• La estadística es una disciplina fundamental en la educación universitaria, especialmente en campos que dependen de la toma de decisiones basada en datos, como las ciencias sociales, la administración de empresas, la ingeniería, entre otros. Sin embargo, la enseñanza de estadística a nivel universitario presenta varios desafíos. Entre los más destacados están la naturaleza abstracta de muchos conceptos estadísticos y la dificultad que experimentan los estudiantes al aplicar la teoría a situaciones prácticas.

• En este contexto, los recursos digitales han emergido como herramientas poderosas para superar estos desafíos. Estos recursos no solo ofrecen una mayor interactividad y accesibilidad, sino que también permiten una personalización del aprendizaje que puede adaptarse al ritmo y nivel de comprensión de cada estudiante. En este mini-curso, exploraremos las diversas ventajas que ofrecen los recursos digitales en la enseñanza de la estadística, los tipos de herramientas disponibles, y cómo se pueden integrar efectivamente en el aula para mejorar el proceso de enseñanza-aprendizaje.

• Interactividad y participación activa: los recursos digitales, como simuladores y plataformas interactivas, permiten a los estudiantes experimentar con datos en tiempo real, visualizar resultados instantáneamente y explorar diferentes escenarios.

• Accesibilidad y flexibilidad: las herramientas digitales están disponibles en cualquier momento y desde cualquier lugar, lo que permite a los estudiantes aprender a su propio ritmo.

• Personalización del aprendizaje: los recursos digitales permiten la adaptación del contenido según las necesidades individuales de cada estudiante.
• Retroalimentación inmediata: herramientas en línea y simuladores estadísticos pueden proporcionar retroalimentación instantánea, permitiendo a los estudiantes identificar y corregir errores en el momento.

• Aprendizaje colaborativo: las plataformas digitales permiten el trabajo en equipo y la colaboración entre estudiantes, incluso en entornos virtuales.

• Integración con datos reales: los recursos digitales facilitan el acceso a bases de datos reales y conjuntos de datos actualizados, lo que permite a los estudiantes trabajar con información relevante y aplicable a situaciones del mundo real.

• Plataformas de aprendizaje en línea: DataCamp, Khan Academy, Coursera, Edx, Educatina, Eustat Stats.Blue.

• Software estadísticos: R, Python, SPSS, SAS, Stata, Minitab, Excel.

• Simulaciones y visualizaciones: GeoGebra, , CODAP, GAPMINDER StatCrunch, Power BI, Tableau.

• Es la plataforma de aprendizaje más intuitiva para la ciencia y el análisis de datos. Aprende en cualquier momento y conviértase en un experto en R, Python, SQL y más. La metodología de aprendizaje combina videos breves de expertos y ejercicios prácticos para ayudar a los alumnos a retener el conocimiento.

• Actualmente cuenta con cerca de 400 cursos específicos sobre análisis de datos, visualización de datos y aprendizaje automático. Además, tiene espacios de seminarios y proyectos basados en problemas reales.

• Están constantemente ampliando su plan de estudios para mantenerse al día con las últimas tendencias tecnológicas y brindar la mejor experiencia de aprendizaje para todos los niveles de habilidad.

• Cuenta con más de 6 millones de estudiantes en todo el mundo.

• Es un software matemático dinámico para todos los niveles educativos que reúne geometría, álgebra, hojas de cálculo, gráficas, estadísticas y cálculo en un solo motor.

• Ofrece una plataforma en línea con más de 1 millón de recursos gratuitos para el aula, creados por una comunidad multilingüe.

• Estos recursos se pueden compartir fácilmente a través de nuestra plataforma de colaboración Classroom donde se puede monitorear el progreso de los estudiantes en tiempo real.

• GeoGebra es una comunidad de millones de usuarios ubicados en casi todos los países. Se ha convertido en el proveedor líder de software de matemáticas dinámicas, apoyando la educación en Ciencia, Tecnología, Ingeniería y Matemáticas (STEM) y las innovaciones en la enseñanza y el aprendizaje en todo el mundo.

• Es un conjunto de programas integrados para el manejo de datos, simulaciones, cálculos y realización de gráficos.

• R es un lenguaje de programación libre y de código abierto que proporciona una gran variedad de técnicas estadísticas y gráficas.

• RStudio es un entorno de desarrollo integrado (IDE) para R, que permite interactuar de forma más amigable las tareas de programación y análisis de datos en R.

• R for Data Science

• Modern Drive

• r-statistics.co

• R para principiantes

• Manual de R

• Data Science con R

• Gráficos con R

• R CODER

Para crear gráficos en 3D, puedes utilizar la librería rgl, que proporciona una amplia variedad de funciones para crear visualizaciones tridimensionales interactivas. Gráficos 3D

También puedes utilizar otras bibliotecas como plotly o scatterplot3d. A continuación se puede observar un ejemplo básico.

library("rgl")
library("magick")

data <- iris

plot3d(data$Sepal.Length,data$Sepal.Width,data$Petal.Length,
       xlab="Largo_sepalo",ylab="Ancho_sepalo",zlab="Largo_petala",
       col = as.numeric(data$Species), type = "s", radius = 0.1) 

play3d(spin3d(axis = c(0, 0, 1), rpm = 5), duration = 100)

Plotly es una librería muy potente de visualización dinámica. A continuación un ejemplo de aplicación.

library(plotly)
library(mvtnorm)

# Parámetros
mu <- c(150, 165)
S <- matrix(c(25,10,10,20), nrow=2 , byrow = TRUE) 

# Datos simulados
n <- 1000
set.seed(2023)
datos <- data.frame(rmvnorm(n,mu,S))
colnames(datos) <- c("Peso","Estatura")
densidad <- dmvnorm(datos,mu,S)

# Gráfica
plot_ly(x=~datos$Peso, y=~datos$Estatura, z=~densidad,
        type = "scatter3d", color=densidad, xlab=" ",
        ylab=" ", zlab=" ") 

Leaflet es una librería que facilita la creación y personalización de mapas interactivos a partir de datos geoespaciales utilizando el lenguaje de programación R. A continuación un ejemplo de aplicación.

library(leaflet)

leaflet() %>% addTiles() %>% 
  setView(lng = -66.04875, lat = 18.4059, zoom = 7) %>%
  addMarkers(lng = -66.04875, lat = 18.4059)

Shiny es un paquete que permite construir aplicaciones web interactivas y dinámicas. Fue desarrollado en R pero actualmente también se puede trabajar desde Python. Algunos ejemplos utilizados en clase:

• Convergencia de la distribución t-Student a la Normal

• Teorema de límite central

• Aproximaciones

Shinydashboard es un paquete que se utiliza en combinación con Shiny para crear aplicaciones web interactivas con una apariencia similar a un panel de control (dashboard). Este paquete facilita la creación de interfaces de usuario atractivas y funcionales que se asemejan a los paneles de control utilizados para resumir y visualizar datos en un formato fácil de usar. Algunos ejemplos trabajados son:

• Mapas Covid

• Estadísticas Covid

• Aplicación de Ambiental

Rmarkdown es un paquete que permite Utilizar una interfaz que entrelaza texto narrativo y código de R, para producir resultados con un formato elegante.

Los documentos de Rmarkdown se pueden exportar en muchos formatos de salida, como son:

• Documentos: html, Pdf y Word.

• Presentaciones: html (ioslides, Slidy) Pdf (Beamer), PowerPoint.

• Shiny: documentos y presentaciones.

• Algunos ejemplos utilizados en clase: Rpubs