En R una matriz es una estructura bidimensional de datos homogéneos, mientras que un array permite trabajar con tres o más dimensiones. Una lista puede almacenar objetos de diferentes tipos y tamaños, y un data frame organiza variables en columnas y observaciones en filas.
En este documento se estudian estas estructuras desde lo básico hasta operaciones estadísticas y conversiones entre ellas.
A <- matrix(c(1,2,3,
4,5,6),
nrow = 2,
byrow = TRUE)
A## [,1] [,2] [,3]
## [1,] 1 2 3
## [2,] 4 5 6La matriz tiene 2 filas y 3 columnas. El argumento
byrow = TRUE indica que los datos se llenan por filas.
dim(A)## [1] 2 3nrow(A)## [1] 2ncol(A)## [1] 3A[1,1]## [1] 1A[2,3]## [1] 6A[1, ]## [1] 1 2 3A[, 2]## [1] 2 5La notación general es A[fila, columna].
B <- matrix(c(6,5,4,
3,2,1),
nrow = 2,
byrow = TRUE)
A + B## [,1] [,2] [,3]
## [1,] 7 7 7
## [2,] 7 7 7A - B## [,1] [,2] [,3]
## [1,] -5 -3 -1
## [2,] 1 3 52 * A## [,1] [,2] [,3]
## [1,] 2 4 6
## [2,] 8 10 12A * B## [,1] [,2] [,3]
## [1,] 6 10 12
## [2,] 12 10 6A * B realiza multiplicación elemento a elemento.
Para producto matricial se usa %*%.
C <- matrix(c(1,2,
3,4,
5,6),
nrow = 3,
byrow = TRUE)
A %*% C## [,1] [,2]
## [1,] 22 28
## [2,] 49 64t(A)## [,1] [,2]
## [1,] 1 4
## [2,] 2 5
## [3,] 3 6rowSums(A)## [1] 6 15colSums(A)## [1] 5 7 9rowMeans(A)## [1] 2 5colMeans(A)## [1] 2.5 3.5 4.5M <- matrix(c(3,2,
1,4),
nrow = 2,
byrow = TRUE)
det(M)## [1] 10solve(M)## [,1] [,2]
## [1,] 0.4 -0.2
## [2,] -0.1 0.3M %*% solve(M)## [,1] [,2]
## [1,] 1 0
## [2,] 0 1Resolver:
\[ 2x+y=7, \qquad x+3y=11. \]
A_sis <- matrix(c(2,1,
1,3),
nrow = 2,
byrow = TRUE)
b <- c(7,11)
solucion <- solve(A_sis, b)
solucion## [1] 2 3A_sis %*% solucion## [,1]
## [1,] 7
## [2,] 11D <- matrix(c(2,1,0,
1,3,2,
0,2,4),
nrow = 3,
byrow = TRUE)
diag(D)## [1] 2 3 4sum(diag(D))## [1] 9diag(3)## [,1] [,2] [,3]
## [1,] 1 0 0
## [2,] 0 1 0
## [3,] 0 0 1eigen(D)## eigen() decomposition
## $values
## [1] 5.6690791 2.4760236 0.8548973
##
## $vectors
## [,1] [,2] [,3]
## [1,] 0.1720265 0.7864357 -0.5932333
## [2,] 0.6311790 0.3743620 0.6793131
## [3,] 0.7563200 -0.4912963 -0.4319815A3 <- array(1:24,
dim = c(2,3,4))
A3## , , 1
##
## [,1] [,2] [,3]
## [1,] 1 3 5
## [2,] 2 4 6
##
## , , 2
##
## [,1] [,2] [,3]
## [1,] 7 9 11
## [2,] 8 10 12
##
## , , 3
##
## [,1] [,2] [,3]
## [1,] 13 15 17
## [2,] 14 16 18
##
## , , 4
##
## [,1] [,2] [,3]
## [1,] 19 21 23
## [2,] 20 22 24La estructura es:
\[ 2\text{ filas}\times 3\text{ columnas}\times 4\text{ capas}. \]
dim(A3)## [1] 2 3 4A3[,,1]## [,1] [,2] [,3]
## [1,] 1 3 5
## [2,] 2 4 6A3[,,2]## [,1] [,2] [,3]
## [1,] 7 9 11
## [2,] 8 10 12A3[,,3]## [,1] [,2] [,3]
## [1,] 13 15 17
## [2,] 14 16 18A3[,,4]## [,1] [,2] [,3]
## [1,] 19 21 23
## [2,] 20 22 24A3[1,2,3]## [1] 15A3[2,3,4]## [1] 24La notación general es:
A3[fila, columna, capa].
Se registran las ventas de 3 productos durante 4 meses en 2 tiendas.
ventas <- array(
c(120,150,130,
140,160,170,
180,190,200,
210,220,230,
100,110,120,
130,140,150,
160,170,180,
190,200,210),
dim = c(3,4,2)
)dimnames(ventas) <- list(
Producto = c("Producto A", "Producto B", "Producto C"),
Mes = c("Enero", "Febrero", "Marzo", "Abril"),
Tienda = c("Tienda 1", "Tienda 2")
)
ventas## , , Tienda = Tienda 1
##
## Mes
## Producto Enero Febrero Marzo Abril
## Producto A 120 140 180 210
## Producto B 150 160 190 220
## Producto C 130 170 200 230
##
## , , Tienda = Tienda 2
##
## Mes
## Producto Enero Febrero Marzo Abril
## Producto A 100 130 160 190
## Producto B 110 140 170 200
## Producto C 120 150 180 210ventas["Producto A", "Marzo", "Tienda 2"]## [1] 160ventas[, , "Tienda 1"]## Mes
## Producto Enero Febrero Marzo Abril
## Producto A 120 140 180 210
## Producto B 150 160 190 220
## Producto C 130 170 200 230ventas["Producto A", , ]## Tienda
## Mes Tienda 1 Tienda 2
## Enero 120 100
## Febrero 140 130
## Marzo 180 160
## Abril 210 190ventas[, "Marzo", ]## Tienda
## Producto Tienda 1 Tienda 2
## Producto A 180 160
## Producto B 190 170
## Producto C 200 180La función apply() tiene la estructura:
apply(X, MARGIN, FUN)Para el array ventas:
apply(ventas, 1, mean)## Producto A Producto B Producto C
## 153.75 167.50 173.75apply(ventas, 2, mean)## Enero Febrero Marzo Abril
## 121.6667 148.3333 180.0000 210.0000apply(ventas, 3, mean)## Tienda 1 Tienda 2
## 175 155apply(ventas, c(1,2), mean)## Mes
## Producto Enero Febrero Marzo Abril
## Producto A 110 135 170 200
## Producto B 130 150 180 210
## Producto C 125 160 190 220apply(ventas, c(1,3), mean)## Tienda
## Producto Tienda 1 Tienda 2
## Producto A 162.5 145
## Producto B 180.0 155
## Producto C 182.5 165apply(ventas, c(2,3), mean)## Tienda
## Mes Tienda 1 Tienda 2
## Enero 133.3333 110
## Febrero 156.6667 140
## Marzo 190.0000 170
## Abril 220.0000 200apply(ventas, 1, sum)## Producto A Producto B Producto C
## 1230 1340 1390apply(ventas, 1, sd)## Producto A Producto B Producto C
## 37.77282 35.35534 38.89087apply(ventas, 1, var)## Producto
## Producto A Producto B Producto C
## [1,] 1625 1000 1825
## [2,] 1550 1200 1650
## [3,] 1550 1200 1650
## [4,] 1500 1500 1500apply(ventas, 3, max)## Tienda 1 Tienda 2
## 230 210apply(ventas, 3, min)## Tienda 1 Tienda 2
## 120 100apply(ventas, 2, median)## Enero Febrero Marzo Abril
## 120 145 180 210ventas5 <- array(101:160,
dim = c(3,4,5))
dimnames(ventas5) <- list(
Producto = c("Producto A", "Producto B", "Producto C"),
Mes = c("Enero", "Febrero", "Marzo", "Abril"),
Tienda = paste("Tienda", 1:5)
)
ventas5## , , Tienda = Tienda 1
##
## Mes
## Producto Enero Febrero Marzo Abril
## Producto A 101 104 107 110
## Producto B 102 105 108 111
## Producto C 103 106 109 112
##
## , , Tienda = Tienda 2
##
## Mes
## Producto Enero Febrero Marzo Abril
## Producto A 113 116 119 122
## Producto B 114 117 120 123
## Producto C 115 118 121 124
##
## , , Tienda = Tienda 3
##
## Mes
## Producto Enero Febrero Marzo Abril
## Producto A 125 128 131 134
## Producto B 126 129 132 135
## Producto C 127 130 133 136
##
## , , Tienda = Tienda 4
##
## Mes
## Producto Enero Febrero Marzo Abril
## Producto A 137 140 143 146
## Producto B 138 141 144 147
## Producto C 139 142 145 148
##
## , , Tienda = Tienda 5
##
## Mes
## Producto Enero Febrero Marzo Abril
## Producto A 149 152 155 158
## Producto B 150 153 156 159
## Producto C 151 154 157 160apply(ventas5, 1, mean)## Producto A Producto B Producto C
## 129.5 130.5 131.5apply(ventas5, 2, mean)## Enero Febrero Marzo Abril
## 126 129 132 135apply(ventas5, 3, mean)## Tienda 1 Tienda 2 Tienda 3 Tienda 4 Tienda 5
## 106.5 118.5 130.5 142.5 154.5apply(ventas5, c(1,2), mean)## Mes
## Producto Enero Febrero Marzo Abril
## Producto A 125 128 131 134
## Producto B 126 129 132 135
## Producto C 127 130 133 136apply(ventas5, c(1,3), mean)## Tienda
## Producto Tienda 1 Tienda 2 Tienda 3 Tienda 4 Tienda 5
## Producto A 105.5 117.5 129.5 141.5 153.5
## Producto B 106.5 118.5 130.5 142.5 154.5
## Producto C 107.5 119.5 131.5 143.5 155.5apply(ventas5, c(2,3), mean)## Tienda
## Mes Tienda 1 Tienda 2 Tienda 3 Tienda 4 Tienda 5
## Enero 102 114 126 138 150
## Febrero 105 117 129 141 153
## Marzo 108 120 132 144 156
## Abril 111 123 135 147 159apply(ventas5, 1, sd)## Producto A Producto B Producto C
## 17.74824 17.74824 17.74824apply(ventas5, 3, max)## Tienda 1 Tienda 2 Tienda 3 Tienda 4 Tienda 5
## 112 124 136 148 160apply(ventas5, 3, min)## Tienda 1 Tienda 2 Tienda 3 Tienda 4 Tienda 5
## 101 113 125 137 149notas <- array(
c(
4.2, 3.5, 4.0, 2.8,
3.8, 4.1, 3.6, 3.2,
4.5, 3.9, 4.3, 3.7,
4.4, 3.7, 4.2, 3.1,
4.0, 4.3, 3.8, 3.5,
4.6, 4.1, 4.5, 3.9
),
dim = c(4,3,2)
)
dimnames(notas) <- list(
Estudiante = c("Ana", "Carlos", "Laura", "Pedro"),
Asignatura = c("Estadistica", "Calculo", "Programacion"),
Corte = c("Corte 1", "Corte 2")
)
notas## , , Corte = Corte 1
##
## Asignatura
## Estudiante Estadistica Calculo Programacion
## Ana 4.2 3.8 4.5
## Carlos 3.5 4.1 3.9
## Laura 4.0 3.6 4.3
## Pedro 2.8 3.2 3.7
##
## , , Corte = Corte 2
##
## Asignatura
## Estudiante Estadistica Calculo Programacion
## Ana 4.4 4.0 4.6
## Carlos 3.7 4.3 4.1
## Laura 4.2 3.8 4.5
## Pedro 3.1 3.5 3.9apply(notas, 1, mean)## Ana Carlos Laura Pedro
## 4.250000 3.933333 4.066667 3.366667apply(notas, 2, mean)## Estadistica Calculo Programacion
## 3.7375 3.7875 4.1875apply(notas, 3, mean)## Corte 1 Corte 2
## 3.800000 4.008333apply(notas, c(1,2), mean)## Asignatura
## Estudiante Estadistica Calculo Programacion
## Ana 4.30 3.90 4.55
## Carlos 3.60 4.20 4.00
## Laura 4.10 3.70 4.40
## Pedro 2.95 3.35 3.80datos <- as.data.frame.table(notas,
responseName = "Nota")
datos## Estudiante Asignatura Corte Nota
## 1 Ana Estadistica Corte 1 4.2
## 2 Carlos Estadistica Corte 1 3.5
## 3 Laura Estadistica Corte 1 4.0
## 4 Pedro Estadistica Corte 1 2.8
## 5 Ana Calculo Corte 1 3.8
## 6 Carlos Calculo Corte 1 4.1
## 7 Laura Calculo Corte 1 3.6
## 8 Pedro Calculo Corte 1 3.2
## 9 Ana Programacion Corte 1 4.5
## 10 Carlos Programacion Corte 1 3.9
## 11 Laura Programacion Corte 1 4.3
## 12 Pedro Programacion Corte 1 3.7
## 13 Ana Estadistica Corte 2 4.4
## 14 Carlos Estadistica Corte 2 3.7
## 15 Laura Estadistica Corte 2 4.2
## 16 Pedro Estadistica Corte 2 3.1
## 17 Ana Calculo Corte 2 4.0
## 18 Carlos Calculo Corte 2 4.3
## 19 Laura Calculo Corte 2 3.8
## 20 Pedro Calculo Corte 2 3.5
## 21 Ana Programacion Corte 2 4.6
## 22 Carlos Programacion Corte 2 4.1
## 23 Laura Programacion Corte 2 4.5
## 24 Pedro Programacion Corte 2 3.9str(datos)## 'data.frame': 24 obs. of 4 variables:
## $ Estudiante: Factor w/ 4 levels "Ana","Carlos",..: 1 2 3 4 1 2 3 4 1 2 ...
## $ Asignatura: Factor w/ 3 levels "Estadistica",..: 1 1 1 1 2 2 2 2 3 3 ...
## $ Corte : Factor w/ 2 levels "Corte 1","Corte 2": 1 1 1 1 1 1 1 1 1 1 ...
## $ Nota : num 4.2 3.5 4 2.8 3.8 4.1 3.6 3.2 4.5 3.9 ...dim(datos)## [1] 24 4head(datos)## Estudiante Asignatura Corte Nota
## 1 Ana Estadistica Corte 1 4.2
## 2 Carlos Estadistica Corte 1 3.5
## 3 Laura Estadistica Corte 1 4.0
## 4 Pedro Estadistica Corte 1 2.8
## 5 Ana Calculo Corte 1 3.8
## 6 Carlos Calculo Corte 1 4.1Ahora cada fila representa una observación con las variables Estudiante, Asignatura, Corte y Nota.
aggregate(Nota ~ Estudiante,
data = datos,
FUN = mean)## Estudiante Nota
## 1 Ana 4.250000
## 2 Carlos 3.933333
## 3 Laura 4.066667
## 4 Pedro 3.366667aggregate(Nota ~ Asignatura,
data = datos,
FUN = mean)## Asignatura Nota
## 1 Estadistica 3.7375
## 2 Calculo 3.7875
## 3 Programacion 4.1875aggregate(Nota ~ Corte,
data = datos,
FUN = mean)## Corte Nota
## 1 Corte 1 3.800000
## 2 Corte 2 4.008333aggregate(Nota ~ Estudiante + Asignatura,
data = datos,
FUN = mean)## Estudiante Asignatura Nota
## 1 Ana Estadistica 4.30
## 2 Carlos Estadistica 3.60
## 3 Laura Estadistica 4.10
## 4 Pedro Estadistica 2.95
## 5 Ana Calculo 3.90
## 6 Carlos Calculo 4.20
## 7 Laura Calculo 3.70
## 8 Pedro Calculo 3.35
## 9 Ana Programacion 4.55
## 10 Carlos Programacion 4.00
## 11 Laura Programacion 4.40
## 12 Pedro Programacion 3.80datos[datos$Nota >= 4, ]## Estudiante Asignatura Corte Nota
## 1 Ana Estadistica Corte 1 4.2
## 3 Laura Estadistica Corte 1 4.0
## 6 Carlos Calculo Corte 1 4.1
## 9 Ana Programacion Corte 1 4.5
## 11 Laura Programacion Corte 1 4.3
## 13 Ana Estadistica Corte 2 4.4
## 15 Laura Estadistica Corte 2 4.2
## 17 Ana Calculo Corte 2 4.0
## 18 Carlos Calculo Corte 2 4.3
## 21 Ana Programacion Corte 2 4.6
## 22 Carlos Programacion Corte 2 4.1
## 23 Laura Programacion Corte 2 4.5datos[datos$Asignatura == "Estadistica", ]## Estudiante Asignatura Corte Nota
## 1 Ana Estadistica Corte 1 4.2
## 2 Carlos Estadistica Corte 1 3.5
## 3 Laura Estadistica Corte 1 4.0
## 4 Pedro Estadistica Corte 1 2.8
## 13 Ana Estadistica Corte 2 4.4
## 14 Carlos Estadistica Corte 2 3.7
## 15 Laura Estadistica Corte 2 4.2
## 16 Pedro Estadistica Corte 2 3.1datos_ordenados <- datos[order(datos$Nota,
decreasing = TRUE), ]
head(datos_ordenados)## Estudiante Asignatura Corte Nota
## 21 Ana Programacion Corte 2 4.6
## 9 Ana Programacion Corte 1 4.5
## 23 Laura Programacion Corte 2 4.5
## 13 Ana Estadistica Corte 2 4.4
## 11 Laura Programacion Corte 1 4.3
## 18 Carlos Calculo Corte 2 4.3datos$Estado <- ifelse(datos$Nota >= 3,
"Aprueba",
"No aprueba")
datos## Estudiante Asignatura Corte Nota Estado
## 1 Ana Estadistica Corte 1 4.2 Aprueba
## 2 Carlos Estadistica Corte 1 3.5 Aprueba
## 3 Laura Estadistica Corte 1 4.0 Aprueba
## 4 Pedro Estadistica Corte 1 2.8 No aprueba
## 5 Ana Calculo Corte 1 3.8 Aprueba
## 6 Carlos Calculo Corte 1 4.1 Aprueba
## 7 Laura Calculo Corte 1 3.6 Aprueba
## 8 Pedro Calculo Corte 1 3.2 Aprueba
## 9 Ana Programacion Corte 1 4.5 Aprueba
## 10 Carlos Programacion Corte 1 3.9 Aprueba
## 11 Laura Programacion Corte 1 4.3 Aprueba
## 12 Pedro Programacion Corte 1 3.7 Aprueba
## 13 Ana Estadistica Corte 2 4.4 Aprueba
## 14 Carlos Estadistica Corte 2 3.7 Aprueba
## 15 Laura Estadistica Corte 2 4.2 Aprueba
## 16 Pedro Estadistica Corte 2 3.1 Aprueba
## 17 Ana Calculo Corte 2 4.0 Aprueba
## 18 Carlos Calculo Corte 2 4.3 Aprueba
## 19 Laura Calculo Corte 2 3.8 Aprueba
## 20 Pedro Calculo Corte 2 3.5 Aprueba
## 21 Ana Programacion Corte 2 4.6 Aprueba
## 22 Carlos Programacion Corte 2 4.1 Aprueba
## 23 Laura Programacion Corte 2 4.5 Aprueba
## 24 Pedro Programacion Corte 2 3.9 ApruebaCrear una variable categórica de desempeño:
datos$Desempeno <- cut(
datos$Nota,
breaks = c(-Inf, 2.9, 3.9, 4.5, Inf),
labels = c("Bajo", "Aceptable", "Alto", "Excelente")
)
datos## Estudiante Asignatura Corte Nota Estado Desempeno
## 1 Ana Estadistica Corte 1 4.2 Aprueba Alto
## 2 Carlos Estadistica Corte 1 3.5 Aprueba Aceptable
## 3 Laura Estadistica Corte 1 4.0 Aprueba Alto
## 4 Pedro Estadistica Corte 1 2.8 No aprueba Bajo
## 5 Ana Calculo Corte 1 3.8 Aprueba Aceptable
## 6 Carlos Calculo Corte 1 4.1 Aprueba Alto
## 7 Laura Calculo Corte 1 3.6 Aprueba Aceptable
## 8 Pedro Calculo Corte 1 3.2 Aprueba Aceptable
## 9 Ana Programacion Corte 1 4.5 Aprueba Alto
## 10 Carlos Programacion Corte 1 3.9 Aprueba Aceptable
## 11 Laura Programacion Corte 1 4.3 Aprueba Alto
## 12 Pedro Programacion Corte 1 3.7 Aprueba Aceptable
## 13 Ana Estadistica Corte 2 4.4 Aprueba Alto
## 14 Carlos Estadistica Corte 2 3.7 Aprueba Aceptable
## 15 Laura Estadistica Corte 2 4.2 Aprueba Alto
## 16 Pedro Estadistica Corte 2 3.1 Aprueba Aceptable
## 17 Ana Calculo Corte 2 4.0 Aprueba Alto
## 18 Carlos Calculo Corte 2 4.3 Aprueba Alto
## 19 Laura Calculo Corte 2 3.8 Aprueba Aceptable
## 20 Pedro Calculo Corte 2 3.5 Aprueba Aceptable
## 21 Ana Programacion Corte 2 4.6 Aprueba Excelente
## 22 Carlos Programacion Corte 2 4.1 Aprueba Alto
## 23 Laura Programacion Corte 2 4.5 Aprueba Alto
## 24 Pedro Programacion Corte 2 3.9 Aprueba AceptableUna lista puede almacenar objetos de diferente tipo y tamaño.
mi_lista <- list(
nombre = "Ana",
edad = 21,
notas = c(4.2, 3.8, 4.5),
aprobado = TRUE
)
mi_lista## $nombre
## [1] "Ana"
##
## $edad
## [1] 21
##
## $notas
## [1] 4.2 3.8 4.5
##
## $aprobado
## [1] TRUEmi_lista$nombre## [1] "Ana"mi_lista$notas## [1] 4.2 3.8 4.5mi_lista[[2]]## [1] 21mi_lista[1]## $nombre
## [1] "Ana"Diferencia importante:
[[ ]] extrae el contenido del elemento;[ ] devuelve una sublista.lista_completa <- list(
matriz = A,
array3D = ventas,
datos = datos,
resumen = summary(datos$Nota)
)
lista_completa## $matriz
## [,1] [,2] [,3]
## [1,] 1 2 3
## [2,] 4 5 6
##
## $array3D
## , , Tienda = Tienda 1
##
## Mes
## Producto Enero Febrero Marzo Abril
## Producto A 120 140 180 210
## Producto B 150 160 190 220
## Producto C 130 170 200 230
##
## , , Tienda = Tienda 2
##
## Mes
## Producto Enero Febrero Marzo Abril
## Producto A 100 130 160 190
## Producto B 110 140 170 200
## Producto C 120 150 180 210
##
##
## $datos
## Estudiante Asignatura Corte Nota Estado Desempeno
## 1 Ana Estadistica Corte 1 4.2 Aprueba Alto
## 2 Carlos Estadistica Corte 1 3.5 Aprueba Aceptable
## 3 Laura Estadistica Corte 1 4.0 Aprueba Alto
## 4 Pedro Estadistica Corte 1 2.8 No aprueba Bajo
## 5 Ana Calculo Corte 1 3.8 Aprueba Aceptable
## 6 Carlos Calculo Corte 1 4.1 Aprueba Alto
## 7 Laura Calculo Corte 1 3.6 Aprueba Aceptable
## 8 Pedro Calculo Corte 1 3.2 Aprueba Aceptable
## 9 Ana Programacion Corte 1 4.5 Aprueba Alto
## 10 Carlos Programacion Corte 1 3.9 Aprueba Aceptable
## 11 Laura Programacion Corte 1 4.3 Aprueba Alto
## 12 Pedro Programacion Corte 1 3.7 Aprueba Aceptable
## 13 Ana Estadistica Corte 2 4.4 Aprueba Alto
## 14 Carlos Estadistica Corte 2 3.7 Aprueba Aceptable
## 15 Laura Estadistica Corte 2 4.2 Aprueba Alto
## 16 Pedro Estadistica Corte 2 3.1 Aprueba Aceptable
## 17 Ana Calculo Corte 2 4.0 Aprueba Alto
## 18 Carlos Calculo Corte 2 4.3 Aprueba Alto
## 19 Laura Calculo Corte 2 3.8 Aprueba Aceptable
## 20 Pedro Calculo Corte 2 3.5 Aprueba Aceptable
## 21 Ana Programacion Corte 2 4.6 Aprueba Excelente
## 22 Carlos Programacion Corte 2 4.1 Aprueba Alto
## 23 Laura Programacion Corte 2 4.5 Aprueba Alto
## 24 Pedro Programacion Corte 2 3.9 Aprueba Aceptable
##
## $resumen
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 2.800 3.675 3.950 3.904 4.225 4.600lista_completa$matriz## [,1] [,2] [,3]
## [1,] 1 2 3
## [2,] 4 5 6lista_completa$array3D[, , 1]## Mes
## Producto Enero Febrero Marzo Abril
## Producto A 120 140 180 210
## Producto B 150 160 190 220
## Producto C 130 170 200 230head(lista_completa$datos)## Estudiante Asignatura Corte Nota Estado Desempeno
## 1 Ana Estadistica Corte 1 4.2 Aprueba Alto
## 2 Carlos Estadistica Corte 1 3.5 Aprueba Aceptable
## 3 Laura Estadistica Corte 1 4.0 Aprueba Alto
## 4 Pedro Estadistica Corte 1 2.8 No aprueba Bajo
## 5 Ana Calculo Corte 1 3.8 Aprueba Aceptable
## 6 Carlos Calculo Corte 1 4.1 Aprueba Altolista_completa$resumen## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 2.800 3.675 3.950 3.904 4.225 4.600Siempre devuelve una lista.
lista_numeros <- list(
A = c(1,2,3,4),
B = c(10,20,30),
C = c(5,8,12,15,20)
)
lapply(lista_numeros, mean)## $A
## [1] 2.5
##
## $B
## [1] 20
##
## $C
## [1] 12Intenta simplificar el resultado.
sapply(lista_numeros, mean)## A B C
## 2.5 20.0 12.0sapply(lista_numeros, sd)## A B C
## 1.290994 10.000000 5.873670Permite especificar el tipo esperado.
vapply(lista_numeros,
mean,
FUN.VALUE = numeric(1))## A B C
## 2.5 20.0 12.0M1 <- matrix(1:6, nrow = 2, byrow = TRUE)
M2 <- matrix(7:12, nrow = 2, byrow = TRUE)
rbind(M1, M2)## [,1] [,2] [,3]
## [1,] 1 2 3
## [2,] 4 5 6
## [3,] 7 8 9
## [4,] 10 11 12cbind(M1, M2)## [,1] [,2] [,3] [,4] [,5] [,6]
## [1,] 1 2 3 7 8 9
## [2,] 4 5 6 10 11 12which(M1 > 3)## [1] 2 4 6which(M1 > 3, arr.ind = TRUE)## row col
## [1,] 2 1
## [2,] 2 2
## [3,] 2 3M1_mod <- M1
M1_mod[M1_mod > 3] <- 99
M1_mod## [,1] [,2] [,3]
## [1,] 1 2 3
## [2,] 99 99 99M1 > 3## [,1] [,2] [,3]
## [1,] FALSE FALSE FALSE
## [2,] TRUE TRUE TRUEM1 == 2## [,1] [,2] [,3]
## [1,] FALSE TRUE FALSE
## [2,] FALSE FALSE FALSEM1 %% 2 == 0## [,1] [,2] [,3]
## [1,] FALSE TRUE FALSE
## [2,] TRUE FALSE TRUEmax(M1)## [1] 6min(M1)## [1] 1sum(M1)## [1] 21mean(M1)## [1] 3.5length(M1)## [1] 6range(M1)## [1] 1 6apply(ventas5, 3, sum)## Tienda 1 Tienda 2 Tienda 3 Tienda 4 Tienda 5
## 1278 1422 1566 1710 1854apply(ventas5, 3, sd)## Tienda 1 Tienda 2 Tienda 3 Tienda 4 Tienda 5
## 3.605551 3.605551 3.605551 3.605551 3.605551ventas5_estandarizadas <- apply(
ventas5,
3,
function(x) {
(x - mean(x)) / sd(x)
}
)
ventas5_estandarizadas## Tienda
## Tienda 1 Tienda 2 Tienda 3 Tienda 4 Tienda 5
## [1,] -1.5254255 -1.5254255 -1.5254255 -1.5254255 -1.5254255
## [2,] -1.2480754 -1.2480754 -1.2480754 -1.2480754 -1.2480754
## [3,] -0.9707253 -0.9707253 -0.9707253 -0.9707253 -0.9707253
## [4,] -0.6933752 -0.6933752 -0.6933752 -0.6933752 -0.6933752
## [5,] -0.4160251 -0.4160251 -0.4160251 -0.4160251 -0.4160251
## [6,] -0.1386750 -0.1386750 -0.1386750 -0.1386750 -0.1386750
## [7,] 0.1386750 0.1386750 0.1386750 0.1386750 0.1386750
## [8,] 0.4160251 0.4160251 0.4160251 0.4160251 0.4160251
## [9,] 0.6933752 0.6933752 0.6933752 0.6933752 0.6933752
## [10,] 0.9707253 0.9707253 0.9707253 0.9707253 0.9707253
## [11,] 1.2480754 1.2480754 1.2480754 1.2480754 1.2480754
## [12,] 1.5254255 1.5254255 1.5254255 1.5254255 1.5254255matriz_df <- as.data.frame(A)
matriz_df## V1 V2 V3
## 1 1 2 3
## 2 4 5 6class(matriz_df)## [1] "data.frame"Asignar nombres de columnas:
colnames(matriz_df) <- c("Variable1", "Variable2", "Variable3")
matriz_df## Variable1 Variable2 Variable3
## 1 1 2 3
## 2 4 5 6Cuando todas las columnas son numéricas:
df_num <- data.frame(
X = c(1,2,3),
Y = c(4,5,6),
Z = c(7,8,9)
)
matriz_num <- as.matrix(df_num)
matriz_num## X Y Z
## [1,] 1 4 7
## [2,] 2 5 8
## [3,] 3 6 9Se estudian 3 pacientes, 2 variables clínicas y 4 visitas.
pacientes <- array(
c(120,130,125,
70,75,72,
118,128,123,
68,74,70,
115,126,120,
67,72,69,
112,124,118,
65,70,67),
dim = c(3,2,4)
)
dimnames(pacientes) <- list(
Paciente = c("P1", "P2", "P3"),
Variable = c("Sistolica", "Diastolica"),
Visita = paste("Visita", 1:4)
)
pacientes## , , Visita = Visita 1
##
## Variable
## Paciente Sistolica Diastolica
## P1 120 70
## P2 130 75
## P3 125 72
##
## , , Visita = Visita 2
##
## Variable
## Paciente Sistolica Diastolica
## P1 118 68
## P2 128 74
## P3 123 70
##
## , , Visita = Visita 3
##
## Variable
## Paciente Sistolica Diastolica
## P1 115 67
## P2 126 72
## P3 120 69
##
## , , Visita = Visita 4
##
## Variable
## Paciente Sistolica Diastolica
## P1 112 65
## P2 124 70
## P3 118 67Promedio por paciente:
apply(pacientes, 1, mean)## P1 P2 P3
## 91.875 99.875 95.500Promedio por variable clínica:
apply(pacientes, 2, mean)## Sistolica Diastolica
## 121.58333 69.91667Promedio por visita:
apply(pacientes, 3, mean)## Visita 1 Visita 2 Visita 3 Visita 4
## 98.66667 96.83333 94.83333 92.66667Convertir a data frame:
pacientes_df <- as.data.frame.table(
pacientes,
responseName = "Valor"
)
head(pacientes_df)## Paciente Variable Visita Valor
## 1 P1 Sistolica Visita 1 120
## 2 P2 Sistolica Visita 1 130
## 3 P3 Sistolica Visita 1 125
## 4 P1 Diastolica Visita 1 70
## 5 P2 Diastolica Visita 1 75
## 6 P3 Diastolica Visita 1 72Resumen por variable:
aggregate(Valor ~ Variable,
data = pacientes_df,
FUN = mean)## Variable Valor
## 1 Sistolica 121.58333
## 2 Diastolica 69.91667produccion <- array(
c(80,85,90,
75,88,92,
82,87,94,
78,86,91,
84,89,95,
79,85,93),
dim = c(3,2,3)
)
dimnames(produccion) <- list(
Maquina = c("M1", "M2", "M3"),
Turno = c("Dia", "Noche"),
Semana = c("Semana 1", "Semana 2", "Semana 3")
)
produccion## , , Semana = Semana 1
##
## Turno
## Maquina Dia Noche
## M1 80 75
## M2 85 88
## M3 90 92
##
## , , Semana = Semana 2
##
## Turno
## Maquina Dia Noche
## M1 82 78
## M2 87 86
## M3 94 91
##
## , , Semana = Semana 3
##
## Turno
## Maquina Dia Noche
## M1 84 79
## M2 89 85
## M3 95 93apply(produccion, 1, mean)## M1 M2 M3
## 79.66667 86.66667 92.50000apply(produccion, 2, mean)## Dia Noche
## 87.33333 85.22222apply(produccion, 3, mean)## Semana 1 Semana 2 Semana 3
## 85.00000 86.33333 87.50000Convertir a data frame:
produccion_df <- as.data.frame.table(
produccion,
responseName = "Produccion"
)
produccion_df## Maquina Turno Semana Produccion
## 1 M1 Dia Semana 1 80
## 2 M2 Dia Semana 1 85
## 3 M3 Dia Semana 1 90
## 4 M1 Noche Semana 1 75
## 5 M2 Noche Semana 1 88
## 6 M3 Noche Semana 1 92
## 7 M1 Dia Semana 2 82
## 8 M2 Dia Semana 2 87
## 9 M3 Dia Semana 2 94
## 10 M1 Noche Semana 2 78
## 11 M2 Noche Semana 2 86
## 12 M3 Noche Semana 2 91
## 13 M1 Dia Semana 3 84
## 14 M2 Dia Semana 3 89
## 15 M3 Dia Semana 3 95
## 16 M1 Noche Semana 3 79
## 17 M2 Noche Semana 3 85
## 18 M3 Noche Semana 3 93aggregate(Produccion ~ Maquina,
data = produccion_df,
FUN = mean)## Maquina Produccion
## 1 M1 79.66667
## 2 M2 86.66667
## 3 M3 92.50000aggregate(Produccion ~ Turno,
data = produccion_df,
FUN = mean)## Turno Produccion
## 1 Dia 87.33333
## 2 Noche 85.22222aggregate(Produccion ~ Maquina + Turno,
data = produccion_df,
FUN = mean)## Maquina Turno Produccion
## 1 M1 Dia 82.00000
## 2 M2 Dia 87.00000
## 3 M3 Dia 93.00000
## 4 M1 Noche 77.33333
## 5 M2 Noche 86.33333
## 6 M3 Noche 92.00000as.data.frame.table().lapply() y sapply() para obtener
promedios de varios vectores almacenados en una lista.| Función | Uso |
|---|---|
matrix() |
Crear matrices |
array() |
Crear arrays multidimensionales |
dim() |
Consultar dimensiones |
dimnames() |
Asignar nombres a dimensiones |
t() |
Transpuesta |
%*% |
Producto matricial |
det() |
Determinante |
solve() |
Inversa o solución de sistemas |
rowSums() |
Sumas por fila |
colSums() |
Sumas por columna |
rowMeans() |
Promedios por fila |
colMeans() |
Promedios por columna |
apply() |
Aplicar función por dimensiones |
as.data.frame() |
Convertir a data frame |
as.data.frame.table() |
Convertir array a formato tabular largo |
as.matrix() |
Convertir data frame numérico a matriz |
aggregate() |
Resumir por grupos |
list() |
Crear listas |
lapply() |
Aplicar función y devolver lista |
sapply() |
Aplicar función y simplificar resultado |
vapply() |
Aplicar función indicando tipo de salida |
rbind() |
Unir por filas |
cbind() |
Unir por columnas |
which() |
Encontrar posiciones que cumplen una condición |
eigen() |
Valores y vectores propios |
Las matrices, arrays, listas y data frames son estructuras fundamentales en R. Las matrices son adecuadas para álgebra lineal, los arrays permiten representar datos multidimensionales, las listas almacenan objetos heterogéneos y los data frames proporcionan la estructura natural para el análisis estadístico. Comprender cómo convertir y operar entre estas estructuras permite desarrollar análisis más flexibles y complejos en RStudio.