Aprende R en 10 minutos

1 October 2025 — Lenguaje De Programación

R es un lenguaje de programación y entorno poderoso para computación estadística, análisis de datos y visualización. Este tutorial cubre los conceptos esenciales para que comiences con la programación en R.

1. Comenzando con R

Empecemos con un programa simple. Abre R o RStudio e ingresa el siguiente código:

print("¡Hola, Mundo!")

También puedes ejecutar esto en la consola de R. La salida será:

[1] "¡Hola, Mundo!"

Este programa simple demuestra la funcionalidad básica de salida de R. La función print() muestra información de texto en la consola.

2. Sintaxis básica y variables

La sintaxis de R está diseñada para computación estadística y análisis de datos. Exploremos la asignación de variables y operaciones básicas.

# Esto es un comentario
x <- 5  # Asignación usando el operador <-
y = 10   # Asignación usando el operador = (menos común)
print(x + y)

Reglas básicas de sintaxis en R:

Asignación: Usa <- para asignación de variables (preferido) o =
Comentarios: Los comentarios de una línea comienzan con #
Funciones: Usa paréntesis () para llamadas de funciones
Vectores: R está vectorizado - las operaciones funcionan en vectores completos

3. Tipos de datos y estructuras

R tiene varios tipos de datos y estructuras fundamentales para computación estadística.

3.1 Tipos de datos básicos

# Numérico (double)
num <- 3.14
print(class(num))

# Entero
int <- 42L
print(class(int))

# Carácter (cadena)
text <- "Hola R"
print(class(text))

# Lógico (booleano)
flag <- TRUE
print(class(flag))

3.2 Vectores

Los vectores son la estructura de datos fundamental en R. Son arreglos unidimensionales que pueden contener datos numéricos, de caracteres o lógicos.

# Creando vectores
numeric_vector <- c(1, 2, 3, 4, 5)
character_vector <- c("manzana", "banana", "cereza")
logical_vector <- c(TRUE, FALSE, TRUE)

# Operaciones con vectores
print(numeric_vector * 2)  # Multiplica cada elemento por 2
print(numeric_vector + 1)  # Suma 1 a cada elemento
print(length(numeric_vector))  # Obtiene la longitud del vector

3.3 Listas

Las listas son contenedores flexibles que pueden contener elementos de diferentes tipos.

# Creando una lista
my_list <- list(
  name = "Juan",
  age = 30,
  scores = c(85, 92, 78),
  active = TRUE
)

# Accediendo a elementos de la lista
print(my_list$name)
print(my_list[["age"]])
print(my_list[[3]])

3.4 Data Frames

Los data frames son la estructura de datos más importante para análisis de datos en R. Son como tablas con filas y columnas.

# Creando un data frame
df <- data.frame(
  name = c("Alicia", "Bob", "Carlos"),
  age = c(25, 30, 35),
  score = c(88, 92, 85)
)

# Viendo el data frame
print(df)
print(str(df))  # Estructura del data frame
print(summary(df))  # Estadísticas resumidas

4. Operaciones básicas

R proporciona un conjunto rico de operadores para operaciones matemáticas y lógicas.

# Operaciones aritméticas
a <- 10
b <- 3

print(a + b)  # Suma
print(a - b)  # Resta
print(a * b)  # Multiplicación
print(a / b)  # División
print(a ^ b)  # Exponenciación
print(a %% b) # Módulo
print(a %/% b) # División entera

# Operaciones de comparación
print(a > b)   # Mayor que
print(a == b)  # Igual a
print(a != b)  # No igual a
print(a <= b)  # Menor o igual que

# Operaciones lógicas
print(TRUE & FALSE)  # AND
print(TRUE | FALSE)  # OR
print(!TRUE)         # NOT

5. Estructuras de control

R proporciona estructuras de control estándar para el flujo del programa.

5.1 Sentencias if

age <- 20

if (age >= 18) {
  print("Adulto")
} else if (age >= 13) {
  print("Adolescente")
} else {
  print("Niño")
}

5.2 Bucles for

# Iterando sobre un vector
fruits <- c("manzana", "banana", "cereza")
for (fruit in fruits) {
  print(fruit)
}

# Usando secuencia
for (i in 1:5) {
  print(paste("Número:", i))
}

5.3 Bucles while

count <- 1
while (count <= 5) {
  print(count)
  count <- count + 1
}

6. Funciones

Las funciones en R son bloques de código reutilizables para tareas específicas.

# Definición básica de función
calculate_area <- function(length, width) {
  area <- length * width
  return(area)
}

# Llamando la función
result <- calculate_area(5, 3)
print(result)

# Función con parámetros por defecto
greet <- function(name = "Invitado") {
  return(paste("Hola,", name))
}

print(greet("Alicia"))
print(greet())  # Usa parámetro por defecto

7. Manipulación de datos

R sobresale en la manipulación de datos. Exploremos algunas operaciones básicas.

# Data frame de ejemplo
students <- data.frame(
  name = c("Alicia", "Bob", "Carlos", "Diana"),
  math_score = c(85, 92, 78, 95),
  science_score = c(88, 90, 82, 96),
  grade = c("A", "A", "B", "A")
)

# Subconjunto de datos
print(students[students$math_score > 85, ])  # Filas donde math_score > 85
print(students[, c("name", "math_score")])   # Columnas específicas

# Agregando nuevas columnas
students$total_score <- students$math_score + students$science_score
students$average_score <- students$total_score / 2

print(students)

8. Visualización de datos

R tiene capacidades de visualización poderosas, especialmente con ggplot2.

# Gráficos básicos (R base)
# Crear algunos datos de ejemplo
x <- 1:10
y <- x^2

# Gráfico de dispersión
plot(x, y, main = "Gráfico de Dispersión", xlab = "X", ylab = "Y", col = "azul", pch = 16)

# Gráfico de líneas
plot(x, y, type = "l", main = "Gráfico de Líneas", xlab = "X", ylab = "Y", col = "rojo")

# Histograma
hist(rnorm(100), main = "Histograma", xlab = "Valores", col = "azul claro")

8.1 Usando ggplot2 (si está instalado)

# Instalar y cargar ggplot2 si no está instalado
# install.packages("ggplot2")
library(ggplot2)

# Crear un data frame de ejemplo
plot_data <- data.frame(
  category = c("A", "B", "C", "D"),
  value = c(25, 40, 30, 35)
)

# Crear un gráfico de barras
ggplot(plot_data, aes(x = category, y = value)) +
  geom_bar(stat = "identity", fill = "azul acero") +
  labs(title = "Ejemplo de Gráfico de Barras", x = "Categoría", y = "Valor") +
  theme_minimal()

9. Análisis estadístico

R está diseñado para computación estadística. Aquí hay algunas funciones estadísticas básicas.

# Datos de ejemplo
data <- c(23, 45, 67, 34, 56, 78, 89, 12, 45, 67)

# Estadísticas básicas
print(mean(data))     # Media
print(median(data))   # Mediana
print(sd(data))       # Desviación estándar
print(var(data))      # Varianza
print(min(data))      # Mínimo
print(max(data))      # Máximo
print(summary(data))  # Resumen de cinco números

# Correlación
x <- 1:10
y <- x + rnorm(10)  # Agregar algo de ruido
print(cor(x, y))    # Coeficiente de correlación

# Regresión lineal
model <- lm(y ~ x)
print(summary(model))

10. Trabajando con archivos

R proporciona funciones para leer y escribir archivos.

# Escribiendo a un archivo
write.csv(students, "students.csv", row.names = FALSE)

# Leyendo desde un archivo
# read_data <- read.csv("students.csv")
# print(read_data)

# Trabajando con archivos de texto
# writeLines(c("Línea 1", "Línea 2", "Línea 3"), "ejemplo.txt")
# text_content <- readLines("ejemplo.txt")
# print(text_content)

11. Paquetes y bibliotecas

El poder de R viene de su extenso ecosistema de paquetes.

# Instalando paquetes
# install.packages("dplyr")  # Para manipulación de datos
# install.packages("ggplot2") # Para visualización

# Cargando paquetes
library(dplyr)
library(ggplot2)

# Usando dplyr para manipulación de datos
# students %>%
#   filter(math_score > 85) %>%
#   select(name, math_score) %>%
#   arrange(desc(math_score))

12. Manejo de errores

R proporciona mecanismos para el manejo de errores.

# Manejo básico de errores
tryCatch({
  result <- 10 / 0
  print(result)
}, error = function(e) {
  print(paste("Ocurrió un error:", e$message))
}, finally = {
  print("Esto siempre se ejecuta")
})

# Usando try()
result <- try(10 / 0, silent = TRUE)
if (inherits(result, "try-error")) {
  print("La división falló")
}

13. Temas avanzados

13.1 Funciones de la familia Apply

Las funciones de la familia apply son poderosas para operaciones vectorizadas.

# Crear una matriz
mat <- matrix(1:12, nrow = 3, ncol = 4)
print(mat)

# Aplicar funciones
print(apply(mat, 1, mean))  # Medias por fila
print(apply(mat, 2, sum))   # Sumas por columna

# lapply para listas
my_list <- list(a = 1:5, b = 6:10, c = 11:15)
print(lapply(my_list, mean))  # Media de cada elemento de la lista

# sapply (versión simplificada)
print(sapply(my_list, mean))

13.2 Manipulación de cadenas

text <- "Hola Programación R"

print(toupper(text))    # Convertir a mayúsculas
print(tolower(text))    # Convertir a minúsculas
print(nchar(text))      # Contar caracteres
print(substr(text, 1, 5))  # Extraer subcadena

# Usando el paquete stringr (si está instalado)
# library(stringr)
# str_split(text, " ")  # Dividir cadena

13.3 Fecha y hora

# Fecha y hora actual
current_time <- Sys.time()
print(current_time)

# Formateando fechas
formatted_date <- format(current_time, "%Y-%m-%d")
print(formatted_date)

# Aritmética de fechas
today <- Sys.Date()
future_date <- today + 30
print(future_date)

14. Mejores prácticas

Aquí hay algunos consejos para escribir mejor código en R:

Usa nombres de variables significativos
Comenta tu código apropiadamente
Usa operaciones vectorizadas en lugar de bucles cuando sea posible
Carga paquetes al principio de tu script
Usa indentación consistente (se recomiendan 2 espacios)
Prueba tu código con datos de ejemplo
Usa control de versiones para tus proyectos

15. Próximos pasos

Para continuar aprendiendo R:

Practica: Trabaja en pequeños proyectos de análisis de datos
Explora paquetes: Aprende dplyr, ggplot2, tidyr y otros paquetes esenciales
Recursos en línea: Usa la documentación de R, Stack Overflow y R-bloggers
Libros: “R for Data Science” de Hadley Wickham
Cursos: Toma cursos en línea sobre análisis de datos con R

R es una herramienta poderosa para computación estadística y análisis de datos. Con práctica, podrás realizar manipulaciones de datos complejas, crear visualizaciones hermosas y conducir análisis estadísticos sofisticados.