
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
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)
redondeo_abajo
## [1] 3
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
plot(a,b,main = "Ventas Totales",xlab ="Semana",ylab = "Millones de USD")

Ejercicio 1 IMC
#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 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 aquí también 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 principlamente se deben a que la versión de R no es
la más reciente, a la falta de instalación de paquetes o llamar a las
llibrerías, problemas de escritura (typos) y los muchos
argumentos que tienen las funciones.
Si desde un inicio programamos de una manera estructurada,
disciplinada y meticulosa, podemos preveer muchas de las alertas o
erorres y así obtendremos los muchos beneficios de la programación en
R, como los pronósticos de predicción.
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