Comandos básicos

Impresión de Resultado
## [1] 3
## [1] 2
Operaciones aritméticas
## [1] 5
## [1] 5
resta <- x - y
resta
## [1] 1
## [1] 1
multiplicacion <- x * y
multiplicacion
## [1] 6
## [1] 6
division <- x / y
division
## [1] 1.5
## [1] 1.5
division_entera <- x %/% y
division_entera
## [1] 1
## [1] 1
residuo <- x %% y
residuo
## [1] 1
## [1] 1
potencia <- x ** 2
potencia
## [1] 9
Funciones matemáticas
raiz_cuadrada <- sqrt(x)
raiz_cuadrada
## [1] 1.732051
## [1] 1.732051
raiz_cubica <- x ** (1 / 3)
raiz_cubica
## [1] 1.44225
## [1] 1.44225
exponencial <- exp(1)
exponencial
## [1] 2.718282
## [1] 2.718282
absoluto <- abs(x)
absoluto
## [1] 3
## [1] 3
signo <- sign(x)
signo
## [1] 1
## [1] 1
redondeo_arriba <- ceiling(x / y)
redondeo_arriba
## [1] 2
## [1] 2
redondeo_abajo <- floor(x / y)
redondeo_abajo
## [1] 1
## [1] 1
truncar <- trunc(x / y)
truncar
## [1] 1
Constantes
## [1] 3.141593
## [1] 3.141593
radio <- 5
area_circulo <- pi * radio ** 2
area_circulo
## [1] 78.53982
Vectores
## [1] 1 2 3 4 5
## [1] 1 2 3 4 5
nombre <- c("Jose", "Ana", "Juan")
nombre
## [1] "Jose" "Ana" "Juan"
## [1] "Jose" "Ana" "Juan"
longitud <- length(a)
longitud
## [1] 5
## [1] 5
longitud_nombre <- length(nombre)
longitud_nombre
## [1] 3
## [1] 3
promedio <- mean(a)
promedio
## [1] 3
## [1] 3
resumen <- summary(a)
resumen
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1 2 3 3 4 5
## 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
## [1] 1 2 3 4 5
orden_descendente <- sort(a, decreasing = TRUE)
orden_descendente
## [1] 5 4 3 2 1
## [1] 5 4 3 2 1
b <- c(1, 2, 3, 4, 5)
b
## [1] 1 2 3 4 5
## [1] 1 2 3 4 5
suma_vectores <- a + b
suma_vectores
## [1] 2 4 6 8 10
Gráficos
plot(a, b, main = "Ventas Totales", xlab = "Semana", ylab = "Millones USD", type = "b")

Ejercicio 1
Nombres <- c("Antonio", "Alfonso", "Paulina", "Chofis", "Adrian")
Nombres
## [1] "Antonio" "Alfonso" "Paulina" "Chofis" "Adrian"
## [1] "Antonio", "Alfonso", "Paulina", "Chofis", "Adrian"
Altura <- c(1.77, 1.82, 1.62, 1.57, 1.72)
Altura
## [1] 1.77 1.82 1.62 1.57 1.72
## [1] 1.77 1.82 1.62 1.57 1.72
Peso <- c(86, 73, 62, 50, 86)
Peso
## [1] 86 73 62 50 86
## [1] 86 73 62 50 86
Indice_MasaCorporal <- c(Peso / Altura ** 2)
Indice_MasaCorporal
## [1] 27.45060 22.03840 23.62445 20.28480 29.06977
## [1] 27.45060 22.03840 23.62445 20.28480 29.06977
resumen <- summary(Indice_MasaCorporal)
resumen
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 20.28 22.04 23.62 24.49 27.45 29.07
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 20.28 22.04 23.62 24.49 27.45 29.07
Grafica
plot(Altura, Peso, main = "IMC", xlab = "Altura", ylab = "Peso", type = "b")

Conclusión
En este código de R nos encagargamos de realizar comandos básicos de
R como hacer operaciones aritméticas, asignar variables, realizar
funciones como raíces cuadradas, exponenciales, valores absolutos, etc.
Hicimos uso de constantes como Pi a la hora de obtener el área de un
círculo, trabajamos con vectores los cuales nos ayudaron a obtener
estadísticas como longitud y promedio de distintos datos. Despues
hicimos uso de funciones de R para crear gráficos de datos
bidimensionales donde pudimos ver de una manera mas general el IMC de
todos los integrantes del equipo el cual tambien fue el ejercicio final
y que con éxito pudimos poner la altura y peso de todos para obtener su
IMC.
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