Introducción a la Estadística con R y RStudio

En este vídeo vamos a aprender un poco

de estadística

y para ello vamos a trabajar con el

lenguaje de programación R

y uno de sus interfaces más importantes

que es R Studio.

Primero, ¿qué es la estadística?

Bueno, pues es una parte de las

matemáticas

que trabaja en el análisis de datos,

grandes cantidades de datos que pueden

ser analizadas para extraer

conclusiones,

por ejemplo, después de hacer un

experimento científico o si quieres

conocer lo que está ocurriendo en una

población.

Y para ello, pues haces un estudio de

una muestra y mediante inferencia

estadística puedes obtener datos de lo

que sería la población total.

Y esta rama de las matemáticas realmente

es importante

porque

se puede aplicar en medicina en

biología,

psicología,

también en la tecnología,

en lo que sería hoy en día inteligencia

artificial.

Eh, por tanto, es una cosa importante

conocer y R nos va a facilitar poder

trabajar con datos

eh estadísticos

y, por ejemplo, hacer una visualización

de ellos.

Entonces, lo primero sería descargarse e

instalar este lenguaje de programación

R. Entonces, habría que darle esta

dirección

y aquí tendríamos la plataforma.

para descargarlo sería esta

este link, aunque es más fácil

yendo directamente a la página de la

interfaz R Studio, le diéramos aquí

y llegaríamos

a esta zona. Esto esto es lo primero que

te pide instalar R. Es más fácil

instalarlo por aquí realmente. Si le

damos aquí puedes elegir tu sistema

operativo,

Windows sería el Ma normal también

Macos, incluso Linux si te hiciera

falta.

Y luego, una vez que ya tengas instalado

R,

habría que instalar R Studio,

¿vale? automáticamente sabe que mi

sistema operativo es del Mac, MacOS,

pero en vuestro caso si estáis usando

Windows, pues te aparecería por cierto

Windows. Entonces, una vez que está esto

instalado, le das a la aplicación, abres

el icono y saldría algo parecido a esto.

¿Vale? Esto de aquí es la consola. Esta

zona es donde están las variables

y aquí estarían los archivos y

directorios.

Entonces, antes de nada, lo que yo

recomiendo es que vayáis a herramientas,

Tools, Global Options y donde pone

general, aquí es donde tienes que

cambiar el directorio de trabajo,

¿vale? ese directorio de trabajo.

Vamos a verlo.

Por ejemplo, yo tengo este asignado,

pero tú puedes irte directamente al raíz

de Windows o del Mac y aquí puedes, por

ejemplo, crear un directorio llamado

datos. Entonces, podrías trabajar

con este directorio.

Te vas a Global Options y eliges ese

directorio, ¿vale?

Es un ejemplo, puedes elegir el que

quieras

y luego hay que darle a aplicar. Otra

cosa importante

sería la apariencia.

Yo he elegido esta

interfaz, este skin si quieres, pero

puedes elegir otros. Tiene muchos,

¿vale?

Escoge el que más te guste.

También puedes cambiar el tipo de letra,

etcétera. Y habría que darle aquí apply.

Eh, como veis, aquí hay una especie de

escoba. Esto es para limpiar. Vamos a

limpiar esta zona de aquí. También vamos

a limpiar todas las variables que tiene

almacenadas

en la memoria. Le damos aquí

y

vamos a irnos

al directorio que tengo por defecto, que

es

el de RDCs.

¿Vale? Entonces, este de aquí es donde

vamos a yo voy a trabajar. En vuestro

caso, pues sería el que hayáis asignado.

Y lo que vamos a hacer es cargar un

script. es un programa, fijaros que

acaba en R

donde tengo ya digamos los datos para ir

trabajando con este con este vídeo.

Una vez que hemos hecho ya lo de la

configuración,

para ver realmente en qué directorio

estamos trabajando,

pues podemos usar este comando

y te dice el directorio de trabajo de

working directory

y efectivamente en mi caso es reds.

Fijaros que hm he escrito aquí en la

consola

y esta consola puede servir de

calculadora. Es como una calculadora. Le

damos a 2 + 2, eh,

2 * 3, etcétera. Puedes hacer cálculos

matemáticos,

pero si tienes el script, puedes

ejecutar línea a línea. Por ejemplo, me

pongo aquí y le digo a run y me hace

este cálculo 5* 10.

me aparece la operación y el cálculo.

2 elevado 3, pues es 8.

También podemos, como en muchos

programas, muchos lenguajes de

programación

asignar variables. El caso es que en R

para poder asignar tenemos que usar esta

flecha invertida. Por ejemplo, yo este

número 50 quiero introducírselo a una

variable que la llamo mi variable.

Le voy a dar a ejecutar

y veis que en esta zona de variables

aparece mi variable 50. Y ahora ya puedo

trabajar como si fuera un número. Puedo

dividirla entre dos, por ejemplo,

y me aparece 25.

También podemos trabajar con texto, le

podemos decir que escriba esta frase o

la gente, etcétera. Es decir, es como

muchos lenguajes de programación.

Bien, pero lo importante de R y en este

caso la interfaz R Studio es que tú

puedes usarlo para lo que se llama

datasets o bases de datos en español.

Entonces vamos a ver, por ejemplo, los

que tiene almacenados ya por defecto con

este comando.

Y fijaros la cantidad que tiene ya

almacenada

en el paquete que se llama dataset.

tiene todas estas bases de datos,

por ejemplo, la calidad calidad del aire

en Nueva York o eh cosas de coches,

etcétera.

Pero eh R funciona con paquetes,

entonces tú puedes ir instalándole

paquetes para poder trabajar con

diversas aplicaciones que te hicieran

falta mediante librerías que se llama,

ahora veremos.

Entonces, todos los datasets que tiene

instalados, todas las bases de datos que

realmente tien instaladas, se puede

conocer con este comando. Le vamos a

dar.

Y fijaros

la cantidad

que tenemos,

¿vale? Son estos. Este es el dataset

que se llama así, dataset que tiene

todos estos, pero todos los que están ya

instalados son, fijaros, esta cantidad,

una cantidad gigantesca. Hay como 23,000

paquetes eh DR que puedes instalar para

diversas aplicaciones. Eh, cada persona

pues si necesita que trabajar, por

ejemplo, con epidemiología, con

epidemias o tiene que trabajar con

fármacos, pues puede usar esto, un

paquete concreto. Por ejemplo, vamos a

usar el paquete que viene ya instalado,

se llama eh Iris,

que es sobre flores, un tipo de flores.

Entonces vamos a ejecutar Iris. Voy a

cerrar estos de aquí.

Voy a borrar la variable esta, ya no nos

hace falta. Y vamos a ver este paquete.

Le damos a run.

Y fijaros que me ha impreso toda la

información que tiene en este paquete,

en este datasets, mejor dicho, en este

dataset que es sobre flores. Te habla de

la longitud del sépalo, del pétalo, la

anchura del pétalo y del sépalo y de qué

tipo de especie estamos hablando.

También se puede ejecutar con data y el

nombre del dataset. Le damos

y además aparece aquí en esta zona de

variables cuando lo hacemos de esta

manera. Si le damos un doble clic,

un solo clic, nos aparece cuántas

observaciones hay, sería cuántas filas

si quieres, y las cinco variables, cinco

columnas. Si lo queréis ver en forma de

tabla, le das un doble clic y así te

aparece aquí

toda esta información, ¿vale? Entonces,

digamos que con R lo que hacemos es

trabajar con datasets. Podemos extraer

de ahí información. Por ejemplo, vamos a

ver la cabecera de esta base de datos.

Le damos con head

y nos aparecen las primeras líneas, los

primeros registros de esa base de datos.

Si quieres ver los últimos registros es

con Tail,

te aparecen los últimos. Además hay una

un comando muy potente que es summary

que te dice, como solo indica, pues una

especie de resumen de toda la base de

datos. Vamos a darle para que lo veáis.

Y aquí es donde empieza ya la

estadística, porque fijaros, te aparece

cada una de las cinco variables

con su valor mínimo, su valor máximo.

Estos son variables cuantitativas

y también lo que es la media, la

mediana, primer cuartil, tercer cuartil,

etcétera. O sea, son datos interesantes

que pueden sernos útiles. Esta variable

como es cualitativa, categórica que se

llama, pues simplemente nos indica las

tres variedades dentro de esta variable,

que son las tres especies de de este

tipo de flores y la cantidad que hay.

Eh, podríamos ver la estructura de esta

base de datos

con este comando. Vamos a darle.

Y lo que nos dice es pues qué tipo de

variables hay. Bueno, el número de

observaciones, las variables y el tipo

de esta variable numérica también. Estas

cuatro son numéricas y esta es de tipo

categórico, es decir, de tipo no

cuantitativo, no?

Si quieres ver exactamente la variables

que le das a name con este comando

y te aparecen.

Y si quieres en concreto conocer

dentro de la

variables especies, puedes usar esta

notación que fijaros que es primero el

nombre del data frame, data frame

dataset, luego el símbolo del dólar y

esto el de la variable. Entonces nos

dice la cabecera de esta eh columna en

concreto. le vamos a dar y los cinco

primeros datos o seis, en este caso, los

seis primeros datos de esa columna que

efectivamente os fijáis

1 2 3 4 5 y 6 de la columna de especies

de la variable especies, la primera

información y hay un comando muy potente

que es plot y la pones el nombre de la

base de datos del dataset y te da una

información rápida, visual de en qué

consiste esto. Vamos a ejecutarlo para

que lo veáis. Fijaros la cantidad de

información que te da.

Esto sería hépalor longitud frente a

sépalor amplitud y te daría pues estas

diversas gráficas, ¿vale? Una frente a

otra de las variables posibles.

Bueno, vamos a ver otra manera de cargar

una base de datos. Y es, si nos vamos

aquí,

fijaros que

eh me he metido en el directorio script.

Entonces, si le doy aquí, subo un nivel

y aquí tengo varias carpetas, en

concreto la carpeta datos, tengo un

fichero que se llama Galton CSV. Ese

fichero contiene información que vamos a

cargar. Entonces, una manera de cargarlo

es con este comando. Lo que hacemos es

leer ese archivo CSV. La extensión CSV

significa un archivo de base de datos eh

de texto.

Lo va a leer y esa información la va a

meter dentro de la variable datos.

Vamos a hacerlo. Le damos a aquí a

ejecutar,

¿vale? Y fijaros que ha aparecido aquí

en la zona de variables datos. Si aquí

le doy, fijaros que la información nos

dice que tiene 928 filas observaciones

con tres variables. Le vamos a dar y nos

aparece aquí la tabla. Son 928, son

muchísimos

datos. Y esto en concreto, ¿qué es?

Bueno, pues esto digamos que es el

origen de

del comienzo de de la estadística

realmente como ciencia. una de los

orígenes y es un señor eh científico

Galton, que lo que hizo fue medir las

alturas de los padres y compararlo con

la altura de los hijos para ver si había

alguna relación.

Esta es una base muy una base de datos

muy simplificada, solamente pone la

altura media del padre y de la madre.

Hay otras que son más completas y te

pone eh la altura del padre, de la

madre, la del hijo y otras otra

información. Esta la he elegido porque

es mucho más sencillita de trabajar.

Entonces, vamos a hacer con el comando

head los primeros

registros. Y estos son los primeros

registros.

Podemos sacar la media de los niños.

Fijaros que para ello ponemos primero el

nombre de la base de datos, el símbolo

de dólar y la variable que queremos

analizar. Entonces, mediana es el

comando min. Vamos a darle.

y nos va a dar este valor. Esa sería la

media de todas las alturas de los niños.

La mediana, la mediana, recordar que es

un valor que nos dice el punto, eh, si

ordenáramos todas las alturas de, en

este caso, de los niños, digamos, el

valor que está junto justo en la mitad,

ese sería la mediana. Entonces, le vamos

a dar y nos da 68.2.

Esto sería la desviación

típica,

digamos, lo alejado que están los datos

de la media.

Y como recordáis, podemos hacer un

resumen de toda la información básica de

esta base de datos con summary.

Y aquí nos dice, pues la variable de

padre, la altura mínima, máxima,

etcétera, mediana, media, igual que con

el hijo. Esto es un número, no nos

interesa, es el número de la fila, o

sea, que no tiene interés para nosotros.

Si quieres saber algo sobre un comando,

le puedes poner la interrogación delante

y te informa. Le vamos a dar. Y fijaros

que en esta zona de aquí nos aparece

ayuda que te indica cómo usar ese tipo

de comandos, por ejemplo, y para qué

vale.

Bueno, vamos a entrar ahora en gráficos.

Fijaros todo este comando. Puedes parar

el vídeo y tomar notas si quieres o para

replicarlo. Esto sería eh ver un

histograma. Le vamos a dar.

Voy a seleccionar todo esto y le doy a

ejecutar.

Y fijaros, me aparece el histograma de

la altura de los hijos. He cogido la

variable de los hijos, altura de los

hijos, ¿vale? Que es esta, para que nos

dé este histograma. Histograma es un de

arma de barras. Y aquí hemos puesto con

el color azul clarito. Ese color se

puede cambiar, luego veremos. Podemos

hacer un gráfico también

este de aquí.

Vamos a verlo.

Y esto es lo que se llama una nube de

puntos. Una nube de puntos que te da una

cierta idea de la relación entre altura

de los padres y altura de los hijos. Si

observáis, se ve una cierta

tendencia al alza, es decir, una

relación directa que a mayor altura de

padres pues parece lógico que los hijos

también tengan mayor altura. Entonces,

esto se puede apreciar con lo que sea la

línea de regresión. Vamos a dibujarla.

en rojo y se ve esta línea de tendencia,

línea de regresión. Además, adelante

haré un vídeo relacionado con esto de la

regresión lineal.

Bueno, vamos a instalar ahora un paquete

para que veas cómo se hace. Un paquete

que es interesante tenerlo instalado que

se llama Tidy Bers, en el cual hay

muchas cosas, entre ellas pues cómo

dibujar gráficos más bonitos y para

manejar mejor los datos. Entonces, vamos

a ejecutar esto,

¿vale? Fijaros que se instala el paquete

y tú cuando tienes el paquete instalado

para poder usar tienes que usar lo que

se llama tienes que manejar la librería.

Entonces, para

cargar ese paquete, la memoria tenemos

que darle a library poner el nombre del

paquete. Le damos

y ahora se ha cargado la memoria. A

veces te dice que están en más cosas.

Hay un operador de dirección que se

llama pipe, que lo que te hace es

transformar desde una zona a otra los

datos. Entonces, eh este paquete

eh h

es el que nos permite manejar este

comando de pipe, ¿vale? Para de

redirigir. Lo que vamos a hacer es crear

una nueva columna. E, fijaros que ahora

mismo hay tres columnas. Vamos a crear

una nueva columna con

la dos columnas, mejor dicho, la altura

de los padres y del hijo de los hijos en

centímetros porque ahora mismo está en

pulgadas. Entonces con todo este comando

lo vamos a generar,

le damos

y fijaros que nos ha creado una nueva

base de datos que están ahora ya con

centímetros. Le damos aquí y tenemos dos

nuevas columnas con los datos

transformados en centímetros. Hemos

usado eh la variable paren paren eh

multiplicado por lo que es una pulgada

de centímetros y es lo mismo con la

variable hijo. Y con este comando hemos

incluido dos nuevas columnas

y eso lo hemos añadido

aquí. Y además hemos filtrado

con los datos de los hijos, vamos a

verlo,

que sean mayores a 180 cm. Le vamos a

dar,

hay que todo porque como es usando

la variable pipe,

entonces aquí nos van a aparecer,

fijaros que en vez de 928 hemos generado

eh solamente datos de los hijos que

superen 180,

con lo cual fijaros que solamente en

esta columna viene con 180. Eso es para

que veáis cómo funciona eh filter.

Podemos ver la cabecera de esta nueva

base de datos y nos aparecen los

primeros valores

de padre e hijo alturas en pulgadas y

también en centímetros. Pensar que esta

nueva base de datos la hemos filtrado

dejándole solamente altura de niños

mayor de 180. Bueno, pues eh uno de los

comandos útiles para hacer dibujos muy

chulos

es el GG Plot y es un poco complejo.

Aquí tenéis todo el comando, hay que

seleccionar todo para poderlo ver.

Y le vamos a dar a ejecutar.

Y lo que nos genera es más elegantemente

pues con los ejes, con las variables,

los nombres, aquí títulos, etcétera.

Luego trabajaremos con otro para que lo

veáis.

Bueno, con estos datos podemos hacer

cálculos, inferencias.

Por ejemplo,

aquí tengo preparado

unas preguntas. Esto sería toda la

información que he ido. Lo voy a ver, lo

vamos a ver un poco despacio.

¿Cómo manejar el directorio de trabajo?

Si queremos crear un directorio nuevo

desde la línea de comandos,

en la consola la las variables y los

cálculos, cómo crear una nuevo archivo,

eso os lo voy a explicar.

Tienes que darle aquí,

vamos a verlo. Aquí puedes generar un

nuevo archivo

y escribir lo que quieras y lo guardas

en el directorio de trabajo,

¿vale?

Todo esto ya lo hemos visto, cómo

instalar paquetes,

cómo leer una base de datos en formato

CSV

para hacer diversos cálculos

para dibujar,

cargar el paquete,

el paquete diverse tiene un comando que

es este también que nos permite pues

hacer el cálculo este que hemos hecho de

los centímetros y el operador pipe

y también tiene el jeg plot.

Bien, entonces con esta con este dibujo

podemos sacar una inferencia. Vamos a

ver qué información podemos sacar de

aquí. Por ejemplo, podemos calcular la

altura media de los padres, que eso lo

hicimos con el summary.

Podemos hacer el histograma, que también

lo hemos hecho, o podemos filtrar con

este comando la base de datos

para que nos dé solo los padres

que m pulgadas y nos diga cuántos hay.

Entonces, eso se puede hacer con este

comando.

Pensar que estamos trabajando ahora con

esta original, ¿vale? Que son en

pulgadas

datos. Entonces, le vamos a meter todo

esto

que nos va a filtrar los padres que

tengan una altura inferior. A ver, 65.

Y eso nos lo dé en una nueva base de

datos que se llame padres bajos. Lo

vamos a ejecutar.

¿Veis? Aparece aquí hay 37

observaciones.

Si damos un doble clip, efectivamente,

los padres aquí no superan los 65. ¿Y

cuántos había? Pues 37.

Es un método.

También se puede hacer con este comando

que te da justamente 37. Okay, aquí ya

se veía.

Estas son las soluciones para hacer la

media.

Este es el comando que habría que usar,

¿vale? Solo la media, si os acordáis con

summary,

vamos a ponerlo aquí para que lo veáis.

Summary

datos.

eh lo le podemos elegir,

le damos a ejecutar y la media

efectivamente

que estamos haciendo

de los padres

68.3

68.31

redondeado efectivamente

vale se puede hacer con el comando este

o si quieres ver todo con summary.

Bueno, vamos a hacer un dibujito, un

histograma.

que sería la pregunta dos, un histograma

de las alturas de los padres. Entonces

se hace con este comando, pero hm

vamos a ponerlo otro color. Le he metido

el color que es azul, perdón, el verde

verde marino oscuro. Azul, digamos,

verde marino oscuro. Sí, le vamos a dar.

Y esto sería el histograma con la altura

de los padres. De hecho, el color si le

te gusta otro diferente, aquí he puesto

la página web. Fijaros que los

comentarios es con almohadilla. Si yo

voy le borro la almohadilla, ya lo puedo

ejecutar esto

o lo puedo copiar

y lo puedo pegar en

aquí, por ejemplo,

y me daría pues todos los colores

disponibles,

todos estos un

entos de colores. Por ejemplo, vamos a

ponerle este mismo dar magenta.

Entonces, me vengo aquí a R

y le pongo Darma 80.

Fijaros que ya pone el propio color. Y

lo voy a ejecutar otra vez este comando

y me cambia el color. Incluso se puede

hacer con colores RGB, código RGB. Este

de aquí lo voy a copiar para que lo

veáis.

Vamos a cambiarlo.

Vale, vamos a ejecutar el comando a ver

qué color es.

Vaya, este era un color inválido.

Se ve que le se me ha olvidado ponerle,

perdón, el la almohadilla.

Le damos almohadilla. Ahora sí

vamos a ejecutar esto.

Y efectivamente sale este color azulado.

Esto también lo tenéis. Los códigos de

colores

RGB. Podéis ir aquí.

y lo podéis ver.

Por ejemplo, este se lo seleccionas aquí

te de códigos a decimal

y lo pegas y puedes cambiar color el que

quieras. Bueno, para la pregunta tres,

la pregunta tres era h lo de la el

filtro ya lo habíamos hecho,

¿vale?

Ya lo teníamos hecho. Eso

eran 37. Bueno, pues con esto es una

introducción a a la estadística usando R

y el el

interfaz R Studio. Espero que os haya

gustado y nos veremos en otro vídeo.

Seguiremos con la estadística en un

segundo vídeo. Hasta luego.