Para formatear el texto se usa el fichero estilos.css que está incluido en las instrucciones de la cabecera de este documento. En el fichero estilos.css se incorporan algunas herramientas útiles para destacar bloques de texto como por ejemplo:

MiTítulo bloque nota Se usa para resaltar un comentario

MiTítulo bloque metodo Se usa para resaltar métodos/algoritmos/fórmulas

MiTítulo bloque de discusion Se usa para resaltar una discusión/comparación/resultados previos

MiTítulo bloque resultado Se usa para resaltar resultados de nuestro proyecto

NOTA: BORRAR O PONER ENTRE COMENTARIOS ESTOS EJEMPLOS DE FORMATEO UNA VEZ ENTENDIDOS LOS EJEMPLO

1 Introducción

1.1 Estado actual

1.2 Motivación

1.3 Objetivos

2 Aportaciones del trabajo

2.1 Principales aportaciones

2.2 Alineamiento con los objetivos de desarrollo sostenible

Grado de relación del proyecto con los objetivos de desarrollo sostenible (ODS)
ODS	No procede	Bajo	Medio	Alto
ODS 1. Fin de la pobreza	X
ODS 2. Hambre cero		X
ODS 3. Salud y bienestar			X
ODS 4. Educación de calidad				X
ODS 5. Igualdad de género	X
ODS 6. Agua limpia y saneamiento	X
ODS 7. Energía asequible y no contaminante	X
ODS 8. Trabajo decente y crecimiento económico	X
ODS 9. Industria, innovación e infraestructura	X
ODS 10. Reducción de las desigualdades	X
ODS 11. Ciudades y comunidades sostenibles	X
ODS 12. Producción y consumo responsables	X
ODS 13. Acción por el clima	X
ODS 14. Vida submarina	X
ODS 15. Vida de ecosistemas terrestres	X
ODS 16. Paz, justicia e instituciones sólidas	X
ODS 17. Alianzas para lograr los objetivos	X

3 Desarrollo

3.1 Herramientas empleadas

Ejemplo Texto con cita bibliográfica: Las principales herramientas usadas en este proyecto se describen en profundidad en [Al26].

3.2 Metodología

En esta sección solo se describen los diferentes apartados de la metodología, NO SE DESARROLLAN LOS DIFERENTES APARTADOS, solo se añade, si es necesario, un pequeño párrafo a cada apartado para indicar las especificidades de tu proyecto en el contexto de cada apartado. El desarrollo de cada uno de los apartados se hace después en las secciones correspondientes.

Utilizaremos la metodología de desarrollo CRISP-DM (Cross Industry Standard Process for Data Mining), un marco ampliamente utilizado para proyectos de Ciencias de Datos. En la siguiente figura se presenta un diagrama con las diferentes fases de esta metodología que a continuación describimos con más detalle:

Figura 2. Diagrama de la metodología de desarrollo CRISP-DM.

Comprensión del negocio. A partir de los objetivos y las preguntas de investigación del proyecto, se realiza la búsqueda y evaluación de fuentes de información y datos, y se describe la estrategia seguida para seleccionar los datasets, incluido el uso de la IA.
Comprensión de los datos. Se analiza la estructura y organización de los datos obtenidos. Se identifican posibles problemas como datos faltantes, outliers o inconsistencias.
Preparación de los datos. Se realizan limpieza, transformación, combinación y selección o creación de variables relevantes para el análisis.
Modelado. Se seleccionan y aplican los modelos adecuados para analizar los datos.
Evaluación. Se evalúa si el modelo responde a las preguntas de investigación y se compara con otros métodos cuando procede.
Despliegue. Se comunica el trabajo mediante esta memoria y se diseña un cuadro de mandos para presentar los resultados de forma eficaz y atractiva.

Es importante observar que esta metodología es iterativa: los resultados obtenidos en fases avanzadas pueden requerir revisar y ajustar fases anteriores. A continuación se describe en detalle cómo se ha abordado cada fase.

3.3 Comprensión del negocio

3.4 Comprensión de los datos

Inclusión datasets

Usando los Rmd _DatasetSelection de las carpetas de ISTAC, INE, WORLD_BANK y EUROSTAT (o los de EDGAR, CLIMA e INFORME_PISA) seleccionamos los datasets y los incorporamos aquí en la memoria con aedv_incluir_dataset(), pegando en esta sección el chunk que indica cada uno de esos documentos en su última sección, según se explica en los ficheros README_Proyecto_Personal.Rmd (carpeta ProyectoPersonal) y README_Selección_Tema.Rmd (subcarpeta SelecciónDatasetsProyecto).

Cada dataset se incluye con su propio chunk, con las opciones results='asis' y cache=FALSE. Los ficheros del dataset (el .rds, el _metadatos.xlsx y el _analisis.Rmd) tienen que estar en la carpeta de esta memoria. Por ejemplo, el dataset principal del proyecto:

```{r, results='asis', cache=FALSE}
# IPC por comunidades autónomas (INE, tabla 76136): el análisis completo
# aparece aquí y los datos quedan en la tabla ipc
ipc <- aedv_incluir_dataset("76136_analisis.Rmd")
```

Un dataset auxiliar, que no tiene que cumplir los requisitos de AEDV, puede incluirse sin la parte de validación:

```{r, results='asis', cache=FALSE}
poblacion <- aedv_incluir_dataset("56940_analisis.Rmd", validacion = FALSE)
```

En los datasets con varias tablas (EDGAR, CLIMA e INFORME_PISA), la función las devuelve en una lista que se separa a continuación, cada tabla con su nombre:

```{r, results='asis', cache=FALSE}
clima <- aedv_incluir_dataset("CLIMA_CANARIAS_analisis.Rmd")
clima_obs  <- clima$data   # observaciones mensuales por municipio, 1990-2022
clima_proy <- clima$proy   # proyecciones por escenario, modelo y horizonte
```

Es muy importante tener en cuenta lo siguiente:

La información automática que se genera hay que perfeccionarla añadiendo texto explicativo.
Debe quedar claro que la colección de datos utilizada cumple con los requisitos de AEDV
Es especialmente importante e indispensable que todos los conceptos que aparecen en los datasets utilizados estén perfectamente explicados: contenido del dataset, que se se mide, significado de las variables categóricas y significado de todas las opciones de las variables categóricas especialmente cuando son conceptos técnicos.

NOTA: ESTA NOTA SE BORRA O SE PONE ENTRE COMENTARIOS UNA VEZ CUMPLIMENTADO EL APARTADO.

3.5 Preparación de los datos

3.6 Modelado

3.7 Evaluación

3.8 Despliegue

4 Conclusiones y trabajo futuro

4.1 Conclusiones

4.2 Trabajo futuro

Bibliografía

[Al26] Álvarez Luis. Análisis Exploratorio de Datos y Visualización, posit.cloud, 2026. (diversas consultas entre el Enero Septiembre y Diciembre d 2026)

Anexo I. Agentes de IA utilizados y organización del trabajo con la IA

Herramientas y agentes IA utilizados

Agente	Coste	Uso principal
Claude (Sonnet 4.5)	Gratuito	Depuración de código R y redacción de la memoria
ChatGPT (GPT-4o)	Gratuito	Consultas conceptuales y explicación de errores
GitHub Copilot	Licencia estudiante	Autocompletado de código en RStudio
Gemini	Gratuito	Búsqueda de información sobre el dominio del proyecto

Sustituye estas filas por las herramientas que hayas usado realmente. En “Uso principal” basta una frase breve por agente.

Organización del trabajo con la IA en AEDV

Reflexión sobre el uso de la IA

Escribe aquí tu reflexión.

Productividad por fase

Fase o tema	Comentario	Productividad
Familiarización con la asignatura	Aclarar conceptos y dudas del temario	×4
Realización de ejercicios	Explicación de errores y pistas, sin copiar la solución	×1,5
Selección del tema del proyecto	Exploración de ideas y validación de datasets	×1,5
Procesado de datos (`dplyr`)	Filtros, `join`s y reestructuración de las tablas	×2
Gráficas estáticas con `ggplot2`	Ajuste de estética, escalas y `facet_wrap`	×3
Series temporales (`fpp3`)	Descomposición y modelos ARIMA	×2,5
Análisis de atributos	Correlación, PCA y transformación Yeo-Johnson	×2,5
Visualización dinámica	Conversión a `plotly`/`leaflet` y ajuste de tooltips	×3
Desarrollo del dashboard	Estructura de `shiny`/`flexdashboard` y reactividad	×4
Redacción de la memoria	Redacción ODS	×10
Redacción de la memoria	Redacción de estado del arte	×5
Redacción de la memoria	Revisión de estilo y coherencia del texto	×2

El listado de fases/temas y los factores son orientativos, sustituyelos en base a tu experiencia real.

Mi título de Proyecto Personal

Mi nombre y apellidos

2026-10-15