Transformar observaciones crudas en estructuras objetos de R es el flujo técnico necesario para el análisis probabilístico. Antes de modelar distribuciones, debemos dominar ingesta de datos y las sutilezas estructurales entre listas, matrices y marcos de datos.

1. Ingestión estructurada

Importar datos mediante scan() a menudo requiere una estructura de lista ficticia para definir tipos de variables (por ejemplo, list(id="", x=0)). Esto asegura que los datos externos de archivos como input.dat se analicen en componentes manejables en lugar de vectores planos.

2. Organización dimensional

Mientras que un matriz se utiliza para conjuntos numéricos homogéneos (utilizando byrow=VERDADERO), el data.frame() actúa como el puente definitivo para el modelado estadístico, permitiendo que tipos de datos heterogéneos coexistan.

3. Accesibilidad de variables

Acceder a los datos para inferencia implica indexar mediante inp[[1]] o columnas con nombre como inp$id. Funciones como attach() permiten que las variables en el objeto completo (como erupciones) se puedan acceder directamente sin indexación repetida.