Comandos Básicos

Instalar paquetes y llamar librerías

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

Asignar variables

x <- 3
y <- 2

Imprimir el resultado

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

potencia_2<- x ^ 2
potencia_2

## [1] 9

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

## [1] 1.44225

Funciones

raiz_cuadrada <- sqrt(x)
raiz_cuadrada

## [1] 1.732051

?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] 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) #Secuencia 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 !=, Mayor>, Menor <, Mayor o igual que>=, Menor o igual que<=

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) #primeros 6 renglones 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) #utlimos 6 renglones 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

#SELECT para seleccionar columnas
resultados <- select(tabla_de_calificaciones, -c(nombres))
resultados

##   calificaciones   estatus
## 1            100  Aprobado
## 2             90  Aprobado
## 3             50 Reprobado
## 4            100  Aprobado
## 5             65 Reprobado

#FILTER para filtrar renglones
resultados <- filter(resultados, estatus == "Aprobado")
resultados

##   calificaciones  estatus
## 1            100 Aprobado
## 2             90 Aprobado
## 3            100 Aprobado

Actividad 1. Calculadora del IMC

alumno <- c("Paulina", "Natalia")
peso <- c(53, 64)
altura <- c(1.55, 1.68)
tabla_salud <- data.frame (alumno, peso, altura)
tabla_salud$IMC <- tabla_salud$peso/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")))

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" )

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 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 Posit.

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 meticulosa, podemos prever muchos de las alertas o errores y así obtendremos los muchos beneficios de la programación en R, como la predicción de pronósticos.