This exercise is designed to demonstrate how PCA (Principal Component Analysis) can simplify and clarify complex data, facilitating analysis and interpretation in biomedical research. It uses the "biopsy" dataset from the MASS package, one of the most popular and widely used tools in statistical analysis. Developed by the Venables and Ripley group, it accompanies the book "Modern Applied Statistics with S."

Este ejercicio está diseñado para mostrar cómo PCA puede simplificar y clarificar datos complejos, facilitando el análisis y la interpretación en la investigación biomédica. Se utiliza el dataset "biopsy" del paquete MASS, uno de los más populares y ampliamente utilizados en análisis estadístico. Fue desarrollado por el grupo de Venables y Ripley, y acompaña al libro "Modern Applied Statistics with S".

La prueba t de Student es una herramienta estadística esencial para comparar medias y evaluar si las diferencias observadas en los datos son significativas. En esta práctica, exploraremos cómo aplicar la prueba t mediante ejemplos realizados en el entorno de programación R, incluyendo la comparación de una media con un valor específico y la comparación entre dos grupos independientes.

Material de formación. Práctica. En esta práctica de R evaluamos los diferentes supuestos que deben cumplirse para aceptar como válido un modelo de regresión lineal.

Material de formación. Práctica. Estudio de la normalidad en nuestros datos.

Material de formación. Práctica. Regresión lineal simple, con dataset IRIS. La regresión lineal simple es un método estadístico que se utiliza para modelar la relación entre una variable respuesta y una variable predictora. La idea principal detrás de la regresión lineal simple es comprender cómo cambia la variable dependiente cuando lo hace la variable independiente. El objetivo es encontrar la mejor línea recta que se ajuste a los datos observados.

Material de formación. Práctica. Regresión lineal simple, con dataset mtcars. La regresión lineal simple es un método estadístico que se utiliza para modelar la relación entre una variable respuesta y una variable predictora. La idea principal detrás de la regresión lineal simple es comprender cómo cambia la variable dependiente cuando lo hace la variable independiente. El objetivo es encontrar la mejor línea recta que se ajuste a los datos observados.

En esta práctica analizamos el dataset de penguins, dentro del paquete de R "Palmer Penguins". Data were collected and made available by Dr. Kristen Gorman and the Palmer Station, Antarctica LTER, a member of the Long Term Ecological Research Network. Ver: https://allisonhorst.github.io/palmerpenguins/

En esta práctica se generan nombres de empresas biotecnológicas al azar, a partir de dos listados de elementos obtenidos de consultas a chatgpt.

Material de formación || La correlación lineal de Pearson, también conocida como coeficiente de correlación de Pearson, es una medida estadística que evalúa la relación lineal entre dos variables cuantitativas. Fue desarrollada por Karl Pearson, un estadístico británico. Este coeficiente es ampliamente utilizado en estadísticas y análisis de datos para determinar si existe una relación lineal entre dos variables y, medir la fuerza y la dirección de esa relación. Sin embargo, es importante tener en cuenta que este coeficiente solo mide relaciones lineales y no captura relaciones no lineales o causales.