Asignación de variables

x<-3
y<-2

Impresión de resultados

x
## [1] 3
y
## [1] 2

Operación 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 matemáticas

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_nombres <- length (nombre)
longitud_nombres
## [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
plot (a, b, main= "Ventas Totales", xlab= "Semana", ylab= "Millones de USD")

Ejercicio 1

nombre_Compañeros <- c("Maria","Ana Pau", "Karla", "Diego","Osvaldo")
nombre_Compañeros
## [1] "Maria"   "Ana Pau" "Karla"   "Diego"   "Osvaldo"
altura <- c(1.65, 1.50, 1.66,1.52,1.72)
altura
## [1] 1.65 1.50 1.66 1.52 1.72
peso <- c(50,55,55,64,64)
peso
## [1] 50 55 55 64 64
IMC <- peso/(altura**2)
IMC
## [1] 18.36547 24.44444 19.95936 27.70083 21.63332
df <- data.frame(x=(nombre_Compañeros),y= (altura),z= (peso))
df
##         x    y  z
## 1   Maria 1.65 50
## 2 Ana Pau 1.50 55
## 3   Karla 1.66 55
## 4   Diego 1.52 64
## 5 Osvaldo 1.72 64

Conclusiones

R es un lenguaje de programación util 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 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 cuáles encontramos que principalmente se deben a que la version de R no es la mas reciente, a la falta de instalación de paquetes o llamar a las librerías, problemas de escritura (typos) y los muchos argumentos que tienen las funciones.

Si desde un inicio programos de forma estructurada, disciplinada y meticulosa, podemos preveer muchas de las alertas o errores y así obtendremos los muchos benefecios de la programación en R como la pronósticos de predicción.

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