Adding exercise translations - spanish language

.gitignore

@@ -5,4 +5,5 @@ Gemfile.lock
 #*
 *.Rhistory
 .jekyll-metadata
-node_modules/
+node_modules/
+.DS_store

exercises-es/Aggregation-count-Access-es.md

@@ -0,0 +1,8 @@
+---
+layout: exercise
+topic: Aggregation
+title: Count
+language: Access]
+---
+Escribe una consulta (query) que devuelva el número de todos los individuos (de toas las especies) que han sido capturados en cada año, ordenados cronológicamente. Incluya el año
+en la salida. Guárdelo como "Abundancia total por año".

exercises-es/Aggregation-count-SQL-es.md

@@ -0,0 +1,11 @@
+---
+layout: exercise
+topic: Aggregation
+title: COUNT
+language: SQL
+---
+
+Escriba una consulta (query) que devuelva el número de individuos identificados por especies en cada año (es decir, cuente la columna `species_id`).
+Nombre la columna de conteo "total_abundance" y ordénela cronológicamente.
+Incluya el año en la salida y guárdelo como `total_abundance_by_year`.
+Solo debe haber un valor para cada año, ya que este es un conteo de los individuos de todas las especies en ese año.

exercises-es/Aggregation-sum-Access-es.md

@@ -0,0 +1,12 @@
+---
+layout: exercise
+topic: Aggregation
+title: Sum
+language: Access
+---
+
+Escribe una consulta (query) que devuelva el número de individuos de cada especie que han sido
+capturados en cada año y la biomasa total de esos individuos (la
+suma de la columna wgt). Incluya el año y la identificación de la especie en la salida.
+Ordene el resultado cronológicamente por año y luego alfabéticamente por
+especies. Guarde como `Mass-Abundance Data`.

exercises-es/Aggregation-sum-SQL-es.md

@@ -0,0 +1,13 @@
+---
+layout: exercise
+topic: Aggregation
+title: SUM
+language: SQL
+---
+
+Escriba una consulta (query) que devuelva el número de individuos de cada especie que han sido
+capturados en cada año (`total_abundance`) y la biomasa total, `total_biomass`, de aquellos
+individuos (* la suma de `weight` *). Las unidades de biomasa deben estar en
+kilogramos. Incluya el `year` y el `species_id` en la salida. Ordenar el resultado
+cronológicamente por año y luego alfabéticamente por especie. Guardar como
+`mass_abundance_data`.

exercises-es/Capstone-cocoli-data-exploration-R-es.md

@@ -0,0 +1,64 @@
+---
+layout: exercise
+topic: Capstone
+title: Cocili Data Exploration
+language: R
+---
+
+Understanding the spatial distribution of ecological phenomena is central to the
+study of natural systems. A group of scientists has collected a dataset on the
+size, location, and species identify of all of the trees in a 4 ha site in
+Panama call "Cocoli".
+
+Download the [Cocoli Data](http://ctfs.si.edu/webatlas/datasets/cocoli/cocoli.zip)
+and explore the following spatial properties.
+
+1. Make a single plot showing the location of each tree for all species with
+   more than 100 individuals. Each species should be in its own subplot (i.e.,
+   facet). Label the subplots with the genus and species names, not the species
+   code. Scale the size of the point by its stem diameter (use `dbh1`) so that
+   larger trees display as larger points. Have the code save the plot in a
+   `figures` folder in your project.
+2. [Basal area](https://en.wikipedia.org/wiki/Basal_area) is a common measure in
+   forest management and ecology. It is the sum of the cross-sectional areas of
+   all of the trees occuring in some area and can be calculated as the sum of
+   0.00007854 * DBH^2 over all of the trees. To look at how basal area varies
+   across the site divide the site into 100 m^2 sample regions (10 x 10 m cells)
+   and determining the total basal area in each region. I.e., take all of the
+   trees in a grid cell where x is between 0 and 10 and y is between 0 and 10
+   and determine their basal area. Do the same thing for x between 0 and 10 and
+   y between 10 and 20, and so on. You can do this using two "nested" for loops
+   to subset the data and calculate the basal area in that region. Make a plot
+   that shows how the basal area varies spatially. Since the calculation is for
+   a square region, plot it that way using `geom_tile()` with the center of the
+   tile at the center of the region where basal area was calculated. Have the
+   code save the plot in a `figures` folder in your project.
+
+
+Comprender la distribución espacial de los fenómenos ecológicos es fundamental para la
+estudio de los sistemas naturales. Un grupo de científicos ha recopilado datos sobre el tamaño, ubicación e identificación de especies de todos los árboles en un sitio de 4 hectareas en "Cocoli",
+Panamá.
+
+Descargue los [Datos de Cocoli] [Cocoli Data](http://ctfs.si.edu/webatlas/datasets/cocoli/cocoli.zip)
+and explore the following spatial properties.
+
+1. Haga una sola gráfica que muestre la ubicación de cada árbol para todas las especies con
+   más de 100 individuos. Cada especie debe estar en su propia subgráfica (subplot) (es decir,
+   faceta). Etiquete las subgráfica (subplots) con los nombres de género y especie, no la especie
+   código. El tamaño del punto debe ser determinado por el diámetro de tallo (use `dbh1`) para que
+   los árboles más grandes se muestran como puntos más grandes. Haga que el código guarde las gráficas en un carpeta `figures` en su proyecto.
+
+2. [Basal area](https://en.wikipedia.org/wiki/Basal_area) es una medida común en el
+   manejo y conservación de bosques y ecología. Es la suma de las áreas de las secciones 	    
+   transversales (cross-sectional areas) de
+   todos los árboles que se encuentran en un área y se puede calcular como la suma de
+   0.00007854 * DAP^2 sobre todos los árboles. Para ver cómo varía el área basal
+   en todo el sitio, divida el sitio en regiones de muestra de 100 m^2 (celdas de 10 x 10 m)
+   y determine el área basal total en cada región. Es decir, tome todos los
+   árboles en una celda de cuadrícula donde X está entre: 0 y 10 e Y: entre 0 y 10
+   y determine su área basal. Haga lo mismo para X entre: 0 y 10 y para
+   Y: entre 10 y 20, y así sucesivamente. Puede hacer esto usando dos bucles for (for loops) "anidados"
+   para crear un subconjunto de los datos y calcular el área basal en esa región. Haga una gráfica
+   que muestre cómo el área basal varía espacialmente. Como el cálculo es para
+   una región cuadrada, trácela de esa manera usando `geom_tile()` con el centro de la
+   mosaico en el centro de la región donde se calculó el área basal. Guarde la gráfica en una carpeta `figures` en su proyecto.

exercises-es/Capstone-length-of-floods-R-es.md

@@ -0,0 +1,12 @@
+---
+layout: exercise
+topic: Capstone
+title: Length of Floods
+language: R
+---
+
+Usted interesado en estudiar el efecto del tiempo y la duración de los pequeños
+eventos de inundación a escala en un ecosistema. Para hacer esto, debe determinar cuándo se producen las inundaciones y su duración según los datos de la estación de aforo.
+
+Descargar el
+[stream guage data for USGS stream gauge site 02236000]({{ site.baseurl }}/data/st_johns_stream_data.csv) de el río St. Johns en Florida. Encuentre las partes continuas de las series de tiempo donde el nivel de la corriente está por encima del umbral de inundación de 2.26 pies y almacene la información sobre la fecha de inicio y la duración de cada inundación en un marco de datos.

exercises-es/Data-analysis-code-shuffle-R-es.md

@@ -0,0 +1,32 @@
+---
+layout: exercise
+topic: Data Analysis
+title: Code Shuffle
+language: R
+---
+
+Nos interesa conocer la variación mensual de la precipitación en
+Gainesville, Florida. Usaremos algunos datos de la
+[NOAA National Climatic Data Center](http://www.ncdc.noaa.gov/).
+
+Cada fila del [archivo de datos](https://datacarpentry.org/semester-biology/data/gainesville-precip.csv) es un año (de 1961 a 2013) y cada columna es un mes
+(enero - diciembre).
+
+Reorganice el siguiente programa para que:
+
+- Importe los datos
+- Calcule la precipitación promedio en cada mes a lo largo de los años.
+- Grafique los promedios mensuales como un diagrama de línea simple
+
+Finalmente, agregue un comentario sobre el código que describa lo que hace. El comentario
+el carácter en R es `#`.
+
+Está bien si no sabe exactamente cómo funcionan los detalles del programa en este momento.
+punto, solo necesita descifrar el orden correcto de las líneas con referencia a cuándo
+se definen las variables y cuándo se utilizan.
+
+```
+plot(monthly_mean_ppt, type = "l", xlab = "Month", ylab = "Mean Precipitation")
+monthly_mean_ppt <- colMeans(ppt_data)
+ppt_data <- read.csv("https://datacarpentry.org/semester-biology/data/gainesville-precip.csv", header = FALSE)
+```

exercises-es/Dplyr-fix-the-code-R-es.md

@@ -0,0 +1,28 @@
+---
+layout: exercise
+topic: dplyr
+title: Fix the Code
+language: R
+---
+Este ejercicio es una continuación de 
+[Shrub Volume Aggregation]({{ site.baseurl }}/exercises/Dplyr-shrub-volume-aggregation-R).
+Si aún no tiene [shrub volume data]({{ site.baseurl }}/data/shrub-volume-data.csv) en su directorio de trabajo, descárguelo.
+
+Se supone que el siguiente código importa los datos del volumen de arbustos y calcula la media del
+volumen de arbustos para cada area de estudio y, por separado, para cada experimento.
+
+```r
+read.csv("shrub-volume-data.csv")
+shrub_data %>%
+  mutate(volume = length * width * height) %>%
+  group_by(site) %>%
+  summarize(mean_volume = max(volume))
+shrub_data %>%
+  mutate(volume = length * width * height)
+  group_by(experiment) %>%
+  summarize(mean_volume = mean(volume))
+```
+
+
+1. Corrija los errores en el código para que el código haga lo que debería hacer.
+2. Agregue un comentario en la parte superior del código que explique lo que hace.

exercises-es/Dplyr-shrub-volume-aggregation-R-es 2.md

@@ -0,0 +1,23 @@
+---
+layout: exercise
+topic: dplyr
+title: Shrub Volume Aggregation
+language: R
+---
+Este ejercicio es una continuación de [Shrub Volume Data Basics]({{ site.baseurl }}/exercises/Dplyr-shrub-volume-data-basics-R).
+
+La Dra. Granger quiere un resumen de datos tanto para las plantas en su sitio de estudio como para sus experimentos.Verifique si el archivo `shrub-volume-data.csv` está en su espacio de trabajo (es posible que su instructor ya lo haya agregado). 
+
+Si no, descárgue [shrub dimensions data]({{ site.baseurl }}/data/shrub-volume-data.csv).
+
+Este código calcula la altura promedio de una planta en cada sitio:
+
+
+```r
+shrub_dims <- read.csv('shrub-volume-data.csv')
+by_site <- group_by(shrub_dims, site)
+avg_height <- summarize(by_site, avg_height = mean(height))
+```
+
+1. Modifique el código para calcular e imprimir la altura promedio de una planta en cada experimento.
+2. Utilice `max()` para determinar la altura máxima de una planta en cada sitio de estudio.

exercises-es/Dplyr-shrub-volume-data-basics-R-es.md

@@ -0,0 +1,23 @@
+---
+layout: exercise
+topic: dplyr
+title: Shrub Volume Data Basics
+language: R
+---
+La Dra. Granger está interesada en estudiar los factores que controlan el tamaño y el
+almacenamiento de carbono de arbustos. La Dra. ha realizado un experimento para observar el efecto
+de tres tratamientos diferentes sobre el volumen de los arbustos en cuatro ubicaciones diferentes. Ella ha colocado el archivo de datos en la web para que lo descargue:
+
+* [Shrub dimensions data]({{ site.baseurl }}/data/shrub-volume-data.csv)
+
+Descargue esto en su carpeta `data` e importelo usando `read.csv ()`, familiarícese con los datos y use `dplyr` para completar las siguientes tareas.
+
+1. Seleccione los datos de la columna `length` e imprímalos (usando `select`).
+2. Seleccione los datos de las columnas `site` y `experiment` e imprímalos (usando `select`).
+3. Agregue una nueva columna llamada `área` que contenga el área del arbusto, que es el largo por el ancho (usando `mutate`).
+4. Ordene los datos por `length` (usando `arrange`).
+5. Filtre los datos para incluir solo plantas con `height` mayores de 5 (usando `filter`).
+6. Filtre los datos para incluir solo plantas con `height` mayores de 4 y `width` mayores de 2 (usando `,` o `&` para incluir dos condiciones).
+7. Filtre (`filter`) los datos para incluir solo plantas del Experimento 1 o Experimento 3 (usando `|` para "o").
+8. Filtre (`filter`) los datos para eliminar filas con valores nulos en la columna `height` (usando `!is.na`)
+9. Cree un nuevo marco de datos llamado `shrub_volumes` que incluya todos los datos originales y una nueva columna que contenga los volúmenes (`length` * `width` * `height`) y muéstrelos.

exercises-es/Dplyr-shrub-volume-join-R-es.md

@@ -0,0 +1,16 @@
+---
+layout: exercise
+topic: dplyr
+title: Shrub Volume Join
+language: R
+---
+En adición a la tabla de datos principal de dimensiones de arbustos, la Dra. Granger tiene dos tablas de datos adicionales.
+La primera describe la manipulación de cada experimento.
+La segunda contiene información sobre los diferentes sitios de estudio.
+Verifique si los archivos espacio de trabajo (es posible que su instructor ya los haya agregado).
+De lo contrario, descargue los [datos de experimentos] ({{site.baseurl}} / data / shrub-volume-experiment.csv) y los [datos de sitios] ({{site.baseurl}} / data / shrub-volume-sites. csv).
+
+1. Importe la tabla de datos de los experimentos. Luego, use  `inner_join` combinando la tabla de datos de experimentos con la tabla de datos de dimensiones de arbustos, con el fin de añadir una columna llamada `manipulación` a la tabla de datos de dimensiones de arbustos.
+
+2. Importe la tabla de sitios de estudio. Luego combínela con la tabla que contiene los datos de dimensiones de arbustos y los datos de experimentos. El producto final debe contener las tres tablas en una.
+

exercises-es/Functions-built-in-functions-R-es.md

@@ -0,0 +1,33 @@
+---
+layout: exercise
+topic: Functions
+title: Built-in Functions
+language: R
+translation: es
+titulo: Funciones predeterminadas
+---
+Una función predefinida es aquella ya incluida que puede ser utilizada sin la necesidad de descargarla en un paquete o librería. Algunos ejemplos incluyen:
+
+* `abs ()` devuelve el valor absoluto de un número (por ejemplo, `abs (-2`))
+* `round ()`, redondea un número (el primer argumento) a un número predefinido de lugares decimales (el segundo argumento) (por ejemplo, `round (12.1123, 2)`)
+* `sqrt ()`, devuelve la raíz cuadrada de el número especificado(por ejemplo, `sqrt (4)`)
+* `tolower ()`, convierte una cadena de caracteres a minúsculas (por ejemplo, `tolower (" HOLA ")`)
+* `toupper ()`, convierte una cadena de caracteres a mayúsculas (por ejemplo, `toupper (" hola ")`)
+
+Utilice estas funciones predefinidas para imprimir los siguientes elementos:
+
+1. El valor absoluto de -15.5
+2. 4.483847 redondeado a una cifra decimal
+3. 3.8 redondeado al número entero más cercano. * No es necesario especificar el número de
+   lugares decimales en este caso si no lo desea, ya que `round ()`
+   esta predefinido a usar `0` si no se indica el segundo argumento. Use
+   `help (round)` o `? round` para ver como se indica. *
+4. "species" `en mayúsculas.
+5. "SPECIES" `en minúsculas.
+6. Asigne el valor de la raíz cuadrada de 2.6 a una variable. Luego, redondee la
+   variable que ha creado a 2 cifra decimales y asígnela a otra
+   variable. Imprime el valor redondeado.
+
+* Desafío opcional *: haga lo mismo establecido en la tarea 6 (* inmediatamente arriba *), pero en lugar de
+crear la variable intermedia, realice tanto la raíz cuadrada como el redondeo
+en una sola línea poniendo la función `sqrt ()` dentro de la función `round ()`.

exercises-es/Functions-combining-functions-R-es.md

@@ -0,0 +1,14 @@
+---
+layout: exercise
+topic: Functions
+title: Combining Functions
+language: R
+translation: es
+titulo: Combinando funciones
+---
+Este es un seguimiento de [Argumento predeterminado]({{site.baseurl}}/ejercicios-es/Funciones-argumentos-predeterminados-R).
+
+Utilizar el sistema métrico  para medir es un procedimiento estándar para los científicos, pero cuando se desea comunicar resultados de manera más amplia, puede ser 
+útil utilizar unidades de medidas distintas (al menos en algunos países).
+Escriba una función llamada `convert_kg_to_pounds` que convierta kilogramos en libras (` libras = 2.205 * kg`).
+Use esta función y la función `get_mass_from_length ()` de [Argumentos predeterminados] ({{site.baseurl}} / ejercicios / Funciones-argumentos-predeterminados-R) para estimar el peso, en libras, de un Estegosaurio de 12 m de largo con `a = 10.95` y` b = 2.64` (Los valores estimados de `a` y` b` para * Stegosauria * de [Seebacher 2001] (http://www.jstor.org/stable/4524171)).

exercises-es/Functions-default-arguments-R-es.md

@@ -0,0 +1,18 @@
+---
+layout: exercise
+topic: Functions
+title: Default Arguments
+language: R
+translation: es
+titulo: Argumentos por defecto
+---
+Este es un seguimiento de [Usar y modificar] ({{site.baseurl}} / ejercicios / Funciones-usar-y-modificar-R).
+
+Permitir que `a` y` b` pasen como argumentos a `get_mass_from_length ()` hizo que la función fuera más flexible, pero para algunos tipos de dinosaurios no tenemos valores específicos de `a` y` b`, por lo que tenemos utilizar valores generales que se puedan aplicar a distintas especies.
+
+Reescriba la función `get_mass_from length ()` de [Usar y modificar]({{site.baseurl}}/exercises-es/Funciones-usar-y-modificar-R) para que sus argumentos tengan valores predetefinidos de `a = 39.9` y `b = 2.6` (los valores promedio de [Seebacher 2001] (http://www.jstor.org/stable/4524171)).
+
+1. Utilice esta función para estimar la masa de un Sauropoda (`a = 214.44`,` b = 1.46`) que
+   mide 22 m de largo (configurando `a` y` b` al llamar a la función).
+2. Utilice esta función para estimar la masa de un dinosaurio de un grupo taxonómico desconocido que mide 16 m de largo.
+   Solo pase la función `length`, no pase` a` o `b`, para que se utilicen los valores predefinidos.

exercises-es/Functions-for-loop-R-es.md

@@ -0,0 +1,23 @@
+---
+layout: exercise
+topic: Functions
+title: for Loop
+language: R
+translation: es
+titulo: for Loop
+---
+Esta tarea es continuación de [Funciones anidadas]({{site.baseurl}}/exercises-es/Funciones-combinando-funciones-R).
+
+1. Ahora que ha impresionado a la abuela, es hora de ser científicos serios.
+    Tome el siguiente vector de longitudes de estegosaurio
+
+```
+ lengths <- c(10.1, 9.5, 11.2, 9.8, 10.4, 12.0, 11.5, 9.5,
+9.8, 10.0, 10.7, 10.2, 11.9, 9.7, 11.2, 11.8, 10.7)
+```
+
+y estime la masa en kilogramos para cada una de las longitudes del vector usando el bucle (loop) `for`, usando su función para estimar masa, `a = 10.95` y` b = 2.64`. Imprima el
+resultados en orden.
+
+2. Esta es una buena manera de aprender a usar un bucle (loop) "for", pero gracias a la vectorización
+en R también podemos pasar todo el vector `lengths` a nuestra función. Pase el vector a la función y estime la masa para cada longitud e imprima el resultado.

exercises-es/Functions-string-data-R-es.md

@@ -0,0 +1,23 @@
+---
+layout: exercise
+topic: Functions
+title: String Data
+language: R
+translation: es
+titulo: Cadenas de datos
+translation: es
+---
+Este es un seguimiento de [Strings from Data] ({{site.baseurl}}/exercises-es/Strings-strings-from-data-R /).
+
+Un colega ha elaborado un archivo con una secuencia de ADN en cada línea. Descargue
+[el archivo] ({{site.baseurl}} / data / dna-sequence-1.txt) y cárguelo en R usando
+`read.csv ()`. El archivo no tiene encabezado.
+
+Escribe una función para calcular el contenido de GC. El contenido de GC es el porcentaje de bases
+que son G o C como porcentaje del total de pares de bases. Su función debería
+tomar una secuencia de ADN como entrada y devolver el contenido de GC de esa secuencia. Imprima
+el resultado de cada secuencia.
+
+* Antes de conocer acerca de funciones, hubiéramos tenido que tomar cada secuencia de ADN una a una y luego volver a escribir o copiar y pegar el mismo código para analizar cada una. ¿No es esto mejor? *
+
+* Es posible que haya notado que [for Loop] ({{site.baseurl}} / ejercicios / Functions-for-loop-R /) imprime los resultados de manera diferente. `read.csv ()` importa los datos como un `data.frame ()`, esto en contraste con los vector numéricos del ejercicio anterior. *