A continuación se presentan prompts formales, precisos y optimizados para “Modo Agente”, diseñados para que el modelo realice un análisis estadístico completo y autónomo a partir de un dataset adjunto. Los prompts están estructurados para ser copiados y usados directamente, pensados para las asignaturas de Estadística Aplicada con Python y R y para estudiantes de ingeniería.

Este ejercicio demuestra la implementación de un pipeline de análisis geoespacial totalmente automatizado y reproducible utilizando R. El proyecto trasciende la simple visualización de datos para ofrecer una solución de Inteligencia de Localización (Location Intelligence) que convierte tablas estadísticas complejas en herramientas visuales para la toma de decisiones estratégicas. 1. Automatización de Procesos (ETL Espacial): Se reemplaza la cartografía manual por un flujo de trabajo programático. El sistema es capaz de ingerir datos brutos, limpiar inconsistencias en la nomenclatura territorial y cruzar información estadística con geometrías oficiales en tiempo real. Esto garantiza que el análisis sea escalable y fácilmente actualizable con nuevos periodos o indicadores. 2. Rigor Estadístico Visual: A diferencia de los mapas estándar, esta solución aplica algoritmos de clasificación (como Jenks Natural Breaks) para asegurar que la representación de colores refleje fielmente la distribución de los datos, eliminando sesgos visuales y facilitando la detección de patrones reales (puntos calientes y brechas de cobertura). 3. Análisis Multidimensional: El ejercicio despliega una capacidad dual de visualización: 4. Tableros Interactivos: Permiten a los usuarios explorar el territorio, hacer zoom y consultar detalles granulares, democratizando el acceso a la información. 5. Comparativa Sincronizada: La funcionalidad de "espejo" permite contrastar simultáneamente la Oferta (Prestadores de Salud) vs. la Demanda (Densidad Poblacional), revelando desequilibrios territoriales de un solo vistazo.

Welcome to Madagascar!

This presentation analyzes recorded crime data in Victoria using the tidyverse package in R. The goal is to identify trends over time and determine which types of crimes are most prevalent.

Automated economic data and charts with descriptions