R Guia

Introducción a R y RStudio
Leticia Vega Alvarado ∗1

1
Instituto de Ciencias Aplicadas y Tecnología - UNAM
∗ leticia.vega@icat.unam.mx
14 Dec 2021
Índice
Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1 ¿Qué es R? . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.1 Historia . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.2 Distribuciones de R . . . . . . . . . . . . . . . . . . . . 7
1.1.3 Instalando R. . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 ¿Qué es RStudio . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.1 Distribuciones . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.2 Instalación . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3 Iniciando RStudio desde el servidor del curso . . . . . . . . . . . 8
2 Primeras nociones, un tour por RStudio . . . . . . . . . . . . . . 8

2.1 Ambiente de trabajo . . . . . . . . . . . . . . . . . . . . . . . 8
2.2 Paquetes de R . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2.1 Visualizando los paquetes instalados . . . . . . . . . . . . . 9
2.2.2 Cargando un paquete . . . . . . . . . . . . . . . . . . . 9
2.2.3 Visualizando las funciones de un paquete determinado . . . . . 10
2.2.4 Instalando paquetes . . . . . . . . . . . . . . . . . . . . 10
2.3 Consultando la ayuda . . . . . . . . . . . . . . . . . . . . . . . 11
2.3.1 Ejercicios 1 . . . . . . . . . . . . . . . . . . . . . . . . 11
2.4 Moviendose entre los directorios . . . . . . . . . . . . . . . . . 12
2.4.1 ¿Cuál es mi directorio de trabajo? . . . . . . . . . . . . . . 12
2.4.2 ¿Cómo cambio de directorio? . . . . . . . . . . . . . . . . 12
2.4.3 Consultando el contenido de un directorio . . . . . . . . . . . 13
2.5 Saliendo de R . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.5.1 Almacenando en un archivo los objetos creados en una sesión . 14
2.5.2 Almacenando, en un archivo, los comandos creados en una se-
sión . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.5.3 Ejercicios 2 . . . . . . . . . . . . . . . . . . . . . . . . 15
2.6 Manejo de proyectos (creación de subcarpetas data, doc, src, re-
sults) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3 Tipos de datos y objetos . . . . . . . . . . . . . . . . . . . . . . . 16

3.1 Variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.1.1 Reglas para nombres de variables . . . . . . . . . . . . . . 16
3.1.2 R es sensible a mayúsculas y minúsculas en los nombres de ob-
jetos . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.2 Tipos de datos . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.3 Valores perdidos . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.3.1 Ejercicios 3 . . . . . . . . . . . . . . . . . . . . . . . . 18
4 Operadores aritméticos, relacionales y lógicos . . . . . . . . . . 19

4.1 Operadores aritméticos . . . . . . . . . . . . . . . . . . . . . . 19
4.1.1 ¿Qué es el módulo? . . . . . . . . . . . . . . . . . . . . 19
4.1.2 Misma precedencia . . . . . . . . . . . . . . . . . . . . 20
4.1.3 Ejercicios 4 . . . . . . . . . . . . . . . . . . . . . . . . 21
4.2 Funciones matemáticas . . . . . . . . . . . . . . . . . . . . . . 21
4.3 Operadores relacionales y lógicos . . . . . . . . . . . . . . . . . 22
4.3.1 Operadores relacionales . . . . . . . . . . . . . . . . . . 22
4.3.2 Operadores lógicos . . . . . . . . . . . . . . . . . . . . 23
4.3.2.1 Operador and . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.3.2.2 Operador or . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.3.2.3 Operador lógico not . . . . . . . . . . . . . . . . . . . . . 25
4.3.2.4 Casos particulares NA y NaN . . . . . . . . . . . . . . . . . 25
4.4 Precedencia de operadores . . . . . . . . . . . . . . . . . . . . 26
4.5 Ejercicios 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
5 Vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
5.1 Creación de un vector . . . . . . . . . . . . . . . . . . . . . . 27
5.2 Adicionando elementos a un vector . . . . . . . . . . . . . . . . 27
5.3 Combinando vectores . . . . . . . . . . . . . . . . . . . . . . 28
5.4 Creación de vectores con secuencias numéricas usando : . . . . . 28
5.5 Accediendo a los elementos de un vector . . . . . . . . . . . . . 28
5.6 La función names . . . . . . . . . . . . . . . . . . . . . . . . . 29
5.7 Aritmética vectorial . . . . . . . . . . . . . . . . . . . . . . . . 30
5.8 Operaciones relacionales en un vector . . . . . . . . . . . . . . 30
5.9 Ejercicios 6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
6 Factores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
6.1 La función summary en factores . . . . . . . . . . . . . . . . . . 32
7 Dataframes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
7.1 Manejo de dataframes . . . . . . . . . . . . . . . . . . . . . . 34
7.2 Algunas funciones aplicables a dataframe . . . . . . . . . . . . . 35
7.3 Operaciones relacionales en data.frames . . . . . . . . . . . . . 36
2
7.4 Ejercicios 7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
8 Lectura de archivos . . . . . . . . . . . . . . . . . . . . . . . . . 37
8.1 La función read.table . . . . . . . . . . . . . . . . . . . . . . 37
8.2 Parámetros más comunes de read.table . . . . . . . . . . . . . 38
8.3 Algunas funciones para visualizar los datos . . . . . . . . . . . . 39
8.4 Variantes de read.table . . . . . . . . . . . . . . . . . . . . . 40
8.5 La función scan . . . . . . . . . . . . . . . . . . . . . . . . . . 40
9 Escritura de archivos . . . . . . . . . . . . . . . . . . . . . . . . . 40
9.1 La función write.table . . . . . . . . . . . . . . . . . . . . . . 40
9.2 La función write . . . . . . . . . . . . . . . . . . . . . . . . . 41
9.3 Ejercicios 8 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
10 Gráficas con ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . 41

10.1 ¿Qué es ggplot2? . . . . . . . . . . . . . . . . . . . . . . . . 42
10.2 ¿Cómo se generan las gráficas en R? . . . . . . . . . . . . . . . 42
10.3 Elementos principales de las gráficas de ggplot2 . . . . . . . . . 43
10.4 Instalando ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . 43
10.5 Conjunto de datos msleep . . . . . . . . . . . . . . . . . . . . . 44
10.6 Cargando ggplot2 y visualizando los datos msleep . . . . . . . . . 44
10.7 Primeros pasos en graficación . . . . . . . . . . . . . . . . . . 45
10.7.1 Mi primera gráfica . . . . . . . . . . . . . . . . . . . . . 46
10.8 Ejercicios 9 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
10.9 La estética (aes) . . . . . . . . . . . . . . . . . . . . . . . . . 48
10.9.1 Color . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
10.9.2 Tamaño, transparencia y forma . . . . . . . . . . . . . . . 50
10.9.3 Cambiando los colores y formas manualmente. . . . . . . . . 52
10.10 Ejercicios 10 . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
10.11 Más de una geometría en la gráfica . . . . . . . . . . . . . . . . 54
10.12 Agregando la geometría de tendencia . . . . . . . . . . . . . . . 55
10.13 Ejercicios 11 . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
10.14 Gráficas en múltiples paneles . . . . . . . . . . . . . . . . . . . 56
10.14.1 facet_grid() . . . . . . . . . . . . . . . . . . . . . . . 57
10.15 Ejercicios 12 . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
10.16 Modificando los títulos y su estilo . . . . . . . . . . . . . . . . . 58
10.16.1 Agregando títulos . . . . . . . . . . . . . . . . . . . . . 58
10.16.2 Modificando el estilo de los textos . . . . . . . . . . . . . . 60
10.17 Consultando las fonts disponibles . . . . . . . . . . . . . . . . 63
10.17.1 Ejercicios 13 . . . . . . . . . . . . . . . . . . . . . . . 63
10.18 Modificando el fondo de la gráfica . . . . . . . . . . . . . . . . . 63
3
10.18.1 Modificando el fondo de la gráfica con un fondo por defecto . . . 63

10.19 Ejercicios 14 . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
10.20 Otras geometrías . . . . . . . . . . . . . . . . . . . . . . . . . 64
10.20.1 Histogramas. . . . . . . . . . . . . . . . . . . . . . . . 65
10.21 Gráficas de cajas y bigotes (boxplots) . . . . . . . . . . . . . . . 67
10.22 Gráficas de barras . . . . . . . . . . . . . . . . . . . . . . . . 69
10.23 Ejercicios 15 . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
10.24 Guardando la imagen en un archivo . . . . . . . . . . . . . . . . 71
10.24.1 Guardando la imagen en un archivo utilizando ggsave() . . . . . 71
10.24.1.1 Cambiando el tamaño de la imagen y los dpi’s . . . . . . . 72
10.24.2 Guardando la imagen con instrucciones de R base y dev.off() . . 72
10.25 Ejercicios 16 . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
10.26 Ligas de información de gglpot2 . . . . . . . . . . . . . . . . . 73
11 Respuestas de Ejercicios . . . . . . . . . . . . . . . . . . . . . . 73
11.1 Solución Ejercicios 1 . . . . . . . . . . . . . . . . . . . . . . . 73
11.10 Solución Ejercicios 10 . . . . . . . . . . . . . . . . . . . . . . 80
12 Apéndices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
12.1 Apéndice 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
12.1.1 Iniciando R desde línea de comandos . . . . . . . . . . . . 83
12.1.2 Manejo de paquetes desde línea de comandos . . . . . . . . 83
12.1.3 Consultando la ayuda desde línea de comandos . . . . . . . . 84
12.1.3.1 Ayuda en general . . . . . . . . . . . . . . . . . . . . . . . 85
12.1.3.2 Ayuda relacionada a un término . . . . . . . . . . . . . . . 85
12.1.3.3 Ayuda sobre ejemplos de uso de una función . . . . . . . . 86
12.1.3.4 Ayuda sobre argumentos de una función . . . . . . . . . . . 87
12.1.3.5 Búsquedas aproximadas . . . . . . . . . . . . . . . . . . . . 87
4
12.2 Guardando y Cargando el Espacio de Trabajo desde línea de co-

mandos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
12.2.1 Almacenando, en un archivo, objetos específicos creados en una
sesión . . . . . . . . . . . . . . . . . . . . . . . . . . 88
12.2.2 Guardando y Cargando el Historial de Comandos desde línea de
comandos. . . . . . . . . . . . . . . . . . . . . . . . . 88
12.3 Apeéndice 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
12.3.1 Manipulación de Data frames con dplyr . . . . . . . . . . . . 88
12.3.2 ¿Qué es dplyr? . . . . . . . . . . . . . . . . . . . . . . 88
12.3.3 Gramátca de dplyr . . . . . . . . . . . . . . . . . . . . . 89
12.3.4 La función select() . . . . . . . . . . . . . . . . . . . . 89
12.3.5 La función filter() . . . . . . . . . . . . . . . . . . . . 90
12.4 Apéndice 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
12.5 facet_wrap() . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
12.6 Apéndice 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
12.6.1 Cambiando el fondo de mi gráfica de manera personalizada . . . 92
12.6.2 Asignando el diseño a un objeto . . . . . . . . . . . . . . . 93
12.7 Apéndice 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
12.7.1 Gráfica de Pie . . . . . . . . . . . . . . . . . . . . . . . 94
5
Objetivo
Tener una visión general de qué es R, para qué sirve, cómo instalarlo y brindar los conceptos
básicos de R para que los alumnos puedan utilizarlos para el manejo y análisis de datos. Así
como conocer la gramática básica (estética y capas geométricas) para la creación de gráficas
diferentes tipos de gráficas con el paquete ggplot2 .
1 Introducción
1.1 ¿Qué es R?
R es un entorno integrado para el manejo de datos, cálculo y procedimientos gráficos y
estadísticos. Los principales aspectos que ofrece son:
1. Facilidad para el manejo y el almacenamiento de datos.
2. Un conjunto de operadores para cálculo con vectores y matrices.
3. Una colección extensa e integrada de herramientas intermedias para el análisis estadístico
de datos.
4. Multitud de facilidades gráficas.
5. Un lenguaje de programación simple.
1.1.1 Historia
R fue desarrollado en los 90’s por Ross Ihaka y Robert Gentleman, del departamento de
Estadística de la Universdad de Aucklan. R es una implementación “open-source” del lenguaje
S ( Creado por John Chambers a principios de los 70’s ), que también es la base del sistema
S-Plus (entorno comercial). El desarrollo actual de R es responsabilidad del R Development
Core Team. Además, R dispone de una comunidad de desarrolladores/usuarios detrás que se
dedican constantemente a la mejora y a la ampliación de las funcionalidades y capacidades
del programa. Nosotros mismos podemos ser desarrolladores de R!!
Figura 1: Creadores de R [@ihaka1996]

Foto obtenida de (https://www.stat.auckland.ac.nz/~ihaka/downloads/the-r-project.pdf)
6
1.1.2 Distribuciones de R
R se distribuye para Windows ,Linux, MacOSX y Unix. Los programas fuentes, binarios y la
documentación de R, así como una lista de las preguntas más frecuentes acerca de R, se
encuentran en el sitio de CRAN Comprehensive R Archive Network.
1.1.3 Instalando R
Los pasos para instalar R son:

1. Entrar a http://cran.r-project.org/mirrors.html
2. Elejir uno de los servidores
3. En la sección de “Download and Install R”, entrar a la liga de Linux, MacOS X o
Windows según sea el caso.
4. Descargar
5. Iniciar instalación
Nota: Para fines prácticos de este curso, no haremos la instalación de R.
1.2 ¿Qué es RStudio

RStudio es un entorno de desarrollo integrado (IDE, por sus siglas en inglés) para R, que
facilita la tarea de uso interactivo de R y la programación de scripts. En este sentido, RStudio
nos ofrece:
1. Visualización de los gráficos integrada en el mismo entorno
2. Acceso cómodo a la ayuda electrónica sobre R
3. Un editor que nos permite guardar nuestro trabajo
4. Una consola para la ejecución de código.
5. Editor de sintaxis que apoya la ejecución de código
6. Auto completado de código y sangría inteligente
7. Ejecución de código de R directamente desde el editor de código fuente.
1.2.1 Distribuciones
RStudio esta disponible en versiones open source y comercial, para escritorio (Windows, Mac
y Linux) o desde web usando RStudio Server o RStudio Server Pro.
RStudio dispone de hojas de consulta rápida, que facilitan el aprendizaje y el uso de algunos
de sus paquetes.
1.2.2 Instalación
1. Instalar R, si no se encuentra previamente instalado. Ver la sección Instalando R.

2. Ir a https://www.rstudio.com.
3. Seleccionar Download RStudio.
4. Descargar RStudio, dependiendo. de nuestro sistema operativo (Windows, Mac o Linux).
5. Iniciar instalaión.
7
Figura 2: Icono de RStudio
Una vez instalado, puedes iniciar RStudio, dando doble clic en el ícono de RStudio.
Nota: Para fines prácticos de este curso, no haremos la instalación de RStudio. Por otra parte,
en este curso trabajaremos R desde el ambiente de trabajo de RStudio. Sin embargo, en el
Apéndice 1, se muestran una breve descripción de R desde línea de comandos, por ejemplo:
Iniciando R desde línea de comandos.
1.3 Iniciando RStudio desde el servidor del curso

Para nuestro taller trabajaremos en RStudio desde un servidor. Para acceder a RStudio
debemos:
1. Ingresar a http://132.248.32.180:8787
2. Proporcionar nuestro usuario y password, y de manera automática se abrirá el ambiente
de trabajo de RStudio.
2 Primeras nociones, un tour por RStudio

2.1 Ambiente de trabajo
RStudio por defecto tiene cuatro páneles de trabajo (Figura 3):
1. El panel inferior izquierdo es una consola de R en la que se puede escribir, ejecutar
código, así como mostrar resultados del código que se va ejecutando.
2. El panel superior izquierdo es un editor de código, en este panel se abren los archivos
en pestañas.
3. El panel superior derecho es para mostrar las variables en el entorno y un histórico de
comandos ejecutados.
4. El panel inferior derecho contiene varias pestañas, entre ellas destacan files (muestra
el directorio de archivos), plots (muestra las gráficas según se van ejecutando) y help
(muestra la página de ayuda de las funciones cuando se soliciten).
2.2 Paquetes de R
Las funciones de R se agrupan en paquetes (packages). Los paquetes que contienen las
funciones más habituales se incluyen por defecto en la distribución de R, y el resto se
encuentran disponibles en CRAN.
8
Figura 3: Ambiente de trabajo de RStudio
2.2.1 Visualizando los paquetes instalados
Para visualizr los paquetes que tenemos instalados seleccionamos la pestaña de Packages,
que se encuentra en el panel inferior derecho de nuestro ambiente de trabajo (Figura 3, panel
4). Los paquetes que se encuentran seleccionados (Figura 4), son aquellos que estan cargados
y listos para usarse. Para utilizar un paquete instalado, es necesario cargarlo. Al iniciar R se
cargan por defecto los paquetes básicos, por ejemplo: graphics y stats, entre otros.
Figura 4: Paquetes instalados
2.2.2 Cargando un paquete
Para cargar un paquete en particular se selecciona la casilla del paquete que queremos utilizar.
Por ejemplo, si queremos usar el paquete ggplot2, marcamos la casilla correspondiente a este
paquete (Figura 5).
Figura 5: Cargando un paquete
9
2.2.3 Visualizando las funciones de un paquete determinado
Para visualizar las funciones contenidas en un paquete, daremos clic en el paquete que
queremos consultar y posteriormente nos mostrará la documentación del paquete. Por ejemplo
si damos clic en ggplot2 nos mostrará sus funciones (Figura 6).
Figura 6: Visualización de funciones de un paquete
2.2.4 Instalando paquetes
Para instalr un paquete, seleccionamos Install que se encuentra en la pestaña de paquetes. En

automático se abrirá una ventana en la cual escribiremos el nombre del paquete que queremos
instalar, por ejemplo: knitr. La casilla donde escribimos el nombre del paquete, cuenta con la
función de autocompletado, por lo tanto si hay algún valor coincidente (que comience por
los caracteres escritos) te los mostrará (Figura 7). Es importante marcar la casiilla Install
dependencies, para que se instalen todas las dependencias, es decir, programas o paquetes
que requiere el paquete que estamos instalando. Posteriormente, daremos clic en el botón
Install e iniciará el proceso de instalación.
Figura 7: Instalación del paquete knitr
Nota: En el Apéndice 1 se muestran algunos comandos para el Manejo de paquetes desde

línea de comandos.
10
2.3 Consultando la ayuda

Para consultar la ayuda seleccionamos la pestaña Help, que se encuentra en el panel inferior
derecho de nuestro ambiente de trabajo (Figura 3, panel 4). En esa pestaña encontraremos
varios botones y campos para llenado (Figura 8).
1. Campo de búsqueda
2. Ayuda de R. Documentación general de R y RStudio
3. Mostrar Ayuda en una ventana emergente
Figura 8: Menú de Ayuda
Para solicitar ayuda de un comando en particular, escibimos el comando en el campo de

búsquedadel, damos enter y en automático apaecerá la ayuda. Por ejemplo, podemos solicitar
ayuda de matrix (Figura 9)
Figura 9: Menú de Ayuda
Como podemos observar en la Figura 9. La ayuda nos proporciona la descripción del comando
consultado, sus argumentos y ejemplos, entre otra información.
Además, podemos realizar busquedas por aproximación, es decir, poniendo sólo una parte del
término que busacamos o por un tema. Así, se desplegarán todas las páginas de ayuda en
donde aparece dicho término. Por ejemplo, si buscamos el término “clustering” veremos, los
paquetes en los que aparece ese término.
Nota: En el Apéndice 1 se muestran algunos comandos para el Consultando la ayuda desde
línea de comandos.
2.3.1 Ejercicios 1
1. Busca qué hace la función rm

2. ¿Cuáles son los argumentos de la función rep?
3. Proporciona tres paquetes que contengan el término prediction.
11
Las respuestas se encuentran disponibles en: Solución Ejercicios 1
2.4 Moviendose entre los directorios

El directorio de trabajo de R, corresponde a la ruta desde donde se inicia R. Cuando queremos
trabajar con archivos, R los busca por defecto en el directorio de trabajo. Para visualizar
archivos, cambiar o consultar el directorio de trabajo, seleccionamos la pestaña Files, que se
encuentra en el panel inferior derecho de nuestro ambiente de trabajo (Figura 3, panel 4). En
esa pestaña encontraremos diversos botones y un administrador de archivos (Figura 10A).
1. More. Funciones relacionadas con archivos o el directorio de trabajo.
2. Home. Para moverse a nuestro directorio raíz, que no necesariamente tiene que ser el
mismo del directorio de trabajo.
La Figura 10B, corresponde al menú que se despliega con More
Figura 10: Menú de File
2.4.1 ¿Cuál es mi directorio de trabajo?
Para movernos al directorio de trabajo, seleccionamos Go To Working Directory del menú

More (Figura 10B) y en automático nos lleverá al directorio de trabajo. También desde línea
de comandos podemos escribir:
getwd()
[1] "/home/alumnoX"
2.4.2 ¿Cómo cambio de directorio?
Para cambiar de directorio de trabajo:

1. Nos movemos a la carpeta que queremos definir como el dierectorio de trabajo, por
medio del administrador de archivos.
2. Seleccionamos Set As Working Directory del menú More.
12
Desde línea de comandos podemos usar la instrucción setwd( ) y en los parentesis ponemos
la dirección hacia donde queremos movernos.
setwd("/home/alumnoX/R")
Si consultamos nuevamente cuál es el directorio de trabajo, veremos que cambió.

getwd()
[1] "/home/alumnoX/R"
2.4.3 Consultando el contenido de un directorio
Para consultar el contenido de un directorio, nos movemos al directorio de interés, por medio
del administrador de archivos o desde línea de comandos usamos la instrucción dir( ) y en
los parentesis ponemos la ruta del directorio que queremos consultar. Si dejamos los parentesis
vacíos, nos mostrará el contenido del directorio de trabajo. por ejemplo:
dir()
2.5 Saliendo de R
Para salir de RStudio seleccionamos Quit RStudio de RStudio o Quit Session en File en
el menú principal (Figura 11).
Figura 11: Menú Principal RStudio
También podemos escribir en la consola:

q()
# O podemos escribir la palabra completa
quit()
## Save workspace image? [y/n/c]:
Antes de cerrar la sesión, R nos preguntará si queremos almacenar el ambiente de trabajo, es

decir, objetos y comandos usados en la sesión. Si le decimos que si, entonces los objetos se
guardarán en un archivo llamado .RData, que es de tipo binario y los comandos se almacenarán
en el archivo .Rhistory, que es de tipo texto. Estos dos archivos se guardan en el directorio
de trabajo y quedan como archivos ocultos. La siguiente vez que iniciemos una sesión de R en
el mismo directorio de trabajo, el ambiente de trabajo y todos los objetos se restablecerán.
13
2.5.1 Almacenando en un archivo los objetos creados en una sesión
Puedes almacenar los objetos que se crearon en tu sesión en un archivo y después llamarlos,
sin tener que cerrar R. Para almacenar todos los objetos utilizamos los botones y menús que
se encuentran en la pestaña Enviroment en el panel superior derecho de nuestro ambiente
de trabajo (Figura 3, panel 3).
Para ver cómo funciona, crearemos dos objetos y los almacenaremos
x<-5
palabra<-"hola"
Como podemos observar en la sección Enviroment se muestran los objetos que acabamos
de crear (Figura 12). Para guardar todos los objetos en un archivo, con el nombre y ruta
que le especifiquemos, seleccionamos el ícono marcado con 1 en la Figura 12. Por ejemplo,
guardaremos en el archivo “MisObjetos” (en el directorio de trabajo) los objetos creados hasta
el momento.
Figura 12: Ambiente de los objetos
Si nos movemos al directorio donde guardamos el archivo “MisObjetos”, veremos que por
defecto R coloca la extención “.RData” al archivo.
Para cargar los objetos almacenados en el archivo MisObjetos, utilizamos el ícono marcado
con 2 en la Figura 12 y seleccionamos el archivo que queremos cargar.
En el Apéndice 1 se describe cómo guardar los objetos desde línea de comandos en la sección
Guardando y Cargando el Espacio de Trabajo desde línea de comandos
2.5.2 Almacenando, en un archivo, los comandos creados en una sesión
También podemos guardar el historial de los comandos utilizados en una sesión. Para ello
usaremos los botones de la pestaña History, que se encuentra en el panel superior derecho
de nuestro ambiente de trabajo (Figura 3, panel 3). En la ventana de la pestaña History, se
muestran todos los comandos que hemos escrito en la sesión (Figura 13).
Para guardar los comandos en un archivo, con el nombre y ruta que le especifiquemos,
seleccionamos el ícono marcado con 1 en la Figura 13. Por ejemplo, guardaremos en el archivo
“MisComandos” (en el directorio de trabajo) los comandos utilizados hasta el momento.
Para cargar los comandos almacenados en el archivo MisComandos, utilizamos el ícono
marcado con 2 en la Figura 13 y seleccionamos el archivo que queremos cargar.
14
Figura 13: Historial de comndos
En el Apéndice 1 se describe cómo guardar el historial de comandos desde línea de comandos

en la sección Guardando y Cargando el Historial de Comandos desde línea de comandos.
2.5.3 Ejercicios 2
1. Busca los archivos .RData y .Rhistory.

2. ¿Cómo veo el contenido del archivo .Rhistory?
3. ¿En qué directorio fueron creados los archivos .RData y .Rhistory?
4. ¿Por qué se crearon ahí?
2.6 Manejo de proyectos (creación de subcarpetas data, doc,

src, results)
Existen diversas maneras de organizar nuestros proyectos, con la finalidad de hacer más fácil el
manejo de los mismos. Una de las herramientas útiles de RStudio es la de gestión de proyectos,
que nos permite crear un pryecto autocontenido y reproducible. Para este curso crearemos un
proyecto en RStudio, donde se almacenará todo lo que desarrollemos en el curso.
Para crear un proyecto:
1. Hacer clic en el menú File, luego en New Project.
2. Hacer clic en New Directory
3. Hacer clic en Empty Project
4. Introducir el nombre del directorio para guardar tu proyecto, por ejemplo: “ModuloR”
5. Hacer clic en el botón Create Project
En el directorio “ModuloR” se crea un objeto de extensión .RProj. Cuando abrimos este objeto,
con un doble clic, se abre una sesión de RStudio y se establece, de manera automática, a
“ModuloR”, como el directorio de trabajo.
Ahora crearemos dentro de nuestro proyecto las siguientes carpetas:
• doc: parar guardar toda la documentación pertinente al proyecto
• dat: que contiene los datos iniciales, es decir, sin procesar.
• scr: para almacenar programas o código en R
• res: donde se almacenarán los resultados finales o parciales (gráficos, informes, etc.)
15
3 Tipos de datos y objetos

En términos generales, todos los elementos que maneja R son objetos: un valor numérico es
un objeto, una variable es un objeto, un vector es un objeto, una función es un objeto, una
base de datos es un objeto, un gráfico es un objeto, . . .
3.1 Variables
Las variables son localidades de memoria a las que les asignamos un nombre para almacenar
un valor que puede cambiar en el transcurso de un programa. La Figura, muestra de manera
esquemática cómo se representan las variables en la memoria.
Figura 14: Representación de variables en la memoria
En R existen 3 maneras de hacer asignaciones de valores a las variables, utilizando los símbolos:
<-, ->, = . Por ejemplo:
A = 3
B <- 125
8 -> Y
Si una operación no es asignada a una variable, la operación se realizará y su resultado sólo

se desplegará en la pantalla, pero no quedará almacenada. Por ejemplo:
3
## [1] 3
125 - 48
## [1] 77
2/5
## [1] 0.4
Nota: Podemos agregar comentarios a nuestro código utilizando el caracter #. Es

muy útil documentar el código, ya que lo hace más entendible. Por ejemplo:
# La variable num_gene almacena el numero de genes del genoma
num_gene<-3600
genoma<-"Gsulf" # genoma guarda el nombre del genoma
3.1.1 Reglas para nombres de variables
Al momento de definir el nombre de una variable debemos tomar en consideración las siguientes
reglas:
16
1. No deben comenzar con un número

2. No deben contener espacios en blanco
3. No deben contener símbolos especiales, excepto guión bajo ( _ ) o punto( . ).
Ejemplos de nombres inválidos son:
Factor de cambio = 2
1x <- 32
mes-actual = "enero"
Algunos ejemplos de nombres válidos son:

Factor.de.cambio = 2
x1 <- 32
mes_actual = "enero"
sexo <- "fem"; curso2017 <-"Estadistica"; x<-25
b <- 3 -
+ 8
Notas:
1) Como vimos en el ejemplo anterior, cada comando puede estar en una línea o varios
comandos por línea separados por “;”.
2) Si al escribir un comando damos enter y el comando queda incompleto, entonces, de
manera automática R colocará un símbolo de más (+) indicando que el comando se
encuentra incompleto y permitiendo completarlo. Mientras no se complete el comando,
seguirá apareciendo el símbolo +, cada vez que demos enter.
3.1.2 R es sensible a mayúsculas y minúsculas en los nombres de objetos
Si bien es cierto que los nombres de variables pueden contener mayúsculas y minúsculas, es
importante mencionar que, R distingue entre mayúsculas y minúsculas. Por ejemplo:
edad <-3
Edad <-6
EDAD <-25
EdAd <-10
Todas las definiciones anteriores son variables diferentes.
3.2 Tipos de datos

En R (como en otros lenguajes de programación) hay diferentes tipos de datos; dentro de los
más utilizados estan los numéricos, lógicos y alfanuméricos (cadenas, strings en inglés). Por
ejemplo:
Edad <- 18 # Valor numérico
LogFoldC <- 2.0075 # Valor numérico
resultado <- TRUE # Valor lógico o booleano
geneName = "CRP" # Valor alfanumérico (caracter)
17
Nota: Es importante resaltar que los valores de tipo caracter deben ser delimitados
por comillas simples o dobles, de lo contrario R considera que es el nombre de un
objeto.
3.3 Valores perdidos

Los valores perdidos constituyen una clase particular de dato, que se codifica siempre como NA
(Not Available), independientemente de que la variable sea numérica o alfanumérica. Estos
valores sirven, por ejemplo, cuando se registran datos y no es posible obtener la información
de algunas variables para determinados casos. Con carácter general cualquier operación que
involucre a un valor perdido dará como resultado también NA. Por ejemplo:
escolaridad<-NA
estado_civil<-NA
Una segunda clase de valores “perdidos” en R corresponden a cálculos numéricos cuyos

resultados son indefinidos o infinitos, como por ejemplo, log(−1) o 50 . En el caso de los valores
indefinidos, el resultado que devuelve R es NaN (Not a Number ), y para los valores infinitos
puede devolver Inf o -Inf. Por ejemplo:
5/0 # Valor Infinito
## [1] Inf
log(-1) # Valor indefinido
## Warning in log(-1): NaNs produced
## [1] NaN
-3/0 # Valor Infinito negativo
## [1] -Inf
# Los valores se pueden asignar a variables
x<-5/0
y<-log(-1)
3.3.1 Ejercicios 3
1. ¿Cuáles de las siguientes definiciones son correctas?

varible.Uno <- 10
25 <- "curso R"
Sqrt25 <- 5
nombre-25 <- 50
resultado <- 10/0
cer0<-3/-Inf
Inf<-48
18
4 Operadores aritméticos, relacionales y lógicos

R, entre otras cosas puede realizar operaciones aritméticas básicas, así como operaciones
relacionales y lógicas. En esta sección veremos los operadores aritméticos, relacionales y
lógicos, así cómo las funciones matemáticas más usuales ya predefinidas en R listas para ser
usadas.
4.1 Operadores aritméticos

Los operadores aritméticos, más habituales en R se detallan en la Tabla.
Cuadro 1: Operadores aritméticos
Operador Símbolo Ejemplos

Suma + 9 + 25
Resta - 80 - 9.65
Multiplicación * 12.2 * 15
División / 2/3
Exponenciación ** o ^ 3 ** 4
Módulo/Residuo %% 2%% 3
4.1.1 ¿Qué es el módulo?
El módulo es el residuo de una división entera, por ejemplo, el resultado de 7 módulo 2 es 1,

como podemos observar en la siguiente figura.
knitr::include_graphics("imagenes/Modulo.png")
Los resultados de los ejemplos se muestran a continuación:

9 + 25
## [1] 34
80 - 9.65
## [1] 70.35
12.2 * 15
## [1] 183
2 / 3
## [1] 0.6666667
3 ** 4
19
## [1] 81
2 %% 3
## [1] 2
En R, al igual que en matemáticas, las operaciones tienen un orden de evaluación definido

(precedencia). Cuado tenemos diversos operadores en una misma expresión, algunos de estos
operadores se aplican antes que otros y el resultado final de expresión dependerá de la
precedencia de los operadores.
El orden de operaciones incluye a los operadores aritméticos, relacionales, lógicos y de
asignación. Sin embargo, en principio veremos el orden de las operaciones aritméticas y
asignación.
knitr::include_graphics("imagenes/PrioridadOperadores_1.png")
Por ejemplo: 6 ^ 2 -20 * 2 se evaluará como -4.
# En este caso se evalua primero la exponeciación, posterior

# la multiplicación y finalmente la resta
6 ^ 2 - 20 * 2
## [1] -4
# En este caso se realiza primero la exponenciación, posterior

# la resta y finalmente la multiplicación
(6 ^ 2 - 20) * 2
## [1] 32
# En este caso se realiaza primero la resta, posteriormente la

# exponenciación y fimnalmente la multiplicación
6 ^ (2 - 20) * 2
## [1] 1.96928e-14
4.1.2 Misma precedencia
Cuando los operadores tienen la misma precedencia, entonces la evaluación se realiza de

izquierda a derecha, por ejemplo:
# Si evaluamos la expresión
20
3/4/5
## [1] 0.15
Si queremos cambiar el orden en el que se realiza la operación, podemos utilizar los paréntesis.
Es decir, por ejemplo:
# CAmbiando el orden deen que se realizan las operaciones
3/(4/5)
## [1] 3.75
4.1.3 Ejercicios 4
1. Predice el resultado, luego corrobóralo:

a. 8+2
b. 13 / 4
c. 6 + 5 * 10 - 3
d. 6 + 5 * (10 - 3)
e. 9 (8 - 4)
f. A+b
g. A <- 5; a <- 11; A + a
h. c <- “prueba”
i. a+c
2. Calcula algunos datos sobre una circunferencia a partir de su radio.
a. Guarda en la variable radio el radio de la circunferencia con la que vamos atrabajar.
b. Calcula el perímetro de la circunferencia (2π × radio)
c. Calcula el área del círculo delimitado por dicha circunferencia (π × radio2 )
3. Escribe las siguientes expresiones aritméticas en R:
a
+1
b
a+b
c+d
c
(a + b)
d
c + ab
d + ac
4.2 Funciones matemáticas

Además de las operaciones aritméticas básicas, R cuenta con una serie de funciones matemá-
ticas, asi como diversas funciones útiles en estadística. Algunas de estas funciones se detallan
en la Tabla 2.
Los resultados de los ejemplos de funciones se muestran a continuación.
21
Cuadro 2: Algunas funciones matemáticas
Función Símbolo Ejemplos

Raíz cuadrada sqrt() sqrt(25)
coseno cos() cos(0)
logaritmo log() log(2)
Redondeo round() round(3.85)
valor absoluto abs() abs(48 - 90)
sqrt(25)
## [1] 5
cos(0)
## [1] 1
log(2)
## [1] 0.6931472
round(3.85)
## [1] 4
abs(48 - 90)
## [1] 42
4.3 Operadores relacionales y lógicos

4.3.1 Operadores relacionales
Los operadores relacionales se utilizan para comparar dos valores. El resultado de la comparación
es de tipo lógico, es decir, toma un valor de Verdadero o Falso. Los operadores relacionales
pueden aplicarse sobre todos los tipos de datos. En la Tabla 3 se muestran los operadores
relacionales.
Cuadro 3: Operadores relacionales
Operador Símbolo Ejemplo

Igual == 5 == 3
Menor que < 5 <3
Menor o igual que <= 5 <= 3
Mayor que > 5 >3
Mayor o igual que >= 5 >= 3
Diferente != 5 != 3
Veamos cuáles son los resultados de los ejemplos anteriores.

5 == 3
## [1] FALSE
5 < 3
## [1] FALSE
5 <= 3
## [1] FALSE
22
5 > 3
## [1] TRUE
5 >= 3
## [1] TRUE
5 != 3
## [1] TRUE
Veamos otros ejemplos de estos operadores:

5 == 10/2
## [1] TRUE
x<- 10
y <- 25
automovil<- "Toyota"
nombre<-"Julia"
x < 50
## [1] TRUE
y >= 32
## [1] FALSE
x == y
## [1] FALSE
nombre != automovil
## [1] TRUE
nombre <= automovil
## [1] TRUE
4.3.2 Operadores lógicos
Los operadores lógicos son usados para evaluar proposiciones lógicas. Las proposiciones son
enunciados aseverativos que pueden ser evaluados en términos de verdadero (TRUE ) o falso
(FALSE ). Los operadores lógicos más utilizados son los que se describen en la Tabla 4..
Cuadro 4: Operadores lógicos
Operador Símbolo Ejemplo

Y & (5 > 3) & (8 == 25)
O | (5 > 3) | (8 == 25)
Negación ! !(5 > 3)
(5 > 3) & (8 == 25)

## [1] FALSE
(5 > 3) | (8 == 25)
## [1] TRUE
!(5 > 3)
## [1] FALSE
23
Las modalidades son: ( & ) cumplimiento en forma simultanea de las dos expresiones, para que
el resultado sea verdadero, de lo contrario será falso, ( | ) cumplimiento alternativo, es decir
por lo menos una de las expresiones debe ser verdadera, para que el resultado sea verdadero,
de los contrario será falso. ( ! ) cumplimiento negado, si la expresión se evalua en verdadera
al negarla el resultado será falso y viceversa.
4.3.2.1 Operador and Veamos el uso del operador and con e le siguiente ejemplo. Para
determinar si un valor x se encuentra en el intervalo [5,10], utilizamos el operador (&). Es
decir, para establecer que el valor x se encuentra en el intervalo, éste debe ser mayor o igual a
5 y menor o igual a 10.
knitr::include_graphics("imagenes/IntervaloAnd.png")
# Verificar si un número x se encuentra en el intervalo [5, 10]

x<-7
(x >= 5) & (x <= 10)
## [1] TRUE
# Ahora si cambiamos el valor de x

x<-12
(x >= 7) & (x <= 10)
## [1] FALSE
4.3.2.2 Operador or Ahora veamos un ejemplo del operador or . En este caso queremos
determinar si el valor x está fuera del intervalo [5,10]. Para saberlo se requiere que el valor de
x sea menor que 5 o mayor que 10.
knitr::include_graphics("imagenes/IntervaloOr.png")
24
# Verificar si un número x no se encuentra en el intervalo [5, 10]

x <- 15
(x < 5) | (x > 10)
## [1] TRUE

x <- 8
(x < 5) | (x > 10)
## [1] FALSE
Casado<- TRUE
!Casado
## [1] FALSE
4.3.2.3 Operador lógico not Retomando el ejercicio anterior, donde queremos saber si
un valor x está fuera del intervalo [5, 10], es decir, que no pertenece a dicho intervalo. En
este caso podemos utilizar el operador negación.
# Verificar si un número x no se encuentra en el intervalo [5, 10]
x<-15
!((x >= 5) & (x <= 10))
## [1] TRUE

x<-8
!((x >= 7) & (x <= 10))
## [1] FALSE
4.3.2.4 Casos particulares NA y NaN Para saber si un objeto contiene el valor de NA o

NaN, no utilizamos los operadores relacional (== o !=), porque el resultado será nuevamente
el valor perdido. Por ejemplo:
x <- NA
y<-log(-10)
x
## [1] NA
y
## [1] NaN
x == NA
## [1] NA
y != NA
## [1] NA
Para identificar si los objeto x o y contienen un valor perdido, utilizamos las funciones is.na o
is.nan. Por ejemplo:
25
is.na(x)
## [1] TRUE
is.nan(y)
## [1] TRUE
is.nan(x)
## [1] FALSE
is.na(5)
## [1] FALSE
4.4 Precedencia de operadores

En la siguiente tabla podemos observar la precedencia de los operadores aritméticos, relacio-
nales, lógicos y de asignación.
4.5 Ejercicios 5
1. Escribir la expresión necesaria para evaluar si el valor almacenado en la variable x,
coincide con alguno de una serie de valores, por ejemplo 2, 7 y 9.
2. Escribir la expresión necesaria para evaluar si el valor almacenado en la variable no
coincide con alguno de una serie de valores, por ejemplo 2, 7 y 9
3. Escribe una expresión lógica que compruebe si una variable contiene un valor par. Nota:
el operador % % devuelve el resto de la división entera.
4. Intenta predecir el resultado de evaluar las siguientes expresiones lógicas. Piensa en el
orden en que se evalúan las subexpresiones dentro de cada expresión. Los valores de las
variables son: a <- TRUE, b <- TRUE, c <- FALSE, d <- FALSE.
a. c || !a && b
b. ! (a || c) || b && !c
c. ! (! (! (a && c || d)))
d. !(5<3) && a || !(d || c)
26
5 Vectores
Un vector en R, es esencialmente una lista ordenada de elementos, donde todos los elementos
son del mismo tipo (enteros, caracteres, . . . ) y se encuentran agrupados bajo un mismo
nombre. La función más utilizada para generar un vector, es c( ) (de combine). Datos
simples como un valor numérico son en realidad un vector. Por ejemplo:
3
## [1] 3
En este caso, un vector de tipo numérico y de longitud igual a 1. Para verificar si un valor es
un vector, utilizamos la función is.vector().
is.vector(3)
## [1] TRUE
5.1 Creación de un vector

La función c() nos permite crear un vector. Esta función recibe como argumento los elementos,
que queremos combinar en el vector, separados por coma. Por ejemplo:
# Vector numerico
edades<-c(25,8,52,18,0,93)
# Vector de cadenas
nombres<-c("Ana","Luis","Juan","Paty","Jair","Mary")
# Vector logico
casado<-c(TRUE,FALSE,TRUE,FALSE)
Para ver los valores de los vectores que acabamos de crear, tecleamos el nombre del vector,
por ejemplo:
edades
## [1] 25 8 52 18 0 93
5.2 Adicionando elementos a un vector

Existen diversas formas para agregar un elemento a un vector, una de ellas es volver a utilizar
el operador compose (c), por ejemplo:
# Vector numerico
casado <- c(casado, FALSE,FALSE)
casado
## [1] TRUE FALSE TRUE FALSE FALSE FALSE
En este caso reasignamos el resultado al mismo objeto casado.
27
5.3 Combinando vectores

Para combinar vectores utilizaremos nuevamente la función c(), por ejemplo, podemos crear
dos vectores y posteriormente combinarlos en un tercero.
vec_1<-c(1,2,3)
vec_2<-c(9,8,7)
vec_3<-c(vec_2,vec_2)
vec_3
## [1] 9 8 7 9 8 7
Si intentamos combinar datos de diferentes tipos en un mismo vector, R realizará coerción

automáticamente. El vector resultante será del tipo más flexible entre los datos que contenga,
siguiendo las reglas de coerción. En principio el tipo más flexible es el caracter. Por ejemplo
vec_tip_mezclado <- c(33,"casa",TRUE,8.03)
vec_tip_mezclado
## [1] "33" "casa" "TRUE" "8.03"
En este caso todos los datos se convierten a tipo caracter.
5.4 Creación de vectores con secuencias numéricas usando :

Se pueden crear vectores de secuencias numéricas usando :. Antes de los dos puntos escribimos
el número de inicio de la secuencia y después de los dos puntos, el número final.Por ejemplo:
# Seuncia del 1 al 8
1:8
## [1] 1 2 3 4 5 6 7 8
# Secuncia de -20 a 10
-5:3
## [1] -5 -4 -3 -2 -1 0 1 2 3
5.5 Accediendo a los elementos de un vector

Además de las funciones que operan sobre todos los elementos del vector, R permite manipular
solo una parte del vector. Para extraer partes de un vector, usamos corchetes cuadrados. Como
podemos observar en la siguente figura, los elementos de un vector están ordenados y constan
de un índice. Por lo tanto para hacer referencia a algún elemento, colocamos en el corchete el
índice del elemento al que queremos acceder.
28
# Primer elemento del vector

edades[1]
## [1] 25
# Quinto elemento del vector

edades[5]
## [1] 0
# Elementos no consecutivos
edades[c(1,3,6)]
## [1] 25 52 93
# Elementos consecutivos
edades[2:5]
## [1] 8 52 18 0
Para excluir algunos elementos del vector, utilizamos el signo menos( - ). Por ejemplo:
# Para excluir algún elemento
edades[-c(3)]
## [1] 25 8 18 0 93
edades[-c(1,3)]
## [1] 8 18 0 93
5.6 La función names

Es posible asignarle etiquetas (nombres) a un vector por medio de la función names(). Por
ejemplo, al vector de edades, le podemos poner como etiquetas los valores de vector nombres.
29
# Asignando etiquetas al vector edades

names(edades)<-nombres
# Visualizando nuevamente el vector edades

edades
## Ana Luis Juan Paty Jair Mary
## 25 8 52 18 0 93
# Accediendo a los elementos del vector edades por la etiqueta

edades["Ana"]
## Ana
## 25
edades[c("Mary","Juan")]
## Mary Juan
## 93 52
# Accediendo a los elementos del vector edades por los indices

edades[1]
## Ana
## 25
edades[c(6,3)]
## Mary Juan
## 93 52
5.7 Aritmética vectorial

R tiene aritmética vectorial, por lo que los vectores pueden aparecer en operaciones aritmáticas,
afectando o modificando con la operación a cada uno de los elementos del vector. Por ejemplo:
# Visualizando el contenido de vec_3
vec_3
## [1] 9 8 7 9 8 7
# Multiplicando cada uno de los elementos de vec_3 por 10

vec_3 * 10
## [1] 90 80 70 90 80 70
# Sumando 2 a cada uno de los elementos de vec_3

vec_3 + 2
## [1] 11 10 9 11 10 9
5.8 Operaciones relacionales en un vector

Al aplicar operaciones relacionales, obtenemos un vector de TRUE y FALSE. Por ejemplo:
# Visualizando el contenido de edades
edades
30
## 25 8 52 18 0 93
# Obteniendo las edades mayores o iguales a 18

edades >= 18
## TRUE FALSE TRUE TRUE FALSE TRUE
Si queremos visualizar, solamente los elementos que cumplen la condición entonces utilizamos
la siguiente expresión:
# Visualizando el contenido de edades
edades
## 25 8 52 18 0 93
# Obteniendo las edades mayores o iguales a 18

edades[edades >= 18]
## Ana Juan Paty Mary
## 25 52 18 93
Algunas funciones que se pueden aplicar a los vectores son:

mean(edades) # promedio de los valores del vector
## [1] 32.66667
max(edades) # máximo de los valores del vector
## [1] 93
min(edades) # mínimo de los valores del vector
## [1] 0
sum(edades) # suma de los elementos del vector
## [1] 196
length(edades) # longitud del vector
## [1] 6
Nota: Las matrices son objetos de dos dimensiones que contienen renglones y
columnas. Al igual que en el caso de los vectores en las matrices sólo podemos
almacenar datos del mismo tipo (por ejemplo numéricos o caracteres).
5.9 Ejercicios 6
1. Para cada una de las siguientes asignaciones, indica, de qué tipo es el vector resultante:
a. N<-c(5,“cinco”)
b. Solucion<- c(TRUE,FALSE,TRUE)
c. Res<-(uno,1)
2. Genere un vector con las mediciones del tamaño (superficie), de por lo menos 5 planetas
diferentes.
a. Agregue los nombres a cada planeta usando la función names.
b. Calcule del tamaño el: promedio, mínimo y máximo.
c. Agregue dos planetas más, junto con sus datos de superficie.
31
3. Escribe una expresión que simule el lanzamiento de una moneda 10 veces. Obtén como
resultado de la expresión un vector de valores “cara” y “cruz”. Cuenta las ocurrencias
de cara y cruz, y la proporción de cada valor. Tip, revise la función sample.
4. Crea un vector aleatorio de 10 elementos y selecciona aquellos elementos del vector que
ocupan índices impares. Usa seq para expresar el vector de índices impares y la función
rnorm para generar los números aleatorios.
6 Factores
Los factores son variables categóricas que pueden ser numéricas o de tipo carácter. Un ejemplo
clásico de una variable categórica es el “genero”, ya que sólo toma dos valores: “femenino”
o “masculino”. Para crear un objeto de tipo factor se utiliza la función factor( ) sobre un
vector. Por ejemplo:
Tejidos <- factor(c("higado","pancreas","higado","pancreas","higado"))
Tejidos
## [1] higado pancreas higado pancreas higado
## Levels: higado pancreas
Experimentos <- factor(c("WT","Control","Control","WT","WT","Control"))
Experimentos
## [1] WT Control Control WT WT Control
## Levels: Control WT
Como podemos observar levels contiene las diferentes categorías del factor. A cada categoría
R le asigna un número identificador por orden alfabético. Para ver las categorías de un objeto
tipo factor se utiliza el comando levels(). Por ejemplo:
levels(Tejidos)
## [1] "higado" "pancreas"
6.1 La función summary en factores

En el caso de los factores, la función summary cuantifica el número de elementos por categoría.
summary(Tejidos)
## higado pancreas
## 3 2
7 Dataframes
Los dataframe son objetos de dos dimensiones que contienen renglones y columnas. Este tipo
de objeto es muy similar a las matrices, pero su princial diferencia es que los dataframe pueden
almacenar diferentes tipos de datos, es decir, cada columna puede ser de un tipo distinto. En
32
general un dataframe se crea al hacer uso de la función read.table(), que se encarga de

leer un archivo. Sin embargo, también se puede generar con la función data.frame(). Por
ejemplo:
# Podemos hacer un data.frame con los
# vectores definidos en la seccion de vectores
asegurados<-data.frame(edades=c(25,8,52,18,0,93),
nombres=c("Ana","Luis","Juan","Paty","Jair","Mary"),
casado=c(TRUE,FALSE,TRUE,FALSE,FALSE,FALSE))
asegurados
## edades nombres casado
## 1 25 Ana TRUE
## 2 8 Luis FALSE
## 3 52 Juan TRUE
## 4 18 Paty FALSE
## 5 0 Jair FALSE
## 6 93 Mary FALSE
También podemos generar primero los vectores y posteriormente utilzarlos en el dataframe

ed<-c(25,8,52,18,0,93)
nom<-c("Ana","Luis","Juan","Paty","Jair","Mary")
cas<-c(TRUE,FALSE,TRUE,FALSE,FALSE,FALSE)
asegurados<-data.frame(edades=ed,nombres=nom,casado=cas)
Como podemos observar, la primera columna del dataframe contiene valores numéricos
consecutivos, estos valores representan los nombres de cada uno de los renglones (los cuales
deben ser valores únicos, es decir, no puede haber nombres repetidos). Si al momento de
generar el dataframe, los nombres de los renglones no son proporcionados, por default se
asignaran valores numéricos. Para poner nombres al momento de generar el dataframe,
agregamos el parámetro row.names, Por ejemplo:
asegurados<-data.frame(edades=c(25,8,52,18,0,93),
nombres=c("Ana","Luis","Juan","Paty","Jair","Mary"),
casado=c(TRUE,FALSE,TRUE,FALSE,FALSE,FALSE),
row.names=c("10-20","15-30","10-18","10-09","15-12","12-32"))
asegurados
## 10-20 25 Ana TRUE
## 15-30 8 Luis FALSE
## 10-18 52 Juan TRUE
## 10-09 18 Paty FALSE
## 15-12 0 Jair FALSE
## 12-32 93 Mary FALSE
33
7.1 Manejo de dataframes

Para acceder a los elementos de un data.frame, usamos corchetes cuadrados. Como podemos
observar en la siguente figura, los elementos de un vector están ordenados y constan de un
índice para los renglones y otro para las columnas. Por lo tanto para hacer referencia a algún
elemento, colocamos en el corchete los índice del elemento(s) al que queremos acceder.
asegurados[1,1] # Obtiene el elemento de la columna 1 y renglón 1

## [1] 25
asegurados[5,1] # Obtiene el elemento del renglón 5 columna 1
## [1] 0
asegurados[,c(1,3)] # Obteniendo elementos no consecutivos
## edades casado
## 10-20 25 TRUE
## 15-30 8 FALSE
## 10-18 52 TRUE
## 10-09 18 FALSE
## 15-12 0 FALSE
## 12-32 93 FALSE
asegurados[2:5,] # Obteniendo elementos consecutivos
## 10-18 52 Juan TRUE
asegurados[,-c(3)] # Excluyendo la columna 3
## edades nombres
## 10-20 25 Ana
## 15-30 8 Luis
## 10-18 52 Juan
## 10-09 18 Paty
## 15-12 0 Jair
## 12-32 93 Mary
34
asegurados[-c(1,3),] # Excluyendo el renglón 1 y 3

Las columnas del dataframe pueden ser accedidas de manera individual de tres formas
diferentes.
1) Utilizando el símbolo $ y el nombre de la columna que queremos extraer, si nosotros no
le asignamos de manera explicita nombres a las columnas, R les asigna V1, V2, . . . , de
manera automática. Pero para estar seguros cómo se llaman las columnas utilizamos el
comando names(nombre_del_dataframe) y no aparecerá el nombre de cada columna.
Consultemos los nombres de nuestro dataframe asegurados.
names(asegurados)
## [1] "edades" "nombres" "casado"
asegurados$nombres # Extrayendo la columna nombres, por medio del operador $

## [1] "Ana" "Luis" "Juan" "Paty" "Jair" "Mary"
2) Poniendo entre corchetes el nombre de la columna que queremos consultar, el nombre

de la columna debe ir entre comillas.
asegurados ["nombres"]
## nombres
## 10-20 Ana
## 15-30 Luis
## 10-18 Juan
## 10-09 Paty
## 15-12 Jair
## 12-32 Mary
3) Poniendo entre cochetes el número o índice de la columna que queremos consultar.

asegurados[,2]
## [1] "Ana" "Luis" "Juan" "Paty" "Jair" "Mary"
7.2 Algunas funciones aplicables a dataframe

Podemos utilizar algunas de las funciones que vimos para vectores y/o matrices (mean, max,
dim, nrow y ncol, names, entre otras).
dim(asegurados) # Obtiene el número de renglones y columnas de la matriz

## [1] 6 3
head(asegurados) # Muestra los primeros 6 renglones
## 10-20 25 Ana TRUE
## 10-18 52 Juan TRUE
35

tail(asegurados) # Muestra los últimos 6 renglones
## 10-20 25 Ana TRUE
## 10-18 52 Juan TRUE
max(asegurados) # Calculando el máximo de los elementos
## Error in FUN(X[[i]], ...): only defined on a data frame with all numeric variables
rowSums(asegurados) # Suma de los elementos por renglon
## Error in rowSums(asegurados): 'x' must be numeric
colSums(asegurados) # Suma de los elementos por columna
## Error in colSums(asegurados): 'x' must be numeric
Como podemos observar al querer realizar operaciones numéricas (max, min, rowSums, col
Sums) sobre todo el dataframe nos marca un error, debido a que algunas de sus columnas no
son de tipo numérico. En ete caso se pueden seleccionar sólo las columnas numéricas donde
se aplicacrán dichos operadores.
7.3 Operaciones relacionales en data.frames

De la misma forma que con los vectores, con los dataframes podemos hacer algunas consultas
directas sobre todos los elementos o un conjunto de ellos, utilizando los Operadores relacionales
(mayor que, igual que, etc.) y los Operadores lógicos (and, or, not). Al aplicar estas operaciones
obtenemos los resultados en términos lógicos, es decir, TRUE y FALSE por ejemplo:
# Obteniendo del data.frame asegurados los asegurados,
# mayores de 18 años
asegurados[,1] >= 18
## [1] TRUE FALSE TRUE TRUE FALSE TRUE
Como podemos observar los resultados de la comparación aparecen en términos de verdadero

o falso, es decir, son valores lógicos. Si queremos acceder a los valore de aquellos elementos
que se evalúan de manera verdadera, lo hacemos de la siguiente manera:
asegurados[asegurados[,1] >= 18, ]

## 10-20 25 Ana TRUE
## 10-18 52 Juan TRUE
Es decir, colocamos en corchetes la condición, indicando que queremos los valores de los
elementos que cumplen esa condición.
36
7.4 Ejercicios 7
1. Con los siguientes vectores, genere un dataframe, llamado planetas.
name = c("Mercury", "Venus", "Earth", "Mars", "Jupiter", "Saturn", "Uranus", "Neptune")
type = c("Terrestrial planet", "Terrestrial planet","Terrestrial planet",
"Terrestrial planet", "Gas giant","Gas giant", "Gas giant", "Gas giant")
diameter = c(0.382, 0.949, 1, 0.532, 11.209, 9.449, 4.007,3.883)
rotation = c(58.64, -243.02, 1, 1.03, 0.41, 0.43, -0.72, 0.67)
rings = c(FALSE, FALSE, FALSE, FALSE, TRUE, TRUE, TRUE,TRUE)
2. Obenga el promedio de los valores de las columnas diameter y rotation
3. Aplique la función summary al objeto planetas y vea que sucede.

4. obtenga:
a. Todos los planetas con un diámetro (diameter) mayor a 1.
b. Los planetas que tengan anillos (rings) y que el valor de rotación (rotation) sea
menor o igual 0.5
8 Lectura de archivos
Para lectura y escritura de archivos R utiliza por defecto el directorio de trabajo, a menos
que le digamos de manera explicita la dirección donde se leerán o escribirán los archivos.
Recordemos que si queremos saber en qué directorio estamos, utilizamos el comando getwd,
que vimos en la sección ¿Cuál es mi directorio de trabajo? y para cambiar de directorio, lo
haremos con el comando setwd, que vimos en la sección ¿Cómo cambio de directorio?.
Con R podemos leer archivos de texto (ASCII) utilizando las siguientes funciones:
• read.table (que tiene algunas variantes)
• scan
Se pueden leer otro tipo de formatos como son Excel, SPSS, entre otros, pero las funciones
que se necesitan para la lectura de estos archivos no vienen dentro del paquete básico de R,
se requiere la instalación de otros Paquetes de R.
8.1 La función read.table

Por medio de la función read.table leemos archivos en formato tabular y se crea un dataframe
para su almacenamiento. Los argumentos de la función y sus valores por defecto los podemos
ver Consultando la ayuda.
?read.table
## read.table package:utils R Documentation

##
## Data Input
##
37
## Description:
##
## Reads a file in table format and creates a data frame from it,
## with cases corresponding to lines and variables to fields in the
## file.
##
## Usage:
##
## read.table(file, header = FALSE, sep = "", quote = "\"'",
## dec = ".", numerals = c("allow.loss", "warn.loss", "no.loss"),
## row.names, col.names, as.is = !stringsAsFactors,
## na.strings = "NA", colClasses = NA, nrows = -1,
## skip = 0, check.names = TRUE, fill = !blank.lines.skip,
## strip.white = FALSE, blank.lines.skip = TRUE,
## comment.char = "#",
## allowEscapes = FALSE, flush = FALSE,
## stringsAsFactors = default.stringsAsFactors(),
## fileEncoding = "", encoding = "unknown", text, skipNul = FALSE)
8.2 Parámetros más comunes de read.table

Por ejemplo, tenemos el archivo conteos.txt y vamos a ver qué características tiene, en
términos de 1) si tiene nombres de columnas, 2) cómo están separados sus campos (tabulador,
espacio en blanco, comas, etc.), entre otras, con la finalidad de seleccionar los parámetros
necesarios para leer el archivo.
external_gene_id Mutant2_1 Mutant2_2 Mutant2_3 wildType_1 wildType_2 wildTypen_3
# Este es un comentario
2L52.1 422 465 441 278 262 256
2RSSE.1 1644 1849 1841 922 998 928
2RSSE.2 82 74 75 30 42 59
pot-3 154 139 161 190 181 174
nas-6 305 297 333 266 248 275
4R79.2 59 44 58 32 41 44
6R55.2 0 0 1 2 3 2
sri-20 7 4 5 4 6 3
spe-10 13 8 3 11 10 3
# Este es otro comentario
AC3.12 0 0 0 0 0 0
ugt-49 758 755 732 835 872 837
abu-1 117 146 164 143 118 144
Una vez que visualizamos el archivo podemos seleccionar los parámetros necesarios para leerlo,
para leer el archivo utilizaríamos la siguiente instrucción:
countTable<-read.table("/Data/conteos.txt",sep = "\t", header = T, row.names = 1)
Aunque nuestro archivo contiene nombres de columnas y nombres de renglones, la función

read.table no los identifica por defecto, para ello necesitamos definir algunos parámetros,
los cuales podemos ver en la ayuda. En general los parámetros más utilizados son:
38
header = T # Para indicar que el primer renglón del archivo contienen

los nombres de las columnas
sep # Para indicar qué tipo de separador tenemos, por lo general es tabulador
row.names # Para indicar en qué columna se encuentran los nombres de los renglones
comment.char # Para indicar el símbolo que se usará para poner comentarios.
stringsAsFactors # Para indicar si los valores de tipo caracter son considerados como
factores o no.
Nota: Cuando el parámetro header=FALSE, las columnas son etiquetadas por

defecto como V1, V2, . . . Vn. Por otra parte, si no se especifica el parámetro
row.names, los renglones son etiquetados con valores secuenciales que inician en
“1”.
8.3 Algunas funciones para visualizar los datos

Para visualizar los datos tenemos funciones como:
# Visualizando los primeros renglones
head(countTable)
## Mutant2_1 Mutant2_2 Mutant2_3 wildType_1 wildType_2 wildTypen_3
## 2L52.1 422 465 441 278 262 256
## 2RSSE.1 1644 1849 1841 922 998 928
## 2RSSE.2 82 74 75 30 42 59
## pot-3 154 139 161 190 181 174
## nas-6 305 297 333 266 248 275
## 4R79.2 59 44 58 32 41 44
# Visualizando el numero de renglones y columnas
dim(countTable)
## [1] 20259 6
# Visualizando los ultimos renglones
tail(countTable)
## Mutant2_1 Mutant2_2 Mutant2_3 wildType_1 wildType_2 wildTypen_3
## ZK973.9 212 241 248 251 227 272
## ceh-45 27 40 32 25 17 15
## ZK993.2 38 25 53 21 29 21
## ZK994.1 1 0 0 1 1 1
## pxn-1 2149 2254 1925 1398 1429 1325
## ZK994.6 21 11 19 20 11 14
# Visualizando los nombres de las columnas
names(countTable)
## [1] "Mutant2_1" "Mutant2_2" "Mutant2_3" "wildType_1" "wildType_2"
## [6] "wildTypen_3"
# Visualizando los primeros nombres de renglones
head(row.names(countTable))
## [1] "2L52.1" "2RSSE.1" "2RSSE.2" "pot-3" "nas-6" "4R79.2"
39
8.4 Variantes de read.table

Las variantes de read.table que pueden ser de utilidad, ya que contienen algunos parámetros
por defecto diferentes, son:
read.csv(file, header = TRUE, sep = ",", quote="\"", dec=".”, fill = TRUE, ...)
read.csv2(file, header = TRUE, sep = ";", quote="\"", dec=",”,fill = TRUE, ...)
read.delim(file, header = TRUE, sep = "\t", quote="\"", dec=".”, fill = TRUE, ...)
read.delim2(file, header = TRUE, sep = "\t", quote="\"", dec=",”,fill = TRUE, ...)
8.5 La función scan

La función scan permite leer archivos especificando el tipo de datos que se van a leer, por lo
tanto sólo puede leer archivos con valores del mismo tipo, es decir, sólo numéricos o sólo de
tipo carácter. El resultado de la lectura del archivo queda en formato de vector o lista, en este
sentido, no se recomienda utilizar esta función para hacer lectura de datos que se encuentre
en formato de tabla. Dado que para los fines de este curso sólo haremos lecturas de tablas
no profundizaremos en la función scan. Sin embargo, pueden consultar la descripción de la
misma en la ayuda.
9 Escritura de archivos
La escritura de datos a un archivo se realiza por medio de dos funciones:
• write.table y las variantes write.csv y write.csv2
• write
9.1 La función write.table

La función write.table nos permite guardar los datos de una dataframe en un archivo, con
un formato de tabla. write.table tiene una serie de argumentos para indicar, cómo queremos
que se almacenen los datos. Por ejemplo, si se incluyen los nombres de renglón, de columna,
el tipo de separador, entre otros. Los argumentos de la función y sus valores por default los
podemos consultar en la ayuda.
?write.table
Usage:
write.table(x, file = "", append = FALSE,quote = TRUE, sep = " ",* eol = "\n", na
= "NA", dec = ".", row.names = TRUE, col.names = TRUE, qmethod = c("escape", "dou
ble"), fileEncoding = "")
Los parámetros más utilizados son los que se encuentran en letras itálicas:
sep: Para indicar el tipo de separador
row.names: Para indicar si la tabla se guarda con nombres de renglones o no
40
col.names: Para indicar se la tabla se guarda con nombres de columnas o no
Por ejemplo, utilizando el objeto countTable, que leímos anteriormente, eliminaremos los
renglones de ceros y guardaremos los resultados en un archivo llamado conteosSinCeros.txt,
utilizando la función write.table.
Primero verificaremos cuántos renglones tiene el objeto countTable, posteriormente elimi-
nemos los renglones con ceros y veremos con cuántos renglones nos quedamos. Finalmente,
guardaremos los resultados en el archivo.
# Verificando el número de renglones
nrow(countTable)
## [1] 20259
# Eliminando los renglones de ceros

countTableSinCeros<- countTable [rowSums(countTable)>0,]
# Verificando el número de renglones resultantes

nrow(countTableSinCeros)
## [1] 18878
# Guardando la tabla de conteos, donde se eliminaron

# los renglones con solo ceros
write.table(countTableSinCeros,"conteosSinCeros.txt",quote=FALSE,sep="\t")
El archivo conteosSinCeros.txt, debe tener 18879 renglones y 6 columnas, considerando

que guardamos los nombres de las columnas.
9.2 La función write

La función write, se utiliza generalmente para almacenar objetos de tipo vector o matriz. Para
efectos de este curso, no haremos uso de esta función, dado que trabajaremos en general con
tablas y por lo tanto utilizaremos write.table. Sin embargo, se puede consultar la descripción
de write en la ayuda.
9.3 Ejercicios 8
1. Utilizando la función write.table, almacene en un archivo el objeto planetas, creado
en Ejercicios 7.
La respuesta se encuentran disponibles en: Solución Ejercicios 8
10 Gráficas con ggplot2

La visualización es una tarea fundamental durante el análisis de datos, sobre todo cuando se
tienen grandes cantidades de información. Una buena representación gráfica, puede mostrar
cosas que no se esperaba o permitir plantear nuevas preguntas sobre los datos. Pero, también
41
podría indicar que se esta haciendo la pregunta incorrecta o que se requiere una nueva
recolección de datos. Las representaciones gráficas pueden ser sorprendentes, sin embargo,
siempre requieren a un ser humano para su interpretación.
R es un herramienta muy potente para el análisis estadístico de datos y la graficación. Existen
diversos paquetes para graficar, tres de los más utilizados son:
• Graphics
• lattice
• ggplot2
En este curso, nos centraremos en ggplot2, que es muy potente y versátil para realizar gráficos
con calidad para publicación.
10.1 ¿Qué es ggplot2?

ggplot2 es un paquete para crear gráficas y forma parte del paquete tidyverse. ggplot2 fue
creado por Hadley Wickham en 2009, basado en el libro Grammar of graphics de Leland
Wilkinson, de hecho eltérmino gg, viene justamente de “grammar of graphics”**. Este
libro presenta una serie de ideas sobre cómo debería hacerse la representación gráfica de datos
estadísticos.
La idea principal de esta propuesta es que todos los gráficos pueden generarse mediante un
lenguaje regular con una determinada sintaxis. Es decir, que podemos tener una serie de reglas
comunes para crear una representación visual.
10.2 ¿Cómo se generan las gráficas en R?

Las gráficas en R operan sobre lo que se conoce como un “modelo de pintor ”, es decir, no
se dibujan en una sola operación, sino que requieren varias “capas” de trazado diferentes,
colocadas una encima de la otra, como se muestra en la Figura 1.
Figura 15: Modelo de pintor (Introduction to ggplot2, Babraham bioinformatics, 2015.)
En este sentido, las capas inferiores están obscurecidas por las capas superiores, permitiendo
mezclar, enmascarar y superponer objetos. Es importante mencionar que no se pueden deshacer
las operaciones que se realizan a la gráfica, es necesario volver a ejecutar el código desde cero.
42
10.3 Elementos principales de las gráficas de ggplot2

Los componentes de una gráfica en ggplot son los siguientes:
• Datos: conjunto de datos representados en un data.frame
• Estética: la estética que determina, cómo se representarán visualmente los datos en
términos ejes (x,y), color, tamaño, forma, etc.
• Geometría: geometría que se utilizará para la representación de los datos a graficar
(puntos, líneas, polígonos, etc.)
• Facetas: para generar gráficas en multipaneles.
• Estadísticas: para colocar estadíticos, como barras de ajuste.
• Coordenadas: para cambiar transformar el sistema de coordenadas, por ejemplo a
coordenadas polares.
• Temas: características estéticas de la gráfica, por ejemplo, el fondo, las líneas de la
cuadrícula, entre otras.
Las tres primeras capas (Datos, estética y geometría) son las más importantes y son necesarias
y las capas restantes se utilizan solo si serequieren.
Con ggplot se pueden generar diversos tipos de gráficos, como son los gráficos de barras, de
puntos, de líneas, entre otros. Para hacer una consulta de estos gráficos se puede revisar las
hojas de consulta rápida (“cheatsheet”), que se encuentran en el sitio de RStudio en la
sección Resorces (https://www.rstudio.com/resources/cheatsheets/)
10.4 Instalando ggplot2

La instalación del paquete ggplot2 se puede realizar, desde R, de dos maneras:
1. Instalando el paquete tidyverse , el cual incluye al paquete ggplot2.
install.package(“tidyverse”, dependencies=TRUE)
2. Instalando solo ggplot2
install.package(“ggplot2”, dependencies=TRUE)
43
10.5 Conjunto de datos msleep

Existen diversos conjuntos de datos en R con los que se puede explorar el tema de graficación,
los cuales se pueden consultar utilizando el comando:
data()
Sin embargo, para este curso utilizaremos el conjunto de datos [msleep], el cual se encuentra
por defecto en el paquete de ggplot2.
El data.frame contienen un conjunto de datos con los habitos de sueño de diversos
mamíferos, los cuales están bsados en artículo “A quantitative, theoretical framework
for understanding mammalian sleep”, de V. M. Savage y G. B. West. Proceedings of
the National Academy of Sciences, 104 (3):1051-1056, 2007.
10.6 Cargando ggplot2 y visualizando los datos msleep

Para poder utilizar las funciones del paquete ggplot2, primero, debemos cargar la bibloteca
ggplot2, utilizando la función library.
library(ggplot2)
Una vez cargado el paquete de ggplot2, podemos visualizar el conjunto de datos msleep y
verificar los nombres de las columnas y el número de renglones y columnas.
• ¿Cuántas columnas y renglones tiene?
• ¿Cuáles son los nombres de las columnas?
# Obtener número de renglones y columnas.
dim(msleep)
## [1] 83 11
# Obtener nombres de las columnas

names(msleep)
## [1] "name" "genus" "vore" "order" "conservation"
## [6] "sleep_total" "sleep_rem" "sleep_cycle" "awake" "brainwt"
## [11] "bodywt"
# Visualizando los primeros renglones

head(msleep)
## # A tibble: 6 x 11
## name genus vore order conservation sleep_total sleep_rem sleep_cycle awake
## <chr> <chr> <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl>
## 1 Cheetah Acin~ carni Carn~ lc 12.1 NA NA 11.9
## 2 Owl mo~ Aotus omni Prim~ <NA> 17 1.8 NA 7
## 3 Mounta~ Aplo~ herbi Rode~ nt 14.4 2.4 NA 9.6
## 4 Greate~ Blar~ omni Sori~ lc 14.9 2.3 0.133 9.1
## 5 Cow Bos herbi Arti~ domesticated 4 0.7 0.667 20
## 6 Three-~ Brad~ herbi Pilo~ <NA> 14.4 2.2 0.767 9.6
## # ... with 2 more variables: brainwt <dbl>, bodywt <dbl>
44
Para visualizar el significado de cada una de las columnas del conjunto de datos msleep,
podemos utilizar la ayuda.
# Obtener la descripcion del conjunto msleep
help(msleep)
## Usage
##
## msleep
##
## Format
##
## A data frame with 83 rows and 11 variables:
##
## name
## common name
## genus
## vore
## carnivore, omnivore or herbivore?
## order
## conservation
## the conservation status of the animal
## sleep_total
## total amount of sleep, in hours
## sleep_rem
## rem sleep, in hours
## sleep_cycle
## length of sleep cycle, in hours
## awake
## amount of time spent awake, in hours
## brainwt
## brain weight in kilograms
## bodywt
## body weight in kilograms
10.7 Primeros pasos en graficación

Supongamos que queremos visualizar, cuál es la relación que existe entre el número de
horas dormidas por día (sleep_total) del animal y su peso (bodywt).. Para la graficación
ggplot2 tiene 2 comandos:
qplot()
ggplot()
Para este taller solo utilizaremos el comando ggplot(). Recoredemos cómo es la gramática
de las gráficas.
45
10.7.1 Mi primera gráfica
ggplot(data = msleep,
aes(x = bodywt, y = sleep_total)) +
geom_point()
20
15
sleep_total
10
0 2000 4000 6000

bodywt
podemos omitir el data= y solo poner el nombre del data.frame donde se encuentran los datos.
ggplot(msleep,
geom_point()
46
20
15
sleep_total
10
0 2000 4000 6000

bodywt
Por otra parte, ¿Qué sucede si quitamos la geometría de alguna de las instrucciones anteriores?
ggplot(msleep,
aes(x = bodywt, y = sleep_total))
20
15
sleep_total
10
0 2000 4000 6000

bodywt
No graficaría los datos, dado que no le dijimos cómo hacerlo, en este sentido, es importante
mencionar que llamar sólo a la función ggplot no es suficiente para dibujar una figura.
Necesitamos decirle a ggplot cómo queremos representar visualmente los datos, por eso
agregamos la capa geom.
10.8 Ejercicios 9
1. De los datos DNase, que vienen en las bases de datos de R:
47
• Explore los datos del dataframe, ¿cuántas columnas y renglones tiene?, ¿qué
describe cada dato?
• Grafique la densidad (en el eje de las y) vs.la concentración.
10.9 La estética (aes)

La estética (aesthetic) es una propiedad visual de los objetos en tu gráfica e incluye caracte-
rísticas como el tamaño, la forma o el color de los mismos. Usamos la palabra “level”
para describir las propiedades estéticas. Color, tamaño y forma son ejemplos de levels que
describen la estética.
10.9.1 Color
Por ejemplo, podemos cambiar la estética de los puntos en términos del color. Modifica-
remos el código de ejercicio anterior para colorear los puntos de acuerdo al tipo de alimentación
(vore) de los animales.
# Como vore contiene NA´s, filtramos primero los renglones con NA`s
keep_rows <- !(is.na(msleep$vore))
# Graficando en colores los puntos
ggplot(msleep[keep_rows, ], aes(x = bodywt, y = sleep_total,
color = vore)) +
geom_point()
20
15
vore
sleep_total
carni
herbi
10 insecti
omni
0 2000 4000 6000

bodywt
¿Qué sucede si queremos cambiar el color de todos los puntos a azul? ¿Cómo lo haríamos?
Podríamos pensar en agregar color = "blue" en la estética de los puntos. ¿Funcionaría?
ggplot(msleep, aes(x = bodywt, y = sleep_total,
48
color = "blue")) +
geom_point()
20
15
sleep_total
colour
blue
10
0 2000 4000 6000

bodywt
¿Por qué no funciona? Porque el color no está asociado a ninguna variable, es decir es un valor
constante, por lo tanto simplemente movemos la especificación de color fuera de cualquier
función aes y colocamos la especificación de color de manera local en geom_point, como se
muestra a continuación:
ggplot(msleep, aes(x = bodywt, y = sleep_total)) +
geom_point(color="blue")
20
15
sleep_total
10
0 2000 4000 6000

bodywt
Para consultar los códigos de los colores, podemos poner:
49
colors()
10.9.2 Tamaño, transparencia y forma
Otros niveles (“levels”) que podemos modificar en la estética son el tamaño, la transparencia
y la forma. Para modificar el tamaño usamos size, para modificar la transparencia utilizamos
alpha y para modificar la forma utilizamos shape. Las modificaciones las podemos realizar:
• De manera constante
• Asociado a los valores de una variable
Cambiemos ahora el tamaño de los puntos en función del peso del cerebro de los animales
(brainwt). Dado que es un valor que está asociado a una variable, colocamos el parámetro
size dentro de la función aes.
keep_rows <- !is.na(msleep$vore) & !is.na(msleep$brainwt)

ggplot(data = msleep[keep_rows, ],
aes(x = bodywt, y = sleep_total,
color=vore,size = brainwt)) +
geom_point( )
20
brainwt
1
15 2
3
4
sleep_total
10 vore
carni
herbi
insecti
omni
5
0 2000 4000 6000

bodywt
Ahora cambiemos la transparencia de los puntos de una forma constante. Dado que es un
valor constante, no está asociado a alguna variable, por lo tanto este nivel queda de manera
local dentro de la geometría.
color = vore, size = brainwt)) +
geom_point(alpha=0.5)
50
20
brainwt
1
15 2
3
4
sleep_total
10 vore
carni
herbi
insecti
omni
5
0 2000 4000 6000

bodywt
Finalmente, realicemos modificaciones en términos de la forma. Cambiemos ahora la forma de

los puntos en función del tipo de alimentación (vore) de los animales. Dado que es un valor
que está asociado a una variable, colocamos el parámetro shape dentro de la función aes.
color = vore, size = brainwt,
shape = vore)) +
geom_point( )
20
brainwt
1
15 2
3
4
sleep_total
10 vore
carni
herbi
insecti
omni
5
0 2000 4000 6000

bodywt
Los símbolos de las formas tienen asociado un valor numérico. En la siguiente Figura se
muestra los diversos símbolos. En este sentido podemos cambiar el valor de la forma a un
valor constate asociado a un símbolo determinado.
51
NotaLa la transparencia y el tamaño, se utilizan con variables numéricas,

mientras el color y la forma se utilizan con variables categóricas.
10.9.3 Cambiando los colores y formas manualmente
Por defecto cuando agregamos color a la gráfica los colores que se ponen ya están establecidos,
lo mismo pasa con la forma, ya está definida. Sin embargo, podemos modificar estos valores,
por medio de las siguientes capas:
1. scale_color_manual y
2. scale_shape_manual
Por ejemplo:
# Como vore contiene NA´s, filtramos primero los renglones con NA`s
ggplot(msleep[keep_rows, ], aes(x = bodywt, y = sleep_total,
color = vore)) +
geom_point() +
scale_color_manual(values=c("blue","olivedrab","red","pink"))
52
20
15
vore
sleep_total
carni
herbi
10 insecti
omni
0 2000 4000 6000

bodywt
Recordemos que cada forma tiene un valor numérico asociado. Por lo tanto podemos establecer
los símbolos de acuerdo a dicho valor numérico. Por ejemplo:
color = vore, shape = vore)) +
geom_point( ) +
scale_color_manual(values=c("blue","olivedrab","red","pink")) +
scale_shape_manual(values=c(0,1,2,3))
20
15
vore
sleep_total
carni
herbi
insecti
10
omni
0 2000 4000 6000

bodywt
53
10.10 Ejercicios 10
1. De la gráfica que realizamos en Ejercicios 9, cambiar el color de los puntos con base en
la columna Run. Además, colocar un símbolo distinto al punto y cambiar la transparencia
a 0.4.
Solución Ejercicios 10
10.11 Más de una geometría en la gráfica

¿Cómo visualizaríamos puntos y líneas en la misma gráfica? Agregando dos geometrías al
mismo tiempo, una para graficar puntos y otra para líneas. Por ejemplo:
color = vore)) +
geom_line() +
geom_point()
20
15
vore
sleep_total
carni
herbi
10 insecti
omni
0 2000 4000 6000

bodywt
Recordemos que cada capa se dibuja encima de la capa anterior. En este ejemplo, los puntos se
han dibujado sobre las líneas. Para visualizar mejor el orden de pintado de las capas, sacaremos
de las opciones globales el color.
geom_line(aes(color=vore)) +
geom_point(color="grey40", shape=8,size=2)
54
20
15
vore
sleep_total
carni
herbi
10 insecti
omni
0 2000 4000 6000

bodywt
10.12 Agregando la geometría de tendencia

Otra tipo de graficas en las cuales podemos tener más de una geometría, son aquellas en las
cuales incorporamos una línea de tendencia, para ver como se correlacionan los datos. Para
agregar la línea de tendencia utilizamos la geometría geom_smooth(). Por ejemplo vamos a
graficar la relación que existe entre el peso del animal y las horas de sueño.
geom_point() +
scale_x_log10() +
geom_smooth()
## `geom_smooth()` using method = 'loess' and formula 'y ~ x'
20
15
10
sleep_total
1e−01 1e+01 1e+03

bodywt
55
También podemos cambiar el modelo de ajuste, por ejemplo podemos poner un ajuste lineal y
eleiminar el sombreado gris que representa el error estándar. Por ejemplo:
geom_point() +
scale_x_log10() +
geom_smooth(mthod="lm", se=FALSE)
## Warning: Ignoring unknown parameters: mthod
## `geom_smooth()` using method = 'loess' and formula 'y ~ x'
20
15
sleep_total
10
1e−01 1e+01 1e+03

bodywt
10.13 Ejercicios 11
1. De los datos de msleep, graficar la relación que existe entre las caracteríticas bodywt
y awake, colorear los puntos con base en la característica vore y agregar la línea de
tendencia (geom_smooth) general, es decir para todos los puntos.
2. Definir el tamaño de los puntos, con base a la característica sleep_cycle.
10.14 Gráficas en múltiples paneles

Hasta ahora hemos graficado todo en una sola gráfica, pero podemos dividir la gráfica en
múltiple paneles. Para subdividir nuestras gráficas en paneles, utilizamos facet. Esta capa
tiene dos tipos de funciones: facet_grid( ) y facet_wrap( ), especificando las variables con
las cuales se dividirán los datos. Para este cuso sólo veremos las gráficas de multipáneles con
facet_grid( ), pero en el Apéndice 3 puedes consultar la sintaxis para facet_wrap( ).
56
10.14.1 facet_grid()
facet_grid() nos permite organizar los diversos paneles en renglones(vertical) y/o

en columnas(horizontal) y tiene la siguiente sintaxis de facet_grid(row_variable ~
column_variable). Para excluir una de las variables, la remplazamos con un punto(.).
Es decir, en los renglones colocamos una caracterítica, por ejemplo, el tipo de alimentación
vore de los animales, mientras que en las columnas colocamos la conservación conservation.
Y graficaremos en cada panel la relación que hay entre bodywt y la sleep_total.
keep_rows <- !(is.na(msleep$vore)) & !(is.na(msleep$conservation))
geom_point( ) +
facet_grid(vore ~ conservation)
cd domesticated en lc nt vu
20
15
carni
10
20
15
herbi
10
sleep_total
20
15
insecti
10
20
15
omni
10
0 2000 4000 6000 0 2000 4000 6000 0 2000 4000 6000 0 2000 4000 6000 0 2000 4000 6000 0 2000 4000 6000
bodywt
Para dividir la gráfica en relación a una sola variable eliminamos uno de los primeros argumentos
de la función facet_grid, dependiemdo de cómo queremos la gráfica: en renglones o columnas.
Para excluir una de las variables, la remplazamos con un punto(.). Por ejemplo, dejemos solo
la carcterística vore, en la sección de las columnas.
geom_point( ) +
facet_grid(. ~ vore)
57
carni herbi insecti omni
20
15
sleep_total
10
0 2000 4000 6000 0 2000 4000 6000 0 2000 4000 6000 0 2000 4000 6000
bodywt
10.15 Ejercicios 12
• Hacer una grafica en múltiples paneles para visualizar la relación que existe entre
la densidad (en el eje de las y) vs.la concentración (eje de las x), para las corridas
1 a 4.
10.16 Modificando los títulos y su estilo

Ahora que hemos dibujado las partes principales del gráfico. Es posible que queramos agregar
el título principal de la gráfica y quizás cambiar los títulos de los ejes X e Y. Además de
manipular características de las etiquetas, como el tamaño, color, entre otras. Esto se puede
lograr utilizando las capas labs y theme.
10.16.1 Agregando títulos
labs es la capa que controla las etiquetas de los ejes, el título (title) del gráfico y el subtítulo
(subtitle). Por ejemplo, colocaremos un título a la gráfica.
color = vore)) +
geom_point( ) +
labs(title="Relación entre el peso y las horas de sueño")
58
Relación entre el peso y las horas de sueño

20
15
vore
sleep_total
carni
herbi
10 insecti
omni
0 2000 4000 6000

bodywt
Dentro de la misma instrucción podemos modificar los títulos de los ejes (x , y) o podemos
agregar otra capa labs con esta información. Incluso podemos agregar un subtítulo (subtitle).
Por ejemplo:
color = vore)) +
geom_point( ) +
labs(title="Relación entre el peso y las horas de sueño",
subtitle="El peso está definido en Kg",
x="Peso del animal", y="Horas de sueño")

El peso está definido en Kg
20
15
vore
Horas de sueño
carni
herbi
10 insecti
omni
0 2000 4000 6000

Peso del animal
59
10.16.2 Modificando el estilo de los textos
theme permite controlar diversos aspectos de la gráfica como son fuentes (tamaño, color,
estilo, entre otros), marcas, franjas de paneles, grid y fondo. theme ayuda a hacer que la
trama sea estéticamente agradable o que coincida con una guía de estilo existente.
El theme tiene 2 componentes:
1. Los elementos del tema
2. La función del elemento
Por ejemplo, vamos a cambiar el tipo de letra, color y ajuste, del título principal de la gráfica,
accediendo al elemento plot.title.
60

color = vore)) +
geom_point( ) +
x="Peso del animal", y="Horas de sueño") +
theme(plot.title=element_text(face="bold",family="Times",
colour="red",size=14,hjust = 0.5))

20
15
vore
Horas de sueño
carni
herbi
10 insecti
omni
0 2000 4000 6000

Peso del animal
Como podemos observar, no se modificó el estilo del subtítulo. Para modificarlo accedemos al
elemento plot.subtitle
color = vore)) +
geom_point( ) +
theme(plot.title=element_text(face="bold",family="Times",
colour="red",size=14,hjust = 0.5),
plot.subtitle=element_text(face="italic",color="blue",
size=12,hjust = 0.5))
61

20
15
vore
Horas de sueño
carni
herbi
10 insecti
omni
0 2000 4000 6000

Peso del animal
Dentro de las funciones de los elementos, tenemos element_blank, que nos permite quitar
algún elemento. Por ejemplo, podemos quitar los textos del eje x, accediendo al elemento
axis.text.x.

color = vore)) +
geom_point( ) +
theme(axis.text.x=element_blank(),
axis.ticks.x=element_blank())
20
15
vore
sleep_total
carni
herbi
10 insecti
omni
bodywt
62
10.17 Consultando las fonts disponibles

Finalmente, es importante mencionar que no siempre podemos acceder a las diferentes familias
de fonts. Para consultar las familias que tenemos disponibles, dependiendo de nuestro sistema
operativo, podemos utilizar el paquete extrafont.
library(extrafont)
font_import()
fonts()
fonttable()[20:30,]
10.17.1 Ejercicios 13
1. Utiliza la gráfica realizada en Ejercicios 11 y agrega un título, subtítulo, títulos a los

ejes y dales formato, en términos, del estilo, tamaño, familia y color de la letra, así
como de la posición.
2. Dar formato a la etiquetas de las leyendas (color, tipo de letra, etc.)
10.18 Modificando el fondo de la gráfica

Además de la apariencia de las etiquetas, podemos modificar otras características de las
gráficas, por ejemplo, el área de graficación. En este sentido, podemos modificar el área de
graficación utilizando algunos “temas” que ggplot tiene por defecto o de manera personalizada.
10.18.1 Modificando el fondo de la gráfica con un fondo por defecto
ggplot2 tiene por defecto diversos temas. El “tema” básico de fondo que, ggplot2, pone por
defecto es el theme_gray, sin embargo, se puede cambiar la apariencia de las tramas utilizando
alguno de los siguientes temas definidos.
1. theme_gray()
2. theme_bw()
3. theme_minimal()
4. theme_classic()
5. theme_void()
Haremos una gráfica de puntos, con la relación del peso y las horas totales de sueño, y vamos
a utilizar el ‘theme_bw, como una capa dentro de nuestra gráfica, para cambiar el fondo.
color = vore)) +
geom_point( ) +
63

theme_bw()

20
15
vore
Horas de sueño
carni
herbi
10 insecti
omni
0 2000 4000 6000

Peso del animal
Por otra parte, podemos modificar las características de la gráfica, de forma perzonalizada,
en términos del fondo y las líneas divisorias (grid), entre otras. Para consultar cómo realizar
estos cambios, revisar la sección de Apéndice 4
10.19 Ejercicios 14
1. De la gráfica generada en Ejercicios 13, cambiar el tema utilizando algún tema por
defecto, para cambiar la apriencia de la gráfica.
2. Generar un tema perzonalizado, que puedas utilizar en tus gráficas. Puedes modificar,
por ejemplo, el color de fondo el color y ancho del borde, entre otras. Aplicar este tema
a alguna gráfica
10.20 Otras geometrías

Existen varias geometrías para graficar, la Figura 7 muestra un esquema de las diversas
geometrías del paquete ggplo2. En esta lección veremos como hacer un histograma de
frecuencias, una gráfica de barras y una gráfica de cajas y bigotes (boxplot)
64
10.20.1 Histogramas
Los histogramas de frecuencia sirven para obtener una “primera vista” general, o panorama,
de la distribución de los datos, respecto a una característica en particular. Para graficar datos
en un histograma, utilizamos la geometría geom_histogram. Por ejemplo, grafiquemos en un
histograma, cómo se distribuye la variable awake de los animales.
Para graficar datos en un histograma, utilizamos la geometría geom_histogram. Por ejemplo,
grafiquemos en un histograma, cómo se distribuye la variable awake de los animales.
ggplot(data = msleep, aes(awake)) +
geom_histogram( )
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
65
4
count
5 10 15 20
awake
Podemos modificar el número de barras por medio de:

• binwidth: Con esta opción le damos el ancho de la barra
• bins:Con esta opción le decimos cúantas barras queremos
• breaks: Con esta opción le damos un rango de valores
Sino se especifica alguno de ellos, entonces se utiliza bins por defaul, con un valor de 30.
Podemos cambiar la estética de la gráfica. Por ejemplo el color de las barras, utilizando los
parámetros fill y color.
ggplot(data = msleep, aes(awake)) +
geom_histogram(fill="green",color="red" )
4
count
5 10 15 20
awake
También se podría asociar el color a la caracterítica vore
66
ggplot(data = msleep, aes(awake,fill=vore)) +

geom_histogram()
vore
carni
4
count
herbi
insecti
omni
NA
5 10 15 20
awake
10.21 Gráficas de cajas y bigotes (boxplots)

La gráfica de cajas y bigotes (boxplot) permite visualizar de manera clara la distribución de
los datos y sus características en terminos de cuartiles. Como herramienta visual se puede
utilizar para ilustrar los datos, para estudiar simetría, para estudiar las colas.
Para hacer una gráfica de cajas y bigotes utilizamos la geometría geom_boxplot. Por ejemplo,
podemos graficar las horas que los animales permanecen despiertos (awake) vs su tipo de
alimentación (vore).
ggplot(data = msleep[keep_rows, ], aes(x=vore, y=awake)) +
geom_boxplot()
67
20
15
awake
10

vore
Podemos agrgar fill a las cajas, asociada al la característica vore

ggplot(data = msleep[keep_rows, ], aes(x=vore, y=awake,
fill=vore)) +
geom_boxplot()
20
vore
15
carni
awake
herbi
insecti
omni
10

vore
Ademas, podemos agregar una capa más con la distribución de los puntos, con geom_jitter.

ggplot(data = msleep[keep_rows, ], aes(x=vore, y=awake,
fill=vore)) +
geom_boxplot() +
geom_jitter(size=0.7, color="grey50")
68
20
vore
15
carni
awake
herbi
insecti
omni
10

vore
10.22 Gráficas de barras

Con las gráficas de barras también podemos visualizar la distribución de los datos, por ejemplo,
veamos cómo se distrubuyen los tamaños de las aletas de los pingüinos en las diversas islas.
Graficaremos en el eje de las X las característica vore y en el eje de las Y la característica
brainwt
keep_rows <- !(is.na(msleep$brainwt)) & !(is.na(msleep$vore))

ggplot(data = msleep[keep_rows, ],aes(x=vore,y=brainwt)) +
geom_bar(stat="identity")
12
8
brainwt

vore
Podemos agregar un color constante al fill de las barras, por ejemplo, le pondremos el
color “cyan4”.
69
keep_rows <- !(is.na(msleep$brainwt)) & !(is.na(msleep$vore))

ggplot(data = msleep[keep_rows, ],aes(x=vore,y=brainwt)) +
geom_bar(stat="identity", fill="cyan4")
12
8
brainwt

vore
Por otra parte podemos asociar el color a alguna característica, por ejemplo, a la caracte-
rística vore, para el fill de las barras.
keep_rows <- !(is.na(msleep$brainwt)) & !(is.na(msleep$vore)) &
!(is.na(msleep$conservation))
ggplot(data = msleep[keep_rows, ],aes(x=vore,y=brainwt,
fill=conservation)) +
geom_bar(stat="identity")
12
8 conservation
domesticated
brainwt
en
lc
nt
vu
4

vore
El parámetro dodge permite que las barras queden una junto a otra.
70
keep_rows <- !(is.na(msleep$brainwt)) & !(is.na(msleep$vore)) &

!(is.na(msleep$conservation))
ggplot(data = msleep[keep_rows, ],aes(x=vore,y=brainwt,
fill=conservation)) +
geom_bar(stat="identity",position="dodge")
4
conservation
domesticated
brainwt
en
lc
nt
2 vu

vore
10.23 Ejercicios 15
1. Con los datos de DNase, realiza un histograma de frecuencias, para visualizar la
distribución de los valores de la característica density. Dale formato a las barras y a
la gráfica en general, en términos del color de las barras, el tema de la gráfica y las
leyendas de la misma.
2. Con los datos de msleep realiza una grafica de barras o un boxplot, para visualizar las
horas que los animales permanecen despiertos (awake, en eje de las y) vs el tipo de
alimentación(vore, eje de las x). Dale formato a la gráfica y en el caso del boxplot
agrega la distribución de los puntos con la capa geom_jitter.
10.24 Guardando la imagen en un archivo

Para Guardar la imagen podemos utilizar la función ggsave() que pertenece al paquete
ggplot2 o podemos utilizar las funciones basicas de R en conjunto con la función dev.off().
10.24.1 Guardando la imagen en un archivo utilizando ggsave()
Por default ggsave, guarda la última gráfica generada, a menos que le indiquemos lo contrario.
Por ejemplo, si sólo escribo:
71
ggsave("results/miGrafica.pdf")
## Saving 8 x 5 in image
guardará la imágen de la última gráfica de barras que realizamos y por la extensión proporcio-
nada del arhivo, la guardará en formato pdf.
Podemos también especificar qué gráfica queremos guardar, siempre y cuando la gráfica se
haya almacenado en una variable. Por ejemplo,
gf1<-ggplot(data = msleep[keep_rows, ], aes(x=vore, y=awake,
fill=vore)) +
geom_boxplot() +
geom_jitter(size=0.7, color="grey50") +
theme_bw()
gf2<-ggplot(data = msleep, aes(awake)) +

geom_histogram(fill="green",color="red" ) +
theme_classic()
ggsave("results/miBoxplot.pdf",plot=gf1)
## Saving 8 x 5 in image
10.24.1.1Cambiando el tamaño de la imagen y los dpi’s También, podemos agregar el

tamaño de la imágen y el número de dpi’s, por ejemplo:
g1<-ggplot(msleep, aes(x = bodywt, y = sleep_total)) +
geom_point() +
theme_bw()
ggsave("results/migrafica3.jpg", plot=g1, width=5,height=3.5,dpi=300)
10.24.2 Guardando la imagen con instrucciones de R base y dev.off()
Por otra parte podemos guardar nuestras gráficas utilizando las instrucciones básicas de
R, como las que se muestran a continuación, acompañadas de dev.off().
• pdf()
• png()
• tiff()
• jpeg()
Por ejemplo:
pdf("results/migrafica4.pdf")
ggplot(msleep, aes(x = bodywt, y = sleep_total)) +
geom_point() +
theme_bw()
dev.off()
## pdf
## 2
72
Nota: Es importante, colocar siempre el **```dev.off()```**, para hacer el cierre del archivo que acabamos de
10.25 Ejercicios 16
1. Lea el archivo BacterialGrow.csv (sus campos estan separados por comas, no por
tabuladores)
a. Grafica el crecimiento de las diferentes bacterias vs el tiempo, en una gráfica de líneas.
Ponga color a las líneas en términos de la clase de bacteria.
b. Poner títulos a los ejes y a la gráfica. Además, de cambiar el estilo del texto de las
leyendas, en términos del tipo de letra y color de la misma.
c. Cambia el “tema”, por alguno de los definidos, que no sea theme_ gray() o genera tu
propio “tema”.
d. Guarda la imagen en un archivo.
2. Guarda las imagenes generadas en los ejercicios anteriores, trata de utilizar los parámetros
width, height, res y dpi.
10.26 Ligas de información de gglpot2

Existen mas de 30 geometrías y sus extensiones. Puedes revisarlas con calma en:
https://www.ggplot2-exts.org
Para terminar de entender ggplot2, puedes revisar con calma la hoja de ayuda: ggplot2-
cheatsheet.pdf (Existen otras hojas en el sitio: http://rstudio.com/cheatsheets)
11 Respuestas de Ejercicios
11.1 Solución Ejercicios 1
1. Busca qué hace la función rm
?rm
## remove package:base R Documentation

##
## Remove Objects from a Specified Environment
##
## Description:
##
## ‘remove’ and ‘rm’ can be used to remove objects. These can be
## specified successively as character strings, or in the character
## vector ‘list’, or through a combination of both. All objects thus
## specified will be removed.
73
La función rm sirve para borrar un objeto.

2. ¿Cuáles son los argumentos de la función rep?
args(rep)
## function (x, ...)
## NULL
3. Proporciona tres paquetes que contengan el término prediction
stats::predict
modelr::add_predictions
locfit::predict.locfit
Regresar a Ejercicios 1

1. Busca los archivos .RData y .Rhistory.
Abrir una terminal, moverse al directorio de trabajo, y con el comando ls -a listamos los
archivos ocultos en Unix.
2. ¿Cómo veo el contenido del archivo .Rhistory?
Una manera es utilizar el comando more de Unix.

3. ¿En qué directorio fueron creados los archivos .RData y .Rhistory?
Los archivos ocultos .RData y .Rhistory se crean en el directorio de trabajo (el último definido,
por el usuario)
4. ¿Por qué se crearon ahí?
Los archivos ocultos .RData y .Rhistory se crean siempre en el directorio de trabajo (actual).

1. ¿Cuáles de las siguientes definiciones son correctas?
varible.Uno <- 10 # Correcto
25 <- "curso R" # Incorrecto
## Error in 25 <- "curso R": invalid (do_set) left-hand side to assignment
Sqrt25 <- 5 # Correcto
nombre-25 <- 50 # Incorrecto
## Error in nombre - 25 <- 50: could not find function "-<-"
resultado <- 10/0 # Correcto
cer0<-3/-Inf # Correcto
Inf<-48 # Incorrecto
## Error in Inf <- 48: invalid (do_set) left-hand side to assignment
74

1. Predice el resultado, luego corrobóralo:
8 + 2
## [1] 10
13 / 4
## [1] 3.25
6 + 5 * 10 - 3
## [1] 53
6 + 5 * (10 - 3)
## [1] 41
9 (8 - 4)
## Error in eval(expr, envir, enclos): attempt to apply non-function
A + b
## Error in eval(expr, envir, enclos): object 'b' not found
A <- 5; a <- 11; A + a
## [1] 16
c <- "prueba"
a + c
## Error in a + c: non-numeric argument to binary operator
2. Calcula algunos datos sobre una circunferencia a partir de su radio.

a. Guarda en la variable radio el valor del radio de la circunferencia con la que vamos a
trabajar.
radio <- 20
b. Calcula el perímetro de la circunferencia. 2π × radio

primetro <- 2 * pi * radio
c. Calcula el área del círculo delimitado por dicha π × r2 circunferencia.

area <- pi * radio ^ 2
3. Escribe las siguientes expresiones aritméticas en R:

a
+1
b
a/b+1
a+b
c+d
(a+b)/(c+d)
c
(a + b)
d
(a+b)*(c/d)
75
c + ab
d + ac
(c+b/a)/(d+a/c)

1. Escribir la expresión necesaria para evaluar si el valor almacenado en la variable x,
coincide con alguno de una serie de valores, por ejemplo 2, 7 y 9.
(x == 2) | (x == 7) | (x == 9)
## [1] NA
2. Escribir la expresión necesaria para evaluar si el valor almacenado en la variable no

coincide con alguno de una serie de valores, por ejemplo 2, 7 y 9
!((x == 2) | (x == 7) | (x == 9))
## [1] NA
3. Escribe una expresión lógica que compruebe si una variable contiene un valor par. Nota:
el operador % % devuelve el resto de la división entera.
(y %% 2) == 0
## [1] NA
4. Intenta predecir el resultado de evaluar las siguientes expresiones lógicas. Piensa en el

orden en que se evalúan las subexpresiones dentro de cada expresión. Los valores de las
variables son:
a <- TRUE; b <- TRUE; c <- FALSE; d <- FALSE
c || !a && b
## [1] FALSE
! (a || c) || b && !c
## [1] TRUE
! (! (! (a && c || d)))
## [1] TRUE
!(5<3) && a || !(d || c)
## [1] TRUE

1. Para cada una de las siguientes asignaciones, indica, de qué tipo es el vector resultante:
N<-c(5,“cinco”) ## Caracteres
Solucion<- c(TRUE,FALSE,TRUE) ## Lógico
Res<-(uno,1) ## Error
76
2. Genere un vector con las mediciones del tamaño (superficie), de por lo menos 5 planetas
diferentes.
planetas<-c(74.8, 510.1, 42.7, 144.8, 7618)
a. Agregue los nombres a cada planeta usando la función names.

names(planetas)<-c("Mercurio","Tierra","Saturno","Marte","Neptuno")
b. Calcule del tamaño el: promedio, mínimo y máximo.

mean(planetas)
## [1] 1678.08
min(planetas)
## [1] 42.7
max(planetas)
## [1] 7618
c. Agregue dos planetas más, junto con sus datos de superficie.

planetas<-c(planetas,61.42,460.2)
names(planetas)[6]<-"Jupiter"
names(planetas)[7]<-"Venus"
3. Escribe una expresión que simule el lanzamiento de una moneda 10 veces. Obtén como
resultado de la expresión un vector de valores “cara” y “cruz”. Cuenta las ocurrencias
de cara y cruz, y la proporción de cada valor. Tip, revise la función sample.
experimento <- sample(c("cruz", "cara"), size = 10, replace = TRUE)
experimento
## [1] "cruz" "cara" "cara" "cruz" "cara" "cruz" "cruz" "cruz" "cruz" "cruz"
cara<-experimento[experimento == "cara"]
num_cara<-length(cara)
num_cara
## [1] 3
num_cruz<-10 - num_cara
num_cruz
## [1] 7
4. Crea un vector aleatorio de 10 elementos y selecciona aquellos elementos del vector que
ocupan índices impares. Usa seq para expresar el vector de índices impares y la función
rnorm para generar los números aleatorios.
vectNum<-rnorm(10)
vectNum
## [1] 1.1657473 -0.1063841 1.7446083 1.0146729 0.6099442 -0.5856691
## [7] 1.5574157 -1.1697411 0.2199812 0.2064737
vectNum[seq(1,10, by=2)]
## [1] 1.1657473 1.7446083 0.6099442 1.5574157 0.2199812
77

1. Con los siguientes vectores, genere un dataframe, llamado planetas.
name = c("Mercury", "Venus", "Earth", "Mars", "Jupiter", "Saturn", "Uranus", "Neptune")
type = c("Terrestrial planet", "Terrestrial planet","Terrestrial planet",
"Terrestrial planet", "Gas giant","Gas giant", "Gas giant", "Gas giant")
diameter = c(0.382, 0.949, 1, 0.532, 11.209, 9.449, 4.007,3.883)
rotation = c(58.64, -243.02, 1, 1.03, 0.41, 0.43, -0.72, 0.67)
rings = c(FALSE, FALSE, FALSE, FALSE, TRUE, TRUE, TRUE,TRUE)
planetas <- data.frame(

name=c("Mercury", "Venus", "Earth", "Mars", "Jupiter", "Saturn", "Uranus", "Neptune"),
type=c("Terrestrial planet", "Terrestrial planet","Terrestrial planet",
"Terrestrial planet", "Gas giant","Gas giant", "Gas giant", "Gas giant"),
diameter=c(0.382, 0.949, 1, 0.532, 11.209, 9.449, 4.007,3.883),
rotation=c(58.64, -243.02, 1, 1.03, 0.41, 0.43, -0.72, 0.67),
rings=c(FALSE, FALSE, FALSE, FALSE, TRUE, TRUE, TRUE,TRUE))
planetas
## name type diameter rotation rings
## 1 Mercury Terrestrial planet 0.382 58.64 FALSE
## 2 Venus Terrestrial planet 0.949 -243.02 FALSE
## 3 Earth Terrestrial planet 1.000 1.00 FALSE
## 4 Mars Terrestrial planet 0.532 1.03 FALSE
## 5 Jupiter Gas giant 11.209 0.41 TRUE
## 6 Saturn Gas giant 9.449 0.43 TRUE
## 7 Uranus Gas giant 4.007 -0.72 TRUE
## 8 Neptune Gas giant 3.883 0.67 TRUE
2. Obenga el promedio de los valores de las columnas diameter y rotation
mean(planetas$diameter)
## [1] 3.926375
mean(planetas[,4])
## [1] -22.695
3. Aplique la función summary al objeto planetas y vea que sucede.

summary(planetas)
## name type diameter rotation
## Length:8 Length:8 Min. : 0.3820 Min. :-243.0200
## Class :character Class :character 1st Qu.: 0.8448 1st Qu.: 0.1275
## Mode :character Mode :character Median : 2.4415 Median : 0.5500
## Mean : 3.9264 Mean : -22.6950
## 3rd Qu.: 5.3675 3rd Qu.: 1.0075
## Max. :11.2090 Max. : 58.6400
## rings
## Mode :logical
## FALSE:4
## TRUE :4
##
78
##
##
summary sólo obtiene los valores estadísticos de las columnas numéricas.

obtenga: a. Todos los planetas con un diámetro mayor a 1.
# Obteniendo primero los renglones que cumplen la condición
keepPlanetas <- planetas$diameter > 1
# Consultando la información de los renglones que cumplieron la condición
planetas[keepPlanetas, ]
## 8 Neptune Gas giant 3.883 0.67 TRUE
b. Los planetas que tengan anillos (rings) y que el valor de rotación (rotation) sea menor
o igual 0.5
# Obteniendo primero los renglones que cumplen la condición
keepPlanetas <- (planetas$rings == TRUE) & (planetas$rotation <= 0.5)
# Consultando la información de los renglones que cumplieron la condición
planetas[keepPlanetas, ]

1. Utilizando la función write.table, almacene en un archivo el objeto planetas, creado
en Ejercicios 7.
write.table(planetas,"planetasInfo.txt",sep = "\t",quote = F)

• Explore los datos del dataframe, ¿cuántas columnas y renglones tiene?, ¿qué
describe cada dato?
• Grafique la densidad (en el eje de las y) vs.la concentración.
dim(DNase)
help(DNase)
79
## Run
## an ordered factor with levels 10 < ... < 3 indicating the assay run.
##
## conc
## a numeric vector giving the known concentration of the protein.
##
## density
## a numeric vector giving the measured optical density (dimensionless) in the assay.
## Duplicate optical density measurements were obtained.
DNase %>% ggplot(aes(x=conc,y=density)) + geom_point()

1. De la gráfica que realizamos en Ejercicios 9, cambiar el color de los puntos con base en
la columna Run. Además, colocar un símbolo distinto al punto y cambiar la transparencia
a 0.4.
DNase %>% ggplot(aes(x=conc,y=density,color=Run)) + geom_point(shape=18,alpha=0.4)

1. De los datos de msleep, graficar la relación que existe entre las caracteríticas bodywt
y awake, colorear los puntos con base en la característica vore y agregar la línea de
tendencia (geom_smooth) general, es decir para todos los puntos.
msleep %>% filter(!is.na(vore)) %>%
ggplot(aes(x = bodywt, y = awake)) +
geom_point(aes(color=vore)) +
geom_smooth()

• Hacer una grafica en múltiples paneles para visualizar la relación que existe entre
la densidad (en el eje de las y) vs.la concentración (eje de las x), para las corridas
1 a 4.
DNase %>% filter(Run %in% 1:4) %>%
ggplot(aes(x=conc,y=density)) + geom_point() +
facet_grid(Run~.)
80

1. Utiliza la gráfica realizada en Ejercicios 11 y agrega un título, subtítulo, títulos a los
ejes y dales formato, en términos, del estilo, tamaño, familia y color de la letra, así
como de la posición.
g1<-msleep %>% filter(!is.na(vore)) %>%
ggplot(aes(x = bodywt, y = sleep_total)) +
geom_point() +
facet_grid(vore~conservation) +
labs(x="Peso de los animales",
y="Tiempo de sueño",
title= "Relación peso vs tiempo de sueño",
subtitle = "(en horas)")
g1
2. Dar formato a la etiquetas de las leyendas (color, tipo de letra, etc.)

g1 + theme(plot.title=element_text(size=15,
family="Helvetica",face="bold.italic", colour="green"))

1. De la gráfica generada en Ejercicios 13, cambiar el tema utilizando algún tema por
defecto, para cambiar la apriencia de la gráfica.
geom_point() +
facet_grid(vore~conservation) +
labs(x="Peso de los animales",
y="Tiempo de sueño",
title= "Relación peso vs tiempo de sueño",
subtitle = "(en horas)")
g1 + theme_bw() +
theme(plot.title=element_text(size=15,
family="Helvetica",face="bold.italic", colour="green"))
2. Generar un tema perzonalizado, que puedas utilizar en tus gráficas. Puedes modificar,
por ejemplo, el color de fondo el color y ancho del borde, entre otras. Aplicar este tema
a alguna gráfica
elTema<-
theme(panel.background=
element_rect(fill="turquoise")) +
theme(panel.border=
81
element_rect(color="snow4",
fill=NA,size=1.5))

geom_point() +
elTema
g1

1. Con los datos de DNase, realiza un histograma de frecuencias, para visualizar la
distribución de los valores de la característica density. Dale formato a las barras y a
la gráfica en general, en términos del color de las barras, el tema de la gráfica y las
leyendas de la misma.
DNase %>%
ggplot(aes(x=density)) +
geom_histogram(fill="blue",color="white") +
theme_dark() +
labs(title = "Datos DNase",x="densidad",y="frecuencia")
2. Con los datos de msleep realiza una grafica de barras o un boxplot, para visualizar las
horas que los animales permanecen despiertos (awake, en eje de las y) vs el tipo de
alimentación (vore, eje de las x). Dale formato a la gráfica y en el caso del boxplot
agrega la distribución de los puntos con la capa geom_jitter.
msleep %>% filter(!is.na(vore)) %>%
ggplot(aes(x = vore, y = awake,color=vore)) +
geom_boxplot() +
geom_jitter(color="grey",size=1) +
theme_bw()

1. Lea el archivo BacterialGrow.csv (sus campos estan separados por comas, no por
tabuladores)
bactgrow<-read.csv("/data/BacterialGrow.csv")
2. Grafica el crecimiento de las diferentes bacterias vs el tiempo, en una gráfica de líneas.

Ponga color a las líneas en términos de la clase de bacteria.
3. Poner títulos a los ejes y a la gráfica. Además, de cambiar el estilo del texto de las
leyendas, en términos del tipo de letra y color de la misma.
82
head(bactgrow)
bact <- ggplot(data = bactgrow, aes(x = Time, y = Grow,color = Bacteria)) +

geom_line() + theme_classic() +
geom_point(shape=1) +
labs(x="Time (minutes)", y="Total grow", title= "Bacterial growing") +
theme(plot.title=element_text(size=15, family="Helvetica",face="bold", hjust=0.5),
legend.text=element_text(face="italic",family="Times", colour="blue",size=10),
legend.title = element_text(face="bold",family="Times", colour="blue",size=12))
bact
4. Guarde la imagen en un archivo

ggsave(filename="results/BacterialPlot.png",plot =bact, device= "png" )
12 Apéndices
12.1 Apéndice 1
12.1.1 Iniciando R desde línea de comandos
Desde línea de comandos, en una terminal, escribir R y dar enter.
Automáticamente aparecerá en la pantalla información relacionada con la versión de R, los

derechos reservados, cómo citar R, entre otras cosas más. Y al final aparecera el símbolo de
mayor que “>”, que es el prompt de R.
12.1.2 Manejo de paquetes desde línea de comandos
# Para listar los paquetes instalados

library()
# Para cargar un paquete en particular, en este caso ggplot2

library(ggplot2)
# Para visualizar los paquetes que ya están cargados

search()
## [1] ".GlobalEnv" "package:ggplot2" "package:flextable"
## [4] "package:dplyr" "package:plyr" "package:kableExtra"
## [7] "package:knitr" "package:BiocStyle" "package:stats"
## [10] "package:graphics"
## [ reached getOption("max.print") -- omitted 6 entries ]
# Para visualizar las funciones del paquete colocado en la posición 6
83
ls(6)
## [1] "%>%" "add_footnote" "add_header_above" "add_indent"
## [5] "as_image" "auto_index" "cell_spec" "collapse_rows"
## [9] "column_spec" "footnote"
Para instalar un paquete utilizamos el comando:

install.package("knitr")
En este caso se instalaría el paquete llamado knitr
12.1.3 Consultando la ayuda desde línea de comandos
Existen diversas maneras de obtener ayuda sobre los comandos de R, a continuación veremos
las más frecuentes. Una manera clásica de obtener ayuda respecto a un comando es utilizando
la palabra help(comando) o ?comando, por ejemplo, para consultar la ayuda del comando
solve:
help(solve)
## Help on topic 'solve' was found in the following packages:
##
## Package Library
## Matrix /Library/Frameworks/R.framework/Versions/4.0/Resources/library
## base /Library/Frameworks/R.framework/Resources/library
##
##
## Using the first match ...
?solve
## Help on topic 'solve' was found in the following packages:
##
## Package Library
## Matrix /Library/Frameworks/R.framework/Versions/4.0/Resources/library
## base /Library/Frameworks/R.framework/Resources/library
##
##
## Using the first match ...
## solve package:base R Documentation

##
## Solve a System of Equations
##
## Description:
##
## This generic function solves the equation 'a %*% x = b' for 'x',
## where 'b' can be either a vector or a matrix.
##
## Usage:
##
84
## solve(a, b, ...)
##
## ## Default S3 method:
## solve(a, b, tol, LINPACK = FALSE, ...)
##
## Arguments:
##
## a: a square numeric or complex matrix containing the
## coefficients of the linear system. Logical matrices are
## coerced to numeric.
##
## b: a numeric or complex vector or matrix giving the right-hand
Para solicitar ayuda de funciones con caracteres especiales o algunas palabras reservadas,
es necesario poner entre comillas la función o palabra reservada, ya que si no se hace así
obtendremos un mensaje de error, por ejemplo, for es una palabra reservada de R, consultemos
la ayuda sin poner comillas.
help(for)
## Error: <text>:1:9: unexpected ')'
## 1: help(for)
## ^
Pero si colocamos la palabra entre comillas, obtendremos la ayuda, sin problemas.

help("for")
## Control package:base R Documentation

##
## Control Flow
##
## Description:
##
## These are the basic control-flow constructs of the R language.
## They function in much the same way as control statements in any
## Algol-like language. They are all reserved words.
12.1.3.1 Ayuda en general Para abrir la ayuda general en un navegador (sólo si tenemos
la ayuda en HTML instalada y tenemos conexión a red), utilizamos:
help.start()
12.1.3.2 Ayuda relacionada a un término Podemos hacer búsquedas de información

relacionada con un término en particular por medio de la función, help.search, la cual nos
indicará los paquetes en donde se encuentra dicho término y una descripción muy pequeña
del mismo. Por ejemplo:
help.search("clustering")
85
## Vignettes with name or keyword or title matching ‘clustering’ using

## fuzzy matching:
##
##
## graph::clusterGraph clusterGraph and distGraph
## Concepts: clustering
##
##
## Type 'vignette("FOO", package="PKG")' to inspect entries 'PKG::FOO'.
##
##
##
## Help files with alias or concept or title matching ‘clustering’ using
## fuzzy matching:
##
##
## Biostrings::stringDist
## String Distance/Alignment Score Matrix
## Concepts: Clustering
## Heatplus::oldCutplot.dendrogram
## Plot Subtrees of a Dendrogram in Different
## Colors
## Concepts: Clustering
12.1.3.3 Ayuda sobre ejemplos de uso de una función La función example, nos muestra
ejemplos de ejecución de alguna función en particular, siempre y cuando la función que
buscamos tenga en su descripción ejemplos.
example("data.frame")
##
## dt.frm> L3 <- LETTERS[1:3]
##
## dt.frm> fac <- sample(L3, 10, replace = TRUE)
##
## dt.frm> (d <- data.frame(x = 1, y = 1:10, fac = fac))
## x y fac
## [ reached 'max' / getOption("max.print") -- omitted 10 rows ]
##
## dt.frm> ## The "same" with automatic column names:
## dt.frm> data.frame(1, 1:10, sample(L3, 10, replace = TRUE))
## X1 X1.10 sample.L3..10..replace...TRUE.
##
## dt.frm> is.data.frame(d)
## [1] TRUE
##
## dt.frm> ## do not convert to factor, using I() :
## dt.frm> (dd <- cbind(d, char = I(letters[1:10])))
## x y fac char
86
##
## dt.frm> rbind(class = sapply(dd, class), mode = sapply(dd, mode))
## x y fac char
## [ reached getOption("max.print") -- omitted 2 rows ]
##
## dt.frm> stopifnot(1:10 == row.names(d)) # {coercion}
##
## dt.frm> (d0 <- d[, FALSE]) # data frame with 0 columns and 10 rows
## data frame with 0 columns and 10 rows
##
## dt.frm> (d.0 <- d[FALSE, ]) # <0 rows> data frame (3 named cols)
## [1] x
## <0 rows> (or 0-length row.names)
##
## dt.frm> (d00 <- d0[FALSE, ]) # data frame with 0 columns and 0 rows
## data frame with 0 columns and 0 rows
12.1.3.4 Ayuda sobre argumentos de una función También se puede solicitar ayuda
reacionada a los argumentos de una determinada función.
args(data.frame)
## function (..., row.names = NULL, check.rows = FALSE, check.names = TRUE,
## fix.empty.names = TRUE, stringsAsFactors = default.stringsAsFactors())
## NULL
12.1.3.5 Búsquedas aproximadas Finalmente, una alternativa para realizar búsquedas

por aaproximación, es decir, poniendo sólo una parte del término que busacamos, es con el
comando apropos.
apropos("solve")
## [1] "backsolve" "forwardsolve" "qr.solve" "solve"
## [5] "solve.default" "solve.qr"
12.2 Guardando y Cargando el Espacio de Trabajo desde línea

de comandos
Para almacenar y cargar los objetos que se crearon en una sesión de trabajo, utilizamos las
funciones save.image y load.
save.image(file = "archivo.Rdata")
Recordemos que con la función dir() podemos consultar los archivos del directorio de trabajo,
para verificar que se creó el archivo archivo.Rdata.
Para almacenar el archivo en un directorio diferente al de trabajo, se requiere especificar la
ruta.
Si queremos llamar a los objetos almacenados en el archivo archivo.Rdata, utilizamos:
87
load(file = "archivo.Rdata")
Si el archivo no se encuentra en el directorio de trabajo, es necesario especifcar la ruta en

donde se encuentra.
12.2.1 Almacenando, en un archivo, objetos específicos creados en una sesión
Cuando queremos guardar uno o varios objetos creados en una sesión, usamos el comando
save.
save(objeto, file = "archivo.Rdata")

save(objeto1,objeto2, objetoX, file = "archivo.Rdata")
Para cargar estos archivos utilizamos nuevamente la función load.
12.2.2 Guardando y Cargando el Historial de Comandos desde línea de coman-

dos
Si queremos guardar la historia de los comandos utilizados en un momento dado, lo hacemos

con el comando savehistory. Por ejemplo:
savehistory(file = "archivo.Rhistory")
Utilicemos dir() para verificar que el archivo se creó

Para cargar el archivo archivo.Rhistory utilizamos la instrucción loadhistory.
loadhistory(file = "archivo.Rhistory")
12.3 Apeéndice 2
12.3.1 Manipulación de Data frames con dplyr
12.3.2 ¿Qué es dplyr?
El paquete dplyr es un poderoso paquete de R que proporciona un conjunto de funciones (o

verbos) útiles para manejar y resumir datos tabulares, como dataframes, de una manera fácil.
Las funciones más comunes
En esta sección revisaremos 5 de sus funciones más comunes que se utilizan en el análisis de
datos, así como el uso de pipes para combinarlas. Estas funciones son:
1. select
2. filter
3. group_by
4. summarize
5. mutate
Recordemos que para utilizar este paquete debemos cargarlo:
88
library("dplyr")
12.3.3 Gramátca de dplyr
dplyr puede ser vista como una gramática para el manejo de datos, donde cada función es
un verbo que trabaja de la siguiente manera:
1. El primer argumento es el nombre del data.frame
2. Los siguiente argumentos describen que se hace con el data.frame usando los nombres
de variables.
3. El resultado es un nuevo data.frame
12.3.4 La función select()
Es común tener conjuntos de datos con muchas variables. En este caso lo primero que
queremos hacer es enfocarnos solo en algunas de ellas.
select(), nos permite seleccionar un subconjunto de variables. Por ejemplo, si quisieramos
trabajar solo con las columnas name, brainwt y bodywt de nuestro ‘data.frame msleep, lo
haríamos de la siguiente manera:
name_brainwt_bodywt<-select(msleep,name,brainwt,bodywt)
head(name_brainwt_bodywt)
## # A tibble: 6 x 3
## name brainwt bodywt
## <chr> <dbl> <dbl>
## 1 Cheetah NA 50
## 2 Owl monkey 0.0155 0.48
## 3 Mountain beaver NA 1.35
## 4 Greater short-tailed shrew 0.00029 0.019
## 5 Cow 0.423 600
## 6 Three-toed sloth NA 3.85
En este caso hemos usado la gramática “normal”, pero la fortaleza de dplyr consiste en
combinar funciones usando pipes ( %> % ). Es decir,
msleep %>% select(name,brainwt,bodywt) %>% head
## name brainwt bodywt
## <chr> <dbl> <dbl>
## 1 Cheetah NA 50
## 2 Owl monkey 0.0155 0.48
## 3 Mountain beaver NA 1.35
## 4 Greater short-tailed shrew 0.00029 0.019
## 5 Cow 0.423 600
## 6 Three-toed sloth NA 3.85
89
El concepto de pipe (tuberías) es el mismo que en Unix. En este caso %> % representa el pipe,
el cual indica que queremos usar el comando de la izquierda como entrada al comando de la
derecha del pipe.
12.3.5 La función filter()
filter() permite filtrar observaciones a partir de sus valores. El primer argumento es el

nombre de dataframe. El segundo y los siguientes argumentos son las expresiones de filtro. Por
ejemplo, si queremos obtener la lista de todas las especies domesticadas de msleep, filtraremos
los datos en la columna conservation.
msleep %>% filter(conservation=="domesticated") %>% head
## # A tibble: 6 x 11
## name genus vore order conservation sleep_total sleep_rem sleep_cycle awake
## <chr> <chr> <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl>
## 1 Cow Bos herbi Arti~ domesticated 4 0.7 0.667 20
## 2 Dog Canis carni Carn~ domesticated 10.1 2.9 0.333 13.9
## 3 Guine~ Cavis herbi Rode~ domesticated 9.4 0.8 0.217 14.6
## 4 Chinc~ Chinc~ herbi Rode~ domesticated 12.5 1.5 0.117 11.5
## 5 Horse Equus herbi Peri~ domesticated 2.9 0.6 1 21.1
## 6 Donkey Equus herbi Peri~ domesticated 3.1 0.4 NA 20.9
## # ... with 2 more variables: brainwt <dbl>, bodywt <dbl>
Recordemos que podemos combinar funciones utilizando pipes. Por ejemplo, si queremos
obtener sólo los nombres de las especies domesticadas utilizaremos filter y select
msleep %>% filter(conservation=="domesticated") %>% select(name) %>% head
## name
## <chr>
## 1 Cow
## 2 Dog
## 3 Guinea pig
## 4 Chinchilla
## 5 Horse
## 6 Donkey
12.4 Apéndice 3
12.5 facet_wrap()
También podemos dividir en paneles las gráficas utilizando facet_wrap(). En este caso trata
de ordenar los paneles en el mismo número de renglones y columnas. Por ejemplo:
geom_point( ) +
facet_wrap(vore ~ conservation)
90
carni carni carni carni

cd domesticated en lc
20
15
10
5
carni carni herbi herbi

nt vu cd domesticated
20
15
10
5
sleep_total
herbi herbi herbi herbi

en lc nt vu
20
15
10
5
insecti insecti omni omni

en lc domesticated lc
20
15
10
5
0 2000 4000 6000 0 2000 4000 6000 0 2000 4000 6000 0 2000 4000 6000
bodywt
Podemos cambiar el número de columnas que queremos que se despliegue, por ejemplo, lo
podemos poner en 2, por medio del parámetro ncol.
geom_point( ) +
facet_wrap(vore ~ conservation, ncol = 2)
carni carni
cd domesticated
20
15
10
5
carni carni
en lc
20
15
10
5
carni carni
nt vu
20
15
10
5
herbi herbi
cd domesticated
sleep_total
20
15
10
5
herbi herbi
en lc
20
15
10
5
herbi herbi
nt vu
20
15
10
5
insecti insecti
en lc
20
15
10
5
omni omni
domesticated lc
20
15
10
5
0 2000 4000 6000 0 2000 4000 6000
bodywt
Por otro lado, cuando graficamos, solo renglones o solo columnas, por defecto lo organiza por
poniendo 3 elementos por renglón. Sin embargo, podemos cambiar el orden por medio de los
parámetros ncol y nrow.
91
geom_point( ) +
facet_wrap(vore ~ conservation, nrow = 2)
carni carni carni carni carni carni herbi herbi

cd domesticated en lc nt vu cd domesticated
20
15
10
5
sleep_total
herbi herbi herbi herbi insecti insecti omni omni

en lc nt vu en lc domesticated lc
20
15
10
0 200040006000 0 200040006000 0 200040006000 0 200040006000 0 200040006000 0 200040006000 0 200040006000 0 200040006000

bodywt
12.6 Apéndice 4
12.6.1 Cambiando el fondo de mi gráfica de manera personalizada
Para cambiar las características de gráfica, de forma perzonalizada, en términos del fondo y
las líneas divisorias (grid), entre otras, hacemos uso de la capa theme. Por ejemplo, vamos a
modificar el panel principal de la gráfica. Los elementos que modificaremos serán:
1. Fondo (background)
2. Borde (border)
3. Líneas divisorias (grid.major, grid.minor)
g1<-ggplot(data = msleep[keep_rows, ],
color = vore)) +
geom_point( ) +
## Modificando el fondo
g1 <-g1 +
element_rect(fill="lightyellow2")) +
theme(panel.border=
element_rect(color="black",
fill=NA,size=1.5))
92
## Modificando el grid, mayor y menor

g1 <- g1 +
theme(panel.grid.major=
element_line(colour="grey70")) +
theme(panel.grid.minor=
element_line(colour="grey 60",
linetype="dashed"))
## Modificando el tema de las leyendas
g1 <- g1 +
theme(legend.background=
fill="khaki")) +
theme(legend.key=element_rect(fill=NA))
print(g1)

20
15
vore
Horas de sueño
carni
herbi
10 insecti
omni
0 2000 4000 6000

Peso del animal
12.6.2 Asignando el diseño a un objeto
Si el dieseño que creamos es el que vamos a utilizar en diversas gráficas podemos asignar
estas capas a un objeto y utilizarlo en otras gáficas. Por ejemplo,
Mitema<-
element_rect(fill="lightyellow2")) +
theme(panel.border=
fill=NA,size=1.5)) +
theme(panel.grid.major=
element_line(colour="grey70")) +
theme(panel.grid.minor=
93
element_line(colour="grey 60",
linetype="dashed")) +
theme(legend.background=
fill="khaki")) +
theme(legend.key=element_rect(fill=NA))

g1<-ggplot(data = msleep[keep_rows, ],
color = vore)) +
geom_point( ) +
g1 + facet_grid(conservation ~.) + Mitema

20
15
cd
10
5
domesticated
20
15
10
5
20
15
en
10 vore
Horas de sueño
5
20 carni
15
herbi
lc
10
5
insecti
20
15 omni
nt
10
5
20
15
vu
10
5
20
15
NA
10
5
0 2000 4000 6000
Peso del animal
12.7 Apéndice 5
12.7.1 Gráfica de Pie
msleep %>% filter(!is.na(vore)) %>% count(vore) %>%

mutate(porcent=(n/sum(n)*100)) %>%
ggplot(aes(x="", y=porcent, fill=vore)) +
geom_bar(width = 1, stat = "identity") +
coord_polar("y", start=0) + theme_void() +
geom_text(aes(label = round(porcent,1)), position = position_stack(vjust = 0.5))
94
25 26.3
vore
carni
herbi
insecti
6.6
omni
42.1
95

R Guia

Cargado por

Copyright:

Formatos disponibles

R Guia

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

R Guia

Cargado por

Copyright:

Formatos disponibles

Introducción a R y RStudio

Leticia Vega Alvarado ∗1

2 Primeras nociones, un tour por RStudio . . . . . . . . . . . . . . 8

3 Tipos de datos y objetos . . . . . . . . . . . . . . . . . . . . . . . 16

4 Operadores aritméticos, relacionales y lógicos . . . . . . . . . . 19

10 Gráficas con ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . 41

10.18.1 Modificando el fondo de la gráfica con un fondo por defecto . . . 63

12.2 Guardando y Cargando el Espacio de Trabajo desde línea de co-

Figura 1: Creadores de R [@ihaka1996]

Los pasos para instalar R son:

1.2 ¿Qué es RStudio

1. Instalar R, si no se encuentra previamente instalado. Ver la sección Instalando R.

Figura 2: Icono de RStudio

1.3 Iniciando RStudio desde el servidor del curso

2 Primeras nociones, un tour por RStudio

Figura 3: Ambiente de trabajo de RStudio

2.2.1 Visualizando los paquetes instalados

Figura 4: Paquetes instalados

2.2.2 Cargando un paquete

Figura 5: Cargando un paquete

2.2.3 Visualizando las funciones de un paquete determinado

Figura 6: Visualización de funciones de un paquete

2.2.4 Instalando paquetes

Para instalr un paquete, seleccionamos Install que se encuentra en la pestaña de paquetes. En

Figura 7: Instalación del paquete knitr

Nota: En el Apéndice 1 se muestran algunos comandos para el Manejo de paquetes desde

2.3 Consultando la ayuda

Figura 8: Menú de Ayuda

Para solicitar ayuda de un comando en particular, escibimos el comando en el campo de

Figura 9: Menú de Ayuda

1. Busca qué hace la función rm

Las respuestas se encuentran disponibles en: Solución Ejercicios 1

2.4 Moviendose entre los directorios

Figura 10: Menú de File

2.4.1 ¿Cuál es mi directorio de trabajo?

Para movernos al directorio de trabajo, seleccionamos Go To Working Directory del menú

2.4.2 ¿Cómo cambio de directorio?

Para cambiar de directorio de trabajo:

Si consultamos nuevamente cuál es el directorio de trabajo, veremos que cambió.

2.4.3 Consultando el contenido de un directorio

Figura 11: Menú Principal RStudio

También podemos escribir en la consola:

# O podemos escribir la palabra completa

## Save workspace image? [y/n/c]:

Antes de cerrar la sesión, R nos preguntará si queremos almacenar el ambiente de trabajo, es

2.5.1 Almacenando en un archivo los objetos creados en una sesión

Figura 12: Ambiente de los objetos

2.5.2 Almacenando, en un archivo, los comandos creados en una sesión

Figura 13: Historial de comndos

En el Apéndice 1 se describe cómo guardar el historial de comandos desde línea de comandos

1. Busca los archivos .RData y .Rhistory.

2.6 Manejo de proyectos (creación de subcarpetas data, doc,

3 Tipos de datos y objetos

Figura 14: Representación de variables en la memoria

Si una operación no es asignada a una variable, la operación se realizará y su resultado sólo

Nota: Podemos agregar comentarios a nuestro código utilizando el caracter #. Es

3.1.1 Reglas para nombres de variables

1. No deben comenzar con un número

Algunos ejemplos de nombres válidos son: