Guía de Actividad: Estadística Aplicada con R en Posit Cloud

Asignatura: Estadística Aplicada con Python y R
Programa: Ingeniería Agrícola
Semana: 2 - Análisis Exploratorio de Datos (EDA) y Visualizaciones
Periodo: 2026-2
Docente: Justo Rafael Fuentes Cuello

1. Información General

Descripción de la Actividad:

Esta actividad introduce a los estudiantes en el uso de herramientas profesionales para análisis estadístico reproducible. Los estudiantes crearán cuentas en plataformas especializadas (Posit Cloud y RPubs), consultarán un agente de IA sobre la aplicación de la estadística en ingeniería agrícola, y desarrollarán un documento RMarkdown que integrará texto, código y visualizaciones.

Tiempo Estimado: 3 horas
Modalidad: Trabajo individual con apoyo virtual
Herramientas Requeridas: - Navegador web actualizado (Chrome, Firefox, Edge) - Conexión a internet estable - Cuenta de correo electrónico institucional o personal - Acceso a Google Colab - Acceso a Posit Cloud - Acceso a RPubs

2. Objetivos de Aprendizaje

Objetivo General

Desarrollar competencias en el uso de herramientas computacionales profesionales para análisis estadístico reproducible en ingeniería agrícola, integrando R, RMarkdown y plataformas de publicación científica.

Objetivos Específicos

  1. Configurar entornos de trabajo profesionales creando cuentas en Posit Cloud y RPubs para análisis estadístico reproducible.

  2. Consultar y validar información técnica utilizando agentes de IA con criterio ingenieril, verificando la pertinencia de la estadística aplicada en contextos agrícolas.

  3. Crear documentos RMarkdown que integren código, resultados y narrativa técnica, desplegándolos en múltiples formatos (HTML, PDF, Word).

  4. Publicar análisis estadísticos en plataformas profesionales (RPubs) siguiendo estándares de comunicación científica.

  5. Replicar análisis exploratorio de datos transfiriendo código de Google Colab (Python) a R, fortaleciendo la comprensión de ambos lenguajes.

3. Competencias

Competencias del Programa

  • Aplica métodos estadísticos, computacionales y de análisis de datos para caracterizar, modelar y predecir fenómenos propios de la Ingeniería Agrícola.
  • Comunica resultados de análisis experimentales con rigor, claridad, responsabilidad profesional y soporte en herramientas computacionales.

Competencias de la Asignatura

  • Razonamiento estadístico y EDA: Formula preguntas, distingue tipos de variables, calcula e interpreta medidas descriptivas y selecciona visualizaciones adecuadas en Python y R.
  • Ciencia reproducible y uso responsable de IA: Documenta análisis, dirige y audita agentes, registra prompts y cambios, ejecuta pruebas y comunica resultados mediante notebooks, RMarkdown/Quarto y GitHub.

4. Estrategias Pedagógicas

Estrategia 1: Aprendizaje Basado en Herramientas Profesionales

Los estudiantes configuran entornos de trabajo reales utilizados en investigación y consultoría profesional, no simulaciones académicas. Esto fortalece la preparación para el ejercicio profesional y trabajos de grado.

Estrategia 2: Consulta Crítica a Agentes de IA

Antes de aceptar información generada por IA, los estudiantes: - Formulan preguntas específicas sobre aplicaciones en ingeniería agrícola - Verifican la coherencia con conocimientos previos de estadística - Identifican limitaciones y sesgos potenciales - Documentan el proceso de consulta para trazabilidad

Estrategia 3: Ciencia Reproducible

Cada paso del análisis se documenta en RMarkdown, permitiendo: - Replicación exacta del análisis por terceros - Trazabilidad completa desde datos hasta conclusiones - Versionado y control de cambios - Publicación en formatos profesionales

Estrategia 4: Transferencia de Conocimiento entre Lenguajes

Los estudiantes replican análisis realizados en Python (Colab) usando R (Posit Cloud), identificando: - Diferencias sintácticas entre lenguajes - Ventajas y limitaciones de cada herramienta - Equivalencias conceptuales (pandas ↔︎ tidyverse, matplotlib ↔︎ ggplot2)

5. Resultados de Aprendizaje

Al finalizar esta actividad, el estudiante será capaz de:

  1. Crear y configurar cuentas en Posit Cloud y RPubs, comprendiendo su rol en el ecosistema de ciencia de datos reproducible.

  2. Consultar agentes de IA sobre aplicaciones de estadística en ingeniería agrícola, evaluando críticamente las respuestas y documentando el proceso.

  3. Crear documentos RMarkdown completos que integren:

    • Texto narrativo con formato Markdown
    • Bloques de código R ejecutables
    • Visualizaciones generadas dinámicamente
    • Tablas de resultados estadísticos

  4. Desplegar documentos en tres formatos profesionales:

    • HTML para publicación web interactiva
    • PDF para informes formales
    • Word para edición colaborativa

  5. Publicar en RPubs siguiendo estándares de comunicación científica, incluyendo metadatos, descripción y licenciamiento apropiado.

  6. Transferir análisis de Python a R, identificando equivalencias y diferencias en sintaxis, filosofía de diseño y capacidades.

6. Rúbrica de Evaluación

Criterio Excelente (5.0 - 4.5) Bueno (4.4 - 4.0) Aceptable (3.9 - 3.5) Insuficiente (3.4 - 0.0) Peso
Configuración de cuentas Cuentas creadas correctamente en Posit Cloud y RPubs con perfiles completos y profesionales Cuentas creadas con perfiles básicos pero funcionales Cuentas creadas pero con perfiles incompletos o información mínima No crea una o ambas cuentas, o presenta errores de configuración 10%
Consulta a IA Consulta bien formulada, respuesta validada críticamente, documentada con fecha, prompt y análisis de limitaciones Consulta formulada, respuesta incluida pero con validación superficial Consulta realizada pero respuesta copiada sin análisis crítico No consulta IA o copia respuesta sin contexto ni validación 15%
Documento RMarkdown Documento profesional con estructura clara, código ejecutable, visualizaciones apropiadas y narrativa coherente Documento funcional con código ejecutable y visualizaciones básicas Documento con errores menores de formato o código no optimizado Documento con errores graves, código no ejecutable o estructura deficiente 25%
Despliegue multiformato Despliega correctamente en HTML, PDF y Word; verifica que todos los formatos se visualizan adecuadamente Despliega en dos formatos correctamente, uno con problemas menores Despliega en un formato correctamente, otros con errores No logra desplegar en ningún formato o presenta errores graves 15%
Publicación en RPubs Publica en RPubs con título descriptivo, tags apropiados, descripción clara y enlace funcional Publica en RPubs con título y enlace funcional pero descripción mínima Publica en RPubs pero con título genérico o sin descripción No publica en RPubs o enlace no funcional 15%
Replicación de análisis Replica exitosamente el análisis de Colab en R, identificando equivalencias y documentando diferencias Replica la mayoría del análisis con algunas diferencias no documentadas Replica parcialmente el análisis con errores en la conversión No replica el análisis o presenta errores graves de implementación 15%
Documentación y ética Documenta completamente el proceso, cita fuentes, usa IA responsablemente y reconoce limitaciones Documenta el proceso básico pero sin análisis profundo de limitaciones Documentación mínima sin reflexión sobre uso de IA Sin documentación o uso irresponsable de IA 5%

Calificación Final: Promedio ponderado de los criterios

7. Guía Paso a Paso

7.1 Crear cuenta en Posit Cloud

¿Qué es Posit Cloud?
Posit Cloud (anteriormente RStudio Cloud) es una plataforma en la nube que permite ejecutar R y RStudio directamente en el navegador, sin necesidad de instalar software localmente. Es ideal para estudiantes porque garantiza que todos trabajen en el mismo entorno.

Pasos:

Paso 1.1: Acceder al sitio web

  1. Abre tu navegador web
  2. Ve a: https://posit.cloud/
  3. Verás la página principal con información sobre la plataforma

Paso 1.2: Iniciar registro

  1. Busca el botón “Sign Up” (Registrarse) en la esquina superior derecha
  2. Haz clic en “Sign Up”
  3. Selecciona la opción “Create Account” (Crear cuenta)

Paso 1.3: Completar información

  1. Email: Ingresa tu correo electrónico institucional (@unisucre.edu.co) o personal
  2. Password: Crea una contraseña segura (mínimo 8 caracteres, incluye mayúsculas, minúsculas y números)
  3. Confirm Password: Repite la contraseña
  4. Haz clic en “Sign Up”

Paso 1.4: Verificar correo electrónico

  1. Revisa tu bandeja de entrada (también revisa spam/correo no deseado)
  2. Busca el correo de Posit Cloud con asunto “Verify your email address”
  3. Haz clic en el enlace de verificación
  4. Serás redirigido a Posit Cloud

Paso 1.5: Completar perfil

  1. Una vez verificado, inicia sesión con tus credenciales
  2. Completa tu perfil:
    • Name: Tu nombre completo
    • Organization: Universidad de Sucre
    • Role: Student
  3. Haz clic en “Save” (Guardar)

Paso 1.6: Explorar el Workspace

  1. Verás el dashboard principal de Posit Cloud
  2. Observa las secciones:
    • Projects: Tus proyectos de R
    • Shared Spaces: Espacios compartidos
    • Learn: Recursos de aprendizaje
  3. Familiarízate con la interfaz antes de continuar

⚠️ Nota importante: Posit Cloud tiene un plan gratuito con límites de uso (25 horas/mes). Para esta actividad es suficiente, pero si planeas usarlo extensivamente, considera el plan educativo.

7.2 Crear cuenta en RPubs

¿Qué es RPubs?
RPubs es una plataforma gratuita para publicar documentos RMarkdown en la web. Permite compartir análisis estadísticos, reportes y visualizaciones con la comunidad científica.

Pasos:

Paso 2.1: Acceder al sitio web

  1. Abre tu navegador web
  2. Ve a: https://rpubs.com/
  3. Verás la página principal con ejemplos de publicaciones

Paso 2.2: Iniciar registro

  1. Busca el botón “Sign Up” (Registrarse) en la esquina superior derecha
  2. Haz clic en “Sign Up”

Paso 2.3: Completar información

  1. Username: Crea un nombre de usuario profesional (ejemplo: jfuentes, justo.fuentes)
    • Evita nombres informales o apodos
    • Este nombre aparecerá en tus publicaciones
  2. Email: Ingresa tu correo electrónico (preferiblemente institucional)
  3. Password: Crea una contraseña segura
  4. Confirm Password: Repite la contraseña
  5. Acepta los términos de servicio
  6. Haz clic en “Sign Up”

Paso 2.4: Verificar correo electrónico

  1. Revisa tu bandeja de entrada
  2. Busca el correo de RPubs con asunto “Confirm your RPubs account”
  3. Haz clic en el enlace de confirmación
  4. Serás redirigido a tu perfil de RPubs

Paso 2.5: Completar perfil

  1. Inicia sesión con tus credenciales
  2. Ve a “My Profile” (Mi Perfil)
  3. Completa la información:
    • Full Name: Tu nombre completo
    • Bio: Breve descripción profesional (ejemplo: “Estudiante de Ingeniería Agrícola, Universidad de Sucre”)
    • Website: Opcional (puedes dejarlo vacío)
    • Location: Sincelejo, Colombia
  4. Haz clic en “Save Changes” (Guardar cambios)

Paso 2.6: Explorar publicaciones

  1. Navega por publicaciones de otros usuarios
  2. Observa ejemplos de reportes estadísticos
  3. Familiarízate con el formato y estilo de las publicaciones

⚠️ Nota importante: RPubs es público. Todo lo que publiques será visible para cualquier persona en internet. Asegúrate de no incluir información sensible o confidencial.

7.3 Consultar al agente de IA

Objetivo: Obtener información sobre la aplicación de la estadística en ingeniería agrícola y validar críticamente la respuesta.

Pasos:

Paso 3.1: Seleccionar el agente de IA

Puedes usar cualquiera de estos agentes: - ChatGPT (https://chat.openai.com) - Claude (https://claude.ai) - Gemini (https://gemini.google.com) - Copilot (https://copilot.microsoft.com)

Para esta guía usaremos ChatGPT como ejemplo.

Paso 3.2: Acceder al agente

  1. Ve a https://chat.openai.com
  2. Inicia sesión con tu cuenta (o crea una si no tienes)
  3. Selecciona el modelo GPT-4 o superior si está disponible

Paso 3.3: Formular la consulta

Prompt sugerido:

Actúa como un experto en estadística aplicada a la ingeniería agrícola. 
Responde a la siguiente pregunta de manera clara, precisa y con ejemplos 
concretos del contexto colombiano:

¿Qué es la Estadística Aplicada con R en el contexto de la Ingeniería 
Agrícola? Incluye:

1. Definición clara y concisa
2. Tres aplicaciones específicas en sistemas agrícolas (agua, suelo, 
   cultivos, clima o mecanización)
3. Ventajas de usar R sobre otras herramientas
4. Un ejemplo concreto de análisis estadístico en agricultura
5. Limitaciones y consideraciones éticas

Por favor, estructura tu respuesta con encabezados y viñetas para 
facilitar la lectura.

Paso 3.4: Copiar la respuesta

  1. Lee cuidadosamente la respuesta generada
  2. Verifica que sea coherente y relevante
  3. Copia todo el texto de la respuesta
  4. Guárdalo en un archivo de texto temporal (Bloc de notas o similar)

Paso 3.5: Validar críticamente la respuesta

Antes de usar la respuesta, verifica:

✅ Criterios de validación: - [ ] ¿La definición es clara y precisa? - [ ] ¿Los ejemplos son relevantes para ingeniería agrícola? - [ ] ¿Las aplicaciones mencionadas son realistas? - [ ] ¿Las ventajas de R son correctas? - [ ] ¿Se mencionan limitaciones éticas? - [ ] ¿El lenguaje es apropiado para nivel universitario?

❌ Señales de alerta: - Respuestas demasiado genéricas o vagas - Ejemplos que no aplican a agricultura - Afirmaciones sin respaldo técnico - Omisión de limitaciones o sesgos

Paso 3.6: Documentar la consulta

Crea un registro con la siguiente información:

Fecha de consulta: [Fecha actual]
Agente de IA utilizado: [ChatGPT/Claude/Gemini/Copilot]
Modelo: [GPT-4/Claude 3/etc.]
Prompt utilizado: [El prompt completo que usaste]
Respuesta obtenida: [La respuesta completa]
Validación: [Tus observaciones sobre la calidad de la respuesta]
Limitaciones identificadas: [Qué falta o podría mejorar]

⚠️ Nota ética: La IA puede generar información incorrecta o sesgada. Siempre verifica con fuentes confiables (libros de texto, artículos científicos, documentación oficial).

7.4 Crear documento RMarkdown

¿Qué es RMarkdown?
RMarkdown es un formato que combina texto narrativo (Markdown) con código R ejecutable. Permite crear documentos dinámicos donde el código, resultados y visualizaciones se integran automáticamente.

Pasos:

Paso 4.1: Iniciar sesión en Posit Cloud

  1. Ve a https://posit.cloud/
  2. Inicia sesión con tus credenciales
  3. Serás llevado al dashboard principal

Paso 4.2: Crear nuevo proyecto

  1. Haz clic en el botón “+ New Project” (Nuevo Proyecto)
  2. Selecciona “New RStudio Project”
  3. Dale un nombre descriptivo: Estadistica_Aplicada_Semana_2
  4. Haz clic en “OK”

Paso 4.3: Crear archivo RMarkdown

  1. En RStudio, ve al menú File → New File → R Markdown…
  2. Se abrirá una ventana de configuración

Paso 4.4: Configurar el documento

En la ventana de configuración:

  1. Title: Estadística Aplicada con R en Ingeniería Agrícola
  2. Author: Tu Nombre Completo
  3. Date: Deja la fecha por defecto (se actualizará automáticamente)
  4. Default Output Format: Selecciona HTML
  5. Haz clic en “OK”

Paso 4.5: Explorar la plantilla generada

RStudio creará un archivo .Rmd con contenido de ejemplo. Observa:

---
title: "Estadística Aplicada con R en Ingeniería Agrícola"
author: "Tu Nombre Completo"
date: "2026-08-12"
output: html_document
---



## R Markdown

This is an R Markdown document...

Elementos clave: - YAML header (entre ---): Metadatos del documento - Chunks de código (entre ```{r} y ```): Bloques de código R ejecutable - Texto Markdown: Narrativa con formato

Paso 4.6: Limpiar la plantilla

  1. Elimina todo el contenido de ejemplo excepto el YAML header
  2. Mantén el chunk de configuración inicial:

Paso 4.7: Agregar contenido

Crea la siguiente estructura:

---
title: "Estadística Aplicada con R en Ingeniería Agrícola"
author: "Tu Nombre Completo"
date: "2026-08-12"
output: 
  html_document:
    toc: true
    toc_float: true
    theme: cosmo
    highlight: tango
  pdf_document:
    toc: true
  word_document:
    toc: true
---



# Introducción

## Consulta a Agente de IA

**Fecha de consulta:** 2026-08-12  
**Agente utilizado:** [ChatGPT/Claude/Gemini]  
**Modelo:** [Versión del modelo]

### Pregunta formulada

¿Qué es la Estadística Aplicada con R aplicada a la ingeniería agrícola?

### Respuesta obtenida

[Pega aquí la respuesta del agente de IA]

### Validación crítica

[Agrega tu análisis crítico de la respuesta]

## Ejemplo Práctico

### Carga de datos


``` r
# Crear datos de ejemplo de rendimiento de cultivos
set.seed(123)
datos_cultivo <- data.frame(
  parcela = 1:20,
  tratamiento = rep(c("Control", "Fertilizante_A", "Fertilizante_B", "Fertilizante_C"), each = 5),
  rendimiento = c(
    rnorm(5, mean = 45, sd = 5),    # Control
    rnorm(5, mean = 55, sd = 6),    # Fertilizante A
    rnorm(5, mean = 60, sd = 7),    # Fertilizante B
    rnorm(5, mean = 50, sd = 5)     # Fertilizante C
  ),
  humedad_suelo = runif(20, min = 15, max = 35),
  ph_suelo = runif(20, min = 5.5, max = 7.5)
)

# Mostrar estructura de los datos
str(datos_cultivo)
## 'data.frame':    20 obs. of  5 variables:
##  $ parcela      : int  1 2 3 4 5 6 7 8 9 10 ...
##  $ tratamiento  : chr  "Control" "Control" "Control" "Control" ...
##  $ rendimiento  : num  42.2 43.8 52.8 45.4 45.6 ...
##  $ humedad_suelo: num  17.9 23.3 23.3 22.4 18 ...
##  $ ph_suelo     : num  6.83 5.69 6.27 6.05 7.13 ...

Análisis descriptivo

# Resumen estadístico por tratamiento
library(dplyr)

resumen <- datos_cultivo %>%
  group_by(tratamiento) %>%
  summarise(
    n = n(),
    media_rendimiento = mean(rendimiento),
    desviacion = sd(rendimiento),
    minimo = min(rendimiento),
    maximo = max(rendimiento)
  )

# Mostrar tabla de resumen
knitr::kable(resumen, 
             caption = "Resumen estadístico del rendimiento por tratamiento",
             digits = 2)
Resumen estadístico del rendimiento por tratamiento
tratamiento n media_rendimiento desviacion minimo maximo
Control 5 45.97 4.06 42.20 52.79
Fertilizante_A 5 54.73 6.98 47.41 65.29
Fertilizante_B 5 62.16 4.48 56.11 68.57
Fertilizante_C 5 50.55 7.06 40.17 58.93

Visualización

library(ggplot2)

ggplot(datos_cultivo, aes(x = tratamiento, y = rendimiento, fill = tratamiento)) +
  geom_boxplot(alpha = 0.7) +
  geom_jitter(width = 0.2, alpha = 0.6, size = 2) +
  labs(
    title = "Rendimiento del Cultivo por Tratamiento",
    x = "Tratamiento",
    y = "Rendimiento (ton/ha)",
    caption = "Datos simulados para demostración"
  ) +
  theme_minimal() +
  theme(legend.position = "none")
Rendimiento del cultivo por tratamiento

Rendimiento del cultivo por tratamiento

Análisis de correlación

# Correlación entre humedad del suelo y rendimiento
cor_test <- cor.test(datos_cultivo$humedad_suelo, datos_cultivo$rendimiento)

cat("Coeficiente de correlación:", round(cor_test$estimate, 3), "\n")
## Coeficiente de correlación: -0.188
cat("Valor p:", round(cor_test$p.value, 4), "\n")
## Valor p: 0.4282
# Gráfico de dispersión
ggplot(datos_cultivo, aes(x = humedad_suelo, y = rendimiento)) +
  geom_point(size = 3, alpha = 0.7) +
  geom_smooth(method = "lm", se = TRUE, color = "blue") +
  labs(
    title = "Relación entre Humedad del Suelo y Rendimiento",
    x = "Humedad del Suelo (%)",
    y = "Rendimiento (ton/ha)"
  ) +
  theme_minimal()

Conclusiones

[Agrega tus conclusiones sobre la actividad]

Referencias


#### Paso 4.8: Guardar el archivo
1. Ve a **File** → **Save** (o presiona `Ctrl + S` / `Cmd + S`)
2. Nombre del archivo: `Estadistica_Aplicada_Semana_2.Rmd`
3. Haz clic en **"Save"**

**⚠️ Nota importante:** Siempre guarda tu trabajo frecuentemente. RStudio tiene autoguardado, pero es buena práctica guardar manualmente.

---

### 7.5 Desplegar en HTML, PDF y Word

**Objetivo:** Generar el documento en tres formatos diferentes para diferentes usos.

**Pasos:**

#### Paso 5.1: Instalar paquetes necesarios
Antes de compilar, asegúrate de tener los paquetes requeridos:


``` r
# Instalar paquetes necesarios (ejecutar solo una vez)
install.packages(c("knitr", "rmarkdown", "tinytex"))

# Para PDF, instalar TinyTeX
tinytex::install_tinytex()

Paso 5.2: Generar HTML

  1. En RStudio, busca el botón “Knit” (Tejer) en la barra superior del editor
  2. Haz clic en “Knit” o “Knit to HTML”
  3. RStudio ejecutará todo el código y generará un archivo HTML
  4. Se abrirá automáticamente en el visor de RStudio
  5. Verifica que:

Paso 5.3: Generar PDF

  1. Haz clic en la flecha junto al botón “Knit”
  2. Selecciona “Knit to PDF”
  3. Espera a que se complete la compilación (puede tomar 1-2 minutos)
  4. Se abrirá el PDF en el visor
  5. Verifica que:

⚠️ Solución de problemas con PDF: - Si hay error de LaTeX, ejecuta: tinytex::install_tinytex() - Si falta un paquete LaTeX, el error indicará cuál instalar - Alternativa: Usa output: pdf_document con opciones simplificadas

Paso 5.4: Generar Word

  1. Haz clic en la flecha junto al botón “Knit”
  2. Selecciona “Knit to Word”
  3. Se abrirá automáticamente en Microsoft Word (o LibreOffice)
  4. Verifica que:

Paso 5.5: Verificar los tres archivos

En el panel “Files” de RStudio, deberías ver: - Estadistica_Aplicada_Semana_2.html - Estadistica_Aplicada_Semana_2.pdf - Estadistica_Aplicada_Semana_2.docx

Abre cada uno y verifica que se visualizan correctamente.

⚠️ Nota importante: Los tres formatos tienen ventajas diferentes: - HTML: Interactivo, ideal para web - PDF: Formal, ideal para impresión y archivo - Word: Editable, ideal para colaboración

7.6 Publicar en RPubs

Objetivo: Publicar el documento HTML en RPubs para compartirlo públicamente.

Pasos:

Paso 6.1: Generar HTML para publicación

  1. Asegúrate de que el HTML está generado y actualizado
  2. Abre el archivo HTML en el visor de RStudio

Paso 6.2: Iniciar publicación

  1. En la ventana del visor HTML, busca el botón “Publish” (Publicar) en la esquina superior derecha
  2. Haz clic en “Publish”
  3. Se abrirá una ventana de diálogo

Paso 6.3: Configurar la publicación

  1. Publish to: Selecciona “RPubs”

  2. Si es tu primera vez, te pedirá iniciar sesión:

    • Ingresa tu usuario y contraseña de RPubs
    • Autoriza la conexión con RStudio

  3. Title: Estadística Aplicada con R en Ingeniería Agrícola - Semana 2

  4. Description: Agrega una descripción clara:

    Análisis exploratorio de datos agrícolas usando R y RMarkdown. 
Incluye consulta a agente de IA, visualizaciones y análisis 
estadístico de rendimiento de cultivos. 

Asignatura: Estadística Aplicada con Python y R
Programa: Ingeniería Agrícola, Universidad de Sucre
Periodo: 2026-2

  5. Tags: Agrega etiquetas relevantes:

    • R
    • estadística
    • ingeniería agrícola
    • EDA
    • RMarkdown

  6. Haz clic en “Publish”

Paso 6.4: Verificar publicación

  1. Espera a que se complete la publicación (10-30 segundos)
  2. Se abrirá automáticamente en tu navegador la página de RPubs
  3. Verifica que:

Paso 6.5: Copiar el enlace

  1. Copia la URL de tu publicación
  2. Guárdala en un documento de texto
  3. Ejemplo: https://rpubs.com/tuusuario/1234567

Paso 6.6: Agregar enlace al documento

Vuelve a tu archivo RMarkdown y agrega al final:

## Enlace a publicación

Este documento está disponible públicamente en:
[Estadística Aplicada con R en Ingeniería Agrícola](https://rpubs.com/tuusuario/1234567)

⚠️ Nota importante: Una vez publicado, el documento es público. Si necesitas actualizarlo, vuelve a publicar con el mismo título y RPubs actualizará la publicación existente.

7.7 Descargar notebook de Colab

Objetivo: Descargar el notebook de Google Colab para replicar el análisis en R.

Pasos:

Paso 7.1: Acceder al notebook

  1. Abre tu navegador web

  2. Ve al enlace proporcionado:

    https://colab.research.google.com/github/justorfc/Estadistica_Aplicada_con_Python_y_R_2026_2/blob/main/2_Semana_2_An%C3%A1lisis_Exploratorio_de_Datos_(EDA)_y_Visualizaciones_Cruzadas.ipynb

  3. Se abrirá en Google Colab

Paso 7.2: Explorar el notebook

  1. Lee las celdas de texto (Markdown) para entender el contexto
  2. Observa las celdas de código (Python) y sus resultados
  3. Identifica las secciones principales del análisis
  4. Toma notas sobre las visualizaciones y análisis realizados

Paso 7.3: Descargar el notebook

  1. En Colab, ve al menú File → Download → Download .ipynb
  2. Se descargará un archivo .ipynb a tu computadora
  3. Guárdalo en una carpeta organizada

Paso 7.4: Descargar como Python (opcional)

  1. También puedes descargar como script Python:
    • File → Download → Download .py
  2. Esto facilita ver el código sin formato Jupyter

Paso 7.5: Revisar las indicaciones finales

  1. Desplázate hasta el final del notebook
  2. Busca la sección con indicaciones para Posit Cloud
  3. Lee cuidadosamente las instrucciones de replicación
  4. Toma nota de:
    • Paquetes de R equivalentes
    • Funciones a utilizar
    • Diferencias sintácticas esperadas

⚠️ Nota importante: No ejecutes el notebook en Colab a menos que se te indique. El objetivo es descargarlo y replicarlo en R.

7.8 Replicar análisis en Posit Cloud

Objetivo: Transferir el análisis de Python (Colab) a R (Posit Cloud).

Pasos:

Paso 8.1: Crear nuevo script R

  1. En Posit Cloud (RStudio), crea un nuevo archivo:
    • File → New File → R Script
  2. Nómbralo: Replicacion_Analisis_Colab.R

Paso 8.2: Configurar el entorno

Agrega al inicio del script:

# ============================================================
# Replicación de Análisis de Colab en R
# Asignatura: Estadística Aplicada con Python y R
# Semana 2: EDA y Visualizaciones Cruzadas
# ============================================================

# Instalar paquetes necesarios (ejecutar solo una vez)
# install.packages(c("tidyverse", "readr", "ggplot2", "dplyr", "tidyr"))

# Cargar paquetes
library(tidyverse)
library(readr)
library(ggplot2)
library(dplyr)
library(tidyr)

# Configurar opciones
options(scipen = 999)  # Evitar notación científica

Paso 8.3: Identificar equivalencias Python-R

Crea una tabla de referencia:

# Tabla de equivalencias Python ↔ R
# =====================================
# Python (pandas)          R (tidyverse)
# -------------------------------------
# df.head()               head(df)
# df.describe()           summary(df)
# df['columna']           df$columna
# df.groupby()            df %>% group_by()
# df.merge()              df %>% left_join()
# df.pivot_table()        df %>% pivot_wider()
# pd.read_csv()           read_csv()
# matplotlib.pyplot       ggplot2
# seaborn                 ggplot2 + extensiones

Paso 8.4: Replicar carga de datos

Busca en el notebook de Colab cómo se cargan los datos y replica en R:

# Carga de datos
# ==============
# En Colab (Python):
# df = pd.read_csv('datos.csv')

# En R:
datos <- read_csv("ruta/al/archivo.csv")

# Si los datos están en el notebook, crearlos manualmente:
datos <- tibble(
  id = 1:100,
  variable1 = rnorm(100, mean = 50, sd = 10),
  variable2 = runif(100, min = 0, max = 100),
  categoria = sample(c("A", "B", "C"), 100, replace = TRUE)
)

Paso 8.5: Replicar análisis descriptivo

# Análisis descriptivo
# ====================
# En Colab (Python):
# df.describe()

# En R:
summary(datos)

# Estadísticas por grupo
# En Colab (Python):
# df.groupby('categoria')['variable1'].mean()

# En R:
datos %>%
  group_by(categoria) %>%
  summarise(
    media = mean(variable1, na.rm = TRUE),
    desviacion = sd(variable1, na.rm = TRUE),
    n = n()
  )

Paso 8.6: Replicar visualizaciones

# Visualizaciones
# ===============
# En Colab (Python con matplotlib):
# plt.hist(df['variable1'])

# En R con ggplot2:
ggplot(datos, aes(x = variable1)) +
  geom_histogram(bins = 30, fill = "steelblue", alpha = 0.7) +
  labs(
    title = "Distribución de Variable 1",
    x = "Variable 1",
    y = "Frecuencia"
  ) +
  theme_minimal()

# Gráfico de cajas por categoría
# En Colab (Python con seaborn):
# sns.boxplot(x='categoria', y='variable1', data=df)

# En R:
ggplot(datos, aes(x = categoria, y = variable1, fill = categoria)) +
  geom_boxplot(alpha = 0.7) +
  labs(
    title = "Variable 1 por Categoría",
    x = "Categoría",
    y = "Variable 1"
  ) +
  theme_minimal() +
  theme(legend.position = "none")

Paso 8.7: Documentar diferencias

Agrega comentarios sobre las diferencias encontradas:

# Diferencias encontradas
# =======================
# 1. Sintaxis: Python usa métodos encadenados (df.method()), 
#    R usa pipes (%>%)
# 2. Indexación: Python usa corchetes [], R usa $ para columnas
# 3. Gráficos: matplotlib es más verboso, ggplot2 es más declarativo
# 4. Manejo de NA: Python usa NaN, R usa NA
# 5. Tipos de datos: Python es más flexible, R es más estricto

Paso 8.8: Guardar y ejecutar

  1. Guarda el script (Ctrl + S / Cmd + S)
  2. Ejecuta línea por línea (Ctrl + Enter / Cmd + Enter)
  3. Verifica que los resultados coinciden con Colab
  4. Guarda las visualizaciones generadas

⚠️ Nota importante: No todos los análisis de Python tienen equivalente directo en R. Documenta estas limitaciones y propón alternativas.

8. Entregables

Debes entregar los siguientes elementos:

8.1 Archivo RMarkdown (.Rmd)

  • Documento completo con todo el análisis
  • Código ejecutable y comentado
  • Narrativa clara y profesional

8.2 Archivos compilados

  • Estadistica_Aplicada_Semana_2.html
  • Estadistica_Aplicada_Semana_2.pdf
  • Estadistica_Aplicada_Semana_2.docx

8.3 Enlace a RPubs

  • URL pública de tu publicación
  • Verifica que el enlace funciona

8.4 Script de replicación

  • Replicacion_Analisis_Colab.R
  • Código R que replica el análisis de Colab
  • Comentarios sobre diferencias y equivalencias

8.5 Documento de bitácora

Archivo de texto o Markdown con: - Fecha y hora de cada paso - Problemas encontrados y soluciones - Consultas a IA (prompts y respuestas) - Reflexión sobre el aprendizaje

8.6 Capturas de pantalla (opcional pero recomendado)

  • Configuración de cuentas
  • Interfaces de Posit Cloud y RPubs
  • Publicación exitosa

Fecha de entrega: [Consultar calendario académico]
Formato de entrega: Repositorio GitHub o plataforma institucional

9. Recursos Adicionales

Tutoriales Recomendados

Videos Tutoriales

  • “R Markdown en español” - búsqueda en YouTube
  • “Publicar en RPubs” - tutoriales de la comunidad R

Comunidades y Soporte

Libros de Referencia

  • Wickham, H., Çetinkaya-Rundel, M., & Grolemund, G. (2023). R for Data Science (2nd ed.). O’Reilly Media. Disponible en línea
  • Xie, Y., Allaire, J. J., & Grolemund, G. (2018). R Markdown: The Definitive Guide. CRC Press.

Consideraciones Finales

Ética y Responsabilidad

  • Uso de IA: Documenta siempre las consultas a agentes de IA
  • Originalidad: No copies respuestas de IA sin validarlas críticamente
  • Citación: Cita todas las fuentes utilizadas
  • Privacidad: No incluyas datos sensibles en publicaciones públicas

Buenas Prácticas

  • Guarda frecuentemente: Usa Ctrl + S regularmente
  • Comenta tu código: Explica qué hace cada sección
  • Usa nombres descriptivos: Variables y archivos con nombres claros
  • Organiza tu trabajo: Carpetas estructuradas y archivos bien nombrados
  • Haz respaldos: Usa Git/GitHub o servicios de nube

Solución de Problemas Comunes

Problema Solución
Error al compilar PDF Instala TinyTeX: tinytex::install_tinytex()
Gráficos no se muestran Verifica que el chunk tenga fig.cap y dimensiones apropiadas
Tablas mal formateadas Usa knitr::kable() con opciones apropiadas
Error de paquetes Instala paquetes faltantes: install.packages("nombre")
RPubs no acepta publicación Verifica conexión a internet y credenciales
Código no ejecuta Revisa sintaxis y dependencias de paquetes

¡Éxito en tu actividad!

Recuerda que el objetivo no es solo completar los pasos técnicos, sino comprender el flujo de trabajo de ciencia reproducible y desarrollar criterio ingenieril en el uso de herramientas computacionales.

Si tienes dudas, consulta con el docente o utiliza los recursos de la comunidad R.

Documento elaborado por: Justo Rafael Fuentes Cuello
Fecha: 12 de agosto de 2026
Versión: 1.0
Licencia: Uso educativo, Universidad de Sucre