Asignación de variables

x<-3
y<-2

Impresión de resultados

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
residuo <- x%%y
residuo
## [1] 1
disivison_entera<-x%/%y
disivison_entera
## [1] 1
potencia<- x**y
potencia
## [1] 9

Función matemática

raiz_cuadrada <-sqrt(x)
raiz_cuadrada
## [1] 1.732051
raiz_cubica <-x**(1/3)
raiz_cubica
## [1] 1.44225
exponencial<-exp(1)
exponencial
## [1] 2.718282
absoluto<-abs(x)
absoluto
## [1] 3
signo <-sign(0)
signo
## [1] 0
redondeo_arriba<-ceiling(division)
redondeo_arriba
## [1] 2
redondeo_abajo<-floor(division)
redondeo_abajo
## [1] 1
truncar<-trunc(division)
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)
a
## [1] 1 2 3 4 5
b<-c(1:100)
b
##   [1]   1   2   3   4   5   6   7   8   9  10  11  12  13  14  15  16  17  18
##  [19]  19  20  21  22  23  24  25  26  27  28  29  30  31  32  33  34  35  36
##  [37]  37  38  39  40  41  42  43  44  45  46  47  48  49  50  51  52  53  54
##  [55]  55  56  57  58  59  60  61  62  63  64  65  66  67  68  69  70  71  72
##  [73]  73  74  75  76  77  78  79  80  81  82  83  84  85  86  87  88  89  90
##  [91]  91  92  93  94  95  96  97  98  99 100
c<- seq(1,5, by=0.5)
c
## [1] 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0
d<- rep(1:2, times=3)
d
## [1] 1 2 1 2 1 2
e<- rep(1:2, each=3)
e
## [1] 1 1 1 2 2 2
nombre<- c("Juan", "Sara", "Pedro")
nombre
## [1] "Juan"  "Sara"  "Pedro"
nombre<- sort(nombre)
nombre
## [1] "Juan"  "Pedro" "Sara"
f<- c(1,2,3,4,5)

suma_vectores<- a+f
suma_vectores
## [1]  2  4  6  8 10

GRaficar

año<- c(2020:2025)
PIB<- c(8744, 10250, 11500, 13800, 14034, 13967)
plot(año,PIB, main="PIB per capita en México", xlab="Año", ylab="USD", type="l")

# si pongo en type “l” es linea, “h” es linea y punto, “b” es de puntos

Tablas

persona <- c("Raul", "Miguel", "Roberta", "Samanta", "Junior", "Meme")
altura <- c(1.80, 1.74, 1.64, 1.60, 1.69, 1.75)
peso<- c(80, 78, 55, 57, 62, 525)
df<- data.frame(persona,altura,peso)
df
##   persona altura peso
## 1    Raul   1.80   80
## 2  Miguel   1.74   78
## 3 Roberta   1.64   55
## 4 Samanta   1.60   57
## 5  Junior   1.69   62
## 6    Meme   1.75  525
max(df$peso)
## [1] 525
min(df$altura)
## [1] 1.6
df[1,]
##   persona altura peso
## 1    Raul    1.8   80
#Signnifica que es el primer registro si esta como antes 
df[ ,1]
## [1] "Raul"    "Miguel"  "Roberta" "Samanta" "Junior"  "Meme"
#Significa la primer columna
df[2,2]
## [1] 1.74
#Significa del registro 2 la altura 2
summary(df)
##    persona              altura           peso       
##  Length:6           Min.   :1.600   Min.   : 55.00  
##  Class :character   1st Qu.:1.653   1st Qu.: 58.25  
##  Mode  :character   Median :1.715   Median : 70.00  
##                     Mean   :1.703   Mean   :142.83  
##                     3rd Qu.:1.748   3rd Qu.: 79.50  
##                     Max.   :1.800   Max.   :525.00
str(df)
## 'data.frame':    6 obs. of  3 variables:
##  $ persona: chr  "Raul" "Miguel" "Roberta" "Samanta" ...
##  $ altura : num  1.8 1.74 1.64 1.6 1.69 1.75
##  $ peso   : num  80 78 55 57 62 525
#Logico TRUE FALSE
#Factor: Niveles

Medidas de Tendencia Central

mean(df$peso)
## [1] 142.8333
median(df$altura)
## [1] 1.715
#Medidas de dipersión
#Rango, varianza, desviación estandar y Coeficiente de variación

var(df$peso)
## [1] 35163.77
sd(df$peso)
## [1] 187.52
sd(df$altura)
## [1] 0.07447595
cv_altura<-sd(df$altura)/mean(df$altura)*100
cv_altura
## [1] 4.372365
cv_peso<-sd(df$peso)/mean(df$peso)*100
cv_peso
## [1] 131.2859

Medidas de posición

boxplot(df$altura)

boxplot(df$peso)

df$IMC<-peso/(altura**2)
df
##   persona altura peso       IMC
## 1    Raul   1.80   80  24.69136
## 2  Miguel   1.74   78  25.76298
## 3 Roberta   1.64   55  20.44914
## 4 Samanta   1.60   57  22.26562
## 5  Junior   1.69   62  21.70792
## 6    Meme   1.75  525 171.42857
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