Objetos en R

¿Por qué aprender R?

R es el lenguaje estándar en economía, estadística y ciencias sociales para analizar datos.

Con R podrás:

Limpiar y transformar bases de datos (encuestas, registros administrativos, datos del INEGI)
Calcular estadísticas descriptivas y hacer pruebas de hipótesis
Crear gráficas publicables para tesis, reportes y artículos
Automatizar análisis que en Excel tomarían horas

A diferencia de Excel, R guarda un registro exacto de cada paso que hiciste con tus datos, lo que hace tu trabajo reproducible y verificable. —

Parte 1 — Operaciones básicas

R puede usarse directamente como calculadora. Corre cada línea en la consola y observa el resultado.

1 + 1

#> [1] 2

10 - 3

#> [1] 7

4 * 5

#> [1] 20

20 / 4

#> [1] 5

2 ^ 8      # Potencia: 2 elevado a la 8

#> [1] 256

17 %% 5    # Módulo: residuo de dividir 17 entre 5

#> [1] 2

El operador de asignación `<-`

En R guardamos resultados en objetos usando <-.

mi_suma <- 1 + 1
mi_suma            # escribir el nombre lo imprime en consola

#> [1] 2

print(mi_suma)     # print() hace lo mismo de forma explícita

#> [1] 2

Convención: en R usamos <- para asignar, no =. El signo = también funciona, pero <- es el estándar de la comunidad R.

Parte 2 — Tipos de objetos en R

En R todo lo que creamos es un objeto. Cada objeto tiene un tipo (class) que determina qué operaciones podemos hacer con él.

Usamos class() para saber el tipo y str() para ver su estructura.

Tipo 1: `numeric` — número decimal

El tipo numérico más común. Se usa para medidas continuas: pesos, temperaturas, distancias, precios.

estatura <- 1.64   # metros
peso     <- 67     # kilogramos
imc      <- peso / (estatura ^ 2)
imc                # Índice de Masa Corporal

#> [1] 24.91077

class(imc)         # "numeric"

#> [1] "numeric"

str(imc)           # num 22.5

#>  num 24.9

Tipo 2: `integer` — número entero

Se usa cuando los valores no tienen decimales. Se escribe con L al final.

edad    <- 25L
alumnos <- 30L
semanas <- 16L

class(edad)        # "integer"

#> [1] "integer"

str(edad)          # int 25

#>  int 25

¿Cuál es la diferencia práctica entre numeric e integer?

x_num <- 5    # R lo guarda como decimal: 5.0
x_int <- 5L   # R lo guarda como entero:  5

class(x_num)      # "numeric"

#> [1] "numeric"

class(x_int)      # "integer"

#> [1] "integer"

is.integer(x_num) # FALSE

#> [1] FALSE

is.integer(x_int) # TRUE

#> [1] TRUE

En la mayoría de los cálculos se comportan igual, pero integer ocupa menos memoria (útil cuando trabajas con millones de filas).

Tipo 3: `character` — texto

Se usa para guardar palabras u oraciones. Siempre va entre comillas " " o ' '.

nombre_est <- "Araceli"
ciudad     <- "Ciudad de México"
carrera    <- "Economía"

class(nombre_est)  # "character"

#> [1] "character"

Funciones útiles con texto

# paste() une cadenas con un espacio entre cada pieza
presentacion <- paste("Hola, me llamo", nombre_est,
                      "y estudio", carrera, "en", ciudad)
print(presentacion)

#> [1] "Hola, me llamo Araceli y estudio Economía en Ciudad de México"

# paste0() une sin espacios (útil para nombres de archivos)
archivo <- paste0("reporte_", nombre_est, "_2026.csv")
print(archivo)

#> [1] "reporte_Araceli_2026.csv"

# Otras funciones
nchar(presentacion)      # Total de caracteres

#> [1] 61

toupper(nombre_est)      # MAYÚSCULAS

#> [1] "ARACELI"

tolower(ciudad)          # minúsculas

#> [1] "ciudad de méxico"

substr(carrera, 1, 3)    # Primeras 3 letras: "Eco"

#> [1] "Eco"

Tipo 4: `logical` — verdadero o falso

Solo tiene dos valores posibles: TRUE o FALSE. Es el resultado de cualquier comparación.

aprobado  <- TRUE
reprobado <- FALSE

class(aprobado)    # "logical"

#> [1] "logical"

Operadores de comparación

10 > 5             # ¿10 mayor que 5?       TRUE

#> [1] TRUE

10 < 5             # ¿10 menor que 5?       FALSE

#> [1] FALSE

10 == 10           # ¿10 igual a 10?        TRUE  (doble ==)

#> [1] TRUE

10 != 5            # ¿10 diferente de 5?    TRUE

#> [1] TRUE

10 >= 10           # ¿10 mayor o igual a 10?TRUE

#> [1] TRUE

10 <= 9            # ¿10 menor o igual a 9? FALSE

#> [1] FALSE

calificacion <- 85
calificacion >= 60  # ¿Aprobó?  -> TRUE

#> [1] TRUE

calificacion >= 90  # ¿Sacó A?  -> FALSE

#> [1] FALSE

Truco útil: TRUE vale 1 y FALSE vale 0 en cálculos numéricos.

sum(TRUE, TRUE, FALSE, TRUE)                    # 3 "verdaderos"

#> [1] 3

mean(c(TRUE, FALSE, TRUE, TRUE, FALSE))         # 0.6 = 60% son TRUE

#> [1] 0.6

Tipo 5: `vector` — múltiples valores del mismo tipo

Un vector guarda varios valores en una sola variable con c() (combine). Todos los elementos deben ser del mismo tipo.

# Vector de caracteres
palabras <- c("Me", "gusta", "mi", "clase", "de", "R")
str(palabras)       # chr [1:6]

#>  chr [1:6] "Me" "gusta" "mi" "clase" "de" "R"

length(palabras)    # 6 elementos

#> [1] 6

# Vector numérico
calificaciones <- c(78, 85, 92, 67, 90, 88)
mean(calificaciones)  # Promedio: 83.3

#> [1] 83.33333

max(calificaciones)   # Máximo:   92

#> [1] 92

min(calificaciones)   # Mínimo:   67

#> [1] 67

range(calificaciones) # Rango:    67 92

#> [1] 67 92

Acceder a elementos por posición

Importante: en R los índices empiezan en 1, no en 0 como en Python.

calificaciones[1]    # Primer elemento:  78

#> [1] 78

calificaciones[3]    # Tercer elemento:  92

#> [1] 92

calificaciones[2:4]  # Del segundo al cuarto: 85 92 67

#> [1] 85 92 67

Secuencias rápidas con `:`

dias <- 1L:7L
str(dias)    # int [1:7] 1 2 3 4 5 6 7

#>  int [1:7] 1 2 3 4 5 6 7

print(dias)

#> [1] 1 2 3 4 5 6 7

Tipo 6: `factor` — variable categórica

Un factor es como un character pero con categorías fijas llamadas levels. Es ideal para variables como nivel educativo, región, género o carrera.

nivel_edu <- factor(c("Licenciatura", "Maestria", "Doctorado",
                      "Licenciatura", "Maestria", "Maestria"))
print(nivel_edu)

#> [1] Licenciatura Maestria     Doctorado    Licenciatura Maestria    
#> [6] Maestria    
#> Levels: Doctorado Licenciatura Maestria

levels(nivel_edu)   # Categorías disponibles

#> [1] "Doctorado"    "Licenciatura" "Maestria"

table(nivel_edu)    # Frecuencia de cada categoría

#> nivel_edu
#>    Doctorado Licenciatura     Maestria 
#>            1            2            3

Factor ordenado (variable ordinal)

Cuando las categorías tienen jerarquía, usamos ordered = TRUE:

satisfaccion <- factor(
  c("Alto", "Medio", "Bajo", "Alto", "Bajo"),
  levels  = c("Bajo", "Medio", "Alto"),
  ordered = TRUE
)
print(satisfaccion)

#> [1] Alto  Medio Bajo  Alto  Bajo 
#> Levels: Bajo < Medio < Alto

satisfaccion[1] > satisfaccion[3]   # ¿Alto > Bajo? -> TRUE

#> [1] TRUE

Tipo 7: `data.frame` — tabla de datos

El objeto más usado en análisis de datos. Piénsalo como una hoja de Excel: filas = observaciones, columnas = variables. Cada columna puede ser de un tipo diferente.

estudiantes <- data.frame(
  nombre       = c("Ana", "Luis", "Maria", "Carlos", "Sofia", "Pedro"),
  edad         = c(22L, 25L, 21L, 23L, 20L, 24L),
  calificacion = c(90.5, 58.0, 95.3, 82.1, 47.6, 76.4),
  carrera      = factor(c("Economia", "Derecho", "Economia",
                          "Derecho", "Economia", "Derecho")),
  aprobado     = c(TRUE, FALSE, TRUE, TRUE, FALSE, TRUE)
)

print(estudiantes)

#>   nombre edad calificacion  carrera aprobado
#> 1    Ana   22         90.5 Economia     TRUE
#> 2   Luis   25         58.0  Derecho    FALSE
#> 3  Maria   21         95.3 Economia     TRUE
#> 4 Carlos   23         82.1  Derecho     TRUE
#> 5  Sofia   20         47.6 Economia    FALSE
#> 6  Pedro   24         76.4  Derecho     TRUE

Explorar la estructura

str(estudiantes)       # Tipo de cada columna

#> 'data.frame':    6 obs. of  5 variables:
#>  $ nombre      : chr  "Ana" "Luis" "Maria" "Carlos" ...
#>  $ edad        : int  22 25 21 23 20 24
#>  $ calificacion: num  90.5 58 95.3 82.1 47.6 76.4
#>  $ carrera     : Factor w/ 2 levels "Derecho","Economia": 2 1 2 1 2 1
#>  $ aprobado    : logi  TRUE FALSE TRUE TRUE FALSE TRUE

nrow(estudiantes)      # Número de filas

#> [1] 6

ncol(estudiantes)      # Número de columnas

#> [1] 5

dim(estudiantes)       # Dimensiones: 6 x 5

#> [1] 6 5

summary(estudiantes)   # Resumen estadístico

#>     nombre               edad        calificacion       carrera 
#>  Length:6           Min.   :20.00   Min.   :47.60   Derecho :3  
#>  Class :character   1st Qu.:21.25   1st Qu.:62.60   Economia:3  
#>  Mode  :character   Median :22.50   Median :79.25               
#>                     Mean   :22.50   Mean   :74.98               
#>                     3rd Qu.:23.75   3rd Qu.:88.40               
#>                     Max.   :25.00   Max.   :95.30               
#>   aprobado      
#>  Mode :logical  
#>  FALSE:2        
#>  TRUE :4        
#>                 
#>                 
#>

Acceder a columnas con `$`

estudiantes$nombre

#> [1] "Ana"    "Luis"   "Maria"  "Carlos" "Sofia"  "Pedro"

estudiantes$calificacion

#> [1] 90.5 58.0 95.3 82.1 47.6 76.4

mean(estudiantes$calificacion)  # Promedio general

#> [1] 74.98333

max(estudiantes$calificacion)   # Calificación más alta

#> [1] 95.3

Filtrar filas

# Solo estudiantes aprobados
estudiantes[estudiantes$aprobado == TRUE, ]

# Solo estudiantes de Economía
estudiantes[estudiantes$carrera == "Economia", ]

Agregar una nueva columna

estudiantes$beca <- estudiantes$calificacion >= 85
print(estudiantes)

#>   nombre edad calificacion  carrera aprobado  beca
#> 1    Ana   22         90.5 Economia     TRUE  TRUE
#> 2   Luis   25         58.0  Derecho    FALSE FALSE
#> 3  Maria   21         95.3 Economia     TRUE  TRUE
#> 4 Carlos   23         82.1  Derecho     TRUE FALSE
#> 5  Sofia   20         47.6 Economia    FALSE FALSE
#> 6  Pedro   24         76.4  Derecho     TRUE FALSE

Parte 3 — Errores comunes y cómo evitarlos

Estos son los errores que casi todos los principiantes cometen. Léelos con atención para ahorrar tiempo y frustración.

Error 1: Olvidar las comillas en un `character`

# ✗ R buscará un objeto llamado "hola" y dará error:
texto <- hola

# ✓ correcto:
texto <- "hola"

Error 2: Confundir `==` (comparar) con `=` (asignar)

x <- 10

# ✗ esto intenta asignar, no comparar:
if (x = 5) { ... }

# ✓ correcto:
if (x == 5) { ... }

Error 3: Usar `c` como nombre de objeto

# ✗ peligroso — "c" también es el nombre de la función c():
c <- 10
c(1, 2, 3)   # ahora "c" es 10, no la función → ERROR

# ✓ usa nombres descriptivos:
conteo <- 10

Error 4: Índices fuera de rango

# calificaciones tiene 6 elementos (índices del 1 al 6)
calificaciones[10]   # devuelve NA — bug silencioso

# ✓ siempre verifica con length() antes de indexar:
length(calificaciones)   # 6 → máximo índice permitido es 6

Error 5: Mayúsculas y minúsculas importan

Nombre <- "Ana"
print(nombre)   # Error: object 'nombre' not found
                # "Nombre" y "nombre" son dos objetos distintos

Error 6: Usar `=` en vez de `<-` para asignar (estilo)

# Funciona, pero no es la convención en R:
x = 5

# ✓ convención estándar de la comunidad R:
x <- 5

Parte 4 — El loop `for`

Un for repite el mismo bloque de código para cada elemento de una secuencia. Evita copiar y pegar el mismo código muchas veces.

Estructura:

for (variable_temporal in secuencia) {
    código que se repite en cada vuelta
}

Ejemplo 1: números del 1 al 5

for (i in 1:5) {
  cat("Vuelta número:", i, "\n")
}

#> Vuelta número: 1 
#> Vuelta número: 2 
#> Vuelta número: 3 
#> Vuelta número: 4 
#> Vuelta número: 5

Ejemplo 2: recorrer un vector de nombres

personas <- c("Ana", "Luis", "Maria", "Pedro", "Sandra")

for (persona in personas) {
  cat("Hola,", persona, "! Bienvenid@ a la clase de R.\n")
}

#> Hola, Ana ! Bienvenid@ a la clase de R.
#> Hola, Luis ! Bienvenid@ a la clase de R.
#> Hola, Maria ! Bienvenid@ a la clase de R.
#> Hola, Pedro ! Bienvenid@ a la clase de R.
#> Hola, Sandra ! Bienvenid@ a la clase de R.

Ejemplo 3: acceder a dos vectores al mismo tiempo con índice

asignaturas <- c("Estadística", "Programación", "Bases de Datos")
notas       <- c(9.5, 8.0, 9.0)

for (i in 1:length(asignaturas)) {
  cat(asignaturas[i], "->", notas[i], "\n")
}

#> Estadística -> 9.5 
#> Programación -> 8 
#> Bases de Datos -> 9

Ejemplo 4: `for` + `if/else`

for (i in 1:length(asignaturas)) {
  if (notas[i] >= 9) {
    cat(asignaturas[i], ": EXCELENTE (", notas[i], ")\n")
  } else {
    cat(asignaturas[i], ": BUENO     (", notas[i], ")\n")
  }
}

#> Estadística : EXCELENTE ( 9.5 )
#> Programación : BUENO     ( 8 )
#> Bases de Datos : EXCELENTE ( 9 )

Parte 5 — Ejercicio 1: tipos de objetos y `paste0()`

Instrucciones:

Crea 5 objetos con nombres descriptivos:

frase_base: un character con el texto "Me gusta correr"
km_mes: un integer con el valor 100
horas_dia: un numeric con el valor 1.5
horas_dos_dias: la suma de horas_dia + horas_dia
oracion: una oración con sentido usando paste0() y los 4 objetos anteriores

Imprime oracion y verifica el tipo de cada objeto con class().

Intenta resolverlo antes de ver la solución.

# --- TU CÓDIGO AQUÍ ---

Ver solución

frase_base     <- "Me gusta correr"   # character
km_mes         <- 100L                # integer
horas_dia      <- 1.5                 # numeric
horas_dos_dias <- horas_dia + horas_dia  # numeric: 1.5 + 1.5 = 3

oracion <- paste0(
  frase_base, " ", km_mes,
  " km al mes; en promedio corro ", horas_dia,
  " horas al dia, es decir, ", horas_dos_dias,
  " horas cada 2 dias."
)

print(oracion)

#> [1] "Me gusta correr 100 km al mes; en promedio corro 1.5 horas al dia, es decir, 3 horas cada 2 dias."

cat("\nTipos de los objetos:\n")

#> 
#> Tipos de los objetos:

cat("frase_base    :", class(frase_base),     "\n")

#> frase_base    : character

cat("km_mes        :", class(km_mes),         "\n")

#> km_mes        : integer

cat("horas_dia     :", class(horas_dia),      "\n")

#> horas_dia     : numeric

cat("horas_dos_dias:", class(horas_dos_dias), "\n")

#> horas_dos_dias: numeric

cat("oracion       :", class(oracion),        "\n")

#> oracion       : character

Parte 6 — Ejercicio 2: vectores y estadísticas

Instrucciones:

Crea vec_pares: los números pares del 1 al 10
Crea vec_enteros: los enteros del 1 al 100
Calcula la media y la suma de ambos vectores
Calcula las tres operaciones indicadas

Pista: para generar una secuencia rápida usa : (ej. 1:10)

# --- TU CÓDIGO AQUÍ ---

Ver solución

vec_pares   <- c(2, 4, 6, 8, 10)   # números pares del 1 al 10
vec_enteros <- 1:100                # enteros del 1 al 100

media_pares   <- mean(vec_pares)
suma_pares    <- sum(vec_pares)
media_enteros <- mean(vec_enteros)
suma_enteros  <- sum(vec_enteros)

cat("vec_pares   -> Media:", media_pares,   "| Suma:", suma_pares,   "\n")

#> vec_pares   -> Media: 6 | Suma: 30

cat("vec_enteros -> Media:", media_enteros, "| Suma:", suma_enteros, "\n")

#> vec_enteros -> Media: 50.5 | Suma: 5050

resultado1 <- suma_pares   * media_pares      # Suma × Media de vec_pares
resultado2 <- suma_enteros - media_enteros    # Suma − Media de vec_enteros
resultado3 <- suma_enteros / suma_pares       # Suma enteros / Suma pares

cat("\nOperaciones:\n")

#> 
#> Operaciones:

cat("suma_pares × media_pares      :", resultado1, "\n")

#> suma_pares × media_pares      : 180

cat("suma_enteros − media_enteros  :", resultado2, "\n")

#> suma_enteros − media_enteros  : 4999.5

cat("suma_enteros / suma_pares     :", resultado3, "\n")

#> suma_enteros / suma_pares     : 168.3333

Visualización rápida

Con R Markdown podemos mostrar gráficas directamente en el documento, sin necesidad de guardar archivos PNG por separado.

vec_pares   <- c(2, 4, 6, 8, 10)
vec_enteros <- 1:100
media_pares   <- mean(vec_pares)
media_enteros <- mean(vec_enteros)

par(mfrow = c(1, 3), mar = c(4, 4, 3, 1))

# Barras de vec_pares
barplot(vec_pares,
        names.arg = paste0("v", 1:5),
        col = "darkslategray", border = "white",
        main = "Vec_pares",
        xlab = "Elemento", ylab = "Valor", ylim = c(0, 13))
abline(h = media_pares, col = "tomato", lwd = 2, lty = 2)

# Histograma de vec_pares
hist(vec_pares, col = "#C1FFC1", border = "white",
     main = "Distribución vec_pares",
     xlab = "Valores", ylab = "Frecuencia", breaks = 5)
abline(v = media_pares, col = "tomato", lwd = 2, lty = 2)

# Línea de vec_enteros
plot(vec_enteros, type = "l", col = "#E87B4C", lwd = 2,
     main = "Vec_enteros (1 a 100)",
     xlab = "Índice", ylab = "Valor")
abline(h = media_enteros, col = "darkred", lwd = 2, lty = 2)

par(mfrow = c(1, 1))

Parte 7 — Ejercicio 3: escribe tu propio `for`

Instrucciones:

Tienes las calificaciones de 5 estudiantes. Escribe un for que recorra la lista e imprima para cada uno:

Si calificacion >= 60: "Nombre obtuvo X -> APROBADO"
Si calificacion < 60: "Nombre obtuvo X -> REPROBADO"

Datos:

nombres_est <- c("Ana", "Juan", "Maria", "Pedro", "Sofia")
califs      <- c(85, 45, 92, 58, 76)

Estructura de ayuda:

for (i in 1:length(nombres_est)) {
  if (califs[i] >= 60) {
    cat(...)   # APROBADO
  } else {
    cat(...)   # REPROBADO
  }
}

# --- TU CÓDIGO AQUÍ ---

Ver solución

for (i in 1:length(nombres_est)) {
  if (califs[i] >= 60) {
    cat(nombres_est[i], "obtuvo", califs[i], "-> APROBADO\n")
  } else {
    cat(nombres_est[i], "obtuvo", califs[i], "-> REPROBADO\n")
  }
}

#> Ana obtuvo 85 -> APROBADO
#> Juan obtuvo 45 -> REPROBADO
#> Maria obtuvo 92 -> APROBADO
#> Pedro obtuvo 58 -> REPROBADO
#> Sofia obtuvo 76 -> APROBADO

Parte 8 — Proyecto integrador

Pon en práctica todo lo aprendido: tipos de objetos, data.frame, estadísticas, for y gráficas.

Contexto: eres el coordinador académico de una carrera con 8 estudiantes. Tienes sus datos del semestre y necesitas generar un reporte completo.

Paso 1: Crear el `data.frame`

grupo <- data.frame(
  nombre       = c("Ana", "Luis", "Maria", "Carlos",
                   "Sofia", "Pedro", "Elena", "Jorge"),
  edad         = c(22L, 25L, 21L, 23L, 20L, 24L, 22L, 21L),
  calificacion = c(90.5, 58.0, 95.3, 82.1, 47.6, 76.4, 88.0, 63.5),
  carrera      = factor(c("Economia", "Derecho", "Economia", "Derecho",
                          "Economia", "Derecho", "Economia", "Derecho")),
  semestre     = c(4L, 6L, 2L, 8L, 2L, 4L, 6L, 8L)
)

print(grupo)

#>   nombre edad calificacion  carrera semestre
#> 1    Ana   22         90.5 Economia        4
#> 2   Luis   25         58.0  Derecho        6
#> 3  Maria   21         95.3 Economia        2
#> 4 Carlos   23         82.1  Derecho        8
#> 5  Sofia   20         47.6 Economia        2
#> 6  Pedro   24         76.4  Derecho        4
#> 7  Elena   22         88.0 Economia        6
#> 8  Jorge   21         63.5  Derecho        8

Paso 2: Estadísticas del grupo

promedio_grupo <- mean(grupo$calificacion)
mejor_nota     <- max(grupo$calificacion)
peor_nota      <- min(grupo$calificacion)
num_aprobados  <- sum(grupo$calificacion >= 60)
num_reprobados <- sum(grupo$calificacion <  60)

cat("Promedio del grupo  :", round(promedio_grupo, 2), "\n")

#> Promedio del grupo  : 75.17

cat("Calificación más alta:", mejor_nota, "\n")

#> Calificación más alta: 95.3

cat("Calificación más baja:", peor_nota,  "\n")

#> Calificación más baja: 47.6

cat("Aprobados  :", num_aprobados,  "de", nrow(grupo), "\n")

#> Aprobados  : 6 de 8

cat("Reprobados :", num_reprobados, "de", nrow(grupo), "\n")

#> Reprobados : 2 de 8

Paso 3: Reporte individual con `for`

cat("====== Reporte individual ======\n")

#> ====== Reporte individual ======

for (i in 1:nrow(grupo)) {

  nom <- grupo$nombre[i]
  cal <- grupo$calificacion[i]
  car <- as.character(grupo$carrera[i])
  sem <- grupo$semestre[i]

  estado  <- if (cal >= 60) "APROBADO" else "REPROBADO"
  mencion <- if (cal >= 90) "** Mención Honorífica **" else ""

  cat(nom, "|", car, "| Semestre", sem,
      "| Calificación:", cal, "|", estado, mencion, "\n")
}

#> Ana | Economia | Semestre 4 | Calificación: 90.5 | APROBADO ** Mención Honorífica ** 
#> Luis | Derecho | Semestre 6 | Calificación: 58 | REPROBADO  
#> Maria | Economia | Semestre 2 | Calificación: 95.3 | APROBADO ** Mención Honorífica ** 
#> Carlos | Derecho | Semestre 8 | Calificación: 82.1 | APROBADO  
#> Sofia | Economia | Semestre 2 | Calificación: 47.6 | REPROBADO  
#> Pedro | Derecho | Semestre 4 | Calificación: 76.4 | APROBADO  
#> Elena | Economia | Semestre 6 | Calificación: 88 | APROBADO  
#> Jorge | Derecho | Semestre 8 | Calificación: 63.5 | APROBADO

Paso 4: Gráfica de calificaciones

En R Markdown la gráfica aparece directamente en el documento — no necesitamos png() ni dev.off().

orden   <- order(grupo$calificacion, decreasing = TRUE)
cal_ord <- grupo$calificacion[orden]
nom_ord <- grupo$nombre[orden]
colores <- ifelse(cal_ord >= 60, "#4CAF50", "#E57373")

par(mar = c(5, 6, 4, 2))

barplot(
  cal_ord,
  names.arg = nom_ord,
  col       = colores,
  border    = "white",
  main      = "Calificaciones del Grupo — Semestre 2026",
  xlab      = "Estudiante",
  ylab      = "Calificación",
  ylim      = c(0, 110),
  las       = 1
)

abline(h = 60,             col = "red",  lwd = 2, lty = 2)
abline(h = promedio_grupo, col = "blue", lwd = 2, lty = 3)

legend(
  "topright",
  legend = c("Aprobado", "Reprobado",
             "Mín. aprobatoria (60)",
             paste0("Promedio (", round(promedio_grupo, 1), ")")),
  fill   = c("#4CAF50", "#E57373", NA, NA),
  lty    = c(NA, NA, 2, 3),
  col    = c(NA, NA, "red", "blue"),
  lwd    = c(NA, NA, 2, 2),
  border = NA,
  bty    = "n"
)

Resumen de la clase

Tipo	Ejemplo	`class()`	Uso típico
`numeric`	`1.64`	`"numeric"`	Medidas continuas
`integer`	`25L`	`"integer"`	Conteos, índices
`character`	`"Economía"`	`"character"`	Texto, etiquetas
`logical`	`TRUE`	`"logical"`	Condiciones, filtros
`vector`	`c(78, 85, 92)`	tipo base	Series de valores del mismo tipo
`factor`	`factor(c(...))`	`"factor"`	Variables categóricas
`data.frame`	`data.frame(...)`	`"data.frame"`	Tablas de datos (lo más usado)

Para la próxima clase

Practica estos conceptos con datos propios:

Crea un data.frame con información de 5 personas que conozcas (nombre, edad, ciudad, una variable numérica de tu elección)
Calcula la media y el máximo de tu variable numérica
Usa un for para imprimir una oración sobre cada persona

Objetos en R

R para economistas

Araceli Martínez Holguín

February 19, 2026

¿Por qué aprender R?

Parte 1 — Operaciones básicas

El operador de asignación <-

Parte 2 — Tipos de objetos en R

Tipo 1: numeric — número decimal

Tipo 2: integer — número entero

Tipo 3: character — texto

Funciones útiles con texto

Tipo 4: logical — verdadero o falso

Operadores de comparación

Tipo 5: vector — múltiples valores del mismo tipo

Acceder a elementos por posición

Secuencias rápidas con :

Tipo 6: factor — variable categórica

Factor ordenado (variable ordinal)

Tipo 7: data.frame — tabla de datos

Explorar la estructura

Acceder a columnas con $

Filtrar filas

Agregar una nueva columna

Parte 3 — Errores comunes y cómo evitarlos

Error 1: Olvidar las comillas en un character

Error 2: Confundir == (comparar) con = (asignar)

Error 3: Usar c como nombre de objeto

Error 4: Índices fuera de rango

Error 5: Mayúsculas y minúsculas importan

Error 6: Usar = en vez de <- para asignar (estilo)

Parte 4 — El loop for

Ejemplo 1: números del 1 al 5

Ejemplo 2: recorrer un vector de nombres

Ejemplo 3: acceder a dos vectores al mismo tiempo con índice

Ejemplo 4: for + if/else

Parte 5 — Ejercicio 1: tipos de objetos y paste0()

Parte 6 — Ejercicio 2: vectores y estadísticas

Visualización rápida

Parte 7 — Ejercicio 3: escribe tu propio for

Parte 8 — Proyecto integrador

Paso 1: Crear el data.frame

Paso 2: Estadísticas del grupo

Paso 3: Reporte individual con for

Paso 4: Gráfica de calificaciones

Resumen de la clase

Para la próxima clase

El operador de asignación `<-`

Tipo 1: `numeric` — número decimal

Tipo 2: `integer` — número entero

Tipo 3: `character` — texto

Tipo 4: `logical` — verdadero o falso

Tipo 5: `vector` — múltiples valores del mismo tipo

Secuencias rápidas con `:`

Tipo 6: `factor` — variable categórica

Tipo 7: `data.frame` — tabla de datos

Acceder a columnas con `$`

Error 1: Olvidar las comillas en un `character`

Error 2: Confundir `==` (comparar) con `=` (asignar)

Error 3: Usar `c` como nombre de objeto

Error 6: Usar `=` en vez de `<-` para asignar (estilo)

Parte 4 — El loop `for`

Ejemplo 4: `for` + `if/else`

Parte 5 — Ejercicio 1: tipos de objetos y `paste0()`

Parte 7 — Ejercicio 3: escribe tu propio `for`

Paso 1: Crear el `data.frame`

Paso 3: Reporte individual con `for`