Análisis de datos con R
R, preparación de datos, estadística, visualización, inferencia, modelos, automatización y comunicación reproducible.
- R y datos
- Estadística
- Modelos
- Automatización
- 16
- secciones
- 48
- lecciones
- 48
- ejercicios resueltos
Avanza una sección
a la vez.
Empieza por la primera y continúa en orden. Cada sección incluye tres lecciones, ejemplos claros y respuestas desplegables.
Fundamentos de R y estructuras de datos
Objetos, tipos, vectores, matrices, listas, data frames, funciones y paquetes para trabajar con claridad.
- Objetos y vectores
- Estructuras de datos
- Funciones y paquetes
Importar, ordenar y transformar datos
Importación, revisión de calidad, datos faltantes, transformación, agrupación y unión de tablas.
- Importación y calidad
- Transformación
- Agrupación y uniones
Estadística descriptiva
Tipos de variables, tablas de frecuencia, medidas de centro, posición, dispersión, forma y valores atípicos.
- Frecuencias y centro
- Posición y dispersión
- Forma y atípicos
Visualizar y comunicar hallazgos
Elección de gráficos, gramática de ggplot2 y decisiones visuales que comunican sin distorsionar.
- Elegir el gráfico
- ggplot2
- Comunicación responsable
Probabilidad, variables aleatorias y simulación
Eventos, probabilidad condicional, variables aleatorias, distribuciones y simulaciones reproducibles en R.
- Eventos y probabilidad
- Distribuciones
- Simulación
Muestreo, estimación e intervalos
Diseños de muestreo, error estándar, teorema central del límite e intervalos de confianza bien interpretados.
- Muestreo
- Distribuciones muestrales
- Intervalos de confianza
Pruebas de hipótesis y comparación de grupos
Hipótesis, errores, valor p, pruebas para medias y proporciones, datos pareados y análisis de varianza.
- Hipótesis y errores
- Pruebas de grupos
- ANOVA
Regresión lineal y diagnóstico
Relación frente a causalidad, ajuste con lm(), interpretación, predicción y comprobación de supuestos.
- Modelo lineal
- Interpretación y predicción
- Diagnóstico
Modelos para resultados categóricos
Regresión logística, probabilidades, odds, clasificación, evaluación y límites de los modelos predictivos.
- Regresión logística
- Predicción
- Evaluación responsable
Programar y automatizar con R
Condiciones, iteraciones, vectorización, familia apply, funciones propias, validación y pruebas.
- Control de flujo
- Vectorización
- Funciones y pruebas
Informes reproducibles y narrativa visual
Proyectos ordenados, R Markdown o Quarto, tablas, gráficos, parámetros y comunicación para distintas audiencias.
- Proyectos reproducibles
- Informes dinámicos
- Narrativa visual
Diseño de estudios, causalidad y datos faltantes
Preguntas causales, asignación, confusión, mecanismos de ausencia, sensibilidad e imputación responsable.
- Diseño de estudios
- Causalidad
- Datos faltantes
Series temporales y pronóstico
Índices temporales, tendencia, estacionalidad, rezagos y evaluación de pronósticos respetando el orden del tiempo.
- Tiempo y rezagos
- Patrones temporales
- Pronóstico
Bases de datos, API y formatos externos
Consultas selectivas, conexiones, JSON, paginación, caché, límites de uso y validación de fuentes externas.
- Bases de datos
- API y JSON
- Validación de fuentes
Rendimiento, versiones y flujos confiables
Medición de rendimiento, memoria, dependencias reproducibles, control de versiones y canalizaciones que evitan trabajo innecesario.
- Rendimiento
- Dependencias
- Control de versiones
Proyecto final: inferencia, reproducibilidad y ética
Integración de muestras, incertidumbre, modelos, comunicación, privacidad y límites mediante un proyecto verificable.
- Conclusión estadística
- Reproducibilidad
- Ética y comunicación