Comandos basicos

Instalar paquetes y llamar librerias

#install.packages("tidyverse")  #Paquetes para manipulación 
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 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

multiplicación <- x * y 
multiplicación 

## [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

potenciay <- y ** 2 
potenciay

## [1] 4

Funciones

raiz_cuadrada <- sqrt(x) 
raiz_cuadrada

## [1] 1.732051

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

## [1] 1.44225

?sqrt

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(1:5) 
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

Otras cosas

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) 

##   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 selccionar columnas

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

filter para filtrar renglones

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

Actividad 1. Calculadora del 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) 

tabla_de_imc <- data.frame(alumno,peso,altura)   
tabla_de_imc$IMC <- tabla_de_imc$peso / tabla_de_imc$altura**2 

tabla_de_imc$resultado <- ifelse(tabla_de_imc$IMC < 18.5, "Bajo Peso", ifelse(tabla_de_imc$IMC <= 24.9, "Peso Normal", ifelse(tabla_de_imc$IMC <= 29.9, "Sobrepeso", "obesidad")))

Grafica

semana <- c(1:10)
ventas <- c(150,160,165,180,175,190,200,195,210,220)
plot(semana, ventas, type= "l", 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 util para realizar cálculos, principalmente estadisticas, y forma parte de las herramientasdel Big data.

RStudio es el entorno deonde se puede programar R, y gracuas a que tambien aqui se puede programar Python, hace unos años se anuncio que su nombre será Posit

En esta introducción, lo que llama la atención es la constante aparicion 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 librerias, problemas de escritura (“Typos”) y los muchos argumentos que tienen las funciones.

En esta introudcción, lo que llama la atención es constante y la aparicion de alertas o errores en la programación los cuales encontramos principalmente a que la versión no es la mas resiente y la falta de instalacion de paquetes o llamar a las librerias problemas de escritura.