Sección 1: Introducción a R

Author

David Contreras-Loya

Published

January 16, 2026

Lo que necesitarás

  1. Instalaciones funcionales y actualizadas de R y RStudio
  2. Una conexión a internet (para instalar paquetes)
  3. Opcional: Una fuente saludable de cafeína ☕

Resumen

En esta sección nos sumergiremos en R. Comenzamos instalando y cargando paquetes útiles (dplyr y pacman). Luego cargamos el dataset clásico iris y comenzamos a resumirlo y manipularlo. Finalmente, haremos nuestras primeras gráficas.

Paquetes en R

Abre RStudio. Asegúrate de estar ejecutando las versiones más recientes de R y RStudio.

Verifica tus versiones
  • Versión de R: 4.4.2 o más reciente
  • Versión de RStudio: 2024.12.0 o más reciente

Aunque R base es útil y poderoso, el verdadero potencial de R proviene de combinar la instalación principal con los muchos paquetes generados a través de la colaboración de código abierto (ver lista de paquetes de CRAN).

Instalación de paquetes

Puedes verificar qué paquetes están instalados actualmente usando la función installed.packages(). ¿Listo para ejecutar tu primera función? Escribe installed.packages() en la consola de R y presiona enter.

Alternativa: Verifica la pestaña Packages

También puedes verificar la pestaña Packages dentro de RStudio. Las casillas marcadas indican los paquetes que están actualmente cargados.

Ahora, instalemos algunos paquetes que serán útiles este semestre. Usamos la función install.packages(), dándole el nombre(s) del paquete(s) que deseas instalar.

# Instalar el paquete llamado "dplyr"
install.packages("dplyr")

# Instalar múltiples paquetes a la vez
install.packages(c("dplyr", "ggplot2"))

Notas importantes:

  1. Necesitas una conexión a internet.
  2. El nombre de la función install.packages() es plural independientemente del número de paquetes.
  3. El nombre de cada paquete está rodeado de comillas (ej., "dplyr"). Estas comillas le dicen a R que esto es un carácter/cadena, no un objeto. Usa comillas dobles para consistencia.
  4. Podemos crear un vector de paquetes usando c(). Ejemplo: c(1, 2, 3) es un vector de tres elementos. De manera similar, c("dplyr", "ggplot2") es un vector de dos elementos con nombres de paquetes. Los vectores son muy importantes en R.
  5. El símbolo de número (#) crea comentarios en R.

Carga de paquetes

Para verificar que las instalaciones fueron exitosas, cargaremos los paquetes usando la función library():

Note

Nota que no necesitamos comillas alrededor de los nombres de los paquetes al cargarlos (aunque aún funcionaría con comillas).

Gestión de paquetes con pacman

Instalemos otro paquete: el paquete pacman (¡sí, como el juego! 🎮).

# Instalar el paquete 'pacman'
install.packages("pacman")

# Cargarlo
library(pacman)

El paquete pacman es muy meta: es un paquete para gestionar paquetes. Puedes usarlo para instalar, cargar, descargar y actualizar tus paquetes de R.

En lugar de escribir library(...) para cada paquete, usa la función p_load() de pacman:

# Forma antigua
library(dplyr)
library(ggplot2)

# Forma nueva
p_load(dplyr, ggplot2)

Aún mejor: Si intentas cargar un paquete que no está instalado, ¡p_load() lo instalará automáticamente!

# Esto instalará y cargará tidyr si no está instalado
p_load(tidyr)

Instalado y cargado. ¡Ese es servicio! ✨

Carga de datos

El dataset Iris

El dataset Iris contiene mediciones de 150 flores de iris de tres especies diferentes (Iris setosa, Iris versicolor, e Iris virginica). Para cada flor se registraron cuatro características: la longitud y ancho del sépalo, y la longitud y ancho del pétalo (todas en centímetros).

Este conjunto de datos fue introducido por el estadístico y biólogo Ronald Fisher en 1936 y se ha convertido en un clásico para enseñar análisis estadístico, clasificación y visualización de datos. Es uno de los datasets más utilizados en la enseñanza de ciencia de datos por su simplicidad, claridad y utilidad pedagógica.

Carga de datasets incluidos en R

Una de las ventajas de R es que viene con varios datasets incorporados que podemos usar para practicar. El dataset iris es uno de ellos.

Para cargar un dataset incorporado, usa la función data():

# Cargar el dataset iris
data(iris)
¿Qué datasets están disponibles?

Para ver todos los datasets incorporados en R, escribe:

El operador de asignación <-

Aunque iris ya está disponible después de usar data(iris), a menudo queremos crear una copia para trabajar con ella. El operador <- es central en R. Asigna el(los) valor(es) de la derecha al nombre de la izquierda.

Al leer en voz alta, la gente dice “obtiene”: flores obtiene el contenido de iris.

# Crear una copia del dataset
flores <- iris

Para ver los datos, simplemente escribe su nombre:

iris

Funciones para cargar archivos externos

Cuando trabajes con tus propios datos, necesitarás cargar archivos desde tu computadora. Principalmente usarás:

  • Paquete readr: para archivos CSV, TSV y delimitados
  • Paquete haven: para archivos de Stata (.dta), SPSS y SAS
  • R base: para los formatos propios de R (.rds, .rdata)
Aprende sobre las funciones

Para aprender más sobre una función:

  1. Presiona Tab después de escribir el nombre de la función (en RStudio)
  2. Escribe ?function_name en la consola (ej., ?read.csv)

Ejemplo: Cargar un archivo CSV

# Si tuvieras un archivo CSV
library(readr)
mis_datos <- read_csv("ruta/a/mi_archivo.csv")

Jugando con datos

Ahora que tenemos el dataset iris cargado, ¡hagamos algo con esos datos!

Exploración de los datos

Imprime los datos en la consola:

iris

Nota varias cosas:

  1. El conjunto de datos es un data frame (la estructura básica de R para datos tabulares)
  2. Dimensiones: 150 filas × 5 columnas
  3. Tipos de columnas: numéricas (Sepal.Length, Sepal.Width, Petal.Length, Petal.Width) y factor (Species)
  4. Obtienes una vista de los primeros registros

Obtener nombres de columnas

names(iris)

Ver primeras/últimas filas

# Primeras 6 filas
head(iris)

# Primeras 10 filas
head(iris, n = 10)

# Últimas 7 filas
tail(iris, n = 7)
Visor de datos de RStudio

Usa View(iris) o haz clic en el conjunto de datos en el panel Environment para abrir el visor de datos de RStudio.

Estructura del dataset

# Ver estructura detallada
str(iris)

Esto te mostrará: - El tipo de objeto (data.frame) - Número de observaciones y variables - Nombre y tipo de cada variable - Los primeros valores de cada variable

Resumen de los datos

Obtén un resumen rápido de tu conjunto de datos:

summary(iris)

Esto te dará estadísticas descriptivas para cada variable: - Para variables numéricas: mínimo, 1er cuartil, mediana, media, 3er cuartil, máximo - Para factores: conteo de cada categoría

Para resumir una variable única, usa $ para tomarla:

# Tomar la variable Sepal.Length
iris$Sepal.Length

# Resumir Sepal.Length
summary(iris$Sepal.Length)

# Otras funciones útiles
mean(iris$Sepal.Length)    # Media
median(iris$Sepal.Length)  # Mediana
sd(iris$Sepal.Length)      # Desviación estándar
min(iris$Sepal.Length)     # Mínimo
max(iris$Sepal.Length)     # Máximo
Acceso a variables

dataset$variable es cómo tomas una columna específica. ¡El autocompletado de pestañas de RStudio también funciona aquí!

Manipulación de los datos

El paquete dplyr ofrece herramientas útiles para manipulación de datos usando verbos como acciones.

select() - Elegir variables

Mantén solo las variables que te interesan:

# Cargar dplyr
library(dplyr)

# Seleccionar solo mediciones del sépalo y especie
iris_sepalos <- select(iris, Sepal.Length, Sepal.Width, Species)

# Ver resultado
iris_sepalos

¡Ahora tenemos 150 filas pero solo 3 columnas!

Alternativa: Excluir variables con un signo menos:

# Todo excepto las mediciones de pétalos
select(iris, -Petal.Length, -Petal.Width)

arrange() - Ordenar datos

Ordena los datos por una o más columnas:

# Ordenar por longitud de sépalo
arrange(iris, Sepal.Length)

# Ordenar por especie, luego por longitud de sépalo
arrange(iris, Species, Sepal.Length)
¡Se requiere asignación!

Si ves iris ahora, no está ordenado. Debes asignar el resultado para cambiar el objeto:

iris_ordenado <- arrange(iris, Sepal.Length)

Para orden descendente, usa desc():

# Flores con sépalos más largos primero
arrange(iris, desc(Sepal.Length))

filter() - Filtrar filas

Mantén solo las filas que cumplan ciertas condiciones:

# Solo flores setosa
filter(iris, Species == "setosa")

# Flores con sépalos largos (> 6 cm)
filter(iris, Sepal.Length > 6)

# Setosa con sépalos largos
filter(iris, Species == "setosa", Sepal.Length > 5)

summarize() - Crear resúmenes

Crea resúmenes específicos de tus datos:

# Media y DE de longitud de sépalo
summarize(iris, 
          media = mean(Sepal.Length), 
          de = sd(Sepal.Length))

# Múltiples estadísticas
summarize(iris,
          n_flores = n(),
          media_sepalo = mean(Sepal.Length),
          media_petalo = mean(Petal.Length),
          max_sepalo = max(Sepal.Length))

group_by() - Agrupar datos

Combina group_by() con summarize() para análisis por grupos:

# Estadísticas por especie
iris %>%
  group_by(Species) %>%
  summarize(
    n = n(),
    media_sepalo = mean(Sepal.Length),
    media_petalo = mean(Petal.Length)
  )
El operador pipe %>%

El operador %>% (pipe) te permite encadenar operaciones. Se lee como “luego”. En este ejemplo: “toma iris, luego agrupa por especie, luego resume”. Cubriremos esto más a fondo en la Sección 2.

Gráficas de los datos

Las funciones de gráficas predeterminadas de R son simples pero efectivas. Cubriremos ggplot2 más adelante, pero por ahora, hagamos gráficas rápidas.

Histograma

Crea un histograma de longitud de sépalo:

# Histograma simple
hist(iris$Sepal.Length)

Hazlo más bonito con etiquetas y una línea en la media:

# El histograma
hist(
  x = iris$Sepal.Length,
  main = "Distribución de longitud de sépalo",
  xlab = "Longitud de sépalo (cm)",
  ylab = "Frecuencia",
  col = "lightblue",
  breaks = 15
)

# Agregar línea roja en la media
abline(v = mean(iris$Sepal.Length), col = "red", lwd = 3, lty = 2)

Gráfica de dispersión

Grafica la relación entre longitud de sépalo y longitud de pétalo:

plot(
  x = iris$Sepal.Length,
  y = iris$Petal.Length,
  xlab = "Longitud de sépalo (cm)",
  ylab = "Longitud de pétalo (cm)",
  main = "Relación entre sépalo y pétalo",
  pch = 19,        # Tipo de punto
  col = "blue"     # Color
)

Gráfica por grupos

Colorea los puntos según la especie:

# Convertir especies a números para colores
colores <- as.numeric(iris$Species)

plot(
  x = iris$Sepal.Length,
  y = iris$Petal.Length,
  xlab = "Longitud de sépalo (cm)",
  ylab = "Longitud de pétalo (cm)",
  main = "Relación sépalo-pétalo por especie",
  pch = 19,
  col = colores
)

# Agregar leyenda
legend("topleft", 
       legend = levels(iris$Species),
       col = 1:3,
       pch = 19)

Boxplot

Compara distribuciones entre especies:

boxplot(Sepal.Length ~ Species, 
        data = iris,
        main = "Longitud de sépalo por especie",
        xlab = "Especie",
        ylab = "Longitud de sépalo (cm)",
        col = c("lightgreen", "lightblue", "lightpink"))
Estilo de código claro

Recomiendo definir claramente los argumentos de función. Ayuda a mantener las cosas claras, ya que el orden importa cuando no estás nombrando los argumentos.

Indexación

Casi todo en R está indexado numéricamente. Puedes acceder a elementos individuales usando corchetes [].

Indexación de vectores

# Crear un vector
x <- c(3, 5, 7, 9)

# Tomar el segundo elemento
x[2]  # Devuelve: 5

# Tomar segundo y tercer elementos
x[c(2, 3)]  # Devuelve: 5 7
x[2:3]      # Mismo resultado

# ¿Qué hace 2:3?
2:3  # Crea secuencia: 2 3

# ¿Y 1:10?
1:10  # Crea secuencia de 1 a 10

Indexación de data frames

Los data frames tienen filas y columnas: [fila, columna]

# Tomar primera fila (todas las columnas)
iris[1, ]

# Tomar primera columna (todas las filas)
iris[, 1]

# Tomar primeras 5 filas, primeras 3 columnas
iris[1:5, 1:3]

# Usar nombre de columna como índice
iris[1:10, "Species"]

# Combinar: primeras 10 filas de setosa
iris[iris$Species == "setosa", ][1:10, ]
Orden fila, columna

Recuerda: Filas antes de columnas. Deja en blanco para seleccionar todo. - [1, ] = primera fila, todas las columnas - [, 2] = todas las filas, segunda columna - [3, 4] = tercera fila, cuarta columna

Desafío divertido

Prueba esto
  1. ¿Qué sucede si le das a head() o tail() un n negativo?
  2. ¿Puedes replicar este comportamiento usando indexación?
  3. ¿Puedes obtener todas las flores excepto las primeras 10 usando head()?
  4. ¿Cuántas flores de cada especie hay en el dataset? (Pista: usa table())

Problemas de práctica

Problemas con el dataset Iris

Problema 1: Análisis descriptivo

Usando el dataset iris:

  1. Calcula la media y desviación estándar de Petal.Length
  2. ¿Cuál es la flor con el pétalo más largo? (Pista: usa which.max())
  3. Crea un subset con solo flores versicolor
  4. ¿Cuál es la media de Sepal.Width para flores versicolor?
Problema 2: Manipulación de datos
  1. Crea un nuevo data frame con solo flores que tengan Sepal.Length > 5
  2. Ordena este nuevo data frame por Petal.Length en orden descendente
  3. Selecciona solo las columnas de mediciones de pétalos y especie
  4. ¿Cuántas filas tiene tu resultado final?

Problemas de álgebra lineal

Algunos rompecabezas clásicos de R-encuentra-álgebra-lineal para tu disfrute:

Problema 3: Matriz identidad

Sea I₅ una matriz identidad de 5×5. Demuestra que I₅ es simétrica e idempotente usando funciones de R.

Pista: Usa diag(5) para crear una matriz identidad.

Problema 4: Matriz idempotente

Genera una matriz idempotente de 2×2 X, donde X no es la matriz identidad. Demuestra que X = XX.

Pista: Una matriz idempotente satisface X = X².

Problema 5: Regresión lineal

Genera dos variables aleatorias, x y e, de dimensión n = 100 tal que x, e ~ N(0, 1).

Genera y de acuerdo a: y = x + e

Muestra que regresar y sobre x usando lm() da estimaciones: β₀ ≈ 0 y β₁ ≈ 1.

Pista: Usa rnorm(100) para generar variables aleatorias normales.

Problema 6: Valores propios y traza

Muestra que si λ₁, λ₂, …, λ₅ son los valores propios de una matriz de 5×5 A, entonces:

tr(A) = Σλᵢ (suma de valores propios)

Pista: Usa eigen() para encontrar valores propios y sum(diag()) para la traza.

Puntos clave

Recuerda
  1. Los paquetes extienden el poder de R - Usa pacman::p_load() para gestión fácil
  2. Datasets incorporados - R incluye datasets como iris para practicar
  3. La asignación es clave - Usa <- para guardar resultados: new_data <- old_data
  4. Verbos de dplyr - select(), filter(), arrange(), summarize(), group_by() para manipulación de datos
  5. Indexación con [fila, columna] - Esencial para acceder a datos
  6. Usa $ para columnas - dataset$variable toma una variable específica
  7. Funciones de resumen - summary(), str(), head(), tail() para exploración

Recursos adicionales

Siguiente: Sección 2 - Manipulación de datos con dplyr