Last updated: 2021-04-18

Checks: 7 0

Knit directory: 2021/

This reproducible R Markdown analysis was created with workflowr (version 1.6.2). The Checks tab describes the reproducibility checks that were applied when the results were created. The Past versions tab lists the development history.

R Markdown file: up-to-date

Great! Since the R Markdown file has been committed to the Git repository, you know the exact version of the code that produced these results.

Environment: empty

Great job! The global environment was empty. Objects defined in the global environment can affect the analysis in your R Markdown file in unknown ways. For reproduciblity it’s best to always run the code in an empty environment.

Seed: set.seed(20210412)

The command set.seed(20210412) was run prior to running the code in the R Markdown file. Setting a seed ensures that any results that rely on randomness, e.g. subsampling or permutations, are reproducible.

Session information: recorded

Great job! Recording the operating system, R version, and package versions is critical for reproducibility.

Cache: none

Nice! There were no cached chunks for this analysis, so you can be confident that you successfully produced the results during this run.

File paths: relative

Great job! Using relative paths to the files within your workflowr project makes it easier to run your code on other machines.

Repository version: 02e6728

Great! You are using Git for version control. Tracking code development and connecting the code version to the results is critical for reproducibility.

The results in this page were generated with repository version 02e6728. See the Past versions tab to see a history of the changes made to the R Markdown and HTML files.

Note that you need to be careful to ensure that all relevant files for the analysis have been committed to Git prior to generating the results (you can use wflow_publish or wflow_git_commit). workflowr only checks the R Markdown file, but you know if there are other scripts or data files that it depends on. Below is the status of the Git repository when the results were generated:


Ignored files:
    Ignored:    .Rhistory
    Ignored:    .Rproj.user/
    Ignored:    data/procesados/

Untracked files:
    Untracked:  Bioestadistica2021.Rproj
    Untracked:  Curso_Bioestadistica_MTripp_cuatriII.docx
    Untracked:  Curso_Bioestadistica_MTripp_cuatriII.pdf
    Untracked:  data/crudos/

Unstaged changes:
    Deleted:    2021.Rproj
    Modified:   README.md

Note that any generated files, e.g. HTML, png, CSS, etc., are not included in this status report because it is ok for generated content to have uncommitted changes.

These are the previous versions of the repository in which changes were made to the R Markdown (analysis/Clase1_Basicos.Rmd) and HTML (docs/Clase1_Basicos.html) files. If you’ve configured a remote Git repository (see ?wflow_git_remote), click on the hyperlinks in the table below to view the files as they were in that past version.

File	Version	Author	Date	Message
html	02e6728	Miguel Tripp	2021-04-18	Build site.
Rmd	8c50c39	Miguel Tripp	2021-04-18	Publish the initial files for myproject

1 Uso como calculadora en la linea de comandos

operaciones basicas:

1 + 2 #suma

[1] 3

4 - 3 #resta

[1] 1

5 * 5 #multiplicación

[1] 25

4 / 2 #división

[1] 2

4 ^ 2 #Exponente

[1] 16

4 ** 2 #Exponente

[1] 16

!! ¿por qué hay un [1] en cada resultado?

El resultado es un vector, aunque solo consista en un elemento. Por lo tanto, R indica que este el primer [1] elemento de un vector

Operadores en R:

Operador	significado
*	Multiplicación
-	Resta
+	Suma
^	Elevar a potencia
/	División
<	Menor que
>	Mayor que
<=	Menor o igual que
>=	Mayor o igual que
==	Exactamente igual
!=	Distinto

2 Uso de objetos

Para crear un nuevo objeto se puede usar “=” o “<-”. Este nuevo objeto, se almacenará en la memoria y se puede usar para otras operaciones.

x <- 2 #asignar a la variable x el valor de 2
x

y = 3 #asignar a la variable y el valor de 3
y

#resultado de la suma x + y
x + y

z <- x + y#asiganr el resultado de x + y  a la variable z
z

#uso de c para incluir mas de un elemento

numeros <- c(1,2,3,4,5)
numeros

variables <- c(x,y,z)
variables

variables_mas <- variables + 1
variables_mas

variables_expo <- variables ^2

2 ^ variables -> expo_variables 

variables_numero <- variables * numeros

#¿que pasara aqui?

Las variables no solo puede contener números, sino caracteres, listas o incluso graficas

caracter <- "siete"
caracter

[1] "siete"

mix <- c(1,2,"tres")
mix

[1] "1"    "2"    "tres"

¿cual serial el resultado de multiplicar la variable mix x 3?
¿Cuales de estas formas de definir una variables es incorrecta?
mi.variable <-
mi_variable <-
mi variable <-
mi-variable <-

3 Tipos y estructura de datos (Classes)

R tiene los siguientes tipos de datos basicos:

logical: valores lógicos, pueden ser TRUE o FALSE
numeric: numeros reales
character:caracteres (letras y/o númoeros). Delimitados por ""
interger:valores enteros
NA: dato no disponible
NaN:no es un número (not a number)

Las estructuras de datos son:

fuente: http://venus.ifca.unican.es/Rintro/_images/dataStructuresNew.png

Si no sabes que tipo de dato contiene una variable, se puede sar la funcions class()

class(numeros)

[1] "numeric"

class(caracter)

[1] "character"

class(numeros)

[1] "numeric"

class(mix)

[1] "character"

R utiliza funciones para realizar operaciones, por ejemplo class(). Para utilizar una función deben especificarse determiandos argumentos, los cuales se escriben dentro del parentesis.

Por ejemplo, en la función round(), la ayuda nos dice que debemos especificar round(x, digits = 0) donde x es el objecto (número o vector) y digits es el número de decimales.

3.1 Trabajando con vectores

Ejercicio:

Supon que tienes un cultivo de abulones y tienes que revisarlo todos los dias y contar los organismos muertos. Despues de una semana tienes el siguiente resultado:

lunes: 4
martes: 6
miercoles: 0
jueves: 10
viernes: 12
sabado: 8
domingo: 4

1: crea un vector con los valores diarios 2: nombre cada valor con el dia de la semana usando la funcion names()

mortalidad <- c(4,6,0,10,12,8,4)
mortalidad

[1]  4  6  0 10 12  8  4

names(mortalidad) <-  c("Lunes", "Martes", "Miercoles", "Jueves", "Viernes", "Sabado", "Domingo")

mortalidad

    Lunes    Martes Miercoles    Jueves   Viernes    Sabado   Domingo 
        4         6         0        10        12         8         4

#nombrar la mortalidad con la funcion names

Operaciones basicas con vectores

Función	significado
min()	Minimo
max()	Máximo
length()	longitud
range()	intervalo de valores
sort()	Ordena de menor a mayor
unique()	Valores unicos
mean()	Promedio
sum()	suma
which()	proporciona los indices TRUE

Ejercicio: Contesta lo siguiente:

¿cual fue el valor minimo y el maximo?
¿cuantos abulones murieron esa semana?

4 Indices

Una tarea común al trabajar con vectores de datos es el de aislar uno o varios valores que cumplen con algún criterio.

Mostrar el primer valor del vector

mortalidad[1]

Lunes 
    4

Mostrar todos los valores excepto el segundo

mortalidad[-2]

    Lunes Miercoles    Jueves   Viernes    Sabado   Domingo 
        4         0        10        12         8         4

Se puede obtener multiples series de elementos al mismo tiempo usando c()

mortalidad[c(1,2:4)]

    Lunes    Martes Miercoles    Jueves 
        4         6         0        10

o si por el contrario queremos eliminar estos elementos se usa c(-)

mortalidad[-c(1,2:4)]

Viernes  Sabado Domingo 
     12       8       4

Obtener los dias en donde la mortalidad fue mayor a 5

mortalidad > 5

    Lunes    Martes Miercoles    Jueves   Viernes    Sabado   Domingo 
    FALSE      TRUE     FALSE      TRUE      TRUE      TRUE     FALSE

#Mostrar solo los dias donde la mortalidad fue > 5
mortalidad[mortalidad > 5]

 Martes  Jueves Viernes  Sabado 
      6      10      12       8

#Mediante una variable
mor_5 <- mortalidad > 5 
mortalidad[mor_5]

 Martes  Jueves Viernes  Sabado 
      6      10      12       8

Ejercicio

Identificar:

¿En que dia se observó la menor mortalidad?
¿Que dias tuvieron una mortalidad igual a 12?
¿Que dias tuvieron una mortalidad menor al promedio?

4.1 Enistar y borrar objectos

Las funciones ls()y objects()hacen lo mismo: enlistan los objetos que hemos definido en la sesión.

ls()

 [1] "caracter"         "expo_variables"   "mix"              "mor_5"           
 [5] "mortalidad"       "numeros"          "variables"        "variables_expo"  
 [9] "variables_mas"    "variables_numero" "x"                "y"               
[13] "z"

Y si queremos borrar objectos, se usa la funcion rm() Si quieremos borrrar todos los objectos del ambiente, se ejecuta rm(list=ls()).

5 Trabajando con tablas

Ahora supongamos que tienes que revisar tus estanques por otra semana. Sin embargo, el jueves de la tercera semana no pudiste ir, por lo que no tienes valores para ese dia. Estos son los resultados.

lunes: 16
martes: 12
miercoles: 8
jueves: no hay dato
viernes: 14
sabado: 4
domingo: 10

Ejercicio: Construye un vector para la semana 2 con el nombre semana2.

De que forma podriamos nombrar cada dia de la semana en semana2?

6 Crear una tabla con `data.frame`

dia_sem <- c("Lunes", "Martes", "Miercoles", "Jueves", "Viernes", "Sabado", "Domingo")

tabla <- data.frame(dia = dia_sem, semana1 = mortalidad, semana2 = semana2)
tabla # los dias de la semana aparecen doble

                dia semana1 semana2
Lunes         Lunes       4      16
Martes       Martes       6      12
Miercoles Miercoles       0       8
Jueves       Jueves      10      NA
Viernes     Viernes      12      14
Sabado       Sabado       8       4
Domingo     Domingo       4      10

tabla <- data.frame(row.names = dia_sem, semana1 = mortalidad, semana2 = semana2)

tabla

          semana1 semana2
Lunes           4      16
Martes          6      12
Miercoles       0       8
Jueves         10      NA
Viernes        12      14
Sabado          8       4
Domingo         4      10

¿Que tipo de dato es el objecto tabla?

Ejercicio: Para cada semana, busca el valor minimo, maximo y promedio. Con estos valores crea un vector para cada semana y nombralos Semana1_sum y Semana2_sum.

Para esto es posible seguir dos aproximaciones:

usando indices: tabla[filas , columnas]
con el operado $: tabla$columna

max(tabla$semana1)

[1] 12

min(tabla[,2])

[1] NA

mean(tabla$semana2, na.rm = TRUE)

[1] 10.66667

6.1 Estructura de una tabla

#muestra las primeras n filas de la tabla
head(tabla)

          semana1 semana2
Lunes           4      16
Martes          6      12
Miercoles       0       8
Jueves         10      NA
Viernes        12      14
Sabado          8       4

#muestra el numero de filas
nrow(tabla)

[1] 7

#muestra el numero de columnas
ncol(tabla)

[1] 2

#muestra el nombre de las columnas
colnames(tabla)

[1] "semana1" "semana2"

#muestra el nombre de las filsa
rownames(tabla)

[1] "Lunes"     "Martes"    "Miercoles" "Jueves"    "Viernes"   "Sabado"   
[7] "Domingo"

otras operaciones utiles para data.frames:

colSums ()

rowSums ()

colMeans()

rowMeans()

Ejercicio: En el objetvo tabla, crea una columan con el promedio de organismos muertos por dia

Ejercicio: Te diste cuenta que esta nueva columna no te sirve. ¿como la eliminas?

pista: Puedes usar indices o NULL

sessionInfo()

R version 4.0.5 (2021-03-31)
Platform: x86_64-w64-mingw32/x64 (64-bit)
Running under: Windows 10 x64 (build 19041)

Matrix products: default

locale:
[1] LC_COLLATE=English_United States.1252 
[2] LC_CTYPE=English_United States.1252   
[3] LC_MONETARY=English_United States.1252
[4] LC_NUMERIC=C                          
[5] LC_TIME=English_United States.1252    

attached base packages:
[1] stats     graphics  grDevices utils     datasets  methods   base     

other attached packages:
[1] workflowr_1.6.2

loaded via a namespace (and not attached):
 [1] Rcpp_1.0.5      whisker_0.4     knitr_1.30      magrittr_2.0.1 
 [5] R6_2.5.0        rlang_0.4.10    fansi_0.4.1     stringr_1.4.0  
 [9] tools_4.0.5     xfun_0.20       utf8_1.1.4      git2r_0.27.1   
[13] htmltools_0.5.0 ellipsis_0.3.1  rprojroot_2.0.2 yaml_2.2.1     
[17] digest_0.6.27   tibble_3.0.4    lifecycle_1.0.0 crayon_1.4.1   
[21] later_1.1.0.1   vctrs_0.3.6     promises_1.1.1  fs_1.5.0       
[25] glue_1.4.2      evaluate_0.14   rmarkdown_2.6   stringi_1.5.3  
[29] compiler_4.0.5  pillar_1.6.0    httpuv_1.5.4    pkgconfig_2.0.3

Clase 1: Comandos Basicos

Miguel Tripp

2021-04-12

1 Uso como calculadora en la linea de comandos

2 Uso de objetos

3 Tipos y estructura de datos (Classes)

3.1 Trabajando con vectores

4 Indices

4.1 Enistar y borrar objectos

5 Trabajando con tablas

6 Crear una tabla con `data.frame`

6.1 Estructura de una tabla

Clase 1: Comandos Basicos

Miguel Tripp

2021-04-12

1 Uso como calculadora en la linea de comandos

2 Uso de objetos

3 Tipos y estructura de datos (Classes)

3.1 Trabajando con vectores

4 Indices

4.1 Enistar y borrar objectos

5 Trabajando con tablas

6 Crear una tabla con data.frame

6.1 Estructura de una tabla

6 Crear una tabla con `data.frame`