Estructuras de Control en Programación

(ejemplos con R)

Antonio J. Pérez-Luque

antonio.perez@inia.csic.es

Instituto de Ciencias Forestales (CIFOR) | INIA-CSIC (Madrid)

2025-01-15

Introducción

Estructuras de control: Herramientas fundamentales en programación que permiten modificar el flujo de ejecución de un programa según ciertas condiciones o repeticiones.
Son esenciales para tomar decisiones dinámicas, realizar acciones repetitivas y dirigir cómo se ejecuta el código, haciéndolo más flexible y adaptable.

Tipos de Estructuras de Control

Estructuras Secuenciales: Ejecutan instrucciones una tras otra
Estructuras de Selección (Condicionales): Permiten que un bloque de código se ejecute o no, en función de una condición. Dependiendo de si una condición es TRUE o FALSE, el algoritmo toma un camino u otro. Tipos:
- Simple: Una única condición (if).
- Doble: Incluye una alternativa (if-else).
- Múltiple: Varias alternativas posibles (switch).
Estructuras de Iteración (Bucles): Permiten repetir un bloque de código varias veces mientras se cumpla una condición o sobre una secuencia de elementos. Tipos:
- for: Itera sobre una secuencia conocida.
- while: Repite mientras una condición sea TRUE.
- repeat: Ejecuta indefinidamente hasta que se use un break para detenerlo.

2. Condicionales simple

Permiten que un bloque de código se ejecute o no, en función de una condición.
Dependiendo de si una condición es TRUE o FALSE, el algoritmo toma un camino u otro.

Recuerda los operadores en R:

== (igualdad)
!= (distinto)
> (mayor que)
< (menor que)
>= (mayor o igual que)
<= (menor o igual que)

2. Condicionales simples

Datos ejemplo

library(tibble)

pinos <- tibble(
  id = 1:10,
  especie = c(
    "sylvestris", "nigra", "pinaster",
    "sylvestris", "nigra", "pinaster",
    "sylvestris", "nigra", "pinaster", "sylvestris"
  ),
  dbh_cm = c(
    30.5, 6.5, 7.2, 5.0, 28.3,
    35.1, 7.0, 6.8, 40.0, 32.7
  ),
  altura_m = c(
    12.5, 13.2, 10.0, 9.5, 14.0,
    15.0, 8.2, 11.8, 14.5, 12.0
  )
)

arbol <- pinos[1, ]

if (arbol$dbh_cm > 7.5) {
  print(paste(
    "El arbol ID =", arbol$id,
    " es un adulto, y tiene un diámetro de ", arbol$dbh_cm, " cm"
  ))
}

[1] "El arbol ID = 1  es un adulto, y tiene un diámetro de  30.5  cm"

arbol <- pinos[2, ]

if (arbol$dbh_cm > 7.5) {
  print(paste("El arbol ID =", arbol$id,
    "es un adulto, y tiene un diámetro de", arbol$dbh_cm, " cm",
    sep = " "
  ))
} else {
  print(
    paste(
      "El arbol ID =", arbol$id,
      "es un juvenil, y tiene un diámetro de", arbol$dbh_cm, " cm"
    ),
    sep = " "
  )
}

[1] "El arbol ID = 2 es un juvenil, y tiene un diámetro de 6.5  cm"

sp <- "sylvestris" 

switch (sp,
  "nigra" = {
    n <- nrow(subset(pinos, especie == sp))
    paste("Existen", n, "individuos de P.", sp)
  },
  "sylvestris" = {
    n <- nrow(subset(pinos, especie == sp))
    paste("Existen", n, "individuos de P.", sp)
  },
  "pinaster" = {
    n <- nrow(subset(pinos, especie == sp))
    paste("Existen", n, "individuos de P.", sp)
  }
)

[1] "Existen 4 individuos de P. sylvestris"

pino1 <- pinos[1, ]

if (pino1$dbh_cm > 7.5) {
  # calcula el área basal del pino en m2
  area_basal <- pi * ((pino1$dbh_cm / 100) / 2)^2

  print(paste(
    "El árbol con ID", pino1$id,
    "pertenece a la especie Pinus", pino1$especie,
    "y tiene un área basal de",
    round(area_basal, 4), "m².", sep = " "
  ))
}

[1] "El árbol con ID 1 pertenece a la especie Pinus sylvestris y tiene un área basal de 0.0731 m²."

Ejemplo práctico

Se han muestreando diferentes plots circulares en pinares de repoblación para evaluar la densidad de plantación
En cada plot (de radio variable) anotamos el número de individuos de cada especie
¿podrías escribir un código que calcule el área muestreada en cada plot?

Creación de un tibble con los datos
Vista del tibble

library(tibble)
pinares <- tibble(
  id_plot = c("syl1", "syl2", "nig1", "nig2", "nig3"),
  radio_m = c(5, 6, 7, 8, 9),
  n_individuos = c(10, 12, 15, 18, 20)
)

pinares

# A tibble: 5 × 3
  id_plot radio_m n_individuos
  <chr>     <dbl>        <dbl>
1 syl1          5           10
2 syl2          6           12
3 nig1          7           15
4 nig2          8           18
5 nig3          9           20

Solucionario

Sol. 1
Sol. 2
Sol. 3
Bucles

radios <- pinares$radio_m

area1 <- pi * radios[1]^2
print(area1)

[1] 78.53982

area2 <- pi * radios[2]^2
print(area2)

[1] 113.0973

area3 <- pi * radios[3]^2
print(area3)

[1] 153.938

area4 <- pi * radios[4]^2
print(area4)

[1] 201.0619

area5 <- pi * radios[5]^2
print(area5)

[1] 254.469

pinares$area_m2 <- pi * pinares$radio_m^2

pinares

# A tibble: 5 × 4
  id_plot radio_m n_individuos area_m2
  <chr>     <dbl>        <dbl>   <dbl>
1 syl1          5           10    78.5
2 syl2          6           12   113. 
3 nig1          7           15   154. 
4 nig2          8           18   201. 
5 nig3          9           20   254.

calcula_area <- function(x) {
  return(pi * x^2)
}

pinares$area2_m2 <- sapply(pinares$radio_m, calcula_area)
pinares

# A tibble: 5 × 5
  id_plot radio_m n_individuos area_m2 area2_m2
  <chr>     <dbl>        <dbl>   <dbl>    <dbl>
1 syl1          5           10    78.5     78.5
2 syl2          6           12   113.     113. 
3 nig1          7           15   154.     154. 
4 nig2          8           18   201.     201. 
5 nig3          9           20   254.     254.

for (i in pinares$radio_m) {
  print(pi * i^2)
}

[1] 78.53982
[1] 113.0973
[1] 153.938
[1] 201.0619
[1] 254.469

3. Estructuras de iteración (bucles)

Son secuencias código que se ejecutan repetidas veces, hasta que la condición asignada a dicho bucle deja de cumplirse

¿Por qué usarlos?

Para iterar sobre elementos de un conjunto de datos.
Para automatizar tareas repetitivas.
Para realizar cálculos iterativos.

Tipos de bucles:

for: Iteraciones sobre elementos definidos.
while: Iteraciones controladas por una condición.
repeat: Repeticiones indefinidas con una interrupción explícita.

`for` loop: iteraciones determinadas

Ejecuta un bloque de código para cada elemento de una secuencia predefinida.

for (item in list_of_items) {

do_something(item)

}

Ejemplo:

R
Python

for (i in 1:5) {
  print(i * i)
}

for i in range(1, 6):
    print(i**2)

Estudio en detalle del bucle

radios <- pinares$radio_m
radios

[1] 5 6 7 8 9

for (i in radios) {
  area <- (pi * i^2)
  print(area)
}

1: Iteración: i toma el valor de cada elemento de la lista radios.
2: Ejecución del código: Se calcula el área de cada plot y se imprime por pantalla
3: Finalización: Si hay mas elementos dentro de la lista, el bucle se repite. Cuando se haya procesado todos los elementos, el bucle termina

[1] 78.53982
[1] 113.0973
[1] 153.938
[1] 201.0619
[1] 254.469

Elementos del bucle

Elementos del bucle: Índice

Looping por valor: cuando se itera sobre un valor directamente

Más compacto y legible
Directamente trabaja con los valores del vector
Útil cuando no necesitas los índices, solo los valores

for (i in radios) {
  area <- pi * i^2
  print(area)
}

Elementos del bucle: Índice

Looping por índice: cuando se itera sobre un índice de la lista o del vector

Más flexible y versátil
Permite acceder tanto a los índices como a los valores
Útil cuando necesitas los índices para realizar operaciones específicas

Ejemplo 1
Ejemplo 2

for (i in 1:5) {
  area <- pi * radios[i]^2
  print(area)
}

for (i in 1:length(radios)) {
  area <- pi * radios[i]^2
  print(area)
}

¿looping por índice o por valor?

El resultado es el mismo, pero el enfoque depende de la tarea que estés realizando
El bucle por índice permite realizar operaciones más complejas y personalizadas
Permite almacenar los datos calculados en el bucle

areas1 <- vector()

areas2 <- vector(mode = "numeric", length = length(radios))

1: Podemos crear un vector vacío y almacenar los resultados en cada iteración
2: Crear un vector vacío tipo numérico con la longitud de la lista radios

print(areas1)

logical(0)

print(areas2)

[1] 0 0 0 0 0

¿looping por índice o por valor?

areas1
areas2

areas1 <- vector()
  
for (i in 1:length(radios)) {
  area <- pi * radios[i]^2
  # print(area)
  areas1[i] <- area 
}
  
print(areas1)

areas2 <- vector(mode = "numeric", length = length(radios))
  
for (i in 1:length(radios)) {
  area <- pi * radios[i]^2
  # print(area)
  areas2[i] <- area 
}

print(areas2)

Práctica 1

Escribe un bucle que permita calcular el tamaño de los plots de las zonas de muestreo en hectáreas

Code

areas_ha <- vector(mode = "numeric", length = length(radios))
  
for (i in 1:length(radios)) {
  area <- pi * radios[i]^2
  area_ha <- area / 10000
  areas_ha[i] <- area_ha
}

print(areas_ha)

Práctica 2

Completa el siguiente bucle para que imprima los nombres de las especies de los pinares

especies <- c(
  "Pinus sylvestris", "Pinus nigra", "Pinus halepensis",
  "Pinus pinaster", "Pinus canariensis", "Pinus pinea"
)

for (sp in 1:length( <-???-> )) { 
  print(especies[ <-???-> ])     
}

Práctica 3

Escribe un bucle que calcule la densidad de árboles para cada parcela en pies/hectárea

Code

radios <- pinares$radio_m
arboles <- pinares$n_individuos

densidad <- vector(
  mode = "numeric",
  length = length(pinares$radio_m))

for (i in 1:length(radios)) {
  area <- pi * radios[i]^2
  area_ha <- area / 10000

  densidad[i] <- arboles[i] / area_ha
}

1: Dos vectores de datos
2: Objeto donde almacenar los resultados
3: Itera sobre el primer vector (radios) para calcular el área
4: Itera sobre el seguno vector (arboles) para calcular la densidad

Práctica 3

¿Podría actuar sobre un solo data.frame o tibble?
¿Podría almacenar los resultados en ese mismo tibble?

Code

pinares <- tibble( 
  id_plot = c("syl1", "syl2", "nig1", "nig2", "nig3"),
  radio_m = c(5, 6, 7, 8, 9),
  n_individuos = c(10, 12, 15, 18, 20)
)
  
for (i in 1:nrow(pinares)) {
  pinares$area[i] <- (pi * pinares$radio_m[i]^2 / 10000)
  pinares$densidad[i] <- pinares$n_individuos[i] / pinares$area[i] 
}

pinares

# A tibble: 5 × 5
  id_plot radio_m n_individuos    area densidad
  <chr>     <dbl>        <dbl>   <dbl>    <dbl>
1 syl1          5           10 0.00785    1273.
2 syl2          6           12 0.0113     1061.
3 nig1          7           15 0.0154      974.
4 nig2          8           18 0.0201      895.
5 nig3          9           20 0.0254      786.

Aplicaciones

looping en funciones
looping sobre dataframes o tibbles ()
Looping sobre archivos y directorios
Almacenar datos
Bucles anidados

`while` Loop: Repetición Condicional

Ejecuta un bloque de código mientras una condición sea verdadera

radios <- pinares$radio_m 

i <- 1
  
while (i <= 3) {
  
  area <- pi * radios[i]^2
  area_ha <- area / 10000
  print(area_ha)
  
  i <- i + 1
}

1: Iniciamos el contador
2: Condición de salida
3: Código a ejecutar
4: Actualización del contador

[1] 0.007853982
[1] 0.01130973
[1] 0.0153938

Inicializar las varbiables

Dataframe
Sin inicializar
Inicializadas

bosques <- tibble( 
  id_plot = c("syl1", "syl2", "nig1", "nig2", "nig3"),
  radio_m = c(5, 6, 7, 8, 9),
  n_individuos = c(10, 12, 15, 18, 20)
)

i <- 1 
while (i <= 3) {
  bosques$area[i] <- (pi * bosques$radio_m[i]^2 / 10000)
  bosques$densidad[i] <- bosques$n_individuos[i] / bosques$area[i]
  i <- i + 1
}

bosques

# A tibble: 5 × 5
  id_plot radio_m n_individuos    area densidad
  <chr>     <dbl>        <dbl>   <dbl>    <dbl>
1 syl1          5           10 0.00785    1273.
2 syl2          6           12 0.0113     1061.
3 nig1          7           15 0.0154      974.
4 nig2          8           18 0.00785    1273.
5 nig3          9           20 0.00785    1273.

bosques$area <- vector(mode = "numeric", length = nrow(bosques)) 
bosques$densidad <- vector(mode = "numeric", length = nrow(bosques))

i <- 1 
while (i <= 3) {
  bosques$area[i] <- (pi * bosques$radio_m[i]^2 / 10000)
  bosques$densidad[i] <- bosques$n_individuos[i] / bosques$area[i]
  i <- i + 1
}

bosques

# A tibble: 5 × 5
  id_plot radio_m n_individuos    area densidad
  <chr>     <dbl>        <dbl>   <dbl>    <dbl>
1 syl1          5           10 0.00785    1273.
2 syl2          6           12 0.0113     1061.
3 nig1          7           15 0.0154      974.
4 nig2          8           18 0             0 
5 nig3          9           20 0             0

`repeat` Loop: Repetición Indefinida

Ejecuta un bloque de código indefinidamente hasta que se usa break.

Ejemplo: obtener el dbh medio de los 5 individuos mas grandes

pinos_ordenados <- pinos[order(pinos$dbh_cm, decreasing = TRUE), ]

i <- 1 # contador
promedio <- 0 # variable donde guardar 
  
repeat { 
  # promedio parcial (usando los primeros i pinos más grandes)
  promedio <- mean(pinos_ordenados$dbh_cm[1:i])
  
  # Verificar si hemos procesado más de 5 pinos
  if (i > 5) {
    print(paste("Promedio de dbh_cm de los 5 pinos más grandes:", promedio))
    break
  }
  # Avanzar al siguiente pino
  i <- i + 1
}

[1] "Promedio de dbh_cm de los 5 pinos más grandes: 28.9666666666667"

Alternativas Vectorizadas (apply, sapply, tapply)

Herramientas para aplicar funciones a estructuras de datos, pero cada una tiene su uso específico dependiendo de la estructura y el tipo de operación deseada.
apply: aplica una función a las filas o columnas de una matriz o array.
sapply: aplica una función a cada elemento de una lista o vector y simplifica automáticamente la salida al formato más compacto posible (vector, matriz o lista).
tapply: aplica una función a los subconjuntos de un vector, definidos por un factor o factores.

Alternativas Vectorizadas (apply, sapply, tapply)

apply
sapply
tapply

# Calcular media de cada columna numérica
d <- as.matrix(pinos[, c("dbh_cm", "altura_m")])
  
apply(d, 2, mean)

  dbh_cm altura_m 
   19.91    12.07

# Identificar columnas numéricas
sapply(pinos, is.numeric)

      id  especie   dbh_cm altura_m 
    TRUE    FALSE     TRUE     TRUE

# Promedio de dbh por especie 
tapply(pinos$dbh_cm, pinos$especie, mean)

     nigra   pinaster sylvestris 
  13.86667   27.43333   18.80000

Ventajas:

Más rápidas y concisas que los bucles tradicionales.
Mejor adaptadas para trabajar con grandes volúmenes de datos.

`purrr`

¿Qué es purrr?

purrr es un paquete del ecosistema tidyverse que facilita la programación funcional.

Ejemplo Comparativo

for
purrr

areas_ha <- vector(mode = "numeric", length = length(radios))
  
for (i in 1:length(radios)) {
  area <- pi * radios[i]^2
  area_ha <- area / 10000
  areas_ha[i] <- area_ha
}

areas_ha

[1] 0.007853982 0.011309734 0.015393804 0.020106193 0.025446900

library(purrr)
areas_ha <- map_dbl(radios, ~ pi * (.x^2) / 10000)
areas_ha

[1] 0.007853982 0.011309734 0.015393804 0.020106193 0.025446900

`purrr`

Ventajas de purrr:

Sintaxis más compacta y legible.
Integración directa con otras herramientas del tidyverse.
Mejora la eficiencia para operaciones funcionales repetitivas.

Comparación General

Tipo de Bucle	Ventajas	Desventajas
`for`	Simple y flexible	Menos eficiente con grandes datos
`while`	Útil para condiciones dinámicas	Mayor riesgo de bucles infinitos
`repeat`	Gran control manual	Requiere interrupción explícita
`apply`/`tapply`	Altamente eficiente y compacto	Menos intuitivo para principiantes
`purrr::map`	Sintaxis legible y funcional	Requiere instalación adicional

Conclusión

Básico: Los bucles (for, while, repeat) son fundamentales para aprender programación iterativa.
Avanzado: Las funciones vectorizadas (apply, tapply) y paquetes como purrr son ideales para mejorar el rendimiento y la legibilidad.
Recomendación: Usa bucles simples para aprender y alterna con soluciones vectorizadas o funcionales para proyectos más complejos.

¿Alguna duda?

Ayuda JDC2022-050056-I financiada por MCIN/AEI /10.13039/501100011033 y por la Unión Europea NextGenerationEU/PRTR

Si usas esta presentación puedes citarla como:

Pérez-Luque, A.J. (2025). Estructuras de Control en Programación (ejemplos con R). Material Docente de la Asignatura: Ciclo de Gestión de los Datos. Master Universitario en Conservación, Gestión y Restauración de la Biodiversidad. Universidad de Granada. https://ecoinfugr.github.io/ecoinformatica/

Estructuras de Control en Programación

Introducción

Tipos de Estructuras de Control

2. Condicionales simple

2. Condicionales simples

2. Condicionales simples

Ejemplo práctico

Solucionario

3. Estructuras de iteración (bucles)

Tipos de bucles:

for loop: iteraciones determinadas

Ejemplo:

Estudio en detalle del bucle

Elementos del bucle

Elementos del bucle: Índice

Elementos del bucle: Índice

¿looping por índice o por valor?

¿looping por índice o por valor?

Práctica 1

Práctica 2

Práctica 3

Práctica 3

Aplicaciones

while Loop: Repetición Condicional

repeat Loop: Repetición Indefinida

purrr

purrr

Comparación General

Conclusión

¿Alguna duda?

`for` loop: iteraciones determinadas

`while` Loop: Repetición Condicional

`repeat` Loop: Repetición Indefinida

`purrr`

`purrr`