.png)
- Nivel del curso: Especializado
- Fechas:
• Módulo 1: 18, 25 de abril y 2 de mayo de 2026
• Módulo 2: 16, 23, 30 de mayo, 6 y 13 de junio de 2026
• Módulo 3: 27 de junio, 4, 11 y 18 de julio de 2026
- Horario:
México 🇲🇽 (CDMX), Guatemala 🇬🇹, El Salvador 🇸🇻: 9:00 AM a 1:00 PM
Colombia 🇨🇴, Perú 🇵🇪, Ecuador 🇪🇨: 10:00 AM a 2:00 PM
Venezuela 🇻🇪, Bolivia 🇧🇴: 11:00 AM a 3:00 PM
Argentina 🇦🇷, Chile 🇨🇱: 12:00 PM a 4:00 PM
- Requerimientos:
•Ingreso: Título/licenciatura en áreas químico-biológicas o médicas.
•Permanencia: asistencia ≥ 80 %, entrega de actividades reforzamiento y pago puntual.
•Egreso: promedio ≥ 8/10 en cada módulo y aprobación del proyecto integrador.
Diplomado en bioestadística aplicada con R para el análisis de datos
- Mexicanos:
- PayPal.
- Mercado Pago.
- Tarjeta de débito / crédito.
-
Resto de Latinoamérica y otros países:
- Tarjeta de débito / crédito.
- PayPal.
SESIÓN 1
MÓDULO 1. Gestión, exploración y descripción de datos biológicos
1. Fundamentos de la bioestadística aplicada
1.1 Importancia de la estadística en ciencias biológicas y de la salud.
1.2 Bioestadística descriptiva e inferencial.
1.3 Metodología estadística: objetivos, hipótesis, diseños de estudio, sesgo y variabilidad.
1.4 Conceptos fundamentales del dato: población, muestra, variables y escalas de medición.
2. Introducción a herramientas para el análisis de datos (Excel y R)
2.1. Uso de Excel para el análisis estadístico básico.
2.1.1. Tablas de frecuencia.
2.1.2. Funciones estadísticas básicas.
2.2. Introducción al entorno R y RStudio.
2.2.1. Ambiente de trabajo y flujo de análisis.
2.2.2. Creación y manejo de objetos.
2.2.3. Importación de datos desde Excel.
2.2.4. Ejercicios básicos de análisis de datos en R.
3. Organización, gestión y calidad del dato
3.1. Estructura de bases de datos.
3.2. Organización y depuración de datos.
3.3. Limpieza, validación y control de calidad del dato.
SESIÓN 2
4. Cálculo del tamaño de muestra
4.1. Nivel de confianza, poder estadístico y error.
4.2. Cálculo de tamaño de muestra para estudios descriptivos.
4.3. Cálculo de tamaño de muestra para estudios comparativos.
4.4. Aplicación práctica en Excel y R.
4.5. Resolución de ejercicios aplicados en Excel y R.
5. Análisis exploratorio de datos
5.1. Importancia, alcance y objetivos del análisis exploratorio.
5.2. Resumen exploratorio de bases de datos biológicos.
5.3. Identificación y manejo de valores atípicos.
5.4. Exploración inicial de patrones y tendencias.
6. Distribuciones de datos y evaluación de supuestos
6.1. Distribución normal: características e interpretación.
6.2. Distribuciones no normales y su implicación en el análisis estadístico.
6.3. Evaluación visual de la distribución de los datos.SESIÓN 3
7. Análisis de normalidad
7.1. Representación gráfica de la normalidad.
7.2. Pruebas estadísticas de normalidad.
7.3. Influencia del tamaño muestral en las pruebas de normalidad.
7.4. Integración del análisis gráfico y estadístico para la toma de decisiones.
7.5. Evaluación práctica mediante métodos gráficos y estadísticos.
8. Estadística descriptiva
8.1. Medidas de tendencia central: media, mediana y moda.
8.2. Medidas de dispersión: rango, varianza, desviación estándar y rango intercuartílico.
8.3. Cálculo e interpretación mediante ejercicios aplicados.
9. Representación gráfica y visualización de datos
9.1. Gráficos estadísticos básicos en Excel.
9.2. Selección adecuada del tipo de gráfico.
9.3. Errores comunes en la visualización de datos.
9.4. Visualización de datos en R.
9.4.1. Gráficos base en R.
9.4.2. Introducción a ggplot2.
9.4.3. Principios de visualización científica y buenas prácticas.SESIÓN 1
MÓDULO 2. Análisis inferencial y pruebas de hipótesis
1. Fundamentos del análisis inferencial
1.1. Principios del análisis inferencial.
1.2. Análisis de datos relacionados vs. no relacionados.
1.2.1. Implicaciones del tipo de dato en la elección de pruebas estadísticas.
2. Pruebas de contraste de hipótesis paramétricas I
2.1. Comparación de dos grupos: prueba t.
2.1. Muestras independientes.
2.2. Muestras relacionadas.
2.2. Lineamientos y supuestos de la prueba t.
2.3. Aplicación práctica e interpretación de resultados.
SESIÓN 2
3. Pruebas de contraste de hipótesis paramétricas II
3.1. Prueba de ANOVA: lineamientos y supuestos.
3.2. ANOVA de un factor.
3.3. ANOVA de dos factores.
3.4. Análisis post-hoc.
3.5. Resolución de casos mediante análisis aplicado.SESIÓN 3
4. Pruebas de contraste no paramétricas para dos grupos
4.1. Fundamentos de las pruebas no paramétricas.
4.2. Prueba de Wilcoxon para muestras relacionadas.
4.3. Prueba U de Mann-Whitney para muestras independientes.
4.4. Ejercicios guiados con datos biológicos.
5. Pruebas de contraste no paramétricas para más de dos grupos
5.1. Prueba de Friedman (datos relacionados).
5.2. Prueba de Kruskal-Wallis (datos independientes).
5.3. Aplicación práctica en escenarios biológicos.
SESIÓN 4
6. Pruebas de asociación para datos categóricos
6.1. Análisis de tablas de contingencia.
6.2. Prueba de Chi-cuadrada de independencia.
6.3. Prueba exacta de Fisher.
6.4. Prueba de McNemar.
6.5. Prueba Q de Cochran.
6.6. Análisis aplicado de tablas de contingencia.
SESIÓN 5
7. Análisis de correlación
7.1. Fundamentos del análisis de correlación.
7.2. Correlación de Pearson.
7.3. Correlación de Spearman.
7.4. Correlación de Kendall.
7.5. Interpretación práctica de relaciones entre variables.
8. Representación gráfica de la correlación
8.1. Diagramas de dispersión.
8.2. Correlogramas.SESIÓN 1
MÓDULO 3. Modelos estadísticos para la predicción
1. Introducción a los modelos estadísticos
1.1. Modelos explicativos vs predictivos.
1.2. Alcances y limitaciones en ciencias biológicas y de la salud.
2. Regresión lineal
2.1. Supuestos del modelo.
2.2. Diagnóstico y ajuste del modelo.
2.3. Interpretación de coeficientes.
2.4. Aplicación práctica y análisis de resultados.
SESIÓN 2
3. Regresión logística
3.1. Supuestos del modelo.
3.2. Interpretación de coeficientes y odds ratio.
3.3. Evaluación del desempeño del modelo.
3.3.1. Sensibilidad y especificidad.
3.3.2. Curva ROC y AUC.
3.4. Validación del modelo y detección de sobreajuste.
3.5. Ejercicios guiados e interpretación del modelo.SESIÓN 3
4. Análisis de supervivencia
4.1. Fundamentos del análisis de tiempo a evento.
4.2. Curvas de supervivencia de Kaplan–Meier.
4.3. Comparación de curvas de supervivencia (log-rank).
4.4. Interpretación clínica y biológica de resultados.
4.5. Ejercicios aplicados en R.
5. Introducción al análisis multivariado.
5.1. Fundamentos del análisis multivariado.
5.1.4. Datos multivariados: estructura y características.
5.1.5. Relación entre variables y dependencia multivariada.
5.1.6. Supuestos generales del análisis multivariado.SESIÓN 4
5.2 Análisis de Componentes Principales (PCA).
5.2.1. Fundamentos y aplicaciones del PCA.
5.2.2. Implementación del PCA en R.
5.2.3. Interpretación de los resultados del PCA.
5.3 Análisis de Correspondencia Múltiple (MCA).
5.3.1. Fundamentos y aplicaciones del MCA.
5.3.2. Implementación del MCA en R.
5.3.3. Interpretación de los resultados del MCA.
6. Integración e interpretación de modelos predictivos
6.1. Uso de modelos estadísticos para la toma de decisiones.
6.2. Limitaciones, supuestos y comunicación de resultados.
6.3. Ejercicio integrador de análisis predictivo en R.