04 noviembre 2025

Introducción

“Las economías modernas recompensan a las personas no por lo que saben, sino por lo que pueden hacer con lo que saben.”
— Schleicher, OECD (2018)

El aprendizaje de R representa una oportunidad estratégica para conectar la teoría matemática con la práctica científica y social.

  • Permite modelar, simular y comunicar resultados con rigor.
  • Transforma la teoría en acción y comprensión aplicada.
  • Conecta el pensamiento lógico con la realidad.

Ir a la tesis →

Tesis central

Aprender R permite pasar de la abstracción matemática a la resolución de problemas reales.

  • R convierte la teoría en práctica mediante análisis, simulación y visualización.
  • Enseñar R no solo es técnico: es formar pensamiento científico aplicado.
  • La enseñanza debe integrar razonamiento + experimentación + comunicación.

Ver ejes del aprendizaje →

Ejes del aprendizaje de R

  1. Fundamentos matemático-computacionales
  2. Implementación algorítmica
  3. Comunicación reproducible

1️⃣ Fundamentos matemático-computacionales

R traduce la matemática abstracta en estructuras concretas: - Vectores, matrices, funciones, distribuciones.
- Permite experimentar con conceptos teóricos.

# Simulación de una distribución normal
set.seed(123)
x <- rnorm(1000, mean=0, sd=1)
hist(x, main="Distribución Normal Simulada", col="lightblue", border="white")

Qué decir en la exposición: > “Este código transforma la fórmula de la distribución normal en una visualización tangible.
> El estudiante puede ver, experimentar y comprender la idea de variabilidad.
> R convierte la teoría en una experiencia empírica.”

→ Ir al eje 2

2️⃣ Implementación algorítmica

R permite modelar, estimar y visualizar relaciones entre variables.

# Ejemplo: regresión lineal simple
datos <- data.frame(x = 1:10, y = 2*(1:10) + rnorm(10))
modelo <- lm(y ~ x, data = datos)
summary(modelo)
## 
## Call:
## lm(formula = y ~ x, data = datos)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -2.36750 -0.17891  0.03254  0.49510  1.98129 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept)  -1.2098     0.8605  -1.406    0.197    
## x             2.2056     0.1387  15.904 2.45e-07 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1.26 on 8 degrees of freedom
## Multiple R-squared:  0.9693, Adjusted R-squared:  0.9655 
## F-statistic: 252.9 on 1 and 8 DF,  p-value: 2.446e-07
plot(datos$x, datos$y, main="Regresión Lineal en R", col="darkgreen", pch=19)
abline(modelo, col="red", lwd=2)

Qué decir: > “Aquí vemos cómo R aplica un modelo matemático clásico: la regresión lineal.
> El cálculo y la gráfica surgen juntos, permitiendo validar la teoría.
> Así, el estudiante aprende matemáticas con evidencia.”

→ Comunicación reproducible

3️⃣ Comunicación reproducible

El aprendizaje culmina al documentar, justificar y publicar los resultados.

  • R Markdown y knitr promueven la ciencia abierta.
  • Publicar en RPubs o GitHub fortalece la reproducibilidad (Peng, 2011).
  • La comunicación es parte del aprendizaje científico.

→ Ética e inteligencia artificial

Ética e inteligencia artificial

La IA debe ser un aliado ético, no un sustituto del razonamiento.

  • Puede ayudar a recordar sintaxis o explorar ejemplos.
  • Pero no reemplaza la reflexión ni la autonomía intelectual.
  • El reto docente es integrar IA con responsabilidad y propósito educativo.

→ Reproducibilidad y buenas prácticas

Reproducibilidad y buenas prácticas

  • Documentar cada paso del análisis.
  • Justificar las decisiones metodológicas.
  • Garantizar transparencia y validación.

“Reproducir un resultado es tan importante como obtenerlo.” — Peng (2011)

→ Pertinencia social

Pertinencia social

La enseñanza de R se alinea con los valores institucionales:

  • Pertinencia regional
  • Ética y compromiso social

Cada proyecto puede aportar a problemáticas del entorno: - Educación, ambiente, salud, economía.
- R convierte el conocimiento en acción social.

→ Conclusión

Conclusión

“Enseñar R es enseñar a pensar con rigor, comunicar con claridad y transformar con propósito.”

R integra tres dimensiones esenciales:

  1. Teoría matemática
  2. Implementación algorítmica
  3. Comunicación reproducible

El resultado: un aprendizaje completo y transformador.

Referencias

  • Murrell, P. (2006). R Graphics. Chapman & Hall/CRC.
  • Wood, S. N. (2006). Generalized Additive Models: An Introduction with R. Chapman & Hall/CRC.
  • Vezani, J. (2005). Using R for Introductory Statistics. Chapman & Hall.
  • Peng, R. D. (2011). Reproducible Research in Computational Science. Science, 334(6060).
  • Schleicher, A. (2018). Primera clase: Cómo construir una escuela de calidad para el siglo XXI. OECD Publishing.

Gracias por su atención.
Karol Zambrano
Universidad Surcolombiana
Inicio ⬆