Sección 7: Análisis Exploratorio de Datos

<img src="img/see.png" width="250px"/>
# Sección 7: Análisis Exploratorio de Datos 
## **PROGRAMA INTERNACIONAL DE ESTADÍSTICA APLICADA A LA INVESTIGACIÓN CIENTÍFICA**
#### MÓDULO: SOFTWARES PARA EL MANEJO DE DATOS <br> <br> Linda Cabrera Orellana
#### Marzo, 2023

---

---

---

# <svg aria-hidden="true" role="img" viewBox="0 0 512 512" style="height:1em;width:1em;vertical-align:-0.125em;margin-left:auto;margin-right:auto;font-size:inherit;fill:currentColor;overflow:visible;position:relative;"><path d="M64 64c0-17.7-14.3-32-32-32S0 46.3 0 64V400c0 44.2 35.8 80 80 80H480c17.7 0 32-14.3 32-32s-14.3-32-32-32H80c-8.8 0-16-7.2-16-16V64zm406.6 86.6c12.5-12.5 12.5-32.8 0-45.3s-32.8-12.5-45.3 0L320 210.7l-57.4-57.4c-12.5-12.5-32.8-12.5-45.3 0l-112 112c-12.5 12.5-12.5 32.8 0 45.3s32.8 12.5 45.3 0L240 221.3l57.4 57.4c12.5 12.5 32.8 12.5 45.3 0l128-128z"/></svg> Análisis exploratorio de datos

El análisis exploratorio es un enfoque en el que se "deja hablar a los datos" para que ellos nos den las pistas necesarias para construir modelos o incluso desarrollar supuestos o conclusiones.

Conocer los datos "como a la palma de tu mano", este es el primer beneficio del EDA ( _Exploratory Data Analysis_ ), algo útil seas científico, analista comercial, de marketing, ingeniero o cualquier puesto donde analizar datos sea fundamental.

El EDA permite entender los datos examinando las variables y sus interacciones antes de aplicar las técnicas estadísticas, debido a que nos permite encontrar errores en el conjunto de datos. Se realiza mediante **estadísticos descriptivos** y principalmente **gráficos**.

Suele ser un proceso iterativo:
   - se plantea una pregunta 
   - se grafica o se crea una tabla para responder
   - se obtiene una idea o una nueva pregunta del paso anterior
   - Proporciona pistas o intuición

---

# <svg aria-hidden="true" role="img" viewBox="0 0 512 512" style="height:1em;width:1em;vertical-align:-0.125em;margin-left:auto;margin-right:auto;font-size:inherit;fill:currentColor;overflow:visible;position:relative;"><path d="M24 32C37.25 32 48 42.75 48 56V408C48 421.3 58.75 432 72 432H488C501.3 432 512 442.7 512 456C512 469.3 501.3 480 488 480H72C32.24 480 0 447.8 0 408V56C0 42.75 10.75 32 24 32zM128 136C128 122.7 138.7 112 152 112H360C373.3 112 384 122.7 384 136C384 149.3 373.3 160 360 160H152C138.7 160 128 149.3 128 136zM296 208C309.3 208 320 218.7 320 232C320 245.3 309.3 256 296 256H152C138.7 256 128 245.3 128 232C128 218.7 138.7 208 152 208H296zM424 304C437.3 304 448 314.7 448 328C448 341.3 437.3 352 424 352H152C138.7 352 128 341.3 128 328C128 314.7 138.7 304 152 304H424z"/></svg> Histograma de frecuencias

.pull-left[
Para explorar variables numéricas continuas o discretas podemos utilizar los histogramas de frecuencias con `geom_histogram()`.

El histograma clasifica al conjunto de datos numéricos en intervalos o contenedores ( _bins_ ) y realiza un conteo de las observaciones presentes en cada uno de esos contenedores.

Son muy útiles porque permiten:

- Visualizar la variabilidad
- Identificar valores atípicos
- Evaluar el ajuste de una función de distribución de probabilidad
- Analizar la simetría de los datos

**Valores atípicos:** ( _outlier_ en inglés ) observación que es numéricamente distante del resto de los datos.

]

---

# <svg aria-hidden="true" role="img" viewBox="0 0 512 512" style="height:1em;width:1em;vertical-align:-0.125em;margin-left:auto;margin-right:auto;font-size:inherit;fill:currentColor;overflow:visible;position:relative;"><path d="M24 32C37.25 32 48 42.75 48 56V408C48 421.3 58.75 432 72 432H488C501.3 432 512 442.7 512 456C512 469.3 501.3 480 488 480H72C32.24 480 0 447.8 0 408V56C0 42.75 10.75 32 24 32zM128 136C128 122.7 138.7 112 152 112H360C373.3 112 384 122.7 384 136C384 149.3 373.3 160 360 160H152C138.7 160 128 149.3 128 136zM296 208C309.3 208 320 218.7 320 232C320 245.3 309.3 256 296 256H152C138.7 256 128 245.3 128 232C128 218.7 138.7 208 152 208H296zM424 304C437.3 304 448 314.7 448 328C448 341.3 437.3 352 424 352H152C138.7 352 128 341.3 128 328C128 314.7 138.7 304 152 304H424z"/></svg> Histograma de frecuencias

```r
profesores %>%
    ggplot(aes(x = edad)) +
# agregamos la capa de geometría
    geom_histogram(binwidth = 8,
                   color = "black",
                   fill = "chartreuse4",
                   alpha = 0.5) +
# agregamos capa de escalas
    scale_x_continuous(breaks = seq(20, 70, 8)) +
    scale_y_continuous(breaks = seq(0, 65, 10)) +
# agregamos capa de temas
    labs(x = "Edad de Profesores",
         y = "Frecuencia",
         title = "Edad de Profesores Encuestados",
         subtitle = "Histograma de frecuencias") +
    theme(text = element_text(colour = "grey45",
                              size = 10),
          plot.title = element_text(face = "bold",
                                    size = 14,
                                    colour = "grey30"),
          plot.background = element_rect(fill = "grey92"),
          panel.grid.minor = element_blank())
```
]

---

# <svg aria-hidden="true" role="img" viewBox="0 0 512 512" style="height:1em;width:1em;vertical-align:-0.125em;margin-left:auto;margin-right:auto;font-size:inherit;fill:currentColor;overflow:visible;position:relative;"><path d="M24 32C37.25 32 48 42.75 48 56V408C48 421.3 58.75 432 72 432H488C501.3 432 512 442.7 512 456C512 469.3 501.3 480 488 480H72C32.24 480 0 447.8 0 408V56C0 42.75 10.75 32 24 32zM128 136C128 122.7 138.7 112 152 112H360C373.3 112 384 122.7 384 136C384 149.3 373.3 160 360 160H152C138.7 160 128 149.3 128 136zM296 208C309.3 208 320 218.7 320 232C320 245.3 309.3 256 296 256H152C138.7 256 128 245.3 128 232C128 218.7 138.7 208 152 208H296zM424 304C437.3 304 448 314.7 448 328C448 341.3 437.3 352 424 352H152C138.7 352 128 341.3 128 328C128 314.7 138.7 304 152 304H424z"/></svg> Gráfico de barras

.pull-left[
El gráfico de barras es una forma de resumir un conjunto de datos por categorías de una **variable cualitativa** y su frecuencia de aparición en una muestra.

En estos gráficos, el ancho de la barra debe ser uniforme para todas las barras del diagrama, la longitud de la barra debe ser proporcional a la cantidad que representa y las barras pueden disponerse vertical u horizontalmente.

**Paletas de colores manual:** Podemos crear paletas de colores de forma manual en un vector y usarlas en los gráficos de `ggplot2` con `scale_fill_manual()`. En el siguiente [link](https://r-charts.com/es/paletas-colores/#discretas) encontrará varias paletas de colores.

**Temas:** Adicionalmente a los temas que vienen por default en `ggplot2`, existen otros paquetes que podemos usar para establecer temas a nuestros gráficos. En el siguiente [link](https://r-charts.com/ggplot2/themes/) encontrará paquetes sobre temas que trabajan con `ggplot2`.
]

---

# <svg aria-hidden="true" role="img" viewBox="0 0 512 512" style="height:1em;width:1em;vertical-align:-0.125em;margin-left:auto;margin-right:auto;font-size:inherit;fill:currentColor;overflow:visible;position:relative;"><path d="M24 32C37.25 32 48 42.75 48 56V408C48 421.3 58.75 432 72 432H488C501.3 432 512 442.7 512 456C512 469.3 501.3 480 488 480H72C32.24 480 0 447.8 0 408V56C0 42.75 10.75 32 24 32zM128 136C128 122.7 138.7 112 152 112H360C373.3 112 384 122.7 384 136C384 149.3 373.3 160 360 160H152C138.7 160 128 149.3 128 136zM296 208C309.3 208 320 218.7 320 232C320 245.3 309.3 256 296 256H152C138.7 256 128 245.3 128 232C128 218.7 138.7 208 152 208H296zM424 304C437.3 304 448 314.7 448 328C448 341.3 437.3 352 424 352H152C138.7 352 128 341.3 128 328C128 314.7 138.7 304 152 304H424z"/></svg> Gráfico de barras

```r
## creamos paleta de colores manual
paleta_simpson <- c("#FED439", "#709AE1", "#FD7446", 
                    "#D5E4A2", "#197EC0", "#46732E", 
                    "#71D0F5", "#370335", "#075149", 
                    "#C80813","#1A9993", "#FD8CC1", "#8A9197")

## paquete para nuevos temas
library(ggthemes)

## gráfico de barras
profesores %>% 
    ggplot(aes(x = asistente, fill = asistente)) +
    geom_bar() +
    scale_fill_manual(values = paleta_simpson) +
    labs(x = "Sexo",
         y = "Frecuencia",
         title = "Cantidad de Profesores que piensan que es mejor contar con un asistente en clase a tiempo completo",
         subtitle = "Gráfico de Barras",
         fill = "Prefieren asistente en clases: ") +
    theme_pander() +
    theme(legend.position = "bottom",
          axis.text.x = element_blank())
```
]

---

# <svg aria-hidden="true" role="img" viewBox="0 0 512 512" style="height:1em;width:1em;vertical-align:-0.125em;margin-left:auto;margin-right:auto;font-size:inherit;fill:currentColor;overflow:visible;position:relative;"><path d="M24 32C37.25 32 48 42.75 48 56V408C48 421.3 58.75 432 72 432H488C501.3 432 512 442.7 512 456C512 469.3 501.3 480 488 480H72C32.24 480 0 447.8 0 408V56C0 42.75 10.75 32 24 32zM128 136C128 122.7 138.7 112 152 112H360C373.3 112 384 122.7 384 136C384 149.3 373.3 160 360 160H152C138.7 160 128 149.3 128 136zM296 208C309.3 208 320 218.7 320 232C320 245.3 309.3 256 296 256H152C138.7 256 128 245.3 128 232C128 218.7 138.7 208 152 208H296zM424 304C437.3 304 448 314.7 448 328C448 341.3 437.3 352 424 352H152C138.7 352 128 341.3 128 328C128 314.7 138.7 304 152 304H424z"/></svg> Gráfico de columnas

.pull-left[
En R el gráfico de columnas es muy parecido al gráfico de barras en su forma. El gráfico de barras `geom_bar` contabiliza el número de casos u observaciones de una variable categórica, y el gráfico de columnas `geom_col` también puede usarse para lo mismo, con la ventaja de que facilita la inclusión de etiquetas al gráfico con la geometría `geom_text()`. Además, el `geom_col()` también puede representar la suma de valores de una variable cuantitativa, respecto a variable categórica.

Primero, si deseamos representar el número de observaciones, previamente con las funciones `group_by()` y `summarise()` se realiza un cuadro resumen de las categorías con sus frecuencias para añadir las etiquetas de las columnas.

A diferencia de `geom_bar()`, `geom_col()` necesita que se definan 2 variables en su capa de estética, donde `$x$` será la variable categórica y `$y$` será la columna de frecuencia calculada previamente en el cuadro resumen.
]

.pull-right[
**Más etiquetas:** Existen otras formas que nos ayudan a agregar etiquetas a nuestros gráficos, como por ejemplo la geometría `geom_label()` o el paquete `ggrepel`. En el siguiente [link](https://ggrepel.slowkow.com/articles/examples.html) encontrará más información y ejemplos acerca del paquete `ggrepel`.

<img src="img/ggrepel.jpg" width="500px"/>
]

---

# <svg aria-hidden="true" role="img" viewBox="0 0 512 512" style="height:1em;width:1em;vertical-align:-0.125em;margin-left:auto;margin-right:auto;font-size:inherit;fill:currentColor;overflow:visible;position:relative;"><path d="M24 32C37.25 32 48 42.75 48 56V408C48 421.3 58.75 432 72 432H488C501.3 432 512 442.7 512 456C512 469.3 501.3 480 488 480H72C32.24 480 0 447.8 0 408V56C0 42.75 10.75 32 24 32zM128 136C128 122.7 138.7 112 152 112H360C373.3 112 384 122.7 384 136C384 149.3 373.3 160 360 160H152C138.7 160 128 149.3 128 136zM296 208C309.3 208 320 218.7 320 232C320 245.3 309.3 256 296 256H152C138.7 256 128 245.3 128 232C128 218.7 138.7 208 152 208H296zM424 304C437.3 304 448 314.7 448 328C448 341.3 437.3 352 424 352H152C138.7 352 128 341.3 128 328C128 314.7 138.7 304 152 304H424z"/></svg> Gráfico de columnas

```r
## cuadro resumen de frecuencias de categorías
g_barras <- profesores %>%
    group_by(asistente) %>% 
    summarise(frecuencia = n())

## gráfico de columnas con geom_col()
g_barras %>% 
    ggplot(aes(x = asistente, 
               y = frecuencia, 
               fill = asistente)) +
    geom_col() +
    scale_fill_manual(values = paleta_simpson) +
    labs(x = "Sexo",
         y = "Frecuencia",
         title = "Cantidad de Profesores que piensan que es mejor contar con un asistente en clase a tiempo completo",
         subtitle = "Gráfico de Columnas",
         fill = "Prefieren asistente en clases: ") +
    theme_pander() +
    theme(legend.position = "bottom",
          axis.text.x = element_blank())
```
]

---

# <svg aria-hidden="true" role="img" viewBox="0 0 512 512" style="height:1em;width:1em;vertical-align:-0.125em;margin-left:auto;margin-right:auto;font-size:inherit;fill:currentColor;overflow:visible;position:relative;"><path d="M24 32C37.25 32 48 42.75 48 56V408C48 421.3 58.75 432 72 432H488C501.3 432 512 442.7 512 456C512 469.3 501.3 480 488 480H72C32.24 480 0 447.8 0 408V56C0 42.75 10.75 32 24 32zM128 136C128 122.7 138.7 112 152 112H360C373.3 112 384 122.7 384 136C384 149.3 373.3 160 360 160H152C138.7 160 128 149.3 128 136zM296 208C309.3 208 320 218.7 320 232C320 245.3 309.3 256 296 256H152C138.7 256 128 245.3 128 232C128 218.7 138.7 208 152 208H296zM424 304C437.3 304 448 314.7 448 328C448 341.3 437.3 352 424 352H152C138.7 352 128 341.3 128 328C128 314.7 138.7 304 152 304H424z"/></svg> Gráfico de columnas y Gráfico de texto

```r
## agregamos la capa de geom_text()
g_barras %>% 
    ggplot(aes(x = asistente, 
               y = frecuencia, 
               fill = asistente)) +
    geom_col() +
    geom_text(aes(label = frecuencia,
                  y = frecuencia),
              nudge_y = 2,
              size = 4, 
              color = "grey50") +
    scale_fill_manual(values = paleta_simpson) +
    labs(x = "Sexo",
         y = "Frecuencia",
         title = "Cantidad de Profesores que piensan que es mejor contar con un asistente en clase a tiempo completo",
         subtitle = "Gráfico de Columnas",
         fill = "Prefieren asistente en clases: ") +
    theme_pander() +
    theme(legend.position = "bottom",
          axis.text.x = element_blank())
```
]

---

# <svg aria-hidden="true" role="img" viewBox="0 0 512 512" style="height:1em;width:1em;vertical-align:-0.125em;margin-left:auto;margin-right:auto;font-size:inherit;fill:currentColor;overflow:visible;position:relative;"><path d="M24 32C37.25 32 48 42.75 48 56V408C48 421.3 58.75 432 72 432H488C501.3 432 512 442.7 512 456C512 469.3 501.3 480 488 480H72C32.24 480 0 447.8 0 408V56C0 42.75 10.75 32 24 32zM128 136C128 122.7 138.7 112 152 112H360C373.3 112 384 122.7 384 136C384 149.3 373.3 160 360 160H152C138.7 160 128 149.3 128 136zM296 208C309.3 208 320 218.7 320 232C320 245.3 309.3 256 296 256H152C138.7 256 128 245.3 128 232C128 218.7 138.7 208 152 208H296zM424 304C437.3 304 448 314.7 448 328C448 341.3 437.3 352 424 352H152C138.7 352 128 341.3 128 328C128 314.7 138.7 304 152 304H424z"/></svg> Gráfico de columnas

```r
## cuadro resumen
g_columnas <- profesores %>% 
    group_by(asistente) %>% 
    summarise(total = sum(alumnos_NEE))

## gráfico de columnas
g_columnas %>% 
    ggplot(aes(x = asistente, y = total, fill = asistente)) +
    geom_col() +
    geom_text(aes(label = total,
                  y = total),
              nudge_y = 2,
              size = 4, 
              color = "grey50") +
    scale_fill_manual(values = paleta_simpson) +
    labs(x = "Sexo",
         y = "Frecuencia",
         title = "Total de alumnos con NEE según los profesores que piensan que es mejor contar con un asistente en clase a tiempo completo",
         subtitle = "Gráfico de Columnas",
         fill = "Prefieren asistente en clases: ") +
    theme_pander() +
    theme(legend.position = "bottom",
          axis.text.x = element_blank())
```
]

---

---

.pull-left[
El gráfico de dispersión se usa para identificar la intensidad de la _relación entre dos variables numéricas_. El eje `$x$` representa la variable independiente, mientras que el eje `$y$` representa la variable dependiente. En R lo generamos con `geom_point()`.

Si no existe una variable dependiente, cualquier variable se puede representar en cada eje y el diagrama de dispersión mostrará el **grado de correlación (no causalidad)** entre las dos variables.

Un diagrama de dispersión puede sugerir varios tipos de **correlaciones** entre las variables con un intervalo de confianza determinado (Ver siguiente página).

Con `geom_smooth()` se puede dibujar una línea de ajuste (llamada también "línea de tendencia") con el fin de estudiar la correlación entre las variables.
]

---

---

Para poder elaborar un gráfico de dispersión con más detalles, agregaremos una nueva columna al conjunto de datos `profesores` que será el salario, para esto utilizaremos las funciones `mutate()` y `case_when()`.

`case_when()` permite definir una variable, de forma tal que tome un valor particular para cada condición establecida. En caso de no cumplir con ninguna de las condiciones establecidas, la variable tomará valor `NA`. La sintaxis de la función es:

```r
# Valores no especificados por default NA
case_when(condicion_logica1 ~ valor asignado1,
          condicion_logica2 ~ valor asignado2)
```
]

```r
# Se pueden especificar condiciones restantes
case_when(condicion_logica1 ~ valor asignado1,
          condicion_logica2 ~ valor asignado2,
          TRUE ~ valor asignado3)
```
]

Entonces, agregamos la nueva columna:

```r
profesores <- profesores %>%
    mutate(salario = case_when(nivel == "BASICO" ~ round(400+(tiempo*35)+(alumnos*0.01)),
                               nivel == "INTERMEDIO" ~ round(600+(tiempo*30)+(alumnos*0.01)),
                               nivel == "SUPERIOR" ~ round(1676+(tiempo*80))))
```

---

```r
# visualizar a los profesores que más ganan por nivel
mas_ganan <- profesores %>%
    group_by(nivel) %>% 
    filter(row_number(desc(salario))==1)

## gráfico de dispersión
profesores %>% 
    ggplot(aes(x = edad, y = tiempo, size = salario, color = sexo)) +
    geom_point(alpha = 0.5) +
    geom_text(data = mas_ganan, aes(label = paste("Codigo: ", cod, "- Salario: $", salario)),
              size = 3, nudge_x = -3, color = "black") +
    geom_point(data = mas_ganan, shape = 21, color = "black", stroke = 1.2) +
    scale_size(                                      #modifica la escala de la variable salario
        breaks = floor(seq(500, 4500, length.out = 5)), #los límites del 500 al 4500, lo divide en 5 grupos
        limits = c(200, 4700),                          #los límites de los valores
        range = c(2, 10)) +                            #radio de los puntos
    scale_color_manual(values = paleta_simpson) +
    labs(x = "Edad del Profesor", y = "Tiempo de Docencia",
         title = "Edad vs Tiempo de docencia de los Profesores",
         subtitle = "Gráfico de Dispersión",
         color = "Sexo del Profesor", size = "Salario del Profesor") +
    theme_pander() +
    theme(legend.position = "bottom", legend.box = "vertical")
```
]

---

# <svg aria-hidden="true" role="img" viewBox="0 0 448 512" style="height:1em;width:0.88em;vertical-align:-0.125em;margin-left:auto;margin-right:auto;font-size:inherit;fill:currentColor;overflow:visible;position:relative;"><path d="M160 80c0-26.5 21.5-48 48-48h32c26.5 0 48 21.5 48 48V432c0 26.5-21.5 48-48 48H208c-26.5 0-48-21.5-48-48V80zM0 272c0-26.5 21.5-48 48-48H80c26.5 0 48 21.5 48 48V432c0 26.5-21.5 48-48 48H48c-26.5 0-48-21.5-48-48V272zM368 96h32c26.5 0 48 21.5 48 48V432c0 26.5-21.5 48-48 48H368c-26.5 0-48-21.5-48-48V144c0-26.5 21.5-48 48-48z"/></svg> Gráfico de cajas

.pull-left[
El gráfico de cajas permite conocer cómo se distribuyen los datos dentro de una variable. En R lo obtenemos con un `geom_boxplot()` y la información que se representa en el diagrama de cajas es la siguiente:

- **Mediana.** Punto medio de los valores ordenados de menor a mayor o de mayor a menor representando el 50% de los datos.

- **Cuartiles.** Dividen al conjunto de observaciones en 4 partes iguales. El `$Q_1$` representa el 25% de las observaciones y el `$Q_3$` representa el 75% de las observaciones.

- **Rango Intercuartílico (RIC).** Es la diferencia entre el tercer y el primer cuartil.

- **Límites Superior o Inferior ($L_s$ o `$L_i$`).** `$L_s$` contiene los casos por encima de `$Q_3$` sin incluir valores atípicos o `$L_i$` por debajo de `$Q_1$` también sin incluir valores atípicos.
]

---

```r
profesores %>% 
    ggplot(aes(x = nivel, 
               y = salario, 
               fill = nivel)) +
    geom_boxplot() +
    stat_summary(fun = mean, 
                 shape = 18, 
                 size = 1, 
                 color = "chartreuse4") +
    geom_jitter(alpha = 0.3) +
    scale_fill_manual(values = paleta_simpson) +
    labs(x = "Nivel en que imparte docencia",
         y = "Salario del profesor",
         title = "Salario de Profesores por el nivel en el que imparte docencia",
         subtitle = "Gráfico de Cajas y Gráfico de Fluctuación") +
    theme_pander() +
    theme(legend.position = "none")
```
]

---

.pull-left[
Para visualizar una variable numérica y una categórica podemos utilizar un `geom_histogram()`, agregamos la estética `aes(fill = variable_categórica)` y el argumento `position = "identity"`.

```r
# agregamos aes(fill = ...) y position = "identity"
profesores %>%
    ggplot(aes(x = salario)) +
    geom_histogram(bins = 10,
                   color = "black",
                   aes(fill = nivel),
                   position = "identity",
                   alpha = 0.4) +
    scale_fill_manual(values = paleta_simpson) +
    labs(x = "Salario de Profesores",
         y = "Frecuencia",
         title = "Distribución del Salario de Profesores encuestados",
         subtitle = "Por nivel de docencia") +
    theme_pander()
```
]

---

.pull-left[
Otra forma de visualizar es arreglar las barras una alado de otra, para esto solo modificamos la posición a `position = "dodge"`.

```r
## modificamos la posición a position = "dodge"
profesores %>%
    ggplot(aes(x = salario)) +
    geom_histogram(bins = 10,
                   color = "black",
                   aes(fill = nivel),
                   position = "dodge",
                   alpha = 0.4) +
    scale_fill_manual(values = paleta_simpson) +
    labs(x = "Salario de Profesores",
         y = "Frecuencia",
         title = "Distribución del Salario de Profesores encuestados",
         subtitle = "Por nivel de docencia") +
    theme_pander()
```
]

---

.pull-left[
También podemos separar las categorías con `facet_wrap()`, esto las separará por columnas. Aquí no es necesario especificar una posición en la geometría del histograma.

```r
## separamos las categorías con facet_wrap()
profesores %>%
    ggplot(aes(x = salario, fill = nivel)) +
    geom_histogram(bins = 10,
                   color = "black",
                   alpha = 0.4) +
    facet_wrap( ~ nivel) +
    scale_fill_manual(values = paleta_simpson) +
    labs(x = "Salario de Profesores",
         y = "Frecuencia",
         title = "Distribución del Salario de Profesores encuestados",
         subtitle = "Por nivel de docencia") +
    theme_pander()
```
]

---

```r
## separamos las categorías con facet_grid()
profesores %>%
    ggplot(aes(x = salario, fill = nivel)) +
    geom_histogram(bins = 10,
                   color = "black",
                   alpha = 0.4) +
    facet_grid(nivel ~ .) +
    scale_fill_manual(values = paleta_simpson) +
    labs(x = "Salario de Profesores",
         y = "Frecuencia",
         title = "Distribución del Salario de Profesores encuestados",
         subtitle = "Por nivel de docencia") +
    theme_pander()
```
]

---

.pull-left[
Para obtener una composición total del gráfico en porcentaje podemos usar `position = "fill"` y `scale_y_continuous()` para modificar las etiquetas de la escala del eje `$y$`.

```r
library(scales)

profesores %>%
    ggplot(aes(x = salario, fill = nivel)) +
    geom_histogram(bins = 10,
                   color = "black",
                   alpha = 0.4,
                   position = "fill") +
    scale_y_continuous(labels = percent_format()) +
    scale_fill_manual(values = paleta_simpson) +
    labs(x = "Salario de Profesores",
         y = "Frecuencia",
         title = "Distribución del Salario de Profesores encuestados",
         subtitle = "Por nivel de docencia") +
    theme_pander()
```
]

---

```r
profesores %>% 
    ggplot(aes(x = salario, fill = nivel)) +
    geom_density(alpha = 0.5) +
    geom_vline(data = salarios_medios,
               aes(xintercept = media, 
                   color = nivel),
               linetype = "dashed", 
               linewidth = 1) +
    geom_text(data = salarios_medios,
              aes(x = media-100, 
                  label = paste("MEDIA: $", round(media, 2)),
                  y = 0.0017, angle = 90)) +
    scale_fill_manual(values = paleta_simpson) +
    scale_color_manual(values = paleta_simpson) +
    labs(x = "Salario de Profesores",
         y = "Densidad",
         title = "Distribución del Salario de Profesores encuestados",
         subtitle = "Por nivel de docencia") +
    theme_pander()
```
]

---

background-image: url("https://media1.popsugar-assets.com/files/thumbor/XGbRY5FyWX99jE-AVcO0vx7A008/fit-in/1024x1024/filters:format_auto-!!-:strip_icc-!!-/2017/04/26/922/n/1922283/a08d3bf8b558b4c9_giphy_4_/i/When-Your-BFF-Tells-You-First-Name-Guy-She-Going-Date-You-Spring-CIA-Mode.gif")
background-size: cover

---

# Análisis Exploratorio de Datos
### Linda Cabrera Orellana

.pull-left[
.center[
### [@socecuest <svg aria-hidden="true" role="img" viewBox="0 0 512 512" style="height:1em;width:1em;vertical-align:-0.125em;margin-left:auto;margin-right:auto;font-size:inherit;fill:currentColor;overflow:visible;position:relative;"><path d="M504 256C504 119 393 8 256 8S8 119 8 256c0 123.78 90.69 226.38 209.25 245V327.69h-63V256h63v-54.64c0-62.15 37-96.48 93.67-96.48 27.14 0 55.52 4.84 55.52 4.84v61h-31.28c-30.8 0-40.41 19.12-40.41 38.73V256h68.78l-11 71.69h-57.78V501C413.31 482.38 504 379.78 504 256z"/></svg>](https://www.facebook.com/socecuest)

### [@see_estadistica <svg aria-hidden="true" role="img" viewBox="0 0 448 512" style="height:1em;width:0.88em;vertical-align:-0.125em;margin-left:auto;margin-right:auto;font-size:inherit;fill:currentColor;overflow:visible;position:relative;"><path d="M224.1 141c-63.6 0-114.9 51.3-114.9 114.9s51.3 114.9 114.9 114.9S339 319.5 339 255.9 287.7 141 224.1 141zm0 189.6c-41.1 0-74.7-33.5-74.7-74.7s33.5-74.7 74.7-74.7 74.7 33.5 74.7 74.7-33.6 74.7-74.7 74.7zm146.4-194.3c0 14.9-12 26.8-26.8 26.8-14.9 0-26.8-12-26.8-26.8s12-26.8 26.8-26.8 26.8 12 26.8 26.8zm76.1 27.2c-1.7-35.9-9.9-67.7-36.2-93.9-26.2-26.2-58-34.4-93.9-36.2-37-2.1-147.9-2.1-184.9 0-35.8 1.7-67.6 9.9-93.9 36.1s-34.4 58-36.2 93.9c-2.1 37-2.1 147.9 0 184.9 1.7 35.9 9.9 67.7 36.2 93.9s58 34.4 93.9 36.2c37 2.1 147.9 2.1 184.9 0 35.9-1.7 67.7-9.9 93.9-36.2 26.2-26.2 34.4-58 36.2-93.9 2.1-37 2.1-147.8 0-184.8zM398.8 388c-7.8 19.6-22.9 34.7-42.6 42.6-29.5 11.7-99.5 9-132.1 9s-102.7 2.6-132.1-9c-19.6-7.8-34.7-22.9-42.6-42.6-11.7-29.5-9-99.5-9-132.1s-2.6-102.7 9-132.1c7.8-19.6 22.9-34.7 42.6-42.6 29.5-11.7 99.5-9 132.1-9s102.7-2.6 132.1 9c19.6 7.8 34.7 22.9 42.6 42.6 11.7 29.5 9 99.5 9 132.1s2.7 102.7-9 132.1z"/></svg>](https://www.instagram.com/see_estadistica/)
]]

.pull-right[
.center[
### [@see_estadistica <svg aria-hidden="true" role="img" viewBox="0 0 512 512" style="height:1em;width:1em;vertical-align:-0.125em;margin-left:auto;margin-right:auto;font-size:inherit;fill:currentColor;overflow:visible;position:relative;"><path d="M459.37 151.716c.325 4.548.325 9.097.325 13.645 0 138.72-105.583 298.558-298.558 298.558-59.452 0-114.68-17.219-161.137-47.106 8.447.974 16.568 1.299 25.34 1.299 49.055 0 94.213-16.568 130.274-44.832-46.132-.975-84.792-31.188-98.112-72.772 6.498.974 12.995 1.624 19.818 1.624 9.421 0 18.843-1.3 27.614-3.573-48.081-9.747-84.143-51.98-84.143-102.985v-1.299c13.969 7.797 30.214 12.67 47.431 13.319-28.264-18.843-46.781-51.005-46.781-87.391 0-19.492 5.197-37.36 14.294-52.954 51.655 63.675 129.3 105.258 216.365 109.807-1.624-7.797-2.599-15.918-2.599-24.04 0-57.828 46.782-104.934 104.934-104.934 30.213 0 57.502 12.67 76.67 33.137 23.715-4.548 46.456-13.32 66.599-25.34-7.798 24.366-24.366 44.833-46.132 57.827 21.117-2.273 41.584-8.122 60.426-16.243-14.292 20.791-32.161 39.308-52.628 54.253z"/></svg>](https://twitter.com/see_estadistica)

### [@sosecuest <svg aria-hidden="true" role="img" viewBox="0 0 496 512" style="height:1em;width:0.97em;vertical-align:-0.125em;margin-left:auto;margin-right:auto;font-size:inherit;fill:currentColor;overflow:visible;position:relative;"><path d="M248,8C111.033,8,0,119.033,0,256S111.033,504,248,504,496,392.967,496,256,384.967,8,248,8ZM362.952,176.66c-3.732,39.215-19.881,134.378-28.1,178.3-3.476,18.584-10.322,24.816-16.948,25.425-14.4,1.326-25.338-9.517-39.287-18.661-21.827-14.308-34.158-23.215-55.346-37.177-24.485-16.135-8.612-25,5.342-39.5,3.652-3.793,67.107-61.51,68.335-66.746.153-.655.3-3.1-1.154-4.384s-3.59-.849-5.135-.5q-3.283.746-104.608,69.142-14.845,10.194-26.894,9.934c-8.855-.191-25.888-5.006-38.551-9.123-15.531-5.048-27.875-7.717-26.8-16.291q.84-6.7,18.45-13.7,108.446-47.248,144.628-62.3c68.872-28.647,83.183-33.623,92.511-33.789,2.052-.034,6.639.474,9.61,2.885a10.452,10.452,0,0,1,3.53,6.716A43.765,43.765,0,0,1,362.952,176.66Z"/></svg>](https://t.me/sosecuest)
]]