ASIGNACIÓN DE VARIABLES

x <- 3
y <- 2

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
division_entera <- x %/% y
division_entera
## [1] 1
residuo <- x %% y
residuo
## [1] 1
potencia <- x ^ 2
potencia
## [1] 9

FUNCIONES MATEMÁTICAS

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(x)
signo
## [1] 1
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

# Juntar elementos
a <- c(1, 2, 3, 4, 5)
a
## [1] 1 2 3 4 5
# Secuencia de enteros del 1 al 100
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
# Secuencia específica
c <- seq(2, 5, by = 0.5)
c
## [1] 2.0 2.5 3.0 3.5 4.0 4.5 5.0
# Repetir vector completo
d <- rep(1:2, times = 3)
d
## [1] 1 2 1 2 1 2
# Repetir cada elemento
e <- rep(1:2, each = 3)
e
## [1] 1 1 1 2 2 2
# Vector de texto
f <- c("pera", "manzana", "kiwi", "fresa")
f
## [1] "pera"    "manzana" "kiwi"    "fresa"
# Otro vector
g <- c(1, 2, 3, 4, 5)
g
## [1] 1 2 3 4 5

OPERACIONES CON VECTORES

# Longitud del vector
longitud <- length(a)
longitud
## [1] 5
# Promedio
promedio <- mean(a)
promedio
## [1] 3
# Rango
rango <- max(a) - min(a)
rango
## [1] 4
# Resumen estadístico
resumen <- summary(a)
resumen
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##       1       2       3       3       4       5
# Ordenar de menor a mayor
orden_ascendente <- sort(a)
orden_ascendente
## [1] 1 2 3 4 5
# Ordenar de mayor a menor
orden_descendente <- sort(a, decreasing = TRUE)
orden_descendente
## [1] 5 4 3 2 1
# Sumar vectores
suma_vectores <- a + g
suma_vectores
## [1]  2  4  6  8 10

TIPOS DE DATOS

  • Character: palabras o texto.
  • Numeric: números.
  • Logical: TRUE o FALSE.
  • Factor: categorías o niveles.
# Para convertir a número
as.numeric("5")
## [1] 5

GRAFICAR

plot(
  a,
  g,
  main = "Ventas por mes",
  xlab = "Mes",
  ylab = "M USD",
  type = "b"
)

OPERADORES RELACIONALES

# Igual a
a == g
## [1] TRUE TRUE TRUE TRUE TRUE
# Diferente a
a != g
## [1] FALSE FALSE FALSE FALSE FALSE
# Mayor que
a > g
## [1] FALSE FALSE FALSE FALSE FALSE
# Menor que
a < g
## [1] FALSE FALSE FALSE FALSE FALSE
# Mayor o igual que
a >= g
## [1] TRUE TRUE TRUE TRUE TRUE
# Menor o igual que
a <= g
## [1] TRUE TRUE TRUE TRUE TRUE

CONDICIONALES

calificacion <- 71

if (calificacion >= 70) {
  print("Pasa")
} else {
  print("No Pasa")
}
## [1] "Pasa"

TABLA

tabla <- data.frame(a, g)
tabla
##   a g
## 1 1 1
## 2 2 2
## 3 3 3
## 4 4 4
## 5 5 5

EJERCICIO 1

Registrar nombre, peso y altura de alumnos.

nombre <- c("Marcelo", "Luis", "Santi", "Kamilah")

peso <- c(64, 80, 85, 57)

altura <- c(1.76, 1.84, 1.70, 1.77)

# Calcular IMC
imc <- peso / (altura^2)

imc
## [1] 20.66116 23.62949 29.41176 18.19401

CATEGORÍA DE IMC

categoria <- ifelse(
  imc < 18.5, "Bajo peso",
  ifelse(
    imc < 25, "Normal",
    ifelse(
      imc < 30, "Sobrepeso",
      "Obesidad"
    )
  )
)

TABLA FINAL

alumnos <- data.frame(
  nombre,
  peso,
  altura,
  imc,
  categoria
)

alumnos
##    nombre peso altura      imc categoria
## 1 Marcelo   64   1.76 20.66116    Normal
## 2    Luis   80   1.84 23.62949    Normal
## 3   Santi   85   1.70 29.41176 Sobrepeso
## 4 Kamilah   57   1.77 18.19401 Bajo peso
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