
Asignación de variable
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
multiplicación <- x*y
multiplicación
## [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_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
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
# Ejercicio 1
nombres <- c("Oswaldo","Diego","Maria","Ana Pau","Karla")
nombres
## [1] "Oswaldo" "Diego" "Maria" "Ana Pau" "Karla"
altura <- c(1.72, 1.52, 1.65, 1.50, 1.66)
altura
## [1] 1.72 1.52 1.65 1.50 1.66
peso <- c(64, 64, 50, 55, 55)
peso
## [1] 64 64 50 55 55
imc <- peso/(altura*altura)
df <- data.frame(nombres,peso,altura,imc)
summary (df)
## nombres peso altura imc
## Length:5 Min. :50.0 Min. :1.50 Min. :18.37
## Class :character 1st Qu.:55.0 1st Qu.:1.52 1st Qu.:19.96
## Mode :character Median :55.0 Median :1.65 Median :21.63
## Mean :57.6 Mean :1.61 Mean :22.42
## 3rd Qu.:64.0 3rd Qu.:1.66 3rd Qu.:24.44
## Max. :64.0 Max. :1.72 Max. :27.70
plot(altura, peso, main="Altura vs Peso", xlab="Altura (m)", ylab="Peso (Kl)")

#Estamos gordos !
Conclusiones
R es un lenguaje de programación útil para la
realización de cálculos, principalmente estadisticos 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
Phython, en julio del 2023 se anunció su nuevo nombre:
Posit
En esta introducción, lo que llama la atención es la constante
aparición de alerta o errores en ek programa, los cuales encontramos que
principalmente se deben a que la versión de R no es la
más reciente, a la falta de intalación de paquetes o llamar a las
librerías, problemas de escritura (typos) y los muchos
argumentos que tienen las funciones.
Si desde un inicio programamos de una forma estructurada,
disciplinada y meticulosa, podemos preever 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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