Diplomado en Métodos Estadísticos para Ciencias Sociales, Políticas y de la Salud (Versión en línea).

Modalidad: En Línea
Área: Estadística y Matemáticas
Módulos a cursar: 7
Horas: 165
Notas: LAS SESIONES SE LLEVARAN A CABO CON EL USO DE LA HERRAMIENTA ZOOM. ENVIAR CURRICULUM Y AGENDAR ENTREVISTA TELEFONICA CON COORDINADORA

Acerca del programa.

Este diplomado ofrece una formación integral en métodos estadísticos aplicados al análisis, visualización y modelado de datos en los ámbitos social, político y de la salud. El participante desarrollará bases teóricas sólidas para comprender los alcances y limitaciones del análisis estadístico, seleccionar el modelo adecuado y empleará Python como herramienta para obtener, procesar y transformar datos. El programa combina rigor conceptual con aplicaciones prácticas que fortalecen la capacidad analítica y la toma de decisiones basadas en evidencia.

¿A quién va dirigido?

Profesionales, analistas e investigadores de las ciencias sociales, políticas y de la salud, así como a cualquier persona que busque adquirir o perfeccionar competencias en análisis estadístico y ciencia de datos aplicada.

¿Qué vas a aprender?

- Comprensión profunda de los fundamentos estadísticos que sustentan el análisis de datos. - Capacidad para aplicar técnicas estadísticas en problemas reales de diferentes disciplinas. - Dominio del uso de Python para obtención, procesamiento y transformación de datos. - Competencias para evaluar y seleccionar modelos estadísticos adecuados según el tipo de información. - Habilidades para comunicar resultados e interpretaciones de manera clara y profesional. - Preparación para entornos laborales y académicos que requieren análisis cuantitativo riguroso. - Manejo de datos tabulares, textuales y geoespaciales. - Desarrollo de pensamiento crítico para la toma de decisiones fundamentadas.

Plan de estudios.

Módulo I. FUNDAMENTOS DE ESTADÍSTICA
Objetivo
En este módulo, los participantes adquirirán los conceptos y conocimientos de estadística que se requieren para la estimación y el análisis de modelos. Además, conocerán las características que tiene un conjunto de datos, para identificar el tipo de inferencia estadística que se puede realizar y obtener resultados y conclusiones en problemas prácticos.

Temario

1. Introducción a la estadística
1.1 Objetivo de la estadística
1.2 Poblaciones y muestras. Parámetros y estadísticos
1.3 Análisis exploratorio de datos. Tipos de variables y escalas de medición.
Representación gráfica y medidas descriptivas de conjuntos de datos.
Asociación entre variables
1.4 Fundamentos de probabilidad
1.5 Variables aleatorias. Distribución binomial, Poisson y normal
2. Inferencia estadística
2.1 Distribución de muestreo
2.2 Teorema central del límite
2.3 Distribuciones muestrales relacionadas con la distribución normal
2.4 Estimación puntual y propiedades de estimadores. Definición de
estimador. Error de estimación y error cuadrático medio. Propiedades de
estimadores. Métodos de estimación
2.5 Estimación por intervalos. Concepto de intervalo de confianza. Intervalos
de confianza para la media, la varianza y la proporción
2.6 Pruebas de hipótesis. Conceptos de pruebas de hipótesis. Nivel de
significancia descriptivo. Prueba de hipótesis para media, varianza y
proporción. Prueba de hipótesis para comparación de medias, de
proporciones y de varianzas. Prueba de hipótesis para coeficiente de
correlación. Pruebas de bondad de ajuste (normalidad). Prueba de razón
de verosimilitudes

Módulo II. MODELO DE REGRESIÓN LINEAL

Objetivo
Los participantes conocerán las técnicas de regresión lineal para distinguir entre los tipos de datos que tienen y los modelos que pueden aplicar. En un modelo estimado, aplicarán las técnicas de inferencia estadística para obtener conclusiones, el mejor modelo y el mejor pronóstico a partir de un conjunto de datos.

Temario
1. Introducción al modelo de regresión lineal. Modelo condicional
2. Modelo de regresión lineal simple
2.1 Estimadores de mínimos cuadrados. Propiedades de los estimadores.
Teorema de Gauss-Markov
2.2 Coeficiente de correlación y coeficiente de determinación
2.3 Pruebas de hipótesis y análisis de varianza
2.4 Predicción del valor esperado y del valor individual
3. Modelo de regresión lineal múltiple
3.1 Estimadores de mínimos cuadrados. Propiedades de los estimadores.
Teorema de Gauss-Markov
2.5 Coeficiente de correlación, coeficiente de correlación parcial y
coeficiente de determinación
3.2 Pruebas de hipótesis y análisis de varianza
3.3 Predicción del valor esperado y del valor individual
4. Formas funcionales de los modelos de regresión
5. Modelos con variables explicativas de tipo cualitativo
6. Violación de los supuestos del modelo clásico de regresión. Detección,
consecuencias y corrección
6.1 Normalidad de los errores
6.2 Varianza constante del error
6.3 Errores no correlacionados
6.4 Variables explicativas linealmente independientes
7. Aplicaciones

Módulo III. MODELOS PARA RESPUESTA CUALITATIVA

Objetivo
Los participantes conocerán los modelos estadísticos para una variable respuesta de tipo cualitativo. Además, estudiarán las ventajas y limitaciones de estos modelos, para aplicar el mejor a un conjunto de datos.

Temario
1. Naturaleza de los modelos de respuesta cualitativa
2. Modelo lineal de probabilidad. Estimación. Ventajas y desventajas
3. Modelo logit
3.1 Definición y características del modelo logit
3.2 Modelo logit para datos agrupados. Estimación e inferencia en el modelo
logit para datos agrupados. Análisis de los resultados
3.3 Modelo logit para datos individuales. Estimación e inferencia en el modelo
logit para datos individuales. Análisis de los resultados
4. Modelo probit
4.1 Definición y características del modelo probit
4.2 Modelo probit para datos agrupados. Estimación e inferencia en el modelo
probit para datos agrupados. Análisis de los resultados
4.3 Modelo probit para datos individuales. Estimación e inferencia en el modelo
probit para datos individuales. Análisis de los resultados
5. Modelo multinomial
5.1 Definición y características del modelo multinomial
5.2 Estimación e inferencia en el modelo multinomial. Análisis de los resultados
6. Aplicaciones

Módulo IV. MODELOS PARA DATOS EXPERIMENTALES

Objetivo
Los participantes conocerán algunos métodos de recolección de datos y diseños que permiten comparar y estimar el efecto de diferentes factores en la variable de estudio.

Temario
1. Principios básicos y lineamientos para diseñar experimentos
2. Diseño completamente al azar con un factor
2.1 Tabla de análisis de varianza. Comparaciones múltiples. Contrastes
2.2 Modelo de efectos fijos. Análisis y verificación de los supuestos.
Interpretación de resultados
2.3 Modelo de efectos aleatorios. Análisis y verificación de los supuestos.
Interpretación de resultados
3. Diseño completamente al azar con estructura factorial
3.1 Principios básicos
3.2 Diseño de dos factores
3.3 Diseño factorial general
4. Modelo en bloques al azar y otros diseños relacionados. Análisis
5. Análisis de covarianza. Diseños experimentales para ajustar superficies de respuesta.

Módulo V. ANÁLISIS ESTADÍSTICO CON MODELOS MULTINIVEL

Objetivo
En este módulo, los participantes aprenderán los modelos estadísticos para
información proveniente de varias poblaciones que forman una estructura
jerárquica. Igualmente, conocerán las ventajas y limitaciones de estos modelos para aplicarlos a un conjunto de datos.

Temario
1. Introducción al análisis multinivel
1.1 Estructura jerárquica en la información muestral
1.2 Importancia de los modelos multinivel
1.3 Ejemplos
2. Modelo de regresión multinivel
2.1 Definición y características del modelo con dos niveles
2.2 Inferencia: Métodos de estimación, prueba de hipótesis
2.3 Validación y selección de modelos
2.4 Modelo con tres niveles
2.5 Sobreparametrización, interacciones, varianzas residuales
2.6 Ejemplos
3. Predicción
3.1 Especificación del problema
3.2 Criterio para obtener predicciones
3.3 Predicción a diferentes niveles de jerarquía
3.4 Ejemplos 

Módulo VI. ANÁLISIS ESTADÍSTICO PARA DATOS DE PANEL

Objetivo
Los participantes conocerán los modelos estadísticos que se aplican cuando se cuenta con información de corte transversal y al mismo tiempo de tipo longitudinal.
Se familiarizarán con las ventajas y limitaciones de estos modelos, para aplicar el mejor a un conjunto de datos.

Temario
1. Introducción
1.1 Naturaleza de los datos de panel. Información de corte transversal y
longitudinal
1.2 Ventajas y desventajas de la información de datos de panel
1.3 Modelos para datos de tipo panel. Modelo balanceado y no balanceado
2. Modelo de efectos fijos
2.1 Definición y características del modelo
2.2 Estimación. Efectos dentro de grupos, primeras diferencias, variables
indicadoras
2.3 Propiedades de estimadores. Prueba de hipótesis
2.4 Especificación y diagnóstico
2.5 Ejemplos
3. Modelo con efectos aleatorios
3.1 Definición, características del modelo
3.2 Modelo con componentes de error y modelo lineal de efectos mixtos
3.3 Estimación de coeficientes de regresión y de componentes de varianza.
Prueba de hipótesis
3.4 Ejemplos
4. Predicción
4.1 Especificación del problema
4.2 Criterio para obtener predicciones
4.3 Predicción del componente aleatorio y del componente de error
4.4 Ejemplos
5. Especificación del modelo: Prueba de Haussman, heterogeneidad, correlación
serial. Ejemplo

Módulo VII. 
MODELOS PARA DATOS ESPACIALES

Objetivo
En este módulo, los participantes aprenderán los métodos estadísticos que se aplican cuando se cuenta con información de corte transversal tomando en cuenta la localización espacial. Además, conocerán las características de los datos espaciales e identificarán localizaciones atípicas, descubrirán esquemas de asociación y propondrán estructuras en el espacio geográfico.

Temario
1. Introducción
1.1 Naturaleza de los datos espaciales
1.2 Tipos de datos espaciales: datos geoestadísticos, datos econométricos
espaciales, disposición aleatoria de puntos
2. Análisis exploratorio de datos espaciales
2.1 Métodos visuales
2.2 Medidas descriptivas espaciales
2.3 Autocorrelación espacial y análisis de patrones de área
2.4 Matriz de pesos espaciales
2.5 Autocorrelación espacial global y local
2.6 Ejemplos
3. Introducción a la regresión espacial
3.1 Modelos autorregresivos espaciales, globales y locales
3.2 Otros modelos
3.3 Ejemplos