Presentacion_flisol.knit

class: flisol-slide

# <div class="flisol-title">Análisis de datos con `R` y `Rstudio`</div>

<div class="disertante-box">
  <em>DISERTANTE</em>
  <strong>Blás Antonio Benítez Cristaldo</strong>
</div>

---
# 🗂️ Actividades

1. 📊 Introducción a `R`

2. 💻 Instalación de `R` y `RStudio`

3. 🖥️ Introducción a ` RStudio`

4. ⚙️ Estructuras Básicas en `R`

5. 📦 Paquetes útiles

6. 📥 Importación de Archivos

7. 📊 Visualización con `ggplot2`

8. 🧪 Ejercicios prácticos

9. 🙌 Preguntas y cierre

---
# 📊 Introducción

## ¿Qué es `R`?

- **`R`** es un lenguaje de programación y entorno de desarrollo utilizado para el análisis estadístico y la visualización de datos.
--

- Desarrollado principalmente para tareas estadísticas, permite realizar análisis complejos y visualizaciones de alta calidad.
--

- **Ventajas**:

- **Software libre y gratuito**: Accesible para todos.
--

- **Comunidad activa**: Enorme cantidad de paquetes, soporte y documentación.
--

- **Flexibilidad y poder**: Amplia gama de aplicaciones, desde análisis simples hasta técnicas avanzadas de machine learning.

---
# 📊 Introducción

## ¿Por qué usar `R`?

- Especialmente diseñado para análisis estadísticos.
--

- Extensa gama de paquetes especializados en diversos tipos de análisis.
--

- Integración fácil con otras herramientas como Python, SQL, y más.
--

- Ideal para la creación de gráficos y visualizaciones interactivas.

---

# 💻 Instalación de `R` y `RStudio`

## En Windows

1. **Instalar R:**
   - Visitar [https://cran.r-project.org](https://cran.r-project.org) y descargar la última versión de R para Windows.
   
   - Seguir el asistente de instalación.
--

2. **Instalar RStudio:**
   - Descargar RStudio desde [https://posit.co/download/rstudio-desktop/](https://posit.co/download/rstudio-desktop/).
   
   - Ejecutar el instalador y seguir las instrucciones.

---
# Instalación de `R` en Windows
<figure style="text-align: center;">
  <video width="700" autoplay loop muted>
    <source src="instalacionRWin.mp4" type="video/mp4">
  </video>
  <figcaption>
    <em>Video 1.</em> Página oficial de R en este 
    <a href="https://posit.co/download/rstudio-desktop/" target="_blank">enlace</a>.
  </figcaption>
</figure>

---
# 💻 Instalación de `R` y `RStudio`

## En macOS

1. **Instalar R:**
   - Visitar [https://cran.r-project.org](https://cran.r-project.org) y descargar la versión para macOS.
   
   - Abrir el archivo `.pkg` y seguir los pasos de instalación.
--

2. **Instalar RStudio:**
   - Descargar desde [https://posit.co/download/rstudio-desktop/](https://posit.co/download/rstudio-desktop/).
   
   - Arrastrar RStudio a la carpeta de Aplicaciones.

---
# Instalación de `R` en macOS
<figure style="text-align: center;">
  <video width="700" autoplay loop muted>
    <source src="ryrstudiomac.mp4" type="video/mp4">
  </video>
  <figcaption>
    <em>Video 2.</em> Página oficial de R en este 
    <a href="https://posit.co/download/rstudio-desktop/" target="_blank">enlace</a>.
  </figcaption>
</figure>

---
# 💻 Instalación de `R` y `RStudio`

## En Linux

1. **Instalar R:**
   - En la terminal, ejecutar: `sudo apt-get install r-base`
--

2. **Instalar RStudio:**
   - Descargar el archivo `.deb` desde [https://posit.co/download/rstudio-desktop/](https://posit.co/download/rstudio-desktop/).
   
   - Instalar el paquete con: `sudo dpkg -i rstudio-x.yy.zzz-amd64.deb`
---

# Instalación de `R` en Linux
<figure style="text-align: center;">
  <video width="700" autoplay loop muted>
    <source src="ryrstudiolinux.mp4" type="video/mp4">
  </video>
  <figcaption>
    <em>Video 3.</em> Página oficial de R en este 
    <a href="https://posit.co/download/rstudio-desktop/" target="_blank">enlace</a>.
  </figcaption>
</figure>

---
# 🖥️ Introducción a `RStudio`

- **RStudio** es un entorno de desarrollo integrado (IDE) diseñado específicamente para trabajar con `R`.
--

- **Características**:

- **Consola**: Donde se ejecutan los comandos.
--

- **Editor de scripts**: Para escribir y ejecutar código `R`.
--

- **Vista de objetos**: Donde se muestran los datos, variables y otros objetos.
--

- **Gráficos**: Visualización de los gráficos generados por `R`.

---
# Entorno de desarrollo integrado
<figure style="text-align: center;">
  <img src="ideR.png" width="800" height="400">
</div>
  <figcaption>
    IDE de Rstudio
  </figcaption>
</figure>
---

# ⚙️ Estructuras Básicas en `R`

- **Vectores**: `c(1, 2, 3)`
--

- **Matrices**: `matrix(1:6, nrow=2, ncol=3)`
--

- **Data frames**: `data.frame(x = 1:5, y = 6:10)`
--

- **Listas**: `list(a = 1, b = "hola")`

---
# 📦 Paquetes Útiles

- **`tidyverse`**: Paquete que agrupa herramientas esenciales para la manipulación de datos (`ggplot2`, `dplyr`, `tidyr`, `readr`).
--

- **`dplyr`**: Manipulación de datos. Ejemplo:
  
  
  ``` r
  library(dplyr)
  data %>% filter(edad > 30) %>% select(edad, salario)
  ```
--

- **`readr`**: Lectura eficiente de archivos, como `.csv`.

---
# 📥 Importación de Archivos

#### Cargar paquetes necesarios

``` r
install.packages("tidyverse")  # Solo la primera vez
```
--

#### Cargar un conjunto de datos

``` r
library(tidyverse)
# Cargar el archivo (ajustar ruta si estás en otro entorno)
datos <- read_csv("datos_estudiantes.csv")
```

--
#### Explorar los datos

``` r
head(datos)         # Primeras filas
```

```
## # A tibble: 6 × 3
##   horas_estudio asistencia calificacion
##           <dbl>      <dbl>        <dbl>
## 1           6           76          4.6
## 2           4.7         97          6.6
## 3           6.3         83          6  
## 4           8           64          4.1
## 5           4.5         93          5.3
## 6           4.5         65          4.8
```

``` r
summary(datos)      # Estadísticas descriptivas
```

```
##  horas_estudio     asistencia      calificacion   
##  Min.   :0.000   Min.   : 60.00   Min.   :-0.100  
##  1st Qu.:3.875   1st Qu.: 74.50   1st Qu.: 3.975  
##  Median :4.900   Median : 83.00   Median : 5.100  
##  Mean   :4.843   Mean   : 82.03   Mean   : 4.956  
##  3rd Qu.:5.800   3rd Qu.: 92.00   3rd Qu.: 6.025  
##  Max.   :9.900   Max.   :100.00   Max.   : 8.700
```

``` r
str(datos)          # Estructura del dataset
```

```
## spc_tbl_ [120 × 3] (S3: spec_tbl_df/tbl_df/tbl/data.frame)
##  $ horas_estudio: num [1:120] 6 4.7 6.3 8 4.5 4.5 8.2 6.5 4.1 6.1 ...
##  $ asistencia   : num [1:120] 76 97 83 64 93 65 81 70 75 92 ...
##  $ calificacion : num [1:120] 4.6 6.6 6 4.1 5.3 4.8 5.2 5.6 4.4 4.1 ...
##  - attr(*, "spec")=
##   .. cols(
##   ..   horas_estudio = col_double(),
##   ..   asistencia = col_double(),
##   ..   calificacion = col_double()
##   .. )
##  - attr(*, "problems")=<externalptr>
```

---
# Limpiar / transformar datos

``` r
# Transformar asistencia a categoría
datos <- datos %>%
  mutate(asistencia_cat = case_when(
    asistencia >= 90 ~ "Alta",
    asistencia >= 75 ~ "Media",
    TRUE ~ "Baja"
  )) %>%
  mutate(asistencia_cat = factor(asistencia_cat, levels = c("Baja", "Media", "Alta")))
```

---

# 📊 Visualización Inicial

### Crear un gráfico básico  con `ggplot2`

``` r
ggplot(datos, aes(x = asistencia_cat, y = calificacion, fill = asistencia_cat)) +
  geom_boxplot() +
  labs(title = "Distribución de calificaciones según nivel de asistencia",
       x = "Categoría de Asistencia",
       y = "Calificación") +
  theme_minimal()
```

---
# 🧪 Probá tu primer script en R

``` r
# Crear un vector de temperaturas
temperaturas <- c(23, 25, 20, 19, 22, 24, 26)

# Promedio
mean(temperaturas)
```

```
## [1] 22.71429
```

``` r
# Visualización básica
plot(temperaturas, type = "o", col = "darkgreen", main = "Temperaturas Semanales")
```

---

# 🔁 Convertí datos en insights

``` r
library(dplyr)

# Base de ejemplo
alumnos <- data.frame(
  nombre = c("Ana", "Luis", "Marta", "Carlos"),
  edad = c(22, 20, 23, 21),
  carrera = c("Ing. Datos", "Matemática", "Ing. Datos", "Física")
)

# Filtrar sólo estudiantes de Ing. Datos
alumnos %>% filter(carrera == "Ing. Datos")
```

```
##   nombre edad    carrera
## 1    Ana   22 Ing. Datos
## 2  Marta   23 Ing. Datos
```

---

# 🌐 Explorá `R` sin instalarlo

## Alternativas online

- [Posit Cloud](https://posit.cloud)

---

# 🛠️ Automatizaciones con` R`

1. Limpieza de encuestas (`janitor`, `dplyr`)
--

2. Generación automática de gráficos (`ggplot2`)
--

3. Informes PDF con `rmarkdown`
--

4. Cruce de bases de datos (`dplyr::join`)
--

5. Análisis exploratorio (`summary()`, `skimr`)

---

# 🎯 Mini desafío práctico

> Cambiá el color de las columnas y agregá un nuevo título

``` r
ggplot(datos, aes(x = asistencia_cat, fill = asistencia_cat)) +
  geom_bar() +
  labs(title = "Cantidad de estudiantes por nivel de asistencia",
       x = "Nivel de Asistencia",
       y = "Cantidad de Estudiantes") +
  theme_minimal()
```

---
# 🙌 ¡Gracias por tu atención!

## ¿Dudas o comentarios?

- ¡Podés explorar más en https://docs.posit.co/ !

- ¡Experimentá, graficá, analizá! 📊📈