejes, colores, tamaños) y geometrías (geom_point(), geom_bar(), geom_line()). 

Gráficos comunes: Gráficos de barras, líneas, puntos, histogramas y Gráficos de densidad y boxplots. 

Personalización de gráficos: Cambiar etiquetas, títulos y leyendas; Escalas de colores y ejes y Temas para mejorar la presentación de los gráficos (uso de theme()). 

Facetas y gráficos complejos: Uso de facet_wrap() y facet_grid() para gráficos múltiples y Superposición de gráficos y añadir líneas de tendencia (geom_smooth()). 

Medidas de tendencia central: Cálculo de media, mediana y moda.

Medidas de dispersión: Rango, varianza, desviación estándar, coeficiente de variación.

Resúmenes estadísticos: Uso de summary() para describir datasets numéricos y categóricos y Creación de gráficos de resumen (boxplot, histogramas) para datos cuantitativos. 

Conceptos fundamentales de pruebas de hipótesis: Definición de hipótesis nula y alternativa, niveles de significancia (p-valor).

Prueba t de Student: Pruebas t para muestras independientes y relacionadas; Supuestos de normalidad y homogeneidad de varianzas y Interpretación de resultados (t.test()).

ANOVA (Análisis de Varianza): ANOVA de un factor y de dos factores; Evaluación de las diferencias entre múltiples grupos; Post-hoc tests para ANOVA: Tukey HSD y Supuestos del ANOVA y diagnóstico del modelo.

Pruebas de normalidad: Uso del test Shapiro-Wilk y Kolmogorov-Smirnov para verificar la normalidad de los datos. 

Pruebas U de Mann-Whitney y Wilcoxon: Comparaciones para muestras independientes y relacionadas y Aplicación cuando los supuestos de las pruebas paramétricas no se cumplen. 

Pruebas Kruskal-Wallis: Alternativa no paramétrica al ANOVA. 

Test de Chi-cuadrado: Aplicación para analizar la relación entre variables categóricas y Tablas de contingencia y prueba de independencia. 

Cálculo de correlación: Correlación de Pearson para variables continuas y Correlación de Spearman para variables ordinales o no lineales.

Interpretación del coeficiente de correlación: Dirección y fuerza de la relación y Uso de gráficos de dispersión para visualizar correlaciones.

Matriz de correlación: Generación y visualización de matrices de correlación con corrplot.

Modelos de regresión lineal simple: Definición del modelo, estimación de coeficientes y significancia de los predictores.

Regresión lineal múltiple: Modelos con múltiples variables predictoras; Interacción entre predictores y evaluación del ajuste del modelo (R², significancia global y por variable).

Diagnóstico del modelo: Residuales, homocedasticidad, multicolinealidad (VIF), independencia y Gráficos de diagnóstico.

Concepto de regresión logística: Modelos para variables dependientes binarias. 

Estimación del modelo: Interpretación de los coeficientes log-odds. 

Evaluación del modelo: Matriz de confusión, precisión, sensibilidad, especificidad y Curvas ROC y cálculo del área bajo la curva (AUC). 

Aplicaciones prácticas: Modelado de datos en estudios de investigación con variables binarias. 

Conceptos de fiabilidad: Definición de fiabilidad interna y consistencia de escalas.

Cálculo del Alfa de Cronbach: Aplicación y cálculo en encuestas y cuestionarios.

Análisis de ítems: Revisión y eliminación de preguntas para mejorar la fiabilidad. 

Conceptos básicos de muestreo: Población, muestra y error muestral.

Tipos de muestreo: Aleatorio simple, estratificado, por conglomerados y sistemático.

Tamaño de la muestra: Cálculo y justificación en estudios de investigación. Estimación usando muestras complejas, usando la data del INEI (ENAHO, ENDES, etc.)