Comandos Basicos

Instalar paquetes y llamar librerias

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

## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.4     ✔ readr     2.1.5
## ✔ forcats   1.0.0     ✔ stringr   1.5.1
## ✔ ggplot2   3.5.1     ✔ tibble    3.2.1
## ✔ lubridate 1.9.4     ✔ tidyr     1.3.1
## ✔ purrr     1.0.4     
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors

Asignar una variable

x <- -3
y <- 2

#Imprimir Resultado

x

## [1] -3

y

## [1] 2

Operaciones Aritmeticas

suma <- x + y
suma

## [1] -1

resta <- x - y
resta

## [1] -5

multiplicación <- x*y
multiplicación

## [1] -6

división <- x/y
división

## [1] -1.5

división_entera <- x %/% y
división_entera

## [1] -2

residuo <- x %% y
residuo

## [1] 1

potencia <- x ** y 
potencia

## [1] 9

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

## [1] NaN

Funciones

raiz_cuadrada <- sqrt(x)

## Warning in sqrt(x): Se han producido NaNs

raiz_cuadrada

## [1] NaN

?sqrt # El signo de interrogación es para desplegar ayuda

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] -1

redondeo_abajo <- floor(x/y)
redondeo_abajo

## [1] -2

truncar <- trunc(x/y)

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) #Secuancia de enteros 1:5
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", "Carla", "Sara")
nombres

## [1] "Juan"  "Ana"   "Pedro" "Carla" "Sara"

calificaciones <- c(100,90,50,100,65)
calificaciones

## [1] 100  90  50 100  65

longitud <- length(a)
longitud

## [1] 5

promedio <- mean(calificaciones)
promedio

## [1] 81

orden_ascendente <- sort(calificaciones)
orden_ascendente

## [1]  50  65  90 100 100

orden_descendente <- sort(calificaciones, decreasing = TRUE)
orden_descendente

## [1] 100 100  90  65  50

Tablas

tabla_de_calificaciones <- data.frame(nombres, calificaciones)
tabla_de_calificaciones$estatus <- ifelse(tabla_de_calificaciones$calificaciones>=70,"Aprobado","Reprobado")

Condicionales: igual ==, desigual !=

summary(tabla_de_calificaciones)

##    nombres          calificaciones   estatus         
##  Length:5           Min.   : 50    Length:5          
##  Class :character   1st Qu.: 65    Class :character  
##  Mode  :character   Median : 90    Mode  :character  
##                     Mean   : 81                      
##                     3rd Qu.:100                      
##                     Max.   :100

str(tabla_de_calificaciones)

## 'data.frame':    5 obs. of  3 variables:
##  $ nombres       : chr  "Juan" "Ana" "Pedro" "Carla" ...
##  $ calificaciones: num  100 90 50 100 65
##  $ estatus       : chr  "Aprobado" "Aprobado" "Reprobado" "Aprobado" ...

head(tabla_de_calificaciones) #6 por default

##   nombres calificaciones   estatus
## 1    Juan            100  Aprobado
## 2     Ana             90  Aprobado
## 3   Pedro             50 Reprobado
## 4   Carla            100  Aprobado
## 5    Sara             65 Reprobado

tail(tabla_de_calificaciones)

##   nombres calificaciones   estatus
## 1    Juan            100  Aprobado
## 2     Ana             90  Aprobado
## 3   Pedro             50 Reprobado
## 4   Carla            100  Aprobado
## 5    Sara             65 Reprobado

SELECT para seleccionar columnas

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

#FILTER para filtrar renglones

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

#Actividad 1. Calculadora del IMC

alumno <- c("Javier", "Alberto", "Cesar", "Kevin")
peso <- c(90, 70, 50, 90)
altura <- c(1.80, 1.82, 1.83, 1.85)

IMC <- peso /altura ** 2
tabla_imc <- data.frame(alumno, IMC)
tabla_imc$Estado <- ifelse(tabla_imc$IMC<=25,"Peso Normal", ifelse(tabla_imc$IMC<=29.9, "Sobrepeso", "Obesidad"))

Graficas

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)")

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

## 
## Call:
## lm(formula = ventas ~ semana, data = datos_ventas)
## 
## 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

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

##        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

#Concusiones