El documento describe a R como un entorno y lenguaje de programación para análisis de datos y estadísticas. R implementa el lenguaje S y provee herramientas para almacenamiento y manipulación de datos, cálculos estadísticos, y generación de gráficos. R contiene una amplia colección de técnicas estadísticas tanto clásicas como modernas a través de paquetes. Actualmente es uno de los lenguajes más utilizados para investigación estadística.

1. R – Ambiente de programación para
análisis de datos
data scientist lab
Ing. Giovanni Barrero Ortiz

2. • R, también conocido como “GNU S”, es un entorno y un
lenguaje de programación para el cálculo estadístico y la
generación de gráficos. R implementa un dialecto del
premiado lenguaje S, desarrollado en los Laboratorios Bell
por John Chambers et al. Provee un acceso relativamente
sencillo a una amplia variedad de técnicas estadísticas y
gráficas y ofrece un lenguaje de programación completo,
bien desarrollado, con el que añadir nuevas técnicas
mediante la definición de funciones.
• Entre otras características, dispone de almacenamiento y
manipulación efectiva de datos; operadores para cálculo
sobre variables indexadas (arrays) y en particular matrices;
una amplia, coherente e integrada colección de
herramientas y posibilidades gráficas para análisis de datos.

3. • R es un entorno en el que se han implementado muchas
técnicas estadísticas, tanto clásicas como modernas.
Algunas están incluidas en el entorno base de R y otras se
acompañan en forma de bibliotecas (packages, disponibles
en http://www.r-project.org). Actualmente, R y S son los
dos lenguajes más utilizados en investigación en estadística.

5. • Mostrar ayuda

7. Generación aleatoria de vectores
• Genera 2 vectores aleatorios normales de coordenadas x, y

8. • Ver objetos en el workspace

9. • Remueve objetos que no se necesitan mas

10. • Inicializa x = (1,2,,,,,,,20)

11. • Un vector de desviaciones estandar

12. • Crea dataframe de 2 columnas x , y

13. • Regresión lineal simple , con análisis, con y a la izquierda de la tilde se modela y dependiendo de x.

14. • Como ya se conoce la desviación estándar se puede hacer una regresión

15. • Hace las columnas en el dataframe visibles como variables

16. • Hace una función de regresión local no paramétrica

17. • lines(x, lrf$y) : Agrega la línea de la regresión

18. • abline(0, 1, lty=3): la línea de regresión verdadera.

19. • abline(coef(fm)): línea de regresión sin ponderar

20. • abline(coef(fm1), col = "red"): línea de regresión ponderada

21. • detach(): remueve el dataframe del path de búsqueda

22. • Diagnostico de regresión estándar para ver Heteroscedasticidad

23. • Limpieza

24. • Obtiene el data path del archivo

25. • Muestra el archivo

26. • Lee el archivo
de datos como
un data frame ,
y lo muestra.
• Hay 5
experimentos ,
columna EXPT.
• Con 20
ejecuciones
cada uno.
• Y la ultima
columna es la
velocidad de la
luz.

27. • Cambia EXPT y corre en factores

28. • Hace el data frame visible en la posición 3

29. • Compara los 5 experimentos.

30. • X es un vector de 50 , con valores en pi –pi<x<=pi. Y es el mismo

31. • F es una matriz cuadrada con filas y columnas indexada por x ,y con valores cos(y)=(1 + x2).

32. • Salva parametros de ploteo y configura region de ploteo cuadrada.

33. • Crea un mapa de contorno de f,

35. • Fa es la parte asimétrica de f. T es la transpuesta.

36. • Muestra contorno

37. • Plot de imágenes de alta densidad

38. • limpia

39. Asignación de Vectores

41. • Aritméticacompleja

42. • Dibujando argumentos complejos significa dibujar partes reales vs imaginarias. Puede ser uncirculo.

45. • limpia

46. • Se sale del programa r.

47. • Que objetos hay en el contexto.

48. • Operaciones aritmeticas

53. • Crea un vector y lo muestra

54. • Crea vector

55. • Crea vector con incrementos

56. • Acceder a valores del vector

57. • Suma de vectores

58. • Operaciones con vectores

59. • Vectores no numéricos

60. • matrices

61. • Acceder a elementos de matriz

62. • Multiplicaciónde 2 matrices

63. • La transpuesta

64. • Creación de un data frame con 3 vectores

65. • Acceder a datos dentro del frame

66. • Adición de nuevas variables

67. • Entrada de dataframe con estilo excel

68. • Cambio de nombre de columna dando doble click

69. • Sets de datos que ya vienen con la herramienta

70. • Accediendo solo a una variable

71. • Graficode la variable volumen

74. • Estadística descriptiva

89. • Distribuciones de probabilidad

90. • Ejemplo de demo(graphics)

108. • Grabar grafico en pdf