R Project aplicado a la enseñanza de las ciencias exactas
DOI:
https://doi.org/10.61117/ipsumtec.v6i5.232Palabras clave:
R Project, Ciencias exactas, AprendizajeResumen
En el presente trabajo se explora la implementación de R Project, un entorno de programación y software estadístico de código abierto, en el ámbito de la enseñanza de las ciencias exactas debido a su flexibilidad, capacidad de análisis y visualización. R Project proporciona a los estudiantes una herramienta capaz de realizar análisis de datos y resolución de problemas complejos en campos como: Matemáticas, Física, Química y Estadística. La implementación de R Project en el aula brinda a los docentes la posibilidad de fomentar un enfoque práctico y participativo en la enseñanza de las Ciencias Exactas.
Descargas
Métricas
Citas
Fischetti, A. (2018). Data Analysis with R: A comprehensive guide to manipulating, analyzing, and visualizing data in R (2nd ed.). Birmingham, UK: Packt Publishing Ltd.
Bivand, R., Pebesma, E., & Gomez-Rubio, V. (2013). Applied Spatial Data Analysis with R (2nd ed.). Springer. DOI: https://doi.org/10.1007/978-1-4614-7618-4
Grolemund, G. (2014). Hands-On Programming with R: Write Your Own Functions and Simulations. O'Reilly Media.
Hylén, J. (sf). OECD’s Centre for Educational Research and Innovation Paris, France. Recuperado de http://www.oecd.org/edu/ceri.
Grolemund, G., & Wickham, H. (2016). R for Data Science: Import, Tidy, Transform, Visualize, and Model Data. O'Reilly Media.
Wickham, H. (2016). ggplot2: Elegant Graphics for Data Analysis. Springer. DOI: https://doi.org/10.1007/978-3-319-24277-4_9
R Core Team. (2021). R: A language and environment for statistical computing. R Foundation for Statistical Computing. Disponible en https://www.R-project.org/.
Soetaert, K., Petzoldt, T. y Setzer, R.W. (2010). Resolución de Ecuaciones Diferenciales en R: Paquete deSolve. Revista de software estadístico, 33(9), 1–25. https://doi.org/10.18637/jss.v033.i09. DOI: https://doi.org/10.18637/jss.v033.i09
Goldfeld, K., & Wujciak-Jens, J. (2020). "simstudy: Iluminando los métodos de investigación a través de la generación de datos". Journal of Open Source Software, 5(54), 2763. doi:10.21105/joss.02763 (URL: https://doi.org/10.21105/joss.02763). DOI: https://doi.org/10.21105/joss.02763
Wehrens, R. (2023). ChemometricsWithR: Chemometrics with R - Multivariate Data Analysis in the Natural Sciences and Life Sciences (2nd Edition). R package version 0.2.0, https://github.com/rwehrens/ChemometricsWithR.
Chambers, C. M., Maclean, B., Burke, R., Amodei, D., Ruderman, L. D., Neumann, S., Gatto, L., Fischer, B., Pratt, B., Egertson, J., Jarrett, H., Hoff, K., Kessner, D., Tasman, N., Shulman, N., Frewen, B., Baker, A. T., Brusniak, M.-Y., Paulse, C., Creasy, D., Flashner, L., Kani, K., Moulding, C., Seymour, L. S., Nuwaysir, M. L., Lefebvre, B., Kuhlmann, F., Roark, J., Rainer, P., Paape, D., Suckau, H., Hemenway, T., Huhmer, A., Langridge, J., Connolly, B., Chadick, T., Holly, K., Krisztina, Eckels, J., Deutsch, W. E., Moritz, L. R., Katz, E. J., Agus, B. D., MacCoss, M., Tabb, L. D., Mallick, P. (2012). “A cross-platform toolkit for mass spectrometry and proteomics.” Nat Biotech, 30(10), 918–920. doi:10.1038/nbt.2377, http://dx.doi.org/10.1038/nbt.2377. DOI: https://doi.org/10.1038/nbt.2377
Martens, L., Chambers, M., Sturm, M., Kessner, D., Levander, F., Shofstahl, J., Tang, W. H., Rompp, A., Neumann, S., Pizarro, A. D., Montecchi-Palazzi, L., Tasman, N., Coleman, M., Reisinger, F., Souda, P., Hermjakob, H., Binz, P., Deutsch, E. W. (2010). “mzML - a Community Standard for Mass Spectrometry Data.” Mol Cell Proteomics. doi:10.1074/mcp.R110.000133. DOI: https://doi.org/10.1074/mcp.R110.000133
Pedrioli, P. G. A., Eng, J. K., Hubley, R., Vogelzang, M., Deutsch, E. W., Raught, B., Pratt, B., Nilsson, E., Angeletti, R. H., Apweiler, R., Cheung, K., Costello, C. E., Hermjakob, H., Huang, S., Julian, R. K., Kapp, E., McComb, M. E., Oliver, S. G., Omenn, G., Paton, N. W., Simpson, R., Smith, R., Taylor, C. F., Zhu, W., Aebersold, R. (2004). “A common open representation of mass spectrometry data and its application to proteomics research.” Nat Biotechnol, 22(11), 1459–1466. doi:10.1038/nbt1031. DOI: https://doi.org/10.1038/nbt1031
Keller, A., Eng, J., Zhang, N., Li, X., Aebersold, R. (2005). “A uniform proteomics MS/MS analysis platform utilizing open XML file formats.” Mol Syst Biol. Kessner, D., Chambers, M., Burke, R., Agus, D., Mallick, P. (2008).** “ProteoWizard: open source software for rapid proteomics tools development.” Bioinformatics, 24(21), 2534–2536. doi:10.1093/bioinformatics/btn323. DOI: https://doi.org/10.1093/bioinformatics/btn323
Morgan, M. (2023). BiocManager: Access the Bioconductor Project Package Repository. R package version 1.30.20, https://CRAN.R-project.org/package=BiocManager.
Love, M. I., Huber, W., Anders, S. (2014). “Moderated estimation of fold change and dispersion for RNA-seq data with DESeq2.” Genome Biology, 15, 550. doi:10.1186/s13059-014-0550-8. DOI: https://doi.org/10.1186/s13059-014-0550-8
Wickham, H., Averick, M., Bryan, J., Chang, W., McGowan, L. D., François, R., Grolemund, G., Hayes, A., Henry, L., Hester, J., Kuhn, M., Pedersen, T. L., Miller, E., Bache, S. M., Müller, K., Ooms, J., Robinson, D., Seidel, D. P., Spinu, V., Takahashi, K., Vaughan, D., Wilke, C., Woo, K., Yutani, H. (2019). “Welcome to the tidyverse.” Journal of Open Source Software, 4(43), 1686. doi:10.21105/joss.01686 https://doi.org/10.21105/joss.01686. DOI: https://doi.org/10.21105/joss.01686
Douglas Bates, Martin Maechler, Ben Bolker, Steve Walker (2015). Fitting Linear Mixed-Effects Models Using lme4. Journal of Statistical Software, 67(1), 1-48. doi:10.18637/jss.v067.i01. DOI: https://doi.org/10.18637/jss.v067.i01
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 Ana Laura Fernández Mena, Araceli Pérez Reyes, Laura Rodríguez Fernández, María Patricia Torres Magaña, Manuel Antonio Rodríguez Fernández
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
