Ejercicios prácticos

🎯 Objetivo

Practicar los comandos básicos de R mediante ejercicios resueltos paso a paso.

Ejercicio 1: Variables y Operaciones Básicas

📌 Enunciado

Crea variables para almacenar datos personales de un estudiante y realiza operaciones básicas:

Crea una variable con el nombre del estudiante
Crea una variable con la edad
Crea una variable con la altura en metros
Calcula cuántos años tendrá en 5 años
Calcula la altura en centímetros
Escribe un mensaje mostrando toda la información

✅ Solución

Solución Ejercicio 1

# Variables básicas
nombre <- "Juan"
edad <- 20
altura <- 1.75

# Cálculos
edad_futura <- edad + 5
altura_cm <- altura * 100

# Mostrar resultados
print(nombre)
print(edad)
print(altura)
print(edad_futura)    # Resultado: [1] 25
print(altura_cm)      # Resultado: [1] 175

# Mensaje completo
paste("El estudiante", nombre, "tiene", edad, "años y mide", altura, "metros")
# Resultado: [1] "El estudiante Juan tiene 20 años y mide 1.75 metros"

Explicación: - paste() combina texto y variables en una cadena - Las operaciones edad + 5 y altura * 100 se realizan directamente - print() muestra el resultado en consola

Ejercicio 2: Vectores y Estadísticas

📌 Enunciado

Un profesor tiene las notas de 6 estudiantes: 8.5, 7.2, 9.1, 8.9, 7.5, 8.3

Crea un vector con las notas
Calcula la media, mediana, desviación estándar y varianza
Encuentra el valor máximo y mínimo
Calcula cuántos puntos están por encima de 8.5
Calcula el rango (diferencia entre máximo y mínimo)

✅ Solución

Solución Ejercicio 2

# Crear vector de notas
notas <- c(8.5, 7.2, 9.1, 8.9, 7.5, 8.3)

# Estadísticas
media <- mean(notas)           # [1] 8.25
mediana <- median(notas)       # [1] 8.4
desv_est <- sd(notas)          # [1] 0.7371
varianza <- var(notas)         # [1] 0.5433

# Mínimo y máximo
minimo <- min(notas)           # [1] 7.2
maximo <- max(notas)           # [1] 9.1

# Notas por encima de 8.5
notas_altas <- sum(notas > 8.5)  # [1] 3 (8.9, 9.1, 8.5)

# Rango
rango <- max(notas) - min(notas)  # [1] 1.9

# Mostrar todos los resultados
print(paste("Media:", media))
print(paste("Mediana:", mediana))
print(paste("Desviación estándar:", desv_est))
print(paste("Varianza:", varianza))
print(paste("Rango:", rango))

Explicación: - notas > 8.5 devuelve un vector de TRUE/FALSE - sum() cuenta los TRUE como 1 y los FALSE como 0 - sd() y var() son funciones estadísticas clave

✨ Comparación en vectores

Cuando escribes notas > 8.5, R compara cada elemento:

8.5 > 8.5 → FALSE
7.2 > 8.5 → FALSE
9.1 > 8.5 → TRUE
8.9 > 8.5 → TRUE
7.5 > 8.5 → FALSE
8.3 > 8.5 → FALSE

Ejercicio 3: Trabajar con Data Frames

📌 Enunciado

Tienes datos de una encuesta con 5 personas:

Nombre	Edad	Ingresos (€)
Ana	25	2000
Bruno	32	2500
Carlos	28	2300
Diana	35	3000
Elena	24	1800

Crea un data frame con estos datos
Accede a los ingresos de Bruno
Calcula la edad promedio
Calcula los ingresos totales
Encuentra quién tiene más ingresos
Crea una nueva columna con impuestos (20% de ingresos)

✅ Solución

Solución Ejercicio 3

# Crear el data frame
encuesta <- data.frame(
  nombre = c("Ana", "Bruno", "Carlos", "Diana", "Elena"),
  edad = c(25, 32, 28, 35, 24),
  ingresos = c(2000, 2500, 2300, 3000, 1800)
)

# Ver el data frame
encuesta

# Acceder a los ingresos de Bruno (fila 2, columna 3)
bruno_ingresos <- encuesta[2, 3]  # [1] 2500

# O usando el nombre de la columna
bruno_ingresos <- encuesta$ingresos[2]  # [1] 2500

# Edad promedio
edad_prom <- mean(encuesta$edad)  # [1] 28.8

# Ingresos totales
ingresos_totales <- sum(encuesta$ingresos)  # [1] 11600

# Quién tiene más ingresos
max_ingresos <- max(encuesta$ingresos)  # [1] 3000
persona_max <- encuesta$nombre[encuesta$ingresos == max_ingresos]  # [1] "Diana"

# Crear nueva columna con impuestos (20%)
encuesta$impuestos <- encuesta$ingresos * 0.20

# Ver el data frame con la nueva columna
encuesta

Salida esperada:

  nombre edad ingresos impuestos
1    Ana   25     2000       400
2  Bruno   32     2500       500
3 Carlos   28     2300       460
4  Diana   35     3000       600
5  Elena   24     1800       360

💡 Adicionar columnas

Cuando haces encuesta$impuestos <- ..., R crea automáticamente una nueva columna si no existe.

Ejercicio 4: Filtrado de Datos

📌 Enunciado

Usando el data frame del Ejercicio 3 (encuesta):

Filtra las personas mayores de 28 años
Filtra las personas con ingresos superiores a 2200€
Filtra personas que sean mayores de 25 años Y tengan ingresos > 2300€
Cuenta cuántas personas cumplen la condición anterior

✅ Solución

Solución Ejercicio 4

# Usando el data frame del ejercicio anterior
encuesta <- data.frame(
  nombre = c("Ana", "Bruno", "Carlos", "Diana", "Elena"),
  edad = c(25, 32, 28, 35, 24),
  ingresos = c(2000, 2500, 2300, 3000, 1800)
)

# 1. Personas mayores de 28 años
mayores_28 <- encuesta[encuesta$edad > 28, ]
mayores_28
# Resultado: Bruno (32), Diana (35)

# 2. Personas con ingresos > 2200€
altos_ingresos <- encuesta[encuesta$ingresos > 2200, ]
altos_ingresos
# Resultado: Bruno, Carlos, Diana

# 3. Mayores de 25 años Y ingresos > 2300€
criterios <- encuesta$edad > 25 & encuesta$ingresos > 2300
filtrado <- encuesta[criterios, ]
filtrado
# Resultado: Bruno (32, 2500), Diana (35, 3000)

# 4. Contar cuántas cumplen (edad > 25 & ingresos > 2300)
cantidad <- sum(encuesta$edad > 25 & encuesta$ingresos > 2300)
print(cantidad)  # [1] 2

Explicación: - & significa AND (ambas condiciones deben ser verdaderas) - | significaría OR (al menos una condición verdadera) - [fila, ] devuelve todas las columnas de las filas que cumplen la condición

Ejercicio 5: Función `summary()` y Exploración de Datos

📌 Enunciado

Crea un dataset con las calificaciones de 10 estudiantes en 3 asignaturas:

Asignatura 1: 7.5, 8.2, 9.0, 7.1, 8.5, 6.9, 8.8, 7.3, 9.2, 8.1
Asignatura 2: 8.0, 7.8, 8.9, 7.5, 8.2, 7.1, 9.1, 7.9, 9.0, 8.3
Asignatura 3: 6.8, 7.5, 8.5, 6.9, 7.8, 6.5, 8.7, 7.1, 8.8, 7.9
Crea un data frame calificaciones
Calcula la media de cada asignatura
Usa summary() para obtener un resumen completo
Encuentra quién (fila) tiene la nota más baja en Asignatura 1
Calcula el promedio de cada estudiante (media de sus 3 asignaturas)

✅ Solución

Solución Ejercicio 5

# Crear el data frame
calificaciones <- data.frame(
  Asignatura1 = c(7.5, 8.2, 9.0, 7.1, 8.5, 6.9, 8.8, 7.3, 9.2, 8.1),
  Asignatura2 = c(8.0, 7.8, 8.9, 7.5, 8.2, 7.1, 9.1, 7.9, 9.0, 8.3),
  Asignatura3 = c(6.8, 7.5, 8.5, 6.9, 7.8, 6.5, 8.7, 7.1, 8.8, 7.9)
)

# Ver las primeras filas
head(calificaciones)

# 1. Media de cada asignatura
media_as1 <- mean(calificaciones$Asignatura1)  # [1] 8.06
media_as2 <- mean(calificaciones$Asignatura2)  # [1] 8.18
media_as3 <- mean(calificaciones$Asignatura3)  # [1] 7.75

print(paste("Media Asignatura 1:", media_as1))
print(paste("Media Asignatura 2:", media_as2))
print(paste("Media Asignatura 3:", media_as3))

# 2. Resumen completo
summary(calificaciones)

# 3. Nota más baja en Asignatura 1
min_as1 <- min(calificaciones$Asignatura1)  # [1] 6.9
estudiante_min <- which.min(calificaciones$Asignatura1)  # [1] 6
print(paste("Nota más baja:", min_as1, "- Estudiante número:", estudiante_min))

# 4. Promedio de cada estudiante
calificaciones$promedio <- (calificaciones$Asignatura1 +
                            calificaciones$Asignatura2 +
                            calificaciones$Asignatura3) / 3

# O usando rowMeans (más elegante)
calificaciones$promedio <- rowMeans(calificaciones[, 1:3])

# Ver resultados
calificaciones

Salida de summary():

 Asignatura1   Asignatura2   Asignatura3
 Min.   :6.90   Min.   :7.10   Min.   :6.50
 1st Qu.:7.70   1st Qu.:7.75   1st Qu.:7.00
 Median :8.15   Median :8.15   Median :7.75
 Mean   :8.06   Mean   :8.18   Mean   :7.75
 3rd Qu.:8.45   3rd Qu.:8.65   3rd Qu.:8.35
 Max.   :9.20   Max.   :9.10   Max.   :8.80

✨ Función which.min()

which.min() devuelve el índice (posición) del valor mínimo, no el valor mismo.

Ejercicio 6: Combinación de Funciones

📌 Enunciado

Tienes una lista de temperaturas diarias en grados Celsius durante una semana:

Temperaturas: 18.5, 19.2, 20.1, 19.8, 21.5, 22.0, 20.5

Crea un vector con las temperaturas
Calcula media, máximo, mínimo
Convierte a Fahrenheit (F = C × 9/5 + 32)
Calcula la desviación estándar de las temperaturas en Fahrenheit
Crea un vector que indique cuándo la temperatura fue superior al promedio

✅ Solución

Solución Ejercicio 6

# Crear vector de temperaturas en Celsius
temp_c <- c(18.5, 19.2, 20.1, 19.8, 21.5, 22.0, 20.5)

# 1. Estadísticas en Celsius
media_c <- mean(temp_c)        # [1] 20.23
max_c <- max(temp_c)           # [1] 22
min_c <- min(temp_c)           # [1] 18.5

print(paste("Media:", media_c, "°C"))
print(paste("Máximo:", max_c, "°C"))
print(paste("Mínimo:", min_c, "°C"))

# 2. Convertir a Fahrenheit
temp_f <- temp_c * 9/5 + 32
temp_f  # [1] 65.30 66.56 68.18 67.64 70.70 71.60 68.90

# 3. Desviación estándar en Fahrenheit
desv_f <- sd(temp_f)  # [1] 1.944

print(paste("Desviación estándar en Fahrenheit:", desv_f))

# 4. Temperaturas superiores al promedio
por_encima <- temp_c > media_c
por_encima  # [1] FALSE FALSE FALSE FALSE  TRUE  TRUE  TRUE

# Contar cuántas días superaron el promedio
dias_superior <- sum(por_encima)  # [1] 3

print(paste("Días con temperatura superior al promedio:", dias_superior))

# Crear un resumen completo
resumen <- data.frame(
  dia = 1:7,
  temp_c = temp_c,
  temp_f = round(temp_f, 2),
  superior_promedio = por_encima
)

resumen

Salida esperada:

  dia temp_c temp_f superior_promedio
1   1   18.5  65.30            FALSE
2   2   19.2  66.56            FALSE
3   3   20.1  68.18            FALSE
4   4   19.8  67.64            FALSE
5   5   21.5  70.70             TRUE
6   6   22.0  71.60             TRUE
7   7   20.5  68.90             TRUE

💡 round()

round(temp_f, 2) redondea a 2 decimales. Es útil para presentar resultados limpios.

💡 Consejos Finales

Practica en RStudio: Copia el código en el editor y ejecuta línea por línea
Experimenta: Cambia los datos y ve qué sucede
Usa la ayuda: Escribe ?mean en la consola para ver la documentación de una función
Combina funciones: Puedes anidar funciones, p.ej. mean(c(1, 2, 3, 4))
Comenta tu código: # comentario es tu amigo para recordar qué haces

📚 Enlaces relacionados

Anterior: Comandos Básicos
Complementario: Comandos Avanzados

Ejercicios prácticos

🎯 Objetivo

Ejercicio 1: Variables y Operaciones Básicas

📌 Enunciado

✅ Solución

Ejercicio 2: Vectores y Estadísticas

📌 Enunciado

✅ Solución

Ejercicio 3: Trabajar con Data Frames

📌 Enunciado

✅ Solución

Ejercicio 4: Filtrado de Datos

📌 Enunciado

✅ Solución

Ejercicio 5: Función summary() y Exploración de Datos

📌 Enunciado

✅ Solución

Ejercicio 6: Combinación de Funciones

📌 Enunciado

✅ Solución

💡 Consejos Finales

📚 Enlaces relacionados

Ejercicio 5: Función `summary()` y Exploración de Datos