1. Instalación y visualización

1. Instala los siguientes paquetes (o colecciones):

• tidyverse de CRAN (install.packages("tidyverse"))
• devtools de CRAN (install.packages("devtools"))
• gapminder de CRAN (install.packages("gapminder"))
• estcomp de GitHUB (debes haber instalado devtools y correr devtools::install_github("tereom/estcomp"))
• mxmaps instalarlo es opcional de GitHub

2. Visualización

• Elige un base de datos, recuerda que en la ayuda puedes encontrar más información de las variables (?gapminder):
  • gapminder (paquete gapminder en CRAN).
  • election_2012 ó election_sub_2012 (paquete estcomp).
  • df_edu (paquete estcomp).
  • enlacep_2013 o un subconjuto de este (paquete estcomp).

• Escribe algunas preguntas que consideres interesantes de los datos.

• Realiza \(3\) gráficas buscando explorar las preguntas de arriba y explica las relaciones que encuentres. Debes usar lo que revisamos en estas notas y al menos una de las gráficas debe ser de paneles (usando facet_wrap() o facet_grid).

4. Prueba (en clase)!

Ejercicios basados en ejercicios de Wickham and Grolemund (2017).

Socrative: https://b.socrative.com/login/student/
Room: ESTCOMP

library(tidyverse,warn.conflicts = FALSE, quietly = TRUE)
library(gridExtra)

# 1.
one <- ggplot(data = mpg) +
  geom_smooth(mapping = aes(x = displ, y = hwy))

# 2.
two <- ggplot(data = mpg) +
  geom_smooth(mapping = aes(x = displ, y = hwy), se = FALSE)

# 3.
three <- ggplot(data = mpg) +
  geom_smooth(mapping = aes(x = displ, y = hwy, group = drv))

# 4. 
four <- ggplot(data = mpg) + 
  geom_point(mapping = aes(x = displ, y = hwy, color = "blue"), 
    show.legend = FALSE)

# 5.
five <- ggplot(data = mpg) + 
  geom_point(mapping = aes(x = displ, y = hwy), color = "blue", 
    show.legend = FALSE)

# 6. 
six <- ggplot(data = mpg) + 
  geom_point(mapping = aes(x = displ, y = hwy), color = "class", 
    show.legend = FALSE)

# 7.
seven <- ggplot(data = mpg) + 
  geom_point(mapping = aes(x = displ, y = hwy, color = "class"), 
    show.legend = FALSE)

eight <- ggplot(data = mpg, mapping = aes(x = displ, y = hwy, color = drv)) + 
  geom_point() + 
  geom_smooth()

nine <- ggplot(data = mpg, mapping = aes(x = displ, y = hwy)) + 
  geom_point(aes(color = drv)) + 
  geom_smooth(data = select(mpg, displ, hwy), aes(x = displ, y = hwy))

ten <- ggplot(data = mpg, mapping = aes(x = displ, y = hwy)) + 
  geom_point(aes(color = drv)) +
  geom_smooth()

eleven <- ggplot(data = mpg) + 
  geom_point(aes(x = displ, y = hwy, color = drv)) + 
  geom_smooth(aes(x = displ, y = hwy, color = drv))

Referencias

Wickham, Hadley, and Garrett Grolemund. 2017. R for Data Science: Import, Tidy, Transform, Visualize, and Model Data. 1st ed. O’Reilly Media, Inc.