Bitacora semanal individual

1 1. Lo que hice esta semana

Describe brevemente qué actividades realizaste en clase o por fuera de ella. ¿Qué parte del proyecto trabajaste?

Durante la clase de esta semana se profundizó en la producción de gráficas teniendo en cuenta la gramática de los gráficos usando ggplot2. En cuanto al trabajo en grupo, se tuvo la primera reunión en donde se definieron los acuerdos grupales y se comenzaron a desarrollar posibles preguntas de investigación.

2 2. Lo que aprendí

¿Qué conceptos, herramientas o habilidades desarrollaste esta semana? ¿Qué descubriste que no sabías antes?

En esta semana, trabajamos particularmente con funciones del paquete ggplot2 para ver los datos en una gráfica (utilizando geom_point) y hacer una recta de regresión (usando geom_smooth). Además, se utilizó facet_wrap para visualizar los datos en una forma distinta y compararlos con mayor claridad.En el mismo sentido, pudimos ver la distribución de los datos usando las funciones como geom_boxplot y geom_violin.

3 3. Dificultades encontradas

¿Con qué tuviste dificultades esta semana? ¿Cómo intentaste resolverlas?

Al momento de desarrollar una instrucción para R hay términos o códigos que desconozco. Esto genera que no lo comprenda por completo. Sin embargo, mis dudas fueron resueltas en el transcurso de la clase después de preguntar.

4 4. Tareas para la próxima semana

Enumera tus propósitos de trabajo para la próxima sesión. ¿Qué te propones avanzar?

1. Familiarizarme aún más con las herramientas y las funciones que ofrecen los programas en R.
2. Más allá de completar un ejercicio en clase, quiero continuar aprendiendo de este nuevo lenguaje para poder usarlo en el máximo potencial

5 5. Código o visualización significativa

Incluye un fragmento de código, una visualización o un resultado que te haya ayudado a entender algo

1. Relación bivariada entre election_quality y turnout:

ggplot(elec_latam, aes(x = election_quality, y = turnout)) + geom_point(alpha = 0.6) + #se puede agregar color = “blue”, size = 2 geom_smooth(method = “lm”, se = T, color = “purple”) + #lm significa linear mode y “se” significa error estandar facet_wrap(~region) + labs( title = “Participación vs Calidad”, x = “Calidad”, y = “Participación” )

2. Comparación entre grupos (distribución de turnout por región):

ggplot(elec_latam, aes(x = region, y = turnout)) + geom_violin(fill = “lightblue”, aplha = 0.7)

3. Evolución temporal (calculando el promedio anual de turnout por región y graficarlo como serie de tiempo):

promedio_turnout <- elec_latam %>% group_by(region, year) %>% summarise(mean_turnout = mean(turnout, na.rm = TRUE)) library(ggplot2) ggplot(promedio_turnout, aes(x = year, y = mean_turnout, color = region, group = region)) + geom_line() + labs( title = “Promedio anual de turnout por región”, x = “Año”, y = “Promedio turnout” ) + theme_minimal()

4. Graficar la distribución y composición de election_quality usando geom_histogram y geom_density:

• para el histograma ggplot(elec_latam, aes(x = election_quality)) + geom_histogram( fill = “yellow”, color = “orange”) + labs(title = “Distribución de election_quality”, x = “Election Quality”, y = “Frecuencia”) + theme_minimal()

• para la densidad ggplot(elec_latam, aes(x = election_quality)) + geom_density( fill = “lightblue”, alpha = 0.4) + labs(title = “Distribución de election_quality”, x = “Election Quality”, y = “Densidad”) + theme_minimal()

• para que se vean los dos juntos ggplot(elec_latam, aes(x = election_quality)) + #se usa density para que la escala sea comparable geom_histogram(aes(y = ..density..), fill = “yellow”, color = “orange”, binwidth = 5) + geom_density(fill = “lightblue”, alpha = 0.4) + labs(title = “Distribución de election_quality”, x = “Election Quality”, y = “Densidad”) + theme_minimal()