Curso de programación en R

Lección 1 • Escritura y Ejecución de Scripts de R

Enseña la creación de scripts, el uso de source() y la interacción con la consola. Conecta el conocimiento de sintaxis con flujos de trabajo reproducibles basados en archivos.

Lección 2 • Obtención de Ayuda y Uso de Documentación

Demuestra help(), ? y recursos en línea para el aprendizaje autodirigido. Capacita a los estudiantes para resolver problemas de forma independiente durante el curso.

Lección 3 • Instalación y Configuración de R

Configura R y RStudio en los principales sistemas operativos. Establece la base técnica de la que depende cada capítulo subsiguiente.

Lección 4 • Sintaxis Básica y Operadores de R

Cubre operadores de asignación, aritméticos, lógicos y de comparación. Proporciona el vocabulario sintáctico utilizado en cada expresión de R.

Lección 1 • Matrices y Arreglos

Construye estructuras bidimensionales y multidimensionales usando matrix() y array(). Prepara a los estudiantes para cómputo numérico y operaciones tabulares.

Lección 2 • Data Frames: La Estructura Tabular Central

Enseña la creación de data.frame(), acceso a columnas y filtrado de filas. Los data frames son el formato estándar para todos los flujos de trabajo de análisis de datos.

Lección 3 • Listas y Estructuras Anidadas

Presenta contenedores heterogéneos mediante list() e indexación anidada. Las listas son esenciales para almacenar resultados de tipos mixtos y modelos.

Lección 4 • Factores y Categorías Ordenadas

Explica factor() para datos categóricos y factores ordenados para variables ordinales. El uso correcto de factores es crítico para modelado y graficación.

Lección 1 • Sentencias Condicionales

Cubre if, else if, else e ifelse() para lógica de ramificación. El control condicional es la base de todos los programas de R basados en decisiones.

Lección 2 • Escritura de Funciones Personalizadas

Define funciones con argumentos, valores predeterminados y valores de retorno. Las funciones personalizadas son la herramienta principal para código reutilizable y comprobable.

Lección 3 • Ámbito y Entornos

Explica el ámbito local vs. global y la jerarquía de entornos en R. Comprender el ámbito previene errores sutiles en scripts con muchas funciones.

Lección 4 • Bucles: for, while y repeat

Enseña patrones de iteración y control de bucles con next y break. Los bucles automatizan operaciones repetitivas sobre estructuras de datos.

Lección 1 • Manejo de Datos Faltantes e Inconsistentes

Enseña detección de NA, estrategias de imputación y eliminación de duplicados. Los datos limpios son un prerrequisito para resultados estadísticos y visuales válidos.

Lección 2 • Exportación y Almacenamiento de Resultados

Demuestra write.csv(), saveRDS() y exportación a Excel. La exportación adecuada asegura la reproducibilidad y la capacidad de compartir los resultados analíticos.

Lección 3 • Conversión y Validación de Tipos de Datos

Cubre as.numeric(), as.Date() y patrones de validación de entrada. Las discrepancias de tipos son una causa principal de errores silenciosos en los pipelines de R.

Lección 4 • Conexión a Bases de Datos y APIs

Presenta DBI, RODBC y httr para acceso a bases de datos y datos web. Expande la obtención de datos más allá de los archivos locales hacia sistemas en vivo.

Lección 1 • Manipulación de Cadenas con stringr

Presenta str_detect(), str_replace() y str_extract() para columnas de texto. La limpieza de cadenas es un requisito frecuente en conjuntos de datos del mundo real.

Lección 2 • Agrupación y Resumen de Datos

Cubre group_by() y summarize() para estadísticas agregadas. Los resúmenes agrupados son la columna vertebral de los flujos de trabajo exploratorios y de reportes.

Lección 3 • Remodelado de Datos con tidyr

Cubre pivot_longer(), pivot_wider() y separate(). El remodelado convierte datos entre formatos ancho y largo requeridos por diferentes funciones.

Lección 4 • Verbos Centrales de dplyr

Enseña filter(), select(), mutate(), arrange() y rename(). Estos cinco verbos manejan la mayoría de las transformaciones de filas y columnas.

Lección 1 • Gramática y Estética de ggplot2

Explica la llamada ggplot(), los mapeos aes() y el modelo de capas. Comprender la gramática es necesario antes de construir cualquier tipo de gráfico específico.

Lección 2 • Facetas y Gráficos Multi-Panel

Presenta facet_wrap() y facet_grid() para visualizaciones de múltiplos pequeños. Las facetas revelan patrones a nivel de grupo que los gráficos individuales ocultan.

Lección 3 • Tipos de Gráficos Comunes

Cubre gráficos de dispersión, barras, histograma, caja y líneas. Cada geom se asigna al tipo de datos y la pregunta analítica que mejor responde.

Lección 4 • Escalas, Ejes y Sistemas de Coordenadas

Enseña funciones scale_*(), etiquetas de ejes y coord_flip(). El escalado adecuado asegura una codificación visual precisa de la información cuantitativa.

Lección 1 • Distribuciones de Probabilidad

Cubre las funciones d, p, q, r para distribuciones normal, binomial y otras. Las funciones de distribución sustentan la simulación, las pruebas y el modelado.

Lección 2 • Regresión Lineal

Construye e interpreta modelos lineales simples y múltiples con lm(). La regresión es la técnica predictiva y explicativa más utilizada.

Lección 3 • Pruebas de Hipótesis

Enseña pruebas t, pruebas chi-cuadrada y ANOVA usando funciones base de R. Las pruebas de hipótesis proporcionan respuestas basadas en evidencia a preguntas analíticas.

Lección 4 • Estadística Descriptiva

Calcula tendencia central, dispersión y forma de la distribución usando R base. Los resúmenes descriptivos son el primer paso en cualquier flujo de trabajo analítico.

Lección 1 • Construcción de un Paquete Básico de R

Recorre devtools, DESCRIPTION y la documentación con roxygen2. Empaquetar código permite la reutilización, las pruebas y la distribución entre equipos.

Lección 2 • Organización de Proyectos y Buenas Prácticas

Cubre RStudio Projects, estructura de directorios y convenciones de nomenclatura. Una organización consistente hace que el código sea navegable para colaboradores y para uno mismo en el futuro.

Lección 3 • Control de Versiones con Git y GitHub

Integra commits de Git, ramas y pull requests en los flujos de trabajo de R. El control de versiones es el estándar de la industria para código colaborativo y auditable.

Lección 4 • Gestión de Paquetes y renv

Enseña library(), install.packages() y renv para el bloqueo de dependencias. Los entornos reproducibles aseguran que el código se ejecute de manera idéntica en diferentes máquinas.