Sesión aplicada: gráficos y tablas en Quarto

Sesión del lunes, 9 de noviembre de 2026

1 Visualizar datos

Esta hoja de código Quarto contiene ejemplos de cómo generar gráficos y tablas en R, utilizando diferentes librerías y funciones. Además, se muestran algunas opciones para insertar y referenciar estos elementos dentro de un documento Quarto.

2 Datos del ejemplo: LAPOP

En esta ocasión trabajaremos con un subconjunto de datos previamente procesados derivados de las encuestas realizadas en diferentes países por el Latin American Public Opinion Proyect (LAPOP) en su ola del 2018. Para este ejercicio, obtendremos directamente esta base desde internet. No obstante, también tienes la opción de acceder a la misma información a través del siguiente enlace: LAPOP 2018. Desde allí, podrás descargar el archivo que contiene el subconjunto procesado de la base de datos LAPOP 2018.

Comencemos por preparar nuestros datos. Iniciamos cargando las librerías necesarias.

pacman::p_load(tidyverse, # Manipulacion datos
               ggplot2, # Gráficos
               sjPlot, # Tablas y gráficos
               ggpubr) # Gráficos

options(scipen = 999) # para desactivar notacion cientifica
rm(list = ls()) # para limpiar el entorno de trabajo

Cargamos los datos desde internet.

load(url("https://github.com/cursos-metodos-facso/datos-ejemplos/raw/main/lapop_proc_2018.RData")) #Cargar base de datos

A continuación, exploramos la base de datos.

names(lapop) # Nombre de columnas

 [1] "year"        "pais"        "pais_name"   "idnum"       "upm"        
 [6] "strata"      "wt"          "weight1500"  "sexo"        "edad"       
[11] "educ"        "l1"          "ideologia_f" "empleo"      "decile"     
[16] "it1"         "prot3"       "aoj12"       "b2"          "b3"         
[21] "b4"          "b10a"        "b12"         "b20"         "b20a"       
[26] "b21"         "b21a"        "n9"          "n11"         "n15"        
[31] "ros4"        "ing4"        "eff1"        "pn4"         "exc7"       
[36] "pol1"        "vb2"         "gini"        "gdp"

dim(lapop) # Dimensiones

[1] 23386    39

Contamos con 39 variables (columnas) y 23.386 observaciones (filas). Seleccionamos las variables que vamos a utilizar en nuestro ejemplo:

lapop <- lapop %>% dplyr::select(pais, sexo, edad, decile, ideologia_f, ros4, prot3, it1, gini, gdp) # Seleccionamos variables de interes

Distribución de la variable central de estudio: preferencia por la redistribución (ros4).

sjmisc::frq(lapop$ros4)

Gobierno debe Implementar Políticas para Reducir Desigualdadad de Ingresos (x) <numeric> 
# total N=23386 valid N=23111 mean=5.31 sd=1.77

Value |             Label |    N | Raw % | Valid % | Cum. %
-----------------------------------------------------------
    1 | Muy en desacuerdo | 1198 |  5.12 |    5.18 |   5.18
    2 |                 2 |  899 |  3.84 |    3.89 |   9.07
    3 |                 3 | 1650 |  7.06 |    7.14 |  16.21
    4 |                 4 | 3033 | 12.97 |   13.12 |  29.34
    5 |                 5 | 3880 | 16.59 |   16.79 |  46.13
    6 |                 6 | 3882 | 16.60 |   16.80 |  62.92
    7 |    Muy de acuerdo | 8569 | 36.64 |   37.08 | 100.00
 <NA> |              <NA> |  275 |  1.18 |    <NA> |   <NA>

3 Gráficos

3.1 Visualización de datos con `ggplot2`

3.1.1 Diferencias de medias (o proporciones) entre grupos

Media de preferencia por la redistribución según ideología política.

db_g1 <- lapop %>%
  group_by(ideologia_f) %>%
  summarise(
    media_ros4 = mean(ros4, na.rm = TRUE),
    error_std = sd(ros4, na.rm = TRUE) / sqrt(n()),
    ci_inf = media_ros4 - qt(0.975, df = n() - 1) * error_std,
    ci_sup = media_ros4 + qt(0.975, df = n() - 1) * error_std
  ) %>%
  na.omit()

db_g1
## # A tibble: 4 × 5
##   ideologia_f  media_ros4 error_std ci_inf ci_sup
##   <fct>             <dbl>     <dbl>  <dbl>  <dbl>
## 1 Derecha            5.34    0.0222   5.29   5.38
## 2 Centro             5.40    0.0199   5.36   5.44
## 3 Izquierda          5.33    0.0220   5.29   5.37
## 4 No declarado       5.05    0.0327   4.98   5.11

ggplot(data = db_g1,
       mapping = aes(x = ideologia_f, y = media_ros4, group = ideologia_f)) + # especificamos datos y mapping
  geom_bar(stat = "identity", color = "black", fill = "steelblue") + # agregamos geometria
  geom_errorbar(aes(ymin = ci_inf, ymax = ci_sup), width = 0.2, color = "red") + # agregamos intervalo de confianza calculado previamente
  scale_y_continuous(limits = c(0,7), n.breaks = 7) + # agregamos escala en eje Y y ponemos limites minimos y maximos
  geom_text(aes(label = round(media_ros4,2)), vjust = 1.5, colour = "white") + # agregamos los valores de la media para cada barra/grupo
  labs(title ="Media de preferencia por la redistribución según ideología política",
       x = "Ideología política",
       y = "Media",
       caption = "Fuente: Elaboración propia en base a LAPOP 2018.") + # agregamos titulo, nombres a los ejes y fuente
  theme_bw() # especificamos tema

3.1.2 Asociación entre continuas

Asociación entre la preferencia por la redistribución de los países y su nivel de desigualdad económica.

db_g2 <- lapop %>%
  group_by(pais) %>%
  summarise(cm_ros4 = mean(ros4, na.rm = T),
            cm_gini = mean(gini, na.rm = T)) %>%
  ungroup()

head(db_g2)
## # A tibble: 6 × 3
##   pais  cm_ros4 cm_gini
##   <chr>   <dbl>   <dbl>
## 1 ARG      5.43    41.1
## 2 BOL      4.72    44.6
## 3 BRA      5.43    53.3
## 4 CHL      5.69    44.4
## 5 COL      5.37    49.7
## 6 CRI      6.05    48.3

ggplot(data = db_g2,
       mapping = aes(x = cm_gini, y = cm_ros4)) + # especificamos datos y mapping
  geom_point(size = 3, color = "darkred") + # agregamos geometria y color
  geom_smooth(stat = "smooth", position = "identity", method = "lm",
              colour = "blue", size = 0.7) + # agregamos recta que representa la correlacion
  scale_y_continuous(limits = c(4,6.5), breaks = seq(4,6.5, by = 0.5)) + # agregamos escala en eje Y y ponemos limites minimos y maximos
  scale_x_continuous(n.breaks = 7) +  # agregamos escala eje X para mostrar más valores
  geom_text(aes(label = pais), size = 3, color = "black",
            nudge_y = 0.15) + # agregamos etiquetas de país
  labs(title ="Asociación entre preferencia por la redistribución y desigualdad de los países",
       y = "Media preferencias redistributivas",
       x = "Índice de Gini",
       caption = "Fuente: Elaboración propia en base a LAPOP 2018.") + # agregamos titulo, nombres a los ejes y fuente
  theme_bw() # especificamos tema

3.1.3 Asociación entre categóricas

Asociación entre la participación en protestas y la ideología política. Usamos barras apiladas que suman 100%, calculando los porcentajes en dos direcciones.

3.1.3.1 Con `ggplot2`

db_g3 <- lapop %>%
  dplyr::select(prot3, ideologia_f) %>%
  na.omit()

# Porcentajes que suman 100% dentro de cada ideología
db_g3a <- db_g3 %>%
  count(ideologia_f, prot3) %>% # frecuencias por combinación de categorías
  group_by(ideologia_f) %>%
  mutate(prop = n / sum(n) * 100)

# Porcentajes que suman 100% dentro de cada categoría de participación
db_g3b <- db_g3 %>%
  count(prot3, ideologia_f) %>%
  group_by(prot3) %>%
  mutate(prop = n / sum(n) * 100)

db_g3a
## # A tibble: 8 × 4
## # Groups:   ideologia_f [4]
##   ideologia_f  prot3     n  prop
##   <fct>        <fct> <int> <dbl>
## 1 Derecha      Sí      872 12.8 
## 2 Derecha      No     5933 87.2 
## 3 Centro       Sí      587  8.83
## 4 Centro       No     6058 91.2 
## 5 Izquierda    Sí      577  8.96
## 6 Izquierda    No     5864 91.0 
## 7 No declarado Sí      299  8.66
## 8 No declarado No     3154 91.3
db_g3b
## # A tibble: 8 × 4
## # Groups:   prot3 [2]
##   prot3 ideologia_f      n  prop
##   <fct> <fct>        <int> <dbl>
## 1 Sí    Derecha        872  37.3
## 2 Sí    Centro         587  25.1
## 3 Sí    Izquierda      577  24.7
## 4 Sí    No declarado   299  12.8
## 5 No    Derecha       5933  28.2
## 6 No    Centro        6058  28.8
## 7 No    Izquierda     5864  27.9
## 8 No    No declarado  3154  15.0

% por ideología: ¿qué proporción de cada grupo ideológico participó en protestas?

ggplot(data = db_g3a,
       mapping = aes(x = ideologia_f, y = prop, fill = prot3)) +
  geom_col() + # barras apiladas que suman 100%
  geom_text(aes(label = paste0(round(prop, 1), "%")),
            position = position_stack(vjust = 0.5)) + # porcentajes al centro de cada segmento
  labs(title = "Participación en protestas según ideología política",
       y = "Porcentaje",
       x = "Ideología política",
       fill = "Participación protesta",
       caption = "Fuente: Elaboración propia en base a LAPOP 2018.") + # agregamos titulo, nombres a los ejes y fuente
  theme_bw() # especificamos tema

% por participación: ¿cuál es la composición ideológica de quienes participan y de quienes no?

ggplot(data = db_g3b,
       mapping = aes(x = prot3, y = prop, fill = ideologia_f)) +
  geom_col() +
  geom_text(aes(label = paste0(round(prop, 1), "%")),
            position = position_stack(vjust = 0.5)) +
  labs(title = "Ideología política según participación en protestas",
       y = "Porcentaje",
       x = "Participación protesta",
       fill = "Ideología política",
       caption = "Fuente: Elaboración propia en base a LAPOP 2018.") + # agregamos titulo, nombres a los ejes y fuente
  theme_bw() # especificamos tema

3.2 Visualización con otras librerías

3.2.1 Con `ggpubr`

ggscatter(data = db_g2,
          x = "cm_gini",
          y = "cm_ros4",
          color = "darkred",
          cor.coef = T, # mostrar coef corr
          cor.coef.size = 4, # tamaño texto coef corr
          add = "reg.line",  # mostrar linea de reg
          conf.int = T,  # mostrar SE
          add.params = list(color = "blue", fill = "lightgray"), # colores
          label = "pais",
          size = 3,
          font.label = c(8, "plain")
) +
  labs(title ="Asociación entre preferencia por la redistribución y desigualdad de los países",
       y = "Media preferencias redistributivas",
       x = "Índice de Gini",
       caption = "Fuente: Elaboración propia en base a LAPOP 2018.") + # agregamos titulo, nombres a los ejes y fuente
  theme_bw() # especificamos tema

3.2.2 Con `sjPlot`

sjPlot::plot_scatter(
  data = db_g2,
  x = cm_gini,
  y = cm_ros4,
  fit.line = "lm",      # Mostrar línea de regresión
  show.ci = TRUE,       # Mostrar intervalo de confianza
  dot.size = 3,
  dot.labels = db_g2$pais # Etiquetas de los puntos
) +
  labs(title ="Asociación entre preferencia por la redistribución y desigualdad de los países",
       y = "Media preferencias redistributivas",
       x = "Índice de Gini",
       caption = "Fuente: Elaboración propia en base a LAPOP 2018.") + # agregamos titulo, nombres a los ejes y fuente
  theme_bw() # especificamos tema

4 Tablas

Cargamos los paquetes para esta sección:

pacman::p_load(tidyverse, # Manipulacion datos
               sjmisc, # Descriptivos
               knitr, # Render y tablas
               kableExtra, # Formateo tablas
               summarytools, # Tablas
               sjPlot, # Tablas y gráficos
               stargazer, # Tablas
               janitor, # Tablas y formateo
               crosstable, # Tablas
               table1 # Tablas
               )

4.1 Tablas con `kable` y `kableExtra`

Confianza interpersonal según país

Creamos el objeto tab1 con el contenido de la tabla

tab1 <- lapop %>%
  group_by(pais, it1) %>% # agrupamos por pais y variable
  summarise(n = n()) %>% # contamos por categ de respuesta
  mutate(prop = round((n / sum(n)) * 100, 2)) %>% # porcentaje
  na.omit() %>% # borramos NA
  pivot_wider(id_cols = pais, names_from = it1, values_from = prop) # convertimos a formato ancho

tab1

# A tibble: 15 × 5
# Groups:   pais [15]
   pais    `1`   `2`   `3`   `4`
   <chr> <dbl> <dbl> <dbl> <dbl>
 1 ARG    7.98  21.7  45.1  23.2
 2 BOL   13.6   40.5  31.9  11.6
 3 BRA   12.9   45.4  19.8  19.8
 4 CHL   10.6   23.4  40.5  24.6
 5 COL    9.14  25.7  34.4  29.0
 6 CRI    8.53  22.6  34.6  32.2
 7 DOM   11.3   29.0  31.3  24.0
 8 ECU   11.7   37.8  32.2  17.3
 9 HND   14.0   28.6  22.8  29.3
10 MEX   11.2   33.2  31.5  20.7
11 PAN   14.2   34    31.5  18.5
12 PER   14.9   42.3  31.2  10.6
13 PRY    9.7   24.1  35.6  26.9
14 SLV    8.6   32.3  26.3  29.2
15 URY    7.08  18.7  43.8  27.1

Aplicamos el formato con kable() y kableExtra

tabla1 <- tab1 %>%
  kable(format = "markdown",
        align = "c",
        col.names = c("País", "Nada confiable", "Poco confiable", "Algo confiable", "Muy confiable"),
        caption = "Tabla 1. Confianza interpersonal según país") %>%
  kableExtra::kable_classic(full_width = FALSE, position = "center", font_size = 14) %>%
  kableExtra::add_footnote(label = "Fuente: Elaboración propia en base a LAPOP 2018.")

tabla1

Tabla 1. Confianza interpersonal según país
País	Nada confiable	Poco confiable	Algo confiable	Muy confiable
ARG	7.98	21.66	45.09	23.23
BOL	13.56	40.49	31.87	11.59
BRA	12.88	45.39	19.76	19.76
CHL	10.56	23.44	40.54	24.60
COL	9.14	25.74	34.40	28.98
CRI	8.53	22.58	34.64	32.25
DOM	11.28	29.02	31.27	24.01
ECU	11.68	37.83	32.22	17.29
HND	14.04	28.65	22.82	29.29
MEX	11.20	33.16	31.46	20.70
PAN	14.24	34.00	31.49	18.47
PER	14.92	42.34	31.23	10.59
PRY	9.70	24.09	35.64	26.86
SLV	8.60	32.30	26.27	29.19
URY	7.08	18.72	43.77	27.07
^a Fuente: Elaboración propia en base a LAPOP 2018.

Descriptivos de edad según país

Creamos el objeto tab2 con los estadísticos descriptivos de edad por país

tab2 <- lapop %>%
  group_by(pais) %>%
  summarise(
    n = n(), # Tamaño muestral
    min = min(edad, na.rm = T), # Mínimo
    max = max(edad, na.rm = T), # Máximo
    media = round(mean(edad, na.rm = T), 2), # Media redondeada a 2 digitos
    sd = round(sd(edad, na.rm = T), 2), # Desviación estándar redondeada a 2 digitos
    mediana = median(edad, na.rm = T) # Mediana
  )

Aplicamos el formato con kable() y kableExtra

tabla2 <- tab2 %>%
  kable(format = "markdown",
        align = "c",
        col.names = c("País", "Tamaño muestral", "Mínimo", "Máximo", "Media", "Desv. estándar", "Mediana"),
        caption = "Tabla 2. Edad según país") %>%
  kableExtra::kable_classic(full_width = FALSE, position = "center", font_size = 14) %>%
  kableExtra::add_footnote(label = "Fuente: Elaboración propia en base a LAPOP 2018.")

tabla2

Tabla 2. Edad según país
País	Tamaño muestral	Mínimo	Máximo	Media	Desv. estándar	Mediana
ARG	1528	16	90	41.84	17.75	39.0
BOL	1682	18	89	39.52	16.30	36.0
BRA	1498	16	92	39.15	16.25	37.0
CHL	1638	18	92	42.22	16.80	40.0
COL	1663	18	90	40.36	16.33	37.0
CRI	1501	18	89	40.50	16.88	37.0
DOM	1516	18	87	40.05	16.98	37.0
ECU	1533	16	92	38.16	17.10	35.0
HND	1560	18	89	38.17	16.26	34.0
MEX	1580	18	88	42.09	17.03	40.0
PAN	1559	18	93	39.56	16.17	37.5
PER	1521	18	91	38.85	15.54	36.0
PRY	1515	18	87	40.00	16.28	37.0
SLV	1511	18	99	39.99	16.62	38.0
URY	1581	18	95	46.19	17.89	44.0
^a Fuente: Elaboración propia en base a LAPOP 2018.

4.2 Funciones automatizadas para la construcción de tablas

# Creemos una version de lapop solo con algunas variables como ejemplo
data_example <- lapop %>%
  select(pais, it1, edad, sexo, gini, gdp)

4.2.1 Funciones para tablas univariadas

4.2.1.1 `summarytools`

tab <- summarytools::dfSummary(data_example)
summarytools::view(tab, method = "render")

Data Frame Summary

data_example

Dimensions: 23386 x 6
Duplicates: 16464

pais [character]

País

1. BOL
2. COL
3. CHL
4. URY
5. MEX
6. HND
7. PAN
8. ECU
9. ARG
10. PER
[ 5 others ]

1682	(	7.2%	)
1663	(	7.1%	)
1638	(	7.0%	)
1581	(	6.8%	)
1580	(	6.8%	)
1560	(	6.7%	)
1559	(	6.7%	)
1533	(	6.6%	)
1528	(	6.5%	)
1521	(	6.5%	)
7541	(	32.2%	)

23386 (100.0%)

0 (0.0%)

it1 [numeric]

Confianza Interpersonal

Mean (sd) : 2.7 (1)
min ≤ med ≤ max:
1 ≤ 3 ≤ 4
IQR (CV) : 1 (0.4)

1	:	2580	(	11.3%	)
2	:	7157	(	31.4%	)
3	:	7693	(	33.8%	)
4	:	5353	(	23.5%	)

22783 (97.4%)

603 (2.6%)

edad [numeric]

Edad

Mean (sd) : 40.5 (16.8)
min ≤ med ≤ max:
16 ≤ 38 ≤ 99
IQR (CV) : 25 (0.4)

81 distinct values

23372 (99.9%)

14 (0.1%)

sexo [factor]

Sexo

1. Hombre
2. Mujer

11634	(	49.8%	)
11739	(	50.2%	)

23373 (99.9%)

13 (0.1%)

gini [numeric]

Índice de Gini

Mean (sd) : 45.8 (4)
min ≤ med ≤ max:
38 ≤ 45.7 ≤ 53.3
IQR (CV) : 6.1 (0.1)

15 distinct values

23386 (100.0%)

0 (0.0%)

gdp [numeric]

PIB per cápita

Mean (sd) : 8.7 (4.3)
min ≤ med ≤ max:
2.5 ≤ 8 ≤ 16
IQR (CV) : 7.2 (0.5)

15 distinct values

23386 (100.0%)

0 (0.0%)

Generated by summarytools 1.0.1 (R version 4.5.0)
2026-11-08

tab <- summarytools::descr(data_example$edad)
summarytools::view(tab, method = "render")

Descriptive Statistics

data_example$edad

Label: Edad
N: 23386

	edad
Mean	40.46
Std.Dev	16.80
Min	16.00
Q1	27.00
Median	38.00
Q3	52.00
Max	99.00
MAD	17.79
IQR	25.00
CV	0.42
Skewness	0.57
SE.Skewness	0.02
Kurtosis	-0.58
N.Valid	23372
Pct.Valid	99.94

Generated by summarytools 1.0.1 (R version 4.5.0)
2026-11-08

4.2.1.2 `stargazer`

stargazer(as.data.frame(data_example), type = "html", summary.stat = c("mean", "sd", "min", "max"))


Statistic	Mean	St. Dev.	Min	Max

it1	2.694	0.953	1	4
edad	40.461	16.798	16	99
gini	45.778	4.043	38.000	53.300
gdp	8.748	4.278	2.475	16.038

4.2.1.3 `psych`

psych::describe(data_example) %>%
  kable() %>%
  kable_styling(full_width = TRUE)

	vars	n	mean	sd	median	trimmed	mad	min	max	range	skew	kurtosis	se
pais*	1	23386	7.950911	4.3253391	8.000000	7.935810	5.930400	1.00000	15.00000	14.00000	0.0201754	-1.2152000	0.0282841
it1	2	22783	2.694333	0.9532423	3.000000	2.742909	1.482600	1.00000	4.00000	3.00000	-0.1424032	-0.9507169	0.0063154
edad	3	23372	40.460551	16.7983821	38.000000	39.158199	17.791200	16.00000	99.00000	83.00000	0.5674996	-0.5770780	0.1098802
sexo*	4	23373	1.502246	0.5000057	2.000000	1.502808	0.000000	1.00000	2.00000	1.00000	-0.0089842	-2.0000048	0.0032705
gini	5	23386	45.777846	4.0429160	45.700000	45.896141	4.151280	38.00000	53.30000	15.30000	-0.2035078	-0.6251471	0.0264373
gdp	6	23386	8.747801	4.2779214	7.997761	8.634054	6.045964	2.47517	16.03793	13.56276	0.2534969	-1.2525404	0.0279740

4.2.1.4 `sjmisc`

sjmisc::frq(data_example$it1) %>%
  kable()

val	label	frq	raw.prc	valid.prc	cum.prc
1	Nada confiable	2580	11.03	11.32	11.32
2	Poco confiable	7157	30.60	31.41	42.74
3	Algo confiable	7693	32.90	33.77	76.50
4	Muy confiable	5353	22.89	23.50	100.00
NA	NA	603	2.58	NA	NA

4.2.1.5 `table1`

table1::table1(~ factor(sexo) + edad + gini + gdp, data = data_example)

	Overall (N=23386)
factor(sexo)
Hombre	11634 (49.7%)
Mujer	11739 (50.2%)
Missing	13 (0.1%)
Edad
Mean (SD)	40.5 (16.8)
Median [Min, Max]	38.0 [16.0, 99.0]
Missing	14 (0.1%)
Índice de Gini
Mean (SD)	45.8 (4.04)
Median [Min, Max]	45.7 [38.0, 53.3]
PIB per cápita
Mean (SD)	8.75 (4.28)
Median [Min, Max]	8.00 [2.48, 16.0]

4.2.2 Funciones para tablas bivariadas

4.2.2.1 `sjPlot`

sjPlot::tab_xtab(data_example$pais, data_example$it1, show.row.prc = TRUE)

País	Confianza Interpersonal				Total
País	Nada confiable	Poco confiable	Algo confiable	Muy confiable	Total
ARG	122 8.1 %	331 22.1 %	689 46 %	355 23.7 %	1497 100 %
BOL	228 13.9 %	681 41.5 %	536 32.7 %	195 11.9 %	1640 100 %
BRA	193 13.2 %	680 46.4 %	296 20.2 %	296 20.2 %	1465 100 %
CHL	173 10.7 %	384 23.6 %	664 40.9 %	403 24.8 %	1624 100 %
COL	152 9.3 %	428 26.2 %	572 35 %	482 29.5 %	1634 100 %
CRI	128 8.7 %	339 23 %	520 35.4 %	484 32.9 %	1471 100 %
DOM	171 11.8 %	440 30.4 %	474 32.7 %	364 25.1 %	1449 100 %
ECU	179 11.8 %	580 38.2 %	494 32.5 %	265 17.5 %	1518 100 %
HND	219 14.8 %	447 30.2 %	356 24.1 %	457 30.9 %	1479 100 %
MEX	177 11.6 %	524 34.4 %	497 32.6 %	327 21.4 %	1525 100 %
PAN	222 14.5 %	530 34.6 %	491 32.1 %	288 18.8 %	1531 100 %
PER	227 15.1 %	644 42.7 %	475 31.5 %	161 10.7 %	1507 100 %
PRY	147 10.1 %	365 25 %	540 37 %	407 27.9 %	1459 100 %
SLV	130 8.9 %	488 33.5 %	397 27.3 %	441 30.3 %	1456 100 %
URY	112 7.3 %	296 19.4 %	692 45.3 %	428 28 %	1528 100 %
Total	2580 11.3 %	7157 31.4 %	7693 33.8 %	5353 23.5 %	22783 100 %
χ²=1306.960 · df=42 · Cramer's V=0.138 · p=0.000

4.2.2.2 `summarytools`

tab <- summarytools::ctable(data_example$pais, data_example$sexo)
summarytools::view(tab, method = "render")

Cross-Tabulation, Row Proportions

pais * sexo

Data Frame: data_example

	sexo
pais	Hombre				Mujer				<NA>				Total
ARG	758	(	49.6%	)	770	(	50.4%	)	0	(	0.00%	)	1528	(	100.0%	)
BOL	846	(	50.3%	)	836	(	49.7%	)	0	(	0.00%	)	1682	(	100.0%	)
BRA	748	(	49.9%	)	750	(	50.1%	)	0	(	0.00%	)	1498	(	100.0%	)
CHL	813	(	49.6%	)	824	(	50.3%	)	1	(	0.06%	)	1638	(	100.0%	)
COL	830	(	49.9%	)	833	(	50.1%	)	0	(	0.00%	)	1663	(	100.0%	)
CRI	750	(	50.0%	)	751	(	50.0%	)	0	(	0.00%	)	1501	(	100.0%	)
DOM	753	(	49.7%	)	761	(	50.2%	)	2	(	0.13%	)	1516	(	100.0%	)
ECU	760	(	49.6%	)	764	(	49.8%	)	9	(	0.59%	)	1533	(	100.0%	)
HND	778	(	49.9%	)	782	(	50.1%	)	0	(	0.00%	)	1560	(	100.0%	)
MEX	775	(	49.1%	)	805	(	50.9%	)	0	(	0.00%	)	1580	(	100.0%	)
PAN	782	(	50.2%	)	777	(	49.8%	)	0	(	0.00%	)	1559	(	100.0%	)
PER	758	(	49.8%	)	762	(	50.1%	)	1	(	0.07%	)	1521	(	100.0%	)
PRY	755	(	49.8%	)	760	(	50.2%	)	0	(	0.00%	)	1515	(	100.0%	)
SLV	755	(	50.0%	)	756	(	50.0%	)	0	(	0.00%	)	1511	(	100.0%	)
URY	773	(	48.9%	)	808	(	51.1%	)	0	(	0.00%	)	1581	(	100.0%	)
Total	11634	(	49.7%	)	11739	(	50.2%	)	13	(	0.06%	)	23386	(	100.0%	)

Generated by summarytools 1.0.1 (R version 4.5.0)
2026-11-08

4.2.2.3 `crosstable`

crosstable::crosstable(data_example, pais, by = sexo, margin=c("row", "col"), total = "both") %>%
  kable() %>%
  kable_styling(full_width = TRUE)

.id	label	variable	Hombre	Mujer	NA	Total
pais	País	ARG	758 (6.52% / 49.61%)	770 (6.56% / 50.39%)	0	1528 (6.53%)
pais	País	BOL	846 (7.27% / 50.30%)	836 (7.12% / 49.70%)	0	1682 (7.19%)
pais	País	BRA	748 (6.43% / 49.93%)	750 (6.39% / 50.07%)	0	1498 (6.41%)
pais	País	CHL	813 (6.99% / 49.66%)	824 (7.02% / 50.34%)	1	1638 (7.00%)
pais	País	COL	830 (7.13% / 49.91%)	833 (7.10% / 50.09%)	0	1663 (7.11%)
pais	País	CRI	750 (6.45% / 49.97%)	751 (6.40% / 50.03%)	0	1501 (6.42%)
pais	País	DOM	753 (6.47% / 49.74%)	761 (6.48% / 50.26%)	2	1516 (6.48%)
pais	País	ECU	760 (6.53% / 49.87%)	764 (6.51% / 50.13%)	9	1533 (6.56%)
pais	País	HND	778 (6.69% / 49.87%)	782 (6.66% / 50.13%)	0	1560 (6.67%)
pais	País	MEX	775 (6.66% / 49.05%)	805 (6.86% / 50.95%)	0	1580 (6.76%)
pais	País	PAN	782 (6.72% / 50.16%)	777 (6.62% / 49.84%)	0	1559 (6.67%)
pais	País	PER	758 (6.52% / 49.87%)	762 (6.49% / 50.13%)	1	1521 (6.50%)
pais	País	PRY	755 (6.49% / 49.83%)	760 (6.47% / 50.17%)	0	1515 (6.48%)
pais	País	SLV	755 (6.49% / 49.97%)	756 (6.44% / 50.03%)	0	1511 (6.46%)
pais	País	URY	773 (6.64% / 48.89%)	808 (6.88% / 51.11%)	0	1581 (6.76%)
pais	País	Total	11634 (49.78%)	11739 (50.22%)	13	23386 (100.00%)

4.2.2.4 `table1`

table1::table1(~ factor(sexo) + edad + gini + gdp | pais, data = data_example)

	ARG (N=1528)	BOL (N=1682)	BRA (N=1498)	CHL (N=1638)	COL (N=1663)	CRI (N=1501)	DOM (N=1516)	ECU (N=1533)	HND (N=1560)	MEX (N=1580)	PAN (N=1559)	PER (N=1521)	PRY (N=1515)	SLV (N=1511)	URY (N=1581)	Overall (N=23386)
factor(sexo)
Hombre	758 (49.6%)	846 (50.3%)	748 (49.9%)	813 (49.6%)	830 (49.9%)	750 (50.0%)	753 (49.7%)	760 (49.6%)	778 (49.9%)	775 (49.1%)	782 (50.2%)	758 (49.8%)	755 (49.8%)	755 (50.0%)	773 (48.9%)	11634 (49.7%)
Mujer	770 (50.4%)	836 (49.7%)	750 (50.1%)	824 (50.3%)	833 (50.1%)	751 (50.0%)	761 (50.2%)	764 (49.8%)	782 (50.1%)	805 (50.9%)	777 (49.8%)	762 (50.1%)	760 (50.2%)	756 (50.0%)	808 (51.1%)	11739 (50.2%)
Missing	0 (0%)	0 (0%)	0 (0%)	1 (0.1%)	0 (0%)	0 (0%)	2 (0.1%)	9 (0.6%)	0 (0%)	0 (0%)	0 (0%)	1 (0.1%)	0 (0%)	0 (0%)	0 (0%)	13 (0.1%)
Edad
Mean (SD)	41.8 (17.8)	39.5 (16.3)	39.1 (16.2)	42.2 (16.8)	40.4 (16.3)	40.5 (16.9)	40.0 (17.0)	38.2 (17.1)	38.2 (16.3)	42.1 (17.0)	39.6 (16.2)	38.8 (15.5)	40.0 (16.3)	40.0 (16.6)	46.2 (17.9)	40.5 (16.8)
Median [Min, Max]	39.0 [16.0, 90.0]	36.0 [18.0, 89.0]	37.0 [16.0, 92.0]	40.0 [18.0, 92.0]	37.0 [18.0, 90.0]	37.0 [18.0, 89.0]	37.0 [18.0, 87.0]	35.0 [16.0, 92.0]	34.0 [18.0, 89.0]	40.0 [18.0, 88.0]	37.5 [18.0, 93.0]	36.0 [18.0, 91.0]	37.0 [18.0, 87.0]	38.0 [18.0, 99.0]	44.0 [18.0, 95.0]	38.0 [16.0, 99.0]
Missing	0 (0%)	0 (0%)	0 (0%)	1 (0.1%)	0 (0%)	0 (0%)	2 (0.1%)	9 (0.6%)	0 (0%)	0 (0%)	1 (0.1%)	1 (0.1%)	0 (0%)	0 (0%)	0 (0%)	14 (0.1%)
Índice de Gini
Mean (SD)	41.1 (0)	44.6 (0)	53.3 (0)	44.4 (0)	49.7 (0)	48.3 (0)	45.7 (0)	44.7 (0)	49.4 (0)	46.3 (0)	49.9 (0)	43.3 (0)	48.5 (0)	38.0 (0)	39.5 (0)	45.8 (4.04)
Median [Min, Max]	41.1 [41.1, 41.1]	44.6 [44.6, 44.6]	53.3 [53.3, 53.3]	44.4 [44.4, 44.4]	49.7 [49.7, 49.7]	48.3 [48.3, 48.3]	45.7 [45.7, 45.7]	44.7 [44.7, 44.7]	49.4 [49.4, 49.4]	46.3 [46.3, 46.3]	49.9 [49.9, 49.9]	43.3 [43.3, 43.3]	48.5 [48.5, 48.5]	38.0 [38.0, 38.0]	39.5 [39.5, 39.5]	45.7 [38.0, 53.3]
PIB per cápita
Mean (SD)	13.1 (0)	3.29 (0)	8.58 (0)	13.9 (0)	6.27 (0)	12.5 (0)	8.00 (0)	5.95 (0)	2.48 (0)	9.95 (0)	14.9 (0)	6.57 (0)	5.87 (0)	3.92 (0)	16.0 (0)	8.75 (4.28)
Median [Min, Max]	13.1 [13.1, 13.1]	3.29 [3.29, 3.29]	8.58 [8.58, 8.58]	13.9 [13.9, 13.9]	6.27 [6.27, 6.27]	12.5 [12.5, 12.5]	8.00 [8.00, 8.00]	5.95 [5.95, 5.95]	2.48 [2.48, 2.48]	9.95 [9.95, 9.95]	14.9 [14.9, 14.9]	6.57 [6.57, 6.57]	5.87 [5.87, 5.87]	3.92 [3.92, 3.92]	16.0 [16.0, 16.0]	8.00 [2.48, 16.0]

4.2.2.5 `dplyr` y `janitor`

data_example %>%
  janitor::tabyl(pais, it1) %>% # Esto reemplaza el procesamiento, buena alternativa
  kable() %>%
  kable_styling(full_width = TRUE)

pais	1	2	3	4	NA_
ARG	122	331	689	355	31
BOL	228	681	536	195	42
BRA	193	680	296	296	33
CHL	173	384	664	403	14
COL	152	428	572	482	29
CRI	128	339	520	484	30
DOM	171	440	474	364	67
ECU	179	580	494	265	15
HND	219	447	356	457	81
MEX	177	524	497	327	55
PAN	222	530	491	288	28
PER	227	644	475	161	14
PRY	147	365	540	407	56
SLV	130	488	397	441	55
URY	112	296	692	428	53

5 Insertar y referenciar gráficos y tablas dentro de Quarto

Gráficos

Generamos el objeto g1 donde almacenaremos la información que queremos graficar.

g1 <- lapop %>%
  group_by(pais) %>%
  summarise(cm_ros4 = mean(ros4, na.rm = T),
            cm_gini = mean(gini, na.rm = T)) %>%
  ungroup()

Creamos el gráfico en un objeto llamado grafico1.

grafico1 <- ggplot(data = g1,
       mapping = aes(x = cm_gini, y = cm_ros4, label = pais)) +
  geom_point() +
  geom_smooth(method = "lm",colour = "black",fill="lightblue",size=0.5) +
  geom_text(aes(label = pais), size = 3, color = "black", nudge_y = 0.05) +
  labs(x = "Índice de Gini",
       y = "Preferencias redistributivas",
       caption = "Fuente: Elaboración propia en base a LAPOP 2018") +
  theme_bw()

Llamamos a grafico1 especificando las opciones en el chunk.

grafico1

Figura 1: Asociación entre Índice de Gini y Preferencias Redistributivas

En la Figura 1 se muestra la asociación entre el promedio de preferencia por la redistribución y el nivel de desigualdad ecónomica de los países.

Tablas

Generamos el objeto tab3 que contiene la información que presentaremos en una tabla.

tab3 <- lapop %>%
  group_by(pais) %>%
  summarise(n = n(),
            media = round(mean(edad, na.rm = TRUE), 1)) %>%
  head(5)

Creamos la tabla mediante kable() especificando las opciones en el chunk.

kable(tab3,
      col.names = c("País", "N", "Edad promedio"),
      align = "lcc")

Tabla 1: Edad promedio según país

País	N	Edad promedio
ARG	1528	41.8
BOL	1682	39.5
BRA	1498	39.1
CHL	1638	42.2
COL	1663	40.4

En la Tabla 1 se muestra la edad promedio de las personas encuestadas en cinco países de la base LAPOP 2018.

pais	1	2	3	4	NA_
ARG	122	331	689	355	31
BOL	228	681	536	195	42
BRA	193	680	296	296	33
CHL	173	384	664	403	14
COL	152	428	572	482	29
CRI	128	339	520	484	30
DOM	171	440	474	364	67
ECU	179	580	494	265	15
HND	219	447	356	457	81
MEX	177	524	497	327	55
PAN	222	530	491	288	28
PER	227	644	475	161	14
PRY	147	365	540	407	56
SLV	130	488	397	441	55
URY	112	296	692	428	53

pais	1	2	3	4	NA_
ARG	122	331	689	355	31
BOL	228	681	536	195	42
BRA	193	680	296	296	33
CHL	173	384	664	403	14
COL	152	428	572	482	29
CRI	128	339	520	484	30
DOM	171	440	474	364	67
ECU	179	580	494	265	15
HND	219	447	356	457	81
MEX	177	524	497	327	55
PAN	222	530	491	288	28
PER	227	644	475	161	14
PRY	147	365	540	407	56
SLV	130	488	397	441	55
URY	112	296	692	428	53

1 Visualizar datos

2 Datos del ejemplo: LAPOP

3 Gráficos

3.1 Visualización de datos con ggplot2

3.1.1 Diferencias de medias (o proporciones) entre grupos

3.1.2 Asociación entre continuas

3.1.3 Asociación entre categóricas

3.1.3.1 Con ggplot2

3.2 Visualización con otras librerías

3.2.1 Con ggpubr

3.2.2 Con sjPlot

4 Tablas

4.1 Tablas con kable y kableExtra

Confianza interpersonal según país

Descriptivos de edad según país

4.2 Funciones automatizadas para la construcción de tablas

4.2.1 Funciones para tablas univariadas

4.2.1.1 summarytools

Data Frame Summary

data_example

Descriptive Statistics

data_example$edad

4.2.1.2 stargazer

4.2.1.3 psych

4.2.1.4 sjmisc

4.2.1.5 table1

4.2.2 Funciones para tablas bivariadas

4.2.2.1 sjPlot

4.2.2.2 summarytools

Cross-Tabulation, Row Proportions

pais * sexo

4.2.2.3 crosstable

4.2.2.4 table1

4.2.2.5 dplyr y janitor

5 Insertar y referenciar gráficos y tablas dentro de Quarto

Gráficos

Tablas

3.1 Visualización de datos con `ggplot2`

3.1.3.1 Con `ggplot2`

3.2.1 Con `ggpubr`

3.2.2 Con `sjPlot`

4.1 Tablas con `kable` y `kableExtra`

4.2.1.1 `summarytools`

4.2.1.2 `stargazer`

4.2.1.3 `psych`

4.2.1.4 `sjmisc`

4.2.1.5 `table1`

4.2.2.1 `sjPlot`

4.2.2.2 `summarytools`

4.2.2.3 `crosstable`

4.2.2.4 `table1`

4.2.2.5 `dplyr` y `janitor`

pais	1	2	3	4	NA_
ARG	122	331	689	355	31
BOL	228	681	536	195	42
BRA	193	680	296	296	33
CHL	173	384	664	403	14
COL	152	428	572	482	29
CRI	128	339	520	484	30
DOM	171	440	474	364	67
ECU	179	580	494	265	15
HND	219	447	356	457	81
MEX	177	524	497	327	55
PAN	222	530	491	288	28
PER	227	644	475	161	14
PRY	147	365	540	407	56
SLV	130	488	397	441	55
URY	112	296	692	428	53