2 El Ecosistema de R y la Computación Estadística

2.1 ¿Qué es R? Un entorno para la minería de datos

R no se limita a ser un lenguaje de programación; se define técnicamente como un entorno integrado de servicios de software diseñado para la manipulación de datos, el cálculo estadístico y la generación de representaciones gráficas de alta calidad. Surgió en 1996 en la Universidad de Auckland, Nueva Zelanda, creado por Ross Ihaka y Robert Gentleman como una implementación de código abierto del lenguaje S (Torgo 2017; Shmueli et al. 2018).

Su éxito en la Inteligencia de Negocios (BI) radica en su naturaleza Open Source, lo que permite una validación constante de sus algoritmos por parte de la comunidad científica y el desarrollo de miles de librerías especializadas que extienden sus capacidades más allá de lo que cualquier software comercial cerrado puede ofrecer (Torgo 2017).

2.1.1 Configuración de la Estación de Trabajo

Para un desempeño profesional, el analista debe configurar un ecosistema robusto compuesto por tres pilares fundamentales:

R Base: El motor de ejecución, disponible en el Comprehensive R Archive Network (CRAN).
RStudio (IDE): El entorno de desarrollo integrado que facilita la escritura de código, la gestión de archivos y la visualización de resultados en una interfaz de cuatro paneles (Editor, Consola, Entorno y Utilidades).
Compilador LaTeX: Herramienta indispensable para la generación de reportes técnicos en formato PDF a través de distribuciones livianas como TinyTeX.

Tip

Existen otras alternativas populares para gestionar sus proyectos:

Google Colab
Visual Studio Code
Pycharm
Posit cloud
JupyterLab, Jupyter Notebook
Databricks

Necesidad principal	Entorno recomendado
Investigación y análisis estadístico en R	RStudio / Posit Workbench
Desarrollo general multiprogramación (Python/R)	VS Code
Pruebas rápidas con GPU o uso educativo	Google Colab
Procesamiento masivo de datos (Big Data)	Databricks
Prototipado interactivo local	JupyterLab

2.1.2 Gestión de Proyectos y Buenas Prácticas

Un error común en analistas novatos es trabajar con ficheros sueltos en carpetas genéricas. En minería de datos, el orden garantiza la reproducibilidad.

Proyectos de R (.Rproj): Siempre inicie su trabajo creando un proyecto (File > New Project). Esto encapsula todos los activos en una carpeta raíz y evita errores de rutas de archivos al compartir el trabajo con otros equipos.
Nomenclatura de Objetos: Siga el estándar de Wickham (2014): use nombres cortos, siempre en minúsculas y separe las palabras con guion bajo (ej. monto_total en lugar de MontoTotal o mt). Evite nombres genéricos como dato1 o tabla.

2.2 Sintaxis Básica y Operaciones en la Consola

Esta sigue el principio matemático de:

\[f(x)=y\]

\[comando(arg1,arg2, \ldots)\]

, donde aplicamos una función a un argumento para obtener un resultado.

R maneja operaciones de alta precisión respetando el orden algebraico estándar:

# Operaciones aritméticas
(1500 * 0.15) + 200  # Cálculo de interés
sqrt(144)            # Función raíz cuadrada
10^2                 # Potenciación

Esenciales para el filtrado de reglas de negocio en BI, devuelven valores TRUE o FALSE:

100 >= 50    # Mayor o igual
10 == 10     # Igualdad estricta (doble igual)
10 != 5      # Diferente de
(5 > 3) & (10 < 2) # Operador Y (AND)

R tiene términos protegidos con significados técnicos específicos:

NA: Dato perdido (Not Available).
NULL: Objeto vacío o inexistente.
NaN: Error en cálculo numérico (Not a Number).
Inf: Infinito matemático.

class(100)    # numérica
class("hola") # Texto, caractér
class(2>3)    # Lógica

Actividad (5 min)

Escenario: Un cliente tiene un crédito de 50,000 USD a una tasa del 1.2% mensual.

Use la consola como calculadora para hallar el interés del primer mes.
Verifique si ese interés es mayor a 500 USD usando un operador lógico.
Utilice el comando ?log para investigar cómo calcular el logaritmo en base 10 del monto total del crédito.

2.3 Estructuras de Datos: Los Activos de Información

En R, todo es un objeto. Para crear estos activos en la memoria, utilizamos el operador de asignación <- (evite el uso de = para asignaciones, ya que puede confundirse con igualdad lógica).

2.3.1 Estructuras Homogéneas (Mismo tipo de dato)

Contienen elementos de una sola clase (números, texto o lógicos):

Scalar: Un único valor individual.
Vector: Una colección indexada de valores columna. Se crean con la función combinar c().
Matriz: Una estructura bidimensional donde todos los datos son del mismo tipo (ej. una tabla de puros montos financieros).
Array: Una generalización de la matriz de mas de 2 dimensiones

s1  <-  2
s2  <-  "hola a todos"
s3  <-  3==4

v1  <-  c(2,4,6,8,10)
v2  <-  c("a", "b", "c", "hola", "buenos días")
v3  <-  v1>5

m1  <-  matrix(c(1, 2, 3, 4) , 2, 2 )
m2  <-  matrix(c("a", "b", "c", "d") , 2, 2 )
m3  <-  m1>=2

a1  <-  array(1:8, c(2, 2, 2))

2.3.2 Estructuras Heterogéneas (Múltiples tipos de datos)

Permiten combinar diferentes naturalezas de información, siendo las más poderosas para el analista:

Data Frames: Es el formato estándar de las bases de datos (tabular). Cada columna es una variable (puede ser de distinto tipo) y cada fila es una observación.
Listas: El objeto más flexible; puede contener vectores, matrices, modelos y hasta otras listas en un solo contenedor.

nombre  <- c("Maria", "Jose", "Ana")
edad  <-  c(19, 30, 23)
df1 <-  data.frame(nombre, edad)
df1

s1 <- 1; v1<-c(1,2)
l1 <- list(s1, v1, df1)
l1

Actividad: Creación de un Dataset Estratégico (5 min)

Debe registrar el desempeño de tres vendedores: Ana, Luis y Pedro. Vendieron 15, 20 y 12 unidades respectivamente.

Cree el vector vendedores con los nombres.
Cree el vector ventas con las unidades.
Cree un dataframe llamado df_comercial que una ambos vectores.
Use la función str(df_comercial) para inspeccionar la estructura de su base de datos.

2.3.3 Indexación

Se refiere al proceso de acceder, seleccionar o extraer elementos específicos dentro de las estructuras de datos en R (vectores, matrices, data frames y listas) utilizando operadores de extracción.

set.seed(123) # Semilla aleatoria
v1<-runif(10) # Distribución uniforme de 0 a 1
v1[2]
v1[c(3,7)]
v1[2:5]

data(iris) #datos en R
iris[2,] #Fila
iris[,2] #Columna
iris[c(2, 5), c(1, 5)]
iris$Petal.Length #seleccionar variable

l1<-list(2, 1:10, iris)
l1[[2]]
l1[[3]]$Species

2.4 Automatización: Rutinas y Funciones Personalizadas

La minería de datos moderna requiere que el analista deje de realizar tareas manuales y empiece a escribir scripts para procesos repetitivos de limpieza y modelado.

2.4.1 Estructuras de Control de Flujo

Permiten que R tome decisiones o repita tareas automáticamente:

Condicionales (if / else): Ejecutan código basado en una premisa lógica (ej. “si el riesgo es alto, denegar crédito”).
Bucles (for): Repiten una secuencia de comandos un número definido de veces (ej. procesar automáticamente 12 archivos de ventas mensuales).

x <- 5
if(x>3){
  print("Hola")
} else {
  print("Chau")
}

if(x==3){
  print("lunes")
} else if(x>3){
  print("martes")
} else {
  print("viernes")
}

for(i in 1:10){
  print(i)
  if(i<5){
    print("Hola")
  } else {
    print("Chau")
  }
}

x <- 1
aux<-1
while(aux>0.05){
  aux<-1/x
  x<-x+1
}

Ejercicios

Identificación de Datos Perdidos: Dado el dataset airquality, crea un bucle for que recorra todas las columnas. Si una columna tiene más de un 10% de valores NA, imprime un mensaje de alerta con el nombre de la variable.
Regla de Negocio para Riesgo: Supón que tienes un vector con montos de transacciones (simula 100 casos). Utiliza una estructura if / else dentro de un bucle para clasificar cada transacción: si el monto es mayor a 5000 USD y ocurre en una sucursal específica, etiquétala como “Revisión Manual”; de lo contrario, etiquétala como “Aprobada”.
Simulación de Convergencia: Utiliza un bucle while para simular el entrenamiento de un modelo. Inicia con un “error” de 1.0 y, en cada paso, reduce el error en un 15% de manera aleatoria. El bucle debe detenerse cuando el error sea menor a 0.01. Este ejercicio ayuda a entender cómo funcionan los procesos iterativos en redes neuronales y otros algoritmos de aprendizaje.

2.4.2 Creación de Funciones

Una función es una secuencia de procedimientos con un objetivo claro. Si usted debe realizar el mismo cálculo más de tres veces, encapsúlelo en una función:

# Estructura básica
mi_indicador <- function(x) {
  resultado <- (x / sum(x)) * 100 # Cálculo de porcentaje participación
  return(resultado)
}

Ejercicios

Función de Normalización (Z-score): Crea una función llamada estandarizar que reciba un vector numérico y devuelva los valores transformados mediante la fórmula \(z = (x - \bar{x}) / s\). La estandarización es indispensable antes de aplicar métodos como PCA o Clustering para evitar que las variables con escalas grandes dominen el análisis.
Calculadora de MSE: Desarrolla una función que reciba dos vectores: uno con los valores reales y otro con las predicciones de un modelo. La función debe devolver el Error Cuadrático Medio (MSE). Este es el estándar para evaluar el desempeño en tareas de Regresión.
Reporte de Clasificación: Escribe una función que tome una matriz de confusión de 2x2 como entrada y calcule la Precisión (Precision) y la Exhaustividad (Recall). Esta herramienta será fundamental cuando estudies modelos de clasificación supervisada en capítulos futuros.

2.5 Investigación Reproducible con Quarto

El estándar actual para la minería de datos es el uso de documentos dinámicos que integran narrativa, código y resultados en un solo flujo. A diferencia de copiar tablas a un Word, un archivo de Quarto permite: 1. YAML Header: Definir metadatos y formatos de salida (PDF, HTML, Dashboards). 2. Chunks de Código: Bloques de R donde ocurre el procesamiento, con opciones de control como echo, eval y message. 3. Ecuaciones LaTeX: Inserción de fórmulas matemáticas complejas como \(\sum_{i=1}^{n} x_i^2\) para documentar la metodología algorítmica utilizada.

Esto garantiza que el conocimiento descubierto sea auditable, transparente y fácilmente actualizable si los datos de origen cambian.