Curso Nivelatorio de Programación en R

Guía del curso

← Volver al inicio del curso

Manejo y análisis de datos para investigación aplicada

Maestría en Economía y en Ciencias Administrativas | Econometría I (Pregrado) CIENFI — Universidad Icesi | Julio de 2026 Profesor: Eduard F. Martínez-González | efmartinez@icesi.edu.co

1. Presentación

Este es un curso nivelatorio de programación en R pensado para que los estudiantes lleguen con una base común y suficiente para trabajar con datos. No es un curso exhaustivo ni un curso de programación en abstracto: el objetivo es nivelar — entregar lo necesario, ni más ni menos, para importar, limpiar, transformar, cruzar, describir, visualizar y estimar regresiones básicas sobre datos reales, de manera reproducible, y así llegar listos a los cursos de análisis y econometría.

El curso es breve e intensivo: sesiones sincrónicas que abren cada bloque y un fuerte componente asincrónico de práctica guiada. La lógica es manos a la obra: para cada tema se sigue el ciclo ver → replicar → aplicar (ver un recurso breve, replicar el código con datos de ejemplo, aplicarlo a una base real). El curso cierra con un proyecto final en parejas con sustentación.

Dos rasgos distinguen esta versión del curso:

  1. Trabajo reproducible desde el día uno: proyectos de RStudio, carpetas ordenadas, scripts numerados con estilo, datos originales intocables. No es un tema al final: es la forma de trabajar en todas las unidades.
  2. IA con reglas: el curso integra la IA generativa como herramienta de aprendizaje (depurar, explicar errores, mejorar gráficos, criticar interpretaciones) con validación crítica obligatoria — ver la Guía de uso de IA.

2. Dirigido a / objetivos de aprendizaje

Dirigido a: estudiantes admitidos a la Maestría en Economía y la Maestría en Ciencias Administrativas, y estudiantes de Econometría I, con o sin experiencia previa en programación.

Al finalizar el curso, el estudiante será capaz de:

  • Importar datos (CSV/Excel) y diagnosticar su estructura, tipos, dimensiones y datos faltantes.
  • Limpiar bases desordenadas: estandarizar nombres y categorías, corregir tipos, tratar faltantes, duplicados y valores extremos — documentando cada decisión.
  • Transformar datos con dplyr y construir indicadores por grupo (group_by + summarise); cruzar bases con left_join.
  • Visualizar con ggplot2 y construir tablas descriptivas exportables.
  • Estimar e interpretar regresiones lineales básicas (lm, fixest), con unidades correctas y sin lenguaje causal injustificado, y producir tablas de regresión profesionales (modelsummary).
  • Trabajar dentro de un proyecto reproducible (RStudio Projects, rutas relativas, scripts numerados, estilo de código) y sustentarlo oralmente.
  • Usar IA generativa con criterio: depurar y mejorar con ayuda de la IA, verificando siempre paquetes, resultados e interpretaciones.

3. Requisitos e instalación

No se requiere experiencia previa en programación. Antes de la primera sesión, instalar:

  1. R — cran.r-project.org
  2. RStudio Desktop — posit.co/download/rstudio-desktop
  3. Los paquetes del curso (en la consola de RStudio):
install.packages(c(
  "tidyverse",     # dplyr, ggplot2, tidyr, readr, stringr...
  "rio",           # importar/exportar cualquier formato
  "readxl",        # leer Excel
  "janitor",       # limpiar nombres y tablas de frecuencia
  "skimr",         # resumen rapido de una base
  "pacman",        # gestion de librerias (p_load)
  "fixest",        # regresiones con efectos fijos y errores robustos
  "modelsummary"   # tablas de regresion y descriptivas
))

Solo se necesita un computador con permisos para instalar software y familiaridad básica con hojas de cálculo (fila, columna, celda).

4. Metodología

  • Sesiones sincrónicas (4, de 2 horas): abren cada unidad — se muestra el código en vivo, se resuelven dudas y se dejan planteadas las actividades. No se cubre todo en clase: la sesión abre el tema.
  • Trabajo asincrónico (la mayor parte): por cada unidad, el estudiante sigue el ciclo ver → replicar → aplicar: (1) ver el documento de teoría (con código ejecutable en el navegador) y el video; (2) replicar la práctica guiada en RStudio; (3) aplicar en la tarea con su cuestionario y en la actividad con IA.
  • Proyecto final en parejas con sustentación oral (ver enunciado).

5. Estructura del curso: cuatro unidades

Unidad 1 Unidad 2 Unidad 3 Unidad 4
Tema Fundamentos de R y flujo de trabajo reproducible Manejo de datos con tidyverse Visualización y estadísticas descriptivas Regresiones básicas y flujo de trabajo empírico
Contenidos RStudio; objetos, vectores y data frames; errores y warnings; paquetes; proyectos, rutas relativas y estilo de scripts Importar y diagnosticar; pipe; verbos dplyr; limpieza (duplicados, texto, tipos, NA, outliers); group_by + summarise; joins; tidyr Gramática de ggplot2; geometrías según la pregunta; personalización y facetas; ggsave; descriptivas por grupo; tablas exportables; niveles vs. logs lm y fórmulas; interpretación (niveles, logs, dummies); fixest (robustos y efectos fijos); modelsummary; el pipeline 01→02→03
Base de datos innovacion_empresas.csv (primer contacto) innovacion_empresas.csv + sectores_agregado.csv geih_nivelacion.csv (GEIH real) geih_nivelacion.csv
Teoría unidad-1-fundamentos/teoria/ unidad-2-manejo-datos/teoria/ unidad-3-visualizacion/teoria/ unidad-4-regresiones/teoria/
Práctica practica_unidad-1.R practica_unidad-2.R practica_unidad-3.R practica_unidad-4.R
Evaluación Tarea 1 + cuestionario Tarea 2 + cuestionario Tarea 3 + cuestionario Tarea 4 + cuestionario
Actividad IA Primero tú, luego la IA El código corre… pero está mal Mejora esta figura Crítica al econometrista artificial

Las guías transversales acompañan todas las unidades: estilo de scripts · organización de proyectos · uso de IA · plantilla de proyecto.

6. Calendario sugerido (julio de 2026)

Sesiones sincrónicas de 10:00 a 12:00. Ajustable según programación de CIENFI.

Ses. Fecha Modalidad Contenido / hito
1 Lunes 13 jul Sincrónica Unidad 1: R, RStudio, proyectos; arranque de la Unidad 2 (importar y diagnosticar)
— 13–16 jul Asincrónica Teoría y práctica U1; Tarea 1; actividad IA 1
2 Jueves 16 jul Sincrónica Unidad 2: limpieza, dplyr, joins (en vivo sobre la base de firmas)
— 16–20 jul Asincrónica Práctica U2; Tarea 2; actividad IA 2; teoría U3
3 Lunes 20 jul Sincrónica Unidades 3 y 4: ggplot2, descriptivas y regresiones; lanzamiento del proyecto final
— 20–29 jul Asincrónica Tareas 3 y 4; actividades IA 3 y 4; desarrollo del proyecto en parejas
4 Jueves 30 jul Sincrónica Sustentación de proyectos finales

7. Evaluación

Componente Peso Nivel de IA permitido
Tareas 1–4 (script + cuestionario, 10% c/u) 40% N1 (T1) / N2 (T2–T4)
Actividades con IA (4, 2.5% c/u) 10% N4
Proyecto final (pipeline + informe + README) 35% N3 con declaración
Sustentación oral (defensa del código, sin IA) 15% N0

Los niveles de uso de IA (N0–N4) están definidos en la Guía de uso de IA. La rúbrica detallada del proyecto: rubrica_proyecto_final.md. Aprobar la sustentación (explicar el propio código) es condición necesaria para aprobar el proyecto.

8. Datos del curso

Base Contenido Se usa en
innovacion_empresas.csv 506 firmas (ficticias, tipo EDIT), deliberadamente sucia U1, U2, proyecto
sectores_agregado.csv 7 sectores, referente nacional limpio U2, proyecto
geih_nivelacion.csv 21.821 ocupados — extracto real de la GEIH (DANE) U3, U4

Descripción variable a variable: diccionario de datos.

9. Bibliografía y recursos

Recursos audiovisuales (asincrónicos):

  1. Fundamentos de R — Eduard Martínez
  2. Transformación de datos con dplyr — Eduard Martínez
  3. Visualización de datos — Eduard Martínez

Curso de Business Analytics (material ampliado del profesor):

Bibliografía base:

10. Contacto

Dudas, bloqueos o ajustes de cronograma: efmartinez@icesi.edu.co