Comandos basicos

Instalar paquetes y llamar librerias

# install.packages("tidyverse") # Paquete para manipulacion de datos
library(tidyverse)

x <- 3
y <- 2

Imprimir el resultado

# Imprimir el resultado
x

## [1] 3

y

## [1] 2

Operaciones arimeticas

# Operaciones arimeticas
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

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

## [1] 1.44225

funcion

# funcion 
raiz_cuadrada <- sqrt(x)
raiz_cuadrada

## [1] 1.732051

# ?sqrt # El signo de interrogacion 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 <-(x/y)
truncar

## [1] 1.5

Constantes

# Constantes
pi

## [1] 3.141593

radio <- 5
area_circulo <- pi*radio**2
area_circulo

## [1] 78.53982

Vectores

# Vectores
a <- c(1:5) # Secuencia de enteros 1:5 = (1,2,3,4,5)
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 <- lenght(a)
#longitud

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

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

Condicionales

# Condicionales: Iguales ==, 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) # ultimos

##   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

# Instalar paquetes y llamar librerias
# install.packages("tidyverse") # Paquete para manipulacion de datos
library(tidyverse)

SELECT

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

FILTER

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

Actividad 1.

# Actividad 1. Calcular 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

# Tabla
Tabla_1 <- data.frame(alumno, peso, altura)
Tabla_1$IMC <- Tabla_1$peso/(altura**2)
Tabla_1$Status <- ifelse(Tabla_1$IMC < 18.5, "Peso insufiente", 
                         ifelse(Tabla_1$IMC<=24.9, "Normopeso", 
                                ifelse(Tabla_1$IMC<=29.9, "Sobrepeso",  
                                       ifelse(Tabla_1$IMC<=35.9, "Obesidad tipo I", 
                                             "Obesidad tipo II"))))
Tabla_1

##   alumno peso altura       IMC           Status
## 1   Raul   78   1.80  24.07407        Normopeso
## 2 Renata   52   1.55  21.64412        Normopeso
## 3   Juan   78   1.75  25.46939        Sobrepeso
## 4 Sergio   90   1.86  26.01457        Sobrepeso
## 5   Meme  560   1.80 172.83951 Obesidad tipo II

Graficas

# 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)")

data_ventas <- data.frame(Semana, Ventas)
regresion <- lm(Ventas ~ Semana, data=data_ventas) 
summary(regresion)

## 
## Call:
## lm(formula = Ventas ~ Semana, data = data_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 programacion util para realizar para realizar calculos, principalmente estadisticos y forma parte de las herramientas del *Big Data*
  
#*RStudio* es el entorno donde se puede probar *R* y gracias a que aca tambien se puede ´programar *python*, hace unos años se anuncian 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 principalemnte se deben a que la version no es la mas reciente a la falta de instalacion de muchos paquetes o llamar a las librerias, problemas de escritura (*typos*) y los muchos argumentos que tienen las funciones.