Este documento describe un curso-taller de 160 horas sobre estadística aplicada con el software R. El curso está dividido en 4 módulos que cubren fundamentos de R, estadística descriptiva e inferencial, procedimientos gráficos, objetos de R, modelos estadísticos y aplicaciones. Cada módulo incluye sesiones teórico-prácticas y actividades para desarrollar habilidades en R. El curso está dirigido a docentes y estudiantes de la Escuela Politécnica de Chimboraz

1. ESCUELA SUPERIOR POLITÉCNICA DE CHIMBORAZO
FACULTAD DE CIENCIAS
ESCUELA DE FISICA Y MATEMATICA
CARRERA DE INGENIERIA EN ESTADISTICA INFORMATICA
ESTADISMATICA GRUPO DE INVESTIGACIÓN EN MODELIZACIÓN ESTADÍSTICA - INFORMÁTICA
CURSO DE ESTADÍSTICA APLICADA CON R Y RSTUDIO PARA LA
INVESTIGACIÓN BIOMÉTRICA (BIOESTADISTICA)
El curso- taller está dividido en cuatro módulos:
Nombre del Módulo 1: Fundamentos del Software estadístico R e introducción a la Estadística aplicada
Nombre del Módulo 2: Procedimientos Gráficos con R y Principios de estadística descriptiva e inferencial
Nombre del Módulo 3: Objetos de R y Modelos estadísticos en R
Nombre del Módulo 4: Aplicaciones estadísticas con R
Organizadores
GRUPO DE INVESTIGACION “ESTADISMATICA” Y FACULTAD DE FRN- ESPOCH
Duración
160 Horas con cuatro módulos y cada módulo de 40 horas quincenales divididos en 36 horas presenciales (HP) y 4
horas de trabajo individual (HTI) cada modulo
Fecha y Hora del curso horas presenciales
Módulos 1 y 2: Desde el 17/09/15 – 02/10/15 8:30-12:00
Módulos 3 y 4: Desde el 07/03/16 – 01/04/16 8:30-12:00
Lugar
Laboratorio de Biometría de la Facultad de RRNN
Aval y Codificación
EARRSIBmBe-FC-ESPOCH-2015-07

2. ESCUELA SUPERIOR POLITÉCNICA DE CHIMBORAZO
FACULTAD DE CIENCIAS
ESCUELA DE FISICA Y MATEMATICA
CARRERA DE INGENIERIA EN ESTADISTICA INFORMATICA
ESTADISMATICA GRUPO DE INVESTIGACIÓN EN MODELIZACIÓN ESTADÍSTICA - INFORMÁTICA
Presentación y objetivos
La Estadística es una rama de las Matemáticas que estudia los procedimientos para recopilar, representar, analizar (o
modelizar) e interpretar datos, con la finalidad de ayudar a tomar decisiones (o formular predicciones) y sacar
conclusiones con la información obtenida de los datos. Sin embargo, muchos investigadores que dominan su
especialidad presentan dificultades en la parte estadística, lo cual ha repercutido en que la investigación sea vista
como una actividad poco accesible. Por tanto, el objetivo de este curso-taller es la adquisición de bases conceptuales
de Estadística Matemática y herramientas (del software estadístico R) metodológicas de R que posibiliten la
aplicación correcta de los técnicas estadísticas en las distintas etapas de la investigación científica: desde el diseño
hasta la presentación del informe final, pasando por el análisis e interpretación de resultados. El curso-taller
combinará conocimientos teóricos con aplicaciones prácticas, utilizando el software estadístico libre R.
ESTADISMATICA está consciente de que la forma más eficiente de lograr los objetivos de la ESPOCH relacionados con
la docencia y la investigación para alcanzar nuevamente la clase A es aplicando y utilizando software libres como R,
GRETL entre otros. Otras razones de utilizar R es que es una herramienta que facilita el cálculo, la aplicación de
técnicas estadísticas y procedimientos gráficos además de ser R en la actualidad la de mayor implantación en la
comunidad científica.
Las tareas (INVESTIGACIONES, CURSOS, CONFERENCIAS,…) a desarrollar ESTADISMATICA lo hará con actividades de
aprendizaje o proyectos en concordancia con el plan nacional del buen vivir, matriz productiva, etc. las mismas que
harán uso en el manejo estadístico de datos de R y RStudio
Proporcionar a los investigadores de la ESPOCH conocimientos de las técnicas estadísticas descriptivas e inferenciales
más utilizadas en la investigación en general y en particular dentro del campo de la Biometría o Bioestadística. Las
técnicas del análisis descriptivo incluyen lo numérico y lo gráfico. En tanto que para el análisis inferencial (por
ejemplo modelos de regresión) incluye técnicas estadísticas para la toma de decisiones.
Manejar estadísticamente datos agrícolas en R
Desarrollar una introducción al Diseño de experimentos, específicamente al análisis de varianza ANOVA, para la toma
de decisiones en el área de la agricultura
Contenidos
MODULO 1 MODULO 2 MODULO 3 MOULO 4
40 HORAS
20 HP Y 4 HTI
40 HORAS
36 HP Y 4 HTI
40 HORAS
36 HP Y 4 HTI
40 HORAS
36 HP Y 4 HTI
SESION 1 Y 2* 20 HP Y 4 HTI 20 HP Y 4 HTI 20 HP Y 4 HTI
*Donde las sesiones 1:8 se detallan a continuación
1. Sesión 1: Fundamentos del Software estadístico R e introducción a la Estadística aplicada
1.1. Instalación de los paquetes de software R y RStudio
1.2. Describir la historia del software libre R

3. ESCUELA SUPERIOR POLITÉCNICA DE CHIMBORAZO
FACULTAD DE CIENCIAS
ESCUELA DE FISICA Y MATEMATICA
CARRERA DE INGENIERIA EN ESTADISTICA INFORMATICA
ESTADISMATICA GRUPO DE INVESTIGACIÓN EN MODELIZACIÓN ESTADÍSTICA - INFORMÁTICA
1.3. Describir las diferencias entre tipos de datos atómicos
1.4. Ejecutar operaciones aritméticas básicas
1.5. Objetos de subconjunto R usando el "[", "[[" y los operadores de '$' y vectores lógicos
1.6. Describir la función de coerción explícita de R
1.7. Quitar valores faltantes (NA) de un vector
1.8. Actividades de aprendizaje de Biometría No. 1
2. Sesión 2: Estadística descriptiva y Teoría de las Probabilidades
2.1. Descripción numérica: medidas de tendencia, de dispersión y correlación
2.2. Representaciones gráficas: diagramas: barras, polígonos de frecuencia, de caja o box-plot, de tallo y
hoja o stem and leaf, circulares o pastel , histogramas, dispersión, radiales y otros
2.3. Conceptos y cálculos de probabilidad
2.4. Algunas distribuciones discretas y continuas: Binomial, Uniforme, Poison, normal, exponencial, t-
student, Chi-cuadrada, F y otras.
2.5. Actividades de aprendizaje de Biometría No. 2
3. Sesión 3: Procedimientos Gráficos
3.1. Funciones graficas de nivel alto.
3.1.1 La función plot
3.1.2 Representación de datos multivalriantes
3.1.3 Otras representaciones graficas
3.1.4 Argumentos de las funciones graficas de nivel alto
3.2. Funciones graficas de nivel bajo
3.2.1 Anotaciones matemáticas
3.2.2 Fuentes vectoriales Hershey .
3.3. Funciones graficas interactivas.
3.4. Uso de parámetros gráficos
3.4.1 Cambios permanentes. La función par()
3.4.2 Cambios temporales. Argumentos de las familias gráficas
3.5. Parámetros gráficos habituales
3.5.1 Elementos gráficos
3.5.2 Ejes y marcas de division
3.5.3 Márgenes de las figuras
3.5.4 Figuras múltiples
3.6. Dispositivos gráficos
3.6.1 Inclusión de gráficos PostScript en documentos
3.6.2 Dispositivos gráficos múltiples
3.7 Actividades de aprendizaje de Biometría No. 3
4. Sesión 4: Principios de estadística inferencial
4.1 Estimación de parámetros
4.2 Pruebas de hipótesis

4. ESCUELA SUPERIOR POLITÉCNICA DE CHIMBORAZO
FACULTAD DE CIENCIAS
ESCUELA DE FISICA Y MATEMATICA
CARRERA DE INGENIERIA EN ESTADISTICA INFORMATICA
ESTADISMATICA GRUPO DE INVESTIGACIÓN EN MODELIZACIÓN ESTADÍSTICA - INFORMÁTICA
4.3 Medidas de la bondad de ajuste
4.4 Pruebas de normalidad
4.5 Otros tests paramétricos y no – paramétricos
4.6 Actividades de aprendizaje No. 4
5. Sesión 5: Objetos de R: Vectores, factores, arrays, matrices, listas y data frame
5.1 Objetos atómicos
5.2 Vectores numéricos y aritmética vectorial. Generación de sucesiones
5.3 Vectores lógicos y caracteres
5.4 Vectores de índices: selección y modificaciones
5.5 Atributos de objetos de R: class, length, str, …
5.6 Factores Nominales y Ordinales
5.7 Arrays o variables indexadas. Matrices
5.8 Listas y data frame u hoja de datos
5.9 Loops: lapply, sapply, apply, tapply, mapply
5.10 Actividades de aprendizaje de Biometría No.5
6. Sesión 6: Modelos estadísticos en R
6.1 Definición de modelos estadísticos. Formulas.
6.2 Modelos de regresión
6.3 Funciones genéricas de extracción de información
6.4 Análisis de varianza. Comparación de modelos
6.4.1 Tablas ANOVA
6.5 Actualización de modelos ajustados. Uso de ." . “
6.6 Modelos lineales generalizados. Familias
6.6.1 Familias
6.6.2 La función glm
6.7 Modelos de Mínimos cuadrados no lineales y de Máxima verosimilitud
6.7.1 Mínimos cuadrados ordinarios (MCO)
6.7.2 Máxima verosimilitud
6.8 Algunos modelos no-estándar
6.9 Actividades de aprendizaje de Biometría No.6
7. Sesión 7: Regresión y correlación
7.1 Regresión lineal simple
7.2 Regresión lineal múltiple
7.3 Medidas de correlación
7.4 Actividades de aprendizaje de Biometría No. 7
8. Sesión 8: Aplicaciones estadísticas con R
8.1 Análisis de Series de tiempo

5. ESCUELA SUPERIOR POLITÉCNICA DE CHIMBORAZO
FACULTAD DE CIENCIAS
ESCUELA DE FISICA Y MATEMATICA
CARRERA DE INGENIERIA EN ESTADISTICA INFORMATICA
ESTADISMATICA GRUPO DE INVESTIGACIÓN EN MODELIZACIÓN ESTADÍSTICA - INFORMÁTICA
8.2 Análisis Econométrico
8.3 Regresión logística
8.4 Actividades de aprendizaje de Biometría No. 8
Calificación
Hay 100% puntos porcentuales por cada módulo disponibles. El desglose de los puntos es la siguiente:
Cuestionarios (Quiz) - 50 puntos porcentuales
Actividades de Aprendizaje - 25 puntos porcentuales
Participación - 25 puntos porcentuales
Usted debe ganar 70 puntos porcentuales para aprobar cada módulo y obtener un certificado de aprobación. Los
estudiantes que obtienen 90 puntos superior recibirán un certificado con distinción.
Metodología
El curso-taller está compuesto de 4 módulos y cada módulo de 2 sesiones que se impartirán en 160 horas, con el
50% de horas clase presenciales y el otro 50% de horas clase de trabajos individuales que lo cubrirá el participante.
Además en cada módulo se desarrollará en dos sesiones teóricos – prácticas en estadística, dependiendo de los
argumentos de cada sesión y estos argumentos se aprenderán mediante actividades de aprendizaje las que se
basarán en el lenguaje y entorno de programación estadístico libre R.
Al finalizar las sesiones presenciales, los asistentes deberán realizar un trabajo y análisis estadístico en R siguiendo
las directrices del instructor.
Materiales y Herramientas de aprendizaje
Pizarra y tiza liquida
Infocus (Proyector de diapositivas)
Computadora con software estadístico R y RStudio
Requisitos
Conceptos básicos de Estadística aplicada: descriptiva e inferencial.
Participantes
Docentes y alumnos de la ESPOCH

6. ESCUELA SUPERIOR POLITÉCNICA DE CHIMBORAZO
FACULTAD DE CIENCIAS
ESCUELA DE FISICA Y MATEMATICA
CARRERA DE INGENIERIA EN ESTADISTICA INFORMATICA
ESTADISMATICA GRUPO DE INVESTIGACIÓN EN MODELIZACIÓN ESTADÍSTICA - INFORMÁTICA
Instructor
Jorge W. Congacha A. Doctor en Matemática, graduado en la Escuela Superior Politécnica de Chimborazo,
ESPOCH- ECUADOR. Estudió STATISTICA MATEMÁTICA y ANALISI SUPERIORE en Dipartimento di Matemática
dell’Universita di Pavía - Italia. Especialista en Computación Aplicada al Ejercicio Docente. Estudió la
maestría en Docencia Universitaria e Investigación Educativa en la Universidad Nacional de Loja, LOJA-
ECUADOR. Docente de Econometría y Estadística Inferencial en la carrera de Ingeniería en Estadística -
Informática de la Escuela de Física y Matemática de la FACULTAD DE CIENCIAS-ESPOCH, Director del Grupo
de Investigación ESTADISMATICA en “MODELIZACION ESTADISTICA-INFORMATICA”. Aprobó cursos:
Técnicas Estadísticas Avanzadas para Investigación con Software R, ESPOCH/14; Análisis de datos,
Econometría y Data MIning con RSTUDIO SEE/15.
Bibliografía
1. pdf B. Venables, D. Smith, R Manual en Español, 2000
2. pdf R E. Paradis, R para principiantes, 2002
3. pdf R Tutorial, 2004
4. pdf A. Arriazaga, F Fernadez, Estadística Básica con R y R Commander, 2008
5. pdf J. Santana, E. Mateos, El Arte de Programar con R: un lenguaje para la estadística,2014
6. pdf M. Crawley, The R book,2007
7. pdf R. Kabacoff, R in action, 2011
8. pdf P. Teetor, R-cook-book, 2011
9. pdf J. Maindonald, J. Braun, Data Analysis and Graphics Using R, 2010
10. pdf J. Congacha, Estadística Aplicada a la Educación con Actividades de Aprendizaje, 2016
11. pdf Warkerley, Mendenhall, Scheaffer, Estadística Matemática con Aplicaciones, 2010
12. pdf R. Walpole, Probabilidad y Estadística para Ingeniería y Ciencias, 2012
13. pdf E. López, Estadística con Aplicaciones en Agronomía y Ciencias Forestales, 2008