Cruz David Curso de R
David Cruz
2025-10-02
Clase 1
Introduccion
Se presenta una explicación sobre la creación de objetos como escalares, vectores, matrices a los cuales se habrán dado valores concretos convirtiéndolos en datos, como tambien se explica la manipulación de las variables con operaciones matemáticas simples.
Codigo
### Limpiar la memoria
rm(list = ls())
# Escalar
escalar <- 3
escalar2 <- 4
# Operaciones
Suma
escalar + escalar2
## Resta
escalar3 <- escalar - escalar2
## Multiplicacion
escalar4 <- escalar3 * escalar2
## Division
escalar5 <- escalar4 / escalar
Visualizar objetos
Para visualizaciones de datos del objeto en cuestion se debe usar el Summary
escalar5
summary(escalar5)
table(escalar5)
Vectores
En R un vector es un objeto de elementos de un mismo tipo, pueden ser numericos (num) o de caracteristica (character)
vectores1 <- c(2,1.5,4) #Vector Num
vectores2 <- c("sara","pedro","juan") #Vector chr
vector3 <- c(5,6,2)
prod1 <- vectores1 * escalar4
# Ubicacion
vectores1[2]
vectores2[3]
obejcto1 <- vectores2[1]
objecto2 <- vectores2[2:3]
objecto3 <- vectores2[1:2]
objecto4 <- vectores2 [c(1,3)]
objecto5 <- vectores2 [-2]
# Vectores
vector1 <- c(1,2,3)
vector2 <- c(4,5,6)
vector3 <- c(7,8,9)
# Matriz
matriza <- cbind(vector1,vector2,vector3)
matrizb <- rbind(vector1,vector2,vector3)
Clase 2
En este capitulo presentan una guía de como usar Markdawn
##limpiar la memoria
rm(list = ls())
install.packages("rmarkdown")
library(rmarkdown)
Introduccion a markdawn
El entorno R Markdown es un marco de creación de código abierto que permite la elaboración de documentos dinámicos y reproducibles al entrelazar texto narrativo, código ejecutable y las visualizaciones de datos resultantes en un único archivo.
Composición de un Archivo.Rmd: Los Tres Componentes Centrales
El archivo .Rmd que RStudio genera no es una página en
blanco; es una plantilla útil que ilustra la estructura fundamental de
cualquier documento R Markdown. Esta estructura se compone de tres tipos
de contenido distintos
El Encabezado YAML
Ubicado en la parte superior del archivo, delimitado por líneas de
tres guiones (---). Esta sección funciona como el panel de
control del documento, donde se definen metadatos como el título, el
autor y, lo más importante, el formato de salida y sus opciones.
Texto en Markdown
El cuerpo principal del documento, donde se escribe la narrativa. Este texto utiliza la sintaxis de Markdown para aplicar formato, como encabezados, negritas, listas y enlaces. Es la parte del documento destinada a ser leída por humanos.
Trozos de Código R (Code Chunks)
Bloques de código R incrustados, delimitados por tres acentos graves (`) y {r}. Aquí es donde reside la parte analítica del documento. knitr ejecutará este código y su salida (tablas, gráficos, etc.) se insertará en el documento final.
Escritura en R Markdown
Markdown es un lenguaje de marcado ligero diseñado para ser fácil de escribir y leer en su forma de texto plano.
Encabezados:
Se utilizan almohadillas (#) para crear encabezados de sección. El número de almohadillas corresponde al nivel del encabezado, desde # (nivel 1) hasta ###### (nivel 6).
Título Principal (Nivel 1) (#)
Sección Principal (Nivel 2) (##)
Subsección (Nivel 3) (##)
- Énfasis:
Cursiva: *texto en cursiva* o texto en
cursiva.
Negrita: **texto en negrita** o texto en
negrita.
Tachado: texto
tachado.~~texto tachado~~
Superíndice: textosuperíndice.
Subíndice: H2O produce H2O.
- Listas:
No ordenadas: Se pueden usar asteriscos (*), guiones (-) o signos de más (+).
Primer elemento
Segundo elemento
– Subelemento anidado
- Ordenadas:
Se usan números seguidos de un punto. La numeración se ajusta automáticamente, por lo que se puede usar 1. para cada elemento.
Primer paso
Segundo paso
Tercer paso
Citas en Bloque y Reglas Horizontales:
Citas: Se usa el símbolo de mayor que (>) al principio de una línea.
“La reproducibilidad es la piedra angular de la ciencia.”
- Tablas:
Se puede crear tablas simples utilizando tuberías (|) y guiones. Para tablas más complejas generadas a partir de datos, es mejor usar funciones de R como
Cuando se presiona el botón Knit se generará un documento que incluye una conexión entre el código y una presentación formal literaria.
Se puede generar código como el siguiente:
summary(cars)## speed dist
## Min. : 4.0 Min. : 2.00
## 1st Qu.:12.0 1st Qu.: 26.00
## Median :15.0 Median : 36.00
## Mean :15.4 Mean : 42.98
## 3rd Qu.:19.0 3rd Qu.: 56.00
## Max. :25.0 Max. :120.00Gráficos
Ejemplo:
plot(pressure)
Expresiones Matemáticas
R Markdown soporta ecuaciones con formato LaTeX.
En línea: Se encierran entre signos de dólar simples:
$E = mc^2$produce \(E = mc^2\)En bloque (display): Se encierran entre signos de dólar dobles: \[\sum_{i=1}^{n} x_i\] produce
Creación de Trozos de Código
Existen tres formas sencillas de insertar un nuevo trozo de código en RStudio :
Atajo de teclado:
Ctrl + Alt + I(en Windows/Linux) oCmd + Option + I(en macOS).Botón de la barra de herramientas: El botón “Insert” en la parte superior del editor de scripts tiene una opción para insertar un trozo de R.
Manualmente: Escribir los delimitadores
{r}y.
Opciones Esenciales de los Trozos de Código
Las opciones de los trozos de código, colocadas dentro de las llaves
({}), proporcionan un control preciso sobre cómo se ejecuta
el código y cómo se presenta su salida. Dominar estas opciones es clave
para pasar de un cuaderno de análisis personal a un informe profesional
pulido dirigido a una audiencia específica.
Un análisis en bruto contiene código, salidas, mensajes, advertencias
y gráficos. Sin embargo, diferentes audiencias tienen diferentes
necesidades. Un colaborador puede querer ver todo el proceso, mientras
que un ejecutivo solo querrá ver las conclusiones y los gráficos
finales. Las opciones de los trozos de código son el mecanismo que
permite a un único archivo fuente .Rmd generar informes
distintos y personalizados para cada uno de estos públicos.
echo=FALSE: Oculta el código fuente pero muestra su
salida (gráficos, tablas). Esencial para informes dirigidos a audiencias
no técnicas.
eval=FALSE: Muestra el código pero no lo ejecuta. Útil
para tutoriales o para mostrar código de ejemplo.
include=FALSE: Ejecuta el código pero no incluye ni el
código ni su salida en el documento final. Perfecto para trozos de
configuración inicial, como la carga de paquetes o datos, que no
necesitan ser visibles.
message=FALSE y warning=FALSE: Suprimen los
mensajes (por ejemplo, los que aparecen al cargar paquetes) y las
advertencias, respectivamente. Esto es crucial para crear un informe
final limpio y sin distracciones.
error=TRUE: Permite que el documento se compile (“teja”)
incluso si el código en ese trozo produce un error. El error se mostrará
en el documento final. Es útil para depurar o para enseñar, mostrando
deliberadamente un error.
Clase 3
Cargar base
Para cargar base se puede hacer mediante el código y la asignación de nombre a una base de datos preestablecida, para lo cual se necesita tener instalado el paquete readxl y dplyr con sus respectivas librerías readxl y dplyr, o como también se puede cargar directo de desde Import Dataset.
Codigo
install.packages("readxl")
library(readxl)
library(dplyr)
#cargar base de datos
## Cargada mediente el codigo
## cargada men¿diante Import Dataset
library(readxl)
base <- read_excel("C:/Users/DAVID/Documents/calculo/PRUEBA PARCIAL/Proyecto david cruz/insumos/pib_can_anual.xlsx")
### cambiar nombres de variables
names(base)[6] <-'agricultura'
## Reemplazar los NA con 0
base[is.na(base)] <- 0
## Ver cuantas observaciones tengo por variable
table(base$prov)
# Nos quedamos con una provincia
library(dplyr)
base_santo <- base %>%
filter(dpa_prov == "23")
library(dplyr)
base_manabi <- base %>%
filter( dpa_prov== "13")
### Quedarme solo con las variables necesarias
names(base_manabi)
base_manabi1 <- base_manabi %>%
select(year,prov,dpa_prov,canton,dpa_can,agricultura,'Explotacion de minas y canteras')
#VIsta resumen de una variables
summary(base_manabi1$agricultura)
# Valor limite 29351.06
## Eliminar ultima variable
base_manabi1 <- base_manabi1[,-7]
## Crear nueva variable dicotoma (mutate)
base_manabi1 <- base_manabi1 %>%
mutate(tipo_pib= ifelse(agricultura > 29351,"pib_alto","pib_bajo"))
base_manabi1 <- base_manabi1 %>%
mutate(tipo= ifelse(agricultura > 29351,1,0))
base_manabi1 <- base_manabi1 %>%
mutate(periodo= ifelse(year < 2016,"pre","post"))
#### Dividamos las bases por periodo
base_manabi_pre <- base_manabi1 %>%
filter(periodo=="pre")
base_manabi_post <- base_manabi1 %>%
filter(periodo=="post")
### Sumar el PIB de agricultura por Canton
b_m_pre_agg <- base_manabi_pre %>%
group_by(canton) %>%
summarise(total_agricultura_pre=sum(agricultura))
b_m_post_agg <- base_manabi_post %>%
group_by(canton) %>%
summarise(total_agricultura_post=sum(agricultura))Clase 4
##limpiar la memoria
rm(list = ls())
##Cargar base
library(readxl)
base_final <- read_excel("C:/Users/DAVID/Documents/calculo/PRUEBA PARCIAL/Proyecto david cruz/insumos/base_final.xlsx")
View(base_final)
###librerias
library(dplyr)
#desde 1980 hasta 2024
base<- base_final %>%
filter(anio>=1980)
###creamos una variable nueva
ingreso_disponible<-base$pib-base$impuestos
base$ingreso_disponible <- base$pib-base$impuestos
#segunda forma
base <- base %>%
mutate(ingreso_disponible2 = pib-impuestos)
###modelo econometrico
## c =B1+B2*YD +u
modelo <-lm(consumo~ ingreso_disponible,data=base)
###modelo econometrico
## c =B1+B2*YD +u
opctions=99
modelo <-lm(consumo ~ ingreso_disponible,data=base)
summary(modelo)
##intervalos de confianza
## creamos varibales logaritmicas
#creamos variables logaritmicas
base <- base %>%
mutate(ln_consumo = log(consumo),
ln_ingreso_disponible = log(ingreso_disponible))
modelo2 <- lm (ln_consumo ~ ln_ingreso_disponible,data = base)
summary (modelo2)
confint(modelo)
confint(modelo2)
Clase 5
rm(list=ls())
library(readxl)
base <- read_excel("C:/Users/DAVID/Documents/calculo/PRUEBA PARCIAL/Proyecto david cruz/insumos/datos_ecuador.xlsx")
View(datos_ecuador)
# Modelo: desempleo = B1 + B2 +PIB + u
names(base)
modelo_desempleo <- lm(TasaDesempleo_Porcentaje ~ PIB_MillonesUSD, data = base)
modelo_desempleo2 <- lm(base$TasaDesempleo_Porcentaje ~ base$PIB_MillonesUSD)
summary(modelo_desempleo)
summary(modelo_desempleo2)
#### modelo; inversion extrangera directa b1+b2*rp+u
names(base)
modelo_ied <- lm(IED_MillonesUSD ~ RiesgoPais, data = base)
summary(modelo_ied)
### creamos el riesgo pais rezagado
library(dplyr)
base<-base %>%
mutate(ied_rezagado1=lag(IED_MillonesUSD, n=1),
rp_rezagado1=lag(RiesgoPais, n=2),
rp_rezagado2=lag(RiesgoPais, n=2))
#modelorezagado#
names(base)
model_ied_lag1<-lm(IED_MillonesUSD~rp_rezagado1, data = base)
summary(model_ied_lag1)
model_ied_lag2<-lm(IED_MillonesUSD~rp_rezagado2, data = base)
summary(model_ied_lag2)Clase 6
rm(list = ls())
#Librerias
library(dplyr)
#install.packages('srvyr')
library(srvyr)
#install.packages('rio')
library(rio)
#install.packages('import')
library(import)
#Cargamos la base de datos
library(haven)
library(readxl)
personas <- read_dta("C:/Users/DAVID/Documents/calculo/PRUEBA PARCIAL/Proyecto david cruz/insumos/1_BDD_ENS2018_f1_personas.dta")
###identificamos la variable
table(personas$dcronica_2)
dci <- 2210/(5591+2210)
dci*100
##### Trabajando con muiestras oficiales
dm <- personas %>%
as_survey_design(ids=upm, #unidad primaria de muestreo
strata=estrato, #estrato
weights = fexp) #factor de expansion
options(survey.lonely.psu = 'certainty') #forzando a que las observaciones sean unicas e individuales
library(readxl)
prev_nac_dci2 <- dm %>%
summarise(survey_mean(dcronica_2, vartype =c('se','cv'),na.rm=TRUE),
n_muestra=sum(!is.na(dcronica_2))) %>%
mutate(dominio="Nacional") %>%
select(dominio, porcentaje=coef, se=`_se`, cv=`_cv`, n_muestra) %>%
mutate(porcentaje=round((porcentaje*100),digits = 1))
# ENEMDU II TRIMESTRE 2025
rm(list = ls())
library(dplyr)
library(srvyr)
library(rio)
#installed.packages('haven')
library(haven)
library(readxl)
df <- read.csv2("C:/Users/DAVID/Documents/calculo/PRUEBA PARCIAL/Proyecto david cruz/insumos/enemdu_persona_2025_II_trimestre.csv")
### Declaracion del disenio muestral
dm <- df %>%
as_survey_design(ids=upm, #unidad primaria de muestreo
strata=estrato, #estrato
weights = fexp) #f
#### Replicar indicadores
################################################
## TASA DE DESEMPLEO NACIONAL #
################################################
tasa_desempleo_nac <- dm %>%
filter(p03>=15) %>%
summarise(
tasa_desempleo = survey_ratio(
numerator=( condact == 7 | condact==8),
denominator=(condact %in% 1:8),
vartype = c('se','ci')
)
) %>%
mutate(tasa_desempleo = round((tasa_desempleo*100),digits = 1))
################################################
## TASA DE EMPLEO ADECUADO #
################################################
tasa_empleo_adec <- dm %>%
filter(p03>=15) %>%
summarise(
tasa_empleo_adecuado = survey_ratio(
numerator=( condact == 1),
denominator=(condact %in% 1:8),
vartype = c('se','ci')
)
) %>%
mutate(tasa_empleo_adecuado = round((tasa_empleo_adecuado*100),digits = 1))
################################################
## TASA DE subempleo #
################################################
tasa_subempleo_nac <- dm %>%
filter(p03>=15) %>%
summarise(
tasa_subempleo = survey_ratio(
numerator=( condact == 2 | condact==3),
denominator=(condact %in% 1:8),
vartype = c('se','ci')
)
) %>%
mutate(tasa_subempleo = round((tasa_subempleo*100),digits = 1))
################################################
## TASA DE EMPLEO no remunerado #
################################################
tasa_empleo_norem <- dm %>%
filter(p03>=15) %>%
summarise(
tasa_empleo_norem = survey_ratio(
numerator=( condact == 5),
denominator=(condact %in% 1:8),
vartype = c('se','ci')
)
) %>%
mutate(tasa_empleo_norem = round((tasa_empleo_norem*100),digits = 1))
plot(cars)