MANEJO DE DATOS

Nombre<-read.table(ruta de acceso, header=T)

Scan(): vector grande
<-c(): concatenar para crear vector
Seq(1,2,3):1-donde inicia la secuencia, 2-donde termina, 3-de cuanto en cuanto
Rep(1,2); (3:4,5); (3:4, rep(4,5)), (numeros, veces):1-que reptir,2-cuantas veces; 3-4: de donde a donde, 5-
repetir en secuencia; repetir por orden de numeros; vectores creados
Nombre<-data.frame(vector1,vector2)
Indexar(seleccionar): tabla1$col1; nombrenuevo=subset(tabla1,col1==datos2); (agregar):
tabla1$nuevonombre=vectorcreado

ESTADISTICOS DESCRIPTIVOS
Summary()
Sum()
Length(): n para la media
Mean()
Sd()
Sd/mean:c.v

GRAFICAS
>boxplot(variable numerica~variables categrica,data=tabla,ylab=nombre del eje",xlab="nombre del
eje",names=list("nombre1","nombre2", "nombre n"),col=c(blue,lightseagreen,green),main="titulo
principal")
>hist(tabla$variable,breaks=numero de rangos,main="titulo principal",xlab="nombre
eje",ylab="Frecuencia",col="indianred3")
>barplot()
>plot()
Par(mfcol=c(numero filas,numero columnas))

ALEATORIZACION
Aleatorizar valores de vectores: concatenar todos los vectores en uno
Sample(vector,numero de datos,replace=F)
Para sacar p.ej: 10000 muestras:
M<-1000 (cuantas veces hay que aleatorizar)
N<-length(vector) (cuantos datos queremos aleatorizar)
Crear conjunto de datos vacio: base<-array(0,c(m,n))
Llenarlo: for(i in 1:m){base[i,]<-sample(vector,n,replace=F)

BINOMIAL
D: dist prob
P: valor-p
Q: quantil: valor critico
R: numeros al azar
Dbinom; pbinom; qbinom; rbinom. Binom-test

BONDAD DE AJUSTE Y CONTINGENCIA

Dchisq; chisq()
Calcular esperados de matriz:
Matrix(c(1,2,3,4),nrow=2,byrow=T,dimnames=list(filas=c(1,2),col=c(3,4))
Funcion esperados> Esperados<-function(x){A=((x[1,1]+x[2,1])*(x[1,1]+x[1,2]))/
sum(x);B=((x[1,2]+x[2,2])*(x[1,1]+x[1,2]))/sum(x);C=((x[1,1]+x[2,1])*(x[2,1]+x[2,2]))/
sum(x);D=((x[1,2]+x[2,2])*(x[2,1]+x[2,2]))/sum(x);c(A,B,C,D)}

PRUEBA T, ANOVA Y NO PARAMETRICAS

Shapiro.test
T.test
-2 muestra indep.: shapiro.test, var.test
Wilcox.test
Anova: box plot, shapiro, aov(datos,variable de rta~variable agrupamiento), summary aov, qf
Tukey(aov,variable agrupamiento)
Kruskal.test
Interaction.plot(variables de explicativas~var respuesta)

CORRELACIN Y REGRESION
Shapiro.test, Cor.test(), plot()
Modelo<-Lm(datos), summary(modelo),plot(), abline(modelo),predict()