Comandos Básicos

Instalar paquetes y llamar librerías

# install.packages("tidyverse")
library(tidyverse)

Asignar una variable

x <- 3
y <- 2

Imprimir el resultado

x

## [1] 3

y

## [1] 2

Operaciones aritmeticas

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 ** y
potencia

## [1] 9

raizcubica <- x ** (1/3)
raizcubica

## [1] 1.44225

Funciones

raizcuadrada <- sqrt(x)
raizcuadrada

## [1] 1.732051

# ?sqrt (signo ? es para ayuda)

exponencial <- exp(1)
exponencial

## [1] 2.718282

valorabsoluto <- abs(x)
valorabsoluto

## [1] 3

signo <- sign(x)
signo

## [1] 1

redondeoarriba <- ceiling(x/y)
redondeoarriba

## [1] 2

redondeoabajo <- floor(x/y)
redondeoabajo

## [1] 1

truncar <- trunc(x/y)
truncar

## [1] 1

Constantes

pi 

## [1] 3.141593

radio <- 5
areacirculo <- pi*radio**2
areacirculo

## [1] 78.53982

Vectores

a <- c(1,2,3,4,5) 
a

## [1] 1 2 3 4 5

a <- c(1:5) #secuencia de enteros
a

## [1] 1 2 3 4 5

b <- seq(1,10, by = 0.5)
b

##  [1]  1.0  1.5  2.0  2.5  3.0  3.5  4.0  4.5  5.0  5.5  6.0  6.5  7.0  7.5  8.0
## [16]  8.5  9.0  9.5 10.0

nombres <- c("juan", "ana", "pedro")
nombres

## [1] "juan"  "ana"   "pedro"

calif <- c(100,90,50)
calif

## [1] 100  90  50

longitud <- length(a)
longitud

## [1] 5

promedio <- mean(calif)
promedio

## [1] 80

ordenascendente <- sort(calif)
ordenascendente

## [1]  50  90 100

ordendescendente <- sort(calif, decreasing = TRUE)
ordendescendente

## [1] 100  90  50

Tablas

tablacalif <- data.frame (nombres,calif)

tablacalif$estatus <- ifelse(tablacalif$calif >=70, "aprobado", "reprobado")
# condicionales: igual ==, desigual !=, mayor que>, menor que <, >=, <=

summary(tablacalif)

##    nombres              calif       estatus         
##  Length:3           Min.   : 50   Length:3          
##  Class :character   1st Qu.: 70   Class :character  
##  Mode  :character   Median : 90   Mode  :character  
##                     Mean   : 80                     
##                     3rd Qu.: 95                     
##                     Max.   :100

str(tablacalif)

## 'data.frame':    3 obs. of  3 variables:
##  $ nombres: chr  "juan" "ana" "pedro"
##  $ calif  : num  100 90 50
##  $ estatus: chr  "aprobado" "aprobado" "reprobado"

head(tablacalif) # solo se ven los primeros 6 rengoles

##   nombres calif   estatus
## 1    juan   100  aprobado
## 2     ana    90  aprobado
## 3   pedro    50 reprobado

tail(tablacalif) # solo se ven los ultimos 6 rengoles

##   nombres calif   estatus
## 1    juan   100  aprobado
## 2     ana    90  aprobado
## 3   pedro    50 reprobado

# SELECT para seleccionar columnas

resultados <- select(tablacalif, -c(nombres))
resultados

##   calif   estatus
## 1   100  aprobado
## 2    90  aprobado
## 3    50 reprobado

# filter filtrar rengoles

resultados <- filter(resultados, estatus == "aprobado")

Actividad 1. Calculadora del IMC

alumno <- c("Natalia", "Paulina")
peso <- c(64, 53)
altura <- c(1.68, 1.55)

tablaIMC <- data.frame (alumno, peso, altura)

tablaIMC$IMC <- tablaIMC$peso/altura**2

tablaIMC$resultado <- ifelse(tablaIMC$IMC < 18.5, "Bajo Peso", ifelse (tablaIMC$IMC <= 24.9, "Peso Normal", ifelse (tablaIMC$IMC <= 29.9, "Sobre peso", "Obesidad")))

Gráficas

semana <- c(1:10)
ventas <- c(150,160,165,180,175,190,200,195,210,220)

plot(semana, ventas, type = "b", main="ventas semanales (K USD)")

datosventas <- data.frame(semana, ventas)
regresion <- lm(ventas ~ semana, data=datosventas)
summary(regresion)

## 
## Call:
## lm(formula = ventas ~ semana, data = datosventas)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -7.758 -1.538  0.500  2.439  6.455 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 144.3333     3.1714   45.51 6.00e-11 ***
## semana        7.3030     0.5111   14.29 5.61e-07 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 4.643 on 8 degrees of freedom
## Multiple R-squared:  0.9623, Adjusted R-squared:  0.9576 
## F-statistic: 204.2 on 1 and 8 DF,  p-value: 5.614e-07

datosnuevos <- data.frame(semana = 11:20)
prediccion <- predict (regresion, datosnuevos)
prediccion

##        1        2        3        4        5        6        7        8 
## 224.6667 231.9697 239.2727 246.5758 253.8788 261.1818 268.4848 275.7879 
##        9       10 
## 283.0909 290.3939

Conclusiones

R es un lenguaje de programación útil para realizar cálculos, principalmente estadísticos, y forma parte de las herramientas del Big Data.

RStudio es el entorno donde se puede programar R, y gracias a que también aquí se puede programar Python, hace unos años se anunció que su nombre será * Postit*.

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 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 forma estructurada, disciplinada y metículosa, padremos preveer muchas de las alertas o errores y así obtendremos los muchos beneficios de la programación en R, como la prpedicción de pronósticos.