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 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", "Kevin", "Toño")
nombre
## [1] "Jose"  "Ana"   "Juan"  "Kevin" "Toño"
longitud <- length(a)
longitud
## [1] 5
longitud_nombre <- length(nombre)
longitud_nombre
## [1] 5
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
## starting httpd help server ... done
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 dólares")

Ejercicio 1. IMC

Nombres <- c("Jose", "Ana", "Juan", "Kevin", "Toño")
Altura <- c(1.75, 1.65, 1.58, 1.82, 1.90)
Peso <- c(78,56,71,93,83)
imc  <- Peso/Altura

df <- data.frame(Nombres, Altura, Peso, imc)

resumen <- summary(df)
resumen
##    Nombres              Altura          Peso           imc       
##  Length:5           Min.   :1.58   Min.   :56.0   Min.   :33.94  
##  Class :character   1st Qu.:1.65   1st Qu.:71.0   1st Qu.:43.68  
##  Mode  :character   Median :1.75   Median :78.0   Median :44.57  
##                     Mean   :1.74   Mean   :76.2   Mean   :43.65  
##                     3rd Qu.:1.82   3rd Qu.:83.0   3rd Qu.:44.94  
##                     Max.   :1.90   Max.   :93.0   Max.   :51.10
plot(Altura,Peso, main = "Altura y Peso", xlab = "Altura", ylab = "Peso")

summary(df)
##    Nombres              Altura          Peso           imc       
##  Length:5           Min.   :1.58   Min.   :56.0   Min.   :33.94  
##  Class :character   1st Qu.:1.65   1st Qu.:71.0   1st Qu.:43.68  
##  Mode  :character   Median :1.75   Median :78.0   Median :44.57  
##                     Mean   :1.74   Mean   :76.2   Mean   :43.65  
##                     3rd Qu.:1.82   3rd Qu.:83.0   3rd Qu.:44.94  
##                     Max.   :1.90   Max.   :93.0   Max.   :51.10
# Estamos Fit

Conclusión

A través de operaciones aritméticas, funciones matemáticas, manipulación de vectores y visualización gráfica, se demuestra la versatilidad y poder analítico de R. La inclusión de constantes como pi y la aplicación en cálculos adicionales proporciona una comprensión sólida de conceptos fundamentales. El ejercicio práctico del IMC refuerza la aplicabilidad del conocimiento adquirido, destacando la capacidad de R para análisis de datos más complejos y su utilidad en escenarios del mundo real.

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