Apuntes completos R

Todo lo que necesitas de R. Si quieres el archivo R de estos apuntes mandame un correo ([email protected])

Creado por

Rafaela_Medel

Valoración1 voto

5.0

frame_exclamation

Nota de mi

python

# Para que te sirvan estos apuntes, pegalos en R
# Luego, para encontrar algo en estos apuntes: ctrl + F
# Tambien justo entre esta "pantalla" (en R-studio) y la consola esta el "outline" para navegar todo mas rapidamente
 
#RECORDAR USAR rm(list=ls()) o rm(lo que se quiera eliminar)
rm(list=ls())
rm(x)

folder_open

1. INFO SOBRE FUNCIONES

python

?nombre_funcion # Buscar dentro de R por ayuda 
 
# Para ejecutar una linea hacer ctrl + enter

folder_open

2. VARIABLES/OBJETOS

python

## 2.1 Asignación de valores ---------------------------------------------------
 
a <- 5**2        
x <- 5
y <- 2
 
b <- TRUE        # Booleano
 
# Estas se guardan y pueden ver en "Environment" cuando se ejecutan
 
## 2.2 Borrar y visualizar -----------------------------------------------------
 
rm(b)           # borra este objeto
rm(list=ls())   # borra todas las variables (Clear All global)
ls()            # ver todos los objetos creados

folder_open

3. OPERACIONES MATEMATICAS

python

5 + 2           # Suma
5 - 2           # Resta
5 * 2           # Multiplicación
5 / 2           # Division
5 ** 2          # Exponente
sqrt(2)         # Raiz cuadrada
log(a)          # Logaritmo natural de a
loga(2)         # Logaritmo base a de 2
exp(a)          # Exponente de a (e^a)
abs(a)          # Valor absoluto de a
sign(a)         # Signo de a (postivo -> 1, negativo -> -1)
choose(5, 2)    # Combinatoria (5 2) (De 5 escoger 2)

folder_open

4. OPERACIONES LÓGICAS

python

# Devuelven booleanos
 
x < y              # Menor que
x <= y             # Menor o igual que
x > y              # Mayor que
x >= y             # Mayor o igual que
x == y             # Igual a
x != y             # Diferente a
! (x > y)          # Negación (No)
(x > y) & (x < 10) # Y (and)
(x < y) | (y > 1)  # O (or)

folder_open

5. FUNCIONES

python

## 5.1 Crear una función -------------------------------------------------------
 
nombre_funcion <- function(argumentos) {
  # cuerpo de la función
  return(resultado)
}
 
## 5.2 Ejecutar una función ----------------------------------------------------
 
nombre_funcion(argumentos)
# notar que el return imprime automatico
 
# ejemplo:
suma <- function(x,y){
  resultado <- x+y
  return(resultado)

folder_open

6. CLASE DE OBJETOS

python

class(a)   # Ver la clase del objeto
 
## 6.1 Numeros ("numeric") -----------------------------------------------------
c <- 3504
c
class(c)
 
## 6.2 Texto ("character") -----------------------------------------------------
texto <- "Hola Mundo"
texto
class(texto)
 
as.character(3)                        # Transformar a texto
paste("Hola, ", nombre, "!", sep = "") # Transformar diferentes clases de objeto a texto y unirlas

folder_open

7. IMPORTAR / EXPORTAR ARCHIVOS

python

# cuando se importan se vuelven dataframes, por lo que se manipulan igual que esa categoria de datos
 
##Primera mirada de los datos
str(Tenis)
 
## 7.1 Importar datos ----------------------------------------------------------
 
### FORMA 1: archivos.txt (forma básica) ---------------------------------------
 
data <- read.table(file.choose(), header = TRUE)    #file.choose() abre un explorador para seleccionar el archivo  
# Header=TRUE si tiene nombres de columnas
 
# Si los decimales vienen con coma (",") en vez de punto:
data <- read.table(file.choose(), header = TRUE, dec = ",")

folder_open

8. ESTADISTICAS DESCRIPTIVAS DE ARCHIVOS/DATAFRAMES

python

names(Tenis)  # nombres de las variables
summary(Tenis) #Resumen de las estadisticas de las variables numericas
 
## 8.1 Variables Categoricas ---------------------------------------------------
 
table(Tenis$Temperatura)             # cuenta frecuencia de cada categroia
which.max(table(Tenis$Temperatura))  # posición de la categoría más frecuente y cual es
 
## 8.2 Medidas de tendencia central --------------------------------------------
 
mean(Tenis$Temperatura_Maxima)       # Promedio de las temperaturas maximas de la base de datos "Tenis"
median(Tenis$Temperatura_Maxima)     # Mediana de la temperatura maxima

folder_open

9. GRÁFICOS SIMPLES (DE DATAFRAMES, VECTORES O FUNCIONES)

python

# Para guardar gráficos podemos ir a la ventana Plots, dar click en export y guardar como imagen o pdf.
 
## 9.1 Gráficos de dispersión (scatterplot) ------------------------------------
 
plot(x = Tenis$Temperatura_Maxima,      # dato eje x
     y = Tenis$Temperatura_Minima,      # dato eje y
                                        # (no obligatorios...)
     pch  = 16,                         # tipo de punto (16 = solido)
     xlab = "T° máxima",                # titulo eje x
     ylab = "T° mínima",
     main = "Temperatura Máxima vs Mínima")  #titulo general
 
### Agregar puntos específicos -------------------------------------------------

folder_open

10. DPLYR

python

install.packages("dplyr")
library(dplyr)
 
# El pipe %>% permite encadenar funciones de forma ordenada.
# Lo que está a la izquierda pasa como primer argumento a la función siguiente.
 
## 10.1 PIPE (%>%) -------------------------------------------------------------
# f(g(h(x)))  se escribe como:
x %>% h() %>% g() %>% f()
 
# Ejemplo 1
c(1,2,3,4) %>% mean()
 
# Equivalente a:
mean(c(1,2,3,4))

folder_open

11. MODELOS DE PROBABILIDAD

python

#como ejemplo usaremos
.= 10
# pero podria ser cualquier cosa
 
 
# Notación estándar:
 
d___(x , parámetros)     # P(X = x) o densidad
 
p___(q , parámetros)     # P(X ≤ q)
 
q___(p , parámetros)     # cuantil p
 
r___(n , parámetros)     # muestra aleatoria de n datos que se comportan mas o menos ocmo la distribución
## mientras mas grande el n, mas se comporta enverdad como la distribución

folder_open

12. GRAFICOS DE DISTRIBUCIONES

python

## 12.1 Función de densidad ----------------------------------------------------
 
curve(dnorm(x,                            # dejar como x
            mean=550, sd=50),             # parametros
      from=400, to=700)                   # rango visual
 
## 12.2 Funcion de probabilidad acumulada --------------------------------------
curve(pnorm(x, mean=550, sd=50), from=400, to=700, xlab = "x", ylab = "Probabilidad acumulada")
 
 
## 12.3 Histograma con realizaciones -------------------------------------------
 
## histograma de la muestra tamaño n

folder_open

13. MULTIPLES VARIABLES ALEATORIAS

python

## 13.1 Distribución/Probabilidad conjunta --------------------------------------
# P(X = x , Y = y)
# La distribución conjunta describe la probabilidad de que dos
# variables aleatorias tomen simultáneamente valores específicos
 
### De base de datos -----------------------------------------------------------
 
# Ejemplo con base de datos: mtcars
# X: rendimiento (mpg), Y: potencia (hp)
X <- mtcars$mpg
Y <- mtcars$hp
 
# Tabla conjunta: frecuencias n(x, y)
tabla_conjunta <- table(X, Y)        # filas: valores de X, columnas: valores de Y

folder_open

14. TRANSFORMACIÓN DE VARIABLES

python

### Para esto usaremos de ejemplo el excel "maquina" del canvas
 
## Variables identicamente distribuidas ----------------------------------------
# Definir las variables, probablemente de una base de datos (X e Y)
X <- maquina$motor1       #basedatos$columna1
Y <- maquina$motor2       #basedatos$columna2
 
# Definir que tipo de distribucion siguen y sus parametros
# Usar summary() para obtener un analisis
# Graficar el histograma de ambas variables
 
par(mfrow = c(1,2))                              # par() define la grilla de gráficos (1 fila, 2 columnas)

folder_open

15. ESTIMACIÓN DE PARAMETROS

python

## 15.1 funciones utiles para estimación ---------------------------------------
 
# (1) OPTIMIZE:
# Funcion: optimizar una funcion definida
optimize(f = fx,                  # fx: función en 1 variable
         interval = c(a,b),       # intervalo donde buscar
         tol = 0.0001,            # tolerancia numérica
         maximum = TRUE)          # TRUE maximiza, FALSE minimiza
# (2) UNIROOT:
#encontrar la raiz de una ecuacion
#encuentra una sola raiz, la primera (en orden aleatorio)
uniroot(df = g,                    # df: función que queremos igualar a 0 (usualmente la derivada)