$200 + IVA (no miembros)
Online
Duración
Fechas
Martes y jueves
Online
Duración
Duración
Cualquier información puede contactarse a nuestro correo electrónicos en el siguiente link
Instructor: Juan Carlos Llivisaca Villazhañay
Horarios: Martes y jueves de 19:00 a 21:00
Resumen:
El curso fue diseñado bajo un diagnóstico frecuente en la academia: muchos docentes e investigadores tienen formación estadística de base, pero ¿cómo podemos aplicarlo y tener conclusiones reales? Para agilizar el diseño y organizar las ideas se utilizarán programas como R y Jamovi. Estos se usan desde la primera sesión, no como anexo al final del módulo. Cada técnica aparece en el momento en que tiene sentido: cuando hay que tomar una decisión sobre el estudio, interpretar un resultado o redactar los hallazgos para publicación. En dos módulos, estadística descriptiva y estadística inferencial, se cubren temas que van desde el análisis exploratorio hasta las pruebas de hipótesis, con un hilo conductor claro: que el análisis sea reproducible y que el reporte sea defendible.
Audiencia:
Docentes universitarios e investigadores con formación de posgrado (maestría o doctorado) en cualquier área del conocimiento, que cuentan con experiencia en actividades de investigación o docencia y que enfrentan la necesidad de aplicar o actualizar sus competencias en análisis estadístico para mejorar la calidad metodológica de sus estudios y publicaciones. El curso está especialmente orientado a quienes utilizan o planean utilizar software estadístico de licencia libre en sus proyectos y desean adoptar prácticas de ciencia abierta y reproducibilidad en su trabajo académico.
|
Competencia específica
|
|---|
|
Aplicar análisis estadístico descriptivo e inferencial para la interpretación de datos en proyectos de investigación o en la académica.
|
|
Utilizar R y Jamovi como herramientas computacionales para el procesamiento, visualización y análisis estadístico de datos.
|
|
Comunicar hallazgos estadísticos de manera clara y rigurosa, adoptando estándares de reportes científicos reproducibles.
|
Profesor Titular en la Carrera de Ingeniería Industrial en la Universidad de Cuenca y Coordinador del Grupo de Investigación IMAGINE (Industrial Management and Innovation Research), adscrito al Departamento de Química Aplicada y Sistemas de Producción. Cuenta más de 15 publicaciones indexadas en Scopus (Q1, Q2 y Q3), 12 ponencias en eventos científicos nacionales y 5 internacionales. Ha dirigido 25 tesis de pregrado y 3 de posgrado, con contribuciones sólidas a la formación investigativa en Ingeniería Industrial.
Sus líneas de investigación incluyen Supply Chain Management, Process Simulation, Optimization Processes, Retail Analytics e Industry 5.0.
• Exploración y diagnóstico: análisis de datasets desde la primera sesión para activar conocimientos previos y detectar brechas.
• Ejercicios de aplicación y análisis: cada sesión incluye un ejercicio práctico en R y/o Jamovi vinculado directamente al tema teórico.
• Actividades integradoras: al cierre de cada módulo, los participantes aplican lo aprendido sobre un dataset de su propia área de investigación.
• Reflexión y autoevaluación: foros de aprendizaje donde el participante documenta su aporte a las lecciones aprendidas. Uso de NotebookLM para el curso con material del curso.
Características:
• Online sincrónica con actividades virtuales asíncronas complementarias. Las sesiones sincrónicas se realizan tres veces por semana y son grabadas para consulta posterior
• Se dejará cada sesión grabada para que sea revisada.
• Foro de discusión asíncrono por módulo para consultas técnicas y metodológicas.
• Tutoría individual opcional: en caso de requerirlo, se dará una sesión de 30 minutos por participante para revisión de un tema en particular o en proyecto final. Esto previa cita con el docente tutor.
Plataformas y Herramientas
• LMS (Moodle): distribución de materiales, entrega de actividades y foros.
• R + RStudio: análisis estadístico y generación de reportes reproducibles con R Markdown y Quarto.
• Jamovi: análisis estadístico con interfaz amigable, ideal para usuarios con menor experiencia en programación.
• GitHub: repositorio de scripts y materiales del curso para acceso abierto.
Objetivo General:
Al finalizar el curso, el participante será capaz de diseñar, ejecutar e interpretar análisis estadísticos aplicados a su área de investigación, utilizando R y Jamovi para explorar datos, contrastar hipótesis y comunicar resultados con los estándares de rigor y reproducibilidad propios de la publicación científica de alto impacto.
Requisitos Previos:
• Experiencia mínima en investigación o academia
• Computador con acceso a internet para instalar R, RStudio y Jamovi (software gratuito)
• Disposición para trabajar con conjuntos de datos propios o de interés disciplinar
Evaluación:
• Evaluación formativa: retroalimentación continua en aportes semanales (40%).
• Evaluación integradora Módulo 1: taller EDA y reporte reproducible (25%).
• Evaluación sumativa final: proyecto integrador Módulo 2 (35%).
|
TEMAS
|
SUBTEMAS
|
|---|---|
|
Introducción
|
Estadística como herramienta de investigación científica.
|
|
Diferencia entre significancia estadística y relevancia práctica.
|
|
|
Introducción a R y Jamovi: instalación y entorno.
|
|
|
Manipulación de datos con R
|
Importación de datos (CSV, Excel).
|
|
Limpieza y transformación con tidyverse.
|
|
|
Funciones definidas por el usuario.
|
|
|
EDA como auditoría de datos: detección de valores atípicos.
|
|
|
Estadística descriptiva
|
Medidas de tendencia central: media, mediana y moda.
|
|
Medidas de dispersión: varianza y desviación estándar. Curtosis y Asimetría.
|
|
|
Distribución de frecuencias para variables discretas y continuas.
|
|
|
Reportes reproducibles con R Markdown
|
|
|
Estándares de reporte: APA y CONSORT
|
|
|
Visualización de datos con R
|
Gráficos para variables cualitativas (barras, pastel)
|
|
Gráficos para variables cuantitativas (histograma, boxplot, violín)
|
|
|
Visualización avanzada con ggplot2 para publicaciones, uso de librería esquisser.
|
|
|
Librerías ggstatplot
|
|
|
Probabilidad y muestreo
|
El concepto de probabilidad aplicado a la investigación. Diferencia entre parámetro y estadístico
|
|
Población y muestra: tipos de muestreo
|
|
|
Normalidad y distribuciones de probabilidad.
|
Análisis de normalidad: pruebas de Shapiro-Wilk y Kolmogorov-Smirnov.
|
|
Distribuciones de probabilidad (normal, t, chi-cuadrado, F).
|
|
|
Normalidad Multivariante
|
|
|
Transformaciones cuando no hay normalidad.
|
|
|
Intervalos de confianza: construcción e interpretación.
|
|
|
Estadística inferencial
|
Pruebas de hipótesis: formulación, error tipo I y II, valor p
|
|
Pruebas de Hipótesis para una muestra, dos muestras con muestras independientes y pareadas.
|
|
|
Pruebas paramétricas: t-test (una muestra, dos muestras, pareado) y ANOVA
|
|
|
p-hacking, HARKing, ¿qué son y cómo evitarlos?
|
|
|
Pruebas no paramétricas y correlación
|
Alternativas no paramétricas: Mann-Whitney, Kruskal-Wallis, Wilcoxon
|
|
Correlación de Pearson y Spearman: cálculo e interpretación en papers
|
|
|
Tamaño del efecto y potencia estadística
|
|
|
Regresión y proyecto integrador
|
Regresión lineal simple y múltiple en R
|
|
Diagnóstico del modelo: supuestos y validación
|
|
|
Taller integrador: análisis completo sobre dataset de investigación propia y reporte en R Markdown o Quarto
|