
Asignación de Variables
x <- 3
y <- 2
Impresión de Resultados
x
## [1] 3
y
## [1] 2
Operaciones aritméticas
suma <- x + y
suma
## [1] 5
resta <- x - y
resta
## [1] 1
multiplicacion <- x*y
multiplicacion
## [1] 6
division <- x/y
division
## [1] 1.5
division_entera <- x %/% y
division_entera
## [1] 1
residuo <- x %% y
residuo
## [1] 1
potencia <- x ^ 2
potencia
## [1] 9
Funciones aritméticas
raiz_cuadrada <- sqrt (x)
raiz_cuadrada
## [1] 1.732051
raiz_cubica <- x ** (1/3)
raiz_cubica
## [1] 1.44225
exponencial <- exp (1)
exponencial
## [1] 2.718282
absoluto <- abs (x)
absoluto
## [1] 3
signo <- sign (x)
signo
## [1] 1
redondeo_arriba <- ceiling (x/y)
redondeo_arriba
## [1] 2
redondeo_abajo <- floor (x/y)
redondeo_abajo
## [1] 1
truncar <- trunc (x/y)
truncar
## [1] 1
Constantes
pi
## [1] 3.141593
radio <- 5
area_circulo <- pi * radio^2
area_circulo
## [1] 78.53982
Vectores
a <- c(1,2,3,4,5)
a
## [1] 1 2 3 4 5
nombre <- c("Jose","Ana","Juan")
nombre
## [1] "Jose" "Ana" "Juan"
longitud <- length (a)
longitud
## [1] 5
longitud_nombre <- length (nombre)
longitud_nombre
## [1] 3
promedio <- mean (a)
promedio
## [1] 3
resumen <- summary (a)
resumen
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1 2 3 3 4 5
orden_ascendente <- sort(a)
orden_ascendente
## [1] 1 2 3 4 5
orden_descendente <- sort(a, decreasing=TRUE)
orden_descendente
## [1] 5 4 3 2 1
#?sort
b <- c(1,2,3,4,5)
b
## [1] 1 2 3 4 5
suma_vectores <- a+b
suma_vectores
## [1] 2 4 6 8 10
Tarea peso/altura
#Plot es para gráficas
#Main es para los títulos
#xlab/ylab es para etiquetas
plot(a,b,main="Ventas Totales",xlab="Semana",ylab="Millones de dólares")

q <- 1:5
nombre <- c('Pablo','Beto','Iker','Fede','Oscar')
altura<- c(1.70, 1.87, 1.90, 1.82, 1.77)
peso <- c(62, 87, 90, 76, 86)
df <- data.frame(nombre, altura, peso)
df
## nombre altura peso
## 1 Pablo 1.70 62
## 2 Beto 1.87 87
## 3 Iker 1.90 90
## 4 Fede 1.82 76
## 5 Oscar 1.77 86
mci<- (peso/altura**2)
mci
## [1] 21.45329 24.87918 24.93075 22.94409 27.45060
fede <- "Yo tengo un MCI de 22.94"
fede
## [1] "Yo tengo un MCI de 22.94"
#Estamos gordos
Conclusiones
R es un lenguaje de programación útil para realizar
cálculos, principalmente estadísticos, y forma parte de las herramientas
del Big Data.
R Studio es el entorno en donde se puede programar
R, y gracias a que también aquí se puede programar
Python, en julio del 2023 se anunció su nuevo nombre:
Posit.
En esta introducción, lo que llama la atención es la constante
aparición de alertas o errores en el programa, los cuales encontramos
que principalmente se deben a que la versiín de R no es
la más reciente, a la falta de instalación de paquetes o llamar a las
librerías, problemas de escrituras(typos) y los muchos
argumentos que tienen las funciones
Si desde un inicio programamos de forma estructurada, disciplinada, y
meticulosa, podemos preveer muchas de las alertas o errores y así
obtendremos los muchos beneficios de la programación en
R, como los pronósticos de predicción.
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