07-eda.Rmd

# Análisis exploratorio de datos (_EDA_)

## Introducción

```{r, message = FALSE}
library(tidyverse)
library(datos)
```


## 7.3 Variación {-#preguntas}

### 7.3.4 Ejercicios{-#ejercicios-734}

1.  Explora la distribución de cada una de las variables `x`, `y`, y `z`  
    en el set de datos `diamantes`. ¿Qué aprendiste? Piensa en un diamante y cómo decidirías
    qué dimensiones corresponden a la longitud, ancho y profundidad.

<div class="solucion">
<h3>Solución</h3>

</div>

2.  Explora la distribución de `precio`. ¿Ves algo inusual 
    o sorprendente? (Sugerencia: Piensa detenidamente en `binwidth` y asegúrate
    de usar un rango largo de valores.)

<div class="solucion">
<h3>Solución</h3>

</div>

3.  ¿Cuántos diamantes tienen 0.99 quilates? ¿Cuántos son de 1 quilate? ¿Qué piensas 
    que puede ser la causa de dicha diferencia?

<div class="solucion">
<h3>Solución</h3>

</div>

4.  Compara y contrasta `coord_cartesian()` contra `xlim()` o `ylim()` en cuanto 
    a acercar la imagen en un histograma. ¿Qué pasa si no modificas el valor de `binwidth`?
    ¿Qué pasa si intentas acercar la imagen de manera que solo aparezca la mitad de una barra?

<div class="solucion">
<h3>Solución</h3>

</div>
 
## 7.4 Valores faltantes {-#valores-faltantes}

### 7.4.1 Ejercicios{-#ejercicios-741}

1.  ¿Qué sucede con los valores faltantes en un histograma? ¿Qué pasa con los valores
    faltantes en una gráfica de barras? ¿Cuál es la razón detrás de esta diferencia?

<div class="solucion">
<h3>Solución</h3>

</div>

2.  ¿Qué efecto tiene usar `na.rm = TRUE` en `mean()` (_media_) y `sum()`(_suma_)?

<div class="solucion">
<h3>Solución</h3>

</div>

## 7.5 Covariación {-#covariacion}

### 7.5.1 Una variable categórica y otra continua {-#categorica-continua}

#### 7.5.1.1 Ejercicios{-#ejercicios-7511}

1.  Usa lo que has aprendido para mejorar la visualización de los tiempos de salida 
    de los vuelos cancelados versus los no cancelados.

<div class="solucion">
<h3>Solución</h3>

</div>

2.  ¿Qué variable del conjunto de datos de diamantes es más importante para predecir
    el precio de un diamante? ¿Cómo está correlacionada esta variable con el corte?
    ¿Por qué la combinación de estas dos relaciones conlleva que los diamantes de 
    menor calidad sean más costosos?

<div class="solucion">
<h3>Solución</h3>

</div>

3.  Instala el paquete **ggstance**, y crea un diagrama de caja horizontal. 
    ¿Cómo se compara esto a usar `coord_flip()`?

<div class="solucion">
<h3>Solución</h3>

</div>

4.  Un problema con los diagramas de caja es que fueron desarrollados en un tiempo en que 
    los sets de datos eran más pequeños y por ende tienden a mostrar un número muy grande de 
    "valores atípicos". Una estrategia para remediar este problema es 
    el diagrama __letter value__. Instala el paquete **lvplot**, e intenta usar
    `geom_lv()` para mostrar la distribución de precio vs corte. ¿Qué observas?
    ¿Cómo intepretas los gráficos?

<div class="solucion">
<h3>Solución</h3>

</div>

5.  Compara y contrasta `geom_violin()` con un `geom_histogram()` dividido en facetas,
    o un `geom_freqpoly()` codificado por colores. ¿Cuáles son las ventajas y desventajas de
    cada método?

<div class="solucion">
<h3>Solución</h3>

</div>

6.  Si tu set de datos es pequeño, a veces resulta útil usar `geom_jitter()`
    para ver la relación entre una variable continua y una discreta.
    El paquete **ggbeeswarm** provee de un número de métodos similares a 
    `geom_jitter()`. Enlístalos y describe brevemente qué hace cada uno.

<div class="solucion">
<h3>Solución</h3>

</div>

## 7.5.2 Dos variables categóricas {-#categorica}

### 7.5.2.1 Ejercicios{-#ejercicios-7521}

1.  ¿Cómo podrías cambiar la escala del conjunto de datos anterior para mostrar de manera más clara
    la distribución del corte dentro del color, o del color dentro de la variable corte?

<div class="solucion">
<h3>Solución</h3>

</div>

2.  Usa `geom_tile()` junto con *dplyr* para explorar la variación del retraso promedio 
    de los vuelos en relación al destino y mes del año. ¿Qué hace que este gráfico
    sea difícil de leer? ¿Cómo podrías mejorarlo?

<div class="solucion">
<h3>Solución</h3>

</div>

3.  ¿Por qué es un poco mejor usar `aes(x = color, y = corte)` en lugar de
    `aes(x = corte, y = color)` en el ejemplo anterior?


<div class="solucion">
<h3>Solución</h3>

</div>


## 7.5.3 Dos variables continuas{-#continuas}

### 7.5.3.1 Ejercicios{-#ejercicios-7532}

1.  En lugar de resumir la distribución condicional con un diagrama de caja, podrías
    usar un polígono de frecuencia. ¿Qué deberías considerar cuando usas `cut_width()`  
    en comparación con `cut_number()`? ¿Qué impacto tiene este parámetro en la visualización 
    bidimensional de `quilate` y `precio`?

<div class="solucion">
<h3>Solución</h3>

</div>

2.  Visualiza la distribución de `quilate`, segmentada según la variable `precio`.

<div class="solucion">
<h3>Solución</h3>

</div>

3.  ¿Cómo es la distribución del precio de diamantes muy grandes en comparación con
    aquella de diamantes más pequeños? ¿Es como esperabas, o te resulta sorprendente?

<div class="solucion">
<h3>Solución</h3>

</div>

4.  Combina dos de las técnicas que has aprendido para visualizar
    la distribución combinada de las variables `corte`, `quilate` y `precio`.

<div class="solucion">
<h3>Solución</h3>

</div>

5. Los gráficos bidimensionales revelan observaciones atípicas que podrían no ser visibles en 
   gráficos unidimensionales. Por ejemplo, algunos puntos en la gráfica a continuación tienen
   una combinación inusual de valores `x` y `y`, que hace que algunos puntos sean valores atípicos 
   aún cuando sus valores `x` e `y` parecen normales cuando son examinados de manera individual.
  
    ```{r, dev = "png"}
    ggplot(data = diamantes) +
      geom_point(mapping = aes(x = x, y = y)) +
      coord_cartesian(xlim = c(4, 11), ylim = c(4, 11))
    ```
    
    ¿Por qué es mejor usar un diagrama de dispersión que un diagrama basado en rangos en este caso?


<div class="solucion">
<h3>Solución</h3>

</div>