Comandos Basicos

Instalar paquetes y llamar librerias

# instal.packages("tidyverse") # Paquete para manipulacion de datos
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 el resultado

x

## [1] 3

y

## [1] 2

Operaciones aritmetias

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

Funciones

raiz_cuadrada <- sqrt(x)
raiz_cuadrada

## [1] 1.732051

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

## [1] 1.44225

# ?sqrt # El signo de interrogacion es para desplagar 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 <- c(1,10, by = 0.5)
b

##             by 
##  1.0 10.0  0.5

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_decendente <- sort(calificaciones, decreasing = TRUE)
orden_decendente

## [1] 100 100  90  65  50

Tablas

tabla_de_calificaciones <- data.frame(nombres, calificaciones)

# Crear la columna 'estatus' evaluando la columna 'calificaciones'
tabla_de_calificaciones$estatus <- ifelse(tabla_de_calificaciones$calificaciones >= 70, "Aprobado", "Reprobado")

# Condicionales: Igual == , Desigual != , Mayor que >, Menor que<, 
# 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) # 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

Instalar paquetes y llamar librerias

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

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("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_salud <- data.frame(alumno, peso, altura)
tabla_salud$IMC <- tabla_salud$peso / tabla_salud$altura^2
tabla_salud$resultados <- ifelse(tabla_salud$IMC < 18.5, "Bajo Peso", ifelse(tabla_salud$IMC <=24.9, "Peso Normal", ifelse(tabla_salud$IMC <=29.9, "Sobrepeso", "Obesidad")))

Grafica

# Gráfica
Semana <- 1:10
Ventas <- c(150,160,165,180,175,190,200,195,210,220)

# Crear gráfico de línea con puntos
plot(Semana, Ventas, type = "b", 
     main = "Ventas Semanales (K USD)",
     xlab = "Semana",
     ylab = "Ventas (K USD)")

# Crear data frame
datos_ventas <- data.frame(Semana, Ventas)

# Modelo de regresión lineal
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

# Predicción para semanas 11 a 20
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

Concluciones

R es un lenguaje de programaion util para realizar calculos, principalmente estadisticos, y forma parte de las herramientas del Big Data.

RStudio es e; entorno donde se puede programar R, y gracias a que tambien aqui se puede programar Python, hace unos años se anuncio que su nombre sera Posit.

En esta introduccion lo que llama la atencion es la constante aparicion de alertas o errores en el programa, los cuales encontramos que principalmente sedeben a que la version no es la mas reciente, a la falta de instalacion de paquetes o llamar a las librerias, prolemas de escritura (typos) y los muchos argumentos que tienen las funciones.

Si desde un inico programamos de formas estructurada, disciplinada y meticulosa, podremos preveer muchas de las alertas o errores y asi obtenemos los muchos beneficios