Clase 1

Row

Operaciones básicas

# Operaciones basicas
# suma
2+1

[1] 3

# resta
3-1

[1] 2

# division
10/3

[1] 3.333333

round(10/3,1)

[1] 3.3

round(10/3,10)

[1] 3.333333

# multiplicacion
3*4

[1] 12

# exponentes
10^3

[1] 1000

10^(1/2)

[1] 3.162278

# raiz cuadrada
sqrt(10)

[1] 3.162278

# logaritmo natural
log(1002)

[1] 6.909753

# numero e
exp(10)

[1] 22026.47

# numeros complejos
3+2i

[1] 3+2i

Errores más comunes

# errores más comunes
3+
  2

[1] 5

# a veces no han terminado de cerrar un parentesis
log(10
  )

[1] 2.302585

# para cancelar una operacion esc, o control+c
# para limpiar la pantalla control+l

Objetos

# Respuestas lógicas
# respuestas logicas
3==3

[1] TRUE

3==2

[1] FALSE

(3/2)==5

[1] FALSE

# Objetos
# objetos, el nombre que se le da a algun dato o grupos de datos
# ls() es para ver que objetos estan en el environment

# tipos de objeto, el vector atomico con c()
escalar=3
vector=c(2,2,1,2,2)# vector columna
# c concatenate, 
length(vector)

[1] 5

is.vector(vector)

[1] TRUE

# operaciones
escalar*vector

[1] 6 6 3 6 6

escalar/vector

[1] 1.5 1.5 3.0 1.5 1.5

escalar+vector

[1] 5 5 4 5 5

length(vector)

[1] 5

# definiendo otro vector
vector1=c(2,2,1,-2,2)
vector+vector1

[1] 4 4 2 0 4

vector-vector1

[1] 0 0 0 4 0

vector%*%vector1
 [,1]

[1,] 9

vector%o%vector1
 [,1] [,2] [,3] [,4] [,5]

[1,] 4 4 2 -4 4 [2,] 4 4 2 -4 4 [3,] 2 2 1 -2 2 [4,] 4 4 2 -4 4 [5,] 4 4 2 -4 4

escalar2=4
# vector de aleatorios
a1=rnorm(10000,100,30)
a1=runif(10000,2,100)
round(mean(a1),1)

[1] 51.3

# funciones, funciones estan en parentesis ()
median(a1)# mediana

[1] 51.41119

sd(a1) # desviacion estandar

[1] 28.23699

var(a1) # varianza

[1] 797.3276

sum(a1) # sumatoria

[1] 513409.1

prod(a1) # produtoria

[1] Inf

max(a1) # maximo

[1] 99.99503

min(a1)

[1] 2.009986

rango=max(a1)-min(a1)
rango

[1] 97.98505

# clasificar
head(sort(a1,decreasing = F))

[1] 2.009986 2.012019 2.046270 2.060663 2.066524 2.072463

##
summary(a1)

Min. 1st Qu. Median Mean 3rd Qu. Max. 2.01 26.90 51.41 51.34 76.09 100.00

a2=c('emilio','raul','kevin')
sample(a2,1,replace = TRUE)

[1] “raul”

sample(a2,2,replace = FALSE)

[1] “raul” “kevin”

# variable categorica  

# otro ejemplo con runif
a1=runif(500,1,100)
mean(a1)

[1] 49.02189

median(a1)

[1] 49.93806

# subconjunto []
a2[2]=NA
a2[4]=8
# problema con los nas
mean(a2,na.rm=TRUE)

[1] NA

Clase 2

Row

Contenido

-Instalacion de librerias - Limpiar el environment - Objetos - Diferentes tipos de objetos

# vector numerico y nas
# vector numerico
vector1=c(1,2,2)
length(vector1)# tamaño

[1] 3

is.vector(vector1)

[1] TRUE

# se pueden calcular estadisticos
mean(vector1)

[1] 1.666667

# asignando nas
vector1[2]=NA
vector1

[1] 1 NA 2

####
vector1[c(1,3)]=NA
vector1[(1:2)]=NA
# haciendo un vector mas grande
vector2=runif(10,5,10)
# asignar nas
vector2[c(2:3,5)]=NA
# quitar los nas
vector3=vector2[complete.cases(vector2)]
mean(vector3)

[1] 7.793561

# Vector categórico
#tiene que ir entre comillas`
nombres=c('rojo','blanco','negro')
nombres1=sample(c('sol','aguila'),100,replace = TRUE, prob=c(.2,.8))
table(nombres1)

nombres1 aguila sol 83 17

table(nombres1)

nombres1 aguila sol 83 17

nombres1[3]="cara"
# Vector lógico
vector3=c(1,2,4)
vector_log=vector3==2
table(vector_log)

vector_log FALSE TRUE 2 1

vector_log=vector3>=8

Clase 3

Row

Contenido

  • Objetos
  • Matrices
# generar un vector numérico
#   1, 2, 3, 4
# 1= norte, 2=sur, 3=este....
# vector numerico
nombres_fac=sample(c(1,2),10,replace = TRUE)
nombres_fac

[1] 2 1 2 2 1 2 1 2 1 1

# darle nombres
class(nombres_fac)

[1] “numeric”

levels(nombres_fac)=c('alto','bajo')
levels(nombres_fac)=c('rico','pobre')
nombres_fac

[1] 2 1 2 2 1 2 1 2 1 1 attr(,“levels”) [1] “rico” “pobre”

# Vectores especiales
# de tiempo
tiempo=1900:2020
# replicar numeros
# el numero y cuantas veces
rep(1,10)

[1] 1 1 1 1 1 1 1 1 1 1

# replicar numero del 1 al 8 dos veces
rep(1:8,each=2)

[1] 1 1 2 2 3 3 4 4 5 5 6 6 7 7 8 8

# replicar 0 y 1, del primero 10 y del segundo 5
rep(0:1, c(10,5))

[1] 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1

rep(0:2,c(10,5,5))

[1] 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 2 2 2 2 2

#
rep(c(1:2,5),c(10,5,5))

[1] 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 5 5 5 5 5

# replicar el 1 y el 8, el 1 ocho veces y el 8 12 veces
rep(c(1,8),c(8,12))

[1] 1 1 1 1 1 1 1 1 8 8 8 8 8 8 8 8 8 8 8 8

# secuencia
# secuencia tiene, donde empieza, el tamano y cada cuanto
# secuencia de 1, del tamano de a1, cada .5
a1=1:15
# seq(10,tamaño,cada cuanto)
seq(5,10,.1)

[1] 5.0 5.1 5.2 5.3 5.4 5.5 5.6 5.7 5.8 5.9 6.0 6.1 6.2 6.3 6.4 [16] 6.5 6.6 6.7 6.8 6.9 7.0 7.1 7.2 7.3 7.4 7.5 7.6 7.7 7.8 7.9 [31] 8.0 8.1 8.2 8.3 8.4 8.5 8.6 8.7 8.8 8.9 9.0 9.1 9.2 9.3 9.4 [46] 9.5 9.6 9.7 9.8 9.9 10.0

# secuencia que vaya de alrededor a a1
seq(1,length(a1),1)

[1] 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

seq(1,length(a1),.5)

[1] 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 5.5 6.0 6.5 7.0 7.5 8.0 [16] 8.5 9.0 9.5 10.0 10.5 11.0 11.5 12.0 12.5 13.0 13.5 14.0 14.5 15.0

# secuencias de del, con 10 numeros de 1
seq(2,10,1)

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

# que empiece en 5
seq(5,10,1)

[1] 5 6 7 8 9 10

# vector de fechas
fecha=190101:190131
#
fecha1=ymd(fecha)
fecha1

[1] “2019-01-01” “2019-01-02” “2019-01-03” “2019-01-04” “2019-01-05” [6] “2019-01-06” “2019-01-07” “2019-01-08” “2019-01-09” “2019-01-10” [11] “2019-01-11” “2019-01-12” “2019-01-13” “2019-01-14” “2019-01-15” [16] “2019-01-16” “2019-01-17” “2019-01-18” “2019-01-19” “2019-01-20” [21] “2019-01-21” “2019-01-22” “2019-01-23” “2019-01-24” “2019-01-25” [26] “2019-01-26” “2019-01-27” “2019-01-28” “2019-01-29” “2019-01-30” [31] “2019-01-31”

# realizando una gráfica
var1=cumsum(rnorm(31))
fecha=190101:190131
fecha1=ymd(fecha)
# serie de tiempo, eje horizontal, seguendo variable
## colores de html en internet
## #115C63
plot(fecha1,var1,type='l',lwd=3,lty=2,
  col="#115C63", xlab = "Tiempo", ylab='', main='', cex.axis=.6)

# Vectores y matrices

a1=c(1,2,3,1,2)
a2=c(1,2,4,1,2)
a3=c(1,2,1,1,1)

b1=c(1,2)
b2=c(1,1)
# uniendo por columnas
mat1=cbind(a1,a2,a3)
# uniendo por filas
rbind(a1,a2,a3)

[,1] [,2] [,3] [,4] [,5] a1 1 2 3 1 2 a2 1 2 4 1 2 a3 1 2 1 1 1

# colocando nombres
matriz=rbind(a1,a2,a3)
matriz

[,1] [,2] [,3] [,4] [,5] a1 1 2 3 1 2 a2 1 2 4 1 2 a3 1 2 1 1 1

dim(matriz)

[1] 3 5

# 
colnames(matriz)=c('a','b','c','d','e')
rownames(matriz)=c('azul','rojo','verde')

matriz
  a b c d e

azul 1 2 3 1 2 rojo 1 2 4 1 2 verde 1 2 1 1 1

#
proportions(matriz)# igual a 1
     a    b    c    d    e

azul 0.04 0.08 0.12 0.04 0.08 rojo 0.04 0.08 0.16 0.04 0.08 verde 0.04 0.08 0.04 0.04 0.04

proportions(matriz,margin=1)# rows filas igual a 1
          a         b         c         d         e

azul 0.1111111 0.2222222 0.3333333 0.1111111 0.2222222 rojo 0.1000000 0.2000000 0.4000000 0.1000000 0.2000000 verde 0.1666667 0.3333333 0.1666667 0.1666667 0.1666667

proportions(matriz,margin=2)
          a         b     c         d   e

azul 0.3333333 0.3333333 0.375 0.3333333 0.4 rojo 0.3333333 0.3333333 0.500 0.3333333 0.4 verde 0.3333333 0.3333333 0.125 0.3333333 0.2

Clase 4

Row

Vectores y matrices

# los vectores se pueden unir para formar una matriz
# las matrices deben ser numericas
a1=c(1,2,3,1,2)
a2=c(1,2,4,1,2)
a3=c(1,2,1,1,1)
# formar unos vectores
b1=c(1,2)
b2=c(1,1)
# dos vectores
b1=c(2,2)
b2=c(3,2)
# poner nombre
matriz
  a b c d e

azul 1 2 3 1 2 rojo 1 2 4 1 2 verde 1 2 1 1 1

col

function (x, as.factor = FALSE) { if (as.factor) { labs <- colnames(x, do.NULL = FALSE, prefix = "") res <- factor(.Internal(col(dim(x))), labels = labs) dim(res) <- dim(x) res } else .Internal(col(dim(x))) } <bytecode: 0x7f8274c91dd0> <environment: namespace:base>

# uniendo por columnas
mat1=cbind(a1,a2,a3)

# unir por columnas
cbind(b1,b2)
 b1 b2

[1,] 2 3 [2,] 2 2

# es usual unirlom por el lado de las filas
rbind(b1,b2)

[,1] [,2] b1 2 2 b2 3 2

# uniendo por filas
rbind(a1,a2,a3)

[,1] [,2] [,3] [,4] [,5] a1 1 2 3 1 2 a2 1 2 4 1 2 a3 1 2 1 1 1

# colocando nombres
matriz=rbind(a1,a2,a3)
matriz

[,1] [,2] [,3] [,4] [,5] a1 1 2 3 1 2 a2 1 2 4 1 2 a3 1 2 1 1 1

dim(matriz)

[1] 3 5

# 

colnames(matriz)=c('a','b','c','d','e')
rownames(matriz)=c('azul','rojo','verde')

matriz
  a b c d e

azul 1 2 3 1 2 rojo 1 2 4 1 2 verde 1 2 1 1 1

#
proportions(matriz)# igual a 1
     a    b    c    d    e

azul 0.04 0.08 0.12 0.04 0.08 rojo 0.04 0.08 0.16 0.04 0.08 verde 0.04 0.08 0.04 0.04 0.04

proportions(matriz,margin=1)# rows filas igual a 1
          a         b         c         d         e

azul 0.1111111 0.2222222 0.3333333 0.1111111 0.2222222 rojo 0.1000000 0.2000000 0.4000000 0.1000000 0.2000000 verde 0.1666667 0.3333333 0.1666667 0.1666667 0.1666667

proportions(matriz,margin=2)# por columnaas
          a         b     c         d   e

azul 0.3333333 0.3333333 0.375 0.3333333 0.4 rojo 0.3333333 0.3333333 0.500 0.3333333 0.4 verde 0.3333333 0.3333333 0.125 0.3333333 0.2

#
# operaciones con matrices basicas
# matrix funcion para hacer matrices

matrix(9,ncol=3)
 [,1] [,2] [,3]

[1,] 9 9 9

matrix(1:9,ncol=3)
 [,1] [,2] [,3]

[1,] 1 4 7 [2,] 2 5 8 [3,] 3 6 9

matriz1=matrix(round(runif(9,1,4),1),ncol=3)
matriz1
 [,1] [,2] [,3]

[1,] 1.2 1.2 2.2 [2,] 2.8 2.2 3.5 [3,] 1.2 2.6 2.3

# no forma parte del curso
# creacion de numeros aleatorios, sujetos al azar

# generar aleatorios, med

hist(rnorm(100,5,1))

# numero de observaciones, el intervalor
#runif
runif(10,1,5)

[1] 3.171381 3.143956 4.167558 4.779001 4.663749 2.615840 1.475311 3.160375 [9] 1.247607 1.610476

set.seed(123)
# 
matriz1=matrix(round(runif(9,1,4),0),ncol=3)
matriz1
 [,1] [,2] [,3]

[1,] 2 4 3 [2,] 3 4 4 [3,] 2 1 3

# inversa
solve(matriz1)
       [,1]          [,2]       [,3]

[1,] -2.6666667 3.000000e+00 -1.3333333 [2,] 0.3333333 -6.661338e-17 -0.3333333 [3,] 1.6666667 -2.000000e+00 1.3333333

# determinante
det(matriz1)

[1] -3

# suma de filas y columnas
rowSums(matriz1)

[1] 9 11 6

colSums(matriz1)

[1] 7 9 10

# media de filas y columnas
rowMeans(matriz1)

[1] 3.000000 3.666667 2.000000

colMeans(matriz1)

[1] 2.333333 3.000000 3.333333

# multiplicacion por un vector y resolucion de evuaciones
r=c(1,1,1)
# multiplicacion por un vector
# numero de columas del primer elementos es igual al numero de filas del segundo
matriz1%*%r
 [,1]

[1,] 9 [2,] 11 [3,] 6

# ecuaciones de primer grado
solve(matriz1,r)

[1] -1 0 1

# subconjuntos en matrices
# se pueden formar subconjuntos e imputar NAs
datos=matrix(round(runif(25)),ncol = 5)
datos
 [,1] [,2] [,3] [,4] [,5]

[1,] 0 0 1 1 0 [2,] 1 1 1 1 1 [3,] 0 0 1 1 1 [4,] 1 0 1 1 1 [5,] 1 0 1 0 1

datos[,5]

[1] 0 1 1 1 1

# solo la fila dos
datos[2,]

[1] 1 1 1 1 1

# si quiero la columna 1 y la 5
###
datos[,c(1,5)]
 [,1] [,2]

[1,] 0 0 [2,] 1 1 [3,] 0 1 [4,] 1 1 [5,] 1 1

# quitar la columna 1 y 5, colocar un signo menos
datos1=datos[,-c(1,5)]
datos1
 [,1] [,2] [,3]

[1,] 0 1 1 [2,] 1 1 1 [3,] 0 1 1 [4,] 0 1 1 [5,] 0 1 0

datos[2,3:5]

[1] 1 1 1

Clase 5

Row

# bases de datos

datos=data.frame(var1=c(1,2),
  var2=c('azul','rojo'),
  var3=c('si','no')
)
#para visualizar la base de datos hay varias formas
# las columnas son variables
colnames(datos)=c('v1','v2','v3')
colnames(datos)=toupper(names(datos))
colnames(datos)=tolower(names(datos))
# imprimir base de datos
datos

v1 v2 v3 1 1 azul si 2 2 rojo no

# estadisticos basicos
summary(datos)
   v1            v2                 v3

Min. :1.00 Length:2 Length:2
1st Qu.:1.25 Class :character Class :character
Median :1.50 Mode :character Mode :character
Mean :1.50
3rd Qu.:1.75
Max. :2.00

#
dim(datos)

[1] 2 3

str(datos)

‘data.frame’: 2 obs. of 3 variables: $ v1: num 1 2 $ v2: chr “azul” “rojo” $ v3: chr “si” “no”

# acceder a la base de datos
# al menos tres formar
# si imprimen v1 no van a obtener nada
datos$v1

[1] 1 2

# primera forma no recomendable
attach(datos)

# segunda forma with
with(datos, mean(v1))

[1] 1.5

# tercera forma y la mas usual
mean(datos$v1)

[1] 1.5

# categorias
table(datos$v2)

azul rojo 1 1

table(datos$v2,datos$v3)
   no si

azul 0 1 rojo 1 0

detach(datos)
# hay diferentes tipos de base de datos
# tipo extendido y de panel
# listas
# solamente hay algo mas que las lista
# un vector no se puede combinar
vector1=c(1,"si",'azul')
vector2=list(x=1, y='si',z='azul')
# extracion de listas
vector2$x[1]

[1] 1

vector2$x[2] # no hay este elemento

[1] NA

# la lista puede guardar diversas bases de datos o combinar un escalar un vector y una bae de datos
a=1
x=runif(100,20,35)
datos

v1 v2 v3 1 1 azul si 2 2 rojo no

lista1=list(a,x,datos)
# la base de datos 2 y extraemos la fila 2
lista1[[3]][2]
v2

1 azul 2 rojo

Clase 6

Row

datos=data.frame(var1=c(1,2),
  var2=c('si','no')
)

datos

var1 var2 1 1 si 2 2 no

str(datos)

‘data.frame’: 2 obs. of 2 variables: $ var1: num 1 2 $ var2: chr “si” “no”

## cambiar de nombre a las columnas
colnames(datos)=c('a1','a2')
# para pasar el nombre de las variables a mayusculas
colnames(datos)=toupper(names(datos))
datos

A1 A2 1 1 si 2 2 no

colnames(datos)=tolower(names(datos))
kable(datos)
a1 a2
1 si
2 no 
# Listas
 
datos=data.frame(var1=c(1,2),
  var2=c('si','no')
)
# defino un escalar
a1=1
# defino un vector
a2=c('rojo','azul')
# tengo una base de datos
datos

var1 var2 1 1 si 2 2 no

# las puedo poner en una lista
lista1=list(a1,a2,datos)
lista1

[[1]] [1] 1

[[2]] [1] “rojo” “azul”

[[3]] var1 var2 1 1 si 2 2 no

# extraer algo de la lista

lista1[[3]]

var1 var2 1 1 si 2 2 no

# si lo quiero guardar

datos1=lista1[[3]]
datos1

var1 var2 1 1 si 2 2 no

# Bases de datos
datos_1=data.frame(a1=runif(10,60,80),
  a2=runif(10,1.50,1.80),
  a3=sample(c('M','H'),10,replace=TRUE)
  )
# subconjuntos, estadisticas y cuadros basicos
datos_1
  a1       a2 a3

1 70.42271 1.752819 M 2 73.19677 1.569349 M 3 76.43611 1.571730 M 4 75.72563 1.523007 M 5 79.59644 1.573717 M 6 68.78863 1.719641 M 7 66.23404 1.754236 M 8 68.18950 1.649258 H 9 60.20934 1.616373 H 10 63.67699 1.573935 H

# haciendo subconjuntos
str(datos_1)

‘data.frame’: 10 obs. of 3 variables: $ a1: num 70.4 73.2 76.4 75.7 79.6 … $ a2: num 1.75 1.57 1.57 1.52 1.57 … $ a3: chr “M” “M” “M” “M” …

dim(datos_1)

[1] 10 3

# se pueden formas subconjuntos
# nombre de la base de datos mas corchetes
# si quiero obtener la tercera variable
datos_1[,3]

[1] “M” “M” “M” “M” “M” “M” “M” “H” “H” “H”

# encabezado
head(datos_1,2)
 a1       a2 a3

1 70.42271 1.752819 M 2 73.19677 1.569349 M

# si quieren seleccionar solamente un escalar
datos_1[8,1]

[1] 68.1895

# puedo obtener los estadisticos basicos
summary(datos_1)
a1              a2             a3

Min. :60.21 Min. :1.523 Length:10
1st Qu.:66.72 1st Qu.:1.572 Class :character
Median :69.61 Median :1.595 Mode :character
Mean :70.25 Mean :1.630
3rd Qu.:75.09 3rd Qu.:1.702
Max. :79.60 Max. :1.754

# imputar en nas a la base de datos
datos_1[8,1]=NA
datos_1
  a1       a2 a3

1 70.42271 1.752819 M 2 73.19677 1.569349 M 3 76.43611 1.571730 M 4 75.72563 1.523007 M 5 79.59644 1.573717 M 6 68.78863 1.719641 M 7 66.23404 1.754236 M 8 NA 1.649258 H 9 60.20934 1.616373 H 10 63.67699 1.573935 H

# quitando los nas
complete.cases(datos_1)

[1] TRUE TRUE TRUE TRUE TRUE TRUE TRUE FALSE TRUE TRUE

# generar un nueva base de datos
datos_2=datos_1[complete.cases(datos_1),]
datos_2
  a1       a2 a3

1 70.42271 1.752819 M 2 73.19677 1.569349 M 3 76.43611 1.571730 M 4 75.72563 1.523007 M 5 79.59644 1.573717 M 6 68.78863 1.719641 M 7 66.23404 1.754236 M 9 60.20934 1.616373 H 10 63.67699 1.573935 H

# graficas
# una variable numérica
# diagrama de dispersión
plot(datos_1$a2,datos_1$a1,col='#0C8488', cex.axis=.8,pch=15,
  main='Primera gráfica',ylab='Pesos',xlab='Estaturas')

Clase 7

Row

Clase 8

Row

# Datos cruzados
gm_2002=read_csv('gm_2002.csv')
summary(gm_2002)
      ...1       country           continent              year     
 Min.   :  1   Length:101         Length:101         Min.   :2002  
 1st Qu.: 26   Class :character   Class :character   1st Qu.:2002  
 Median : 51   Mode  :character   Mode  :character   Median :2002  
 Mean   : 51                                         Mean   :2002  
 3rd Qu.: 76                                         3rd Qu.:2002  
 Max.   :101                                         Max.   :2002  
    lifeexp           pop              gdppercap        grupos_ing       
 Min.   :39.19   Min.   :5.147e+06   Min.   :  241.2   Length:101        
 1st Qu.:56.37   1st Qu.:9.771e+06   1st Qu.: 1287.5   Class :character  
 Median :70.75   Median :1.847e+07   Median : 4563.8   Mode  :character  
 Mean   :65.72   Mean   :5.728e+07   Mean   : 9561.9                     
 3rd Qu.:74.90   3rd Qu.:4.101e+07   3rd Qu.:13638.8                     
 Max.   :82.00   Max.   :1.280e+09   Max.   :39097.1                     
par(margin=c(2,2,2,2),mfrow=c(2,2))
hist(gm_2002$gdppercap,col='#117A7E',
  xlab='Ingreso',main='Gráfica 1')
abline(v=mean(gm_2002$gdppercap),lty=2)
# numero 2, diagrama de dispersion
plot(gm_2002$gdppercap,gm_2002$lifeexp,col='#117A7E',
  ylab='Esperanza de vida',xlab='Ingreso')
# tercera grafica
# variable numerica con categorica
boxplot(gm_2002$gdppercap~gm_2002$grupos_ing,
   col="#117A7E", horizontal = TRUE, xlab='Categorias',
  ylab='Ingreso')

# cuarta grafica
# dos variables categoricas
barplot(xtabs(~gm_2002$continent+gm_2002$grupos_ing),
  legend.text = TRUE,horiz = TRUE,args.legend = list(x = "bottomright"),
  col=c('#4BE529','#2CD0B0','#75DE7D','#1E3920','#A2F2FF'),
  cex.axis=.5, cex=.5)

# Series de tiempo
petroleo=pdfetch_YAHOO("cl=f",
  fields='close', from="2001-01-10")
colnames(petroleo)='petroleo'
par(mfrow=c(1,2))
plot(petroleo,col="#784491",main='')
plot(window(petroleo,st='2010-01-01'),col='#FA167B',main='')

Clase 15

Row

library(tidyverse)
# funciones básicas
# funciones
# tienen nombre, argumentos y el cuerpo
# las funciones más simples se encadenan

x=runif(20,10,90)
calcular=function(x){
  x%>%
    log()
}
# calculamando la media
calcular=function(x){
  x%>%
    log()%>%
    mean()
}

calcular=function(x){
  x%>%
    log()%>%
    mean()*100
}

calcular(x=c(10,100,1000))
[1] 460.517
# indice de extremos
y=runif(100,2,90)

rango=function(x){
  rango=max(x)-min(x)
  rango=rango/mean(x)
  return(rango)
}

rango(y)
[1] 1.90648
# aplicando un condcional
# dos vectores uno con la varianza y otro con la deviacion estándar

probar=function(x){
  if(x<5){
    return('Hola Mexico')
  }
  else{
    return('Hola mundo')
  }
}

probar(10)
[1] "Hola mundo"
#
ejem=function(x){
  if(x<5){
  x^2
}
}

ejem(3)
[1] 9
# calculando la media

media=function(x,n){
  n=length(x)
  suma=sum(x)
  media=suma/n
  return(media)
}

media(x=rnorm(20))
[1] 0.1174799
# declarar un vector
var1=c(2,3,1,3,3,6,7)
mean(var1)
[1] 3.571429
# asignar un nas
var1[3]=NA
media(var1)
[1] NA
# para calcular la media se necetitan remover los nas
media=function(x,n){
  x=x[which(!is.na(x))]
  n=length(x)
  suma=sum(x)
  media=suma/n
  return(media)
}
media(var1)
[1] 4
# la tasa de crecimiento
tasa_de_crecimiento=function(x){
  dis=diff(x)
  tasa=(dis/lag(x))*100
  return(tasa)
}

var2=runif(20,20,90)
tasa_de_crecimiento(var2)
 [1]         NA  50.004128  16.828141 -50.784328  15.922555  34.135386
 [7]  -7.183964   0.250289  36.015844 -60.573960 -23.372753  58.051981
[13] -74.288360  32.194686 -22.748586  79.408716 -90.715762 -12.534767
[19]  58.461896 -64.267221
# funcion para la mediana
mediana=function(x){
  med=quantile(x,.5)
  return(med)
}
mediana(var2)
     50% 
55.65087 
##############
# dos vectores
a1=rnorm(10)
a2=rnorm(10)
#######################


sumar=function(x,y){
  if(y>=2){
  a1=log(x)
}else{
  a2=x+y
}
  return(list(a1,a2))
}
sumar(3,4)
[[1]]
[1] 1.098612

[[2]]
 [1] -0.19717589  1.10992029  0.08473729  0.75405379 -0.49929202  0.21444531
 [7] -0.32468591  0.09458353 -0.89536336 -1.31080153