CURSOS DE EXTENSIÓN EN

ESTADÍSTICA

MODALIDAD VIRTUAL 2023

RESUMEN DE CURSOS

ANÁLISIS DE DATOS CON R-NIVEL BÁSICO

05, 09, 12, 16 y 19 de octubre
(De 06:00 p.m. a 10:00 p.m.)

ANÁLISIS DE DATOS CON R-NIVEL INTERMEDIO

21,25 y 28 de octubre; 1 y 4 de noviembre
(De 05:30 p.m. a 09:30 p.m.)

ANÁLISIS DE DATOS CON R-NIVEL AVANZADO

11, 12, 18, 19 y 25 de noviembre
(De 09:00 a.m. a 01:00 p. m.)

MACHINE LEARNING CON R

29 de octubre; 11,12,18 y 19 de noviembre
(De 06:00 p.m. a 10:00 p.m.)
 DISEÑOS EXPERIMENTALES CON R
02,06,09,13 y 16 de noviembre (De 06:00 p.m. a 10:00 p.m.)

ANÁLISIS DE SERIES DE TIEMPO CON R

26 de noviembre, 03 y 10 de diciembre (De 08:00 a.m. a 12:00 m.)

09 y 16 de diciembre (De 05:00 p.m. a 09:00 p.m.)

ESTADÍSTICA ESPACIAL

27 de noviembre (De 07:00 p.m. a 10:00 p.m.)

04 y 11 de diciembre (De 07:00 p.m. a 10:30 p.m.)

02 y 09 de diciembre (De 08:00 a.m. a 01:00 p.m.)

 INVERSIÓN Y DESCUENTOS
Se otorgará certificado virtual de participación a quienes se inscriban al curso y asistan al
menos a 3 de las 5 clases del curso.

INSCRIPCIÓN INDIVIDUAL

Precio

Precio normal Precio con descuento

Curso (en soles) (en soles) (*)
ANÁLISIS DE DATOS CON R – NIVEL
220 180
BÁSICO
ANÁLISIS DE DATOS CON R – NIVEL
220 180
INTERMEDIO
ANÁLISIS DE DATOS CON R – NIVEL
220 180
AVANZADO
MACHINE LEARNING CON R 220 180
DISEÑOS EXPERIMENTALES CON R 220 180
ANÁLISIS DE SERIES DE TIEMPO CON
220 180
R
ESTADÍSTICA ESPACIAL 220 180

(*) descuento para estudiantes universitarios de pregrado y posgrado, presentando la

constancia de matrícula o el carnet universitario vigente.
En el caso de los docentes ordinarios y trabajadores de la UNALM el descuento es del
50% del precio normal, para ello al inscribirse adjuntar la última boleta de pago o un
documento de la Unidad de Recursos Humanos que acredite su estado.

INSCRIPCIÓN INDIVIDUAL EN DOS O TRES CURSOS

Pagar el precio con descuento (S/ 180 por cada curso), en un solo monto.

INSCRIPCIÓN GRUPAL
Pagar el precio con descuento (S/ 180 por persona), en un solo monto por todas las
personas. En el formulario de inscripción una persona inscribe a todas.
Importante:
Toda comunicación respecto al curso se enviará al correo que registró en el formulario de
inscripción, el correo que registró debe ser un correo Gmail personal ya que los
materiales se comparten mediante Google Drive. Para poder adjuntar el o los
archivos al formulario de inscripción, ingrese mediante su correo Gmail personal, si
ingresa al formulario de inscripción mediante una cuenta de la UNALM (es decir con
@lamolina.edu.pe) puede tener problemas para adjuntar en el formulario la
constancia de pago por ejemplo. El enlace para la clase se enviará un día antes del inicio
del curso, en caso no le llegue revise su bandeja de Spam ya que quizás se encuentra en
esa ubicación.

FORMAS DE CONTACTO:
E-mail: unalm.estadistica@gmail.com
https://www.facebook.com/DAEIUNALM
https://www.instagram.com/estadisticaunalm/

MEDIO DE PAGO
1. Realice el pago en la cuenta corriente del Banco de Crédito del Perú
191-0031059-0-26
CCI: 00219100003105902650
la cual está a nombre de la Fundación para el Desarrollo Agrario.
Una vez realizado el pago, no procede la devolución del mismo

2. Adjunte su comprobante de pago y complete sus datos en el formulario de inscripción:

https://forms.gle/1WGGyxKBA6bX4S2m9
 ANÁLISIS DE DATOS CON R
NIVEL BÁSICO
HORARIO: 05, 09, 12, 16 y 19 de octubre (De 06:00 p.m. a 10:00 p.m.)
HORAS ACADÉMICAS: 20
DOCENTE: Mg.Sc. Rolando Jesús Salazar Vega

Ingeniero Estadístico e Informático de la Universidad Nacional

Agraria la Molina (UNALM), Magister Scientiae en Estadística
Aplicada de la UNALM. Actualmente estudiante en el Doctorado en
Educación y Docencia Universitaria en la Universidad Nacional
Mayor de San Marcos (UNMSM).

Actualmente se desempeña como docente auxiliar en el

Departamento Académico de Estadística e Informática de la
UNALM. Con experiencia en el dictado de diversos cursos de
extensión con el uso del software R y RStudio. Entre sus áreas de
interés se encuentran: Técnicas multivariadas, diseños
experimentales, modelos de ecuaciones estructurales y
programación de funciones.

En conjunto con otros docentes posee una publicación del libro

titulado “Ciencia de datos con R: Métodos estadísticos para la
investigación experimental”.

DESCRIPCIÓN DEL CURSO:

R es un software de bastante uso en el mundo de la estadística, además es un software
gratuito que está pensado para la manipulación de datos, cálculos estadísticos y creación
de gráficos de una manera fácil y rápida. En el curso se presenta de manera práctica como
realizar análisis de datos usando el R y el RStudio. Abarca los siguientes aspectos:
introducción, estructuras de datos y operaciones, lectura de datos, manipulación de datos,
gráficas, estadística descriptiva e introducción a la programación.
TEMARIO:
• Introducción a R y RStudio
• Estructuras de datos y operaciones
• Lectura de datos estructurados (.txt, .csv, .xlsx, .sav)
• Manipulación de datos
• Gráficos con el paquete ggplot2
• Estadística descriptiva univariada (indicadores y gráficas)
• Introducción a la programación en R

REQUISITOS:
Conocimientos básicos de estadística.
 ANÁLISIS DE DATOS CON R
NIVEL INTERMEDIO
HORARIO: 21,25 y 28 de octubre; 01 y 04 de noviembre (De 5:30 p.m. a 09:30 p.m.)

HORAS ACADÉMICAS: 20

DOCENTE: Ing. Beatriz Montaño Miranda

Profesional Titulada en Ingeniería Estadística e Informática por la

Universidad Nacional Agraria la Molina, especializada con una
Maestría culminada en Administración de Empresas con mención
en Gestión de Empresarial por la Universidad Nacional Mayor de
San Marcos, con conocimientos amplio de SAP, Excel avanzado,
Sql y Phyton, con intereses en temas relacionados con técnicas
multivariadas, diseños experimentales y modelos estadísticos, con
aptitudes y predisposición para el trabajo en equipo, cumplimiento
de metas, capacidad para trabajar bajo presión.
Actualmente se encuentra brindando clases de docencia en la
Universidad Pacífico y en la Universidad Nacional Agraria la Molina.

DESCRIPCIÓN DEL CURSO:

R es un lenguaje de programación gratuito y muy potente utilizado para el procesamiento y
análisis de datos. El curso trata de la generación de reportes con R Markdown,
programación de funciones, prueba t, correlación de Pearson, intervalos de confianza y
pruebas de hipótesis. Al finalizar el curso, el estudiante estará en la capacidad de reconocer
y realizar las técnicas que se estudian en este curso, ejecutar e interpretar los reportes
obtenidos con el software R y RStudio.

TEMARIO:
• Generación de reportes con R Markdown
• Programación con R (funciones y estructuras de programación)
• Prueba t para muestras independientes y muestras pareadas
• Correlación de Pearson
• Intervalos de confianza de un parámetro
• Prueba de hipótesis de un parámetro

REQUISITOS:
Conocimientos de nivel básico de R y de estadística descriptiva.
 ANÁLISIS DE DATOS CON R
NIVEL AVANZADO

HORARIO: 11, 12, 18, 19 y 25 de noviembre (De 9:00 a. m. a 1:00 p. m.)

HORAS ACADÉMICAS: 20

DOCENTE: Mg. Jesús Eduardo Gamboa Unsihuay

Ingeniero estadístico e informático por la Universidad Nacional

Agraria La Molina (UNALM), Mg. Sc. Estadística por la
Universidad Federal de Río de Janeiro. Docente auxiliar en el
Departamento Académico de Estadística e Informática de la
UNALM, y en las maestrías de Estadística Aplicada y Economía
de los Recursos Naturales y del Ambiente, enfocado en los
procesos, técnicas y herramientas para la educación estadística,
y con orientación a la ciencia de datos y la alfabetización
estadística. Habilidad para el tratamiento, modelamiento y
análisis de conjuntos de datos, haciendo uso de distintos
lenguajes o softwares como R, Python, IBM SPSS Statistics.

DESCRIPCIÓN DEL CURSO:

Este curso proporciona a los participantes una sólida comprensión de herramientas
estadísticas avanzadas para el análisis de datos aplicándolas en diversos entornos. Inicia
con el estudio de relaciones mediante el análisis de regresión lineal y logística, pasando por
una introducción a los diseños experimentales que permiten derivar conclusiones sólidas al
considerar los efectos de factores controlados. Finalmente, el curso explora las pruebas no
paramétricas, herramientas valiosas para abordar escenarios donde los supuestos
estadísticos, como el de normalidad, no se cumplen.

TEMARIO:
• Análisis de regresión lineal
• Análisis de regresión logística
• Introducción a los diseños experimentales
• Pruebas no paramétricas

REQUISITOS:
Manejo de R a nivel básico, y conocimientos básicos de inferencia estadística
(distribuciones de probabilidad, intervalos de confianza y pruebas de hipótesis)
 MACHINE LEARNING CON R

HORARIO: 29 de octubre; 11,12,18 y 19 de noviembre (De 06:00 p.m. a 10:00 p.m.)

HORAS ACADÉMICAS: 20

DOCENTE: Mg.Sc. Aldo Richard Meza Rodríguez

Ingeniero Estadístico de la Universidad Nacional de Trujillo

(UNT), Magister Scientiae en Estadística Aplicada de la UNALM
y candidato a Doctor en ing. de Sistemas e Informática en la
Universidad Nacional Mayor de San Marcos (UNMSM).
Actualmente se desempeña como docente en el Departamento
Académico de Estadística e Informática de la UNALM, en la
Universidad de Lima (UL) y en la Universidad Peruana de
Ciencias Aplicadas (UPC). Con experiencia en técnicas
multivariadas, validación de instrumentos de medición, analítica
predictiva de datos, machine learning, Deep learnig, inteligencia
artificial y ciencia de datos en general. Es coautor del libro
“Ciencia de datos con R: Métodos estadísticos para la
investigación experimental”.

DESCRIPCIÓN DEL CURSO:

El Machine Learning tiene una amplia gama de aplicaciones, su uso se da a través del
aprendizaje y el reconocimiento de patrones complejos extraídas de grandes cantidades de
información. Los diferentes algoritmos permiten la detección de fraudes, optimización de
rutas de manejo, velocidad en motores de búsqueda y recomendación, predicción,
pronósticos en tiempo real, etc.
En el presente curso se desarrollarán los enfoques teóricos y prácticos del Machine
Learning, su exploración, proceso, reconocimiento de patrones, clasificación y pronóstico,
todo ello utilizando como herramienta informática de soporte el lenguaje R.

TEMARIO:
CONCEPTOS BÁSICOS
• Conceptos generales del Machine learning
• Preprocesamiento y limpieza de datos
• Exploración y visualización de datos

APRENDIZAJE NO SUPERVISADO
• Técnicas de agrupamiento
• Técnicas de particionamiento
• Reducción de dimensionalidades
 • Sistemas de recomendación
APRENDIZAJE SUPERVISADO
• Regresión logística
• Naive-Bayes
• Máquinas de soporte vectorial
• K vecinos más cercanos (KNN)
• Árboles de clasificación
• Random forest, Baggin
• Adaboost, XGboost
• Stacking
VALIDACIÓN DE MODELOS
• Optimización de parámetros
• Validación de modelos
• Ensamblado de modelos
• Exportación de modelos predictivos

REQUISITOS:
Conocimientos de R nivel básico.
 DISEÑOS EXPERIMENTALES CON R

HORARIO: 02,06,09,13 y 16 de noviembre (De 06:00 p.m. a 10:00 p.m.)

HORAS ACADÉMICAS: 20
DOCENTE: Mg. Samuel Huamaní Flores

Docente del Dpto. Académico de Estadística e Informática de la

Universidad Nacional Agraria la Molina (UNALM). Ha sido docente
de los cursos de Estadística y Matemática en la Universidad
Nacional San Cristóbal de Huamanga, Universidad de Ayacucho
Federico Froebel, Universidad Alas Peruanas.

Licenciado en Ciencias Físico Matemáticas con mención en

Estadística, egresado de la Universidad Nacional San Cristóbal de
Huamanga, Mg. en Psicología Educativa, Estudiante de Doctorado
en Estadística e Informática. Entre sus áreas de interés se
encuentra: Estadística Aplicada, Ecuaciones Estructurales.

Es autor del artículo “Trauma infantil y desconexión moral en estudiantes

de educación superior mediante las ecuaciones estructurales” en la
Revista Ciencia Latina.

DESCRIPCIÓN DEL CURSO:

En el curso se abordarán los principios de los diseños experimentales, además el diseño
completamente al azar, transformación de datos, diseño en bloques completos al azar,
diseño cuadrado latino, y el diseño factorial pxq con ambos factores cualitativos. Se
plasmarán diferentes aplicaciones que implican el análisis de datos con el uso del software
R y R Studio.

TEMARIO:

• Principios del diseño de experimentos

• Diseño completamente al azar
• Transformación de datos
• Diseño en bloques completos al azar
• Diseño cuadrado latino
• Diseño factorial pxq con ambos factores cualitativos

REQUISITOS:

Conocimientos de nivel básico del software R.

Conocimientos básicos en estadística descriptiva e inferencial.
 ANÁLISIS DE SERIES DE TIEMPO CON R

HORARIO: 26 de noviembre, 03 y 10 de diciembre (De 8:00 a.m. a 12:00 m.)

09 y 16 de diciembre (De 05:00 p.m. a 09:00 p.m.)

HORAS ACADÉMICAS: 20

DOCENTE: Lic. Mauricio Maguiña Melgar

Licenciado en Matemática Aplicada de la Universidad Nacional

José Faustino Sánchez Carrión (UNJFSC), próximo a culminar
la maestría en Estadística Aplicada en la Universidad Nacional
Agraria La Molina (UNALM), actualmente se desempeña como
jefe de prácticas en el Departamento Académico de Estadística
e Informática (DAEI) de la UNALM. Entre las áreas de interés se
encuentran: Diseños Experimentales, Modelos Lineales
Generalizados, Cálculo de probabilidades, Inferencia
Estadística, Estadística Bayesiana, Procesos Estocásticos,
Técnicas Multivariadas, Análisis de Regresión, Análisis de Series
de Tiempo, Minería de datos y Machine Learning.

DESCRIPCIÓN DEL CURSO:

Las grandes aplicaciones del Análisis de Series de Tiempo están basadas en la
cristalización de un proceso estocástico (sobre la familiaridad de las variables aleatorias)
enfocando en el desarrollo teórico para la estructuración del diagnóstico y la posterior
predicción. De acuerdo a ello, en el proceso del curso, se establecerá el estudio de las
componentes de las series de tiempo, modelos de integración con las herramientas
sistemáticas con el software Rstudio.

TEMARIO:
Introducción al Análisis de Series de Tiempo.

• Procesos Estocásticos.
• Características de la Función: Media, Varianza, Autocovarianza, Autocorrelación.
• Ruido Blanco.
• Gráficos de Series de Tiempo.
• Análisis Exploratorio.
• Implementación en R.
Pruebas de Tendencia, Estacionalidad y Estacionariedad

• Análisis de Tendencia.
• Análisis de Estacionalidad.
• Análisis de Estacionariedad.
• Implementación en R.

Modelos de Suavización Exponencial

• Análisis de series localmente constante (media móvil y suavización exponencial

simple)
• Series con tendencia (Suavización de Brown y paramétrica de Holt)
• Series con estacionalidad (Suavización exponencial y Holt Winters)
• Implementación en R

Metodología Box Jenkins

• Modelos Estacionarios (ARMA)

• Modelos No Estacionarios (ARIMA)
• Modelos Estacionales (SARIMA)
• Estimación de parámetros
• Diagnóstico & Pronóstico.
• Implementación en R.

REQUISITOS:
Conocimientos básicos en Estadística Descriptiva e Inferencial, Probabilidades, Pruebas
No Paramétricas.
 ESTADÍSTICA ESPACIAL

HORARIO: 27 de noviembre (De 07:00 p.m. a 10:00 p.m.)

04 y 11 de diciembre (De 07:00 p.m. a 10:30 p.m.)
02 y 09 de diciembre (De 08:00 a.m. a 01:00 p.m.)

HORAS ACADÉMICAS: 20
DOCENTE: Arturo Vergara Villarino

Profesional licenciado en Estadística de la Universidad Agraria

La Molina y Magister en Finanzas de ESAN, con más de 10 años
de experiencia en sector público, especializado en análisis,
planificación y gestión de la información. Experiencia en
docencia universitaria en Estadística Aplicada, Estadística
Espacial y manejo de Sistemas GIS.

DESCRIPCIÓN DEL CURSO:

El objetivo de este curso es dar a conocer las diferentes herramientas dentro de la
Estadística Espacial para analizar datos georreferenciados, con la finalidad de explorar los
efectos espaciales subyacentes tales como la dependencia espacial. Permitiendo,
comprender mejor el comportamiento de las variables sobre el espacio y tomar mejores
decisiones.

TEMARIO:
1. Conceptos Básicos

1.1 Definición de un dato espacial y dato escalar

1.2 Análisis Espacial versus Estadística Espacial
1.3 Tipos de datos espaciales
1.4 Sistema de Coordenadas
1.5 Escala
1.6 Entorno QGIS

2. Manejo de Datos espaciales de tipo vectorial

2.1 Gestión de los datos espaciales en QGIS

2.2 Gestión de datos espaciales en R
2.3 Herramientas de Geoprocesamiento
2.4 Herramientas de Investigación
2.5 Herramientas de georreferenciación
 3. Manejo de Datos espaciales de tipo raster

3.1 Calculadora raster

3.2 Estadísticas zonales
3.3 Operaciones combinadas raster con vector.

4. Elaboración de Mapas

4.1. Entorno del Lienzo de Qgis

4.2. Representaciones para variables cualitativas
4.3. Representaciones para variables cuantitativas
4.4. Mapas de coropletas condicionados

5. Dependencia Espacial

5.1. Variogramas
5.2. Densidad de kernell
5.3. índice de Moran Univariado Global y Local

REQUISITOS:
Dirigido profesionales de diferentes carreras que están ejerciendo su profesión en
actividades de planeamiento, gestión de información, supervisión, monitoreo, y
modelamiento de datos; que deseen ampliar sus conocimientos en el manejo de
herramientas de geoprocesamiento para la generación de información espacial.