Semana 2

Semana 2. Este espacio(notebook) se denomina chunk

Las observaciones siempre se usan en las filas y columnas variables y factores Para cargar archivos:

variable<- read.csv(“archivo.csv”, sep=., header= “True”, dec=““, rownames=”“) La funcion getwd()indica cual es la dirección de trabajo actual

Practica, cargar base de datos

library(readr)
library(readr)
PRACTICA01_DESCRIPTIVA <- read_delim("base de datos/PRACTICA01-DESCRIPTIVA.csv",
    delim = ";", escape_double = FALSE, trim_ws = TRUE)

New names:Rows: 24 Columns: 7── Column specification ───────────────────────────────────────────────────
Delimiter: ";"
chr (2): CEDULA_SINGUIONES, GENERO
dbl (5): ...1, PESO, TIEMPO_ESTUDIO, TIEMPO_SUENO, TIEMPO_TRANSPORTE
ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

library(readr)
PRACTICA01_DESCRIPTIVA <- read_delim("base de datos/PRACTICA01-DESCRIPTIVA.csv",
    delim = ";", escape_double = FALSE, trim_ws = TRUE)

New names:Rows: 24 Columns: 7── Column specification ───────────────────────────────────────────────────
Delimiter: ";"
chr (2): CEDULA_SINGUIONES, GENERO
dbl (5): ...1, PESO, TIEMPO_ESTUDIO, TIEMPO_SUENO, TIEMPO_TRANSPORTE
ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

PRACTICA01_DESCRIPTIVA<-na.omit(PRACTICA01_DESCRIPTIVA)

Estadistica de datos Media: mean() Moda: mode(Cargar libreria modeest) mediana: median Media, moda y mediana tienden a ser muy parecidos en una distribucion normal

mean(PRACTICA01_DESCRIPTIVA$PESO)
median(PRACTICA01_DESCRIPTIVA$PESO)
min(PRACTICA01_DESCRIPTIVA$PESO)
max(PRACTICA01_DESCRIPTIVA$PESO)
summary(peso)
sd(peso)
var(peso)
range(peso)

Clase de miercoles 8 de marzo

Fundamentos de un problema estadistico: 1.Definir la pregunta acerca de la poblacion 2.Procedimiento de muestreo o diseño de experimento 3.Recoleccion y analisis de datos 4.Inferir acerca de la poblacion mediante probabilidad

Tipos de estadistica: Descriptiva : Se usa para conocer caracteristicas y analizando la serie de datos. Inferencia estadistica: Se obtienen conclusiones a partir de los datos.

Conceptos de importancia: *** Poblacion: Conjunto de todos los posibles elementos que intervienen. Conjunto de elementos que cumplen ciertas propiedades comunes.Puede ser finita o infinita.

*** Variables estadisticas: Toma valores de un conjunto determinado por un dato. Para que una variable se considere un dato estadistico debe de tener dos caracteristicas: Que sean comparables entre si y que tengan una buena relacion. Tipos de variables: Cualitativas ordinales: Clasifica objetos (muy usado en salud) Cualitativas: Califican y clasifican datos Cuantitativas: Comprende cantidades numericas, medir mangnitudes continuas. Toma cualquier valor en una escala de medidas (entero o fraccionario). Cuantitativa discreta: Asumen ciertos valores (enteros, integer) Cuantitativa continua: Asume cualquier valor (decimales, numeric)

***Muestra: Conjunto de medidas tomadas a partir de una poblacion dada. Es un subconjunto de la poblacion n.  Se usa cuando: La poblacion es infinita o muy grande La poblacion es finita pero lo suficientemente grande/costoso y tomaria mucho tiempo. La unidad de estudio se trasforma o se destruye al ser examinada. Los resultados que arrojarian muestran bien seleccionada, de tamaños razonables, serian muy precisos.

***Distribucion de frecuencias: Indica cuantas veces se observa cada categoria. Categoriza y clasifica a partir de limites. Criterios de construccion Regla de sturges

library(fdth)

data("CO2")
str(CO2)
uptake<-CO2$uptake

tf_uptake<-fdt(uptake)#Predeterminado por sturges
tf_uptake1<-fdt(uptake,breaks=c('Sturges'))
tf_uptake2<-fdt(uptake,breaks=c('Scott'))
mean(uptake)
hist(uptake)
sort(uptake)
plot(tf_uptake, type= "cfh",main="Co2", col="Green")

Distribucion normal

x=seq(5,5,length= 100)
y=dnorm(x)
plot(x,y,type="l",lwd=2, col="red")

Distribucion continua mas importante, forma de campana. Campana de Gauss es asintota. Para calcular la probablidad de un evento se resta dos intervalos especificos, punto donde inicia y donde termina la desviacion estandar, sabiendo la media. Esto para distribucion normal

(pnorm(1,mean=0,sd=1)-pnorm(-1,mean=0,sd=1))*100
(pnorm(1,mean=23,sd=2.3)-pnorm(-1,mean=23,sd=2.3))*100

Formulacion de hipotesis: Siempre hay hipotesis nula e hipotesis alternativa.

Ejemplo: Jaguar, cantidad de avistamiento en dos sitios, san juan la selva y braulio carrillo.

H0:Son iguales h1:No son iguales

Ejercicio: h0: peso masculino es mayor al femenino h1: peso femenino es mayor o igual al masculino

dos poblaciones: tstudent mu se usa para solo una poblacion

shapiro.test(femenino)

    Shapiro-Wilk normality test

data:  femenino
W = 0.93727, p-value = 0.523

Se acepta h0:El peso masculino es mayor.

Normalidad de los datos se determina con shapiro.test(x)

Ejercicio ¿Peso de la poblacion son iguales a 65 kg que es el historico del curso? h0:mu=65 h1:mu no desigual 65

shapiro.test(peso)
t.test(mu=65,alternative="two.sided",peso)

Como el resultado de p-value es de 0.7268, se acepta h0,por lo tanto el peso de la poblacion de estadistica es igual a 65 (t= 0.35388, df=22)