Intersemestral enero 2027
11/01/2027 al 22/01/2027
Lunes a viernes, de 10:00 a 13:00, hora de Ciudad de México.
En línea · 30 horas
Edición en pantallaEstadística para las Ciencias de la Vida
Selecciona la edición y las fechas del curso en el carrito.
Ediciones del curso
Consulta las fechas y los horarios de cada edición. La selección para inscribirte se realiza en el carrito.
El temario, los docentes, las tarifas y el programa PDF mostrados abajo corresponden a Intersemestral enero 2027. Consultar otra edición no modifica tu carrito.
Presentación del Curso
La investigación en las ciencias de la vida genera datos con características particulares: muestras pequeñas, distribuciones asimétricas, recuentos, mediciones repetidas y estructuras jerárquicas en las que las células se anidan en individuos, placas, lotes o días de experimento.
Este curso ofrece una ruta aplicada para analizar estos datos con mayor precisión: desde las comparaciones entre grupos y la regresión hasta los modelos lineales generalizados (GLM), los modelos de efectos mixtos, su diagnóstico y la selección de modelos.
Se revisarán los supuestos de los métodos estadísticos, la distinción entre réplicas biológicas y técnicas, los efectos de lote y la pseudorreplicación. El enfoque es práctico, crítico y orientado a la reproducibilidad de los resultados.
Objetivo general
Desarrollar conocimientos y habilidades para seleccionar, aplicar e interpretar métodos estadísticos adecuados a datos de laboratorio en ciencias de la vida, mediante el diagnóstico de distribuciones, la comparación entre grupos y el ajuste, diagnóstico y selección de modelos lineales, generalizados y mixtos en R o Python.
Dinámica del curso
Diez sesiones sincrónicas de tres horas: una hora y media de teoría y una hora y media de práctica por sesión, con talleres de análisis en R o Python.
Proyecto final
Análisis reproducible de un conjunto de datos biológicos con asimetría, efectos de lote o estructura anidada. Se entregará un script y un reporte breve con la pregunta biológica, organización de los datos, diagnóstico de distribuciones, identificación de réplicas y lotes, justificación del método, resultados, gráficos, interpretación y limitaciones.
Perfil de egreso
La persona participante podrá seleccionar pruebas paramétricas, no paramétricas y de remuestreo; corregir por pruebas múltiples; ajustar e interpretar regresiones, GLM y modelos mixtos; reconocer la pseudorreplicación; comparar modelos mediante AIC y BIC; y desarrollar análisis reproducibles en R o Python.
¿A quién está dirigido?
Personas que generan o analizan datos experimentales en ciencias de la vida: estudiantes de licenciatura en etapa de tesis y de posgrado, investigadores, posdoctorantes, técnicos académicos y de laboratorio, docentes y profesionales de las áreas biológicas, biomédicas y de la salud.
Requisitos
Conocimientos básicos de estadística: media, mediana, moda, varianza, desviación estándar, error estándar, distribución normal, probabilidad, pruebas de hipótesis, valor p y errores de tipo I y II.
Manejo de computadora y familiaridad básica con R o Python.
Computadora con conexión estable a internet y R con RStudio o Python instalado.
No se requieren conocimientos previos de GLM, modelos mixtos ni programación avanzada.
Estructura Académica
Duración total: 30 horas.
| Módulo | Descripción | Duración | Instructor |
|---|---|---|---|
| 1. Distribuciones y el mito de la normalidad | Objetivo: reconocer distribuciones, diagnosticarlas mediante herramientas visuales y pruebas formales, e identificar los límites del teorema central del límite y las pruebas de normalidad. 1.1 Media, varianza, desviación y error estándar. Teorema central del límite y limitaciones con muestras pequeñas. 1.2 Distribuciones con sesgo positivo: fluorescencia, recuentos celulares y tiempos de reacción. Distribuciones gamma, Poisson y lognormal. 1.3 Gráficos Q-Q y prueba de Shapiro-Wilk. Influencia del tamaño de muestra en el diagnóstico. 1.4 Taller práctico con datos en R o Python. Entregable: diagnóstico de distribuciones mediante gráficos y pruebas formales, con una interpretación breve. Duración: 3 horas (1.5 horas de teoría y 1.5 horas de práctica). |
3 horas | Juan Antonio Laville Conde |
| 2. Comparaciones entre dos grupos y remuestreo | Objetivo: seleccionar métodos paramétricos, no paramétricos y de remuestreo para comparar dos grupos independientes o mediciones pareadas. 2.1 Pruebas t de Student y Welch: heterogeneidad de varianzas y grados de libertad. 2.2 Mann-Whitney o Wilcoxon de suma de rangos y valores atípicos. 2.3 Bootstrap e intervalos de confianza sin asumir normalidad, respetando las unidades biológicas. 2.4 Prueba t pareada y Wilcoxon de rangos con signo para mediciones relacionadas. 2.5 Taller práctico con datos en R o Python. Entregable: comparación de los enfoques y discusión de sus resultados. Duración: 3 horas (1.5 horas de teoría y 1.5 horas de práctica). |
3 horas | Juan Antonio Laville Conde |
| 3. Análisis multigrupo y corrección de pruebas múltiples | Objetivo: comparar varios grupos y aplicar correcciones apropiadas por pruebas múltiples. 3.1 ANOVA de una vía y estadístico F. 3.2 Prueba de Kruskal-Wallis. 3.3 Inflación del error de tipo I al realizar múltiples comparaciones. 3.4 Comparaciones post hoc y corrección de Bonferroni. 3.5 Control de la tasa de descubrimientos falsos mediante Benjamini-Hochberg. 3.6 Taller práctico con datos en R o Python. Entregable: análisis multigrupo con justificación de la prueba y de la corrección seleccionadas. Duración: 3 horas (1.5 horas de teoría y 1.5 horas de práctica). |
3 horas | Juan Antonio Laville Conde |
| 4. Relaciones, correlación y regresión lineal | Objetivo: analizar relaciones entre variables e interpretar modelos de regresión lineal. 4.1 Correlaciones de Pearson, Spearman y Kendall. Influencia de los valores atípicos. 4.2 Regresión por mínimos cuadrados: pendiente, intercepto y coeficiente de determinación. 4.3 Aplicaciones a curvas estándar y relaciones dosis-respuesta. 4.4 Diagnóstico de residuos y heterocedasticidad. 4.5 Taller práctico con datos en R o Python. Entregable: ajuste de una curva o regresión, interpretación y diagnóstico del modelo. Duración: 3 horas (1.5 horas de teoría y 1.5 horas de práctica). |
3 horas | Juan Antonio Laville Conde |
| 5. Modelado directo de datos con sesgo (GLM) | Objetivo: seleccionar y ajustar modelos lineales generalizados adecuados para datos de recuento o continuos con sesgo. 5.1 Transformaciones logarítmica, raíz cuadrada y Box-Cox: interpretación y limitaciones. 5.2 Componentes de un GLM: función de enlace y familia de distribución. 5.3 Modelos Poisson y binomial negativo para recuentos. 5.4 Modelos gamma para datos continuos con sesgo. 5.5 Taller práctico con datos en R o Python. Entregable: ajuste de un GLM a datos de recuento o intensidad, justificando la familia seleccionada. Duración: 3 horas (1.5 horas de teoría y 1.5 horas de práctica). |
3 horas | Juan Antonio Laville Conde |
| 6. Datos anidados y el problema de la pseudorreplicación | Objetivo: distinguir réplicas biológicas y técnicas, reconocer la pseudorreplicación y decidir entre agregar datos o modelarlos jerárquicamente. 6.1 Diseño experimental: réplicas biológicas independientes frente a réplicas técnicas. 6.2 Pseudorreplicación: inflación artificial de la potencia estadística y tamaño de muestra experimental. 6.3 Criterios para promediar réplicas técnicas frente a su modelado jerárquico. 6.4 Taller práctico con datos en R o Python. Entregable: identificación de la estructura de réplicas y comparación entre el análisis con datos agregados y con pseudorreplicación. Duración: 3 horas (1.5 horas de teoría y 1.5 horas de práctica). |
3 horas | Juan Antonio Laville Conde |
| 7. Modelos lineales de efectos mixtos (LMM) | Objetivo: formular e interpretar modelos lineales de efectos mixtos distinguiendo efectos fijos y aleatorios, y calcular el coeficiente de correlación intraclase. 7.1 Efectos fijos: variables biológicas de interés. 7.2 Efectos aleatorios: lote, placa y camada. 7.3 Interceptos y pendientes aleatorias: variabilidad basal y respuesta al tratamiento por lote. 7.4 Formulación de modelos y cálculo del coeficiente de correlación intraclase (ICC). 7.5 Taller práctico con datos en R o Python. Entregable: ajuste de un LMM a datos anidados, justificación de los efectos fijos y aleatorios y cálculo del ICC. Duración: 3 horas (1.5 horas de teoría y 1.5 horas de práctica). |
3 horas | Juan Antonio Laville Conde |
| 8. Modelos lineales mixtos generalizados (GLMM) | Objetivo: ajustar e interpretar modelos lineales mixtos generalizados para datos no gaussianos con estructura anidada o mediciones repetidas. 8.1 Integración de los modelos GLM y LMM. 8.2 Modelos para datos no gaussianos con estructura anidada. 8.3 Modelos para mediciones repetidas. 8.4 Taller práctico con datos en R o Python. Entregable: ajuste e interpretación de un GLMM para datos no gaussianos con estructura anidada. Duración: 3 horas (1.5 horas de teoría y 1.5 horas de práctica). |
3 horas | Juan Antonio Laville Conde |
| 9. Diagnóstico, selección de modelos y reproducibilidad | Objetivo: diagnosticar problemas de ajuste en GLMM, seleccionar modelos mediante criterios de información y aplicar flujos de trabajo reproducibles. 9.1 Evaluación de GLMM: problemas de convergencia y ajustes singulares. 9.2 Criterio de Información de Akaike (AIC). 9.3 Criterio de Información Bayesiano (BIC). 9.4 Estrategias en código para evitar el p-hacking. 9.5 Flujos de trabajo reproducibles. 9.6 Taller práctico con datos en R o Python. Entregable: comparación y selección de modelos alternativos para un conjunto de datos, documentada en un script reproducible. Duración: 3 horas (1.5 horas de teoría y 1.5 horas de práctica). |
3 horas | Juan Antonio Laville Conde |
| 10. Proyecto final e integración | Objetivo: integrar los métodos revisados mediante el análisis completo de un conjunto de datos biológicos, desde el diagnóstico hasta la interpretación de resultados. 10.1 Taller guiado con datos biológicos desordenados. 10.2 Datos con asimetría, efectos de lote y estructura anidada. 10.3 Aplicación de diagnósticos. 10.4 Elección del modelo apropiado: GLMM o una alternativa justificada. 10.5 Interpretación de los resultados en términos biológicos. Entregable: proyecto final aplicado, compuesto por un script reproducible y un reporte con pregunta biológica, organización y diagnóstico de datos, estructura experimental, justificación del método, resultados, gráficos y limitaciones. Duración: 3 horas (1.5 horas de teoría y 1.5 horas de práctica). |
3 horas | Juan Antonio Laville Conde |
Requisitos de acreditación
Para obtener la constancia:
• Asistencia mínima del 80% a las sesiones en línea.
• Participación en los ejercicios prácticos.
• Entrega de actividades por módulo.
• Entrega del proyecto final.
• Calificación mínima aprobatoria de 7.0 sobre 10.
Evaluación:
• Asistencia: 30%.
• Ejercicios prácticos por módulo: 30%.
• Proyecto final aplicado: 40%.
Fechas Clave e Inversión
- Edición: Intersemestral enero 2027
- Periodo: 11/01/2027 — 22/01/2027
- Horario: Lunes a viernes, de 10:00 a 13:00, hora de Ciudad de México.
- Modalidad: En línea
- Apertura de inscripciones: 03/11/2026 00:00
- Cierre de inscripciones: 11/01/2027 10:00
- Mínimo para abrir el grupo: 5 participantes
- Cupo máximo: 50
Las horas de inscripción corresponden a Ciudad de México.
Costos de Inscripción
| Categoría de participante | Costo (MXN) |
|---|---|
| Comunidad UNAM | $900.00 |
| Exalumnos | $1100.00 |
| Público en general | $1300.00 |
Becas
Información correspondiente a la edición Intersemestral enero 2027.
Se contemplan becas completas de hasta el 10% del cupo máximo para cada uno de los siguientes sectores: AAPAUNAM, STUNAM y alumnado.
Con un cupo máximo de 50 participantes, esto equivale a hasta cinco becas por sector, sujetas a disponibilidad y revisión.
Para solicitar información sobre los requisitos y el procedimiento, escribe a educacion-continua@ifc.unam.mx e indica tu nombre, el curso y la edición de tu interés.
Si requieres una beca, solicita información en educacion-continua@ifc.unam.mx . Incluye tu nombre, el curso y la edición que te interesan.
Equipo docente
Juan Antonio Laville Conde
Físico por la Universidad Nacional Autónoma de México (UNAM). Se desempeña como Técnico Titular B en el Instituto de Fisiología Celular (IFC-UNAM) desde hace más de veinte años, adscrito al laboratorio del Dr. José Bargas.
Su trayectoria en investigación incluye 16 publicaciones en revistas internacionales arbitradas como coautor, un capítulo de libro y más de 60 reconocimientos en artículos científicos y tesis de licenciatura y doctorado por su apoyo analítico. Participa como jurado y evaluador en eventos académicos.
Imparte el módulo de métodos numéricos de la asignatura de Métodos Computacionales en la Licenciatura en Neurociencias y colabora en el posgrado con cursos sobre fundamentos de neurofisiología celular.
Su labor se centra en la asesoría metodológica, la enseñanza y la aplicación de la bioestadística para estudiantes e investigadores, con experiencia en diseño experimental, evaluación de contrastes biológicos y métodos estadísticos, particularmente análisis no paramétrico, para la interpretación y publicación de datos en ciencias de la vida.