Curso de Análisis de Datos con R para tu equipo — Decisiones con datos

Instalación de R desde CRAN.

Instalación y configuración de RStudio Desktop.

Revisión de RStudio/Posit como entorno de trabajo.

Consola, editor, panel de entorno, historial, plots, files y help.

Creación de proyectos `.Rproj`.

Configuración de rutas relativas.

Gestión básica de paquetes.

Instalación de librerías desde CRAN.

Resolución de problemas de instalación.

Primer script ejecutado desde RStudio.

Sintaxis básica de R.

Variables, asignación y comentarios.

Tipos de datos principales.

Vectores, listas, matrices y data frames.

Tibbles y estructuras tabulares modernas.

Operadores aritméticos, lógicos y relacionales.

Indexación y selección de elementos.

Valores especiales: `NA`, `NULL`, `NaN` e `Inf`.

Conversión de tipos.

Ejercicios de base con datos empresariales.

Declaración de funciones.

Parámetros, valores por defecto y retorno.

Condicionales `if`, `else` y `ifelse`.

Bucles `for`, `while` y alternativas vectorizadas.

Uso de `apply`, `lapply`, `sapply` y funciones similares.

Introducción a programación funcional.

Depuración con RStudio.

Uso de breakpoints y mensajes de control.

Gestión básica de errores.

Refactorización de scripts sencillos.

Estructura profesional de carpetas.

Separación entre datos brutos, datos tratados y resultados.

Scripts principales y scripts auxiliares.

Nomenclatura de archivos, variables y objetos.

Uso de rutas relativas.

Creación de README y documentación básica.

Introducción a `renv`.

Control de dependencias.

Preparación de proyectos compartibles.

Buenas prácticas de organización.

Importación de CSV.

Importación de Excel.

Lectura de ficheros delimitados.

Lectura de archivos de texto plano.

Importación de varias hojas de Excel.

Control de encoding y separadores.

Gestión de columnas mal detectadas.

Importación de datos SPSS, SAS o Stata.

Unión de varios ficheros de una carpeta.

Validación inicial tras la carga.

Detección de valores perdidos.

Tratamiento de duplicados.

Normalización de nombres de columnas.

Limpieza de textos.

Corrección de categorías mal escritas.

Tratamiento de fechas incorrectas.

Conversión de tipos.

Gestión de outliers.

Creación de reglas de limpieza.

Documentación de decisiones de transformación.

Introducción al ecosistema tidyverse.

Uso de `dplyr`.

Filtrado de registros.

Selección de columnas.

Creación de variables con `mutate`.

Agrupación y resumen con `group_by` y `summarise`.

Ordenación de datos.

Uso de pipes.

Transformaciones encadenadas.

Ejercicios de análisis de ventas, clientes y productos.

Conversión de datos a formato tidy.

Uso de `pivot_longer` y `pivot_wider`.

Separación y unión de columnas.

Limpieza avanzada de cadenas con `stringr`.

Uso de expresiones regulares básicas.

Tratamiento de mayúsculas, espacios y caracteres especiales.

Gestión de fechas con `lubridate`.

Extracción de año, mes, semana y día.

Creación de variables temporales.

Preparación de datasets listos para análisis.

Concepto de clave primaria y clave externa.

Granularidad de los datos.

`inner_join`, `left_join`, `right_join` y `full_join`.

`semi_join` y `anti_join`.

Riesgos de duplicación por claves no únicas.

Validación de uniones.

Combinación de clientes, ventas, productos y calendario.

Detección de registros sin correspondencia.

Creación de datasets analíticos.

Buenas prácticas de modelado tabular.

Media, mediana y moda.

Percentiles y cuantiles.

Varianza y desviación estándar.

Rango, IQR y coeficiente de variación.

Tablas de frecuencia.

Análisis por grupos.

Distribuciones y asimetrías.

Detección de outliers.

Tablas resumen para informes.

Interpretación de métricas descriptivas en negocio.

Revisión inicial de dimensiones y estructura.

Análisis de nulos y duplicados.

Distribuciones de variables numéricas.

Análisis de variables categóricas.

Relaciones entre variables.

Segmentaciones por grupo.

Detección de patrones.

Formulación de hipótesis iniciales.

Creación de perfiles de dataset.

Informe exploratorio básico.

Introducción a la visualización de datos.

Gráficos básicos en R.

Gramática de gráficos con ggplot2.

Gráficos de líneas.

Gráficos de barras.

Gráficos de dispersión.

Histogramas.

Boxplots y gráficos de caja y bigotes.

Personalización de títulos, ejes y leyendas.

Elección del gráfico adecuado según la pregunta.

Facetas en ggplot2.

Escalas y formatos.

Uso correcto del color.

Ordenación de categorías.

Gráficos comparativos.

Gráficos para evolución temporal.

Gráficos para ranking.

Gráficos para distribución.

Errores visuales frecuentes.

Creación de plantillas gráficas corporativas.

Población, muestra y estimación.

Intervalos de confianza.

Pruebas de hipótesis.

p-value y significación.

Tamaño de efecto.

Prueba t.

Chi-cuadrado.

ANOVA.

Pruebas no paramétricas.

Interpretación de resultados estadísticos para negocio.

Diferencia entre correlación y causalidad.

Diseño básico de experimentos.

Grupo control y grupo tratamiento.

Métrica principal.

Tamaño muestral.

Test A/B para conversión.

Análisis de resultados.

Riesgos de parar antes de tiempo.

Segmentación de resultados.

Comunicación de conclusiones.

Introducción a R Markdown.

Introducción a Quarto.

Creación de informes reproducibles.

Combinación de texto, código, tablas y gráficos.

Exportación a HTML.

Exportación a PDF.

Exportación a Word.

Informes parametrizados.

Plantillas de informes corporativos.

Automatización de informes recurrentes.

Principios de comunicación de resultados.

Diferencia entre análisis técnico e informe ejecutivo.

Estructura narrativa de un análisis.

Contexto, pregunta, hallazgos y recomendación.

Selección de gráficos para dirección.

Redacción de conclusiones accionables.

Presentaciones con Quarto.

Exportación de gráficos a PowerPoint.

Gestión de incertidumbre y limitaciones.

Defensa oral de resultados.

Qué es un modelo predictivo.

Diferencia entre análisis descriptivo, diagnóstico y predictivo.

Variables objetivo y variables explicativas.

Separación entre entrenamiento y test.

Métricas básicas de evaluación.

Riesgo de sobreajuste.

Validación básica de modelos.

Interpretabilidad frente a precisión.

Casos de uso en empresa.

Preparación del dataset para modelado.

Creación de un proyecto completo con R.

Importación de datos desde CSV y Excel.

Limpieza de datos reales.

Transformación con tidyverse.

Unión de varias tablas.

Análisis exploratorio.

Estadística descriptiva e inferencial básica.

Visualizaciones profesionales.

Informe reproducible en Quarto o R Markdown.

Presentación ejecutiva con conclusiones y recomendaciones.