USE R!

Introducción al Lenguaje R

Santiago Benitez-Vieyra

USE R!

creadores de R

Ross Ihaka y Robert Gentleman

R Core Team - R Foundation

Douglas Bates (USA) - Roger Bivand (Norway) -Jennifer Bryan (Canada) - John Chambers (USA) - Di Cook (Australia) - Peter Dalgaard (Denmark) - Dirk Eddelbuettel (USA) - John Fox (Canada) - Robert Gentleman (USA) - Bettina Grün (Austria) - Frank Harrell (USA) - Kurt Hornik (Austria) - Torsten Hothorn (Switzerland) - Stefano Iacus (Italy) - Ross Ihaka (New Zealand) - Julie Josse (France) - Tomas Kalibera (Czechia, USA) - Michael Lawrence (USA) - Friedrich Leisch (Austria) - Uwe Ligges (Germany) - Thomas Lumley (USA, New Zealand) - Martin Mächler (Switzerland) - Martin Morgan (USA) - Paul Murrell (New Zealand) - Balasubramanian Narasimhan (USA) - Martyn Plummer (France) - Deepayan Sarkar (India) - Marc Schwartz (USA) - Duncan Temple Lang (USA) - Luke Tierney (USA) - Heather Turner (UK) - Simon Urbanek (Germany, USA) - Bill Venables (Australia) - Hadley Wickham (USA) - Achim Zeileis (Austria)

The R Journal https://journal.r-project.org/

La comunidad

Lenguaje para construir una rutina de análisis.

library(vegan)
dat <- read.table("/home/santiago/mandevilla.txt", header = TRUE)

## multidimensional scaling
m1 <- metaMDS(dat2, dist = "bray", k = 2)
m1

## figura
plot(m1, "sites", type = "n") 
points(m1$points[,1],
       m1$points[,2],
       pch = c(rep(1, 4), rep(19, 4), rep(19, 3),
               rep(1, 5), rep(19, 4), rep(1, 4)), 
       col = c(rep("blue4", 4), rep("blue4", 4), rep("red4", 3), 
      rep("red4", 5), rep("green4", 4), rep("green4", 4)))

## agregar compuestos
points(m1, "species", pch = 2, cex = 0.7)
## agregar nombres de compuestos
text(m1$species[, 1], m1$species[, 2] - 0.1, colnames(dat2), cex = 0.6)

## anosim
tipo <- as.factor(c(rep("hib", 8), rep("lax", 8), rep("pen", 8)))
a1 <- anosim(dat = dat2, grouping = tipo, distance = "bray", permutations = 9999)
summary(a1)
perm <- permustats(a1)
densityplot(perm)
plot(a1)

Guardar las instrucciones de un gráfico.

library(hdrcde)
x <- c(rnorm(200,0,1),rnorm(200,4,1))
y <- c(rnorm(200,0,1),rnorm(200,4,1))
par(mfrow=c(1,2))
plot(x,y, pch= "+", cex=.5)
hdr.boxplot.2d(x,y)

Guardar las instrucciones de un gráfico.

Usar R para que la investigación sea REPRODUCIBLE

  • Métodos cuidadosamente descriptos
  • Datos de libre disponibilidad
  • Análisis estadístico reproducible

Publicar la rutina de análisis

sup

Publicar un paquete.

sup

Publicar un paquete

sup

Paquetes

Repos

CRAN

“Yo siempre apretaba botones y obtenía respuestas”

Programming tools: Adventures with R

¿Por qué usar R?

  • Es el software más abarcativo.
  • Más de 12000 paquetes específicos.
  • Excelentes posibilidades gráficas.
  • Comunidad de usuarios y programadores para consultar
  • Lenguaje abierto.
  • Adquirir habilidades de programación.
  • Es libre y gratuito, pude ser copiado, distribuido y modificado a voluntad.

Interfaces Gráficas de Usuario (GUI).

El lenguaje R y el software donde lo visualizamos son dos cosas diferentes.

¿Donde Buscar Ayuda?

Objetivos del curso.

  • Adquirir destreza en el uso del lenguaje R para su uso en estadística básica y gráficos, así como nociones de programación.
  • Desarrollar una visión global de una amplia clase de modelos estadísticos.
  • Adquirir destreza en la interpretación de análisis estadísticos y gráficos presentados en trabajos científicos.

Contenidos del curso.

  • Funciones básicas de R (creación de objetos, ingreso de datos, análisis básicos). Análisis gráfico. Modelos Lineales. Training and Test. Selección de variables, selección de modelos y regularización.
  • Manejo de gráficos básicos: Comandos gráficos de alto y bajo nivel, exportación de gráficos. Elección del gráfico adecuado para representar un análisis. Introducción a los paquetes lattice, y ggplot2.
  • Construcción de rutinas. Introducción a R Markdown. Cómo presentar los resultados.
  • Introducción a la programación: Construcción de funciones, rutinas, bucles, funciones condicionales y simulación de datos.
  • Métodos de remuestreo y randomizaciones. Bootstrap

Trabajo Final: Construcción de una rutina de resolución de problemas estadísticos y gráficos. Entrega de un informe.

Cronograma

  • LUNES
    • Teórico: Introducción
    • Práctico 1: Introducción al Lenguaje R
    • Teórico: Modelos Lineales
    • Práctico 2: Modelos Lineales Simples
  • MARTES
    • Teórico: Modelos Lineales Múltiples
    • Práctico 3: Modelos Lineales Múltiples I
    • Teórico: Selección de Variables, selección de modelos
    • Práctico 4: Modelos Lineales Multiples II

Cronograma

  • MIERCOLES
    • Práctico 5: Manejo de gráficos
    • Práctico 6: Otros paquetes gráficos
  • JUEVES
    • Práctico 7: Construyendo Rutinas
    • Práctico 8: Programación y construcción de funciones
  • VIERNES
    • Teórico: Randomización y Modelos Nulos
    • Práctico 9: Modelos Randomizados y Modelos Nulos
    • Teórico: Boostrap
    • Práctico 10: Bootstrap

FIN