Librerias

library(readxl) # read_excel
library(writexl) # write_xlsx
library(knitr)
library(tidyverse) #%>%

## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.2     ✔ readr     2.1.4
## ✔ forcats   1.0.0     ✔ stringr   1.5.0
## ✔ ggplot2   3.4.3     ✔ tibble    3.2.1
## ✔ lubridate 1.9.2     ✔ tidyr     1.3.0
## ✔ purrr     1.0.2     
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors

library(dplyr)  # selec, mutate,...
library(psych) # describe()

## 
## Attaching package: 'psych'
## 
## The following objects are masked from 'package:ggplot2':
## 
##     %+%, alpha

library(FSA) # Summarize()

## ## FSA v0.9.5. See citation('FSA') if used in publication.
## ## Run fishR() for related website and fishR('IFAR') for related book.
## 
## Attaching package: 'FSA'
## 
## The following object is masked from 'package:psych':
## 
##     headtail

library(flextable) # primero instalar el paquete luego cargar la libreria

## 
## Attaching package: 'flextable'
## 
## The following object is masked from 'package:purrr':
## 
##     compose

1. Introducción al software estadístico R

1.1 Lectura y respaldo de datos

Lectura de datos

datos <- read_excel("~/Simulacion/fallecidos_covid_Peru.xlsx")  # lee el archivo xlsx ubicado en la ruta 
view(datos)     # muestra la base de datos
attach(datos)   # cargar la base de datos al ambiente de trabajo de R
class(datos)    # indica el tipo de objetos con el que esta trabajando (vectores, matrices, dataframe - datos de cualquier tipo numericos alfanumericos)

## [1] "tbl_df"     "tbl"        "data.frame"

head(datos)     # permite ver los primeros elementos del dataframe

## # A tibble: 6 × 9
##   FECHA_CORTE UUID            FECHA_FALLECIMIENTO EDAD_DECLARADA SEXO  FECHA_NAC
##         <dbl> <chr>                         <dbl>          <dbl> <chr>     <dbl>
## 1    20200918 7320cabdc1aaca…            20200319             78 MASC…  19411013
## 2    20200918 e81602051997ac…            20200319             69 MASC…  19510305
## 3    20200918 cecdbf10074dbc…            20200321             83 MASC…  19390817
## 4    20200918 71ecb6bccb248b…            20200324             65 FEME…  19540104
## 5    20200918 566af4276cbe93…            20200324             76 MASC…        NA
## 6    20200918 027561e9d126e7…            20200324             94 MASC…  19251206
## # ℹ 3 more variables: DEPARTAMENTO <chr>, PROVINCIA <chr>, DISTRITO <chr>

dim(datos)      # muestra la dimension del data frame

## [1] 31369     9

# Tarea Buscar en la base de datos las Femeninas con edad declarada de entre 18 a 30 años
# Mostrar el total de dicha busqueda

dat <- datos %>%
     select(SEXO, EDAD_DECLARADA)%>%
     filter(SEXO=="FEMENINO", EDAD_DECLARADA%in%c(18:30))%>%
# Filtra de la varable sexo femeninos y edad entre 18 a 30 años
# el comando %in% junto con el vector c, elije elementos de un conjunto
# var %in% c(18,19,30) filtra buscando solo esos tres edades
     count (SEXO, sort=T) # cuenta cuantos femeninos encontro
dat  # muestra el total encontrado

## # A tibble: 1 × 2
##   SEXO         n
##   <chr>    <int>
## 1 FEMENINO   113

view(dat)

Exportación de datos

dat2<-datos %>%
  group_by(SEXO)%>%
  summarise(Total=n())

kable(dat2,
      caption = "Tabla de conteo")

Tabla de conteo
SEXO	Total
FEMENINO	9366
MASCULINO	22003

flextable(dat2)%>%
  set_caption("Total por genero") %>% # titulo de tabla
  fontsize(size = 15, part="all") %>% # tamaño de la fuente
  colformat_num(digits=2) # redondea digitos

Total por genero
SEXO	Total
FEMENINO	9,366
MASCULINO	22,003

datos$Mes <-substr(FECHA_FALLECIMIENTO,5,6)

view(datos)

dat3 <- datos %>%
  group_by(SEXO,Mes)%>%
  summarise(Total=n())%>%
  mutate(Porcentaje=(Total/sum(Total))*100)%>%
  rename(Sexo = SEXO)

## `summarise()` has grouped output by 'SEXO'. You can override using the
## `.groups` argument.

flextable(dat3)%>%
  colformat_double(digits=2)

Sexo	Mes	Total	Porcentaje
FEMENINO	03	21	0.22
FEMENINO	04	772	8.24
FEMENINO	05	2,045	21.83
FEMENINO	06	2,485	26.53
FEMENINO	07	1,680	17.94
FEMENINO	08	1,637	17.48
FEMENINO	09	726	7.75
MASCULINO	03	56	0.25
MASCULINO	04	1,984	9.02
MASCULINO	05	4,999	22.72
MASCULINO	06	5,680	25.81
MASCULINO	07	4,002	18.19
MASCULINO	08	3,707	16.85
MASCULINO	09	1,575	7.16

lIBRERIA GGPLOT

res <- table(SEXO, EDAD_DECLARADA)
view(res)
class(res)

## [1] "table"

res <- as.data.frame(res)  # Es necesario que el res sea draframe para poder usar ggplot
view(res)

colnames(res)<-c("SEXO","EDAD","TOTAL")
res

##          SEXO EDAD TOTAL
## 1    FEMENINO    0     8
## 2   MASCULINO    0     6
## 3    FEMENINO    1     4
## 4   MASCULINO    1     7
## 5    FEMENINO    2     6
## 6   MASCULINO    2     3
## 7    FEMENINO    3     2
## 8   MASCULINO    3     4
## 9    FEMENINO    4     3
## 10  MASCULINO    4     6
## 11   FEMENINO    5     4
## 12  MASCULINO    5     2
## 13   FEMENINO    6     1
## 14  MASCULINO    6     3
## 15   FEMENINO    7     1
## 16  MASCULINO    7     7
## 17   FEMENINO    8     3
## 18  MASCULINO    8     3
## 19   FEMENINO    9     3
## 20  MASCULINO    9     4
## 21   FEMENINO   10     3
## 22  MASCULINO   10     5
## 23   FEMENINO   11     2
## 24  MASCULINO   11     2
## 25   FEMENINO   12     2
## 26  MASCULINO   12     4
## 27   FEMENINO   13     2
## 28  MASCULINO   13     0
## 29   FEMENINO   14     4
## 30  MASCULINO   14     3
## 31   FEMENINO   15     4
## 32  MASCULINO   15     4
## 33   FEMENINO   16     2
## 34  MASCULINO   16     3
## 35   FEMENINO   17     1
## 36  MASCULINO   17    11
## 37   FEMENINO   18     3
## 38  MASCULINO   18     5
## 39   FEMENINO   19     4
## 40  MASCULINO   19     2
## 41   FEMENINO   20     3
## 42  MASCULINO   20    11
## 43   FEMENINO   21     6
## 44  MASCULINO   21     9
## 45   FEMENINO   22     6
## 46  MASCULINO   22    16
## 47   FEMENINO   23    13
## 48  MASCULINO   23    16
## 49   FEMENINO   24    15
## 50  MASCULINO   24     9
## 51   FEMENINO   25     5
## 52  MASCULINO   25    15
## 53   FEMENINO   26    10
## 54  MASCULINO   26    17
## 55   FEMENINO   27    13
## 56  MASCULINO   27    20
## 57   FEMENINO   28    16
## 58  MASCULINO   28    26
## 59   FEMENINO   29     4
## 60  MASCULINO   29    24
## 61   FEMENINO   30    15
## 62  MASCULINO   30    35
## 63   FEMENINO   31    23
## 64  MASCULINO   31    29
## 65   FEMENINO   32    24
## 66  MASCULINO   32    57
## 67   FEMENINO   33    24
## 68  MASCULINO   33    40
## 69   FEMENINO   34    33
## 70  MASCULINO   34    61
## 71   FEMENINO   35    21
## 72  MASCULINO   35    55
## 73   FEMENINO   36    20
## 74  MASCULINO   36    49
## 75   FEMENINO   37    26
## 76  MASCULINO   37    83
## 77   FEMENINO   38    28
## 78  MASCULINO   38    91
## 79   FEMENINO   39    42
## 80  MASCULINO   39   107
## 81   FEMENINO   40    48
## 82  MASCULINO   40    93
## 83   FEMENINO   41    49
## 84  MASCULINO   41   149
## 85   FEMENINO   42    41
## 86  MASCULINO   42   133
## 87   FEMENINO   43    46
## 88  MASCULINO   43   165
## 89   FEMENINO   44    59
## 90  MASCULINO   44   166
## 91   FEMENINO   45    70
## 92  MASCULINO   45   221
## 93   FEMENINO   46    72
## 94  MASCULINO   46   203
## 95   FEMENINO   47    76
## 96  MASCULINO   47   220
## 97   FEMENINO   48    87
## 98  MASCULINO   48   267
## 99   FEMENINO   49    94
## 100 MASCULINO   49   276
## 101  FEMENINO   50    89
## 102 MASCULINO   50   306
## 103  FEMENINO   51   113
## 104 MASCULINO   51   321
## 105  FEMENINO   52    92
## 106 MASCULINO   52   357
## 107  FEMENINO   53   109
## 108 MASCULINO   53   387
## 109  FEMENINO   54   134
## 110 MASCULINO   54   408
## 111  FEMENINO   55   151
## 112 MASCULINO   55   471
## 113  FEMENINO   56   156
## 114 MASCULINO   56   476
## 115  FEMENINO   57   185
## 116 MASCULINO   57   528
## 117  FEMENINO   58   186
## 118 MASCULINO   58   480
## 119  FEMENINO   59   188
## 120 MASCULINO   59   555
## 121  FEMENINO   60   204
## 122 MASCULINO   60   605
## 123  FEMENINO   61   214
## 124 MASCULINO   61   643
## 125  FEMENINO   62   250
## 126 MASCULINO   62   570
## 127  FEMENINO   63   290
## 128 MASCULINO   63   624
## 129  FEMENINO   64   254
## 130 MASCULINO   64   579
## 131  FEMENINO   65   294
## 132 MASCULINO   65   658
## 133  FEMENINO   66   292
## 134 MASCULINO   66   644
## 135  FEMENINO   67   239
## 136 MASCULINO   67   632
## 137  FEMENINO   68   293
## 138 MASCULINO   68   584
## 139  FEMENINO   69   276
## 140 MASCULINO   69   631
## 141  FEMENINO   70   256
## 142 MASCULINO   70   586
## 143  FEMENINO   71   263
## 144 MASCULINO   71   562
## 145  FEMENINO   72   264
## 146 MASCULINO   72   591
## 147  FEMENINO   73   271
## 148 MASCULINO   73   611
## 149  FEMENINO   74   250
## 150 MASCULINO   74   561
## 151  FEMENINO   75   252
## 152 MASCULINO   75   522
## 153  FEMENINO   76   216
## 154 MASCULINO   76   511
## 155  FEMENINO   77   224
## 156 MASCULINO   77   499
## 157  FEMENINO   78   193
## 158 MASCULINO   78   421
## 159  FEMENINO   79   219
## 160 MASCULINO   79   408
## 161  FEMENINO   80   222
## 162 MASCULINO   80   435
## 163  FEMENINO   81   189
## 164 MASCULINO   81   394
## 165  FEMENINO   82   173
## 166 MASCULINO   82   374
## 167  FEMENINO   83   162
## 168 MASCULINO   83   328
## 169  FEMENINO   84   169
## 170 MASCULINO   84   313
## 171  FEMENINO   85   150
## 172 MASCULINO   85   295
## 173  FEMENINO   86   132
## 174 MASCULINO   86   247
## 175  FEMENINO   87   131
## 176 MASCULINO   87   212
## 177  FEMENINO   88   101
## 178 MASCULINO   88   193
## 179  FEMENINO   89    95
## 180 MASCULINO   89   176
## 181  FEMENINO   90    76
## 182 MASCULINO   90   139
## 183  FEMENINO   91    67
## 184 MASCULINO   91    94
## 185  FEMENINO   92    61
## 186 MASCULINO   92   104
## 187  FEMENINO   93    44
## 188 MASCULINO   93    68
## 189  FEMENINO   94    34
## 190 MASCULINO   94    49
## 191  FEMENINO   95    33
## 192 MASCULINO   95    34
## 193  FEMENINO   96    17
## 194 MASCULINO   96    22
## 195  FEMENINO   97    12
## 196 MASCULINO   97    14
## 197  FEMENINO   98    10
## 198 MASCULINO   98    15
## 199  FEMENINO   99    11
## 200 MASCULINO   99     7
## 201  FEMENINO  100     4
## 202 MASCULINO  100     4
## 203  FEMENINO  101     2
## 204 MASCULINO  101     4
## 205  FEMENINO  102     1
## 206 MASCULINO  102     0
## 207  FEMENINO  103     1
## 208 MASCULINO  103     0
## 209  FEMENINO  104     1
## 210 MASCULINO  104     2
## 211  FEMENINO  107     0
## 212 MASCULINO  107     1
## 213  FEMENINO  108     0
## 214 MASCULINO  108     1

bdatos1 <-data.frame(Sexo=res[,1],Edad=res[,2],Total=res[,3])
# tomaremos un dataframe llamado bdatos1
# en el cual tendremos las columnas siguientes
# la columna Sexo tomara los datos de res en la columna 1 res[,1]
# en los corchetes tenemos [a,b], donde a son los renglones
# b son las columnas , si no ponemos numero de columna o renglon 
# se tomaran todas lo que hay dentro de los renglones si no se
# especifica un renglon o colimna deseado

bdatos1

##          Sexo Edad Total
## 1    FEMENINO    0     8
## 2   MASCULINO    0     6
## 3    FEMENINO    1     4
## 4   MASCULINO    1     7
## 5    FEMENINO    2     6
## 6   MASCULINO    2     3
## 7    FEMENINO    3     2
## 8   MASCULINO    3     4
## 9    FEMENINO    4     3
## 10  MASCULINO    4     6
## 11   FEMENINO    5     4
## 12  MASCULINO    5     2
## 13   FEMENINO    6     1
## 14  MASCULINO    6     3
## 15   FEMENINO    7     1
## 16  MASCULINO    7     7
## 17   FEMENINO    8     3
## 18  MASCULINO    8     3
## 19   FEMENINO    9     3
## 20  MASCULINO    9     4
## 21   FEMENINO   10     3
## 22  MASCULINO   10     5
## 23   FEMENINO   11     2
## 24  MASCULINO   11     2
## 25   FEMENINO   12     2
## 26  MASCULINO   12     4
## 27   FEMENINO   13     2
## 28  MASCULINO   13     0
## 29   FEMENINO   14     4
## 30  MASCULINO   14     3
## 31   FEMENINO   15     4
## 32  MASCULINO   15     4
## 33   FEMENINO   16     2
## 34  MASCULINO   16     3
## 35   FEMENINO   17     1
## 36  MASCULINO   17    11
## 37   FEMENINO   18     3
## 38  MASCULINO   18     5
## 39   FEMENINO   19     4
## 40  MASCULINO   19     2
## 41   FEMENINO   20     3
## 42  MASCULINO   20    11
## 43   FEMENINO   21     6
## 44  MASCULINO   21     9
## 45   FEMENINO   22     6
## 46  MASCULINO   22    16
## 47   FEMENINO   23    13
## 48  MASCULINO   23    16
## 49   FEMENINO   24    15
## 50  MASCULINO   24     9
## 51   FEMENINO   25     5
## 52  MASCULINO   25    15
## 53   FEMENINO   26    10
## 54  MASCULINO   26    17
## 55   FEMENINO   27    13
## 56  MASCULINO   27    20
## 57   FEMENINO   28    16
## 58  MASCULINO   28    26
## 59   FEMENINO   29     4
## 60  MASCULINO   29    24
## 61   FEMENINO   30    15
## 62  MASCULINO   30    35
## 63   FEMENINO   31    23
## 64  MASCULINO   31    29
## 65   FEMENINO   32    24
## 66  MASCULINO   32    57
## 67   FEMENINO   33    24
## 68  MASCULINO   33    40
## 69   FEMENINO   34    33
## 70  MASCULINO   34    61
## 71   FEMENINO   35    21
## 72  MASCULINO   35    55
## 73   FEMENINO   36    20
## 74  MASCULINO   36    49
## 75   FEMENINO   37    26
## 76  MASCULINO   37    83
## 77   FEMENINO   38    28
## 78  MASCULINO   38    91
## 79   FEMENINO   39    42
## 80  MASCULINO   39   107
## 81   FEMENINO   40    48
## 82  MASCULINO   40    93
## 83   FEMENINO   41    49
## 84  MASCULINO   41   149
## 85   FEMENINO   42    41
## 86  MASCULINO   42   133
## 87   FEMENINO   43    46
## 88  MASCULINO   43   165
## 89   FEMENINO   44    59
## 90  MASCULINO   44   166
## 91   FEMENINO   45    70
## 92  MASCULINO   45   221
## 93   FEMENINO   46    72
## 94  MASCULINO   46   203
## 95   FEMENINO   47    76
## 96  MASCULINO   47   220
## 97   FEMENINO   48    87
## 98  MASCULINO   48   267
## 99   FEMENINO   49    94
## 100 MASCULINO   49   276
## 101  FEMENINO   50    89
## 102 MASCULINO   50   306
## 103  FEMENINO   51   113
## 104 MASCULINO   51   321
## 105  FEMENINO   52    92
## 106 MASCULINO   52   357
## 107  FEMENINO   53   109
## 108 MASCULINO   53   387
## 109  FEMENINO   54   134
## 110 MASCULINO   54   408
## 111  FEMENINO   55   151
## 112 MASCULINO   55   471
## 113  FEMENINO   56   156
## 114 MASCULINO   56   476
## 115  FEMENINO   57   185
## 116 MASCULINO   57   528
## 117  FEMENINO   58   186
## 118 MASCULINO   58   480
## 119  FEMENINO   59   188
## 120 MASCULINO   59   555
## 121  FEMENINO   60   204
## 122 MASCULINO   60   605
## 123  FEMENINO   61   214
## 124 MASCULINO   61   643
## 125  FEMENINO   62   250
## 126 MASCULINO   62   570
## 127  FEMENINO   63   290
## 128 MASCULINO   63   624
## 129  FEMENINO   64   254
## 130 MASCULINO   64   579
## 131  FEMENINO   65   294
## 132 MASCULINO   65   658
## 133  FEMENINO   66   292
## 134 MASCULINO   66   644
## 135  FEMENINO   67   239
## 136 MASCULINO   67   632
## 137  FEMENINO   68   293
## 138 MASCULINO   68   584
## 139  FEMENINO   69   276
## 140 MASCULINO   69   631
## 141  FEMENINO   70   256
## 142 MASCULINO   70   586
## 143  FEMENINO   71   263
## 144 MASCULINO   71   562
## 145  FEMENINO   72   264
## 146 MASCULINO   72   591
## 147  FEMENINO   73   271
## 148 MASCULINO   73   611
## 149  FEMENINO   74   250
## 150 MASCULINO   74   561
## 151  FEMENINO   75   252
## 152 MASCULINO   75   522
## 153  FEMENINO   76   216
## 154 MASCULINO   76   511
## 155  FEMENINO   77   224
## 156 MASCULINO   77   499
## 157  FEMENINO   78   193
## 158 MASCULINO   78   421
## 159  FEMENINO   79   219
## 160 MASCULINO   79   408
## 161  FEMENINO   80   222
## 162 MASCULINO   80   435
## 163  FEMENINO   81   189
## 164 MASCULINO   81   394
## 165  FEMENINO   82   173
## 166 MASCULINO   82   374
## 167  FEMENINO   83   162
## 168 MASCULINO   83   328
## 169  FEMENINO   84   169
## 170 MASCULINO   84   313
## 171  FEMENINO   85   150
## 172 MASCULINO   85   295
## 173  FEMENINO   86   132
## 174 MASCULINO   86   247
## 175  FEMENINO   87   131
## 176 MASCULINO   87   212
## 177  FEMENINO   88   101
## 178 MASCULINO   88   193
## 179  FEMENINO   89    95
## 180 MASCULINO   89   176
## 181  FEMENINO   90    76
## 182 MASCULINO   90   139
## 183  FEMENINO   91    67
## 184 MASCULINO   91    94
## 185  FEMENINO   92    61
## 186 MASCULINO   92   104
## 187  FEMENINO   93    44
## 188 MASCULINO   93    68
## 189  FEMENINO   94    34
## 190 MASCULINO   94    49
## 191  FEMENINO   95    33
## 192 MASCULINO   95    34
## 193  FEMENINO   96    17
## 194 MASCULINO   96    22
## 195  FEMENINO   97    12
## 196 MASCULINO   97    14
## 197  FEMENINO   98    10
## 198 MASCULINO   98    15
## 199  FEMENINO   99    11
## 200 MASCULINO   99     7
## 201  FEMENINO  100     4
## 202 MASCULINO  100     4
## 203  FEMENINO  101     2
## 204 MASCULINO  101     4
## 205  FEMENINO  102     1
## 206 MASCULINO  102     0
## 207  FEMENINO  103     1
## 208 MASCULINO  103     0
## 209  FEMENINO  104     1
## 210 MASCULINO  104     2
## 211  FEMENINO  107     0
## 212 MASCULINO  107     1
## 213  FEMENINO  108     0
## 214 MASCULINO  108     1

Introduccion al software estadístico R

Daniel Caballero Morales

2023-08-31

Librerias

1. Introducción al software estadístico R

1.1 Lectura y respaldo de datos

Lectura de datos

Exportación de datos

lIBRERIA GGPLOT