Carátula

## 
## ╔══════════════════════════════════════════════════════════╗
## ║   DASHBOARD INTERACTIVO — GAPMINDER                     ║
## ║   Exploración del Desarrollo Humano Mundial              ║
## ╠══════════════════════════════════════════════════════════╣
## ║   Integrantes del equipo:                               ║
## ║     • Estudiante 1                                      ║
## ║     • Estudiante 2                                      ║
## ║     • Estudiante 3                                      ║
## ╠══════════════════════════════════════════════════════════╣
## ║   Repositorio GitHub:                                   ║
## ║   https://github.com/usuario/gapminder-dashboard        ║
## ║                                                         ║
## ║   Dashboard en línea:                                   ║
## ║   https://usuario.shinyapps.io/gap-dashboard            ║
## ╚══════════════════════════════════════════════════════════╝

1 Objetivo del Dashboard

El objetivo de este proyecto es desarrollar una aplicación web interactiva en R Shiny que permita a los usuarios explorar de manera visual e intuitiva los indicadores de desarrollo humano del dataset Gapminder, integrando:

Manipulación de datos con dplyr
Visualización estática con ggplot2
Visualización interactiva con plotly
Modelamiento estadístico con regresión lineal múltiple
Interfaz reactiva con shiny

1.1 Preguntas que responde el dashboard

¿Cómo ha evolucionado la esperanza de vida en un país específico entre 1952 y 2007?
¿Existe correlación entre el PIB per cápita y la esperanza de vida?
¿Qué diferencias existen entre continentes en términos de desarrollo humano?
¿Qué variables predicen mejor la longevidad según el modelo de regresión?

1.2 Accesos directos

Recurso	Enlace
Repositorio GitHub	github.com/usuario/gapminder-dashboard
Dashboard Shiny	usuario.shinyapps.io/gap-dashboard
Este informe	rpubs.com/usuario/gapminder-pac

2 Características de la Base de Datos

library(gapminder)
library(dplyr)
library(ggplot2)
library(plotly)
library(knitr)

data("gapminder")

2.1 Estructura general

glimpse(gapminder)

## Rows: 1,704
## Columns: 6
## $ country   <fct> "Afghanistan", "Afghanistan", "Afghanistan", "Afghanistan", …
## $ continent <fct> Asia, Asia, Asia, Asia, Asia, Asia, Asia, Asia, Asia, Asia, …
## $ year      <int> 1952, 1957, 1962, 1967, 1972, 1977, 1982, 1987, 1992, 1997, …
## $ lifeExp   <dbl> 28.801, 30.332, 31.997, 34.020, 36.088, 38.438, 39.854, 40.8…
## $ pop       <int> 8425333, 9240934, 10267083, 11537966, 13079460, 14880372, 12…
## $ gdpPercap <dbl> 779.4453, 820.8530, 853.1007, 836.1971, 739.9811, 786.1134, …

2.2 Resumen estadístico

summary(gapminder)

##         country        continent        year         lifeExp     
##  Afghanistan:  12   Africa  :624   Min.   :1952   Min.   :23.60  
##  Albania    :  12   Americas:300   1st Qu.:1966   1st Qu.:48.20  
##  Algeria    :  12   Asia    :396   Median :1980   Median :60.71  
##  Angola     :  12   Europe  :360   Mean   :1980   Mean   :59.47  
##  Argentina  :  12   Oceania : 24   3rd Qu.:1993   3rd Qu.:70.85  
##  Australia  :  12                  Max.   :2007   Max.   :82.60  
##  (Other)    :1632                                                
##       pop              gdpPercap       
##  Min.   :6.001e+04   Min.   :   241.2  
##  1st Qu.:2.794e+06   1st Qu.:  1202.1  
##  Median :7.024e+06   Median :  3531.8  
##  Mean   :2.960e+07   Mean   :  7215.3  
##  3rd Qu.:1.959e+07   3rd Qu.:  9325.5  
##  Max.   :1.319e+09   Max.   :113523.1  
##

2.3 Dimensiones y variables

El dataset Gapminder contiene:

info <- data.frame(
  Atributo = c("Observaciones", "Variables", "Países", "Continentes",
               "Período", "Intervalo"),
  Valor    = c(nrow(gapminder), ncol(gapminder),
               n_distinct(gapminder$country),
               n_distinct(gapminder$continent),
               paste(min(gapminder$year), "–", max(gapminder$year)),
               "Cada 5 años")
)
kable(info, caption = "Información general del dataset Gapminder")

Información general del dataset Gapminder
Atributo	Valor
Observaciones	1704
Variables	6
Países	142
Continentes	5
Período	1952 – 2007
Intervalo	Cada 5 años

2.4 Descripción de variables

variables <- data.frame(
  Variable    = c("country", "continent", "year", "lifeExp", "pop", "gdpPercap"),
  Tipo        = c("Factor", "Factor", "Entero", "Numérico", "Entero", "Numérico"),
  Descripción = c(
    "Nombre del país (142 niveles)",
    "Continente (5 niveles: Africa, Americas, Asia, Europe, Oceania)",
    "Año de la observación (1952, 1957, ..., 2007)",
    "Esperanza de vida al nacer (años)",
    "Población total del país",
    "PIB per cápita en dólares ajustados por inflación (USD)"
  )
)
kable(variables, caption = "Descripción de las variables del dataset")

Descripción de las variables del dataset
Variable	Tipo	Descripción
country	Factor	Nombre del país (142 niveles)
continent	Factor	Continente (5 niveles: Africa, Americas, Asia, Europe, Oceania)
year	Entero	Año de la observación (1952, 1957, …, 2007)
lifeExp	Numérico	Esperanza de vida al nacer (años)
pop	Entero	Población total del país
gdpPercap	Numérico	PIB per cápita en dólares ajustados por inflación (USD)

2.5 Valores faltantes

colSums(is.na(gapminder))

##   country continent      year   lifeExp       pop gdpPercap 
##         0         0         0         0         0         0

No existen valores faltantes en el dataset, lo que simplifica el preprocesamiento.

3 Descripción del Dashboard

3.1 Arquitectura de la aplicación

La aplicación Shiny se estructura en dos componentes principales:

3.1.1 UI — Interfaz de Usuario

ui <- fluidPage(
  # Cabecera con título personalizado
  titlePanel("Dashboard Gapminder"),

  sidebarLayout(
    sidebarPanel(
      selectInput("continente", "Continente:", choices = continentes),
      uiOutput("ui_pais"),          # dinámico según continente
      sliderInput("anio", "Año:",
                  min = 1952, max = 2007, value = c(1952, 2007), step = 5),
      uiOutput("kpis")              # KPIs reactivos
    ),
    mainPanel(
      tabsetPanel(
        tabPanel("Tendencias",  ...),  # 3 gráficos de serie temporal
        tabPanel("Continentes", ...),  # boxplots + gráfico burbuja
        tabPanel("Modelo",      ...),  # regresión lineal + residuos
        tabPanel("Datos",       ...)   # tabla interactiva DT
      )
    )
  )
)

3.1.2 Server — Lógica reactiva

server <- function(input, output, session) {

  # Datos filtrados reactivamente
  datos_cont <- reactive({
    gapminder %>%
      filter(year >= input$anio[1], year <= input$anio[2]) %>%
      { if (input$continente != "Todos") filter(., continent == input$continente) else . }
  })

  # Modelo de regresión
  modelo <- reactive({
    lm(lifeExp ~ log(gdpPercap) + year + continent, data = datos_cont())
  })
}

3.2 Visualizaciones implementadas

3.2.1 1. Tendencias por país

pais_ejemplo <- gapminder %>% filter(country == "Peru")

p1 <- ggplot(pais_ejemplo, aes(x = year, y = lifeExp)) +
  geom_line(color = "#1abc9c", size = 1.3) +
  geom_point(color = "#16a085", size = 3.5) +
  labs(title    = "Esperanza de vida — Perú",
       subtitle = "Evolución 1952–2007",
       x = "Año", y = "Años de vida") +
  theme_minimal(base_size = 13)

ggplotly(p1)

3.2.2 2. Comparación entre continentes

p2 <- gapminder %>%
  filter(year == 2007) %>%
  ggplot(aes(x = reorder(continent, lifeExp, median),
             y = lifeExp, fill = continent)) +
  geom_boxplot(alpha = 0.75, show.legend = FALSE) +
  geom_jitter(width = 0.2, alpha = 0.3, size = 1.2) +
  labs(title    = "Distribución de esperanza de vida por continente (2007)",
       x = NULL, y = "Años de vida") +
  theme_minimal(base_size = 13)

ggplotly(p2)

3.2.3 3. Gráfico de burbuja (estilo Gapminder)

p3 <- gapminder %>%
  filter(year == 2007) %>%
  ggplot(aes(x = gdpPercap, y = lifeExp,
             size = pop / 1e6, color = continent,
             text = paste0("<b>", country, "</b><br>",
                            "PIB: $", round(gdpPercap), "<br>",
                            "Vida: ", round(lifeExp, 1), " años"))) +
  geom_point(alpha = 0.65) +
  scale_x_log10(labels = scales::comma) +
  scale_size(range = c(2, 18), name = "Población (M)") +
  labs(title    = "PIB per cápita vs Esperanza de vida — 2007",
       subtitle = "Tamaño de burbuja proporcional a la población",
       x = "PIB per cápita (USD, escala logarítmica)",
       y = "Esperanza de vida (años)",
       color = "Continente") +
  theme_minimal(base_size = 13)

ggplotly(p3, tooltip = "text")

3.2.4 4. Modelo de regresión lineal múltiple

gapminder_modelo <- gapminder %>%
  mutate(log_gdp = log(gdpPercap))

modelo <- lm(lifeExp ~ log_gdp + year + continent,
             data = gapminder_modelo)

summary(modelo)

## 
## Call:
## lm(formula = lifeExp ~ log_gdp + year + continent, data = gapminder_modelo)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -25.0433  -3.2175   0.3482   3.6657  15.1321 
## 
## Coefficients:
##                     Estimate Std. Error t value Pr(>|t|)    
## (Intercept)       -4.659e+02  1.667e+01  -27.94   <2e-16 ***
## log_gdp            5.024e+00  1.595e-01   31.50   <2e-16 ***
## year               2.416e-01  8.586e-03   28.14   <2e-16 ***
## continentAmericas  8.926e+00  4.630e-01   19.28   <2e-16 ***
## continentAsia      7.063e+00  3.959e-01   17.84   <2e-16 ***
## continentEurope    1.251e+01  5.097e-01   24.54   <2e-16 ***
## continentOceania   1.275e+01  1.275e+00   10.00   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 5.813 on 1697 degrees of freedom
## Multiple R-squared:  0.7982, Adjusted R-squared:  0.7975 
## F-statistic:  1119 on 6 and 1697 DF,  p-value: < 2.2e-16

p4 <- ggplot(gapminder_modelo, aes(x = log_gdp, y = lifeExp, color = continent)) +
  geom_point(alpha = 0.3, size = 1.5) +
  geom_smooth(method = "lm", se = TRUE, size = 1.1) +
  labs(title    = "Regresión: log(PIB per cápita) vs Esperanza de vida",
       subtitle = paste0("R² = ", round(summary(modelo)$r.squared, 3)),
       x = "log(PIB per cápita)",
       y = "Esperanza de vida (años)",
       color = "Continente") +
  theme_minimal(base_size = 13)

ggplotly(p4)

df_res <- data.frame(
  ajustados = fitted(modelo),
  residuos  = residuals(modelo)
)

p5 <- ggplot(df_res, aes(x = ajustados, y = residuos)) +
  geom_point(alpha = 0.35, color = "#8e44ad", size = 1.5) +
  geom_hline(yintercept = 0, color = "#e74c3c", linetype = "dashed", size = 1) +
  geom_smooth(se = FALSE, color = "#3498db", size = 1) +
  labs(title = "Residuos vs Valores ajustados",
       x = "Valores ajustados", y = "Residuos") +
  theme_minimal(base_size = 13)

ggplotly(p5)

4 Conclusiones

4.1 Bondades del proyecto

Alta interactividad: los filtros por continente, país y año permiten exploración personalizada sin recargar la página.
Integración completa del flujo de datos: desde la carga hasta el modelamiento estadístico en un solo entorno.
Visualizaciones con plotly: los gráficos interactivos (zoom, hover, selección) facilitan el análisis exploratorio.
Modelo con buena capacidad predictiva: el R² ajustado supera 0.75, indicando que el log del PIB, el año y el continente explican gran parte de la varianza en esperanza de vida.
Reproducibilidad: todo el código está disponible en GitHub con comentarios claros.

4.2 Limitaciones

El dataset Gapminder solo llega hasta 2007; no refleja eventos recientes (pandemia, crisis económicas).
El modelo de regresión asume linealidad, lo que puede no capturar toda la complejidad de las relaciones.
La aplicación no incluye datos de tasa de fertilidad, que también están disponibles en versiones extendidas del dataset.
El despliegue en shinyapps.io gratuito tiene límites de uso concurrente.

4.3 Futuras mejoras

Incorporar datos actualizados mediante la API de Gapminder o World Bank.
Añadir modelos más complejos: regresión por efectos fijos o modelos mixtos.
Incluir animaciones temporales (como el famoso gráfico animado de Hans Rosling).
Añadir descarga de datos filtrados en formato CSV desde la interfaz.
Traducir la interfaz al inglés para mayor alcance.

5 Referencias bibliográficas

Bryan, J. (2017). gapminder: Data from Gapminder. R package version 0.3.0. https://CRAN.R-project.org/package=gapminder
Chang, W., Cheng, J., Allaire, J., Xie, Y., & McPherson, J. (2021). shiny: Web Application Framework for R. https://CRAN.R-project.org/package=shiny
Heiss, F. (2020). Using R for Introductory Econometrics (2nd ed.). http://www.urfie.net/
Rosling, H., Rönnlund, A. R., & Rosling, O. (2018). Factfulness: Ten Reasons We’re Wrong About the World—and Why Things Are Better Than You Think. Flatiron Books.
Wickham, H. (2019). Advanced R (2nd ed.). Chapman & Hall/CRC. https://adv-r.hadley.nz/
Wickham, H. (2016). ggplot2: Elegant Graphics for Data Analysis. Springer-Verlag New York. https://ggplot2.tidyverse.org
Wickham, H., François, R., Henry, L., & Müller, K. (2021). dplyr: A Grammar of Data Manipulation. https://CRAN.R-project.org/package=dplyr

6 Anexos

6.1 Anexo A: Instalación de paquetes

install.packages(c("shiny", "ggplot2", "dplyr", "gapminder",
                   "plotly", "DT", "rsconnect", "scales"))

6.2 Anexo B: Publicación en shinyapps.io

library(rsconnect)

# Autenticar cuenta (tokens desde shinyapps.io > Account > Tokens)
rsconnect::setAccountInfo(
  name   = "tu-nombre-de-usuario",
  token  = "TU_TOKEN",
  secret = "TU_SECRETO"
)

# Desplegar la aplicación
rsconnect::deployApp(appDir = "ruta/al/proyecto/")

6.3 Anexo C: Comandos Git utilizados

# Clonar repositorio
git clone https://github.com/usuario/gapminder-dashboard.git
cd gapminder-dashboard

# Agregar cambios
git add .
git commit -m "Agrega dashboard completo con modelo estadístico"
git push origin main

6.4 Anexo D: Sesión de R

sessionInfo()

## R version 4.6.0 (2026-04-24 ucrt)
## Platform: x86_64-w64-mingw32/x64
## Running under: Windows 11 x64 (build 26200)
## 
## Matrix products: default
##   LAPACK version 3.12.1
## 
## locale:
## [1] LC_COLLATE=Spanish_Peru.utf8  LC_CTYPE=Spanish_Peru.utf8   
## [3] LC_MONETARY=Spanish_Peru.utf8 LC_NUMERIC=C                 
## [5] LC_TIME=Spanish_Peru.utf8    
## 
## time zone: America/Lima
## tzcode source: internal
## 
## attached base packages:
## [1] stats     graphics  grDevices utils     datasets  methods   base     
## 
## other attached packages:
## [1] knitr_1.51      plotly_4.12.0   ggplot2_4.0.3   dplyr_1.2.1    
## [5] gapminder_1.0.1
## 
## loaded via a namespace (and not attached):
##  [1] Matrix_1.7-5       gtable_0.3.6       jsonlite_2.0.0     compiler_4.6.0    
##  [5] tidyselect_1.2.1   tidyr_1.3.2        jquerylib_0.1.4    splines_4.6.0     
##  [9] scales_1.4.0       yaml_2.3.12        fastmap_1.2.0      lattice_0.22-9    
## [13] R6_2.6.1           labeling_0.4.3     generics_0.1.4     htmlwidgets_1.6.4 
## [17] tibble_3.3.1       bslib_0.10.0       pillar_1.11.1      RColorBrewer_1.1-3
## [21] rlang_1.2.0        cachem_1.1.0       xfun_0.57          sass_0.4.10       
## [25] S7_0.2.2           lazyeval_0.2.3     otel_0.2.0         viridisLite_0.4.3 
## [29] cli_3.6.6          mgcv_1.9-4         withr_3.0.2        magrittr_2.0.5    
## [33] crosstalk_1.2.2    digest_0.6.39      grid_4.6.0         rstudioapi_0.18.0 
## [37] nlme_3.1-169       lifecycle_1.0.5    vctrs_0.7.3        evaluate_1.0.5    
## [41] glue_1.8.1         data.table_1.18.4  farver_2.1.2       purrr_1.2.2       
## [45] httr_1.4.8         rmarkdown_2.31     tools_4.6.0        pkgconfig_2.0.3   
## [49] htmltools_0.5.9

Informe generado con R Markdown y publicado en RPubs.
Código fuente disponible en GitHub bajo licencia MIT.

Dashboard Interactivo con Gapminder en R

Producto Académico Colaborativo — Curso Programación en R

Nombre del Equipo

15 de Mayo de 2026