Guía docente de Estadística II: Métodos Avanzados (MC1/56/1/18)

Los contenidos desarrollados en esta asignatura, complementan lo aprendido en la asignatura de estadística básica, y dotan al alumnado de un conocimiento teórico-práctico en técnicas y análisis estadísticos avanzados. La asignatura desarrolla los siguientes contenidos:

• Introducción a los contrastes de hipótesis.
• Contrastes de hipótesis paramétricos.
• Contrastes de hipótesis no paramétricos.
• Modelos de ecuaciones estructurales.

El estudiante sabrá/comprenderá:

• Qué es la Inferencia estadística, sus aplicaciones, técnicas que usa y sus limitaciones.
• Qué es un contraste de hipótesis estadístico, cómo se formula y cómo se resuelve e interpreta.
• Distinguir entre las técnicas de inferencia paramétrica y no paramétrica.
• Seleccionar el contraste de hipótesis adecuado para resolver un problema real aplicado a la atención a la diversidad.
• Entender las condiciones bajo las que los modelos de ecuaciones estructurales funcionan adecuadamente y saber aplicar los instrumentos necesarios en caso de que no se cumplan.

Tema 1: Introducción a los contrastes de hipótesis.
1.1 Definiciones básicas.
1.2 Pasos a seguir en la realización de un contraste de hipótesis.
1.3 Tipos de error en un contraste de hipótesis.
1.4 Tipos de contrastes de hipótesis.

Tema 2: Contrastes de hipótesis paramétricos.
2.1 Contrastes para una muestra.
2.2 Contrastes paramétricos para la diferencia de medias: muestras independientes y apareadas.

Tema 3: Contrastes de hipótesis no paramétricos.
3.1 Contraste de normalidad de una muestra.
3.2 Contraste de Mann-Withney para muestras independientes.
3.3 Contraste de Wilcoxon para muestras apareadas.
3.4 Contraste de Kruskall-Wallis.
3.5 Estudio de la asociación entre variables cualitativas.

Tema 4: Modelos de ecuaciones estructurales.
4.1 Análisis del proceso de elaboración y validación de una escala de medida.
4.2 Las propiedades psicométricas de una escala.
4.3 Metodología para la elaboración y validación de escalas de medida. Ejemplos.
4.4 Modelo de ecuaciones estructurales
4.5 Prácticas con AMOS.

Realización, a lo largo de las sesiones, de ejercicios prácticos sobre los contenidos teóricos expuestos.

• Batista Foguet, J. M., y Coenders Gallart, G. (2000). Modelos de ecuaciones estructurales: modelos para el análisis de relaciones causales. Madrid, Ed. La Muralla, S.A.
• Canavos, G. (1988): Probabilidad y Estadística. Aplicaciones y Métodos. México, McGraw-Hill.
• Fox J, Marquez MM, Bouchet-Valat M (2024). Rcmdr: R Commander. R package version 2.9-2, https://socialsciences.mcmaster.ca/jfox/Misc/Rcmdr/.
• Hair, J. F., Bush, R. P. y Ortinau, D. J. (2010). Investigación de mercados. En un ambiente de información digital. México: McGraw-Hill.
• Luque, T. (2017). Investigación de Marketing 3.0. Madrid: Pirámide.
• Mueller, R.O. (1996): Basic Principles of Structural Equation Modeling. Springer.
• Peró, M., Leiva, D., Guàrdia, J. y Solanas, A (2012). Estadística aplicada a las Ciencias Sociales con R y R-Commander. Garceta.
• R Core Team (2021). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://www.R-project.org/.

• Diamantopoulos, A., Siguaw, J. A., y Siguaw, J. A. (2000). Introducing LISREL: A guide for the uninitiated. London, Sage.
• Francés García, F. J., y Santacreu Fernández, Ó. A. (2016). Construcción, testado y ajuste de modelos estructurales en ciencias sociales con Lisrel. Ejemplos y ejercicios. Alicante, Universidad de Alicante.
• Sáez, AJ. Métodos Estadísticos con R y R–Commander (2010) Universidad de Jaén.
• Valderrey, P. (2010): SPSS 17. Extracción del conocimiento a partir del análisis de datos. Madrid, RaMa Editorial.

Curso de R, R-Commander y SPSS: wpd.ugr.es/~bioestad

• MD01 Lección magistral/expositiva 
• MD03 Resolución de problemas y estudio de casos prácticos 
• MD07 Análisis de fuentes y documentos 

La calificación final se basa en tres componentes:

• Asistencia participativa: 10% de la calificación.
• Actividades realizadas en clase: 30% de la calificación.
• Prueba final: 60% de la calificación. Para su realización el estudiante puede disponer de los apuntes elaborados a lo largo del curso.

Los estudiantes que no hayan superado la asignatura en la convocatoria ordinaria dispondrán de una convocatoria extraordinaria. En este caso, aquellos estudiantes que hayan realizado la evaluación continua, pueden elegir el mismo método de evaluación expuesto en el apartado anterior para la convocatoria ordinaria (basado en tres componentes).

Aquellos estudiantes que no hayan realizado la evaluación continua tendrán la posibilidad de obtener el 100% de la calificación mediante el siguiente sistema de evaluación:

• Prueba final: 100% de la calificación. Para su realización el estudiante puede disponer de los apuntes elaborados a lo largo del curso.

De acuerdo con la normativa de evaluación de la UGR, a la evaluación única final podrá presentarse únicamente aquel estudiante que haya sido autorizado para ello por haber justificado su imposibilidad para seguir el procedimiento de evaluación continua en las dos primeras semanas del curso, o si su incorporación es posterior, en las dos primeras semanas después de su alta en la plataforma docente. La solicitud de la evaluación única final debe tramitarse a través del/la coordinador/a de la asignatura.
La evaluación única final se basa en el siguiente sistema de evaluación:

• Prueba final: 100% de la calificación. Para su realización el estudiante puede disponer de los apuntes elaborados a lo largo del curso.

Información de interés para estudiantado con discapacidad y/o Necesidades Específicas de Apoyo Educativo (NEAE): Gestión de servicios y apoyos (https://ve.ugr.es/servicios/atencion-social/estudiantes-con-discapacidad).

Software R Statistical (R Foundation for Statistical Computing; Viena, Austria)