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

unciones matemáticas

raiz_cuadrada <-sqrt (x)
raiz_cuadrada
## [1] 1.732051
raiz_cuadrada <-x**(1/3)
raiz_cuadrada
## [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
## 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 USD")

EJERCICO 1

nombres <- c("Carolina","Adrian","Kevin", "Rafaela", "Camila")
peso <- c(63,83,100,56,54)
altura <-  c(1.63,1.76,1.86,1.59,1.54)

#NO ESTSMOS GORDOS 

df <- data.frame(nombres,peso,altura)

df$IMC <- peso/(altura*altura)

df
##    nombres peso altura      IMC
## 1 Carolina   63   1.63 23.71184
## 2   Adrian   83   1.76 26.79494
## 3    Kevin  100   1.86 28.90508
## 4  Rafaela   56   1.59 22.15102
## 5   Camila   54   1.54 22.76944
summary(df)
##    nombres               peso           altura           IMC       
##  Length:5           Min.   : 54.0   Min.   :1.540   Min.   :22.15  
##  Class :character   1st Qu.: 56.0   1st Qu.:1.590   1st Qu.:22.77  
##  Mode  :character   Median : 63.0   Median :1.630   Median :23.71  
##                     Mean   : 71.2   Mean   :1.676   Mean   :24.87  
##                     3rd Qu.: 83.0   3rd Qu.:1.760   3rd Qu.:26.79  
##                     Max.   :100.0   Max.   :1.860   Max.   :28.91
plot(altura,peso)

Conslusión

En este ejercicio se generaron Los comandos básicos de R, cuya finalidad es identificar y relacionarse con el programa de RStudio. Prácticando con diferentes variables (suma, resta, exponentes, divisiones, etc) y y generación de tablas con plot.
También se generó un ejercicio de IMC para poder llevar a la práctica lo aprendido durante clase. En este ejercició se tuvó que poner el peso de 5 personas, de igual forma la altura, para así poder sacar el IMC, concluyendo si estamos gordos o no, en base a las 5 personas.

LS0tDQp0aXRsZTogIkNvbWFuZG9zIELDoXNpY29zIg0KYXV0aG9yOiAiS2V2aW4gTWV6YSBNZWRpbmEgLSBBMDA4MzYxMTMiDQpkYXRlOiAiMjAyNC0wMi0xNSINCm91dHB1dDogDQogIGh0bWxfZG9jdW1lbnQ6DQogICAgdG9jOiBUUlVFDQogICAgdG9jX2Zsb2F0OiBUUlVFDQogICAgY29kZV9kb3dubG9hZDogVFJVRQ0KICAgIHRoZW1lOiBkYXJrDQotLS0NCiFbXShDOlxcVXNlcnNcXDUyNjY0XFxEb3dubG9hZHNcXGdpcGh5LmdpZikNCg0KIyA8c3BhbiBzdHlsZT0iY29sb3I6IGJsdWU7Ij5Bc2lnbmFjacOzbiBkZSB2YXJpYWJsZXM8L3NwYW4+DQpgYGB7cn0NCng8LSAzDQp5PC0yDQpgYGANCg0KIyA8c3BhbiBzdHlsZT0iY29sb3I6IGJsdWU7Ij5JbXByZXNpw7NuIGRlIHJlc3VsdGFkb3MgPC9zcGFuPg0KYGBge3J9DQp4DQp5DQpgYGANCg0KIyA8c3BhbiBzdHlsZT0iY29sb3I6IGJsdWU7Ij5PcGVyYWNpb25lcyBhcml0bcOpdGljYXMgPC9zcGFuPg0KYGBge3J9DQpzdW1hIDwteCAreQ0Kc3VtYQ0KDQpyZXN0YSA8LXggLXkNCnJlc3RhDQoNCm11bHRpcGxpY2FjaW9uIDwteCAqIHkNCm11bHRpcGxpY2FjaW9uDQoNCmRpdmlzaW9uIDwteC95DQpkaXZpc2lvbg0KDQpkaXZpc2lvbl9lbnRlcmEgPC0geCAlLyUgeQ0KZGl2aXNpb25fZW50ZXJhDQoNCnJlc2lkdW8gPC14ICUlIHkNCnJlc2lkdW8gDQoNCnBvdGVuY2lhIDwteCBeIDINCnBvdGVuY2lhDQpgYGANCg0KIyA8c3BhbiBzdHlsZT0iY29sb3I6IGJsdWU7Ij51bmNpb25lcyBtYXRlbcOhdGljYXM8L3NwYW4+DQpgYGB7cn0NCnJhaXpfY3VhZHJhZGEgPC1zcXJ0ICh4KQ0KcmFpel9jdWFkcmFkYQ0KDQpyYWl6X2N1YWRyYWRhIDwteCoqKDEvMykNCnJhaXpfY3VhZHJhZGENCg0KZXhwb25lbmNpYWwgPC1leHAgKDEpDQpleHBvbmVuY2lhbA0KDQphYnNvbHV0byA8LSBhYnMgKHgpDQphYnNvbHV0bw0KDQpzaWdubyA8LSBzaWduKHgpDQpzaWdubw0KDQpyZWRvbmRlb19hcnJpYmEgPC0gY2VpbGluZyAoeC95KQ0KcmVkb25kZW9fYXJyaWJhDQoNCnJlZG9uZGVvX2FiYWpvIDwtIGZsb29yKHgveSkNCnJlZG9uZGVvX2FiYWpvDQoNCnRydW5jYXIgPC0gdHJ1bmMoeC95KQ0KdHJ1bmNhcg0KYGBgDQoNCiMgPHNwYW4gc3R5bGU9ImNvbG9yOiBibHVlOyI+Q29uc3RhbnRlcyA8L3NwYW4+DQpgYGB7cn0NCnBpDQpyYWRpbyA8LTUNCmFyZWFfY2lyY3VsbyA8LXBpKnJhZGlvKioyDQphcmVhX2NpcmN1bG8NCmBgYA0KDQojIDxzcGFuIHN0eWxlPSJjb2xvcjogYmx1ZTsiPlZlY3RvcmVzICA8L3NwYW4+DQpgYGB7cn0NCmEgPC0gYygxLDIsMyw0LDUpDQphDQoNCm5vbWJyZSA8LSBjKCJKb3NlIiwgIkFuYSIsICJKdWFuIikNCm5vbWJyZQ0KDQpsb25naXR1ZCA8LSBsZW5ndGgoYSkNCmxvbmdpdHVkDQoNCmxvbmdpdHVkX25vbWJyZSA8LSBsZW5ndGgobm9tYnJlKQ0KbG9uZ2l0dWRfbm9tYnJlDQoNCnByb21lZGlvIDwtIG1lYW4oYSkNCnByb21lZGlvDQoNCnJlc3VtZW4gPC0gc3VtbWFyeShhKQ0KcmVzdW1lbg0KDQpvcmRlbl9hc2NlbmRlbnRlIDwtIHNvcnQoYSkNCm9yZGVuX2FzY2VuZGVudGUNCg0Kb3JkZW5fZGVzY2VuZGVudGUgPC0gc29ydChhLGRlY3JlYXNpbmcgPSBUUlVFKQ0Kb3JkZW5fZGVzY2VuZGVudGUNCj9zb3J0DQoNCmIgPC0gYygxLDIsMyw0LDUpDQpiDQoNCnN1bWFfdmVjdG9yZXMgPC0gYStiDQpzdW1hX3ZlY3RvcmVzDQoNCnBsb3QoYSxiLG1haW49IlZlbnRhcyBUb3RhbGVzIix4bGFiPSJTZW1hbmEiLHlsYWI9Ik1pbGxvbmVzIGRlIFVTRCIpDQpgYGANCg0KIyA8c3BhbiBzdHlsZT0iY29sb3I6IGJsdWU7Ij5FSkVSQ0lDTyAxPC9zcGFuPg0KYGBge3J9DQpub21icmVzIDwtIGMoIkNhcm9saW5hIiwiQWRyaWFuIiwiS2V2aW4iLCAiUmFmYWVsYSIsICJDYW1pbGEiKQ0KcGVzbyA8LSBjKDYzLDgzLDEwMCw1Niw1NCkNCmFsdHVyYSA8LSAgYygxLjYzLDEuNzYsMS44NiwxLjU5LDEuNTQpDQoNCiNOTyBFU1RTTU9TIEdPUkRPUyANCg0KZGYgPC0gZGF0YS5mcmFtZShub21icmVzLHBlc28sYWx0dXJhKQ0KDQpkZiRJTUMgPC0gcGVzby8oYWx0dXJhKmFsdHVyYSkNCg0KZGYNCnN1bW1hcnkoZGYpDQoNCnBsb3QoYWx0dXJhLHBlc28pDQpgYGANCg0KIyA8c3BhbiBzdHlsZT0iY29sb3I6IGJsdWU7Ij5Db25zbHVzacOzbjwvc3Bhbj4NCkVuIGVzdGUgZWplcmNpY2lvIHNlIGdlbmVyYXJvbiAqKkxvcyBjb21hbmRvcyBiw6FzaWNvcyBkZSBSKiosIGN1eWEgZmluYWxpZGFkIGVzIGlkZW50aWZpY2FyIHkgcmVsYWNpb25hcnNlIGNvbiBlbCBwcm9ncmFtYSBkZSAqUlN0dWRpbyouIFByw6FjdGljYW5kbyBjb24gZGlmZXJlbnRlcyB2YXJpYWJsZXMgKHN1bWEsIHJlc3RhLCBleHBvbmVudGVzLCBkaXZpc2lvbmVzLCBldGMpIHkgeSBnZW5lcmFjacOzbiBkZSB0YWJsYXMgY29uICpwbG90Ki4gIA0KVGFtYmnDqW4gc2UgZ2VuZXLDsyB1biBlamVyY2ljaW8gZGUgKipJTUMqKiBwYXJhIHBvZGVyIGxsZXZhciBhIGxhIHByw6FjdGljYSBsbyBhcHJlbmRpZG8gZHVyYW50ZSBjbGFzZS4gRW4gZXN0ZSBlamVyY2ljacOzIHNlIHR1dsOzIHF1ZSBwb25lciBlbCAqKnBlc28qKiBkZSA1IHBlcnNvbmFzLCBkZSBpZ3VhbCBmb3JtYSBsYSAqKmFsdHVyYSoqLCBwYXJhIGFzw60gcG9kZXIgc2FjYXIgZWwgKipJTUMqKiwgY29uY2x1eWVuZG8gc2kgZXN0YW1vcyAqKmdvcmRvcyoqIG8gbm8sIGVuIGJhc2UgYSBsYXMgNSBwZXJzb25hcy4gIA0KDQo=