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
multiplicación <- x * y
multiplicación
## [1] 6
división <- x/y
división
## [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_ejercicio <- c("Jose", "Ana", "Juan")
nombre_ejercicio
## [1] "Jose" "Ana"  "Juan"
longitud <- length (a)
longitud
## [1] 5
longitud_nombre <- length (nombre_ejercicio)
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 #ayuda de vector

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
#se sumo a+b cada numero individualmente.

Gráfica

#primero eje x
plot(a,b,main = "Ventas Totales", xlab="Semana", ylab ="Millones de USD")

EJERCICIO 1

#EJERCICIO 1


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

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 programas R, y gracias a que también aquí se puede programas 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 versión de R no es la más reciente, a la falta de la instalación 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 forma estructurada, disciplinada y meticulosa, podemos preveer muchas de las alertas o errores y asi obtendremos los muchos beneficios de la programación en R, como los pronósticos de predicción.

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