1 Titulo 1

2 Titulo 2

2.1 Titulo 2.1

2.2 Titulo 2.2

3 Formateo de texto

3.1 Listas

3.1.1 Listas ordenadas

  1. Artículo 1
  2. Artículo 2
    1. Articulo 2a
    2. Articulo 2b
  3. Articulo 3

3.1.2 Lista NO ordenadas

  • articulo 1
  • articulo 2
    • articulo 2a
    • articulo 2b

3.2 CITAS

“Un simple gráfico ha brindado más información a la mente del analista de datos que cualquier otro dispositivo.”
— John Tukey

3.4 Expresiones Matemáticas

En R podemos calcular: \[\sqrt{23^3+10}-\dfrac{2}{3}+ \ln(1) - e^3\]

3.5 Texto con Enfasis

para escribir en negritas y para escribir en italica y para escribir en tachado

3.6 IMAGENES

Para incluir una imagen: Insertar Imagen

Insertar Imagen
Insertar Imagen

3.7 Incluir Bibliografía

Este curso nos da una introducción práctica a la manipulación de datos y a las herramientas que provee el entorno tidyverse, puedes leer más en R para Ciencia de Datos de Wickham & Grolemund (2017). Si deseas aprender más acerca de la teoría subyacente, puede que te guste el artículo Tidy Data de Wickham (2014) publicado en la revista Journal of Statistical Software.

3.8 FRAGMENTOS DE CÓDIGO

Atajo de teclado para crear un Chunk: Crtl + Alt +i

3.8.1 Código NO se ve, SI se evalúa, NO se muestran resultados:

3.8.2 Código SI se ve, SI se evalúa:

## cargamos el conjunto de datos profesores
profesores <- read_excel("data/EXCELprofesores.xlsx")

profesores <- rename(profesores,
                     instruccion=instrucción, cod=id)

profesores <- profesores %>%
    mutate(salario = case_when(nivel == "BASICO" ~ round(400+(tiempo*35)+(alumnos*0.01)),
                               nivel == "INTERMEDIO" ~ round(600+(tiempo*30)+(alumnos*0.01)),
                               nivel == "SUPERIOR" ~ round(1676+(tiempo*80))))

paleta_simpson <- c("#FED439", "#709AE1", "#FD7446", 
                    "#D5E4A2", "#197EC0", "#46732E", 
                    "#71D0F5", "#370335", "#075149", 
                    "#C80813","#1A9993", "#FD8CC1", "#8A9197")

3.8.3 Código NO se ve, SI se evalúa:

## # A tibble: 3 × 5
##   `Nivel que imparte docencia` Profesores Estudiantes `Tiempo docencia Promedio`
##   <chr>                             <int>       <dbl>                      <dbl>
## 1 BASICO                               98        3148                          8
## 2 INTERMEDIO                           42        1398                         11
## 3 SUPERIOR                             35        1138                          7
## # ℹ 1 more variable: `Edad Promedio` <dbl>

3.8.4 Código SI se ve, NO se evalúa:

profesores %>% 
    group_by(nivel) %>% 
    summarise(Profesores = n(),
              Estudiantes = sum(alumnos),
              'Tiempo docencia Promedio' = round(mean(tiempo)),
              'Edad Promedio' = round(mean(edad)))%>% 
    rename("Nivel que imparte docencia"=nivel)

4 TABLAS

  1. Crear la tabla
Derecha Izquierda Default Centro
12 12 12 12
123 123 123 123
1 1 1 1
  1. Con CHUNK
Tabla 1. Indicadores según la encuesta XYZ
Nivel que imparte docencia Profesores Estudiantes Tiempo docencia Promedio Edad Promedio
BASICO 98 3148 8 36
INTERMEDIO 42 1398 11 42
SUPERIOR 35 1138 7 36

5 GRÁFICOS

library(ggthemes)

# visualizar a los profesores que más ganan por nivel
mas_ganan <- profesores %>%
    group_by(nivel) %>% 
    filter(row_number(desc(salario))==1)

## gráfico de dispersión
profesores %>% 
    ggplot(aes(x = edad, y = tiempo, size = salario, color = sexo)) +
    geom_point(alpha = 0.5) +
    geom_text(data = mas_ganan, aes(label = paste("Codigo: ", cod, "- Salario: $", salario)),
              size = 3, nudge_x = -3, color = "black") +
    geom_point(data = mas_ganan, shape = 21, color = "black", stroke = 1.2) +
    scale_size(                                      #modifica la escala de la variable salario
        breaks = floor(seq(500, 4500, length.out = 5)), #los límites del 500 al 4500, lo divide en 5 grupos
        limits = c(200, 4700),                          #los límites de los valores
        range = c(2, 10)) +                            #radio de los puntos
    scale_color_manual(values = paleta_simpson) +
    labs(x = "Edad del Profesor", y = "Tiempo de Docencia",
         title = "Edad vs Tiempo de docencia de los Profesores",
         subtitle = "Gráfico de Dispersión",
         color = "Sexo del Profesor", size = "Salario del Profesor") +
    theme_pander() +
    theme(legend.position = "bottom", legend.box = "vertical")

BIBLIOGRAFÍA

Wickham, H. (2014). Tidy data. Journal of Statistical Software, 59(10), 1–23. https://doi.org/10.18637/jss.v059.i10
Wickham, H., & Grolemund, G. (2017). R for data science (2e). O’Reilly.