Comandos Básicos

Introducción

A continuación, se explorarán varios conceptos fundamentales del lenguaje de programación R, aplicados al análisis de datos y representación gráfica. A través de ejemplos prácticos, se demostrará la asignación de variables, se realizarán operaciones aritméticas, se aplicarán funciones matemáticas, y se trabajará con constantes y vectores. Además, se visualizarán los datos mediante gráficas sencillas.

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 matematicas

raiz_cuadrada <- sqrt(x)
raiz_cuadrada

## [1] 1.732051

raiz_cubica <- x ^  (1/3)
raiz_cubica

## [1] 1.44225

exponencial1 <- exp (1)
exponencial1

## [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_descentente <- sort(a,decreasing=TRUE)
orden_descentente

## [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

Grafica

plot(a, b, main="Ventas Totales", xlab="Semana", ylab="Millones de dólares")

Ejercicio 1 IMC

# Definición de vectores con valores numéricos
nombre <- c("Miguel", "Karla", "Valeria", "Maria", "David")
peso <- c(55, 53, 56, 59, 56) 
altura <- c(1.66, 1.76, 1.64, 1.61, 1.62) 

# Creación de un data frame con los vectores anteriores
df <- data.frame(nombre, peso, altura)

# Cálculo del IMC y adición al data frame
# IMC = peso (kg) / altura (m)^2
df$IMC <- peso / (altura * altura)

# Impresión del data frame con la columna IMC añadida
df

##    nombre peso altura      IMC
## 1  Miguel   55   1.66 19.95936
## 2   Karla   53   1.76 17.11002
## 3 Valeria   56   1.64 20.82094
## 4   Maria   59   1.61 22.76147
## 5   David   56   1.62 21.33821

# Resumen estadístico del data frame
summary(df)

##     nombre               peso          altura           IMC       
##  Length:5           Min.   :53.0   Min.   :1.610   Min.   :17.11  
##  Class :character   1st Qu.:55.0   1st Qu.:1.620   1st Qu.:19.96  
##  Mode  :character   Median :56.0   Median :1.640   Median :20.82  
##                     Mean   :55.8   Mean   :1.658   Mean   :20.40  
##                     3rd Qu.:56.0   3rd Qu.:1.660   3rd Qu.:21.34  
##                     Max.   :59.0   Max.   :1.760   Max.   :22.76

# Los valores del Índice de Masa Corporal varían de 17.11 a 22.76. La mediana y la media del IMC (20.82 y 20.40, respectivamente) sugieren que, en general, el grupo cae dentro de un rango de IMC considerado como normal según los estándares de la Organización Mundial de la Salud (OMS), que define un IMC normal entre 18.5 y 24.9.

plot(altura, peso, main="Altura y Peso", xlab= "Altura", ylab="Peso", col="red")

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 aqui se puede programar python, en julio del 2023 se anunció su nuevo nombre: Posit.

En esta introducción, lo que 1lama 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 instalación de paquetes o 1lamar a las librerías, problemas de escritura (typost) 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.

A través de ejercicios prácticos, como el cálculo del Índice de Masa Corporal (IMC) y la generación de gráficos, se demuestra la eficacia de R para manipular y representar datos de manera eficiente. Estos ejemplos prácticos no solo subrayan la facilidad con la que R maneja análisis de datos complejos, sino que también destacan cómo provee insights valiosos de forma accesible.