---
title: "Análisis exploratorio de datos"
author: "Nombre del estudiante"
date: "`r Sys.Date()`"
output: html_document
---

```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE)
```

## 1. Carga de datos

```{r}
# Instalar paquetes si no están instalados
# install.packages("readxl")
# install.packages("tidyverse")
# install.packages("psych")

library(readxl)
library(tidyverse)
library(psych)

# Cargar archivo Excel (ajusta la ruta si es necesario)
datos <- read_excel("X1100_datos.xlsx")

# Ver primeras filas
head(datos)

# Ver nombres de las variables
names(datos)

# Ver estructura general
str(datos)
```

## 2. Limpieza y exploración inicial

```{r}
# Verificar valores perdidos
colSums(is.na(datos))

# Opcional: convertir variables si es necesario
# datos$variable <- as.factor(datos$variable)
```

## 3. Estadística descriptiva

```{r}
# Descriptivos generales
summary(datos)

# Descriptivos más detallados
describe(datos)

# Ejemplo: tabla de frecuencia para una variable categórica
# table(datos$nombre_variable)
```

## 4. Visualización de datos

```{r}
# Histograma
# ggplot(datos, aes(x = variable_numerica)) + 
#   geom_histogram(bins = 30)

# Boxplot
# ggplot(datos, aes(y = variable_numerica)) + 
#   geom_boxplot()

# Gráfico de barras
# ggplot(datos, aes(x = variable_categorica)) + 
#   geom_bar()

# Diagrama de dispersión
# ggplot(datos, aes(x = var1, y = var2)) + 
#   geom_point()
```

## 5. Interpretaciones

Escribe aquí tus interpretaciones en texto. Puedes responder:

- ¿Qué aprendiste sobre los datos?
- ¿Qué variables parecen más relevantes?
- ¿Encontraste valores atípicos o relaciones interesantes?

---

## 6. Cruce de variables: Categórica vs Cuantitativa

### a) Estadísticas agrupadas

```{r}
# Reemplaza 'grupo' por tu variable categórica
# Reemplaza 'valor' por tu variable numérica

# Media, mediana y desviación estándar por grupo
datos %>%
  group_by(grupo = nombre_de_variable_categorica) %>%
  summarise(
    Media = mean(nombre_de_variable_numerica, na.rm = TRUE),
    Mediana = median(nombre_de_variable_numerica, na.rm = TRUE),
    Desviación = sd(nombre_de_variable_numerica, na.rm = TRUE),
    n = n()
  )
```

### b) Visualización: Boxplot

```{r}
# Boxplot para comparar distribución por grupo
ggplot(datos, aes(x = nombre_de_variable_categorica, y = nombre_de_variable_numerica)) +
  geom_boxplot() +
  labs(
    title = "Comparación por grupos",
    x = "Categoría",
    y = "Valor numérico"
  )
```

### ✍️ Interpretación

Comenta aquí:  
- ¿Hay diferencias visibles entre los grupos?  
- ¿Hay más variabilidad en algún grupo?  
- ¿Qué conclusiones puedes sacar del boxplot y del resumen?

---

## Conclusión final

Resume brevemente tus hallazgos y reflexiona sobre la utilidad del análisis exploratorio con R.