Examen UD7 (medio)

Duración estimada: 45 minutos. Lee con atención y marca la(s) respuesta(s) correcta(s). Algunas preguntas pueden tener más de una respuesta válida.

Instrucciones

Responde marcando la opción correcta (a, b, c, d). Puede haber más de una correcta: marca todas las que correspondan.
En las preguntas de código se pide elegir la(s) opción(es) correcta(s); debajo de cada pregunta se incluye la explicación para estudiar.

#

Pregunta 1

¿Cuál es la diferencia principal entre R y RStudio?

#

Pregunta 2

¿Qué operador se usa principalmente para asignar valores a variables en R?

#

Pregunta 3

¿Cuántos paneles principales tiene la interfaz de RStudio?

#

Pregunta 4

¿Qué función se usa para crear un vector en R?

#

Pregunta 5

Dado el código x <- c(10, 20, 30, 40, 50), ¿qué devuelve length(x)?

#

Pregunta 6

¿Cuál es el resultado de mean(c(2, 4, 6, 8))?

#

Pregunta 7

Dado estudiantes <- data.frame(nombre = c("Ana", "Bruno"), edad = c(20, 21)), ¿cómo accedemos a la columna "edad"?

#

Pregunta 8

¿Qué función muestra un resumen estadístico completo (mínimo, cuartiles, media, máximo)?

#

Pregunta 9

Dado notas <- c(7.5, 8.2, 9.1, 7.8), ¿qué devuelve notas[2]?

#

Pregunta 10

¿Qué comando se usa para instalar un paquete en R?

#

Pregunta 11

¿Cuál es el resultado de c(10, 20, 30) + 5?

#

Pregunta 12

Dado datos <- data.frame(x = 1:5, y = 6:10), ¿qué devuelve dim(datos)?

#

Pregunta 13

¿Qué operador lógico representa "Y" (AND) en R?

#

Pregunta 14

Dado x <- c(5, 10, 15, 20), ¿qué devuelve x[x > 10]?

#

Pregunta 15

¿Qué función se usa para leer un archivo CSV en R?

#

Pregunta 16

¿Cuál es el resultado de 1:5?

#

Pregunta 17

Dado estudiantes <- data.frame(nombre = c("Ana", "Bruno", "Carlos"), nota = c(8.5, 7.2, 9.1)), ¿qué devuelve estudiantes[estudiantes$nota >= 8, ]?

#

Pregunta 18

¿Qué función se usa para calcular la desviación estándar en R?

#

Pregunta 19

¿Cuál es el resultado de sum(c(TRUE, FALSE, TRUE, TRUE))?

#

Pregunta 20

¿Qué símbolo se usa en R para escribir comentarios en el código?

Los resultados del cuestionario se guardan en el almacenamiento local de tu navegador y persistirán entre sesiones.

Progreso del cuestionario

0 / 0 preguntas respondidas (0%)

0 correctas

Soluciones desarrolladas

Solución pregunta 1 — Diferencia R vs RStudio

Respuesta correcta: b) R es el lenguaje/intérprete y RStudio es la interfaz gráfica

Explicación completa:

R y RStudio son dos cosas diferentes pero complementarias:

R: Es el lenguaje de programación y el intérprete que ejecuta el código. Fue creado específicamente para estadística y análisis de datos. Es software libre y gratuito.
RStudio: Es un IDE (Integrated Development Environment) o entorno de desarrollo integrado. Es una interfaz gráfica que hace más fácil trabajar con R, proporcionando:
- Editor de código con colores y autocompletado
- Visualizador de variables en memoria
- Panel de gráficos
- Gestor de archivos
- Sistema de ayuda integrado

Analogía práctica: Es como la diferencia entre el motor de un coche (R) y el coche completo con su panel de control, volante y pantallas (RStudio). Puedes usar R directamente desde la terminal, pero RStudio hace la experiencia mucho más cómoda y productiva.

Instalación: Siempre debes instalar R primero y luego RStudio, ya que RStudio necesita encontrar R instalado para funcionar.

Solución pregunta 2 — Operador de asignación

Respuesta correcta: b) <- (aunque = también funciona)

Explicación completa:

En R, el operador preferido para asignación es <-:

# Forma recomendada
edad <- 25
nombre <- "Ana"

Aunque también funciona el operador =:

# Forma alternativa (menos común)
edad = 25

¿Por qué <- es preferido?

Tradición: Es la convención histórica en R
Claridad: Distingue claramente asignación de otros usos de =
Contexto: = se usa dentro de funciones para pasar argumentos:

mean(x, na.rm = TRUE)  # Aquí = asigna el argumento na.rm

Operadores que NO son asignación:

==: Comparación de igualdad
:=: No existe en R base
->: Asignación inversa (poco común)

Solución pregunta 3 — Paneles de RStudio

Respuesta correcta: c) 4 paneles

Explicación completa:

RStudio organiza su interfaz en 4 paneles principales:

┌──────────────────────────────────────────┐
│  [1] Editor de Scripts                   │
│  (escribes y guardas tu código aquí)     │
├──────────┬───────────────────────────────┤
│          │  [4] Gráficos / Archivos /    │
│  [2]     │      Paquetes / Ayuda         │
│ Entorno/ │                               │
│ Historial│                               │
│          │                               │
└──────────┴───────────────────────────────┘
│  [3] Consola (aquí ves los resultados)   │
└──────────────────────────────────────────┘

Detalle de cada panel:

Editor de Scripts (arriba izquierda): Donde escribes y guardas archivos .R
Entorno/Historial (arriba derecha):
Environment: Variables en memoria
History: Comandos ejecutados
Consola (abajo izquierda): Donde ejecutas comandos y ves resultados
Panel múltiple (abajo derecha):
Files: Explorador de archivos
Plots: Gráficos generados
Packages: Paquetes instalados
Help: Documentación

Solución pregunta 4 — Crear vectores

Respuesta correcta: b) c()

Explicación completa:

La función c() (combine) es la forma estándar de crear vectores en R:

# Vector de números
notas <- c(8.5, 7.2, 9.1, 8.9)

# Vector de texto
nombres <- c("Ana", "Bruno", "Carlos")

# Vector lógico
aprobados <- c(TRUE, TRUE, FALSE, TRUE)

Otras formas de crear vectores:

# Secuencias
numeros <- 1:10              # 1, 2, 3, ..., 10
pares <- seq(0, 20, by=2)    # 0, 2, 4, ..., 20

# Repeticiones
unos <- rep(1, 5)            # 1, 1, 1, 1, 1
patron <- rep(c(1,2), 3)     # 1, 2, 1, 2, 1, 2

¿Por qué no las otras opciones?

vector(): Crea un vector vacío de un tipo específico, pero no es la forma común
v(): No existe en R
array(): Crea arrays multidimensionales, no vectores simples

Solución pregunta 5 — Función length()

Respuesta correcta: b) [1] 5

Explicación completa:

Dado el código:

x <- c(10, 20, 30, 40, 50)
length(x)

La función length() devuelve el número de elementos del vector, no sus valores ni su suma.

Paso a paso:

x contiene 5 elementos: 10, 20, 30, 40, 50
length(x) cuenta cuántos elementos hay
Resultado: [1] 5

Otras funciones útiles:

sum(x)      # [1] 150  (suma de elementos)
mean(x)     # [1] 30   (media)
min(x)      # [1] 10   (mínimo)
max(x)      # [1] 50   (máximo)

El formato [1] en la salida:

El [1] que aparece al principio de la salida indica que es el primer (y único) elemento de la respuesta. Si hubiera más resultados, verías [2], [3], etc.

Solución pregunta 6 — Calcular media

Respuesta correcta: c) [1] 5

Explicación completa:

Dado el código:

mean(c(2, 4, 6, 8))

Cálculo paso a paso:

La media aritmética es la suma de todos los valores dividida por el número de valores:

\[ \text{Media} = \frac{\sum x_i}{n} = \frac{2 + 4 + 6 + 8}{4} = \frac{20}{4} = 5 \]

Verificación en R:

valores <- c(2, 4, 6, 8)

# Forma automática
mean(valores)  # [1] 5

# Forma manual
suma <- sum(valores)      # 20
cantidad <- length(valores)  # 4
media_manual <- suma / cantidad  # 5

Propiedades de la media:

Es sensible a valores extremos (outliers)
Coincide con la mediana en distribuciones simétricas
Para estos datos (2, 4, 6, 8), la secuencia es aritmética con diferencia 2

Solución pregunta 7 — Acceder a columnas de data frame

Respuesta correcta: a, b, c) Las tres primeras formas son correctas

Explicación completa:

Dado el data frame:

estudiantes <- data.frame(
  nombre = c("Ana", "Bruno"),
  edad = c(20, 21)
)

Formas válidas de acceder a la columna "edad":

1. Usando $ (más común):

estudiantes$edad
# [1] 20 21

2. Por nombre entre corchetes:

estudiantes[, "edad"]
# [1] 20 21

3. Por índice numérico:

estudiantes[, 2]  # "edad" es la segunda columna
# [1] 20 21

Forma incorrecta:

estudiantes->edad  # ERROR: sintaxis inválida

Comparación de métodos:

Método	Ventaja	Cuándo usar
`$`	Más legible y conciso	Acceso directo a columna
`[, "nombre"]`	Programación con nombres	Cuando el nombre varía
`[, índice]`	Útil en bucles	Iteración numérica

Solución pregunta 8 — Función summary()

Respuesta correcta: c) summary()

Explicación completa:

La función summary() proporciona un resumen estadístico completo:

notas <- c(7.5, 8.2, 9.1, 7.8, 8.5, 7.9)
summary(notas)

Salida:

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.
   7.50    7.80    8.15    8.17    8.43    9.10

Qué muestra summary():

Min.: Valor mínimo (7.50)
1st Qu.: Primer cuartil (25% de los datos están por debajo)
Median: Mediana (valor central)
Mean: Media aritmética
3rd Qu.: Tercer cuartil (75% de los datos están por debajo)
Max.: Valor máximo (9.10)

Comparación con otras funciones:

mean(notas)     # Solo la media: [1] 8.17
sd(notas)       # Solo desviación estándar
var(notas)      # Solo varianza

Para data frames:

summary(estudiantes)
# Muestra resumen de TODAS las columnas

Solución pregunta 9 — Indexación de vectores

Respuesta correcta: b) [1] 8.2

Explicación completa:

Dado el código:

notas <- c(7.5, 8.2, 9.1, 7.8)
notas[2]

Indexación en R:

R usa indexación base 1 (no como Python que empieza en 0):

Vector:  [ 7.5,  8.2,  9.1,  7.8 ]
Índice:  [  1,    2,    3,    4  ]

Por lo tanto, notas[2] accede al segundo elemento → 8.2

Ejemplos adicionales:

notas[1]      # [1] 7.5  (primer elemento)
notas[4]      # [1] 7.8  (cuarto elemento)
notas[1:3]    # [1] 7.5 8.2 9.1  (primeros tres)
notas[-2]     # [1] 7.5 9.1 7.8  (todos excepto el segundo)
notas[c(1,3)] # [1] 7.5 9.1  (primero y tercero)

Diferencia con otros lenguajes:

Lenguaje	Índice inicial	`notas[2]` devuelve
R	1	8.2 (segundo)
Python	0	9.1 (tercero)
MATLAB	1	8.2 (segundo)

Solución pregunta 10 — Instalar paquetes

Respuesta correcta: b) install.packages("paquete")

Explicación completa:

En R, los paquetes se gestionan en dos pasos:

1. Instalación (una sola vez):

install.packages("readxl")
install.packages("ggplot2")

2. Carga en cada sesión:

library(readxl)
library(ggplot2)

Diferencia entre funciones:

Función	Propósito	Frecuencia
`install.packages("pkg")`	Descarga e instala el paquete	Una vez
`library(pkg)`	Carga el paquete en la sesión actual	Cada sesión
`require(pkg)`	Similar a library, con advertencia	Ocasional

Ejemplo completo:

# Primera vez (instalar)
install.packages("readxl")

# Cada vez que inicias R (cargar)
library(readxl)

# Ahora puedes usar funciones del paquete
datos <- read_excel("archivo.xlsx")

Verificar paquetes instalados:

installed.packages()  # Lista todos
library()             # Paquetes disponibles

Solución pregunta 11 — Operaciones vectorizadas

Respuesta correcta: c) [1] 15 25 35

Explicación completa:

Dado el código:

c(10, 20, 30) + 5

R aplica operaciones con escalares elemento por elemento (operación vectorizada):

\[ \begin{aligned} [10, 20, 30] + 5 &= [10+5, 20+5, 30+5] \\ &= [15, 25, 35] \end{aligned} \]

Más ejemplos de vectorización:

# Multiplicación
c(10, 20, 30) * 2
# [1] 20 40 60

# División
c(10, 20, 30) / 10
# [1] 1 2 3

# Potencia
c(2, 3, 4) ^ 2
# [1] 4 9 16

# Raíz cuadrada
sqrt(c(4, 9, 16))
# [1] 2 3 4

Operaciones entre vectores del mismo tamaño:

x <- c(10, 20, 30)
y <- c(2, 4, 5)

x + y    # [1] 12 24 35
x * y    # [1] 20 80 150
x / y    # [1] 5 5 6

Ventaja: No necesitas bucles; R lo hace automáticamente.

Solución pregunta 12 — Función dim()

Respuesta correcta: b) [1] 5 2

Explicación completa:

Dado el código:

datos <- data.frame(x = 1:5, y = 6:10)
dim(datos)

Estructura del data frame:

La función dim() devuelve las dimensiones en formato [filas, columnas]:

Filas: 5 (observaciones del 1 al 5)
Columnas: 2 (variables x e y)
Resultado: [1] 5 2

Funciones relacionadas:

nrow(datos)    # [1] 5  (número de filas)
ncol(datos)    # [1] 2  (número de columnas)
length(datos)  # [1] 2  (número de columnas, igual que ncol)
dim(datos)[1]  # [1] 5  (extraer solo filas)
dim(datos)[2]  # [1] 2  (extraer solo columnas)

Uso práctico:

# Verificar si un dataset está vacío
if(nrow(datos) == 0) {
  print("Dataset vacío")
}

# Última fila
datos[nrow(datos), ]

Solución pregunta 13 — Operador AND lógico

Respuesta correcta: b) &

Explicación completa:

En R, el operador lógico AND se representa con &:

# Comparaciones simples
5 > 3 & 10 < 20   # TRUE (ambas son verdaderas)
5 > 3 & 10 > 20   # FALSE (la segunda es falsa)

Operadores lógicos en R:

Operador	Significado	Ejemplo	Resultado
`&`	AND	`TRUE & TRUE`	TRUE
`\\|`	OR	`TRUE \\| FALSE`	TRUE
`!`	NOT	`!TRUE`	FALSE
`&&`	AND escalar	`5 > 3 && 10 < 20`	TRUE
`\\|\\|`	OR escalar	`5 > 3 \\|\\| 10 > 20`	TRUE

Diferencia & vs &&:

# & es vectorizado (compara elemento por elemento)
c(TRUE, FALSE) & c(TRUE, TRUE)
# [1] TRUE FALSE

# && solo evalúa el primer elemento
c(TRUE, FALSE) && c(TRUE, TRUE)
# [1] TRUE

Ejemplo práctico con filtrado:

notas <- c(7.5, 8.2, 9.1, 7.8)
edad <- c(20, 21, 20, 22)

# Notas >= 8 Y edad > 20
notas >= 8 & edad > 20
# [1] FALSE  TRUE  FALSE  TRUE

Solución pregunta 14 — Filtrado de vectores

Respuesta correcta: c) [1] 15 20

Explicación completa:

Dado el código:

x <- c(5, 10, 15, 20)
x[x > 10]

Paso a paso:

Condición: x > 10 evalúa cada elemento
```
x > 10
# [1] FALSE FALSE  TRUE  TRUE
```

Filtrado: Se seleccionan solo los elementos donde la condición es TRUE

Vector:     [ 5,  10,  15,  20 ]
Condición:  [ F,   F,   T,   T ]
Resultado:  [         15,  20 ]

Resultado final: [1] 15 20

Más ejemplos de filtrado:

x <- c(5, 10, 15, 20)

# Valores >= 10
x[x >= 10]       # [1] 10 15 20

# Valores entre 8 y 18
x[x > 8 & x < 18]  # [1] 10 15

# Valores menores que 10 O mayores que 18
x[x < 10 | x > 18]  # [1] 5 20

# Valores diferentes de 10
x[x != 10]       # [1] 5 15 20

Contar elementos que cumplen:

sum(x > 10)      # [1] 2  (cuántos son > 10)

Solución pregunta 15 — Leer archivos CSV

Respuesta correcta: a) read.csv()

Explicación completa:

La función read.csv() es la estándar en R para leer archivos CSV:

Uso básico:

# Leer archivo CSV
datos <- read.csv("archivo.csv")

# Ver las primeras filas
head(datos)

Parámetros comunes:

# CSV con punto y coma (formato europeo)
datos <- read.csv("archivo.csv", sep=";")

# CSV sin encabezados
datos <- read.csv("archivo.csv", header=FALSE)

# Especificar decimales con coma
datos <- read.csv("archivo.csv", sep=";", dec=",")

# Ignorar comillas
datos <- read.csv("archivo.csv", quote="")

Otras funciones para importar datos:

Función	Archivo	Paquete necesario
`read.csv()`	CSV	base (incluido)
`read.table()`	Tablas genéricas	base
`read_excel()`	Excel (.xlsx)	readxl
`read.spss()`	SPSS	foreign

Ejemplo completo:

# Leer
estudiantes <- read.csv("notas.csv")

# Explorar
str(estudiantes)
summary(estudiantes)
head(estudiantes)

Solución pregunta 16 — Secuencias con :

Respuesta correcta: c) [1] 1 2 3 4 5

Explicación completa:

El operador : crea una secuencia de enteros consecutivos:

1:5
# [1] 1 2 3 4 5

Más ejemplos:

# Secuencia del 1 al 10
1:10
# [1] 1 2 3 4 5 6 7 8 9 10

# Secuencia del 5 al 10
5:10
# [1] 5 6 7 8 9 10

# Secuencia descendente
5:1
# [1] 5 4 3 2 1

# Secuencia negativa
-3:2
# [1] -3 -2 -1  0  1  2

Uso práctico:

# Crear índices
indices <- 1:100

# Seleccionar primeras 5 filas
datos[1:5, ]

# Crear columnas en data frame
df <- data.frame(id = 1:10, valor = rnorm(10))

Diferencia con seq():

# : solo crea secuencias de paso 1
1:10

# seq() permite paso personalizado
seq(1, 10, by=2)    # [1] 1 3 5 7 9
seq(0, 1, by=0.1)   # Secuencia con decimales

Solución pregunta 17 — Filtrado de data frames

Respuesta correcta: b) Las filas de Ana y Carlos

Explicación completa:

Dado el código:

estudiantes <- data.frame(
  nombre = c("Ana", "Bruno", "Carlos"),
  nota = c(8.5, 7.2, 9.1)
)

estudiantes[estudiantes$nota >= 8, ]

Paso a paso:

Condición: estudiantes$nota >= 8 evalúa cada fila

estudiantes$nota >= 8
# [1]  TRUE FALSE  TRUE

Aplicación:

Fila 1: Ana    (8.5 >= 8) → TRUE  → SE INCLUYE
Fila 2: Bruno  (7.2 >= 8) → FALSE → NO se incluye
Fila 3: Carlos (9.1 >= 8) → TRUE  → SE INCLUYE

Resultado:

  nombre nota
1    Ana  8.5
3 Carlos  9.1

Formas alternativas (más legibles):

# Usando subset()
subset(estudiantes, nota >= 8)

# Mostrar solo el nombre
subset(estudiantes, nota >= 8, select = "nombre")
#   nombre
# 1    Ana
# 3 Carlos

# Contar cuántos tienen nota >= 8
sum(estudiantes$nota >= 8)
# [1] 2

Filtros múltiples:

# Nota >= 8 Y nombre empieza con "A"
estudiantes[estudiantes$nota >= 8 &
            grepl("^A", estudiantes$nombre), ]

Solución pregunta 18 — Función sd()

Respuesta correcta: b) sd()

Explicación completa:

La función sd() (Standard Deviation) calcula la desviación estándar en R:

notas <- c(7.5, 8.2, 9.1, 7.8, 8.5)
sd(notas)
# [1] 0.6221...

Fórmula de la desviación estándar muestral:

\[ s = \sqrt{\frac{1}{n-1} \sum_{i=1}^{n} (x_i - \bar{x})^2} \]

Cálculo manual en R:

notas <- c(7.5, 8.2, 9.1, 7.8, 8.5)

# Paso 1: Media
media <- mean(notas)  # 8.22

# Paso 2: Diferencias al cuadrado
diferencias_cuadrado <- (notas - media)^2

# Paso 3: Suma y división
varianza <- sum(diferencias_cuadrado) / (length(notas) - 1)

# Paso 4: Raíz cuadrada
desv_manual <- sqrt(varianza)  # Igual que sd(notas)

Funciones relacionadas:

var(notas)   # Varianza (s²)
sd(notas)    # Desviación estándar (s)
IQR(notas)   # Rango intercuartílico
mad(notas)   # Desviación absoluta mediana

Interpretación:

Una desviación estándar alta indica datos muy dispersos; una baja indica datos concentrados cerca de la media.

Solución pregunta 19 — Lógicos como números

Respuesta correcta: c) [1] 3

Explicación completa:

Dado el código:

sum(c(TRUE, FALSE, TRUE, TRUE))

En R, los valores lógicos se convierten automáticamente a números en contextos numéricos:

TRUE → 1
FALSE → 0

Conversión paso a paso:

\[ \begin{aligned} \text{sum}(TRUE, FALSE, TRUE, TRUE) &= \text{sum}(1, 0, 1, 1) \\ &= 1 + 0 + 1 + 1 \\ &= 3 \end{aligned} \]

Uso práctico: Contar elementos que cumplen una condición

notas <- c(7.5, 8.2, 9.1, 7.8, 8.5)

# ¿Cuántas notas son >= 8?
sum(notas >= 8)
# [1] 3

# Desglose:
notas >= 8
# [1] FALSE  TRUE  TRUE FALSE  TRUE
# Convertido a números: 0 + 1 + 1 + 0 + 1 = 3

Más ejemplos:

# Proporción de notas >= 8
mean(notas >= 8)    # [1] 0.6 (60%)

# Todas las notas son >= 7?
all(notas >= 7)     # [1] TRUE

# Alguna nota es >= 9?
any(notas >= 9)     # [1] TRUE

Conversión explícita:

as.numeric(TRUE)    # [1] 1
as.numeric(FALSE)   # [1] 0
as.logical(1)       # [1] TRUE
as.logical(0)       # [1] FALSE

Solución pregunta 20 — Comentarios en R

Respuesta correcta: b) #

Explicación completa:

El símbolo # se usa para escribir comentarios en R:

# Este es un comentario
edad <- 25  # Comentario al final de la línea

# Los comentarios son ignorados por R
# Útiles para documentar tu código

Características:

Todo lo que sigue a # en la misma línea es ignorado por el intérprete
Se pueden poner al inicio de una línea o al final
Son esenciales para documentar tu código

Buenas prácticas:

# ==========================================
# Análisis de Notas de Estudiantes
# Autor: Tu Nombre
# Fecha: 15 de enero de 2026
# ==========================================

# Cargar datos
notas <- c(7.5, 8.2, 9.1, 7.8, 8.5)

# Calcular estadísticos básicos
media <- mean(notas)      # Media aritmética
desv <- sd(notas)         # Desviación estándar

# Filtrar notas aprobadas (>= 5)
aprobados <- notas[notas >= 5]

# Mostrar resultados
print(paste("Media:", media))

Diferencia con otros lenguajes:

Lenguaje	Comentario línea	Comentario bloque
R	`#`	No hay nativo
Python	`#`	`''' '''` o `""" """`
JavaScript	`//`	`/* */`
C/C++	`//`	`/* */`

Nota: R no tiene comentarios multi-línea nativos, pero puedes usar varios #:

# Este es un comentario
# que ocupa varias
# líneas

Examen UD7 (medio)

Pregunta 1

Pregunta 2

Pregunta 3

Pregunta 4

Pregunta 5

Pregunta 6

Pregunta 7

Pregunta 8

Pregunta 9

Pregunta 10

Pregunta 11

Pregunta 12

Pregunta 13

Pregunta 14

Pregunta 15

Pregunta 16

Pregunta 17

Pregunta 18

Pregunta 19

Pregunta 20

Progreso del cuestionario

¡Cuestionario completado!

Soluciones desarrolladas