Tutorial de R para el curso

Formativo, sin nota. Tiempo estimado: 2–3 h. Hazlo después de instalar R y antes del pre-trabajo 1. Práctica ejecutable para seguir en clase: 01-tutorial-r.Rmd.

Objetivos

Al terminar este tutorial podrás:

• Declarar variables y vectores, y reconocer los tipos de dato que usa el curso.
• Leer un .csv y explorar un data frame (tibble).
• Encadenar operaciones con el pipe |> y los verbos de dplyr: filter, select, arrange, mutate, summarise, group_by y count.
• Calcular conteos, proporciones, medias, medianas, desviaciones estándar y cuantiles, globales y por grupo.
• Construir gráficos con ggplot2 (histograma, cajas, dispersión, barras, Q-Q) y combinarlos con patchwork.

Atiende de forma transversal a RAA1 (describir la variabilidad con herramientas gráficas y numéricas): todo lo que aquí se aprende se reutiliza en los notebooks de las dos sesiones.

Datos del tutorial: datos/tapas-inyeccion.csv — peso de 90 tapas plásticas inyectadas (nominal 12.0 ± 0.5 g) en tres máquinas y dos turnos.

1. Dónde se escribe el código

Un .Rmd tiene tres partes:

1. Encabezado YAML entre ---: título, autor, formato de salida.
2. Texto en Markdown: # Título, **negrilla**, listas con -.
3. Bloques de código (chunks) entre ```{r} y ```.

Atajos útiles en RStudio:

Para que Ctrl + Shift + M escriba |> (y no %>%), activa Tools → Global Options → Code → Use native pipe operator.

Knit ejecuta el .Rmd en una sesión limpia, de arriba abajo. Si un objeto solo existe porque lo creaste en la consola, el Knit fallará: todo debe estar en los chunks.

2. Objetos y declaración de variables

En R se guarda un valor en un objeto con el operador de asignación <-:

nominal <- 12        # número
tolerancia <- 0.5
LIE <- nominal - tolerancia   # 11.5
LSE <- nominal + tolerancia   # 12.5
proceso <- "inyección"        # texto (siempre entre comillas)

• El nombre va a la izquierda, el valor a la derecha. Escribir solo el nombre (LIE) muestra su contenido.
• R distingue mayúsculas: LIE y lie son objetos distintos.
• Los nombres no llevan espacios, tildes ni empiezan por número. En el curso usamos snake_case: peso_g, media_turno.
• = también asigna, pero se reserva para los argumentos de funciones: mean(x, na.rm = TRUE).

Tipos de dato

class(x) dice el tipo de un objeto. NA representa un dato faltante.

Vectores

Un vector guarda varios valores del mismo tipo. Se crea con c() (“combinar”):

pesos <- c(12.1, 11.9, 12.3, 11.8, 12.0)
length(pesos)    # 5
pesos[2]         # 11.9 — los índices empiezan en 1
pesos[pesos > 12]         # filtra: 12.1 12.3
pesos - nominal           # opera elemento a elemento
mean(pesos > LSE)         # proporción de TRUE = proporción fuera por arriba

Otras formas de crear vectores: 1:10, seq(0, 1, by = 0.1), rep("M1", 3).

Truco que se usa todo el curso: TRUE vale 1 y FALSE vale 0. Por eso sum(condición) cuenta cuántos cumplen y mean(condición) da la proporción.

Operadores de comparación y lógicos

Funciones

Una función recibe argumentos entre paréntesis y devuelve un resultado:

round(3.14159, digits = 2)   # 3.14
mean(c(1, 2, NA))            # NA: hay un faltante
mean(c(1, 2, NA), na.rm = TRUE)   # 1.5

?mean o help(mean) abren la ayuda. Al final de la ayuda siempre hay ejemplos.

3. Paquetes

Un paquete agrega funciones a R. Se instala una vez y se carga en cada documento:

install.packages("tidyverse")   # una sola vez (ya lo hizo install.R)
library(tidyverse)              # al inicio de cada .Rmd

tidyverse carga, entre otros, readr (leer datos), dplyr (manipular), tidyr (reorganizar) y ggplot2 (graficar). knitr::kable() da formato a las tablas.

Si dos paquetes tienen funciones con el mismo nombre (por ejemplo select en dplyr y en MASS), se puede indicar cuál usar con paquete::funcion(): dplyr::select(...).

4. Data frames y lectura de datos

Un data frame es una tabla: cada columna es una variable (un vector) y cada fila una observación. read_csv() lo lee como tibble, una versión moderna del data frame.

tapas <- read_csv("datos/tapas-inyeccion.csv")

La ruta es relativa a la carpeta donde está el .Rmd. En los notebooks de las sesiones se usa "../datos/archivo.csv": .. significa “subir una carpeta”.

Con $ se usan las funciones de vectores directamente: mean(tapas$peso_g).

5. El pipe |>

El pipe toma lo que está a su izquierda y lo pasa como primer argumento de la función de la derecha. Se lee “y luego”:

# Sin pipe: se lee de adentro hacia afuera
round(mean(tapas$peso_g), 2)

# Con pipe: se lee de izquierda a derecha, paso a paso
tapas$peso_g |> mean() |> round(2)

Su poder aparece al encadenar varios pasos sobre una tabla:

tapas |>                          # toma los datos, y luego
  filter(maquina == "M3") |>      # quédate con la máquina M3, y luego
  summarise(media = mean(peso_g)) # calcula la media del peso

%>% (del paquete magrittr) hace lo mismo y lo verás en libros y foros. En el curso usamos el pipe nativo |>.

6. Los verbos de dplyr

Cada verbo recibe una tabla y devuelve otra tabla; por eso se pueden encadenar. Dentro de los verbos las columnas se nombran sin comillas y sin $.

6.1 mutate: crear variables

tapas <- tapas |>
  mutate(
    desvio_g    = peso_g - nominal,
    z           = (peso_g - mean(peso_g)) / sd(peso_g),
    conforme    = peso_g >= LIE & peso_g <= LSE,           # lógico
    defectuosa  = defecto != "ninguno",
    clase_peso  = case_when(
      peso_g < LIE ~ "bajo",
      peso_g > LSE ~ "alto",
      .default = "ok"
    ),
    maquina     = factor(maquina)
  )

• if_else(condición, valor_si, valor_no) para dos casos; case_when() para varios.
• Para que el cambio quede guardado hay que reasignar (tapas <- tapas |> mutate(...)). Sin la asignación, R solo muestra el resultado.

6.2 Conteos y proporciones

tapas |> count(maquina)                 # n por máquina
tapas |> count(maquina, defecto)        # tabla cruzada en formato largo
tapas |> count(defecto, sort = TRUE)    # ordenado de mayor a menor (Pareto)

tapas |>
  count(maquina, defectuosa) |>
  group_by(maquina) |>
  mutate(prop = n / sum(n))             # proporción dentro de cada máquina

table(tapas$maquina, tapas$defecto) hace lo mismo en R base, como tabla de doble entrada.

6.3 Resúmenes numéricos

sd() y var() dividen entre $n - 1$:

Si hay faltantes, todas devuelven NA salvo que se agregue na.rm = TRUE.

tapas |>
  summarise(n = n(), media = mean(peso_g), s = sd(peso_g),
            mediana = median(peso_g), RIC = IQR(peso_g),
            fuera = sum(!conforme))

6.4 Agrupar: group_by + summarise

Es el patrón más usado del curso (estratificar):

resumen <- tapas |>
  group_by(maquina) |>
  summarise(n = n(), media = mean(peso_g), s = sd(peso_g),
            CV_pct = 100 * s / media,
            pct_defectuosas = 100 * mean(defectuosa))

• Se puede agrupar por varias variables: group_by(maquina, turno). El resultado queda agrupado por la primera; agrega .groups = "drop" dentro de summarise() para desagrupar.
• group_by + mutate (en vez de summarise) calcula por grupo sin colapsar filas: útil para el $z$ de cada pieza respecto a su propia máquina.
• across() aplica la misma función a varias columnas: summarise(across(c(peso_g, z), mean)).

6.5 Formato largo y ancho

ggplot2 y dplyr trabajan mejor con datos largos (una fila por medición). Si una tabla tiene una columna por grupo (formato ancho), pivot_longer() la convierte:

ancho <- tibble(pieza = 1:3, operario_A = c(5.1, 5.3, 5.0), operario_B = c(5.2, 5.4, 5.1))
largo <- ancho |>
  pivot_longer(cols = c(operario_A, operario_B),
               names_to = "operario", values_to = "medida")

pivot_wider() hace lo contrario (útil para mostrar una tabla cruzada).

7. Gráficos con ggplot2

ggplot2 construye gráficos por capas siguiendo una gramática de gráficos. Todo gráfico tiene, como mínimo, tres componentes:

1. Datos: el data frame.
2. Estética (aes): qué variable va en cada eje y cuál define color, relleno o forma.
3. Geometría (geom_*): cómo se dibujan los datos (barras, puntos, cajas…).

ggplot(data = tapas, aes(x = maquina, y = peso_g)) +   # datos + estética
  geom_boxplot() +                                    # geometría
  labs(title = "Peso por máquina", x = "Máquina", y = "Peso (g)")

Las capas de ggplot se unen con +, no con |>. El pipe se usa antes de ggplot() para preparar los datos: tapas |> filter(turno == "dia") |> ggplot(aes(...)) + ...

7.1 Capas disponibles

7.2 Dentro o fuera de aes()

• Dentro de aes() se ponen variables que cambian el aspecto según los datos: aes(fill = maquina) → un color por máquina, con leyenda.
• Fuera se ponen valores fijos: geom_histogram(fill = "steelblue") → todo azul.
• colour colorea líneas y puntos; fill rellena áreas (barras, cajas, densidades).

7.3 Gráficos que se usan en el curso

7.4 Líneas de referencia

En calidad casi siempre se dibujan los límites de especificación o el valor nominal:

ggplot(tapas, aes(peso_g)) +
  geom_histogram(binwidth = 0.1, fill = "steelblue", colour = "white") +
  geom_vline(xintercept = c(LIE, nominal, LSE), linetype = c(2, 1, 2))

geom_vline() dibuja líneas verticales; geom_hline(yintercept = ), horizontales.

7.5 Combinar gráficos

Con patchwork, los gráficos guardados en objetos se combinan con + (lado a lado) y / (uno encima de otro):

library(patchwork)
g1 <- ggplot(tapas, aes(peso_g)) + geom_histogram(binwidth = 0.1)
g2 <- ggplot(tapas, aes(sample = peso_g)) + geom_qq() + geom_qq_line()
g1 + g2

8. Reportar resultados en R Markdown

• kable(tabla, digits = 2) da formato a una tabla de resultados.
• Una cifra en el texto se escribe con código en línea: `r round(mean(tapas$peso_g), 2)`. Así, si los datos cambian, el texto se actualiza solo. Toda cifra del informe debe salir de R, nunca copiarse a mano.
• Opciones de chunk frecuentes: echo = FALSE (oculta el código), fig.height = 6 (alto de la figura), message = FALSE (oculta mensajes de carga).

9. Errores frecuentes

10. Resumen

library(tidyverse)
datos <- read_csv("datos/archivo.csv")      # leer
glimpse(datos)                              # explorar

datos |>                                    # resumir por grupo
  group_by(grupo) |>
  summarise(n = n(), media = mean(y), s = sd(y))

datos |> count(grupo, categoria)            # contar

ggplot(datos, aes(grupo, y, fill = grupo)) +   # graficar
  geom_boxplot() +
  labs(x = "Grupo", y = "Respuesta (unidad)")

Para profundizar 🔵

• Wickham, Çetinkaya-Rundel y Grolemund, R for Data Science (2.ª ed.), caps. 1–4: https://r4ds.hadley.nz/ (versión en español de la 1.ª ed.: https://es.r4ds.hadley.nz/).
• Hojas de referencia de dplyr y ggplot2: https://posit.co/resources/cheatsheets/.
• Resumen de funciones estadísticas del curso: ../recursos/cheatsheet-estadistica-r.md.