$180 + IVA (no miembros)
Online
Duración
Fechas
Martes, miércoles y jueves
Online
Duración
Cualquier información puede contactarse a nuestro correo electrónicos en el siguiente link
Instructor: Juan Carlos Llivisaca
Horario: Martes, miércoles y jueves de 19:00 a 21:00
Resumen:
Este curso intensivo de 18 horas (22 horas son asincrónicas) ofrece a docentes e investigadores una introducción general y aplicada a los modelos de regresión lineal mediante el entorno estadístico R. Los participantes construirán modelos estadísticos desde sus fundamentos matemáticos, aprenderán a diagnosticar el cumplimiento de supuestos y desarrollarán la capacidad de interpretar y comunicar resultados en el contexto de sus propias investigaciones.
Cada sesión combina explicación conceptual con práctica directa en R, permitiendo que los participantes trabajen con sus propios datos o con los conjuntos provistos por el instructor. El enfoque está orientado a la toma de decisiones metodológicas fundamentadas, una habilidad esencial para la producción académica e investigativa. Finalmente, el participante contará con las herramientas metodológicas necesarias para incorporar el análisis de regresión lineal en sus proyectos de investigación o asignaturas universitarias.
Audiencia:
Dirigido a docentes universitarios e investigadores con formación en ciencias exactas, sociales, de la salud o ingeniería, que cuenten con conocimientos básicos de estadística descriptiva (media, varianza, correlación), álgebra lineal y que deseen incorporar el análisis de regresión lineal como herramienta metodológica en su producción académica-investigativa. Se espera que los participantes tengan acceso a un computador con R e internet, y motivación para resolver problemas empíricos con datos propios o provistos por el curso.
|
Competencias
|
|---|
|
Aplicar modelos de regresión lineal simple y múltiple para analizar relaciones entre variables en conjuntos de datos reales propios de la investigación de manera que se pueda analizar situaciones reales y formular conclusiones fundamentadas.
|
|
Implementar modelos lineales en R (función lm()), interpretar los resultados estadísticos y generar visualizaciones con la librería ggplot.
|
|
Compartir ideas válidas sobre los modelos generados de manera que se pueda construir un entendimiento claro del comportamiento de los datos, considerando contextos investigativos y académicos.
|
Actualmente me desempeño como Profesor Titular en Ingeniería Industrial, en la Universidad de Cuenca y soy Coordinador del Grupo de Investigación IMAGINE (Industrial Management and Innovation Research), adscrito al Departamento de Química Aplicada y Sistemas de Producción.
Cuento con 15 publicaciones indexadas en Scopus (Q1, Q2 y Q3), 12 ponencias en eventos científicos nacionales y 3 internacionales. He dirigido 20 tesis de pregrado y 3 tesis de postgrado, contribuyendo a la formación investigativa en Ingeniería Industrial.
Mis líneas de investigación se centran en Supply Chain Management, Process Simulation, Optimization Processes y Retail Analytics, Industry 5.0
Si desean conocer más sobre mi trabajo, les comparto mis perfiles académicos:
ResearchGate: https://www.researchgate.net/profile/Juan-Llivisaca-2
ORCID: https://orcid.org/0000-0003-2154-3277
• Exploración y diagnóstico: cada sesión inicia con activación de conocimientos previos mediante preguntas orientadoras (¿qué es un modelo lineal? Y ¿hay correlación en un modelo?) y revisión breve de conceptos estadísticos clave.
• Ejercicios de aplicación: 4 prácticas guiadas en R durante las sesiones, trabajando con datos reales y simulados del ámbito académico o investigativo.
• Análisis integrador: la sesión 4 articula todos los contenidos mediante un caso real completo, desde la exploración hasta la interpretación y toma de decisiones.
• Reflexión y cierre: al término de cada sesión, espacio de preguntas y consolidación de aprendizajes.
Características:
El curso es Online con sesiones sincrónicas de 2 horas los días lunes, martes y miércoles (19h00–21h00). Adicionalmente, se realizan actividades asíncronas (foros) en la plataforma Moodle entre sesiones. La comunicación principal se realiza a través de videoconferencias (Zoom), foros de consulta en Moodle y un canal de mensajería instantánea (WhatsApp) para soporte técnico en R. El instructor realizará tutorías virtuales opcionales (PREVIA CITA) al cierre de cada semana. Las plataformas y herramientas consideradas son:
• Zoom: sesiones sincrónicas.
• Moodle: repositorio de materiales, datasets y entrega de scripts.
• R + RStudio (o RStudio Cloud): entorno de análisis estadístico para todas las actividades prácticas.
• GitHub (opcional): repositorio de scripts para el proyecto integrador.
Objetivo General:
Al finalizar el curso, el participante será capaz de construir, ajustar e interpretar modelos de regresión lineal simple y múltiple en R, verificando el cumplimiento de supuestos estadísticos, evaluando la calidad del ajuste y aplicando estos modelos en el análisis de datos reales propios de su campo académico o investigativo.
Requisitos Previos:
• Conocimientos básicos de estadística descriptiva: media, varianza, correlación.
• Nociones básicas de álgebra (matrices y vectores a nivel conceptual).
• No se requiere experiencia previa en R; se proveerá material de instalación y guía de inicio.
• R (≥ 4.4) y RStudio instalados, o cuenta activa en RStudio Cloud / Posit Cloud.
• Conexión a internet estable para las sesiones sincrónicas.
Evaluación:
La evaluación es sumativa, donde las actividades suman un 40% de la nota y el 60% se lo realiza con el trabajo integrador. Nota mínima de aprobación: 7/10. Se entrega certificado de aprobación de 8 horas al finalizar el taller.
|
TEMA
|
SUBTEMA
|
|---|---|
|
Fundamentos de modelos lineales
|
Concepto de regresión y correlación
|
|
Fundamentos de modelos lineales
|
Introducción a R y RStudio para modelos lineales
|
|
Fundamentos de modelos lineales
|
Función lm(): ajuste e interpretación de coeficientes
|
|
Fundamentos de modelos lineales
|
• Supuestos del modelo lineal clásico. Pruebas formales de supuestos: Shapiro-Wilk, Breusch-Pagan, Durbin-Watson
• Transformaciones y alternativas: modelos ponderados y robustos |
|
Fundamentos de modelos lineales
|
Estimación por mínimos cuadrados ordinarios (MCO), pruebas de hipótesis en la regresión lineal simple
|
|
Regresión lineal simple y múltiple en R
|
• Interpretación, calidad y validación del ajuste en regresión lineal simple
• Extensión al caso multivariado: interpretación parcial |
|
Regresión lineal simple y múltiple en R
|
• Visualización diagnóstica: gráficos de dispersión y residuos. Diagnósticos de datos atípicos y supuestos
• Regresión polinomial |
|
Regresión lineal simple y múltiple en R
|
• Modelos de selección de variables.
• Regresión binaria y Regresión Multinomial |
|
Selección de modelos y variables
|
• Selección de indicadores globales
• Métodos Forward y Backward • Criterios de significación |
|
Selección de modelos y variables
|
• Regresión Lasso y Ridge
|
|
Selección de modelos y variables
|
• Una vista rápida a los modelos no lineales
|
|
Evaluación y validación del modelo
|
• Planteamiento del problema
• Reconocimiento de variables |
|
Evaluación y validación del modelo
|
• Transformaciones y alternativas: modelos ponderados y robustos
|
|
Proyecto integrador
|
• Análisis completo con datos reales: presentación y defensa de resultados
|