Jordi Ollé

Autor de ConceptosClaros.com. Ayuda a investigadores apasionados a aplicar estadística y análisis de datos en sus proyectos para catapultar su carrera investigadora y adaptarse a la era de los datos. Accede a los recursos gratuitos para aplicar estadística en tus datos

Los 7 pasos para convertirte en un data scientist en R. Un camino de aprendizaje ordenado y sin agobios

por 24 comentarios

En la red hay de todo y más. Podrías aprender lo que quieras formándote DIY. También podrías aprender a ser un data scientist y manejar R sólo con recursos de internet. Pero te digo yo que te vas a perder en el infinito de la nube y te vas a sentir desbordado por tanta información y el tiempo es importante para ti.

Sé que no sabes por dónde empezar ni sabes que recursos son los mejores para aprender. No te preocupes. Te hago de guía. Te muestro los mejores recursos y un camino ordenado y sin agobios.

¿Quieres convertirte en un data scientist en R? Te propongo un camino. ¡Al ataque!

# Paso 0 – ¿Por qué usar R?

Antes de empezar este camino es mejor convencerte de R y sus posibilidades. Te listo algunas razones a ver si te conevnces:

  • R es el motor que hay detrás de softwares como SPSS, STATA o SAS.
  • El uso de R está creciendo en las empresas y es ampliamente usado en investigación por ser open source.
  • La comunidad de R está creciendo muchísimo y es colaborativa. Tienes un montón de recursos en internet como verás en este página 😛
  • Es realmente bueno creando gráficos aunque al principio no lo parezca
  • Es flexible y extensible debido a la existencia de paquetes creados por expertos de la comunidad R
  • Tiene interfaces que ayudan a que la usabilidad sea agradable: RStudio, R-Comander.
  1. ¿Qué es R y para qué sirve?
  2. Ventajas de R
  3. ¿Por qué usar R si tengo Excel?
  4. ¿Por qué usar R si tengo SPSS?

 # Paso 1 – Prepara tu máquina R

Prepara tu herramienta principal: tu PC con R ¿Qué necesitas? Sólo instalarte dos cositas:

  • R será el corazón de tu computadora. Para instalarlo solo tienes que descargarte el archivo correspondiente de instalación en R-Cran, la página del proyecto R
  • RStudio es la user interface por excelencia. Sin ella estarás jodido. Puedes ir a la web de RStudio y descargarte el software. Mira este vídeo para entender la user interface de RStudio.

Si quieres una GUI para usar R a un nivel básico puedes utilizar R-Commander. Es una user interface que es bastante interesante e intuitiva para trabajar con análisis estadísticos sencillos. Es parecido a SPSS. Es suficiente para la mayoría de estudios estadísticos.

Si quieres utilizar R a un nivel medio-alto no te recomiendo R-Commander. Si creas metodologías más complejas es interesante usar la creación de código.

También existe otro tipo de GUI alternativa llamada Architech.

  1. Instala R en R-Cran
  2. Instala RStudio
  3. Instala R-Commander si quieres hacer estudis estadísticos sencillos como SPSS (Mira este blog para usar R-Commander 😉 )
  4. Comprende la user interface de RStudio. Mirate el post de R para principiantes.
  5. Aprende a instalar paquetes de funciones

 # Paso 2 – Entiende lo básico del lenguaje R

Para usar R es fundamental entender el lenguaje y saber programar. Por ello te recomiendo que empieces por hacer un minicurso para aprender lo básico del lenguaje mientras vas practicando.

En Datacamp los cursos de R son prácticos y enseguida cojes la dinámica de la programación.

Es aconsejable si quieres algo más completo hacer el curso de Coursera de introducció al lenguaje R. Es muy completo y te va ayudar a entender el tipo de variables y las peculariedades del lenguaje.

Debes tener claro desde ya que tendrás que picar 😛 (…programar) . A larga no te podrás escapar. A parte de saber el lenguaje es muy importante tener unos fundamentos mínimos de informática. Saber estructurar tu código es fundamental.

También tienes recursos en formato pdf a tu disposición:

  1. Asimila las bases de la programación .En DataCamp aprendes practicando.
  2. Profundiza en el lenguaje y los tipos de estructuras. Aprende con este curso de Coursera. O con este curso de DataCamp.
  3. Aprende a estructurar tus códigos.

# Paso 3 – La comunidad R y su gran potencial

Uno de los puntos fuertes de R es el ambiente colaborativo. Las capacidades de R no tienen límite gracias a los paquetes de funciones que los mismos usarios vamos creando. Los «packages» son extensiones del programa base. Puedes ver una lista de los paquetes de funciones oficiales del proyecto CRAN. Aprende a instalar los paquetes es este vídeo.

Puedes encontrar los paquetes en RCran, en Github y Bitbucket. Busca todos los paquetes en la páquina RDocumentation. Si eres del mundo bio la página de bioconductor te va a gustar.

Un poco más del maravilloso universo R.  Entender la comunidad de R y cúales son las páginas web de referencia y de consulta te va a venir muy bien. R es un software colaborativo con muchos usuarios y puede ser interesante para ti saber dónde encontrar información.

Te aconsejo estos links de búsqueda de información de R.

  • El gran foro stackoverflow. Hay de todo y es una pasada.
  • R-bloggers es una web muy interesante. Es un directorio de bloggers que postean artículos interesantes de R. Creo que voy a postear algún día 😉
  • Github es una mina de scripts donde muchos usuarios alojan sus códigos. Puedes desargarte los códigos y adaptarlos a tu gusto.
  • Rseek un foro interesante de consulta.
  • RDocumentation y R-Pkg otra web de consulta de packages.
  1. Dónde encontrar los paquetes: RCran, en Github y Bitbucket
  2. Buscadores de paquetes: RDocumentation y R-Pk
  3. Foros de consulta: stackoverflow y Rseek
  4. Bloggers específicos de R en R-bloggers

RStudio-Ball

# Paso 4 – Distintos caminos para importar datos

Siempre he usado datos ASCII, datos de Matlab o archivos de excel como datos de entrada pero hay muchas maneras de importar datos. Buscando por la nube he encontrado paquetes interesantes para importar datos y analizarlos. Let’s see them:

  • XLConnect, xlsx Estos paquetes te sireven para comunicarse con Excel
  • Paquetes para importar base da datos: RODBC, RMySQL, RPostgresSQL, RSQLite
  • Para importar datos de matlab usa RMatlab
  • Importa datos siguiendo este tutorial maravilloso de DataCamp
  • ¿Tus datos provienen de SAS o SPSS? Don’t worry, aqui tienes el paquete 😉 foreign
  • Funciones como read.csv, read.table, and read.fwf seran interesantes para leer datos en formato ASCII. Para datos algo diferentes a los ASCII consulta a la Guía CRAN

Una vez tengas los datos cargados en R ya puedes empezar a analizarlos. Algunos de los paquetes más famosos para manipular datos que no pueden faltar en tu máquina R son estos:

  • Paquete esencial dplyr para manipular los datos fácilmente.
  • Herramientas tidyr para convertir tu estructura de datos en tabla de datos o tidy. Podrás aplicar la estadística fácilmente.
  • Cuando los datos son caracteres no dudes en consultar el paquete stringr
  • Paquete para datos de series temporales y fechas: lubridate
  1. Aprende a importar datos: tutorial maravilloso de DataCamp
  2. Para importar datos ASCII usa las funciones import,  read.csv, read.table, and read.fwf
  3. Importar datos excel: XLConnect, xlsx
  4. Importar datos Matlab: RMatlab
  5. Comunicarse con base de datos: RODBC, RMySQL, RPostgresSQL, RSQLite
  6. Paquetes interesantes: dplyr para manipular los datos fácilmente,  tidyr para convertir tu estructura en datos en tabla de datos o tidy, stringr para caracteres, series temporales y fechas: lubridate

# Paso 5 – El core de un data scientist: la estadística aplicada – Data Mining y Machine Learning

Una vez has leído los datos ¿qué pasa? Toca transformar los datos para sacar las mejores conclusiones. Usa conocimientos para tratar los datos de manera efectiva.

Si necesitas asentar conceptos de estadística y mates para entender disciplinas como data mining y machine learning te recomiendo que empieces con cursos de estadística aplicada a R.

Con bases asentadas puedes seguir formándote con estos recursos en el mundo del data mining:

Tranquilo no te agobies en un futuro te voy a preparar material de consulta y de formación para que aprendas rápido y bien. Sin necesidad de hacer todos los cursos y leer todos los libros 😉

Si quieres recursos en relación al machine learning te dejo unos cuantos interesantes:

NOTA: estos recursos no los he leído todos ni mucho menos pero he visto en la red que son bastante famosillos. Gracias a la web de data analytics de Vidhya he podido encontrar un montón de recursos

# Paso 6 – Plotea tus datos de manera elegante

R es un gran software SUPER INTERESANTE para graficar datos aunque de primeras no lo parezca. Te voy a recomandar los paquetes más famosos para plotear como un auténtico crack:

Plotear en R

La primera opción es dibujar con el paquete de base de R. Los gráficos no son demasiado buenos. Hay paquetes muchos mejores. Mi recomendación es que trabajes con ggplot2. Pudes aprender rápidamente con este tutorial de ggplot2.

Plotear gráficos interactivos

R es una herramienta brutal para crear gráficos interactivos. Aquí los enlaces más interesantes y los paquetes más famosos:

  1. Paquete de funciones para crear gráficos en lenguaje html y java para ponerlos en la web: ggvis
  2. Visualizaciones interactivas en la interfaz de R: rgl
  3. La manera más rápida y fácil de crear gráficos interactivos basados en el lenguaje Java sin saber nada de Java: htmlwidgets. Entre ellos destacan:
  • Plataforma de gráficos interactivos: plotly
  • Creación de mini-aplicaciones o no tan mini: R-shiny
  • Introducir mapas en R: leaflet (mapas)
  • Series temporales sexys: dygraphs
  • Tabla de datos interactivas: DT
  • Diagramas de cajas molonguis: diagrammeR
  • Gráficos tipo redes: network3D
  • Gráficos 3D interactivos: threeJS

Puedes hacer graficos interactivos como este con plotly 🙂 . En este post también tienes más gráficos interactivos.

¿Sabes que es Google Charts? Google charts. El paquete googleVis comunica R y google Charts. ¿Conoces a Hans Rosling? ¿y su programa Gapminder? Esta usando este tipo de gráficos. Mira este vídeo de Hans y flipa en colorines.

  1. Aprende las bases de los gráficos en R
  2. Dibuja los gráficos más sexys con ggplot2. Curso recomendado de ggplot2
  3. Gráficos interactivos con htmlwidgets: plotly, shiny. Sigue este tutorial
  4. ¿Quieres más? googleVis y Hans Rosling. Mira esta conferencia TED. Sencillamente brutal 😀
  5. Si quieres graficar mapas mira el Bonus que te he preparado abajo de este post

# Paso 7 – Recopila los datos y crea un informe genial

La parte más aburrida quizá. Pero con R puede ser semi-automatizada y divertida. Puedes generar informes muy molonguis con R. Aquí algundos paquetes recomendados por los chicos de RStudio:

El paquete shiny también te permite crear informes interesantes en html sin saber nada de progrmacón html 😀

¿Quieres automatizar y reproducir informes? Usa R Markdown. Incluso puedes introducir código R en tus documentos markdown. Cuando le das a «render» puedes exportar el report en HTML, pdf, documento MS Word o pdf tipo presentación. Es un must ;). Puedes aprender con este tutorial.

¿Quieres introducir tablas en tus documentos? El paquete xtable convierte objetos dataframes en código latex, html para copiarlos en los documentos que quieras. También los puedos poner en el código de R Markdow.

Puedes hacer reports en powerpoint , word o PDF con este paquete ReporteRs. Échale un vistazo, puede que te guste.

¿Sabes de este paquete knitr? Puedes crear PDFs a partir del código R.

  1. Aprende a usar R Markdown con este tutorial y crea tu primer report. Si lo prefieres puedes usar ReporteRs
  2. No olvides introducir tablas en tus reports mediante el paquete xtable
  3. Si quiere más utiliza aplicaciones web interactivas para reportar. Mira este tutorial de RShiny

# Bonus 1 – Análisis de series temporales

R es una muy buena herramienta para tratar series temporales. Tiene un montón de paquetes al respecto. Es interesante para analizar series temporales de econometría. Por si es de tu interés te he listados unos cuantos paquetes interesantes:

  1. El formato más famosos para guardar series temporales en R: zoo 
  2. Herramientas muy flexibles para tratar series temporales: xts 
  3. Herramientas para descargarse datos de finanzas en la red, crear gráficos específicos de series temporales y técnicas de análisis interesantes: quantmod

Si quieres explicaciones y tutoriales sencillos te dejo dos que te pueden venir muy bien:

# Bonus 2 – Modelizar datos

Muchas veces es interesantes encontrar modelos paramétricos para recrear un patrón de datos o un modelo físico. Aquí te listo una serie de paquetes recomendados por RStudio y ampliamente usados:

  1. ¿Quieres crear tablas ANOVAS ?Anova es una función muy popular para crear análsis de varianza tipo II y III.
  2. Modelos aditivos generalizados o Generalized Additive Models con mgcv
  3. Modelos lineales generalizados son muy interesantes y se pueden usar en muchas aplicaciones: lme4/nlme. Puede ser linear o no-lineales.
  4. Unos de los métodos más conocidos en machine learning is los modelos de randomForest. Este paquete es genial para modelizar este tipo de estructuras.
  5. ¿Quieres hacer test de hipotesis de todo tipo? Con multcomp tendrás herramientas de sobras para hacerlo miles de tests y calcular intervalos de confianza.
  6. Un paquete interesante para visualizar variables categóricas y realizar test estadísticos: vcd
  7. Si quieres más paquetes aquí te dejo tres más bastante específicos: glmnet, survival, caret.

# Bonus 3 – Trabajar con mapas

Es muy interesante poder trabajar con mapas. R te permite graficar datos encima de los mapas geográficos. Si estás interesado en esto aquí tienes unos links muy interesantes:

  1. Herramientas para cargar mapa y shapefiles sp, maptools
  2. Maps un paquete para crear mapas poligonales
  3. Puedes importar mapas de google maps con ggmap. Te puedes comunicar con ggplot2
  4. Con este tutorial puedes empezar a utilizar estas herramientas : Introducción a la visualización de datos espaciales en R
  5. Plotly y choroplethr se juntan para crear mapas como estos.

La formación académica es importante para tener un título. Pero en la práctica te toca espabilarte. Tendrás que aprender por ti sólo o con la ayuda de un mentor. La mejor manera de aprender es practicando y encontrándote con el problema real. Cuando tienes el proyecto profesional delante y tienes poco tiempo para hacerlo es momento de aprender bien y rápido.

Este camino de aprendizaje es precisamente para esto. Para que seas autodidacta y vayas aprendiendo con la práctica. A medida que vayamos viajando nos iremos convirtiendo en auténticos data scientist.

¿Con esta lista es suficiente o tienes alguna idea más para completar la información? ¿Algún paquete más? ¿libros útiles? ¿video tutoriales? Soy todo oídos 😛

Cómo calcular tu hipoteca. Aplica tus conocimientos y describe los datos

por Dejar un comentario

calcular la hipoteca

El otro día hablando con un compañero del ex-trabajo me comentaba que se entienden mejor las cosas con un ejemplo. Y… ¡es verdad! Hoy te dejo un problemilla que seguro que vas a resolver alguna vez en la vida. ¿Cómo calcular tu hipoteca? o ¿cómo saber cuanto dinero te va a costar un préstamo? Es una aplicación de mates muy interesante. Con ella te voy a enseñar algunos gráficos y algún concepto de secuencias. ¿Te atreves con el problema? Seguro que lo resuelves genial 😀

El problema: ¿cómo calcular tu hipoteca?

Básicamente cuando pides una hipoteca es porque quieres pagarte algo muy grande (o que vale mucho) y no tienes el dinero suficiente para comprarlo. Pero tu «amigo» banco se ofrece para prestarte el dinero que necesitas.

¡Eso si! No todo es gratis company. El banco te cobra sus servicios mes a mes. Mediante los conocidos intereses.

Sólo tienes que preocuparte de darle a tu «amigo» una cantidad fija al mes. «Religiosamente», sin fallar un sólo mes. La cuota mensual será lo que debes calcular cuando te planteas un hipoteca.

Pero, ¿qué necesitas para calcular esta cuota mensual? Fácil,

  1. La cantidad que te va a prestar el banco. El préstamo: 150.000€
  2. El período que tengo para devolver el dinero al banco: 30 años
  3. El interés que tiene el préstamo: un interés fijo anual del 4%

Cuando te pones de verdad a pedir una hipoteca para una vivienda hay muchos más gastos que no están incluidos en la hipoteca y deberías mirar :~ . Escritura, seguro y otras historias que no voy a entrar. El problema en la práctica tiene más matices como siempre.

En este post quiero darte material relacionado con las mates. Voy a simplificar el tema. Normalmente las hipotecas trabajan con intereses variables. En el ejemplo te muestro la aplicación para un interés anual fijo para todo el período.

Las matemáticas que hay detrás. La secuencia geométrica

Un poco de mates no te van hacer daño. Lo que quieres calcular es la cuota mensual fija que te va a costa la hipoteca. Pero a parte quieres ver algo relacionado con lo que vale en € el préstamo, es decir:

  1. El dinero que le pagas al banco en forma de intereses (lo pierdes y lo gana el banco)
  2. El dinero que te sirve para amortizar el préstamo del banco. El dinero que sirve para pagar la deuda (no lo pierdes, se lo devuelvo al banco)

Como siempre las matemáticas utilizan símbolos. Es como un lenguaje. Son los siguientes:

  • d_i: el valor de la deuda del mes número «i»
  • P: el total del préstamo que le debo al banco
  • t: los intereses por cada mes. Normalmente el banco te va a dar los intereses por año. Hay que pasarlo a mes mediante el concepto de tantos equivalentes
  • Q: es la cuota mensual que le pagaré al banco. Es lo que quiero saber.
  • z: valor de la progresión geométrica. Se define como 1+t. Es la razón que aumenta el valor de la deuda.

La visión de la deuda

Para llegar a calcular la cuota mensual que pagarás es interesante pensar en la deuda que tienes cada mes. Empieza por el primer mes a ver:

Lo que le debes al banco el primer mes (d_1) es el valor del préstamo (P) más el valor de los intereses (P·i) menos lo que pagas este mes que es la cuota Q.

    \[d_1 = P + P·t - Q= P·(1+t) - Q\]

Si trabajas con la razón z para simplificar, tienes:

    \[d_1 = P·z - Q\]

prestamo-mes1

Para el segundo mes los intereses se aplican a la cantidad que le debes al banco d_1 del mes anterior. Es lo mismo, la deuda del segundo mes d_2 es la deuda que te queda al final del primer mes d_1 mas los intereses d_1·t  y quitando el pago mensual Q. Eso es:

    \[d_2 = d_1·t + d_1 - Q = d_1·(1+t) - Q = d_1·z- Q = P·z^2 - Q·z - Q\]

prestamo-mes2

Para el tercer mes exactamente igual. Ahora trabajas con la deuda al final del segundo mes d_2. Pero el concepto es el mismo. Le sumas una parte de intereses d_2·t y le quitas la cuota fija Q.

    \[d_3 = d_2·i + d_2 - Q = d_2·(1+i) - Q = d_2·z- Q = P·z^3 - Q·z^2 - Qz - Q\]

prestamo-mes3

Fíjate que cada mes el valor de lo que le debo al banco es lo que le debía en el mes anterior más una cantidad de intereses.

Esta cantidad de intereses va disminuyendo cada mes ya que la deuda acumulada (d_i)también va disminuyendo.

Pensarás, «Jordi me quieres liar». NO… tranqui… Si sigues un poquito más podrás poner al final del período, es decir a los 30 años * 12 meses/año = 360 meses, la deuda en función de la cuota Q, los meses n y la razón de intereses z.

Encuentras que al final del último mes la deuda que tienes con el banco es nula.  Puedes expresar esta deuda en función del préstamo, la cuota mensual fija, el tipo del interés y el número de meses del período de la hipoteca.

    \[d_n = 0 = P·z^n - Q\sum_{k=0}^{n-1}{z^k} \]

prestamo-mesn

El sumatorio que ves es una progresión geométrica de razón z. Es finita y converge a un valor conocido.

    \[\sum_{k=0}^{n-1}{z^k} = \frac{z^n-1}{z-1} \]

Al final llegas a la conclusión que puedes aislar la cuota mensual fija que es lo que quieres saber. ¿Qué te tocará pagar a fin de mes? Sustituye el préstamo, la razón y el número de meses y sabrás el valor.

    \[Q = P\frac{z^n·(z-1)}{z^n-1} \]

La máquina de cálculo

Si pienses des de el punto de vista de la herramienta de cálculo. Los inputs o entrada del problema son 3:

  1. Interés anual fijo. i = 4%
  2. Préstamo que pides. P = 150.000 €
  3. Período de retorno: T = 30 años

Como quieres saber la cuota mensual que te tocaría pagar lo primero es pasar los inputs a valores mensuales. Te toca pasar el interés anual i a un interés mensual t. Y el período de años t a meses n.

prestamo-calculo

Pasar de interés anual a interés mensual

Usa la teoría de tantos equivalentes (no voy a entrar en detalle). La idea es pasar de un interés anual a un interés que se aplica cada mes:

    \[1+i = (1+t)^12 \]

Si aíslas el valor del interés mensual t te queda:

    \[t= (1+i)^\frac{1}{12} - 1 \]

Pasar de años a meses

Fácil, simplemente el valor de T es ponderado a los 12 meses que tiene 1 año con la famosa regla de 3. (un día os voy hablar de esto 😀 )

Calcular la razón z

La razón z es el valor de la serie geométrica por el cual va ir aumentando el valor de la deuda cada mes.

La razón como ya sabes es

    \[z= 1+t\]

Calcular la cuota mensual que pagarás

Aplica la fórmula que has deducido con el concepto de progresión geométrica y lo sabrás.

    \[Q = P\frac{z^n·(z-1)}{z^n-1} \]

¡Ah! Pero la pregunta del millón es… ¿Cuánto le voy a pagar al banco en concepto de intereses? ¿Cúanto me va a costar el préstamo?

Simplemente. Calcula la suma de las cuotas mensuales menos el valor del préstamo:

    \[PagoIntereses = Q_1 + Q_2 + .... + Q_n - P = Q·n - P \]

NO TE OLVIDES DE DESCARGARTE LOS MATERIALES DE ESTE POST

Con este material podrás calcular la cuota mensual que pagarás con un préstamo de interés fijo.

DESCARGA EL EJEMPLO

Los mejores gráficos

Si te has descargado el material verás el siguiente gráfico. Es un gráfico de líneas donde ves tres conceptos en función de todos los meses del período del préstamo.

  • Cuota de interés: son los € que pagas cada mes en concepto de intereses. Estos € serán para el banco. La suma de estos € es el dinero que vale la hipoteca 🙁
  • Cuota efectiva o de amortización: son los € que pagas cada mes que van a servir para pagar la deuda.

Estos dos conceptos se representan en el eje vertical izquierdo.

Para la deuda acumulada los valores se representan en el eje vertical derecho.

Para este gráfico he utilizado estos valores:

  1. Interés anual fijo. i = 4%
  2. Préstamo que pides. P = 150.000 €
  3. Período de retorno: T = 30 años

Este gráfico es un diagrama de líneas donde estás representando series temporales. Es decir valores en función del tiempo, en este caso, la escala de tiempo son los años que tienes para devolver el préstamo.

De este gráfico interpretas que:

  • Pagas más intereses al inicio que al final.
  • La deuda al principio cuesta más de disminuir que no al final.
  • La suma de la cuota de interés y la efectiva es una línea recta. El valor será la cuota mensual fija. Constante durante todo el período.

Ahora ya sabes dos cosas más, una aplicación de la serie geométrica y un gráfico de dos ejes con series temporales.

Además te quedas con una herramienta en excel y R para calcular tu hipoteca con un interés fijo. (si te descargas el material, claro 😉 )

¿Te atreverías con una hipoteca de interés variable? Inténtalo y cuéntame que tal 😀

¿Para qué sirve la Función de Densidad de Probabilidad? Te lo explico con un script de R

por 19 comentarios

 

Me costó entender el concepto de Función de Densidad de Probabilidad. De hecho si no fuera por experimentar y «tocar» datos no lo hubiera entendido nunca. Con la típica explicación de profe de 20 minutos con un montón de fórmulas me hubiera quedado igual. A sí que creo que vas a agradecer que te introduzca este concepto con un ejemplo 😀 . Venga empecemos… ¿para qué sirve la Función de Densidad de Probabilidad?

Puedes descargarte el ejemplo aquí;

DESCARGA EL EJEMPLO

El ejemplo: Distribución de la población de una gran ciudad

Imagínate que quieres estudiar la altura de las personas de una población de una gran ciudad. La variable numérica es la altura de las personas en cm.

En esta ciudad son 2M de personas. Quieres ves como se distribuye la altura en cm de todas las personas que habitan en la gran ciudad. Pero recoger todos los datos de la población es imposible. Como dice un colega mío «¡Tardarías 1000!»

Así que decides encuestar a 100 personas al azar (es decir escoges una muestra aleatoria) y miras el histograma de densidad. (Recuerda que el de densidad significa que la suma de las áreas del histograma suma 1)

histograma100obs

Pero ves que aún no te queda claro como se distribuyen las alturas de las personas. Crees que son pocas las personas que has encuestado. Te sientes con energía y encuestas a 1000 personas. Y pintas el histograma de densidad.

histograma1000obs

Buff… Empiezas a intuir cómo de distribuye tu variable numérica pero eres ambicioso. Contrastas a 10 personas para hace la encuesta a 1000 personas cada. En total tienes una muestra de 10.000 personas. Y pintas el histograma de densidad.

histograma10000obs

Fíjate como cada vez la distribución de tu variable es cada vez más suave y puedes intuir mejor como es la forma de la distribución. De hecho, de la densidad de la distribución.

Imagínate que res capaz de obtener los valores de la altura de 100.000 personas. Y pintas el histograma de densidad.

histogramapoblacion

Ahora puedes ver como eres capaz de un contorno mucho más fino. Podrías dibujar el contorno fácilmente. ¡Mira esta imagen!

histogramadensidadprobabilidad

La función de densidad es precisamente este contorno. Es una linea continua que representa la distribución de densidad de TODA LA POBLACIÓN.

Como te he comentado el área de toda las barras del histograma suma 1. ¿Puedes adivinar qué área tiene la función de densidad? Fácil, 1. Es la probabilidad total de la distribución. Es LA propiedad por excelencia de esta función.

El ejemplo en R

En este vídeo te explico el ejemplo que te he expuesto de forma práctica. Es un script que va fantástico para entender que es una función de densidad de probabilidad.

DESCARGA EL EJEMPLO

¿Para qué sirve la Función de Densidad de Probabilidad?

No te he explicado porqué se dice de probabilidad. El área debajo de la curva es la probabilidad. Puedes calcular área debajo de la curva dentro de un intervalo. Puedes usar esta función para responder preguntas como:

¿Qué probabilidad tengo de obtener una personas entre 150cm y 166 cm? Simplemente calculas el área debajo la función entre 150cm y 166cm.

La función de densidad de probabilidad es una teoría para definir cómo se distribuye una variable numérica en una población. Es una teoría o una función matemática que viene a ser lo mismo.

Hay muchas distribuciones teóricas que se han inventado a lo largo de la historia. La más conocida la distribución normal. También la distribución de t-student, la de Poisson, la Gamma etc…

Son teorías matemáticas para expresar como se distribuye una variable numérica en la población.

Pero, ¿para qué sirve la Función de Densidad de Probabilidad?

  1. Tener una teoría de la distribución de una variable numérica en una población
  2. Calcular la probabilidad de ocurrencia. El área debajo de la curva
  3. Tener distribuciones de referencia cómo la distribución normal

Hasta aquí el post sobre la densidad de probabilidad. Espero que te haya gustado y los más importante que hayas entendido para qué sirve esta concepto que parecía tan complicado 😉 Recuerda que te puedes descargar el ejemplo de R aquí. ahora ya sabes para qué sirve la Función de Densidad de Probabilidad

¿Te ha servido el ejemplo de R para complementar la explicación?

Resumen de Estadística. El Material de Consulta Definitivo 1

por 14 comentarios

¡Aquí tienes la primera entrega de 3 superpost de Resumen de Estadística! No pierdas más el tiempo en buscar en internet. Tienes el resumen de Estadística definitivo. Este post está diseñado para que sigas un camino conceptual que va desde 0 conocimiento a saber manejarte con una variable numérica. Ten paciencia en el próximo mes te presentaré las dos entregas que faltan. ¡Disfrútalo!

Introducción a la Estadística​

La ESTADÍSTICA es una ciencia que te permite tener una mejor interpretación de los fenómenos que observas. Te ofrece herramientas para estudiar y evaluar acontecimientos reales a partir de datos.

La ESTADÍSTICA tiene un sinfín de aplicaciones. Sólo necesitas observaciones de acontecimientos reales. La ESTADÍSTICA te proporcionará una valoración OBJETIVA. Aprenderás gracias a los datos.

La ESTADÍSTICA responde a preguntas y tiene un OBJETIVO definido detrás de cada aplicación.

¿Quieres saber ejemplos de aplicación?

¿Quieres saber las etapas en una INVESTIGACIÓN ESTADÍSTICA?

Datos y variables

Para conseguir un OBJETIVO, la ESTADÍSTICA utiliza DATOS obtenidos a partir de observar la realidad. La ESTADÍSTICA se encargará de aprovechar los DATOS: los traducirá y los evaluará para que aprendas y tomes decisiones.

Los DATOS son observaciones de VARIABLES. Por ejemplo: la altura, el peso, el coeficiente de inteligencia, la calidad del vino, la velocidad del viento, la lluvia por metro cuadrado, el país de origen ...

La tabla de datos. Antes de usar la estadística ordena tus datos en una tabla

Tipos de variables. Aprende qué variables puedes observar

Muestra y población

Se pueden RECOLECTAR datos directamente observando la realidad o de un experimento controlado y concreto.

  • Observa la realidad. Por ejemplo guarda los datos de la velocidad de viento media diaria durante 1 mes. Observas cada día que valor de velocidad media tienes- Al final del mes obtienes 30 observaciones. 
  • Crea tu propio experimento. Muy típico en medicina, biología. Un experimento: dos grupos de personas. Uno de los cuáles toma un fármaco y la otra no. Quieres ver si el fármaco es efectivo o no. Si el fármaco es efectivo quieres inferir los resultados de este grupo a toda la población.

Imagina que quieres evaluar el salario medio de un habitante de la ciudad de Barcelona. En lugar de RECOLECTAR los datos observando toda la POBLACIÓN de Barcelona prefieres escoger un pequeño grupo de personas, una MUESTRA.

Tener disponibles los datos de toda la POBLACIÓN puede ser imposible cuando el número de INDIVIDUOS es MUY MUY grande. ¿Qué haces? Escoges una MUESTRA representativa de la población.

Escogiendo la muestra

El hecho de escoger una muestra de la población es llamado MUESTREAR.

  • Muestra aleatoria. Se trata de escoger la muestra al azar. Todas la teorías de la inferencia estadística son validas si la muestra es aleatoria.
  • Muestreo por etapas. La idea es mostrear aleatoriamente por etapas de mayor a menor entidad. ¿No has entendido nada? Lo vemos en un ejemplo:
Por ejemplo quieres obtener una muestra representativa de la Comunidad Valenciana:
Etapa1 => provincia =>te creas una muestra aleatoria las provincias
Etapa2 => comarcas =>te creas una muestra aleatoria de comarcas que están en las provincias de la Etapa1
Etapa3 => pueblos =>te creas una muestra aleatoria de pueblos que están en las comarcas de la Etapa2
  • Muestreo estratificado:​ se trata de muestrear aleatoriamente según un estrato con una determinada proporción en la población.
Por ejemplo, quieres la muestra representativa de una población confeccionada con 30% mujeres y 70% hombres. Si la muestra es de 100 personas, la idea es hacer una muestra aleatoria de 30 mujeres y una muestra aleatoria de 70 hombres. Estás respetando las proporciones 30 – 70. El estrato es el la variable categórica sexo.

Debes seleccionar qué estratos son importantes para tu investigación.

Las dos ramas de la estadística

Ligado al concepto de TABLA DE DATOS...

ESTADÍSTICA DESCRIPTIVA. La tabla de datos no te dice nada a simple vista. Es necesario describir los datos mediante gráficos o valores que los resuman.

La ESTADÍSTICA DESCRIPTIVA sintetiza las características de los datos y los dibuja para que los puedas interpretar.

Ligado al concepto de muestra y población ...

ESTADÍSTICA INFERENCIAL. Los datos de una muestra puden ser válidos o no. ¿Todos los estudios que haces en una muestra son representativos de toda la población?

El objetivo de la ESTADÍSTICA INFERENCIAL: convertir los resultados observados en una regla general o en una teoría

Analizando una variable numérica

En esta sección tienes información de cómo DESCRIBIR UNA variable numérica. Es parte de la estadística descriptiva.

Histograma y distribución

El histograma es un gráfico de barras y te da la idea de cómo esta distribuida la variable.

Para dibujar un histograma necesitas saber el número de BINS o clases.

Las clases son intervalos numéricos. Cada barra del histograma tiene su clase asignada.

La altura de cada barra es la frecuencia. La frecuencia es el número de observaciones que están dentro de una clase. Por cada clase tienes un valor de frecuencia. Mira el post del histograma 😀 encontrarás algún ejemplo de la tabla de frecuencias. 

La distribución de una variable numérica es el contorno de un histograma.

Densidad de probabilidad

​Puedes dibujar el histograma de densidad: el área de todas las barras suma 1. Las unidades del eje "y" son densidades. Se expresan como frecuencia absoluta/unidad de la variable numérica.

Te pongo un ejemplo. Estoy pintando el histograma de una muestra aleatoria de una población de personas. Estoy mirando sus alturas en cm. (Puedes descargarte el ejemplo en R 😀 )

DECARGA EL EJEMPLO

Imagina que tienes una muestra aleatoria de 100 observaciones y dibujas el histograma de densidad.

Imagina que tu muestra es más grande y tenemos 1000 observaciones y dibujas el histograma de densidad.

Imagina que tu muestra es más grande y tenemos 10000 observaciones y dibujas el histograma de densidad.

Con toda la población obtenemos un histograma con clases super pequeñas. Podemos dibujar un contorno.

Imagina que tienes los datos de toda la población y el número de observaciones es tan grande que puedes crear clases super pequeñas. Entonces, el contorno del histograma será como una función continua. Esta es la función de densidad de probabilidad.
  1. La función de densidad de probabilidad no es más que un histograma de densidad llevado al límite.
  2. ​​El contorno de este histograma es una densidad de probabilidad. Es una función teórica.
  3. ​Su nombre es debido a que el área debajo la distribución de densidad de probabilidad es la probabilidad. El área total de la distribución de probabilidad es 1. Es la probabilidad total.
  4. ​Para calcular probabilidades hay que calcular el área debajo la curva (es decir la integral de la función densidad de probabilidad).
  5. La distribución de densidad de probabilidad es una ley teórica de la población. En mates es una función continua.

Medidas para describir la distribución

MEDIDAS DE CENTRALIDAD

  • LA MEDIA es el valor del punto de equilibrio de los datos (de la distribución)

Imagina que tus datos son el peso en kg de un grupo de 30 personas. La media parte el grupo en dos. El peso total de cada grupo será el mismo.

  • LA MEDIANA es el valor que parte en dos grupos los datos. Estos tienen el 50% en número de datos cuando los tienes ordenados de pequeño a grande.

El área debajo de la distribución es igual a la derecha que a la izquierda de la mediana.

  • LA MODA es el valor más repetido de la variable numérica.

MEDIDAS DE DISPERSIÓN y POSICIÓN

  1. EL CUARTIL 25 es el valor que parte en dos grupos los datos. Un grupo tiene el 25% de los valores más pequeños y el 75% son valores más grandes.
  2. EL CUARTIL 50 es LA MEDIANA
  3. EL CUARTIL 75 es el valor que parte en dos grupos los datos. Un grupo tiene el 75% de los valores más pequeños y el 25% son valores más grandes.
  4. RANGO INTERCUARTÍLICO (IQR): es la diferencia entre Q3 - Q1
  • DESVIACIÓN ESTÁNDAR y VARIANCIA es el valor de la dispersión a la media. Es la media de la suma de las distancias a la media.
  • EL MÁXIMO, EL MÍNIMO y EL RANGO también son medidas de dispersión. (El rango es las distancia entre el mínimo y el máximo)

¿Para qué sirve la media y la mediana?

¿No entiendes que es la dispersión de una distribución? ¡Mira esto!

¿Quieres fórmulas? No te asustes son fáciles 🙂

Características de una distribución

Las dos medidas más utilizadas para describir la forma de una distribución son:

Asimetría. ¿Es la distribución simétrica o no? Un ejemplo de distribución simétrica es la distribución Normal.

Curtosis o medida de la centralidad. ¿Tiene valores centrados o son dispersos? ¿Es la distribución ancha o estrecha?

Gráficos descriptivos de una variable

  • Histograma

Es el diagrama de barras por excelencia. Te permite saber muy rápidamente cómo está distribuida tu variable numérica. La variable numérica se divide en intervalos o clases y se dibuja una barras por clase. Cada barra corresponde a la frecuencia de ocurrencia.

DECARGA EL EJEMPLO
  • Diagrama de frecuencias​

El diagrama de frecuencias es equivalente al histograma. Es la unión de las barras mediante una línea. Te da información de cómo está distribuida tu variable. Es un diagrama de línea que te permite comparar dos o más variables numéricas y ver su distribución.

  • La nube de puntos (este me lo he sacado de la manga)​

Simplemente representas los valores de la variable numérica en puntos para hacerte una idea de el rango de la variable, el valor mínimo el máximo y la dispersión. 

  • Box-plot

Este gráfico es muy interesante. Trabaja con los valores del cuartil1, mediana o cuartil2, cuartil3. Además utiliza el valor máximo y mínimo así cómo refleja valores anómalos.

Este gráfico te da una idea muy clara de cómo se distribuye tu variable numérica.

El valor anómalo está muy lejos de la mayoría de los valores de la variable numérica. Por ejemplo el sueldo de Messi es enorme comparado con la media del sueldo de sus compañeros. Es un valor anómalo.
  • QQ-plot

Es un gráfico que te permite:

  1. Ver si muestra es cercana a la distribución teórica que esperas.
  2. Comparar dos muestra numérica y ver si tienen una distribución parecida​

Se pintan los valores de los cuartiles de tu variable numérica en función de los cuartiles de la distribuicón teórica que quieres comparar o la variable numérica que quieres comparar.

Una de las prácticas más utilizadas es para saber si una variable numérica está cerca de la distribución normal.

NO TE VAYAS SIN DESCARGARTE UN EJEMPLO 

¡Aquí tienes el primer superpost! No pierdas más el el tiempo en buscar en internet. Tienes el resumen de Estadística definitivo. Este post está diseñado para que sigas un camino conceptual que va desde 0 conocimiento a un bueno. Sino entiendes alguna cosa ves para arriba para encontrar el significado. No olvides de ponerlo en favoritos. Lo vas a agradecer. ¡Ya lo verás!

¿Te ha servido el post? Está resumido lo sé, pero ¿se entiende bien?

Qué es Big Data y para qué sirve ¿Que responderás cuando te pregunten por Big Data?

por 3 comentarios

Qué es es y para qué sirve Big Data

Ha llegado el momento de entender de una vez por todas qué es Big Data y para qué sirve. Es una realidad y es parte de nuestra sociedad. Big Data es un fenómeno de la era de la información. Nos sirve para entender mejor hacia dónde vamos y hacia dónde no deberíamos ir. La estadística y las mates toman un rol muy importante para aprovechar el Big Data. ¿Lo quieres ver?

La gran pregunta

Big Data significa cantidad ENORME de datos. De naturaleza muy diversa, des de internet: redes sociales y google; pasando por móviles, transacciones bancarias, compras … y llegando a cámaras y sensores dactilares. (y mucho más que me dejo por el camino)

Existe un sinfín de datos que no podemos ni imaginar… pero la gran pregunta es ¿los puedes aprovechar para tomar decisiones?, ¿para responder a preguntas? ¿Para entender mejor la sociedad?

Por ejemplo: ¿Puedes saber que va a querer tu cliente sin apenas conocerlo?, ¿sólo con los datos de redes sociales y demográficos? ¿Serás capaz de predecir una enfermedad sólo con las palabras clave buscadas en google? ¿Puedes saber cómo está creciendo la ciudad y predecir que barrios debo aplicar mejoras de servicios como hospitales, centros de día,..?

Pero todas las preguntas se resumen en una sola: De la cantidad ENORME de datos que dispones, ¿los puedes relacionar para responder a tus preguntas y tomar mejores decisiones? En definitiva, ¿entender mejor la sociedad?

Aumento de la tecnología y el aumento de la información

El siglo XXI es la era de la información. En los últimos años la ciencia está desarrollando un cambio muy importante. Se han mejorado tecnologías en el ámbito de los sensores, de la grabación, de la computación…

Ello conlleva al aumento de datos en un entorno cada vez más complejo. El resultado es que cada vez aumenta la cantidad de información ENORMEMENTE. Este fenómeno es denominado Big Data.

Nuestra PC trabaja sin problemas con megabytes (1024bytes), gigabytes (1024MB). Incluso es familiar el terabyte (1024GB). El aumento de información es tal que estamos en escales muchas más grandes: petabyte (1024TB) o aún más el exabyte (1024PB)…Se plantea llegar a Yottabyte (1024ZB)… ¡Una LOCURA! Vaya…

Estamos SATURADOS por el acceso de información. La lectura positiva de todo esto es que se puede sacar provecho del Big Data.

La clave está en relacionar datos de distinta naturaleza. Así ganaremos conocimiento de la sociedad y la podremos mejorar.

La clave es aplicar el análisis correcto. Estadistas y matemáticos juegan un gran papel 🙂 .

La pirámide DICS

piramide-dics

Para aprovechar el Big Data es necesario un ejercicio brutal de recolección, análisis y síntesis. Podemos pensar en seguir un camino piramidal:

  1. En la parte más baja aparecen los Datos. Es la materia prima. Hay de muchos formatos y naturaleza.
  2. Los datos son captados y se obtiene la Información que después podrá ser tratada.
  3. Está información se relaciona y se analiza para tener más Conocimiento de la sociedad.
  4. Finalmente el conocimiento se ordena y se resume para crecer en Sabiduría y tomar mejores decisiones.

La naturaleza mutidisciplinar del Big Data

  • Científicos de la computación (computer scientist) crean algoritmos para manipular y organizar datos.
  • Estadísticos y matemáticos se encargan de crear nuevas metodologías para identificar patrones en los datos.
  • Expertos en bases de datos recolectan y ordenan los datos.
  • Informáticos programan las metodologías propuestas por los matemáticos y estadísticos.
  • Ingenieros diseñan la electrónica y el hardware para aumentar la capacidad de los computadores.
  • Finalmente expertos en las materias como economistas, sociólogos, químicos, biólogos, médicos, etc… interpretan los resultados y ser más «sabios» de la su disciplina.

Los 4 grandes retos del Big Data

La estadística nace de la necesidad de sacar conclusiones a partir de datos de hechos reales. Pero el siglo XXI nos pone las cosas más difíciles. Ya no se habla de una simple tabla de datos, fácilmente manejable, sino de volúmenes MUY MUY grandes. Se generan segundo a segundo. El escenario es complejo y los retos que lo acompañan son:

  1. Gran cantidad de datos y formatos muy diferentes
  2. Leerlos y almacenarlos
  3. Analizarlos y relacionarlos entre sí
  4. Sacarles partido y mejorar la sociedad
Imagínate que eres alcalde de tu ciudad y para conocerla mejor has decido obtener todos los datos posibles. (demográficos, habitantes por barrios, médicos, servicios,…) ¿Cómo aprovecho toda la información?

1. La locura de los formatos

El primer reto es poder leer los datos de distintos sitios: de redes sociales, de búsquedas de google, datos geopolíticos de los estados, ventas en internet, datos bursátiles…. Cada fuente tiene su propio formato y tienes que adaptarte a todos ellos. Según los expertos existen tres formatos de datos:

  • Los estructurados. Los más sencillos de leer y los que van organizados según las variables. Pueden ser numéricas, con caracteres. Tienen un formato definido y son fáciles de leer.
  • Los semi-estructurados. Contienen separadores que indican los cambios de las distintas variables pero no tienen un estructura definida como los anteriores. Por ejemplo los XML.
  • Los no estructurados. Los e-mails los PDF’s por ejemplo. No tienen ninguna estructura. Son caracteres puestos sin sentido del orden. Pero son una fuente de información valiosa. El Big data también los quiere procesar.

2. Cómo los voy a leer y almacenar

Tienes que diseñar una estrategia de lectura para cada fuente y formato de datos. Que sea rápida y eficaz. Por si fuera poco, una vez leído, almacenarlos. Estamos hablando de muchos terabytes. Si nos cuesta procesar 100Mb de datos Excel imagina 20 Terabytes.

Para poder relacionar los datos tienes que homogeneizarlos. Ponerlos todos en el mismo formato.

3. Analizar datos (data analysis)

Este es el punto donde iba. Estadistas y matemáticas tienen un gran peso en este reto. Tú también formas parte 😉 .

Cómo te explicaba en el post del código la fase de analizar datos es una oportunidad fantástica para hacer relucir técnicas de mates y de estadística. El objetivo que tienes: transformar los datos de partida en algo útil. Aquí algunas disciplinas:

  • Relación de datos: encontrar correlaciones que nos permitan predecir variables de interés en función de las otras. Encontrar reglas de predicción.
  • Machine learning: crear máquinas en forma de algoritmos matemáticos capaces de aprender. Estas máquinas nos van a servir para predecir comportamientos. Las redes neuronales son un ejemplo.
  • Data minig: explorar los datos para encontrar indicios de relaciones entre variables. Búsqueda de patrones con poco conocimiento de dónde pueden estar. Es cómo excavar en las minas para sacar minerales. Remover datos y encontrar relaciones es el objetivo.
  • Clustering: agrupado de los datos según características parecidas. Crear grupos que se parezcan.
  • Análisis de textos: es la disciplina encargada de sacar patrones repetitivos a partir de textos ()e-mails, mensajes de texto móviles, búsquedas en google…)

4. Visualizar los datos (estadística descriptiva)

Es el momento más Deliniano. Dejas salir el pintor que hay dentro de ti. Es todo un reto. El objetivo: representar en un papel relaciones que pueden ser muy complicadas. Requieren más dimensiones para representarlas. Es todo un reto.

Porque el Big Data está relacionando muchas variables entre sí y el análisis es multidimensional (relaciona muchas variables a la vez).

El papel de la estadística descriptiva es vital para poder presentar los resultados en 2D o 3D.

Es un ejercicio de síntesis brutal en forma de gráficos.

Me interesaba mostrarte que es el Big Data como una de los ejemplos de aplicación más de moda de estadistas y matemáticos.

Espero que te haya servido para responder a la gran pregunta de tu colega: «¿Has visto esto del Big Data? Ahora está de moda y parece interesante. ¿Qué opinas?» Ahora ya sabrás que decir cuando te pregunten por Big Data.

No soy un experto en esto. Te lo he explicado a mi modo de entender ¿Crees que falta alguna cosa para completar la explicación?

Tutorial de R para principiantes. Consejos para empezar con buen pie

por 10 comentarios

 

Ha llegado el momento. No lo dejes para otro día. No procrastines más lo inevitable. Es momento de empezar a usar el potente software de Esdatística: R. Es el momento que te tires a la piscina. En este post te muestro el tutorial para principiantes de R.

Para empezar a usar R es obligatorio empezar también con RStudio. No te asustes es el mismo software: R es el corazón, es la máquina de cálculo, es la calculadora. RStudio es el cuerpo, es la interfaz, es el vestido, el traje.

La curva de aprendizaje es pronunciada. No te voy a engañar, pero puedes sacar mucho provecho de esta herramienta.

Seguro que has oído hablar de este software porque es el más famoso para el análisis de datos y uso de la estadística. La verdad es que tiene mucho potencial. Pero sino es así te hago una breve explicación del software.

Es gratuito.

Es open source (de código libre).

Aquí tienes la web de R.

Es la continuación del lenguaje S. Lenguaje estadístico de hace ya unos años.

Se utiliza principalmente para aplicaciones estadísticas. Es un Minitab sin la interfaz. Tu creas el código a tu medida. Por ello es tan potente. Te adaptes a tu problema. El tema es que tienes que programar.

Yo lo he utilizado para crear herramientas de automatización de lectura y escritura de ficheros haciendo análisis simples y es eficiente. También he creado interfaz de usuarios muy interesantes mediante código html. (¡El package R Shiny es brutal!) y mucho más.

¡Ah si! R viene por defecto con unas funciones básicas pero tiene una serie de packages de funciones que te puedes descargar te forma gratuita. Todo el mundo puede contribuir a crear packages. ¡Es aquí la grandeza del software libre!

Estos paquetes son módulos que te permiten hacer muchas más cosas que el software a pelo. Los packages son funciones y herramientas que se han diseñado para hacer determinados cálculos según la disciplina estadística. Te dejo la lista de package.

Como puedes ver existen infinidad de paquetes de herramientas y lo cierto es que R está creciendo día día.

El corazón: R

Cómo te he dicho R es el corazón y la calculadora. Instalar R es muy sencillo. Simplemente ves al link de descarga de R y escoje el archivo apropiado para tu sistema operativo.

Tienes instrucciones de instalación y información extra si quieres.

El cuerpo: RStudio

RStudio-Ball

La user inferface de R es lamentable. Por eso nació RStudio. Es muy parecida a Matlab y muy intuitiva, la verdad. Sin RStudio no creo que hubiese usada R.

Lo cierto es que R es el corazón y RStudio es el cuerpo.

Vamos a instalar RStudio:

Esta es la página de RStudio. Puedes descargarte RStudio y algunos de las packages más comerciales de R como RShiny (para crear user interface con html).

Puedes ver en el link de descarga dos tipos de productos:

Para RStudio vamos a ir a la opción gratuita. La licencia es AGPL v3.

Mini-tutorial de instalación de R y RStudio

Lo de instalar es muy fácil pero quiero que veas como se organiza R en tu PC y que cosas importantes hay que tener en cuenta cuando estamos utilizando RStudio.

Te hago un resumen de lo que te cuento en el vídeo:

  • Te enseño a instalar (muy fácil).
  • Te muestro en que carpetas se instalan R y RStudio en tu PC.
  • Importante: dónde se ubican los packages que vas instalando.

Ejecuta tu primer script de R

Te dejo otro vídeo con los consejos para que ejecutes tu primer código de R . (Lo típico que no te dice nadie y que es super útil)

Estos son los truquitos que te enseño:

  • Comprobar en que fichero estás trabajando.
  • Mirar que todos los packages que estés utilizando los tengas instalados y cargados.
  • Para ejecutar lineas de código desde el RScript estan fácil como seleccionar la línea. Una vez seleccionada pulsa Ctrl + Enter.
  • Te enseño a instalar y cargar packages.

Te dejo el script para instalar y cargar los paquetes que vas a utilizar en un tú código de manera automática. Sólo tienes que cambiar el vector .packages = c(«nombrePackage1″,»nombrePackage2″,»nombrePackage3»,…). Puedes instalar y/o cargar los paquetes que nombres en esta variable.


#********************************************************************
# 1.1 INSTALAR PAQUETES DE FUNCIONES
#********************************************************************
# Lista de paquetes de funciones a instalar
.packages = c("ggplot2", "plotly", "xlsx","scales")

# Instala los paquetes sinó los tienes instalados
.inst <- .packages %in% installed.packages()
if(length(.packages[!.inst]) > 0) install.packages(.packages[!.inst])


#********************************************************************
# 1.2 CARGAR PAQUETES O CREAR FUNCIONES
#********************************************************************
# Carga los paquetes sinó los tienes cargados
lapply(.packages, require, character.only=TRUE)

Mini-tutorial de la user interface RStudio

Otro vídeo donde te explico como es la user interface de RStudio y lo que me hubiera gustado saber antes de empezar:

Estas son las partes que component la user interface

  1. Comandos de R: puedes ver lo que vas escribiendo y ejecutando cada vez.
  2. R scripts: podràs ver el archivo de R que tienes abiertos y los podrás editar aquí.
  3. El workspace: verás las variables que has generado y los objetivos específicos que vas creando según vayas ejecutando lineas de tus archivos. ¡Esto son tus tablas de datos!
  4. Dataviewer: tienes también la posibilidad de ver tus datos en forma de tabla.
  5. Command history: el historial de los comandos que vas ejecutando. Muy útil si se pierdes un archivo y quieres recuperar lo que habías escrito.
  6. Zona mixta: aquí podrás ver los gráficos, buscar en el help, descargarte y instalar los packages.

Hasta aquí el tutorial de R para principiantes. Espero que te haya servido. Y ahora tú: ¿para que vas a empezar a utilizar R? ¿Te ha servido el tutorial? Supongo que quedarán dudas porque acabas de empezar… ¿cuáles son?

6-tecnicas-Mockup-presentacion

¿Listo para impulsar tu carrera y tus proyectos con la Ciencia de Datos?

Descubre cómo Analizar tus Datos con éxito y convertirte en Científico de Datos en tu sector

EMPIEZA AHORA