Curso de análisis de datos no paramétricos para estudiantes de pregrado de la Escuela de Ciencias del Mar de la PUCV.
Curso teórico y práctico de carácter optativo de conocimiento general y aplicado que busca dar a conocer y profundizar en conceptos básicos de estadística no paramétrica. Este curso contempla abordar de manera aplicada la aplicación de herramientas estadísticas multivariables tales como los análisis de ordenación comunitaria y el análisis de componentes principales. El curso contempla profundizar en pruebas de contrastes y modelos de correlación no paramétricos. La asignatura de técnicas no paramétricas en concordancia con el perfil de egreso de la carrera, entrega herramientas al estudiante para la solución de problemas estadísticos principalmente aplicados a los estudios de Biología Marina y relacionados a impacto ambiental en el ambiente marino.
INTRODUCCIÓN A LA ESTADÍSTICA NO PARAMÉTRICA CON R.
Objetivo específico: Comprender los fundamentos de la estadística no paramétrica o de libre distribución, así como algunas herramientas de análisis de datos usando el lenguaje de programación R.
Contenidos: Introducción a R para su uso en estadística. Estadística paramétrica versus no paramétrica. Parámetros, estadísticos, permutaciones y combinaciones. Análisis exploratorio de datos con R. Análisis de correlación de Spearman y análisis mediante Tablas de contingencia.
PRUEBAS DE CONTRASTE NO PARAMÉTRICO.
Objetivo específico: Conocer y distinguir las principales pruebas no paramétricas de contrastes de 2 o más muestras.
Contenidos: Prueba t de permutación para muestras pareadas y para muestras independientes, prueba de los signos de Wilcoxon para muestras pareadas y para muestras independientes. Prueba F de permutación para ANOVA de un factor, Prueba de Kruskal Wallis para muestras independientes para 2 o más muestras independientes.
ANÁLISIS MULTIVARIADO.
Objetivo específico: Conocer y distinguir los principales métodos multivariables de tipo ordenación y clasificación.
Contenidos: Análisis de agrupamiento y reducción de dimensionalidad (Análisis de componentes principales, PCA)