Curso Estadı́stica Aplicada y

Programación con R
Mi Curso Profesional
Pasión y vocación por servir.
2019

A pesar de haber estudiado a lo largo de nuestra carrera académica en mu-

chas ocasiones estadı́stica, pocas veces reparamos en la importancia que esta
tiene en nuestra trayectoria profesional; generalmente pensamos que el cálculo o
el álgebra serán las disciplinas que tendremos que usar; sin embargo, la mayorı́a
de las veces es la estadı́stica la disciplina que de verdad tenemos que aplicar, o
peor aún: la que hubiéramos tenido que aplicar para resolver un problema que
finalmente no se ha resuelto por el desconocimiento de la enorme potencia que
la estadı́stica tiene; en el mundo actual, lo único constante es la inconstancia,
y por tanto la incertidumbre nos rodea de manera permanente, y me temo que
también continua: aquı́ es donde la estadı́stica puede jugar un papel crucial,
pues es la disciplina que mejor puede gestionar la incertidumbre.

1. Descripción
El curso Estadı́stica Aplicada y Programación con R está divido en
dos módulos: Programación con R y Estadı́stica Aplicada con R. Pro-
gramación con R es, principalmente, práctico. Busca que el estudiante conozca
lo fundamental de la programación con R en solo 5 sesiones. Los temas que
abarca son vectores, matrices, factores, dataframes, listas, importación y expor-
tación de archivos de datos, funciones y bucles. Por otro lado, el Estadı́stica
Aplicada con R es teórico-práctico. En este, se utilizarán las herramientas de
R a fin de presentar las diferentes técnicas para analizar datos, generar gráficos
estadı́sticos, calcular medidas de tendencia central y no central, realizar prue-
bas de hipótesis, crear modelos de regresión lineal simple y múltiple, ası́ como
efectuar otras acciones posibles.

2. Objetivos
El primer módulo, Programación con R, permitirá que el alumno resuelva
problemas con un pensamiento computacional a partir del lenguaje R.

1
 Estadı́stica Aplicada y Programación con R

El segundo módulo, Estadı́stica Aplicada con R, curso permitirá que los

estudiantes apliquen los conocimientos de programación con R en el análisis es-
tadı́stico. Asimismo, podrán realizar gráficos estadı́sticos, tales como diagramas
de cajas, sectores, barras, tallos y hojas e histogramas.

3. Contenido
3.1. Programación con R
Programación con R es, principalmente, práctico. Busca que el estudiante
conozca lo fundamental de la programación con R en solo 5 sesiones. Los temas
que abarca son vectores, matrices, factores, dataframes, listas, importación y
exportación de archivos de datos, funciones y bucles.

SESIÓN 1: VECTORES Y MATRICES

Objetivo: Explicar cómo crear, operar y manipular vectores

y matrices en R.

Temas:
• Creación de vectores
◦ Vectores numéricos
◦ Vectores de caracteres
◦ Vectores lógicos
◦ Vector de vectores
• Funciones matemáticas con vectores
◦ Valor absoluto
◦ Raı́z cuadrada
◦ Función exponencial
◦ Función logaritmo decimal
◦ Función logaritmo natural
◦ Redondear decimal
◦ Funciones trigonométricas
◦ Suma de elementos de un vector
◦ Producto de elementos de un vector
◦ Promedio de los elementos de un vector
◦ Norma euclidiana de un vector

2
Estadı́stica Aplicada y Programación con R

• Operaciones con vectores

◦ Suma de vectores
◦ Diferencia de vectores
◦ Producto interno de vectores
◦ División elemento a elemento de vectores
◦ Potenciación
◦ Operación módulo o resto de una división
◦ Operaciones lógicas
• Secuencias
• Replicar elementos de vectores
• Manipulación de elementos de un vector
• Creación de matrices
◦ Usando dim
◦ Usando matrix
◦ Usando rbind y cbind
• Manipulación de elementos de una matriz
• Operaciones con matrices
◦ Suma y diferencia de matrices
◦ Multiplicación y división por elementos
◦ Multiplicación de matrices
◦ Determinante de una matriz
◦ Inversa de una matriz
◦ Transpuesta de una matriz
◦ Funciones matemáticas con matrices
• Ejemplos
◦ Sistema de ecuaciones lineales
◦ Uso de rownames y colnames
◦ Eliminación de elementos

3
 Estadı́stica Aplicada y Programación con R

SESIÓN 2: FACTORES, DATAFRAMES Y LISTAS

Objetivo: Desarrollar tipos de datos más complejos, tales co-

mo factores, dataframes y listas.

Temas:
• Creación de factores
◦ Niveles de un factor
◦ Estructura de un factor
◦ Función summary
◦ Factores ordenados
◦ Comparaciones de factores ordenados
◦ Función tapply
• Dataframes
◦ Creación de dataframes
◦ Selección de elementos
◦ Ordenar dataframes
• Listas
◦ Creación de listas
◦ Selección de elementos
• Ejemplos
◦ Concatenar factores
◦ Manejo de listas
◦ Concatenar un dataframe

4
 Estadı́stica Aplicada y Programación con R

SESIÓN 3: IMPORTACIÓN Y EXPORTACIÓN DE DATOS

Objetivo: Explicar cómo importar y exportar archivos Excel,

CSV y de otros formatos en R.

Temas:
• Importación de datos
◦ Importación de archivo Excel XLSX
◦ Importación de archivo Excel CSV
◦ Importación de archivo de SPSS
◦ Importación de archivo de STATA
• Exportación de datos
◦ Exportación de archivo Bloc de notas
◦ Exportación de archivo Excel XLSX
◦ Exportación de archivo Excel CSV
◦ Exportación de archivo de SPSS
◦ Exportación de archivo de STATA
• Ejemplos
◦ Importación de archivo Excel
◦ Exportación a un archivo CSV
◦ Importación de archivo de STATA

SESIÓN 4: FUNCIONES

Objetivo: Explicar cómo crear una función no existente en R.

Temas:
• Creación de funciones
• Cuerpo de una función
• Argumentos de una función
• Funciones con argumentos NA
• Sentencias de decisión if & else
• Recursividad
Ejemplos
• Función area.triangulo(x,y)
• Función nombreDF(x,y)
• Función recursiva miFactorial(x)

5
 Estadı́stica Aplicada y Programación con R

SESIÓN 5: BUCLES

Objetivo: Explicar cómo realizar repeticiones con los bucles

repeat, for y while.

Temas:
• Tipos de bucles
◦ Bucle repeat
◦ Bucle for
◦ Bucle while
• Sentencia switch
◦ Reglas
• Ejemplos
◦ Serie de potencias con for
◦ Suma de potencias y tolerancia
◦ Imprimir figuras con asteriscos usando for

6
 Estadı́stica Aplicada y Programación con R

3.2. Estadı́stica Aplicada con R

Estadı́stica Aplicada con R es teórico-práctico. Con la herramienta R se
podrán conocer las diferentes técnicas para analizar datos, generar gráficos es-
tadı́sticos, calcular las medidas de tendencia central y no central, crear modelos
de regresión lineal simple y múltiple, ası́ como efectuar otras acciones posibles.

SESIÓN 1: ESTADÍSTICA DESCRIPTIVA

Objetivo: Utilizar el lenguaje de R según las diversas medidas

establecidas por la Estadı́stica Descriptiva.

Temas:
• Variables estadı́sticas
◦ Variables cualitativas
◦ Variables cuantitativas
• Población
• Distribución de frecuencias
◦ Frecuencia absoluta
◦ Frecuencia relativa
• Medidas de tendencia central
◦ Media aritmética
◦ Media ponderada
◦ Media geométrica
◦ Media armónica
◦ Mediana
◦ Moda
• Medidas de tendencia no central
◦ Cuartiles
◦ Deciles
◦ Percentiles
• Medidas de dispersión
◦ Rango
◦ Medio rango
◦ Rango intercuartı́lico
◦ Rango semi-intercuartı́lico
◦ Varianza
◦ Desviación tı́pica o estándar
◦ Coeficiente de variación

7
 Estadı́stica Aplicada y Programación con R

• Medidas de forma
◦ Medidas de asimetrı́a o sesgo
◦ Medidas de apuntamiento o curtosis
• Ejemplos
◦ Media ponderada
◦ Medidas de tendencia central
◦ Medidas de tendencia no central
◦ Frecuencias absolutas acumuladas
◦ Tabla de contingencia
◦ Lı́mites inferiores y superiores

SESIÓN 2: GRÁFICOS ESTADÍSTICOS

Objetivo: Elaborar diversos gráficos estadı́sticos en R.

Temas:
• Principales parámetros
◦ Sı́mbolos
◦ Etiquetas de tı́tulo y ejes
◦ Colores
◦ Ancho de lı́nea
• Gráficos con plot
◦ Gráfica de puntos
◦ Gráfica de lı́neas
◦ Gráfica de puntos y lı́neas
◦ Gráfica con lı́neas verticales
◦ Gráficas tipo escalera
• Histograma
◦ Histograma de frecuencias
◦ Histograma de gráfico de densidad
◦ Diagrama de barras
• Gráficos circulares
◦ Gráfico circular 2D
◦ Gráfico circular 3D
• Diagrama de Pareto
• Diagrama de cajas
• Diagrama de tallos y hojas
• Gráficos de dispersión
◦ Matriz de diagramas de dispersión

8
 Estadı́stica Aplicada y Programación con R

• Ejemplos
◦ Diagrama de tallos y hojas
◦ Gráfico de barras
◦ Diagrama circular
◦ Diagrama de cajas con ggpubr
◦ Gráficos de violı́n
◦ Gráficos de dispersión

SESIÓN 3: MUESTREO ALEATORIO

Objetivo: Presentar la importancia de seleccionar aleatoria-

mente las muestras para estimar las principales caracterı́sticas
de una población, considerando un muestreo con reposición y
sin reposición.

Temas:
• Conceptos básicos de muestreo
◦ Población
◦ Muestreo
◦ Muestra
◦ Tamaño muestral
◦ Población objetiva
• Tipos de muestreo
◦ Muestreo no probabilı́stico
◦ Muestreo probabilı́stico
◦ Estimadores de un muestreo probabilı́stico
◦ Muestreo con reposición
◦ Muestreo sin reposición
• Muestreo aleatorio simple
◦ Muestreo aleatorio simple con reposición
◦ Muestreo aleatorio simple sin reposición
• Ejemplos
◦ Muestreo aleatorio simple con reposición: Proporción
◦ Muestreo aleatorio simple con reposición: Promedio
◦ Muestreo aleatorio simple sin reposición: Promedio
◦ Muestreo aleatorio simple con reposición: Tamaño de
muestra
◦ Muestreo aleatorio simple sin reposición: Total estima-
do
◦ Muestreo aleatorio simple sin reposición: Intervalo de
confianza

9
 Estadı́stica Aplicada y Programación con R

SESIÓN 4: PROBABILIDADES

Objetivo: Utilizar conocimientos de R en la teorı́a de las pro-

babilidades.

Temas:
• ¿Qué es la probabilidad?
• Experimentos
◦ Experimentos determinı́sticos
◦ Experimentos aleatorios
• Espacio muestral
◦ Espacios muestrales discretos
◦ Espacios muestrales continuos
• Eventos
◦ Evento imposible o nulo
◦ Evento seguro
◦ Evento elemental
◦ Evento compuesto
• Probabilidad en R
• Ejemplos
◦ Extracción de muestra
◦ Espacio muestral
◦ Diagrama circular
◦ Función cards
◦ Subconjuntos
◦ Probabilidad condicional

SESIÓN 5: COMBINATORIA

Objetivo: Utilizar conocimientos de combinatoria en R.

Temas:
• Permutaciones
◦ Permutaciones sin repetición
◦ Permutaciones circulares
◦ Permutaciones con repetición
• Variaciones
◦ Variaciones sin repetición
◦ Variaciones con repetición

10
 Estadı́stica Aplicada y Programación con R

• Combinaciones
◦ Combinaciones sin repetición
◦ Combinaciones con repetición
• Diferencias entre combinaciones y variaciones
• Ejemplos
◦ Permutación circular
◦ Combinaciones sin repetición
◦ Variaciones con repetición
◦ Variaciones sin repetición
◦ Combinaciones con repetición
◦ Permutaciones con repetición

SESIÓN 6: DISTRIBUCIONES DISCRETAS

Objetivo: Hallar las probabilidades o cuantiles en distribucio-

nes discretas, según sea el caso, usando la herramienta R.

Temas:
• Distribución binomial
• Distribución de Poisson
• Distribución geométrica
• Distribución hipergeométrica
• Distribución binomial negativa
Ejemplos
• Permutación circular
• Combinaciones sin repetición
• Variaciones con repetición
• Variaciones sin repetición
• Combinaciones con repetición
• Permutaciones con repetición

11
 Estadı́stica Aplicada y Programación con R

SESIÓN 7: DISTRIBUCIONES CONTINUAS

Objetivo: Hallar las probabilidades o cuantiles en distribucio-

nes continuas, según sea el caso, usando la herramienta R.

Temas:
• Distribución uniforme
• Distribución normal o gaussiana
• Distribución chi-cuadrada
• Distribución exponencial
• Distribución T Student
• Distribución F de Snedecor
Ejemplos
• Distribución exponencial
• Distribución normal
• Distribución T-Student
• Gráfica de función densidad en distribución normal
• Distribución chi-cuadrada
• Gráfica de función densidad en distribución chi-cuadrada

SESIÓN 8: ESTIMACIÓN ESTADÍSTICA

Objetivo: Utilizar conocimientos de estadı́stica inferencial, es-

pecı́ficamente en estimaciones estadı́sticas, en R.

Temas:
• Estimación puntual
◦ Método de los momentos
◦ Método de Máxima Verosimilitud
• Estimación por intervalos
◦ Intervalos de confianza
◦ Nivel de confianza
◦ Intervalo para media con desviación conocida
◦ Intervalo para media de una población pequeña con
desviación desconocida
◦ Intervalo para media de una población grande con des-
viación desconocida

12
 Estadı́stica Aplicada y Programación con R

• Ejemplos
◦ Función binom.test
◦ Intervalo de confianza con población grande
◦ Intervalo de confianza con población pequeña
◦ Intervalo de confianza para proporción poblacional
◦ Intervalo de confianza para diferenciar las medias de
dos poblaciones
◦ Intervalo de confianza para la varianza de una pobla-
ción

SESIÓN 9: PRUEBAS DE SIGNIFICACIÓN ESTADÍSTICA PARAMÉTRI-

CA

Objetivo: Desarrollar las pruebas de hipótesis T y Z en R.

Temas:
• Conceptos previos
◦ Prueba de hipótesis
◦ Tipo de hipótesis
◦ Nivel de confianza
◦ Nivel de significancia
◦ Tipos de errores
◦ Estadı́stico de prueba
◦ Valor crı́tico
• Prueba T para una muestra
◦ Procedimiento
◦ Ejemplo (una cola)
• Prueba T para dos muestras independientes
◦ Procedimiento
◦ Ejemplo (dos colas)
• Prueba T para dos muestras relacionadas
◦ Procedimiento
◦ Ejemplo (dos colas)
• Prueba Z de una muestra
• Prueba Z de dos muestras

13
 Estadı́stica Aplicada y Programación con R

• Ejemplos
◦ Prueba Z de dos muestras
◦ Prueba Z de una muestra con dos colas
◦ Prueba T para muestras independientes y varianzas
diferentes
◦ Función z.test() en prueba de hipótesis unilateral
◦ Función z.test() en prueba de hipótesis bilateral
◦ Gráficos de pruebas de hipótesis de una y dos colas

SESIÓN 10: PRUEBAS DE SIGNIFICACIÓN ESTADÍSTICA NO PARAMÉTRI-

CA

Objetivo: Desarrollar las principales pruebas de significación

no paramétrica.

Temas:
• Prueba chi cuadrado
◦ Procedimiento
◦ Ejemplo
• Prueba de Wilcoxon
◦ Procedimiento
◦ Ejemplo
• Prueba de Friedman
◦ Procedimiento
◦ Ejemplo
• Ejemplos
◦ Prueba de Friedman
◦ Prueba de los rangos con signo de Wilcoxon I
◦ Prueba chi cuadrado I
◦ Prueba de los rangos con signo de Wilcoxon II
◦ Prueba de Kruskal-Wallis
◦ Prueba chi cuadrado II

14
 Estadı́stica Aplicada y Programación con R

SESIÓN 11: REGRESIÓN LINEAL SIMPLE Y MÚLTIPLE

Objetivo: Desarrollar los tipos de modelos de regresión lineal:

simple y múltiple.

Temas:
• Regresión lineal simple
◦ Función lm de R
◦ Ejemplo
• Regresión lineal múltiple
• Significancia y bondad de ajuste
• Supuestos del modelo de regresión lineal
◦ Linealidad
◦ Independencia
◦ Homocedasticidad
◦ Normalidad
◦ No colinealidad
• Ejemplos
◦ Regresión lineal simple por mı́nimos cuadrados I
◦ Modelo de regresión lineal simple en R I
◦ Regresión lineal y prueba de hipótesis
◦ Regresión lineal simple por mı́nimos cuadrados II
◦ Modelo de regresión lineal simple en R II
◦ Gráfico de residuos

SESIÓN 12: AJUSTE DE CURVAS

Objetivo: Desarrollar los diversos modelos de ajuste de cur-

vas: exponencial, potencial, logarı́tmico y polinómico.

Temas:
• Regresión exponencial
• Regresión potencial
• Regresión logarı́tmica
• Regresión polinómica
• Ejemplos
◦ Regresión cuadrática
◦ Fórmula de regresión cuadrática
◦ Regresión potencial

15
 Estadı́stica Aplicada y Programación con R

◦ Regresión exponencial
◦ Regresión logarı́tmica
◦ Comparación de modelos

SESIÓN 13: CORRELACIÓN

Objetivo: Conocer los elementos necesarios para efectuar un

análisis de correlación.

Temas:
• Coeficiente de correlación
◦ Tipos de correlación
• Correlación múltiple
• Función corrplot
◦ Parámetro de disposición (type)
◦ Parámetro de métodos (method)
◦ Parámetro de orden (order)
• Función corrplot.mixed
• Correlación parcial
• Correlación semiparcial
• Ejemplos
◦ Calcular R2 usando fórmula
◦ Calcular R2 usando lenguaje R
◦ La función pairs.panels
◦ La función corrplot
◦ Correlación parcial
◦ Correlación semiparcial

(*) El curso está estructurado en sesiones, donde cada sesión contie-

ne los temas expuestos anteriormente desarrollados de manera teórica
y práctica. Se cuenta adicionalmente con archivos del curso para desa-
rrollar sesión tras sesión. Teniendo en cuenta que se le hace llegar una
autoevaluación en cada sesión ası́ como una evaluación final de cada
nivel correspondiente. Calidad garantizada.

16