InicioCurso.Rmd

---
title: Uso del lenguaje de programación R 
author: "Arévalo R., J. A."
date: "21/02/2022"
output:
  html_document:
    toc: yes
  pdf_document: default
editor_options:
  markdown:
    wrap: 72
  chunk_output_type: inline
---

```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE)
library(gplots)
require(vegan)
```

## Antes de iniciar el curso:

Abra su navegador y busque las siguientes páginas:

### Donde encontrar **R** y sus paquetes de trabajo asociados, **Rstudio** y **Git**

**R** se encuentra en "<https://cran.r-project.org/>"

Después de instalar **R**, se requiere **Rstudio**
"<https://rstudio.com>" **Rstudio** el cual es un entorno de desarrollo
integrado (IDE) para el lenguaje de programación **R**.

Además, es necesario instalar el control de cambios distribuido **Git**
que se encuentra : "<https://git-scm.com/>"

Instale los paquetes en el orden:

1.  **R**
2.  **Rstudio**
3.  **Git**

Se recomienda no modificar el orden de instalación, si lo hace puede
tener problemas para ejecutar **R** de forma apropiada.

-----------------------------------------------------------
## Organización de subdirectorios propuesta para trabajar por "Proyecto"

Un ejemplo de la estructura general para organizar un proyecto ya sean
estos; reportes, tareas, ensayos, análisis de datos, evaluaciones,
Reporte de servicio social, tesis de maestría o doctorado en Biología,
puede ser de forma general la siguiente:

-   Working directory: es el(los) archivo(s) de texto en **LaTeX** o **Markdown** que se utiliza(n) para el proyecto, estos pueden contener o no codigo (chunk o bloque de código).

-   Datos, la información requeridas por el proyecto, formato CSV o txt. Puede contener una copia de los archivos originales, siempre es recomendable tener una copia de respaldo.

-   Scripts: el script generado para el proyecto o que se quieren analizar o utilizar para la evaluación de la información.

-   Información: artículos, libros, manuales, manuscritos relevantes al proyecto.

-   Figuras / Imágenes: gráficos, mapas, fotografías del proyecto.

-   Bibliografía: es archivo que contiene las referencias bibliográficas
    que se han utilizado para el proyecto.

-   Notas: archivos donde se almacenan dierentes notas sobre el proyecto, para uso personal y de referencia para el proyecto.


Es importante crear un archivo **READEME.md**, en el subdirectorio del proyecto, donde se describe de forma sintética el contenido de los archivos y los diferentes subdirectorios. Además, el objetivo del proyecto y las características de los archivos dentro de los subdirectorios, por ejemp. Lenguajes(s) utilizados, requerimientos de compilación, lectura, sistema operativo, software o cualquier otra indicación que sea importante para entender y procesar el proyecto.  

Los subdirectorios propuestos pueden contener otros nombres o sudirectorios a juicio del usuario.

![Propuesta de organización del proyecto](image/Proyecto-Org.jpg){#Org.proyecto width="667"}


Se recomienda en la creación de los subdirectorios, no utilizar acentos, espacios o caracteres especiales. Lo que interesa es el poder organizar la información del proyecto, en una forma rápida y reconocible para cualquier máquina o sistema operativo y sin importar el idioma, ya que la disposición de los códigos ASCII es diferente para cada idioma, principalmente para el español. Además, en algún momento puede estar trabajando en colaboración con otras personas, las cuales su lengua materna no necesariamente es el español. Al igual, cada directorio puede contener uno o varios subdirectorios. Recuerde mantener organizado su proyecto, es importante y ayuda a invertir su tiempo y esfuerzo en el manuscrito y análisis de la información. Evite perder el tiempo en la búsqueda de archivos que en algún momento se dejaron sin organizar. Además, una organización adecuada le ayudará a mantener varios proyectos al mismo tiempo y no descuidar su avance por falta de organización.

> **Siga de forma general esta propuesta, pude modificar los nombres
 propuestos de los subdirectorios, utilice identificadores claros y
 lógicos.** <

------------------------------------------------------------------------

## ¿Qué es R?

**R** es un lenguaje de programación funcional.

**R** es un lenguaje de programación y un ambiente (software) utilizado
para el análisis de datos (información) con una salida gráfica de alta
calidad.

**R** es usado por toda persona que quiere entender la información
(datos), por medio de análisis estadísticos, visualización y modelado
predictivo.

------------------------------------------------------------------------

## ¿Cómo se trabaja en R?

El análisis de los datos en **R** se realiza mediante la escritura de un
*script* o guión de instrucciones, con las funciones del lenguaje.

## R es un lenguaje completo, interactivo y funcional

El lenguaje provee objetos, operadores y funciones los cuales hacen del
proceso de exploración, modelado y visualización de los datos algo
natural. Así, el análisis completo de los datos se puede realizar con
sólo unas cuantas líneas de código.

------------------------------------------------------------------------

## R es un ambiente para análisis estadístico

-   En el lenguaje **R** se encuentran disponibles funciones para la
    manipulación de los datos, modelos estadísticos o gráficos

-   Los métodos son de tipo: \`\`estandar", además, la investigación en
    estadística y modelado predictivo se realiza principalmente en
    **R**.

-   Por lo tanto, las últimas técnicas de análisis se encuentran
    disponibles primero en el lenguaje **R** que en otros lenguajes o
    paquetes estadísticos.

------------------------------------------------------------------------

## R es un projecto de software abierto (open-source software project)

Esto es que no solamente se puede \`\`bajar" (instalar) y usar **R** en
forma libre, el código es también abierto para su inspección y
modificación por cualquier persona que quiera analizar los métodos y
algoritmos con los que trabaja.

**R** tiene 27 años (1993, 1996--2022) en mejoras de su código, lo cual da como resultado una calidad y exactitud numérica muy altas. Además, **R** tiene una interfase abierta, lo que significa que puede integrarse con otras aplicaciones y sistemas, por ejemplo **Rcmdr** o **Rstudio**, *emacs*, *vi*, *vim*, entre otras.

------------------------------------------------------------------------

## R es una comunidad

**R** fue creado por **Ross Ihaka** y **Robert Gentleman** en la
University of Auckland, NZ, en 1993. El proyecto ha crecido y
actualmente incluye más de 20 lideres en el área de la estadística y las
ciencias de la computación que se encuentra distribuidos en todo el
planeta.

Además, miles de otros usuarios los cuales contribuyen añadiendo
funcionalidad al lenguaje **R** por medio de la implementación de
\`\`paquetes" para el uso de 2 millones de usuarios. Teniendo como
resultado una comunidad de usuarios con un rango desde principiantes a
expertos en el uso de **R**.

------------------------------------------------------------------------

## R como lenguaje

En R, el análisis de los datos se realiza escribiendo funciones y
scripts (escrito con el plan de acción), no haciendo pointing y clicking
(apuntando y presionando el botón de ratón, click, por el sonido). Esto
puede ser extraño o temeroso o poco confiable, pero es un lenguaje fácil
de aprender, en forma natural y expresivo para el análisis de datos
(Inglés).

------------------------------------------------------------------------

## El aprendizaje del lenguaje, tienen muchos beneficios

El lenguaje es interactivo, opuesto a los procedimientos
data-in-data-out black-box. **R** promueve experimentación y
exploración, lo cual mejora el análisis de datos y en muchas ocasiones
nos lleva a descubrimientos que no se podrían hacer de otra forma.

El script documenta todo el trabajo, desde el acceso a los datos como el
reporte y puede ser ejecutado (run o re-run) en cualquier momento.
Haciendo mucho más fácil el actualizar los resultados cuando los datos
(información) cambian. El script también hace más fácil la
automatización del trabajo o tareas en secuencia que pueden ser
integrados en otros proceso, haciendo que los análisis se realicen en
menor tiempo.

------------------------------------------------------------------------

## Gráficas y visualización

Una de las características principales de **R** es la visualización de
los datos por medio de diferentes tipos de gráficas, las cuales son
parte del proceso de análisis de datos. **R** es una herramienta para
generar gráficas, desde las de barras, distribución, gráficos múltiples
o cualquier otra que el usuario pueda imaginar. **R** se encuentra
basado en las ideas gráficas de Bill Cleveland y Edward Tufte.

## Técnicas de análisis estadístico flexible

Los análisis de datos estándar se encuentran construidas dentro del
lenguaje de **R**: desde el acceso a los diferentes formatos de datos,
la manipulación de datos (transformaciones, asociaciones, agradados,
etc.), análisis tradicionales y modelos estadísticos modernos
(regresión, ANOVA, GLM, modelos de árbol, etc.). Todo se encuentra
incluido dentro de un marco orientado a objetos que hace muy sencilla la
extracción y la combinación de la información necesaria, en lugar de
cortar y pegar al reporte.

------------------------------------------------------------------------

## Acceso a análisis actuales

Académicos e investigadores de todo el mundo usan **R** para desarrollar
los últimos métodos en estadística, aprendizaje de máquina (machine
learning) y modelos predictivos. Métodos de finanzas, genética y otros
campos son programados en **R**. Más de 2000 paquetes se encuentran
disponibles en **R**, los cuales se pueden instalar e utilizar de forma
libre, además cada día se añaden más.

## Comunidad creciente

Con miles de contribuyentes y más de dos millones de usuarios en todo el
mundo, se puede consultar a la comunidad cuando se presenta alguna duda.
Además se pueden consultar una gran cantidad de recursos electrónicos
libres que han sido creados por los diferentes usuarios, todos
disponibles en la web.

------------------------------------------------------------------------

## Orígenes de **R**

**R** fue creado por Robert Gentleman y Ross Ihaka para explorar algunas
ideas de cómputo estadístico.

-   Combina ideas de los lenguajes de programación "Scheme" y "S"

-   El nombre de **R** es a juego con el lenguaje "S" y las primeras
    iniciales de los autores

-   El éxito de la idea original llevó a la meta de usar **R** para
    enseñar en cursos de estadística elemental

-   El sistema fue presentado en 1996 en un artículo en el The Journal
    of Computational Statistics and Graphics.

------------------------------------------------------------------------

## R: A Language for Data Analysis and Graphics

![Presentación formal de R](image/Rjournalweb1996.jpg){width="861"}

## Ahora es tiempo de divertirse :-)

Iniciaremos usando R utilizando el ambiente integrado de desarrollo
(IDE), **Rstudio.**

### Pasos antes de iniciar el trabajo con R studio:

-   Cree un subdirectorio de trabajo para el proyecto,

-   Abrir Rstudio,

-   Posicionarse en el subdirectorio que acaba de crear, **Files**,

-   Ir al icono *Crear un proyecto* seleccionar **Seleccionar Crear
    proyecto**,

-   Seguir las instrucciones para crear el proyecto, ya creado el
    proyecto,

-   Ir a **New File** seleccionar **Rscript**,

-   Seleccionar **Save current Document**,

-   Salvar su archivo y asignarle un nombre, **sin espacios**, si quiere
    representar espacios puede usar los caracteres **-\_.** no utilice
    acentos, "eñe" u otro tipo de caracteres y no inicie con números,

-   Ya esta listo para iniciar el trabajo en R en el ambiente integrado
    de desarrollo **Rstudio**.

------------------------------------------------------------------------

## Primeros pasos

Ahora ya puede iniciar el uso de **R**, escriba:

    print("Hello World, It's me!!")  # Hola comentario

La salida será\_

```{r HelloWord, echo= FALSE}
print("Hello World, It's me!!")  # Hola comentario
```

### Documemtación de su script

Ejemplo de un comentario, es útil para poder poder documentar el script
y así poder recordar lo que esta realizando la función de R.

```{r ejempComentario, echo=TRUE}
## Ejemplo de un comentario
```

#### Conocer la versión de R que se ha instalado en su computadora.

Trabajemos un poco en la consola de **R**, es decir trabajemos
directamente con R.

```{r R.ver, echo=TRUE}
R.Version()
```

Conocer la información de la sección de **R**

```{r session, echo=TRUE}
sessionInfo()
```

### Recuerde!!

Para conocer donde se encuentra el subdirectorio de trabajo se utiliza
la función:

```{}
getwd()
```

Al inicio de la primera sesión con **R** se tiene que crear un
sudirectorio (carpeta) de trabajo con un nombre que identifique
fácilmente la función del subdirectorio (carpeta).

Después de crear el subdirectorio se utiliza la función (ejemplo
personal):

```{r wd_donde.Salida, echo=FALSE}
getwd()
```

## Resumiendo

-   **R** es un lenguaje de programación para análisis de datos y
    gráficos, no un software estadístico.

-   **R** es un software libre, el cual puede ser modificado por el
    usuario pero no se puede vender.

-   **R** Trabaja con funciones, lenguaje funcional, el cual es muy
    fácil de leer y de escribir.

-   **Rstudio** es un IDE (Integrated Development Environment), esto es
    un entorno de desarrollo integrado o entorno de desarrollo
    interactivo, donde se proporcionan los servicios integrales para
    facilitar el desarrollo de software.

------------------------------------------------------------------------

## Variables

### ¿Qué es una variable?

Es una parte de la memoria que es reservada para almacenar valores. Al
crear una variable se reserva un espacio en la memoria (Def. Ciencias de
la computación). Para nosotros, una variable es un atributo,
característica o cualidad que puede variar en su valor.

## Operadores de datos en R

#### Existen 5 principales tipos de operadores:

-   Aritméticos (Arithmetic Operators): Operaciones aritméticas, **R**
    como calculadora.

```{r ejemplo, echo=TRUE}
2+6
2-6
2*6
3/2
3^3
25/3
25 %% 3  ## Residuo
25 %/% 3 ## Entero
```

------------------------------------------------------------------------

## Asignación (Assignment Operators): Aperadores utilizados para asignar valores.

### Creación de objetos

**R** trabajar con objetos. Un objeto contiene la información colectada
para el análisis, por ejem. las alturas de los árboles, los diámetros a
la altura del pecho (DAP) de los árboles, el sexo se las aves capturadas
en una red, los ángulos de inclinación de las ramas en el dosel de un
árbol, las alturas de los alumnos del 4o trimestre de la licenciatura en
biología, etc. En **R** los objetos pueden estar constituidos por
funciones, números, letras, matrices, listas, data frames, vectores,
valores boleanos, etc.

### Objetos en **R**

#### Asignación o generación de un objeto

El asignar o generar un objeto se realiza con el operador de asignación
de **R**, los más usados son: **\<-** o el carácter **=**. Los objetos
pueden ser usados dentro de las diferentes funciones de **R**. Si se
quiere desplegar el objeto se escribe el nombre seguido de **Run**.

#### Reglas para crear un objeto:

1.  No puede contener símbolos ?¡\*+\#
2.  Se puede utilizar ".", "\_" o iniciar con punto; **hola_1erdato**
3.  Los nombres de los objetos pueden contener números pero **no** al
    inicio.
4.  **R** diferencia las mayúsculas y minúsculas, **X** es
    diferente a **x** y **algo** es diferente a **alGo**.

### Operadores para asignar objetos

-   Operador de asignación **=**

Sintaxis: **nombre_variable = valor**

```{r Asig.eq}
x = 5
x
```

-   Operador de Asignación **\<-**

Sintaxis: **nombre_variable \<- valor**

```{r Asig.Less}
x <- 15
x
```

-   Operador de Asignación **-\>**

Sintaxis : **valor -\> nombre_variable**

```{r Asig.Grtr}
25 -> x
x
```

-   Operador de Asignación **\<\<-** y **-\>\>**

```{r Asig.D.L_G}
x <<- 5
x
55 ->> x
x
```

------------------------------------------------------------------------

-   Operadores Relacionales (Relational Operator): Definen la relación
    entre dos entidades. Por ejemplo: **\<, \>, \<=, != , etc.**

```{r Op.rel}
4 < 6
4 > 6
9 <= 11
9 >= 11
x <- 6
x
x != 2
x != 10
x != 6
```

-   Operadores Lógicos (Logical Operators): Los operadores comparandos
    entidades y son usadas con valores boleanos (lógicos) como **&, \| y
    !**.

```{r Op.Log}
x <- TRUE
y <- FALSE

x & y
y & x

x & x

y & y

x | y
y | x
y | y
x | x

!x
!y
```

-   Operadors Especiales (Special Operators): Son usados para propósitos
    específicos, no se usan para computo lógico, **:** y **%in%**

Por ejemplo:

Crea una secuencia de números en un vector.

```{r Op.Special}
x <- 2:10
x
```

**%in%** Es un operador que se usas para identificar si un elemento
pertenece a un vector.

```{r Op.ident.elem}
x <- 2:10
y <- 5
y %in% x
4 %in% x
12 %in% x
```

## Tipo de datos

Los tipos de variables son usadas para almacenar información (datos).
Una de las ventajas de **R** es que no se tienen que declarar las
variables como algún tipo de dato. Las variables se asignan como objetos
(**R-objets**) y el tipo de dato del objeto los cuales son el tipo de
dato de la variable. Existen seis tipos de datos en **R**.

### Vector

Vector: Un vector es una secuencia de elementos (datos) del mismo tipo.

```{r vctrs}
vectr1 =  c(1, 3, 5, 7, 9)
vectr2 <- c(1, 3, 5 ,7, 9)
```

Existen 5 tipos de vectores atómicos (Atomic vectors), también son
conocido como clases de vectores.

### Listas

Listas (List): Las listas son objetos que contienen elementos de
diferentes tipos como - números, lista de caracteres (strings), vectores
y otras listas dentro de estos.

```{r List}
numr = c(2, 3, 5)

strgn = c("aa", "bb", "cc", "dd", "ee")

x  = list(numr, strgn, TRUE, FALSE)

x
```

### Arrays

Arrays (arreglos Matriciales, Arrays): Las Arrays son objetos en **R**
que son almacenados en dos o mas dimensiones. Se toma un vector como
entrada y se usan los valores con un parámetro de dimensión, **dim**,
para crear la matrices o Arrays.

```{r Array}
vector1 <- c(3, 5, 9)

vector2 <- c(15, 14, 13, 12, 11, 10)

rst_array <- array(c(vector1,vector2), dim = c(3, 3, 2))
rst_array
```


```{r Arraylong}
vector3 <- c(15, 14, 3, 5, 9, 13, 12, 11, 10, 10, 14, 3, 5, 9, 13, 12, 11, 15)

rst_array <- array(vector3, dim = c(9, 9, 1))
rst_array
```


#### Matrices

Matrices: Matrices son elementos de arreglos en dos dimensiones
rectangulares. Una matriz es creada usando la función **matrix()**.

Ejemplo:

**matrix(data, nrow, ncol, byrow, dimnames)** donde,

**data**: es el vector de entrada que contiene los elementos de la
matriz.

**nrow**: es el número de renglones que serán asignados para la matriz.

**ncol**: es el número de columnas que formarán la matriz.

**byrow**: es la clave. Sí es *TRUE* entonces los elementos de entrada
son arreglados por renglón.

**dimname**: es el nombre asignado a los renglones y columnas.

```{r MaTrx}
Matrx <- matrix(c(1:20), nrow = 4, ncol = 5 )
Matrx

Matrx1 <- matrix(c(1:20), ncol = 5, byrow = TRUE)
Matrx1
```

### Factores

**Factores** (Factors): son datos objetos los cuales son usados para
categorizar los datos y almacenarlos en sus niveles. Pueden almacenar
enteros y strings (caracteres). Son muy usados en el análisis de datos
para los modelos estadísticos.

```{r factors}
datos <- c("Este","Oeste","Norte","Sur","Norte", "Este","Oeste","Norte","Sur","Norte")

Factor_data <- factor(datos)

Factor_data

nombres <- c("Alejandra", "Valeria", "Zitlally", "Isaac", "Luis", "Luis", "Valeria", "Luis")

Factor_nombres <- factor(nombres)

Factor_nombres

sexo_ind <- c("MASC", "FEM", "HERM","MASC", "FEM", "HERM","MASC", "FEM", "HERM","MASC", "FEM", "HERM")

Factor_sexo <- factor(sexo_ind)

Factor_sexo
```

### Marco de datos o *Data Frame*

**Marco de datos** (*Data frame*): El marco de datos es una tabla o un
arreglo bi-dimensional (tipo especial de array) en la cual cada columna
contiene los valores de cada una de las variables y cada renglón
contiene un grupo de valores de cada una de las columnas.

```{r df}
std_id = c (1:5)

std_nombre = c("Rene","Maria","Anika","Romulo","Remo")

marks = c(6.2, 5.1, 8.1,7.2,8.4)

std.data.f <- data.frame(std_id, std_nombre, marks)

std.data.f
```

------------------------------------------------------------------------

### Los Datos en **R**

Los datos en **R** tienen asociados determinados atributos, siendo el
más importante el modo. Se consideran cuatro clases de modos en **R**:

-   **logical** (lógico): Es el modo binario, donde los valores posibles
    son T o F (Verdadero o Falso)

-   **numeric** (numérico): Es el modo en donde los valores posibles son
    números reales

-   **complex** (complejo): El modo donde los valores posibles son
    números complejos

-   **character** (carácter): El modo donde los valores posibles son
    caracteres, separados por comillas.

**R** trabaja con diferentes variables:

-   Números reales (1.33)

-   Números enteros (1,2,3,4...)

-   Números Complejos, número imaginario *i*

```{r n.comp}
z <- 2+0i

z
typeof(z)
```

otra forma es asignandolo como complejo

```{r as.complx}
z <- as.complex(2)

z
```

Para saber que tipo de da dato es se pueden usar las funciones:

```{r is.complx}
is.complex(z)

typeof(z)

class(z)
```

-   Boleanos (TRUE,FALSE)

-   Texto ("Hola, ahora uso R")

-   Caracteres ("A", "a", "Texto", "Hola", "4","123")

-   Factor, variable utilizada para clasificar valores, es un texto
    (Cuadrante, Área, sexo) o un número (Fecha, año, mes).

## Resumiendo

Tipos de datos en **R**:

-   Vectores
-   Listas
-   Arrays
-   Matrices
-   Factores
-   Marco de Datos o data frame

Los cuales pueden contener variables:

-   Números reales,

-   Números enteros,

-   Números Complejos,

-   Boleanos (TRUE,FALSE),

-   Texto,

-   Caracteres,

-   Factor.

------------------------------------------------------------------------