Una introducción a R para el análisis de datos

Primeros pasos en R

Por MSc. Juan Ignacio Mereles y MSc. Teófilo Alberto Díaz

Índice
1. Descarga e instalación de R y R Commander 1
1.1. Descarga de R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. La consola de R e Instalación de R Commander . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3. Instalación de R Studio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

2. Inicio de sesión 8

3. Primeros pasos en R, objetos (vectores, matrices, factores, marcos de datos) 9

3.1. Primeros pasos en R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.2. Vectores en R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.3. Matrices en R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.4. Factores en R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.5. Marco de datos o data frame en R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

4. Uso de script 15

5. Descarga e instalación de paquetes adicionales 15

6. Operadores lógicos y funciones propias de R 16

7. Creación de funciones 16

8. Bibliografía 19

1. Descarga e instalación de R y R Commander

R es un lenguaje de programación estadístico de libre distribución originalmente diseñado por Ross Ihaka
y Robert Gentleman como un homólogo libre al lenguaje comercial S. Actualmente R sigue en constante
desarrollo y crecimiento gracias a la colaboración de muchos profesionales de diferentes disciplinas en todo el
mundo. Cada cierto tiempo va apareciendo una nueva versión con mejoras, inclusión de nuevas funcionalidades
y corrección de ciertos errores de programación o de otra índole. Es un software muy potente para el análisis
y programación estadística, ya que cuenta con centenar de “paquetes” diseñados para diferentes áreas donde
se requieren procedimientos estadísticos.

1.1. Descarga de R
La descarga de la última versión del programa (así como de sus paquetes adicionales y otros recursos) puede
realizarse desde la dirección [Link] El programa está disponible para varios sistemas
operativos como Windows, Linux y MacOS X. Cuando ingresemos a la mencionada dirección debemos
ingresar en la opción CRAN del bloque Download (Figura 1). Una vez accedida a esta opción se nos solicitará
seleccionar un espejo (mirror) para descargar el programa (Figura 2), podemos seleccionar cualquier espejo,

1
 Figura 1: Página oficial de R. Download

sin embargo, recomendamos aquellos que son de instituciones cercanas a nuestro país, por ejemplo alguna de
Argentina o Brasil.
Cuando hayamos seleccionado uno de los espejos procedemos a la descarga del instalador principal del
programa dependiendo del sistema operativo de nuestro computador (Figura 3), en este caso Windows, y
seleccionamos la opción “base” para comenzar con la descarga del programa (Figura 4). El instalador lo
podemos guardar en descargas o en algún sitio del computador para posteriormente ejecutarlo. En el momento
de la elaboración de este material la última versión disponible del programa es la 4.1.0 (Figura 5).
Una vez descargado el instalador lo ejecutamos dejando por defecto todas las opciones que vayan apareciendo
a medida que damos clic en siguiente. Si el programa fue instalado sin ningún inconveniente nos aparecerá
una pequeña ventana que indica la finalización del programa con éxito.

1.2. La consola de R e Instalación de R Commander

Una vez instalado el programa base de R nos aseguramos de que inicie sesión correctamente, es decir, que
pueda abrirse sin problema desde el escritorio mediante un icono de acceso directo o desde el menú iniciar
del computador. Al abrir el programa aparecerá una ventana con apariencia de un editor de texto habitual
de Windows en donde podemos observar algunas características de R (Figura 6), esta ventana es la llamada
“Consola” de R. En esta consola, se van generando y ejecutando los distintos comandos preestablecidos en R o
creados por el usuario. Sin embargo, existe una alternativa a la consola de R que nos permite trabajar de
una manera más “amigable”, con menús desplegables y opciones para acciones básicas del programa, esta
alternativa es la llamada interfaz gráfica R Commander.
Para poder utilizar R Commander, necesitamos descargarlo e instalarlo escribiendo en la consola
[Link]("Rcmdr") o alternativamente podemos realizar la descarga e instalación desde el menú
Paquetes y seleccionar la opción “Instalar Paquetes” (Figura 6). Se nos abrirá, la primera vez, una pequeña
ventana (Figura 7) en donde debemos seleccionar uno de los espejos (mirror) para realizar la descarga.
Cuando seleccionamos el espejo se abrirá de nuevo una ventana similar a la anterior, pero en este caso, para
la descarga del paquete de interés. En nuestro caso, buscamos en el listado de paquetes el llamado Rcmdr, lo
seleccionamos y damos OK.

2
Figura 2: Algunos de los espejos (mirrors) disponibles para la descarga de ‘R‘

Figura 3: Descarga de R para Windows

3
 Figura 4: Opción base

Figura 5: Descarga del instalador de R

4
 Figura 6: Consola de R y Opción Instalar Paquetes

Figura 7: Selección del Espejo (mirror) para la descarga de paquetes y Paquete Rcmdr (para la descarga de
R Commander)

5
Con la descarga del paquete Rcmdr se descargan además algunos paquetes adicionales de los cuales requerirá
R Commander para poder trabajar. Una vez descargados estos paquetes procedemos a abrir a la interfaz
correspondiente escribiendo en la consola el la línea library(Rcmdr). Sin embargo, notaremos un mensaje
que indica la falta de algunos paquetes para que todas las funciones básicas de R Commander trabajen sin
ningún problema (Figura 8). Seleccionamos “Si” y luego “OK” para la descarga de estos paquetes, esto es,
dejamos las opciones por defecto de este procedimiento (Figura 9).

Figura 8: Librería Rcmdr y mensaje para instalar paquetes faltantes

Figura 9: Instalación de paquetes faltantes de R-Commander

Descargados ya todos los paquetes necesarios para que R Commander funcione normalmente, la interfaz se
abre automáticamente.
Finalmente nos aparece la ventana correspondiente a la interfaz gráfica R Commander. La apariencia de esta
interfaz es más elegante que la consola y permite realizar muchos de los procedimientos y operaciones con la
ayuda de menús desplegables. Podemos identificar algunas secciones importantes en esta ventana, como la
barra de herramientas en donde podemos explorar las distintas opciones que nos ofrece el programa; además
de un espacio para escribir y modificar comandos llamado “R Script”; un espacio donde se muestran los
comandos ejecutados con sus correspondientes resultados, este espacio corresponde a “Salida”; y por último,
en la parte inferior de la ventana observamos un espacio reservado para “Mensajes” en donde el programa
nos avisa si hay algún tipo de error o nos proporciona alguna información sobre la ejecución de un comando o
sobre ciertos datos (Figura 10).

6
Figura 10: Ventana de la interfaz gráfica R-Commander

7
Con R Commander aprendemos rápidamente cómo es el lenguaje utilizado en el programa, por lo menos, las
sintaxis básicas. Todo esto también puede ser copiado en la consola y desde allí ejecutarlos.
Por otro lado, si la ventana de R Commander se cierra accidentalmente o por algún otro mitivo podemos
abrirla escribiendo en la consola Commander() y no library(Rcmdr), ya que estamos en la misma sesión.

1.3. Instalación de R Studio

Una herramienta muy poderosa que permite trabajar con R de una manera más amistosa es R Studio. Es un
ID de muy buen desempeño con variedad de alternativas y vistas para contemplar completamente un análisis
estadístico. La última versión se puede descargar de [Link]

2. Inicio de sesión
Al abrir el programa R y empecemos a trabajar en él, siempre es importante definir un espacio de trabajo
para guardar comandos, datos, figuras, etc. y también para importar archivos de datos sin la necesidad que
en cada sentencia se especifique cuál es la dirección de trabajo, a esto R lo llama “directorio de trabajo”
(working directory). Realizamos el cambio de directorio con el menú Archivo -> Cambiar dir. . . (Figura 11)
especificando en qué carpeta queremos ubicarnos para la correspondiente sesión de trabajo. Para cambiar de
directorio, también podemos utilizar el comando setwd() en la consola, por ejemplo, de la siguiente manera:
setwd("C:/.../.../Carpeta de trabajo")
Aquí setwd() es un comando cuyo argumento representa la dirección o ubicación de nuestra carpeta de
trabajo. Una vez que hayamos definido nuestro directorio de trabajo ya podemos empezar a trabajar en
R. Para visualizar en qué ubicación está el directorio de trabajo lo único que debemos hacer es escribir en
la consola el comando getwd() sin ningún argumento, es decir, sin escribir absolutamente nada dentro del
paréntesis.

Figura 11: Cambiar directorio de trabajo en R

8
3. Primeros pasos en R, objetos (vectores, matrices, factores, mar-
cos de datos)
3.1. Primeros pasos en R
Cuando empezamos a trabajar con R, debemos distinguir algunas características principales de la consola. En
primer lugar, el símbolo > debe estar disponible para comenzar a cargar los comandos, si este símbolo no
aparece en la pantalla no podemos realizar ninguna acción en R. En segundo lugar, R proporciona colores
diferentes para distinguir entre líneas de comandos y resultados o mensajes de aviso o error. Por defecto, las
líneas de comandos se presentan en color rojo, mientras que los resultados o mensajes de aviso o error se
caracterizan con el color azul. Por ejemplo,
2+2

## [1] 4
(1+5+2)/3

## [1] 2.666667
Como podemos apreciar R funciona como una potente calculadora para la realización de operaciones aritméticas
habituales de números reales como suma, resta, multiplicación, división, etc. Sin embargo, podemos también
realizar operaciones para números complejos (No lo veremos en este curso). Es importante notar que R utiliza
puntos para denotar una cantidad decimal y no “comas” como se acostumbra en otros programas como el
SPSS por ejemplo. Además, cualquier carácter escrito después del símbolo #, R lo lee solo como un comentario.
Más abajo utilizaremos el símbolo # para dar algunos comentarios.
La forma más eficaz de trabajar con R es guardando cada acción que nosotros realizamos en los llamados
“objetos” de R, es decir, asignarle un nombre a la línea de comandos. Esto es bastante útil para volver a
utilizarlos en algún momento de la sesión. El nombre puede ser una sola letra, una palabra, letras con números
pero no pueden tener como nombre solo números ni comenzar con números. Una asignación la podemos
realizar de una de las siguientes formas:
a = 5
a <- 5
5 -> a

Es decir, podemos utilizar los símbolos =, <- o -> para asignar una línea de comandos a un objeto. Los dos
últimos son en realidad lo mismo, solo cambia el sentido en que se escriben la acción a realizar. En este
ejemplo estamos diciendo que a es el objeto cuyo valor es el número 5. Nosotros utilizaremos, en lo posible, la
asignación <- que es una de las formas más utilizadas, sin embargo, podríamos hacer uso también del símbolo
= en algunas ocasiones. Entonces, regresando al ejemplo anterior, cuando escribimos la letra a en la consola y
presionamos la tecla enter el programa arroja el valor o la acción contenida en ‘a“, en este caso:
a <- 5
a

## [1] 5
Cuando definimos algún tipo de objeto en R y estamos interesados en saber qué tipo es, simplemente escribimos
en la consola el comando class() cuyo argumento es el objeto de interés. Por ejemplo, para el objeto a
tenemos:
class(a)

## [1] "numeric"
Significa que el objeto a es de tipo numérico. Esto es cierto ya que el objeto a solo fue definido como aquel
que representa el valor cinco, que por supuesto es numérico. Este comando es bastante útil cuando queremos
saber qué tipo de objetos tenemos en la sesión de trabajo.

9
3.2. Vectores en R
En la mayoría de los procedimientos de análisis estadístico de datos el uso de vectores es habitual porque
simplifican las operaciones que se desean realizar sobre las observaciones y variables. En R podemos generar
vectores numéricos y no numéricos de forma sencilla. Una forma de hacerlo es “concatenando” elemento tras
elemento con el comando c(). Por ejemplo:
vector1 <- c(1,2,3,4,5)
vector1

## [1] 1 2 3 4 5
Aquí observamos que primeramente creamos un objeto llamado vector1, luego le asignamos la expresión
c(1,2,3,4,5) que representa un vector que contiene los primeros cinco números enteros positivos. En otras
palabras, vector1 es un vector que tiene como elementos a los números 1, 2, 3, 4 y 5. El comando c()
también sirve para concatenar caracteres, la única diferencia con respecto al numérico es que cada carácter
debe estar contenido entre comillas. Por ejemplo, el vector que contiene a los cinco vocales la podemos definir
como sigue:
vector2 <- c("a","e","i","o","u")
vector2

## [1] "a" "e" "i" "o" "u"

Claramente podemos observar que el resultado arrojado es diferente (por las comillas) al del vector numérico
vector1. Esto quiere decir que el vector2 tiene elementos que no representan números, así formalmente no
representan vectores matemáticos.
Otra forma de crear vectores es utilizando el comando seq(from=, to=, by=) que crea un vector cuyos
elementos son secuencias crecientes o decrecientes que depende del valor indicado en by. Otro argumento en
vez de by puede ser length que indica la longitud del vector a crear. Por ejemplo:
v1 <- seq(from= 0, to=5, by=0.5)
v1

## [1] 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0
v2 <- seq(from= 0, to=5, length=11)
v2

## [1] 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0
Aquí podemos observar que v1 y v2 son vectores iguales. Por un lado, v1 comienza con el valor 0 y se le va
sumando by=0.5 a cada elemento hasta llegar al valor 5. Por otro lado, v2 también comienza con 0 y termina
en 5, sin embargo, en es este vector definimos una longitud de 11 (length=11) y no la separación entre cada
valor como el by. En el comando seq() no es necesario escribir from y to, con solo indicar los valores inferior
y superior el programa lo considera from y to por defecto. Se puede escribir entonces simplemente:
v1 <- seq(0, 5, by=0.5)
v2 <- seq(0, 5, length=11)

Hay otras variantes de seq() que podemos consultarla escribiendo en la consola ?seq o help("seq").
Una secuencia de números sucesivos la podemos también crear con el operador :. Por ejemplo, los números
sucesivos del 1 al 25 se realiza simplemente así:
suces <- 1:25
suces

## [1] 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
En ocasiones es interesante crear vectores que repitan un cierto valor o atributo una cantidad fija de veces.
Esto se logra con la expresión rep(). Podemos considerar los siguientes ejemplos. Se crea un vector cuyos

10
primeros 10 valores son unos, es decir:
rep(1,10)

## [1] 1 1 1 1 1 1 1 1 1 1
También pueden repetirse objetos. Supongamos que definimos el vector
v <- c(2, 8, 6)

y queremos un vector sean tres secuencias de v, es decir

z <- rep(v, 3)
z

## [1] 2 8 6 2 8 6 2 8 6
Obviamente podemos concatenar secuencias según conveniencia. Así por ejemplo queremos un vector cuyos
10 primeros valores sean ceros, los diez siguientes sean unos y los diez siguientes sean cincos, es decir,
secuencia <- c(rep(0,10), rep(1,10), rep(5,10))
secuencia

## [1] 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 5 5 5 5 5 5 5 5 5 5
En ocasiones, cuando tenemos vectores que tienen muchos elementos e interesa extraer algunos de ellos que
ocupan ciertas posiciones es difícil extraerlos con solo mirar los elementos del vector. Para tal efecto, R cuenta
con un operador bastante potente para la extracción de ciertos elementos de un vector, este operador es [].
Primeramente indicamos el nombre del vector y al lado dentro del operador [] la posición o posiciones que
queremos extraer. Por ejemplo, tomando el vector secuencia del ejemplo anterior tenemos:
secuencia[10] # Extrae el elemento que ocupa la posición 10.

## [1] 0
secuencia[1:10] # Extrae los elementos de las posiciones 1 al 10.

## [1] 0 0 0 0 0 0 0 0 0 0
secuencia[c(1,11,21)] # Extrae los elementos de las posiciones 1, 11 y 21.

## [1] 0 1 5
Cabe señalar que lo que escribimos después del símbolo # son comentarios que no afectan a lo que está a la
izquierda.

3.3. Matrices en R
Crear una matriz en R es muy sencillo. Podemos utilizar el comando matrix o el comando array (ordenación
multidimensional) para crearla. Veamos cómo funciona cada una de estas funciones:
Matriz1 <- matrix(c(1,2,3,4,5,6,7,8,9), nrow=3, ncol=3)
# c(1,2,3,4,5,6,7,8,9) son elementos de la Matriz1, nrow=3 indica que tendremos 3 filas
# y ncol=3 indica 3 columnas, es decir de orden 3x3, ordenando los elementos en columnas.
Matriz1

## [,1] [,2] [,3]

## [1,] 1 4 7
## [2,] 2 5 8
## [3,] 3 6 9

11
Matriz2 <- array(c(1,2,3,4,5,6,7,8,9), dim=c(3,3))
# c(1,2,3,4,5,6,7,8,9) son elementos de la Matriz2.
Matriz2

## [,1] [,2] [,3]

## [1,] 1 4 7
## [2,] 2 5 8
## [3,] 3 6 9
Podemos apreciar cómo los elementos se disponen en columna por defecto en una matriz. Si queremos que se
dispongan por filas solo agregamos byrow=TRUE en el argumento de matrix (veremos a continuación lo que
significa TRUE en R), es decir:
Matriz1 <- matrix(c(1,2,3,4,5,6,7,8,9),nrow=3,ncol=3, byrow=TRUE)
# Coloca los elementos del vector c(1,2,3,4,5,6,7,8,9) de la Matriz1, en filas.
Matriz1

## [,1] [,2] [,3]

## [1,] 1 2 3
## [2,] 4 5 6
## [3,] 7 8 9
También podemos asignarle nombres a las columnas y a las filas de una matriz con los comandos colnames()
y rownames() respectivamente. Por ejemplo:
colnames(Matriz1) <- c("C1","C2","C3") # coloca nombres de columnas en la matriz.
rownames(Matriz1) <- c("F1","F2","F3") # coloca nombres de filas en la matriz.
Matriz1

## C1 C2 C3
## F1 1 2 3
## F2 4 5 6
## F3 7 8 9
R también nos facilita la extracción de alguna parte de una matriz ya definida. El operador [] nos permite
realizar esta acción. Tomemos la Matriz1 como ejemplo:
Matriz1[2,2] # Extrae el elemento de la matriz que ocupa la fila 2 y columna 2.

## [1] 5
Matriz1[1,] # Extrae todos los elementos de la fila 1 de la matriz.

## C1 C2 C3
## 1 2 3
Matriz1[,1] # Extrae todos los elementos de la columna 1 de la matriz.

## F1 F2 F3
## 1 4 7
Matriz1[1:2,1:2]

## C1 C2
## F1 1 2
## F2 4 5
Por otro lado, podemos extraer los elementos de una fila completa o una columna completa escribiendo el
nombre de la fila o columna correspondiente entre comillas.

12
Matriz1["F1",] # Extrae todos los elementos de la fila 1 de la matriz.

## C1 C2 C3
## 1 2 3
Matriz1[,"C1"] # Extrae todos los elementos de la columna 1 de la matriz.

## F1 F2 F3
## 1 4 7

3.4. Factores en R
En estadística cuando realizamos algún tipo de investigación nos encontramos muchas veces con variables que
son de carácter cualitativo o categórico. En R este tipo de variables se definen como factores. Por ejemplo
tenemos el sexo de cinco persona y que se listan en el siguiente orden: Masculino, Masculino, Femenino,
Masculino, Femenino. Podemos crear un vector que se llame sexo de la siguiente manera:
sexo <- c("Masculino", "Masculino", "Femenino", "Masculino", "Femenino")
sexo

## [1] "Masculino" "Masculino" "Femenino" "Masculino" "Femenino"

Sin embargo, necesitamos indicarle a R que este vector va ser considerado como un factor o variable cualitativa.
Entonces escribimos en la consola:
sexo <- factor(sexo)
sexo

## [1] Masculino Masculino Femenino Masculino Femenino

## Levels: Femenino Masculino
Observemos la diferencia con respecto al primer y segundo objeto creado. Cuando escribimos simplemente
la variable sexo en forma de vector cuyos elementos están delimitados por comillas concatenados con el
comando c() el programa lo lee como un vector de caracteres nada más, sin embargo, al aplicar el comando
factor() a la variable creada en el primer punto este se vuelve de tipo factor o variable cualitativa donde
podemos observar, aparte de los elementos de la variable, los niveles o categorías de nuestro factor creado.
Podríamos haber definido la variable sexo como factor simplemente escribiendo una sola línea de comandos,
esto es:
sexo <-factor(c("Masculino", "Masculino", "Femenino", "Masculino", "Femenino"))
sexo

## [1] Masculino Masculino Femenino Masculino Femenino

## Levels: Femenino Masculino
Que es la forma habitual de trabajo cuando cargamos datos en la consola de R. Lo importante aquí es
reconocer que el comando factor() es el que nos permite definir una variable de tipo cualitativa o categórica.

3.5. Marco de datos o data frame en R

Como es sabido, en estadística nos manejamos con datos dispuestos en una matriz. Esta matriz recibe
generalmente el nombre de Marco de datos o data frame, que nos permite realizar cualquier procedimiento
estadístico, incluyendo el cruce entre variables de diferentes tipos. El comando que permite obtener esta
matriz de datos es [Link], que funciona de la siguiente manera: Supongamos que tenemos datos relativos
al sexo de cinco personas y que se especifican sus nombres y sus edades (Cuadro 1).
El procedimiento es así:

13
 Cuadro 1: Datos para el ejemplo de [Link]

Nombre Sexo Edad

Juan Masculino 20
José Masculino 22
Carol Femenino 19
Miguel Masculino 17
Soledad Femenino 25

Nombres <- factor(c("Juan","José","Carol","Miguel", "Soledad"))

Sexo <- factor(c("Masculino","Masculino","Femenino","Masculino","Femenino"))
Edad <- c(20, 22, 19, 17, 25)
datos <- [Link](Nombres, Sexo, Edad)
datos

## Nombres Sexo Edad

## 1 Juan Masculino 20
## 2 José Masculino 22
## 3 Carol Femenino 19
## 4 Miguel Masculino 17
## 5 Soledad Femenino 25
Observamos además que se enumeran las filas de un data frame o marcos de datos automáticamente. Esto
nos sirve para extraer elementos del marco con el mismo operador [] definida para una matriz. También
podemos referirnos a una columna del data frame escribiendo el nombre del mismo seguido del operador $ y
el nombre de la variable de interés. Por ejemplo, para cada variable de datos sería de la siguiente manera:
datos$Sexo # Extrae la variable Sexo del data frame nombrado como datos.

## [1] Masculino Masculino Femenino Masculino Femenino

## Levels: Femenino Masculino
datos$Nombres # Extrae la variable Nombres del data frame nombrado como datos.

## [1] Juan José Carol Miguel Soledad

## Levels: Carol José Juan Miguel Soledad
datos$Edad # Extrae la variable Edad del data frame nombrado como datos.

## [1] 20 22 19 17 25
Podemos consultar cualquier otra información escribiendo en la consola ?[Link] o help([Link]).
Cuando hayamos creado varios objetos en R las podemos observar mediante la función ls() y se listan todos
los elementos creados en la sesión de trabajo.
ls()

## [1] "a" "datos" "df" "Edad" "Matriz1" "Matriz2"

## [7] "Nombre" "Nombres" "secuencia" "sexo" "Sexo" "suces"
## [13] "v" "v1" "v2" "vector1" "vector2" "z"
Si queremos borrar algún objeto escribimos rm() y dentro del paréntesis el nombre del objeto que queremos
eliminar.
rm(datos)
ls()

14
## [1] "a" "df" "Edad" "Matriz1" "Matriz2" "Nombre"
## [7] "Nombres" "secuencia" "sexo" "Sexo" "suces" "v"
## [13] "v1" "v2" "vector1" "vector2" "z"
Notamos que ya no aparece el objeto datos al listar los objetos de la sesión actual. Podemos limpiar la
pantalla con la combinación de las teclas Control + L. Por otro lado, para recuperar líneas anteriores en la
pantalla solo presionamos las teclas direccionales o cursor hacia arriba y hacia abajo.

4. Uso de script
Trabajar directamente solo con la consola muchas veces requiere de la atención para no presionar accidental-
mente los teclados correspondientes al cursor hacia abajo o hacia arriba, ya que éstos borran lo que escribimos
en la línea de comandos hasta ese momento. Para que no ocurra esto, y otras situaciones particulares,
utilizamos un cuadro de texto llamado “Script” (escritorio de trabajo) cuya apariencia es similar al de un
bloc de texto y esta ventana está contenida en la ventana principal de R, lo que implica que debemos abrir R
para poder utilizar algún Script. Para crear un nuevo Script seleccionamos el menú la secuencia Archivo ->
Nuevo script y se abre una ventana como en la Figura 12.

Figura 12: Consola con los objetos creados y el nuevo script de R

En el Script podemos ir escribiendo cualquier línea de comandos sin correr el riesgo de perderlo al presionar
alguna tecla direccional. Por ejemplo, todos estos objetos que hemos creado directamente en la consola de
R, podríamos escribir en el Script bien ordenados y luego le damos ejecutar, ya sea de uno a uno o todos
al mismo tiempo. Podemos utilizar Control + R para ejecutar o seleccionamos aquella/as líneas que nos
interesa, luego Clic derecho y ejecutar (Figura 13). Por ejemplo, podemos tener en nuestro Script los objetos
o líneas creadas en nuestra sesión de trabajo y ejecutar cualquier línea/s cuando sea necesario.

5. Descarga e instalación de paquetes adicionales

Al descargar R de CRAN e instalarlo en nuestro computador, lo que estamos haciendo en realidad es obtener
una pequeña porción del programa, es decir, solo se nos instala algunos paquetes básicos de R con los
cuales podemos realizar las rutinas y procedimientos habituales no tan complejas. Sin embargo, cuando
estamos interesados en realizar algo más sofisticado o algo más complejo, existen paquetes diseñados para
tales propósitos. Estos paquetes, o la gran mayoría de ellos, se encuentran en el repositorio de R y hay que
descargarlos.
La descarga de los paquetes la podemos realizar de las siguientes dos maneras:

15
 Figura 13: Consola con los objetos creados y el nuevo script de R

Podemos escribir en la consola el comando [Link]("") indicando entre las comillas el

nombre del paquete que queremos instalar. Por ejemplo, supongamos que deseamos utilizar el paquete
llamado FactoMineR, entonces debemos escribir en la consola lo siguiente:
[Link]("FactoMineR")

También podemos realizar la descarga e instalación del paquete FactoMineR utilizando el menú Paquetes
-> Instalar paquetes(s) donde aparecerá una ventana que contiene todos los paquetes disponibles hasta
ese momento y, en nuestro caso, seleccionamos aquel cuyo nombre sea FactoMineR (Figura 14).
Una vez descargado e instalado cualquier paquete y la intención es utilizarlo, entonces hay que abrir la librería
correspondiente mediante el comando library(), esto es para todos los paquetes que queremos utilizar
durante alguna sesión. En el caso de FactoMineR escribimos en la consola:
library(FactoMineR)

y si no hay ningún mensaje de error significa que la instalación se realizó de manera exitosa. Podemos empezar
a utilizar el paquete sin ningún tipo de inconvenientes.

6. Operadores lógicos y funciones propias de R

El programa R tiene algunas funciones matemáticas preestablecidas, que se pueden aplicar a objetos de
tipo numéricos, además operadores lógicos tanto para objetos numéricos y no numéricos. A continuación,
veremos algunos de ellos de uso más frecuentes (Adaptado de Peró M. y otros, 2012), algunos ya vistos
también en las secciones anteriores, sin embargo, existen multitud de comandos adquiribles mediante los
manuales, e incluso de algunos artículos que utilizan como herramienta a este programa. No obstante, este
nos da la posibilidad de crear nuestros propios comandos, así como modificar lo ya existente en los paquetes
disponibles (no entraremos de este con detalle en este curso). A medida que utilicemos este programa, nos
iremos familiarizando más con los comandos y los paquetes disponibles en la nube, pero mientras tanto,
debemos tener en cuenta estos comandos listados a continuación (Figuras 15 y 16):

7. Creación de funciones
En R podemos crear e implementar nuestras propias funciones según sea el interés o la necesidad de cada uno.
En esta breve sección veremos cómo crear funciones sencillas en R a partir del comando function con algunos

16
 Figura 14: Selección del paquete FactoMineR para la descarga e instalación

Figura 15: Funciones y operadores de matrices y el álgebra matricial, de uso más frecuente en R

17
Figura 16: Funciones y operadores matemáticos de uso más frecuente en R

18
ejemplos que pretendemos sean fáciles de entender e interpretar.
El comando function tiene, generalmente, la siguiente forma:
function(argumentos){expresión}
En argumentos escribimos letras, palabras o algo que identifique a los elementos de la función a crear. Mientras
tanto, en expresión escribimos qué operación o qué procedimiento queremos que se realice con los argumentos
definidos.
Por ejemplo, queremos crear una función que calcule la media aritmética de un vector de datos numéricos.
Entonces podemos definir lo siguiente:
mediaAritmetica <- function(x){sum(x)/length(x)}

donde mediaAritmetica es el nombre de nuestra función, sum(x) es la suma de todos los elementos del
vector x y length(x) es la longitud del vector (o en otras palabras la cantidad de elementos del vector).
Debemos indicar que el vector numérico no necesariamente debe tener como nombre x, que es el argumento de
la función mediaAritmetica, sino que puede ser cualquier nombre, siempre y cuando sea un vector numérico.
Así podemos definir los siguientes vectores cuyos elementos son iguales:
x <- 1:100
y <- 1:100
mediaAritmetica(x)

## [1] 50.5
mediaAritmetica(y)

## [1] 50.5
Podemos notar claramente que ambos resultados son iguales sin importar que el segundo vector tenga como
nombre y.
Otro ejemplo, puede ser el de crear una función que represente la suma de dos objetos numéricos. Creamos la
función correspondiente de la siguiente manera:
suma<- function(a,b){a+b}

Así, si damos algunos valores a los objetos a y b tenemos

a <- 6
b <- 9
x <- 1:5
y <- 6:10
suma(a,b)

## [1] 15
suma(x,y)

## [1] 7 9 11 13 15
Para a <- 6 y b <- 9 se realizó la operación suma de dos números simplemente, mientras que para x <-
1:5 e y <- 6:10 de componente a componente ya que estos son vectores numéricos.
Alguna otra información que necesitemos acerca del comando function podemos recurrir a la ayuda de R.

8. Bibliografía
Paradis, E. (2003). R para principiantes. Disponible en: [Link]

19
Peró M.; Leiva D.; Guardia J.; Solanos A. (2012). Estadística aplicada a las ciencias sociales mediante R y
R-Comander. 1ra. Edición. Es: Madrid. Garceta grupo editorial. 642p.
R Core Team. (2000). Introducción a R. Disponible en: [Link]
[Link]
R Core Team (2021). R: A language and environment for statistical computing. R Foundation for Statistical
Computing, Vienna, Austria. URL [Link]
Sáez, A. (2012). Métodos Estadísticos con R y R Commander. Disponible en: [Link]
d/1UWhdWDRNBgZ4krBa0shddcbNeFZd13tY/view
Santana, J.; Farfán, E. (2014). El arte de programar en R: un lenguaje para la estadística. Disponible en:
[Link]

20