Curso de RStudio

Lección 1 • Instalación de R y RStudio

Cubre la descarga y configuración de R y RStudio en los principales sistemas operativos. Establece el entorno de trabajo necesario para todos los ejercicios posteriores.

Lección 2 • Navegación por la interfaz de RStudio

Presenta los cuatro paneles principales y sus funciones dentro de RStudio. Permite un flujo de trabajo eficiente al dominar la personalización del diseño y el uso de los paneles.

Lección 3 • Escritura y ejecución de scripts de R

Enseña a crear, guardar y ejecutar archivos de script de R. Conecta los hábitos de programación con flujos de trabajo de análisis de datos reproducibles y organizados.

Lección 4 • Obtención de ayuda en RStudio

Demuestra las herramientas de ayuda integradas, la consulta de documentación y los recursos de la comunidad. Capacita a los estudiantes para solucionar problemas de forma independiente durante todo el curso.

Lección 1 • Trabajo con vectores

Enseña a crear, indexar y operar con vectores atómicos. Los vectores son el bloque de construcción fundamental de todas las estructuras de datos en R.

Lección 2 • Listas y estructuras anidadas

Explica las listas como contenedores flexibles para tipos de datos mixtos. Prepara a los estudiantes para manejar datos complejos y jerárquicos, comunes en proyectos reales.

Lección 3 • Tipos de datos escalares en R

Cubre los tipos numérico, entero, caracter, lógico y complejo. Comprender los tipos previene errores de coerción en tareas posteriores de manipulación de datos.

Lección 4 • Matrices y arreglos

Presenta las matrices bidimensionales y los arreglos multidimensionales. Desarrolla habilidades para la computación numérica y la representación estructurada de datos.

Lección 1 • Importación de JSON y datos web

Demuestra el uso de jsonlite y httr para leer respuestas JSON y de API. Amplía el acceso a datos hacia fuentes modernas basadas en la web y semiestructuradas.

Lección 2 • Exportación de datos y resultados

Cubre write.csv(), writexl y saveRDS para guardar resultados. Asegura que los estudiantes puedan entregar productos de datos limpios y reproducibles a las partes interesadas.

Lección 3 • Lectura de archivos CSV y de texto

Enseña read.csv(), read.table() y las funciones de readr para archivos planos. Establece el flujo de trabajo de ingesta de datos más común utilizado en la práctica.

Lección 4 • Conexión a bases de datos

Presenta los paquetes DBI y odbc para consultar bases de datos relacionales. Permite a los estudiantes acceder a fuentes de datos empresariales directamente desde RStudio.

Lección 1 • Manejo de datos faltantes

Cubre la detección, eliminación e imputación de valores faltantes en marcos de datos. Previene errores posteriores causados por valores NA en los flujos de análisis.

Lección 2 • Unión y combinación de marcos de datos

Explica las uniones izquierda, derecha, interna y completa usando las funciones de unión de dplyr. Desarrolla la capacidad de combinar datos de múltiples fuentes en un solo conjunto de datos.

Lección 3 • Reestructuración de datos con tidyr

Demuestra pivot_longer() y pivot_wider() para la transformación de datos ordenados. La estructura ordenada es requerida por la mayoría de las funciones de visualización y modelado.

Lección 4 • Verbos centrales de dplyr

Enseña filter(), select(), mutate(), arrange() y summarize(). Estos cinco verbos manejan la mayoría de las tareas de transformación de datos del mundo real.

Lección 1 • Tipos de gráficos comunes

Cubre diagramas de dispersión, gráficos de barras, histogramas, diagramas de caja y gráficos de líneas. Emparejar el tipo de gráfico con el tipo de dato es una habilidad central de comunicación de datos.

Lección 2 • Guardado y exportación de gráficos

Cubre ggsave() con opciones de formato, resolución y tamaño para la exportación. Asegura que los gráficos cumplan con los estándares de calidad para informes, presentaciones y publicaciones.

Lección 3 • Facetado y gráficos multipanel

Demuestra facet_wrap() y facet_grid() para visualizaciones de pequeños múltiplos. El facetado revela patrones a nivel de grupo sin saturar un solo gráfico.

Lección 4 • Personalización de temas y etiquetas

Enseña etiquetas de ejes, títulos, leyendas y temas integrados para una presentación pulida. La personalización transforma los gráficos en bruto en visualizaciones profesionales y listas para la audiencia.

Lección 1 • Prueba de hipótesis

Cubre pruebas t, pruebas chi-cuadrado y ANOVA para comparar grupos. Los estudiantes seleccionan la prueba adecuada según el tipo de dato y la pregunta de investigación.

Lección 2 • Análisis de correlación

Enseña los coeficientes de correlación de Pearson y Spearman y las pruebas de significación. La correlación cuantifica las relaciones lineales y monótonas entre variables.

Lección 3 • Estadística descriptiva

Calcula medidas de tendencia central, dispersión y forma de la distribución. Los resúmenes descriptivos son el punto de partida para cualquier análisis cuantitativo.

Lección 4 • Regresión múltiple y selección de modelos

Extiende la regresión a múltiples predictores e introduce criterios de comparación de modelos. Los estudiantes construyen modelos parsimoniosos que equilibran ajuste y complejidad.

Lección 1 • Formateo de tablas en reportes

Demuestra knitr::kable() y kableExtra para tablas estilizadas y listas para publicación. Las tablas bien formateadas comunican resúmenes de datos de manera más efectiva que la salida en bruto.

Lección 2 • Reportes parametrizados

Enseña parámetros YAML y render() para generar múltiples variantes de reportes. La parametrización automatiza la producción de reportes en diferentes subgrupos o períodos de tiempo.

Lección 3 • Salida a PDF y Word

Configura la salida de PDF basada en LaTeX y las plantillas de documentos de Word. Hacer coincidir el formato de salida con los estándares de la organización asegura la aceptación de las partes interesadas.

Lección 4 • Introducción a R Markdown

Explica la estructura del archivo R Markdown, el encabezado YAML y el proceso de knit. Los reportes reproducibles eliminan los errores manuales de copiar y pegar en los entregables analíticos.

Lección 1 • Programación funcional con purrr

Enseña map(), map_df() y walk() para aplicar funciones sobre listas. La iteración funcional reemplaza los bucles for propensos a errores con código legible y predecible.

Lección 2 • Depuración y manejo de errores

Presenta tryCatch(), browser() y traceback() para diagnosticar fallas de código. Un manejo de errores robusto previene fallas silenciosas en los flujos de análisis en producción.

Lección 3 • Flujo de control y condicionales

Explica if/else, switch(), bucles for y bucles while en R. Las estructuras de flujo de control permiten un comportamiento del programa dinámico y dependiente de condiciones.

Lección 4 • Escritura de funciones personalizadas

Cubre la sintaxis de funciones, argumentos, valores predeterminados y valores de retorno. Las funciones personalizadas eliminan la duplicación de código y refuerzan la lógica coherente en todos los scripts.