proyecto-clase.R - PDF to Podcast
Published on Oct 17, 2026
Description:
Bienvenidos a Datos en voz alta. Hoy abrimos una libreta de análisis exploratorio y nos asomamos a una salida de R sobre la Encuesta Nacional de Calidad de Vida 2023.
El material que vamos a comentar es un script de clase. Carga varias librerías, lee un archivo CSV y produce resúmenes, tablas y gráficos.
La idea no es celebrar cada número, sino entender qué nos está mostrando el código y qué queda todavía por interpretar.
Y una advertencia de método: aquí vamos a separar los hechos que aparecen en la salida de las lecturas que hagamos sobre ellos.
Empecemos por lo básico. ¿Qué tamaño tiene el conjunto de datos?
La función dim devuelve 240.212 filas y 79 columnas.
Eso es un volumen considerable para un ejercicio de exploración.
El archivo se lee con read_delim, con delimitador punto y coma, show_col_types en FALSE y una lista de valores perdidos que incluye la cadena vacía y NA.
¿Y qué tipo de columnas aparecen?
La salida de str muestra un data frame con columnas numéricas, lógicas y de texto. Por ejemplo, P3510S1 aparece como lógica y P755S1 como carácter.
Eso importa porque no es lo mismo contar categorías que calcular promedios.Pasemos a la variable P6020. ¿Qué muestra la tabla?
La tabla con useNA igual a ifany devuelve 116.098 casos para el código 1 y 124.114 para el código 2.
El comentario del script presenta esa variable como sexo al nacer, pero la salida solo nos da códigos.
Los porcentajes calculados son 48,33% y 51,67%.Además, el script prepara una tabla con frecuencia y porcentaje y un gráfico de columnas para P6020.
En la salida impresa no aparece una fila de NA para esta variable.
Correcto. Y conviene no poner etiquetas que no estén en el diccionario; por ahora tenemos códigos y frecuencias.
Vamos a la edad, P6040. ¿Qué dice el resumen?
El mínimo es 0, el primer cuartil 16, la mediana 33, la media 34,73, el tercer cuartil 52 y el máximo 104.
¿Y la desviación estándar?
22,27.
También se calcularon asimetría y curtosis.
La asimetría es 0,35 y la curtosis de exceso es -0,83.
¿Cómo se traduce eso en las gráficas?
El script hace un histograma con binwidth de 5 y un diagrama de caja con na.rm en TRUE.
La lectura que yo haría es que el histograma y el boxplot ayudan a ver la forma, pero no reemplazan el diccionario de variables.
Hay un punto que no conviene saltarse: los valores perdidos. En P5502 la tabla muestra 35.452 casos NA.
Eso es una porción grande de casos sin dato. ¿Qué otras frecuencias aparecen?
La tabla de P6051 tiene 14 categorías. La categoría 1 suma 86.405 casos y la 3 suma 82.155.
Entonces, cualquier cruce con esas variables tiene que declarar qué hace con los NA.
El script usa useNA igual a ifany en varias tablas.
A mí me parece una buena práctica, porque obliga a mirar lo que falta antes de sacar conclusiones.Para cerrar, ¿qué tres ideas nos llevamos?
Primera: el conjunto tiene 240.212 registros y 79 variables. Segunda: la mediana de edad es 33 años y la media 34,73. Tercera: hay valores perdidos que hay que declarar, como los 35.452 NA de P5502.
Yo añadiría una idea de método: no convertir códigos en etiquetas sin el diccionario.
De acuerdo. La salida nos da una fotografía útil, pero no nos exime de leer el cuestionario y justificar cada decisión.
Gracias por acompañarnos en Datos en voz alta. Nos vemos en el próximo episodio.