Código
library(ggplot2)
library(lattice)
library(vembedr)
library(knitr)
library(kableExtra)
library(agricolae)
library(dplyr)Librerias
Punto 1
Clasifica las siguientes variables como cualitativas o cuantitativas, y a estas últimas como continuas o discretas:
Código
Variables <- c("Intención de voto de un colectivo",
"Nº de cartas que se escriben en un mes",
"Número de calzado",
"Nº de Km. recorrido en un fin de semana",
"Marcas de cerveza",
"Nº de empleados de una empresa",
"Altura",
"Temperatura de un enfermo")
Clasificación <- c("Variable cualitativa nominal",
"Variable cuantitativa discreta y razón",
"Variable cualitativa ordinal",
"Variable cuantitativa continua y razón",
"Variable cualitativa nominal",
"Variable cuantitativa discreta y razón",
"Variable cuantitativa continua y razón",
"Variable cuantitativa continua y en intervalo"
)
Punto1 <- data.frame("Variables"= Variables,
"Clasificación"= Clasificación )
kable(Punto1) %>%
kable_styling(bootstrap_options = "striped",
full_width = F,
position = "left")| Variables | Clasificación |
|---|---|
| Intención de voto de un colectivo | Variable cualitativa nominal |
| Nº de cartas que se escriben en un mes | Variable cuantitativa discreta y razón |
| Número de calzado | Variable cualitativa ordinal |
| Nº de Km. recorrido en un fin de semana | Variable cuantitativa continua y razón |
| Marcas de cerveza | Variable cualitativa nominal |
| Nº de empleados de una empresa | Variable cuantitativa discreta y razón |
| Altura | Variable cuantitativa continua y razón |
| Temperatura de un enfermo | Variable cuantitativa continua y en intervalo |
Punto 2
Muchas de las personas que invierten en bolsa lo hacen para conseguir beneficios rápidos, por ello el tiempo en que mantienen las acciones es relativamente breve. Preguntada una muestra de 40 inversores habituales sobre el tiempo en meses que han mantenido sus últimas inversiones se recogieron los siguientes datos:
Código
Vector2 <- c(10.5,11.2, 9.9, 15, 11.4, 12.7, 16.5, 10.1, 12.7,
11.4, 11.6, 6.2, 7.9, 8.3, 10.9, 8.1, 3.8, 10.5, 11.7, 8.4,
12.5, 11.2, 9.1, 10.4, 9.1, 13.4, 12.3, 5.9, 11.4, 8.8,
7.4, 8.6, 13.6, 14.7, 11.5, 11.5, 10.9, 9.8, 12.9, 9.9)
Punto2 <- matrix(Vector2,nrow=4, ncol=10)
kable(Punto2) %>%
kable_styling(bootstrap_options = "striped",
full_width = F,
position = "center")| 10.5 | 11.4 | 12.7 | 7.9 | 3.8 | 12.5 | 9.1 | 11.4 | 13.6 | 10.9 |
| 11.2 | 12.7 | 11.4 | 8.3 | 10.5 | 11.2 | 13.4 | 8.8 | 14.7 | 9.8 |
| 9.9 | 16.5 | 11.6 | 10.9 | 11.7 | 9.1 | 12.3 | 7.4 | 11.5 | 12.9 |
| 15.0 | 10.1 | 6.2 | 8.1 | 8.4 | 10.4 | 5.9 | 8.6 | 11.5 | 9.9 |
Construye una tabla de frecuencias que recoja adecuadamente esta información, y haz también alguna representación gráfica.
Código
caracteristicas <- c("Población",
"Muestra",
"Objetivos de estudio",
"Variables",
"Tipo de variable sgún su naturaleza",
"Tipo de variable su escala de medición")
caracteristicas_punto_2 <- data.frame("Caracteristicas" = caracteristicas,
"Información"= c("El tiempo (meses) que las personas han mantenido sus ultimas inversiones en la bolsa.",
"El tiempo (meses) que 40 inversores han mantenido sus ultimas inversiones en las bolsa.",
"Los 40 inversores",
"El tiempo (meses).",
"Variable Cuantitativa Continua",
"Razón"))
kable(caracteristicas_punto_2) %>%
kable_styling(bootstrap_options = "striped",
full_width = F,
position = "center")| Caracteristicas | Información |
|---|---|
| Población | El tiempo (meses) que las personas han mantenido sus ultimas inversiones en la bolsa. |
| Muestra | El tiempo (meses) que 40 inversores han mantenido sus ultimas inversiones en las bolsa. |
| Objetivos de estudio | Los 40 inversores |
| Variables | El tiempo (meses). |
| Tipo de variable sgún su naturaleza | Variable Cuantitativa Continua |
| Tipo de variable su escala de medición | Razón |
TABLA No1: Distribución de frecuencias para 40 inversores según el tiempo (meses) que han mantenido sus últimas inversiones en la bolsa. Ciudad de Ibagué.
Código
Distribución_p2 <- hist(Vector2, plot = FALSE)
Tabla_p2 <- table.freq(Distribución_p2)
kable(Tabla_p2) %>%
kable_styling(bootstrap_options = "striped",
full_width = F,
position = "center")| Lower | Upper | Main | Frequency | Percentage | CF | CPF |
|---|---|---|---|---|---|---|
| 2 | 4 | 3 | 1 | 2.5 | 1 | 2.5 |
| 4 | 6 | 5 | 1 | 2.5 | 2 | 5.0 |
| 6 | 8 | 7 | 3 | 7.5 | 5 | 12.5 |
| 8 | 10 | 9 | 10 | 25.0 | 15 | 37.5 |
| 10 | 12 | 11 | 15 | 37.5 | 30 | 75.0 |
| 12 | 14 | 13 | 7 | 17.5 | 37 | 92.5 |
| 14 | 16 | 15 | 2 | 5.0 | 39 | 97.5 |
| 16 | 18 | 17 | 1 | 2.5 | 40 | 100.0 |
GRÁFICA No 1: Histograma de frecuencias para 40 inversores según el tiempo (meses) que han mantenido sus últimas inversiones en la bolsa. Ciudad de Ibagué.
Código
Grafica_histo_p2 <- hist(Vector2,
xlab = "Tiempo en meses",
ylab = "N° de inversores",
main = "Histograma de frecuencias",
col = 1:8)
GRÁFICA No 2: Polígono de frecuencias para 40 inversores según el tiempo (meses) que han mantenido sus últimas inversiones en la bolsa. Ciudad de Ibagué.
Código
Grafica_lineas_p2 <- plot(x =Tabla_p2$Main,
y =Tabla_p2$Frequency,
type="b",
pch=20,
lty=1,
xlab="Tiempo en meses",
ylab="N° de inversores",
main="Polígono de frecuencias") %>%
lines(x =Tabla_p2$Main,
y =Tabla_p2$Frequency) %>%
axis(side=1,Tabla_p2$Main,labels=TRUE)
GRÁFICA No 3: Ojiva de frecuencias para 40 inversores según el tiempo (meses) que han mantenido sus últimas inversiones en la bolsa. Ciudad de Ibagué
Código
Grafica_ojivas_p2 <- plot(x =Tabla_p2$Main,
y =Tabla_p2$CPF,
type="b",
pch=20,
lty=1,
xlab="Tiempo en meses",
ylab="N° de inversores",
main="Ojiva de frecuencias") %>%
lines(x =Tabla_p2$Main,
y =Tabla_p2$CPF) %>%
axis(side=1,Tabla_p2$Main,labels=TRUE)
Punto 3
Investigados los precios por habitación de 50 hoteles de una ciudad se han obtenido los siguientes resultados:
Código
Vector3 <- c(700, 300, 500, 400, 500, 700, 400, 750, 800, 500,
300, 400, 700, 400, 700, 500, 400, 700, 1000, 750,
400, 500, 300, 500, 1000, 300, 400, 500, 700, 500,
500, 750, 300, 700, 1000, 1500, 500, 750, 1200, 800,
700, 800, 750, 700, 750, 800, 700, 700, 1200, 800)
Punto3 <- matrix(Vector3,nrow=5, ncol=10)
kable(Punto3) %>%
kable_styling(bootstrap_options = "striped",
full_width = F,
position = "center")| 700 | 700 | 300 | 500 | 400 | 300 | 500 | 1500 | 700 | 800 |
| 300 | 400 | 400 | 400 | 500 | 400 | 750 | 500 | 800 | 700 |
| 500 | 750 | 700 | 700 | 300 | 500 | 300 | 750 | 750 | 700 |
| 400 | 800 | 400 | 1000 | 500 | 700 | 700 | 1200 | 700 | 1200 |
| 500 | 500 | 700 | 750 | 1000 | 500 | 1000 | 800 | 750 | 800 |
Determínese:
La distribución de frecuencias de los precios.
Porcentaje de hoteles con un precio superior a 750.
Cuántos hoteles tienen un precio mayor o igual que 500 pero menor o igual a 1000.
Representar gráficamente dichas distribuciones.
Código
caracteristicas_punto_3 <- data.frame("Caracteristicas" = caracteristicas,
"Información"= c("El precio por habitación de los hoteles de una ciudad.",
"El precio por habitación de 50 hoteles de una ciudad.",
"Los 50 hoteles.",
"El precio por habitación",
"Variable Cuantitativa Continua",
"Razón"))
kable(caracteristicas_punto_3) %>%
kable_styling(bootstrap_options = "striped",
full_width = F,
position = "center")| Caracteristicas | Información |
|---|---|
| Población | El precio por habitación de los hoteles de una ciudad. |
| Muestra | El precio por habitación de 50 hoteles de una ciudad. |
| Objetivos de estudio | Los 50 hoteles. |
| Variables | El precio por habitación |
| Tipo de variable sgún su naturaleza | Variable Cuantitativa Continua |
| Tipo de variable su escala de medición | Razón |
TABLA No 2: Distribuciones de frecuencia para 50 hoteles según los precios por habitación. Ciudad de Londres
Código
Distribución_p3 <- hist(Vector3, plot = FALSE)
Tabla_p3 <- table.freq(Distribución_p3)
kable(Tabla_p3) %>%
kable_styling(bootstrap_options = "striped",
full_width = F,
position = "center")| Lower | Upper | Main | Frequency | Percentage | CF | CPF |
|---|---|---|---|---|---|---|
| 200 | 400 | 300 | 12 | 24 | 12 | 24 |
| 400 | 600 | 500 | 10 | 20 | 22 | 44 |
| 600 | 800 | 700 | 22 | 44 | 44 | 88 |
| 800 | 1000 | 900 | 3 | 6 | 47 | 94 |
| 1000 | 1200 | 1100 | 2 | 4 | 49 | 98 |
| 1200 | 1400 | 1300 | 0 | 0 | 49 | 98 |
| 1400 | 1600 | 1500 | 1 | 2 | 50 | 100 |
GRÁFICA No 4: Histograma de frecuencia para 50 hoteles según los precios por habitación. Ciudad de Londres.
Código
Grafica_histo_p3 <- hist(Vector3,
xlab = "precio",
ylab = "porcentajes",
main = "Histograma de frecuencias",
col = 1:8)
GRÁFICA No 5: Polígono de frecuencia para 50 hoteles según los precios por habitación. Ciudad de Londres.
Código
Grafica_lineas_p3 <- plot(x =Tabla_p3$Main,
y =Tabla_p3$Frequency,
type="b",
pch=20,
lty=1,
xlab = "precio",
ylab = "porcentajes",
main = "Poligono de frecuencias") %>%
lines(x =Tabla_p2$Main,
y =Tabla_p2$Frequency) %>%
axis(side=1,Tabla_p2$Main,labels=TRUE)
GRÁFICA No 6: Ojiva de frecuencia para 50 hoteles según los precios por habitación. Ciudad de Londres.
Código
Grafica_ojivas_p3 <- plot(x =Tabla_p3$Main,
y =Tabla_p3$CPF,
type="b",
pch=20,
lty=1,
xlab = "precio",
ylab = "porcentajes",
main = "Ojiva de frecuencias") %>%
lines(x =Tabla_p3$Main,
y =Tabla_p3$CPF) %>%
axis(side=1,Tabla_p3$Main,labels=TRUE)
Porcentaje de hoteles con un precio superior a 750.
Código
34 - 12[1] 22El 22% de los hoteles tiene un precio superior a 750
Cuántos hoteles tienen un precio mayor o igual que 500 pero menor o igual a 1000.
Código
38-3[1] 35Los hoteles con un precio mayor o igual a 500 pero menor o igual a 1000 son 35.
Punto 4
El gobierno desea saber si el número medio de hijos por familia ha descendido respecto a la década anterior. Para ello ha encuestado a 50 familias respecto al número de hijos y ha obtenido los siguientes datos:
Código
Vector4 <- c(3,4,3,2,4,3,5,1,2,2,0,4,3,2,2,3,1,0,2,2,3,2,2,2,2,3,3,2,1,6,4,
2,3,3,2,2,2,4,3,3,2,3,3,2,3,2,4,1,2,0)
Punto4 <- matrix(Vector4,nrow=2, ncol=25)
kable(Punto4) %>%
kable_styling(bootstrap_options = "striped",
full_width = F,
position = "center")| 3 | 3 | 4 | 5 | 2 | 0 | 3 | 2 | 1 | 2 | 3 | 2 | 2 | 3 | 1 | 4 | 3 | 2 | 2 | 3 | 2 | 3 | 3 | 4 | 2 |
| 4 | 2 | 3 | 1 | 2 | 4 | 2 | 3 | 0 | 2 | 2 | 2 | 3 | 2 | 6 | 2 | 3 | 2 | 4 | 3 | 3 | 2 | 2 | 1 | 0 |
Construye la tabla de frecuencias a partir de estos datos.
Construye el grafico que consideres más adecuado con las frecuencias no acumuladas
Construye el gráfico que consideres más adecuado con las frecuencias acumuladas.
Código
caracteristicas_punto_4 <- data.frame("Caracteristicas" = caracteristicas,
"Información"= c("El número medio de hijos por familia de todas las familias de la ciudad de Cali",
"El número medio de hijos por familia de 50 familias de la ciudad de Cali",
"50 familias de la ciudad de Cali",
"Número medio de hijos por familia",
"Cuantitativa discreta",
"Razón"))
kable(caracteristicas_punto_4) %>%
kable_styling(bootstrap_options = "striped",
full_width = F,
position = "center")| Caracteristicas | Información |
|---|---|
| Población | El número medio de hijos por familia de todas las familias de la ciudad de Cali |
| Muestra | El número medio de hijos por familia de 50 familias de la ciudad de Cali |
| Objetivos de estudio | 50 familias de la ciudad de Cali |
| Variables | Número medio de hijos por familia |
| Tipo de variable sgún su naturaleza | Cuantitativa discreta |
| Tipo de variable su escala de medición | Razón |
Tabla N° 3 Distribución de frecuencias para 50 familias de la ciudad de Cali, según el número medio de hijos por familia.
Código
Tabla_P4 <- table.freq(hist(Vector4, plot = FALSE))
kable(Tabla_P4) %>%
kable_styling(bootstrap_options = "striped",
full_width = F,
position = "center")| Lower | Upper | Main | Frequency | Percentage | CF | CPF |
|---|---|---|---|---|---|---|
| 0 | 1 | 0.5 | 7 | 14 | 7 | 14 |
| 1 | 2 | 1.5 | 20 | 40 | 27 | 54 |
| 2 | 3 | 2.5 | 15 | 30 | 42 | 84 |
| 3 | 4 | 3.5 | 6 | 12 | 48 | 96 |
| 4 | 5 | 4.5 | 1 | 2 | 49 | 98 |
| 5 | 6 | 5.5 | 1 | 2 | 50 | 100 |
Grafica N° 7: Diagrama de barras para 50 familias de la ciudad de Cali, según el número medio de hijos por familia.
Código
Grafica_histo_p4 <- barplot(table(Vector4),
xlab = "N° de hijos",
ylab = "Número de familias",
main = "Diagrama de barras de frecuencias",
col = 1:8)
Grafica N° 8: Diagrama de horizontal para 50 familias de la ciudad de Cali, según el número medio de hijos por familia.
Código
Diagrama_hor_p4 <- ecdf(Vector4)
plot(Diagrama_hor_p4,
main = "Grafica de función por partes",
ylab = "N° de hijos",
xlab = "Famlias",
col = "#000000")
- ¿Cuántas familias tienen exactamente tres hijos?
15 familias tienen exactamente tres (3) hijos
- ¿Qué porcentaje de familias tienen exactamente 3 hijos?
El 30% de las familias tienen exactamente tres (3) hijos
- ¿Qué porcentaje de las familias de la muestra tienen más de dos hijos? ¿Y menos de 3?
Un 46% de familias tienen más de dos (2) hijos
Punto 5
En un hospital se desea hacer un estudio sobre los pesos de los recién nacidos. Para ello, se recogen los datos de 40 bebes y se tiene:
Código
Vector5 <- c(3.2,3.7,4.2,4.6,3.7,3.0,2.9,3.1,3.0,4.5,
4.1,3.8,3.9,3.6,3.2,3.5,3.0,2.5,2.7,2.8,
3.0,4.0,4.5,3.5,3.5,3.6,2.9,3.2,4.2,4.3,
4.1,4.6,4.2,4.5,4.3,3.2,3.7,2.9,3.1,3.5)
Punto5 <- matrix(Vector5,nrow=4, ncol=10)
kable(Punto5) %>%
kable_styling(bootstrap_options = "striped",
full_width = F,
position = "center")| 3.2 | 3.7 | 3.0 | 3.9 | 3.0 | 3.0 | 3.5 | 4.2 | 4.2 | 3.7 |
| 3.7 | 3.0 | 4.5 | 3.6 | 2.5 | 4.0 | 3.6 | 4.3 | 4.5 | 2.9 |
| 4.2 | 2.9 | 4.1 | 3.2 | 2.7 | 4.5 | 2.9 | 4.1 | 4.3 | 3.1 |
| 4.6 | 3.1 | 3.8 | 3.5 | 2.8 | 3.5 | 3.2 | 4.6 | 3.2 | 3.5 |
Construir la tabla de frecuencias
Representa gráficamente la información recogida.
Código
caracteristicas_punto_5 <- data.frame("Caracteristicas" = caracteristicas,
"Información"= c("El peso (kg) de todos los recién nacidos en el Hospital Federico Lleras.",
"El peso (kg) de 40 bebés recién nacidos que se encuentran en el Hospital Federico Lleras.",
"Los 40 bebés",
"El peso (kg)",
"Variable Cuantitativa Continua",
"Razón"))
kable(caracteristicas_punto_5) %>%
kable_styling(bootstrap_options = "striped",
full_width = F,
position = "center")| Caracteristicas | Información |
|---|---|
| Población | El peso (kg) de todos los recién nacidos en el Hospital Federico Lleras. |
| Muestra | El peso (kg) de 40 bebés recién nacidos que se encuentran en el Hospital Federico Lleras. |
| Objetivos de estudio | Los 40 bebés |
| Variables | El peso (kg) |
| Tipo de variable sgún su naturaleza | Variable Cuantitativa Continua |
| Tipo de variable su escala de medición | Razón |
Tabla No 4: Distribución de frecuencias para el peso (kg) de 40 bebés recién nacidos que se encuentran en el Hospital Federico Lleras. Ciudad de Ibagué.
Código
Tabla_P5 <- table.freq(hist(Vector5, plot = FALSE))
kable(Tabla_P5) %>%
kable_styling(bootstrap_options = "striped",
full_width = F,
position = "center")| Lower | Upper | Main | Frequency | Percentage | CF | CPF |
|---|---|---|---|---|---|---|
| 2.5 | 3.0 | 2.75 | 10 | 25 | 10 | 25 |
| 3.0 | 3.5 | 3.25 | 10 | 25 | 20 | 50 |
| 3.5 | 4.0 | 3.75 | 8 | 20 | 28 | 70 |
| 4.0 | 4.5 | 4.25 | 10 | 25 | 38 | 95 |
| 4.5 | 5.0 | 4.75 | 2 | 5 | 40 | 100 |
Gráfico No 9: Histograma de frecuencias para el peso (kg) de 40 bebés recién nacidos que se encuentran en el Hospital Federico Lleras. Ciudad de Ibagué,
Código
Grafica_histo_p5 <- hist(Vector5,
xlab = "peso",
ylab = "N° de bebes",
main = "Histograma de frecuencias",
col = 1:8)
Gráfico No 10: Polígono de frecuencias para el peso (kg) de 40 bebés recién nacidos que se encuentran en el Hospital Federico Lleras. Ciudad de Ibagué
Código
Grafica_lineas_P5 <- plot(x =Tabla_P5$Main,
y =Tabla_P5$Frequency,
type="b",
pch=20,
lty=1,
xlab = "precio",
ylab = "porcentajes",
main = "Poligono de frecuencias") %>%
lines(x =Tabla_P5$Main,
y =Tabla_P5$Frequency) %>%
axis(side=1,Tabla_P5$Main,labels=TRUE)
Gráfico No 11: Ojiva de frecuencias para el peso (kg) de 40 bebés recién nacidos que se encuentran en el Hospital Federico Lleras. Ciudad de Ibagué.
Código
Grafica_ojivas_P5 <- plot(x =Tabla_P5$Main,
y =Tabla_P5$CPF,
type="b",
pch=20,
lty=1,
xlab = "peso",
ylab = "porcentajes",
main = "Ojiva de frecuencias") %>%
lines(x =Tabla_P5$Main,
y =Tabla_P5$CPF) %>%
axis(side=1,Tabla_p3$Main,labels=TRUE)
Si sabemos que los bebes que pesan menos de 3 kilos nacen prematuramente ¿Qué porcentaje de niños prematuros han nacido entre estos 40?
El 15% de los bebés nacieron prematuros.
Normalmente los niños que pesan más de 3 kilos y medio no necesitan estar en la incubadora ¿Puedes decirme que porcentaje de niños están en esta situación?
El 50% de los bebés no necesitan estar en incubadora.
Punto 6
Completar la siguiente tabla:
Código
Tabla_p6 <- data.frame("Li" = c(0,10,20,30,40),
"Ls" = c(10,20,30,40,50),
"Yi" = c(NA,NA,NA,NA,NA),
"ni" = c(2,NA,NA,15,NA),
"hi%" = c(0.05,NA,NA,NA,NA),
"Ni" = c(2,NA,NA,NA,NA),
"Hi%" = c(0.05,0.15,0.40,0.775,1))
kable(Tabla_p6) %>%
kable_styling(bootstrap_options = "striped",
full_width = F,
position = "center")| Li | Ls | Yi | ni | hi. | Ni | Hi. |
|---|---|---|---|---|---|---|
| 0 | 10 | NA | 2 | 0.05 | 2 | 0.050 |
| 10 | 20 | NA | NA | NA | NA | 0.150 |
| 20 | 30 | NA | NA | NA | NA | 0.400 |
| 30 | 40 | NA | 15 | NA | NA | 0.775 |
| 40 | 50 | NA | NA | NA | NA | 1.000 |
Tabla No 5: Distribución de frecuencias
Código
Tabla_R_p6 <- data.frame("Li" = c(0,10,20,30,40),
"Ls" = c(10,20,30,40,50),
"Yi" = c(5,15,25,35,45),
"ni" = c(2,4,10,15,9),
"hi%" = c(0.05,0.10,0.25,0.375,0.225),
"Ni" = c(2,6,16,31,40),
"Hi%" = c(0.05,0.15,0.40,0.775,1))
kable(Tabla_R_p6) %>%
kable_styling(bootstrap_options = "striped",
full_width = F,
position = "center")| Li | Ls | Yi | ni | hi. | Ni | Hi. |
|---|---|---|---|---|---|---|
| 0 | 10 | 5 | 2 | 0.050 | 2 | 0.050 |
| 10 | 20 | 15 | 4 | 0.100 | 6 | 0.150 |
| 20 | 30 | 25 | 10 | 0.250 | 16 | 0.400 |
| 30 | 40 | 35 | 15 | 0.375 | 31 | 0.775 |
| 40 | 50 | 45 | 9 | 0.225 | 40 | 1.000 |
Punto 7
Antes de las últimas elecciones generales, una encuesta realizada sobre la intención de voto de colectivo de 45 personas, dio los siguientes resultados:
Código
Vector7 <- c("PP","PSOE","IU","PP","PSOE","UV","PP","UV","PSOE",
"IU","PP","IU","PP","UV","PP","PP","PSOE","UV",
"PSOE","PP","PSOE","UV","PP","UV","UV","PSOE","PP",
"IU","PP","PSOE","IU","PP","IU","UV","UV","PP",
"PSOE","UV","PP","PSOE","PP","IU","PP","IU","PP")
Punto7 <- matrix(Vector7,nrow=5, ncol=9)
kable(Punto7) %>%
kable_styling(bootstrap_options = "striped",
full_width = F,
position = "center")| PP | UV | PP | PP | PSOE | PSOE | IU | PP | PP |
| PSOE | PP | IU | PSOE | UV | PP | PP | PSOE | IU |
| IU | UV | PP | UV | PP | IU | IU | UV | PP |
| PP | PSOE | UV | PSOE | UV | PP | UV | PP | IU |
| PSOE | IU | PP | PP | UV | PSOE | UV | PSOE | PP |
Código
caracteristicas_punto_7 <- data.frame("Caracteristicas" = caracteristicas,
"Información"= c("La intención de voto colectivo de todos los encuestados antes de las últimas elecciones generales en EE.UU.",
"La intención de voto colectivo de 45 personas antes de las últimas elecciones generales en EE.UU.",
"Las 45 personas antes de las últimas elecciones generales en EE.UU.",
"La intención de voto.",
"Variable Cualitativa",
"Nominal"))
kable(caracteristicas_punto_7) %>%
kable_styling(bootstrap_options = "striped",
full_width = F,
position = "center")| Caracteristicas | Información |
|---|---|
| Población | La intención de voto colectivo de todos los encuestados antes de las últimas elecciones generales en EE.UU. |
| Muestra | La intención de voto colectivo de 45 personas antes de las últimas elecciones generales en EE.UU. |
| Objetivos de estudio | Las 45 personas antes de las últimas elecciones generales en EE.UU. |
| Variables | La intención de voto. |
| Tipo de variable sgún su naturaleza | Variable Cualitativa |
| Tipo de variable su escala de medición | Nominal |
Tabla No 6: Distribución de frecuencias para 45 personas con intención de voto antes de las elecciones generales en EE.UU. Ciudad de New York,
Código
## MODIFICAR
Tabla_p7 <- data.frame(
"ni" = table(Vector7),
"hi" = prop.table(table(Vector7)),
"%" = (prop.table(table(Vector7))*100),
"Ni" = cumsum(table(Vector7)),
"Hi" = cumsum(prop.table(table(Vector7))))
kable(Tabla_p7) %>%
kable_styling(bootstrap_options = "striped",
full_width = F,
position = "center")| ni.Vector7 | ni.Freq | hi.Vector7 | hi.Freq | X..Vector7 | X..Freq | Ni | Hi | |
|---|---|---|---|---|---|---|---|---|
| IU | IU | 8 | IU | 0.1777778 | IU | 17.77778 | 8 | 0.1777778 |
| PP | PP | 17 | PP | 0.3777778 | PP | 37.77778 | 25 | 0.5555556 |
| PSOE | PSOE | 10 | PSOE | 0.2222222 | PSOE | 22.22222 | 35 | 0.7777778 |
| UV | UV | 10 | UV | 0.2222222 | UV | 22.22222 | 45 | 1.0000000 |
Gráfica No 12: Diagrama de barras para 45 personas con intención de voto antes de las elecciones generales en EE.UU. Ciudad de New York
Código
Grafica_histo_p7 <- barplot(table(Vector7),
xlab = "Intencion de voto",
ylab = "N° de personas",
main = "Diagrama de barras de frecuencias",
col = 1:8)
Gráfica No 13: Diagrama de sectores para 45 personas con intención de voto antes de las elecciones generales en EE.UU. Ciudad de New York
Código
Grafica_sectores_p7 <- pie((prop.table(table(Vector7))*100),
col= 1:5 ,
main="Diagrama de sectores")
- Confeccionar una tabla de frecuencias que recoja esta información y elabora dos tipos de gráficos distintos a partir de ella. ¿Qué porcentaje de votantes espera tener cada formación política?
El porcentaje que se espera tener para cada formación política es el siguiente: El 37.8% de los votantes espera optar por el partido político “PP”, el 17.8% de los votantes espera optar por el partido político “IU”, y tanto el partido político “UV” y el “PSOE” esperan tener un 22.2%.
Punto 8
Los sueldos mensuales (en dólares) de 60 empleados de la empresa Pirámide S.A. en el año 2002 son los siguientes:
Código
Vector8 <- c(440,560,335,587,613,400,424,466,565,393,
453,650,407,376,470,560,321,500,528,526,
570,430,608,537,409,600,550,432,591,428,
440,340,558,460,560,607,382,667,512,492,
450,530,501,471,660,470,364,634,580,450,
574,500,462,380,518,480,625,507,645,382)
Punto8 <- matrix(Vector8,nrow=6, ncol=10)
kable(Punto8) %>%
kable_styling(bootstrap_options = "striped",
full_width = F,
position = "center")| 440 | 424 | 407 | 528 | 409 | 440 | 382 | 501 | 580 | 518 |
| 560 | 466 | 376 | 526 | 600 | 340 | 667 | 471 | 450 | 480 |
| 335 | 565 | 470 | 570 | 550 | 558 | 512 | 660 | 574 | 625 |
| 587 | 393 | 560 | 430 | 432 | 460 | 492 | 470 | 500 | 507 |
| 613 | 453 | 321 | 608 | 591 | 560 | 450 | 364 | 462 | 645 |
| 400 | 650 | 500 | 537 | 428 | 607 | 530 | 634 | 380 | 382 |
- Construya la tabla de frecuencia.
Código
caracteristicas_punto_8 <- data.frame("Caracteristicas" = caracteristicas,
"Información"= c("Los sueldos mensuales (en dólares) de todos los empleados de la empresa Pirámide S.A. en el año 2002.",
"Los sueldos mensuales (en dólares) de 60 empleados de la empresa Pirámide S.A. en el año 2002",
"Los 60 empleados de la empresa Pirámide S.A. en el año 2002",
"Los sueldos mensuales (en dólares)",
"Variable Cuantitativa Continua",
"Razón"))
kable(caracteristicas_punto_8) %>%
kable_styling(bootstrap_options = "striped",
full_width = F,
position = "center")| Caracteristicas | Información |
|---|---|
| Población | Los sueldos mensuales (en dólares) de todos los empleados de la empresa Pirámide S.A. en el año 2002. |
| Muestra | Los sueldos mensuales (en dólares) de 60 empleados de la empresa Pirámide S.A. en el año 2002 |
| Objetivos de estudio | Los 60 empleados de la empresa Pirámide S.A. en el año 2002 |
| Variables | Los sueldos mensuales (en dólares) |
| Tipo de variable sgún su naturaleza | Variable Cuantitativa Continua |
| Tipo de variable su escala de medición | Razón |
Tabla N° 7: Distribución de frecuencias para 60 de la empresa Pirámide S.A. en el año 2002, según los sueldos mensuales (en dólares).
Código
Distribución_p8 <- hist(Vector8, plot = FALSE)
Tabla_p8 <- table.freq(Distribución_p8)
kable(Tabla_p8) %>%
kable_styling(bootstrap_options = "striped",
full_width = F,
position = "center")| Lower | Upper | Main | Frequency | Percentage | CF | CPF |
|---|---|---|---|---|---|---|
| 300 | 350 | 325 | 3 | 5.0 | 3 | 5.0 |
| 350 | 400 | 375 | 7 | 11.7 | 10 | 16.7 |
| 400 | 450 | 425 | 10 | 16.7 | 20 | 33.3 |
| 450 | 500 | 475 | 11 | 18.3 | 31 | 51.7 |
| 500 | 550 | 525 | 9 | 15.0 | 40 | 66.7 |
| 550 | 600 | 575 | 11 | 18.3 | 51 | 85.0 |
| 600 | 650 | 625 | 7 | 11.7 | 58 | 96.7 |
| 650 | 700 | 675 | 2 | 3.3 | 60 | 100.0 |
Punto 9
En una finca de apartamentos en el Tolima, se reúne la comunidad de vecinos para ver si contratan una persona que les lleve la contabilidad. El resultado de la votación es el siguiente: 25 vecinos a favor de la contratación, 15 vecinos en contra y 5 vecinos se abstienen. Construye la tabla de frecuencias para estos datos y representa gráficamente la información recogida mediante un diagrama de sectores
Código
caracteristicas_punto_9 <- data.frame("Caracteristicas" = caracteristicas,
"Información"= c("Los Votos de vecinos de una comunidad en una finca de apartamentos en el Tolima para ver si se contrata a una persona que les lleve la contabilidad",
"Los Votos de 45 vecinos de una comunidad en una finca de apartamentos en el Tolima para ver si se contrata a una persona que les lleve la contabilidad.",
"Los 45 vecinos de una comunidad en una finca de apartamentos en el Tolima",
"Votos de los vecinos",
"Variable Cualitativa",
"Nominal"))
kable(caracteristicas_punto_9) %>%
kable_styling(bootstrap_options = "striped",
full_width = F,
position = "center")| Caracteristicas | Información |
|---|---|
| Población | Los Votos de vecinos de una comunidad en una finca de apartamentos en el Tolima para ver si se contrata a una persona que les lleve la contabilidad |
| Muestra | Los Votos de 45 vecinos de una comunidad en una finca de apartamentos en el Tolima para ver si se contrata a una persona que les lleve la contabilidad. |
| Objetivos de estudio | Los 45 vecinos de una comunidad en una finca de apartamentos en el Tolima |
| Variables | Votos de los vecinos |
| Tipo de variable sgún su naturaleza | Variable Cualitativa |
| Tipo de variable su escala de medición | Nominal |
TABLA No 8: Distribución de frecuencias para los votos de 45 vecinos de una comunidad en una finca de apartamentos en el Tolima para ver si se contrata a una persona que les lleve la contabilidad.
Código
Tabla_p9 <- data.frame("Votos" = c("Favor", "Se abstiene","Encontra"),
"ni" = c(25,5,15),
"hi"= round((c(25,5,15)/sum(c(25,5,15))), digits = 3)
)
kable(Tabla_p9) %>%
kable_styling(bootstrap_options = "striped",
full_width = F,
position = "center")| Votos | ni | hi |
|---|---|---|
| Favor | 25 | 0.556 |
| Se abstiene | 5 | 0.111 |
| Encontra | 15 | 0.333 |
GRÁFICO No 14: Diagrama circular para los votos de 45 vecinos de una comunidad en una finca de apartamentos en el Tolima para ver si se contrata a una persona que les lleve la contabilidad
Código
Grafica_sectores_p9 <- pie(Tabla_p9$hi,
labels = paste((Tabla_p9$hi)*100, "%"),
col= 2:5,
main="Diagrama de sectores")
Punto 10
Ha medido el perímetro craneal a niños de edad comprendida entre los dos y tres años, obteniéndose los siguientes datos:
Código
Vector10 <- c(41,39.5,43.2,40.5,42.3,44.5,38.5,
42.5,40.3,46.3,45.6,44.2,40.1,43.5,
40.2,42.7,45,45.2,46.7,39.4,41,
39,39.6,43,42.8,47.9,46.5,40.2)
Punto10 <- matrix(Vector10,nrow=4, ncol=7)
kable(Punto10) %>%
kable_styling(bootstrap_options = "striped",
full_width = F,
position = "center")| 41.0 | 42.3 | 40.3 | 40.1 | 45.0 | 41.0 | 42.8 |
| 39.5 | 44.5 | 46.3 | 43.5 | 45.2 | 39.0 | 47.9 |
| 43.2 | 38.5 | 45.6 | 40.2 | 46.7 | 39.6 | 46.5 |
| 40.5 | 42.5 | 44.2 | 42.7 | 39.4 | 43.0 | 40.2 |
Se quiere realizar un estudio de estos datos, agrupándolos en intervalos de amplitud. Obténgase la tabla de frecuencias, el histograma, el polígono y la ojiva.
Código
caracteristicas_punto_10 <- data.frame("Caracteristicas" = caracteristicas,
"Información"= c("Medición en centímetros del perímetro craneal a todos los niños de edad comprendida entre los dos y tres años inscritos en la escuela Caritas Felices.",
"Medición en centímetros del perímetro craneal a 28 niños de edad comprendida entre los dos y tres años inscritos en la escuela Caritas Felices.",
"Los 28 niños de edad comprendida entre los dos y tres años inscritos en la escuela Caritas Felices.",
"Medición en centímetros del perímetro craneal",
"Variable Cuantitativa Continua",
"Razón"))
kable(caracteristicas_punto_10) %>%
kable_styling(bootstrap_options = "striped",
full_width = F,
position = "center")| Caracteristicas | Información |
|---|---|
| Población | Medición en centímetros del perímetro craneal a todos los niños de edad comprendida entre los dos y tres años inscritos en la escuela Caritas Felices. |
| Muestra | Medición en centímetros del perímetro craneal a 28 niños de edad comprendida entre los dos y tres años inscritos en la escuela Caritas Felices. |
| Objetivos de estudio | Los 28 niños de edad comprendida entre los dos y tres años inscritos en la escuela Caritas Felices. |
| Variables | Medición en centímetros del perímetro craneal |
| Tipo de variable sgún su naturaleza | Variable Cuantitativa Continua |
| Tipo de variable su escala de medición | Razón |
Tabla N° 9: Distribución de frecuencias para 28 niños de edad comprendida entre los dos y tres años inscritos en la escuela Caritas Felices, según su medición en centímetros del perímetro craneal.
Código
Distribución_p10 <- hist(Vector10, plot = FALSE)
Tabla_p10 <- table.freq(Distribución_p10)
kable(Tabla_p10) %>%
kable_styling(bootstrap_options = "striped",
full_width = F,
position = "center")| Lower | Upper | Main | Frequency | Percentage | CF | CPF |
|---|---|---|---|---|---|---|
| 38 | 40 | 39 | 5 | 17.9 | 5 | 17.9 |
| 40 | 42 | 41 | 7 | 25.0 | 12 | 42.9 |
| 42 | 44 | 43 | 7 | 25.0 | 19 | 67.9 |
| 44 | 46 | 45 | 5 | 17.9 | 24 | 85.7 |
| 46 | 48 | 47 | 4 | 14.3 | 28 | 100.0 |
Gráfica N° 15: Histograma de frecuencias para 28 niños de edad comprendida entre los dos y tres años inscritos en la escuela Caritas Felices, según su medición en centímetros del perímetro craneal.
Código
Grafica_histo_p10 <- hist(Vector10,
xlab = "medida",
ylab = "N° de niños",
main = "Histograma de frecuencias",
col = 1:8)
Gráfica N° 16: Polígono de frecuencias para 28 niños de edad comprendida entre los dos y tres años inscritos en la escuela Caritas Felices, según su medición en centímetros del perímetro craneal.
Código
Grafica_lineas_p10 <- plot(x =Tabla_p10$Main,
y =Tabla_p10$Frequency,
type="b",
pch=20,
lty=1,
xlab = "meida",
ylab = "N° de niños",
main = "Poligono de frecuencias") %>%
lines(x =Tabla_p10$Main,
y =Tabla_p10$Frequency) %>%
axis(side=1,Tabla_p10$Main,labels=TRUE)
Gráfica N° 17: Ojiva de frecuencias para 28 niños de edad comprendida entre los dos y tres años inscritos en la escuela Caritas Felices, según su medición en centímetros del perímetro craneal.
Código
Grafica_ojivas_p10 <- plot(x =Tabla_p10$Main,
y =Tabla_p10$CPF,
type="b",
pch=20,
lty=1,
xlab = "Medida",
ylab = "N° de niños",
main = "Ojiva de frecuencias") %>%
lines(x =Tabla_p10$Main,
y =Tabla_p10$CPF) %>%
axis(side=1,Tabla_p10$Main,labels=TRUE)