PRIMERA PARTE: (Conceptualización e interfaz de R)

1.1 ¿Qué es un objeto en R?

En R, un objeto es simplemente una estructura de datos que contiene información. Estos objetos pueden ser de diferentes tipos, como vectores, matrices, listas, data frames, etc. Cuando trabajas en R, se pueden crear y manipular objetos para almacenar y procesar datos. Por ejemplo, podemos crear un vector para almacenar una secuencia de números.

1.2 ¿Cómo se crea y se manipula un objeto?

En R, puedes crear un objeto utilizando la función de asignación <- o =.

b <- c(6, 7, 8, 9, 0)
m <- matrix(1:12, nrow = 3, ncol = 4)
l <- list(nombre = "Juan", edad = 30, casado = TRUE)
data_frame <- data.frame(nombre = c("Juan", "María", "Pedro"),
                            edad = c(30, 25, 35),
                            casado = c(TRUE, FALSE, TRUE))
  1. ¿Cuál es la diferencia entre una variable y un objeto?

La diferencia entre una variable y un objeto es: Una variable es un espacio en la memoria del ordenador que se utiliza para almacenar un valor mientras que un objeto es una estructura de datos que contiene información y puede ser de diferentes tipos.

  1. ¿Qué es un script en R?

Un script en R es un archivo de texto plano que contiene una serie de comandos y funciones en el lenguaje de programación R. Estos comandos y funciones pueden ser utilizados para realizar análisis de datos, manipulación de datos, visualización, modelado estadístico y cualquier otra tarea que se pueda llevar a cabo con R; además, Los scripts en R son una forma conveniente de organizar y ejecutar código de manera estructurada y reutilizable. En un script, puedes escribir una secuencia de comandos que realizan una tarea específica o un análisis completo.

  1. Explica cómo se ejecuta un script y cuál es su utilidad.

4.1 Pasos para ejecutar un script.

4.2 La utilidad de los scripts en R es múltiple:

  1. Describe la función de la ventana de comandos en el entorno de R.

La ventana de comandos en el entorno de R, también conocida como la consola de R, es una interfaz interactiva donde puedes ingresar y ejecutar comandos en tiempo real. Esta ventana es una parte fundamental del entorno de desarrollo integrado (IDE) de R, como RStudio, aunque también puede ser utilizada en otros entornos.

  1. ¿Cuáles son las ventajas de usar la ventana de comandos frente a un script?

Usar la ventana de comandos en R y escribir scripts tienen sus propias ventajas dependiendo del contexto y los objetivos del análisis de datos; la ventana de comandos en R es una herramienta versátil y poderosa que proporciona una forma interactiva de explorar, probar y experimentar con datos y código. Su flexibilidad y capacidad de respuesta la hacen ideal para ciertas tareas y situaciones, especialmente cuando se requiere exploración y experimentación interactiva. Sin embargo, para análisis más complejos y reproducibles, escribir scripts puede ser más apropiado y beneficioso.

  1. Nombra al menos cinco tipos de objetos que existen en R. Describe las características y usos de cada uno.

Cinco tipos de objetos comunes en R, junto con sus características y usos:

  1. ¿Qué tipo de objeto se debe utilizar para almacenar datos categóricos?

Para almacenar datos categóricos en R, el tipo de objeto más adecuado es un factor. Los factores son una estructura de datos especializada diseñada específicamente para manejar variables categóricas, donde cada valor en la variable representa una categoría o nivel distinto.

Datos_categoricos <- factor(c("A", "B", "C", "A", "B"))
  1. ¿Cuáles son las funciones básicas de R para importar y exportar datos?

9.1 Importar datos:

read.table(): Importa datos desde un archivo de texto delimitado por espacios en blanco. read.csv(): Importa datos desde un archivo CSV (valores separados por comas). read.delim(): Importa datos desde un archivo de texto delimitado por un carácter especificado (generalmente una coma o un punto y coma).

-Desde archivos Excel:

read_excel(): Importa datos desde un archivo Excel (.xls o .xlsx) utilizando el paquete readxl. readxl::read_xlsx(): Otra función del paquete readxl para importar datos de hojas de cálculo Excel.

haven::read_sav(): Importa datos desde archivos de formato SPSS utilizando el paquete haven. foreign::read.spss(): Importa datos desde archivos de formato SPSS utilizando el paquete foreign. haven::read_dta(): Importa datos desde archivos de formato Stata utilizando el paquete haven.

9.2 Exportar datos:

write.table(): Exporta datos a un archivo de texto delimitado por espacios en blanco. write.csv(): Exporta datos a un archivo CSV. write.delim(): Exporta datos a un archivo de texto delimitado por un carácter especificado.

-Archivos Excel:

write.xlsx(): Exporta datos a un archivo Excel utilizando el paquete openxlsx.

haven::write_sav(): Exporta datos a un archivo de formato SPSS utilizando el paquete haven. foreign::write.spss(): Exporta datos a un archivo de formato SPSS utilizando el paquete foreign. haven::write_dta(): Exporta datos a un archivo de formato Stata utilizando el paquete haven.

  1. Menciona al menos tres funciones que se utilizan comúnmente para manipular datos en R.
  1. ¿Cómo se define la clase de un objeto en R? ¿Cuáles son algunos ejemplos de las posibles clases que un objeto puede tener?

11.1 En R, la clase de un objeto se puede definir de varias maneras, dependiendo de cómo se quiera asignar.

11.2 ¿Cuáles son algunos ejemplos de las posibles clases que un objeto puede tener?

datos = data.frame(Nombre = c("Juan", "María", "Pedro"),Edad = c(30, 25, 35), casado = c("TRUE", "FALSE", 
"TRUE"))

SEGUNDA PARTE: (Manejo de datos básicos)

  1. Crea un dataframe con las siguientes columnas: “Nombre” (caracteres), “Edad” (números) y “Ciudad” (caracteres). Añade cinco filas con información ficticia.
  2. Ordena el dataframe por la columna “Edad” de menor a mayor.
  3. Filtra el dataframe para mostrar solo las filas donde “Edad” es mayor de 30.
datos = data.frame(Nombre = c("Ingrith", "David", "Paula", "Sebastian", "Angie"),Edad = c(19, 20, 21, 19, 25), Ciudad = c("Florencia", "Neiva", 
"Neiva", "Algecira_Huila", "Colombia_Huila"))
datos = datos[order(datos$Edad),]
#Mayores_de_30 = which(datos$Edad >30)
Mayores_de_30 = datos[datos$Edad > 30, ]

TERCERA PARTE: (Manipulación de datos)

  1. Utiliza el dataframe que creaste en el ejercicio anterior.
  2. Agrega una nueva columna llamada “Años de experiencia” con valores numéricos.
  3. Reemplaza los valores de “Ciudad” para que cualquier persona que viva en “Ciudad A” pase a vivir en “Ciudad Z”.
  4. Elimina un dato y agrega 3 nuevos valores.
datos = data.frame(Nombre = c("Ingrith", "David", "Paula", "Sebastian", "Angie"),Edad = c(19, 20, 21, 19, 25), Ciudad = c("Florencia", "Neiva", 
"Neiva", "Algecira_Huila", "Colombia_Huila"), Años_experiencia = c(3, 1, 4, 1, 6))
datos$Ciudad[datos$Ciudad == "Neiva"] <- "Florencia"
eliminado = datos$Nombre[-c(3)]
eliminado = c(eliminado, "Camila", "Cristian", "Oscar")

CUARTA PARTE: (Visualización de datos)

  1. Utiliza la librería ggplot2 para crear un gráfico de barras que muestre la cantidad de personas por “Ciudad”.
library(ggplot2)

datos2 = data.frame(Nombre = c("Ingrith", "David", "Paula", "Sebastian", "Angie"),Edad = c(19, 20, 21, 19, 25), Ciudad = c("Florencia", "Neiva", 
"Neiva", "Algecira_Huila", "Colombia_Huila"))

Frecuencia_ciudad = table(datos2$Ciudad)

datos_frecuencia <- as.data.frame(Frecuencia_ciudad)

colnames(datos_frecuencia) <- c("Ciudad", "Frecuencia")

ggplot(datos_frecuencia, aes(x = Ciudad, y = Frecuencia)) + geom_bar(stat = "identity", fill = "skyblue") + labs(title = "Grafico de Barras de Frecuencia", x = "Ciudades", y= "Frecuencia")

2. Explica brevemente qué muestra el gráfico y qué conclusiones puedes sacar de él.

El grafico de barra nos muestra que la mayor cantidad de personas son de Neiva, tambien, en el grafico de barras podemos observar que hay tres personas y cada una de ellas vienen de ciudades vecinas como Florencia, Colombia_Huila y Algecira_Huila.

QUINTA PARTE: (Análisis estadístico básico)

  1. Carga un conjunto de datos público como iris o mtcars.
mtcars 
##                      mpg cyl  disp  hp drat    wt  qsec vs am gear carb
## Mazda RX4           21.0   6 160.0 110 3.90 2.620 16.46  0  1    4    4
## Mazda RX4 Wag       21.0   6 160.0 110 3.90 2.875 17.02  0  1    4    4
## Datsun 710          22.8   4 108.0  93 3.85 2.320 18.61  1  1    4    1
## Hornet 4 Drive      21.4   6 258.0 110 3.08 3.215 19.44  1  0    3    1
## Hornet Sportabout   18.7   8 360.0 175 3.15 3.440 17.02  0  0    3    2
## Valiant             18.1   6 225.0 105 2.76 3.460 20.22  1  0    3    1
## Duster 360          14.3   8 360.0 245 3.21 3.570 15.84  0  0    3    4
## Merc 240D           24.4   4 146.7  62 3.69 3.190 20.00  1  0    4    2
## Merc 230            22.8   4 140.8  95 3.92 3.150 22.90  1  0    4    2
## Merc 280            19.2   6 167.6 123 3.92 3.440 18.30  1  0    4    4
## Merc 280C           17.8   6 167.6 123 3.92 3.440 18.90  1  0    4    4
## Merc 450SE          16.4   8 275.8 180 3.07 4.070 17.40  0  0    3    3
## Merc 450SL          17.3   8 275.8 180 3.07 3.730 17.60  0  0    3    3
## Merc 450SLC         15.2   8 275.8 180 3.07 3.780 18.00  0  0    3    3
## Cadillac Fleetwood  10.4   8 472.0 205 2.93 5.250 17.98  0  0    3    4
## Lincoln Continental 10.4   8 460.0 215 3.00 5.424 17.82  0  0    3    4
## Chrysler Imperial   14.7   8 440.0 230 3.23 5.345 17.42  0  0    3    4
## Fiat 128            32.4   4  78.7  66 4.08 2.200 19.47  1  1    4    1
## Honda Civic         30.4   4  75.7  52 4.93 1.615 18.52  1  1    4    2
## Toyota Corolla      33.9   4  71.1  65 4.22 1.835 19.90  1  1    4    1
## Toyota Corona       21.5   4 120.1  97 3.70 2.465 20.01  1  0    3    1
## Dodge Challenger    15.5   8 318.0 150 2.76 3.520 16.87  0  0    3    2
## AMC Javelin         15.2   8 304.0 150 3.15 3.435 17.30  0  0    3    2
## Camaro Z28          13.3   8 350.0 245 3.73 3.840 15.41  0  0    3    4
## Pontiac Firebird    19.2   8 400.0 175 3.08 3.845 17.05  0  0    3    2
## Fiat X1-9           27.3   4  79.0  66 4.08 1.935 18.90  1  1    4    1
## Porsche 914-2       26.0   4 120.3  91 4.43 2.140 16.70  0  1    5    2
## Lotus Europa        30.4   4  95.1 113 3.77 1.513 16.90  1  1    5    2
## Ford Pantera L      15.8   8 351.0 264 4.22 3.170 14.50  0  1    5    4
## Ferrari Dino        19.7   6 145.0 175 3.62 2.770 15.50  0  1    5    6
## Maserati Bora       15.0   8 301.0 335 3.54 3.570 14.60  0  1    5    8
## Volvo 142E          21.4   4 121.0 109 4.11 2.780 18.60  1  1    4    2
  1. Realiza un análisis descriptivo de los datos cargados, incluyendo medidas de tendencia central, la media, la mediana y la desviación estándar de una de las variables numéricas.
#install.packages("summarytools")
library(summarytools)


data("mtcars")
summary(mtcars)
##       mpg             cyl             disp             hp       
##  Min.   :10.40   Min.   :4.000   Min.   : 71.1   Min.   : 52.0  
##  1st Qu.:15.43   1st Qu.:4.000   1st Qu.:120.8   1st Qu.: 96.5  
##  Median :19.20   Median :6.000   Median :196.3   Median :123.0  
##  Mean   :20.09   Mean   :6.188   Mean   :230.7   Mean   :146.7  
##  3rd Qu.:22.80   3rd Qu.:8.000   3rd Qu.:326.0   3rd Qu.:180.0  
##  Max.   :33.90   Max.   :8.000   Max.   :472.0   Max.   :335.0  
##       drat             wt             qsec             vs        
##  Min.   :2.760   Min.   :1.513   Min.   :14.50   Min.   :0.0000  
##  1st Qu.:3.080   1st Qu.:2.581   1st Qu.:16.89   1st Qu.:0.0000  
##  Median :3.695   Median :3.325   Median :17.71   Median :0.0000  
##  Mean   :3.597   Mean   :3.217   Mean   :17.85   Mean   :0.4375  
##  3rd Qu.:3.920   3rd Qu.:3.610   3rd Qu.:18.90   3rd Qu.:1.0000  
##  Max.   :4.930   Max.   :5.424   Max.   :22.90   Max.   :1.0000  
##        am              gear            carb      
##  Min.   :0.0000   Min.   :3.000   Min.   :1.000  
##  1st Qu.:0.0000   1st Qu.:3.000   1st Qu.:2.000  
##  Median :0.0000   Median :4.000   Median :2.000  
##  Mean   :0.4062   Mean   :3.688   Mean   :2.812  
##  3rd Qu.:1.0000   3rd Qu.:4.000   3rd Qu.:4.000  
##  Max.   :1.0000   Max.   :5.000   Max.   :8.000
mean(mtcars$mpg)
## [1] 20.09062
median(mtcars$mpg)
## [1] 19.2
sd(mtcars$mpg)
## [1] 6.026948
hist(mtcars$mpg)

url <- "https://raw.githubusercontent.com/fhernanb/datos/master/babies.txt"
data <- read.table(url, header = TRUE, sep = "\t")

#Medidas de tendencia central
data_numerica = data[, sapply(data, is.numeric)]
Media = colMeans(data_numerica, na.rm = T)
print(Media)
##       bwt gestation       age    height    weight 
## 119.57686 279.33851  27.25527  64.04778 128.62583
#Quartiles

cuartil <- apply(data_numerica, 2, quantile, probs = c(0.25, 0.5, 0.75), na.rm=T)
print(cuartil)
##        bwt gestation age height weight
## 25% 108.75       272  23     62 114.75
## 50% 120.00       280  26     64 125.00
## 75% 131.00       288  31     66 139.00
# Medidas de dispercion

rango_data <- sapply(data_numerica, function(x) {
  x <- na.omit(x)
  if (length(x) > 0) {diff(range(x))} else {NA}})

desviacion_data <- apply(data_numerica, 2, sd, na.rm=T)

varianza_data <- apply(data_numerica, 2, var, na.rm=T)