# Instalar paquetes necesarios
# install.packages(dplyr)
library(dplyr)
##
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
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 Aritméticas
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
# ?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 es para gráficas
#Main es para los títulos
#xlab/ylab es para etiquetas
plot(a,b,main="Ventas Totales",xlab="Semana",ylab="Millones de dólares")

Ejercicio 1
nombre <- c('Pablo','Beto','Iker','Fede','Oscar')
altura<- c(1.70, 1.87, 1.90, 1.82, 1.77)
peso <- c(62, 87, 90, 76, 86)
df <- data.frame(nombre, altura, peso)
df
## nombre altura peso
## 1 Pablo 1.70 62
## 2 Beto 1.87 87
## 3 Iker 1.90 90
## 4 Fede 1.82 76
## 5 Oscar 1.77 86
df2 <- mutate(df, peso / altura)
df2 <- df2 %>% rename(IMC = "peso/altura")
df2
## nombre altura peso IMC
## 1 Pablo 1.70 62 36.47059
## 2 Beto 1.87 87 46.52406
## 3 Iker 1.90 90 47.36842
## 4 Fede 1.82 76 41.75824
## 5 Oscar 1.77 86 48.58757
Conclusiones
R es un lenguaje de programación útil para realizar
cálculos, principalmente estadísticos, y forma pate 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
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 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 una forma estructurada,
disciplinada y meticulosa, podemos preveer muchas de las alertas o
errores y así obtendremos muchos de los beneficios de la programación en
R, como los pronósticos de predicción.
LS0tCnRpdGxlOiAiY29tYW5kb3MgYsOhc2ljb3MiCmF1dGhvcjogIk9zY2FyIFJldGVzIC0gQTAxMzgzNjUzIgpkYXRlOiAiMjAyNC0wMi0xNSIKb3V0cHV0OiAKICBodG1sX2RvY3VtZW50OgogICAgdG9jOiBUUlVFCiAgICB0b2NfZmxvYXQ6IFRSVUUKICAgIGNvZGVfZG93bmxvYWQ6IFRSVUUKLS0tCgohW10oL1VzZXJzL29zY2FyL0Rvd25sb2Fkcy9kdWRhLXJlc3VlbHRhLWV4aXN0ZW4tdGFudG9zLWxlbmd1YWplcy1wcm9ncmFtYWNpb24tMzA3OTI2Ni5wbmcpCiMgSW5zdGFsYXIgcGFxdWV0ZXMgbmVjZXNhcmlvcwpgYGB7cn0KIyBpbnN0YWxsLnBhY2thZ2VzKGRwbHlyKQpsaWJyYXJ5KGRwbHlyKQpgYGAKCgojIEFzaWduYWNpw7NuIGRlIFZhcmlhYmxlcwoKYGBge3J9CnggPC0gMwp5IDwtIDIKYGBgCgojIEltcHJlc2nDs24gZGUgUmVzdWx0YWRvcyAKCmBgYHtyfQp4CnkKYGBgCgojT3BlcmFjaW9uZXMgQXJpdG3DqXRpY2FzCgpgYGB7cn0Kc3VtYSA8LSB4ICsgeSAKc3VtYQoKcmVzdGEgPC0geCAtIHkKcmVzdGEgCgptdWx0aXBsaWNhY2lvbiA8LSB4KnkgCm11bHRpcGxpY2FjaW9uIAoKZGl2aXNpb24gPC0geC95CmRpdmlzaW9uCgpkaXZpc2lvbl9lbnRlcmEgPC0geCAlLyUgeQpkaXZpc2lvbl9lbnRlcmEKCnJlc2lkdW8gPC0geCAlJSB5CnJlc2lkdW8KCnBvdGVuY2lhIDwtIHggXiAyCnBvdGVuY2lhCmBgYAoKIyBGdW5jaW9uZXMgQXJpdG3DqXRpY2FzCgpgYGB7cn0KcmFpel9jdWFkcmFkYSA8LSBzcXJ0ICh4KQpyYWl6X2N1YWRyYWRhCgpyYWl6X2N1YmljYSA8LSB4ICoqICgxLzMpCnJhaXpfY3ViaWNhCgpleHBvbmVuY2lhbCA8LSBleHAgKDEpCmV4cG9uZW5jaWFsCgphYnNvbHV0byA8LSBhYnMgKHgpCmFic29sdXRvCgpzaWdubyA8LSBzaWduICh4KQpzaWdubwoKcmVkb25kZW9fYXJyaWJhIDwtIGNlaWxpbmcgKHgveSkKcmVkb25kZW9fYXJyaWJhCgpyZWRvbmRlb19hYmFqbyA8LSBmbG9vciAoeC95KQpyZWRvbmRlb19hYmFqbwoKdHJ1bmNhciA8LSB0cnVuYyAoeC95KQp0cnVuY2FyCmBgYAoKIyBDb25zdGFudGVzCgpgYGB7cn0KcGkKcmFkaW8gPC0gNQoKYXJlYV9jaXJjdWxvIDwtIHBpICogcmFkaW9eMgphcmVhX2NpcmN1bG8KYGBgCgojIFZlY3RvcmVzCgpgYGB7cn0KYSA8LSBjKDEsMiwzLDQsNSkKYQoKbm9tYnJlIDwtIGMoIkpvc2UiLCJBbmEiLCJKdWFuIikKbm9tYnJlCgpsb25naXR1ZCA8LSBsZW5ndGggKGEpCmxvbmdpdHVkCgpsb25naXR1ZF9ub21icmUgPC0gbGVuZ3RoIChub21icmUpCmxvbmdpdHVkX25vbWJyZQoKcHJvbWVkaW8gPC0gbWVhbiAoYSkKcHJvbWVkaW8KCnJlc3VtZW4gPC0gc3VtbWFyeSAoYSkKcmVzdW1lbgoKb3JkZW5fYXNjZW5kZW50ZSA8LSBzb3J0KGEpCm9yZGVuX2FzY2VuZGVudGUKCm9yZGVuX2Rlc2NlbmRlbnRlIDwtIHNvcnQoYSwgZGVjcmVhc2luZz1UUlVFKQpvcmRlbl9kZXNjZW5kZW50ZQoKIyA/c29ydAoKYiA8LSBjKDEsMiwzLDQsNSkKYgoKc3VtYV92ZWN0b3JlcyA8LSBhK2IKc3VtYV92ZWN0b3JlcwoKI1Bsb3QgZXMgcGFyYSBncsOhZmljYXMKI01haW4gZXMgcGFyYSBsb3MgdMOtdHVsb3MKI3hsYWIveWxhYiBlcyBwYXJhIGV0aXF1ZXRhcwpwbG90KGEsYixtYWluPSJWZW50YXMgVG90YWxlcyIseGxhYj0iU2VtYW5hIix5bGFiPSJNaWxsb25lcyBkZSBkw7NsYXJlcyIpCmBgYAoKIyBFamVyY2ljaW8gMQpgYGB7cn0Kbm9tYnJlIDwtIGMoJ1BhYmxvJywnQmV0bycsJ0lrZXInLCdGZWRlJywnT3NjYXInKQphbHR1cmE8LSBjKDEuNzAsIDEuODcsIDEuOTAsIDEuODIsIDEuNzcpCnBlc28gPC0gYyg2MiwgODcsIDkwLCA3NiwgODYpCgoKZGYgPC0gZGF0YS5mcmFtZShub21icmUsIGFsdHVyYSwgcGVzbykKZGYKCmRmMiA8LSBtdXRhdGUoZGYsIHBlc28gLyBhbHR1cmEpCmRmMiA8LSBkZjIgJT4lIHJlbmFtZShJTUMgPSAicGVzby9hbHR1cmEiKQpkZjIKYGBgCgojIENvbmNsdXNpb25lcyAKKipSKiogZXMgdW4gbGVuZ3VhamUgZGUgcHJvZ3JhbWFjacOzbiDDunRpbCBwYXJhIHJlYWxpemFyIGPDoWxjdWxvcywgcHJpbmNpcGFsbWVudGUgZXN0YWTDrXN0aWNvcywgeSBmb3JtYSBwYXRlIGRlIGxhcyBoZXJyYW1pZW50YXMgZGVsICpCaWcgRGF0YSouICAKCipSIFN0dWRpbyogZXMgZWwgZW50b3JubyBlbiBkb25kZSBzZSBwdWVkZSBwcm9ncmFtYXIgKipSKiosIHkgZ3JhY2lhcyBhIHF1ZSB0YW1iacOpbiBhcXXDrSBzZSBwdWVkZSBwcm9ncmFtYXIgKipQeXRob24qKiwgZW4ganVsaW8gZGVsIDIwMjMgc2UgYW51bmNpw7Mgc3UgbnVldm8gbm9tYnJlOiAqKlBvc2l0KiouICAgIAoKRW4gZXN0YSBpbnRyb2R1Y2Npw7NuLCBsbyBxdWUgbGxhbWEgbGEgYXRlbmNpw7NuIGVzIGxhIGNvbnN0YW50ZSBhcGFyaWNpw7NuIGRlIGFsZXJ0YXMgbyBlcnJvcmVzIGVuIGVsIHByb2dyYW1hLCBsb3MgY3VhbGVzIGVuY29udHJhbW9zIHF1ZSBwcmluY2lwYWxtZW50ZSBzZSBkZWJlbiBhIHF1ZSBsYSB2ZXJzacOzbiBkZSAqKlIqKiBubyBlcyBsYSBtw6FzIHJlY2llbnRlLCBhIGxhIGZhbHRhIGRlIGluc3RhbGFjacOzbiBkZSBwYXF1ZXRlcyBvIGxsYW1hciBhIGxhcyBsaWJyZXLDrWFzLCBwcm9ibGVtYXMgZGUgZXNjcml0dXJhICgqdHlwb3MqKSB5IGxvcyBtdWNob3MgYXJndW1lbnRvcyBxdWUgdGllbmVuIGxhcyBmdW5jaW9uZXMuICAKClNpIGRlc2RlIHVuIGluaWNpbyBwcm9ncmFtYW1vcyBkZSB1bmEgZm9ybWEgZXN0cnVjdHVyYWRhLCBkaXNjaXBsaW5hZGEgeSBtZXRpY3Vsb3NhLCBwb2RlbW9zIHByZXZlZXIgbXVjaGFzIGRlIGxhcyBhbGVydGFzIG8gZXJyb3JlcyB5IGFzw60gb2J0ZW5kcmVtb3MgbXVjaG9zIGRlIGxvcyBiZW5lZmljaW9zIGRlIGxhIHByb2dyYW1hY2nDs24gZW4gKipSKiosIGNvbW8gbG9zIHByb27Ds3N0aWNvcyBkZSBwcmVkaWNjacOzbi4g