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
division_entera <- x%/%y
division_entera
## [1] 1
potencia <- x^y
potencia
## [1] 9
# Función matemática 
#(a lo que está dentro de una función se le llama argumento)
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) #número sin signo (negativo o positivo)
absoluto
## [1] 3
signo <- sign(x) #te trae el signo de un número (el de cero es 0)
signo
## [1] 1
redondeo_arriba <- ceiling(division)
redondeo_arriba
## [1] 2
redondeo_abajo <- floor(division)
redondeo_abajo
## [1] 1
truncar <- trunc(division) #lo mismo que floor
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) #con dos puntos son números consecutivos
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) #Inicio, final, de cuánto en cuánto avanza
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) #repetición del vector
d
## [1] 1 2 1 2 1 2
e <- rep(1:2, each=3) #repetición de cada valor del vector
e
## [1] 1 1 1 2 2 2
nombre <- c("Juan", "Sara", "Pedro")
nombre
## [1] "Juan"  "Sara"  "Pedro"
nombre <- sort(nombre, decreasing = TRUE)
nombre
## [1] "Sara"  "Pedro" "Juan"
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 cápita en México", xlab = "USD", type = "l") #vector con lo que va en el eje x y con lo que va en el eje y

#type l solo línea, b líneas y puntos, h líneas verticales

Tablas

persona <- c("Raúl", "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    Raúl   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    Raúl    1.8   80
df[ ,1]
## [1] "Raúl"    "Miguel"  "Roberta" "Samanta" "Junior"  "Meme"
df[2,2]
## [1] 1.74
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  "Raúl" "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: Media (Promedio), Mediana y Moda

mean(df$peso)
## [1] 142.8333
median(df$altura)
## [1] 1.715

Medidas de Dispersión: Rango, Varianza, Desviación Estándar, 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: Percentiles y Cuartiles

boxplot(df$altura)

boxplot(df$peso)

df$IMC <- peso/(altura**2)

R Markdown

This is an R Markdown document. Markdown is a simple formatting syntax for authoring HTML, PDF, and MS Word documents. For more details on using R Markdown see http://rmarkdown.rstudio.com.

When you click the Knit button a document will be generated that includes both content as well as the output of any embedded R code chunks within the document. You can embed an R code chunk like this:

summary(cars)
##      speed           dist       
##  Min.   : 4.0   Min.   :  2.00  
##  1st Qu.:12.0   1st Qu.: 26.00  
##  Median :15.0   Median : 36.00  
##  Mean   :15.4   Mean   : 42.98  
##  3rd Qu.:19.0   3rd Qu.: 56.00  
##  Max.   :25.0   Max.   :120.00

Including Plots

You can also embed plots, for example:

Note that the echo = FALSE parameter was added to the code chunk to prevent printing of the R code that generated the plot.

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