Comandos basicos

Instalar paquetes y llamar librerías

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

asignar una variable

   X <- 3
   Y <- 2

Imprimir resultados

 Suma <- X+Y
  Suma

## [1] 5

  Potencia <- X ** 2 
  Potencia 

## [1] 9

  Raiz_cubica <- X ** (1/3)
  Raiz_cubica

## [1] 1.44225

  Multiplicacion <-  X * Y  
  X * Y

## [1] 6

  Division <- X/Y
  Division

## [1] 1.5

  Absoluto <- abs (X)
  Absoluto

## [1] 3

  Signo <- sign(X)
  Signo

## [1] 1

  Residuo <- X %% Y
  Residuo

## [1] 1

  Potencia_2 <- X ^ 2
  Potencia_2  

## [1] 9

constantes

  pi

## [1] 3.141593

  Radio <- 5
  Area_circulo <- pi*Radio**2

  # Vectores 
  a <- c (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

tablas

  Tabla_de_calificaciones <- data.frame(Nombres, Calificaciones)
  Tabla_de_calificaciones$estatus <- ifelse(Tabla_de_calificaciones$Calificaciones>=70,"Aprobado","Reprobado")  
  
  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)

##   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

  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

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

Actividad 1. calculadora de IMC

alumno <- c("Raul", "Renata", "Juan", "Sergio", "Meme")
peso <- c(78, 52, 78, 90, 560)  
altura <- c(1.80, 1.55, 1.75, 1.86, 1.80)  
IMC <- peso/altura**2  
Tabla_Salud <- data.frame(alumno,peso, altura)
Tabla_Salud$IMC <-  Tabla_Salud$peso / Tabla_Salud$altura**2  
Tabla_Salud$resultado <- ifelse(Tabla_Salud$IMC <18.5, "Bajo Peso", ifelse(Tabla_Salud$IMC <=24.9, "Peso Normal", ifelse(Tabla_Salud$IMC <=29.9, "Sobrepeso", "Obesidad")))

Condicionales :

#condicionales : Igual == , Desigual != , Mayor que > , Menor que < 
#Condicionales : Mayor o igual que >= , Menor o igual que <=

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)
prediccion <- predict(regresion, datos_nuevos)
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 programa de progrmacion el cual es sumamente util a la hora de analizar datos ya sea el creacion de tablas o la realizacion de diferentes actividades involucrando calculos, toda la progrmacion se realiza mediante R studio y durante esta primera actividad se pudo ver un poco de todo lo que es capaz de hacer R para facilitar el analisis de datos o incluso llegar a hacer predicciones, cosas las cuales pueden llegar a ser muy utiles no solo para el salon de clases, sino en projectos personales o a la hora de estar trabajando.