1 Introducción

1.1 ¿Qué es R?

R es un lenguaje de programación y entorno especializado en:

Análisis estadístico
Visualización de datos
Computación científica
Modelado predictivo

Características principales:

Open source y gratuito
Gran comunidad de usuarios
Más de 19,000 paquetes disponibles en CRAN
Multiplataforma (Windows, Mac, Linux)

1.2 ¿Qué es RStudio?

RStudio es un IDE (Entorno de Desarrollo Integrado) para R que proporciona:

Editor de código con resaltado de sintaxis
Consola interactiva
Visor de gráficos
Gestor de paquetes
Integración con Git/GitHub
Soporte para R Markdown

RStudio hace que trabajar con R sea más fácil y productivo

2 Requisitos del Sistema

2.1 Requisitos Mínimos

2.1.1 Hardware

Procesador: 1 GHz o superior
RAM: 2 GB mínimo (4 GB recomendado)
Espacio en disco: 500 MB para R + 250 MB para RStudio
Pantalla: 1024x768 o superior

2.1.2 Software

Windows 10/11, macOS 10.15+, o Linux
Conexión a internet para descargar e instalar paquetes

3 Instalación de R

3.1 Paso 1: Descargar R

Visita el sitio oficial de R: https://cran.r-project.org/
Selecciona tu sistema operativo:
- Download R for Windows
- Download R for macOS
- Download R for Linux
Para Windows/Mac: descarga el instalador más reciente

# Versión actual recomendada: R 4.3.x o superior

3.2 Paso 2: Instalar R en Windows

Ejecuta el archivo .exe descargado
Selecciona el idioma de instalación
Acepta los términos de licencia
Elige la carpeta de instalación (por defecto: C:\Program Files\R\R-4.x.x)
Selecciona los componentes (recomendado: todas las opciones por defecto)
Configura las opciones de inicio (recomendado: por defecto)
Haz clic en “Instalar”

Tiempo estimado: 2-3 minutos

3.3 Paso 3: Instalar R en macOS

Abre el archivo .pkg descargado
Sigue el asistente de instalación
Acepta los términos de licencia
Selecciona el disco de instalación
Haz clic en “Instalar”
Ingresa tu contraseña de administrador cuando se solicite

Nota: Para macOS 11+ (Big Sur o superior), necesitas R 4.1.0 o más reciente

3.4 Paso 4: Instalar R en Linux (Ubuntu/Debian)

Abre la terminal y ejecuta:

# Actualizar el índice de paquetes
sudo apt update

# Instalar dependencias
sudo apt install -y r-base r-base-dev

# Verificar la instalación
R --version

Para otras distribuciones de Linux, consulta: https://cran.r-project.org/bin/linux/

3.5 Verificar la Instalación de R

Abre R desde el menú de inicio o terminal y verifica:

# Versión de R
R.version.string

# Información del sistema
sessionInfo()

# Directorio de trabajo actual
getwd()

# Prueba simple
print("¡R está funcionando correctamente!")

Si ves el prompt >, ¡R está instalado correctamente!

4 Instalación de RStudio

4.1 Paso 1: Descargar RStudio

Visita: https://posit.co/download/rstudio-desktop/
Selecciona “Download RStudio Desktop”
Elige la versión para tu sistema operativo
Descarga el instalador

Versiones disponibles: - RStudio Desktop (gratuito) - ¡Recomendado! - RStudio Desktop Pro (de pago)

4.2 Paso 2: Instalar RStudio

4.2.1 Windows

Ejecuta el archivo .exe
Sigue el asistente de instalación
Acepta la ubicación predeterminada
Haz clic en “Instalar”

4.2.2 macOS

Abre el archivo .dmg
Arrastra RStudio a la carpeta Aplicaciones

4.2.3 Linux (Ubuntu/Debian)

sudo dpkg -i rstudio-xxx-amd64.deb
sudo apt-get install -f

5 Primeros comandos en R

5.1 Operaciones básicas

2 + 3

## [1] 5

10 / 2

## [1] 5

sqrt(25)

## [1] 5

5.2 Asignación de objetos

x <- 10
x * 2

## [1] 20

6 2. Tipos de datos, objetos y estructuras en R

6.1 Tipos de datos básicos

Los tipos de datos más comunes en R son:

Numérico (numeric)
Entero (integer)
Lógico (logical)
Carácter (character)

6.2 Ejemplo práctico

edad <- 20
ingreso <- 8500.50
estudia <- TRUE
nombre <- "María"

class(edad)

## [1] "numeric"

class(ingreso)

## [1] "numeric"

class(estudia)

## [1] "logical"

class(nombre)

## [1] "character"

6.3 Estructuras de datos

Las estructuras más utilizadas son:

Vectores
Data frames
Listas
Matrices

7 Ejemplo: vector y data frame

7.1 Vector

ingresos <- c(8000, 9500, 7200, 11000)
ingresos

## [1]  8000  9500  7200 11000

7.2 Data frame

datos <- data.frame(
                    nombre = c("Ana", "Luis", "Carlos", "Elena"),
                    edad = c(22, 24, 21, 23),
                    ingreso = c(8000, 9500, 7200, 11000)
                  )

datos

# Crear un diagrama visual simple
data <- data.frame(
                  estructura = c("Vector", "Matriz", "Data Frame", "Lista"),
                  dimension = c("1D", "2D", "2D", "nD"),
                  tipo = c("Homogéneo", "Homogéneo", "Heterogéneo", "Heterogéneo")
                  )

data

Características principales:

Dimensionalidad: 1D, 2D, o multidimensional
Tipo de datos: Homogéneos vs heterogéneos
Mutabilidad: Pueden modificarse después de crearse
Eficiencia: Algunas operaciones son más rápidas en ciertas estructuras

7.3 Clasificación de estructuras de datos

Estructura	Dimensiones	Tipos de datos	Uso principal
Vector	1D	Homogéneo	Secuencias simples
Matriz	2D	Homogéneo	Álgebra lineal
Data Frame	2D	Heterogéneo	Tablas de datos
Lista	nD	Heterogéneo	Estructuras complejas

7.3.1 Verificar el tipo de objeto

class(data)

## [1] "data.frame"

typeof(data)

## [1] "list"

str(data)  # Estructura detallada

## 'data.frame':    4 obs. of  3 variables:
##  $ estructura: chr  "Vector" "Matriz" "Data Frame" "Lista"
##  $ dimension : chr  "1D" "2D" "2D" "nD"
##  $ tipo      : chr  "Homogéneo" "Homogéneo" "Heterogéneo" "Heterogéneo"

7.4 Vectores

7.4.1 ¿Qué es un vector?

Un vector es la estructura de datos más básica en R:

Secuencia unidimensional de elementos
Todos los elementos deben ser del mismo tipo**
Es la estructura fundamental en R

# Crear vectores
numeros <- c(1, 2, 3, 4, 5)
nombres <- c("Ana", "Luis", "María")
logicos <- c(TRUE, FALSE, TRUE)

# Mostrar
print(numeros)

## [1] 1 2 3 4 5

En R, incluso un número único es un vector de longitud 1

7.5 Tipos de vectores

R tiene 6 tipos atómicos de vectores:

# 1. Numérico (numeric/double)
v_num <- c(1.5, 2.3, 3.7)
typeof(v_num)

## [1] "double"

# 2. Entero (integer)
v_int <- c(1L, 2L, 3L)  # La 'L' indica entero
typeof(v_int)

## [1] "integer"

# 3. Carácter (character)
v_char <- c("hola", "mundo")
typeof(v_char)

## [1] "character"

7.6 Tipos de vectores (continuación)

# 4. Lógico (logical)
v_log <- c(TRUE, FALSE, T, F)
typeof(v_log)

## [1] "logical"

# 5. Complejo (complex)
v_complex <- c(1+2i, 3+4i)
typeof(v_complex)

## [1] "complex"

# 6. Raw (bytes sin procesar)
v_raw <- charToRaw("Hola")
typeof(v_raw)

## [1] "raw"

7.7 Creación de vectores

Múltiples formas de crear vectores:

# Función c() - concatenar
v1 <- c(1, 2, 3, 4, 5)

# Secuencias con :
v2 <- 1:10
print(v2)

##  [1]  1  2  3  4  5  6  7  8  9 10

# Función seq()
v3 <- seq(from = 0, to = 1, by = 0.1)
print(v3)

##  [1] 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0

7.8 Creación de vectores (continuación)

# Función seq() - alternativa
v4 <- seq(0, 10, length.out = 5)
print(v4)

## [1]  0.0  2.5  5.0  7.5 10.0

# Repeticiones con rep()
v5 <- rep(c(1, 2, 3), times = 3)
print(v5)

## [1] 1 2 3 1 2 3 1 2 3

v6 <- rep(c("A", "B"), each = 4)
print(v6)

## [1] "A" "A" "A" "A" "B" "B" "B" "B"

7.9 Propiedades de vectores

mi_vector <- c(10, 20, 30, 40, 50)

# Longitud
length(mi_vector)

## [1] 5

# Tipo de datos
typeof(mi_vector)

## [1] "double"

class(mi_vector)

## [1] "numeric"

# Nombres de elementos
names(mi_vector) <- c("a", "b", "c", "d", "e")
print(mi_vector)

##  a  b  c  d  e 
## 10 20 30 40 50

7.10 Indexación de vectores

Acceder a elementos específicos:

frutas <- c("manzana", "naranja", "plátano", "uva", "pera")

# Por posición (empieza en 1)
frutas[1]

## [1] "manzana"

frutas[c(1, 3, 5)]

## [1] "manzana" "plátano" "pera"

# Por rango
frutas[2:4]

## [1] "naranja" "plátano" "uva"

# Excluir elementos
frutas[-2]

## [1] "manzana" "plátano" "uva"     "pera"

frutas[-c(1, 3)]

## [1] "naranja" "uva"     "pera"

7.11 Indexación por nombres y condiciones

edades <- c(Juan = 25, María = 30, Pedro = 35, Ana = 28)

# Por nombre
edades["Juan"]

## Juan 
##   25

edades[c("Juan", "Ana")]

## Juan  Ana 
##   25   28

# Por condición lógica
edades[edades > 28]

## María Pedro 
##    30    35

edades[edades >= 30]

## María Pedro 
##    30    35

# Índices que cumplen la condición
which(edades > 28)

## María Pedro 
##     2     3

7.12 Operaciones con vectores

x <- c(1, 2, 3, 4, 5)
y <- c(10, 20, 30, 40, 50)

# Operaciones elemento por elemento (vectorización)
x + y

## [1] 11 22 33 44 55

x * y

## [1]  10  40  90 160 250

x^2

## [1]  1  4  9 16 25

# Operaciones con reciclaje
x + 10  # Suma 10 a cada elemento

## [1] 11 12 13 14 15

x * 2   # Multiplica cada elemento por 2

## [1]  2  4  6  8 10

7.13 Funciones útiles para vectores

numeros <- c(5, 2, 8, 1, 9, 3)

# Estadísticas básicas
sum(numeros)      # Suma

## [1] 28

mean(numeros)     # Media

## [1] 4.666667

median(numeros)   # Mediana

## [1] 4

sd(numeros)       # Desviación estándar

## [1] 3.265986

min(numeros)      # Mínimo

## [1] 1

max(numeros)      # Máximo

## [1] 9

7.14 Funciones útiles (continuación)

# Ordenamiento
sort(numeros)                    # Ascendente

## [1] 1 2 3 5 8 9

sort(numeros, decreasing = TRUE) # Descendente

## [1] 9 8 5 3 2 1

order(numeros)                   # Índices ordenados

## [1] 4 2 6 1 3 5

# Valores únicos
valores <- c(1, 2, 2, 3, 3, 3, 4)
unique(valores)

## [1] 1 2 3 4

table(valores)  # Frecuencias

## valores
## 1 2 3 4 
## 1 2 3 1

7.15 Coerción de tipos

Cuando mezclas tipos, R coerciona al tipo más general:

# logical < integer < numeric < character

# Numeric y character → character
c(1, 2, "tres")

## [1] "1"    "2"    "tres"

# Numeric y logical → numeric
c(1, 2, TRUE)  # TRUE se convierte en 1

## [1] 1 2 1

# Character y logical → character
c("hola", TRUE)

## [1] "hola" "TRUE"

Estadística descriptiva con R

Dr. P. Salomón Álvarez-López

2026