Aspectos generales de R

1. Qué es R y cuándo se podría implementar.

R es un lenguaje de programación y un entorno de software ampliamente utilizado para análisis estadístico y gráfico. R es importante por su capacidad para manipular datos, realizar análisis estadísticos y crear visualizaciones gráficas de manera efectiva. R se puede implementar en:

Investigación académica, industria, finanzas, Ciencia de datos, educación.

1.1 Explicar cómo genero un script

Un script en R es básicamente un archivo de texto plano que contiene una serie de comandos en lenguaje R que se ejecutan secuencialmente.

lo primero es abrir un editor de texto, luego escribir los comandos R en el editor de texto, seguidamente es sumamente importante guardar el archivo, por ultimo ejecutar el script en RStudio; adicional se puede ejecutar el script en la línea de comandos de R.

1.2 ¿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.

1.3 Tipos de objetos.

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))

1.4 Cuáles son las funciones más comunes

Funciones para manipulación de datos:

subset(): Para extraer subconjuntos de datos basados en condiciones.
merge(): Para combinar datos de diferentes marcos de datos por columnas comunes.
rbind(): Para combinar datos de diferentes data frames por filas.
cbind(): Para combinar datos de diferentes vectores o matrices por columnas.
aggregate(): Para agregar datos por grupos definidos. 2.

Lectura de datos:

read.csv():
read.table():
read_excel():

Modelado estadístico:

lm():
glm():
randomForest():

funciones matemáticas:

log():
exp():
abs():
sqrt():

manejo de paquetes:

install.packages():
library():
require():

exportación de datos:

write.csv():
write.table():
write.xlsx():

1.5 Operaciones lógicas y dar ejemplo de cada una.

Igualdad (==): Comprueba si dos valores son iguales.

x <- 5
y <- 7
x == y  # FALSE

## [1] FALSE

Desigualdad (!=): Comprueba si dos valores no son iguales.

x <- 8
y <- 10
x != y  # TRUE

## [1] TRUE

Mayor que (>):Mayor que (>): Comprueba si un valor es mayor que otro.

x <- 2
y <- 8
x > y  # FALSE

## [1] FALSE

Menor que (<):Mayor que (>): Comprueba si un valor es menor que otro.

x <- 3
y <- 7
x < y  # TRUE

## [1] TRUE

Mayor o igual que (>=): Comprueba si un valor es mayor o igual que otro.

x <- 9
y <- 3
x >= y  # FALSE

## [1] TRUE

Menor o igual que (<=): Comprueba si un valor es menor o igual que otro.: Comprueba si un valor es menor o igual que otro.

x <- 3
y <- 6
x <= y  # TRUE

## [1] TRUE

Operador de y (& o &&): Evalúa si ambas condiciones son verdaderas.

x <- 5
y <- 7
z <- 10
x < y & y < z  # TRUE

## [1] TRUE

Operador de o (| o ||): Evalúa si al menos una de las condiciones es verdadera.

x <- 5
y <- 2
z <- 3
x < y | y > z  # TRUE

## [1] FALSE

Negación (!): Niega una condición, convierte verdadero en falso y viceversa.

x <- 8
y <- 3
!(x == y)  # TRUE

## [1] TRUE

1.6 Explicar cuáles son los Gráficos básicos, ventanas de R, personalizar, exportar

Los gráficos básicos en R son una forma efectiva de visualizar datos de manera rápida y sencilla. R proporciona una variedad de funciones integradas para crear diferentes tipos de gráficos.

Gráfico de dispersión (plot()): Se utiliza para visualizar la relación entre dos variables numéricas.

x <- c(1, 2, 3, 4, 5)
y <- c(2, 3, 5, 4, 6)
plot(x, y)

Histograma (hist()): Se utiliza para visualizar la distribución de una variable numérica.

data <- rnorm(1000)  # Generar datos aleatorios de una distribución normal
hist(data)

Diagrama de barras (barplot()): Se utiliza para visualizar la frecuencia de diferentes categorías. numérica.

data <- c(A=10, B=20, C=15, D=25)
barplot(data)

Diagrama de caja (boxplot()): Se utiliza para visualizar la distribución de una variable numérica mediante cuartiles.

data <- rnorm(100)  # Generar datos aleatorios de una distribución normal
boxplot(data)

Para exportar gráficos en R, puedes utilizar varias funciones dependiendo del formato de archivo deseado:

Para guardar en formato de imagen (PNG, JPEG, etc.): Se puede utilizar la función.

png():
jpeg():

u otras similares antes de crear el gráfico y luego llamar a la función.

dev.off():

para cerrar el dispositivo gráfico y guardar la imagen.

png("plot.png", width = 800, height = 600)
plot(x, y)
dev.off()

## png 
##   2

Para guardar en formato PDF: Utiliza la función.

pdf():

ara abrir un dispositivo gráfico en formato PDF

dev.off():

para cerrar el dispositivo

pdf("plot.pdf", width = 8, height = 6)
plot(x, y)
dev.off()

## png 
##   2

1.7 Explicar cómo se importa un archivo .csv, .xls y cargar una base de datos de cada una:

Para importar archivos en formatos comunes como CSV y XLS (o XLSX) en R, puedes utilizar varias funciones integradas y paquetes especializados

Importar un archivo CSV:

library(readr)
data27 <- read.csv("C:/Users/FREDIS MEDINA/OneDrive/Desktop/men.csv", header=FALSE, comment.char="#")

Importar un archivo XLS o XLSX::

library(readxl)
coffy <- read_excel("C:/Users/FREDIS MEDINA/OneDrive/Desktop/men1.xlsx")

1.8 Crear cuatro variables

Nombre = c("Ingrith","María","Pedro","David","leidy")
Edad = c(19, 20, 21, 19, 25)
Experiencia = c(5, 3, 1, 2, 6)
Color = c("rosado","azul","verde","rojo","negro")

1.9 A partir de las tres variables creadas, formar un dataframe.

datos = data.frame(Nombre = c("Ingrith","María","Pedro","David","leidy"),Edad = c(19, 20, 21, 19, 25),Experiencia = c(5, 3, 1, 2, 6))

1.10 Cargar la base de datos: https://raw.githubusercontent.com/fhernanb/datos/master/babies.txt y realizar un análisis descriptivo.

Para cargar una base de datos desde una página web en R, se puede utilizar funciones y paquetes diseñados para la descarga y manipulación de datos desde URL. Mientras que para cargar una base de datos desde los conjuntos de datos integrados en R, puedes usar funciones y paquetes específicos que proporcionan acceso a estos conjuntos de datos.

Cargar una base de datos desde una página web: Puedes usar el paquete readr o utils para cargar bases de datos desde una URL. Estos paquetes tienen funciones que pueden leer directamente desde una URL.

Cargar una base de datos de los conjuntos de datos de R: R tiene varios conjuntos de datos integrados que puedes cargar directamente en tu entorno de trabajo. Puedes acceder a estos conjuntos de datos utilizando funciones como data() o simplemente escribiendo el nombre del conjunto de datos.

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

Estadística descriptiva:

2. Con el dataframe anterior hallar: la media, moda, desviación estándar de las variables creadas

Hallar un resumen de las medidas de tendencia central:

#install.packages("summarytools")
library(summarytools)

data("datos")

## Warning in data("datos"): data set 'datos' not found

summary(datos)

##     Nombre               Edad       Experiencia 
##  Length:5           Min.   :19.0   Min.   :1.0  
##  Class :character   1st Qu.:19.0   1st Qu.:2.0  
##  Mode  :character   Median :20.0   Median :3.0  
##                     Mean   :20.8   Mean   :3.4  
##                     3rd Qu.:21.0   3rd Qu.:5.0  
##                     Max.   :25.0   Max.   :6.0

Edad = c(20,23,22,21,25)
hist(Edad)

mean(Edad)

## [1] 22.2

median(Edad)

## [1] 22

sd(Edad)

## [1] 1.923538