LAB 1
Sarai(202122039), Daniel(202124561)y Dylan(202127315)
2023-05-15
0.Configuración inicial-Librerias requeridas
library("easypackages")
lib_req<-c("lubridate","dplyr","visdat","missMDA","mice","DMwR2","editrules", "corrplot")# Listado de librerias requeridas por el script
easypackages::packages(lib_req) # Verificación, instalación y carga de librerias.
1. Preprocesamiento de datos con R, Huella Hídrica
1.1 Lectura de Datos en R
1.2 Lectura de Datos(Completo)
# Verificar el directorio de trabajo actual
getwd()## [1] "C:/Users/toshiba/Desktop/Universidad/Procesamientos de datos/LAB 1 DATOS"# Establecer el directorio de trabajo en el directorio que contiene el archivo "BD_huella.xlsx"
setwd("/Users/toshiba/Desktop/Universidad/Procesamientos de datos/LAB 1 DATOS/datos")
# Cargar los datos desde el archivo "BD_huella.xlsx"
library(readxl)
datosBD <- read_excel("BD_huella.xlsx", range = "A1:J121")
View(datosBD)
names(datosBD) ## [1] "ID" "edad" "genero" "zona" "grado" "HHD"
## [7] "HHI" "comp_HHD" "comp_HHI" "per.hog"dim(datosBD)## [1] 120 10str(datosBD)## tibble [120 × 10] (S3: tbl_df/tbl/data.frame)
## $ ID : num [1:120] 1 2 3 4 5 6 7 8 9 10 ...
## $ edad : num [1:120] 18 11 11 12 11 14 12 15 13 14 ...
## $ genero : chr [1:120] "femenino" "femenino" "1" "Femenino" ...
## $ zona : chr [1:120] "URBANO" "1" "Urbano" "Rural" ...
## $ grado : chr [1:120] "10" "6" "sexto" "SEXTO" ...
## $ HHD : num [1:120] 152 117 276 273 92 NA 102 93 56 98 ...
## $ HHI : num [1:120] 1848 1387 567 1356 1344 ...
## $ comp_HHD: chr [1:120] "Uso.baño" "Uso_baño" "USO.BAÑO" "Uso.baño" ...
## $ comp_HHI: chr [1:120] "Carne" "Carne" "Carne" "Carne" ...
## $ per.hog : num [1:120] 3 2 7 5 1 7 4 2 6 5 ...1.3Observando las etiquetas en algunas de las variables tipo Factor
table(datosBD $genero)##
## 1 2 femenino Femenino FEMENINO masculino Masculino MASCULINO
## 10 12 9 35 8 12 25 9table(datosBD $zona)##
## 1 2 Rural RURAL Urbano URBANO
## 7 10 33 6 55 9table(datosBD $grado)##
## 10 11 6 7 8 9 decimo DECIMO noveno NOVENO
## 12 5 10 11 13 10 6 5 3 5
## octavo OCTAVO once ONCE septimo SEPTIMO sexto SEXTO
## 5 7 6 3 8 3 4 4table(datosBD $comp_HHD)##
## Lavado.ropa Riego.jardin Uso.baño USO.BAÑO Uso.cocina Uso_baño
## 1 1 104 6 2 6table(datosBD $comp_HHI)##
## Café CAFÉ Carne CARNE Fruta
## 3 2 95 9 111.4 Declaración de niveles correctos para las variables tipo Factor
level_genero <- c(femenino="1", masculino="2", Femenino="1", Masculino="2", FEMENINO="1", MASCULINO="2")
level_zona <- c(Urbano="1", Rural="2", URBANO="1", RURAL="2")
level_grado<- c(sexto="6", SEXTO="6", septimo="7", SEPTIMO="7", octavo="8", OCTAVO="8", noveno="9", NOVENO="9", decimo="10", DECIMO="10", once="11", ONCE="11")
level_comp_HHD <- c(Uso_baño="Uso.baño", USO.BAÑO="Uso.baño")
level_comp_HHI <- c(CAFÉ="Café", Cafe="Café", CARNE="Carne")1.5 Modificación del formato y transformación de variables
datosBD <- transform(datosBD,
genero=factor(dplyr::recode(genero, !!!level_genero)),
zona=factor(dplyr::recode(zona, !!!level_zona)),
grado=factor(dplyr::recode(grado, !!!level_grado)),
comp_HHD=factor(dplyr::recode(comp_HHD, !!!level_comp_HHD)),
comp_HHI=factor(dplyr::recode(comp_HHI, !!!level_comp_HHI))
)
str(datosBD)## 'data.frame': 120 obs. of 10 variables:
## $ ID : num 1 2 3 4 5 6 7 8 9 10 ...
## $ edad : num 18 11 11 12 11 14 12 15 13 14 ...
## $ genero : Factor w/ 2 levels "1","2": 1 1 1 1 1 2 2 2 2 2 ...
## $ zona : Factor w/ 2 levels "1","2": 1 1 1 2 1 1 1 1 1 2 ...
## $ grado : Factor w/ 6 levels "10","11","6",..: 1 3 3 3 3 4 4 4 4 4 ...
## $ HHD : num 152 117 276 273 92 NA 102 93 56 98 ...
## $ HHI : num 1848 1387 567 1356 1344 ...
## $ comp_HHD: Factor w/ 4 levels "Lavado.ropa",..: 3 3 3 3 3 3 2 3 3 3 ...
## $ comp_HHI: Factor w/ 3 levels "Café","Carne",..: 2 2 2 2 2 2 2 2 2 2 ...
## $ per.hog : num 3 2 7 5 1 7 4 2 6 5 ...summary(datosBD) ## ID edad genero zona grado HHD
## Min. : 1.00 Min. :11.00 1:62 1:71 10:23 Min. : 1.0
## 1st Qu.: 30.75 1st Qu.:13.00 2:58 2:49 11:14 1st Qu.: 75.0
## Median : 60.50 Median :14.00 6 :18 Median :109.0
## Mean : 60.50 Mean :14.28 7 :22 Mean :130.2
## 3rd Qu.: 90.25 3rd Qu.:16.00 8 :25 3rd Qu.:157.8
## Max. :120.00 Max. :20.00 9 :18 Max. :401.0
## NA's :8
## HHI comp_HHD comp_HHI per.hog
## Min. : 0.0 Lavado.ropa : 1 Café : 5 Min. : 1.000
## 1st Qu.: 401.0 Riego.jardin: 1 Carne:104 1st Qu.: 3.000
## Median : 777.0 Uso.baño :116 Fruta: 11 Median : 4.000
## Mean : 812.8 Uso.cocina : 2 Mean : 4.947
## 3rd Qu.:1325.0 3rd Qu.: 5.000
## Max. :2631.0 Max. :102.000
## NA's :7 NA's :6View(datosBD)2.Reglas
Rules <- editrules::editfile("consistencia.txt")2.1 # Conexión entre las reglas
windows()
plot(Rules)
2.2 Verificación de las reglas sobres los datos
editrules::violatedEdits(Rules, datosBD)## edit
## record num1 dat1 dat2 dat3
## 1 FALSE FALSE FALSE FALSE
## 2 FALSE FALSE FALSE FALSE
## 3 FALSE FALSE FALSE FALSE
## 4 FALSE FALSE FALSE FALSE
## 5 FALSE FALSE FALSE FALSE
## 6 FALSE FALSE FALSE FALSE
## 7 FALSE FALSE FALSE FALSE
## 8 FALSE FALSE FALSE FALSE
## 9 FALSE FALSE FALSE FALSE
## 10 FALSE FALSE FALSE FALSE
## 11 FALSE FALSE FALSE FALSE
## 12 FALSE FALSE FALSE FALSE
## 13 FALSE FALSE FALSE FALSE
## 14 NA FALSE FALSE FALSE
## 15 FALSE FALSE FALSE FALSE
## 16 FALSE FALSE FALSE FALSE
## 17 FALSE FALSE FALSE FALSE
## 18 FALSE FALSE FALSE FALSE
## 19 FALSE FALSE FALSE FALSE
## 20 FALSE FALSE FALSE FALSE
## 21 FALSE FALSE FALSE FALSE
## 22 FALSE FALSE FALSE FALSE
## 23 FALSE FALSE FALSE FALSE
## 24 FALSE FALSE FALSE FALSE
## 25 FALSE FALSE FALSE FALSE
## 26 FALSE FALSE FALSE FALSE
## 27 FALSE FALSE FALSE FALSE
## 28 FALSE FALSE FALSE FALSE
## 29 FALSE FALSE FALSE FALSE
## 30 NA FALSE FALSE FALSE
## 31 FALSE FALSE FALSE FALSE
## 32 FALSE FALSE FALSE FALSE
## 33 FALSE FALSE FALSE FALSE
## 34 FALSE FALSE FALSE FALSE
## 35 FALSE FALSE FALSE FALSE
## 36 FALSE FALSE FALSE FALSE
## 37 FALSE FALSE FALSE FALSE
## 38 FALSE FALSE FALSE FALSE
## 39 FALSE FALSE FALSE FALSE
## 40 FALSE FALSE FALSE FALSE
## 41 FALSE FALSE FALSE FALSE
## 42 FALSE FALSE FALSE FALSE
## 43 FALSE FALSE FALSE FALSE
## 44 FALSE FALSE FALSE FALSE
## 45 FALSE FALSE FALSE FALSE
## 46 FALSE FALSE FALSE FALSE
## 47 FALSE FALSE FALSE FALSE
## 48 NA FALSE FALSE FALSE
## 49 FALSE FALSE FALSE FALSE
## 50 FALSE FALSE FALSE FALSE
## 51 FALSE FALSE FALSE FALSE
## 52 FALSE FALSE FALSE FALSE
## 53 FALSE FALSE FALSE FALSE
## 54 FALSE FALSE FALSE FALSE
## 55 FALSE FALSE FALSE FALSE
## 56 FALSE FALSE FALSE FALSE
## 57 FALSE FALSE FALSE FALSE
## 58 FALSE FALSE FALSE FALSE
## 59 FALSE FALSE FALSE FALSE
## 60 FALSE FALSE FALSE FALSE
## 61 FALSE FALSE FALSE FALSE
## 62 FALSE FALSE FALSE FALSE
## 63 FALSE FALSE FALSE FALSE
## 64 FALSE FALSE FALSE FALSE
## 65 FALSE FALSE FALSE FALSE
## 66 FALSE FALSE FALSE FALSE
## 67 FALSE FALSE FALSE FALSE
## 68 NA FALSE FALSE FALSE
## 69 FALSE FALSE FALSE FALSE
## 70 FALSE FALSE FALSE FALSE
## 71 FALSE FALSE FALSE FALSE
## 72 FALSE FALSE FALSE FALSE
## 73 FALSE FALSE FALSE FALSE
## 74 FALSE FALSE FALSE FALSE
## 75 FALSE FALSE FALSE FALSE
## 76 FALSE FALSE FALSE FALSE
## 77 FALSE FALSE FALSE FALSE
## 78 FALSE FALSE FALSE FALSE
## 79 FALSE FALSE FALSE FALSE
## 80 FALSE FALSE FALSE FALSE
## 81 FALSE FALSE FALSE FALSE
## 82 FALSE FALSE FALSE FALSE
## 83 FALSE FALSE FALSE FALSE
## 84 FALSE FALSE FALSE FALSE
## 85 FALSE FALSE FALSE FALSE
## 86 NA FALSE FALSE FALSE
## 87 FALSE FALSE FALSE FALSE
## 88 FALSE FALSE FALSE FALSE
## 89 FALSE FALSE FALSE FALSE
## 90 FALSE FALSE FALSE FALSE
## 91 FALSE FALSE FALSE FALSE
## 92 FALSE FALSE FALSE FALSE
## 93 FALSE FALSE FALSE FALSE
## 94 FALSE FALSE FALSE FALSE
## 95 FALSE FALSE FALSE FALSE
## 96 FALSE FALSE FALSE FALSE
## 97 FALSE FALSE FALSE FALSE
## 98 FALSE FALSE FALSE FALSE
## 99 FALSE FALSE FALSE FALSE
## 100 FALSE FALSE FALSE FALSE
## 101 FALSE FALSE FALSE FALSE
## 102 FALSE FALSE FALSE FALSE
## 103 FALSE FALSE FALSE FALSE
## 104 FALSE FALSE FALSE FALSE
## 105 FALSE FALSE FALSE FALSE
## 106 FALSE FALSE FALSE FALSE
## 107 NA FALSE FALSE FALSE
## 108 FALSE FALSE FALSE FALSE
## 109 FALSE FALSE FALSE FALSE
## 110 TRUE FALSE FALSE FALSE
## 111 FALSE FALSE FALSE FALSE
## 112 FALSE FALSE FALSE FALSE
## 113 FALSE FALSE FALSE FALSE
## 114 FALSE FALSE FALSE FALSE
## 115 FALSE FALSE FALSE FALSE
## 116 FALSE FALSE FALSE FALSE
## 117 FALSE FALSE FALSE FALSE
## 118 FALSE FALSE FALSE FALSE
## 119 FALSE FALSE FALSE FALSE
## 120 FALSE FALSE FALSE FALSEValid_Data = editrules::violatedEdits(Rules, datosBD)
summary(Valid_Data)## Edit violations, 120 observations, 0 completely missing (0%):
##
## editname freq rel
## num1 1 0.8%
##
## Edit violations per record:
##
## errors freq rel
## 0 113 94.2%
## 1 7 5.8%2.3 Visualizacion del diagnostico
windows()
plot(Valid_Data)
3-4 Datos NA
is.na(datosBD)## ID edad genero zona grado HHD HHI comp_HHD comp_HHI per.hog
## [1,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [2,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [3,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [4,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [5,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [6,] FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE
## [7,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [8,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [9,] FALSE FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE
## [10,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [11,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [12,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [13,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [14,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE
## [15,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [16,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [17,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [18,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [19,] FALSE FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE
## [20,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [21,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [22,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [23,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [24,] FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE
## [25,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [26,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [27,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [28,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [29,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [30,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE
## [31,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [32,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [33,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [34,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [35,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [36,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [37,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [38,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [39,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [40,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [41,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [42,] FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE
## [43,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [44,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [45,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [46,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [47,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [48,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE
## [49,] FALSE FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE
## [50,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [51,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [52,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [53,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [54,] FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE
## [55,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [56,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [57,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [58,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [59,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [60,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [61,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [62,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [63,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [64,] FALSE FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE
## [65,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [66,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [67,] FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE
## [68,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE
## [69,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [70,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [71,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [72,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [73,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [74,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [75,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [76,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [77,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [78,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [79,] FALSE FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE
## [80,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [81,] FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE
## [82,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [83,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [84,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [85,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [86,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE
## [87,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [88,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [89,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [90,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [91,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [92,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [93,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [94,] FALSE FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE
## [95,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [96,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [97,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [98,] FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE
## [99,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [100,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [101,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [102,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [103,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [104,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [105,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [106,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [107,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE
## [108,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [109,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [110,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [111,] FALSE FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE
## [112,] FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE
## [113,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [114,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [115,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [116,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [117,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [118,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [119,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [120,] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSEvisdat::vis_miss(datosBD)
5.Datos atípicos
boxplot(datosBD$edad)
boxplot(datosBD$grado)
boxplot(datosBD$HHD)
boxplot(datosBD$HHI)
boxplot(datosBD$per.hog)
Podemos notar que los datos atípicos se presentan en las variables HHD Y per.hog
6.Imputación
# Imputación por la media.
mean(datosBD $HHD, na.rm=T)## [1] 130.2321mean(datosBD $HHI,na.rm=T)## [1] 812.8407mean(datosBD $per.hog,na.rm=T)## [1] 4.947368imputM = mice::mice(datosBD, maxit = 1, method = "mean")##
## iter imp variable
## 1 1 HHD HHI per.hog
## 1 2 HHD HHI per.hog
## 1 3 HHD HHI per.hog
## 1 4 HHD HHI per.hog
## 1 5 HHD HHI per.hog## Warning: Number of logged events: 5clean_huella = mice::complete(imputM)
windows(height=10,width=15); visdat::vis_miss(clean_huella)
write.table(clean_huella, "clean_huella.txt", sep="\t", dec=".",row.names=TRUE)
8-9 Creación de variables y gráficos
library(readxl)
datosC <- read_excel("datos/clean_huella.xlsx", range = "A1:J121")
View(datosC)8.1 Cree las siguientes variables
datosC$HHT <- datosC$HHD + datosC$HHI
View(datosC)8.2 Clasifique
datosC$HHT_clas <- ifelse(datosC$HHT <= 1789, "bajo",
ifelse(datosC$HHT <= 1887, "medio", "alto"))9.1
Presente en una sola ventana gráfica las distribuciones de: - Clasificación de la huella hídrica total, - Componente de la huella hídrica directa, - Componente de la huella hídrica indirecta
##
## alto bajo medio
## 4 115 1##
## alto bajo medio
## 0.033333333 0.958333333 0.008333333##
## Lavado.ropa Riego.jardin Uso.baño Uso.cocina
## 1 1 116 2##
## Lavado.ropa Riego.jardin Uso.baño Uso.cocina
## 0.008333333 0.008333333 0.966666667 0.016666667##
## Café Carne Fruta
## 5 104 11##
## Café Carne Fruta
## 0.04166667 0.86666667 0.09166667
Análisis: De acuerdo al gráfico, podemos observar que, en la clasificación de la huella hídrica total HHT, la mayor frecuencia la obtiene el grupo ‘‘bajo’’, es decir, aquellos que su HHT es menor o igual a 1789. Seguido de este se encuentra el grupo ‘‘alto’’ (con HHT superiores a 1887) y, por último, el grupo ‘‘medio’’ (su HHT está entre 1789 y 1887).
En el componente de la HHD, el mayor exponente es el Uso.baño, en segundo lugar, Uso.cocina, y como últimos, Riego.jardin y Lavado.ropa respectivamente.
Finalmente, en el último gráfico, tenemos al componente de la HHI donde en primer lugar se encuentra la carne, luego la fruta y por último el café. Según la frecuencia con que se presentan.
9.2
Presente en una sola ventana grafica el comportamiento de los puntajes de la huella hídrica directa e indirecta por cada uno de los factores de estudio (sexo, grado escolar y zona).
Análisis: Teniendo el comportamiento del HHD respecto al género, podemos notar que hay una mayor cantidad del género femenino; sin embargo, se presentan más números de datos atípicos en el género masculino. Algo que no ocurre con HHI, ya que en esta no hay tales datos atípicos.
Por otro lado, el comportamiento de la HHD en referencia al grado, nos muestra una mayor diferencia entre los datos si lo comparamos con la HHI, la cual parece un poco más estable. Teniendo más datos atípicos la inicial (HHD). En cuanto a la zona, podemos ver como los intervalos de los datos aumentan y en HHI intentan ser más similares; por otra parte, los datos atípicos se encuentran presentes en HHD.
9.3
Presente un resumen de los principales indicadores descriptivos de las variables cuantitativa por cada uno de los factores (sexo, grado escolar y zona).
summary(datosC)## ID edad genero zona
## Min. : 1.00 Min. :11.00 Min. :1.000 Min. :1.000
## 1st Qu.: 30.75 1st Qu.:13.00 1st Qu.:1.000 1st Qu.:1.000
## Median : 60.50 Median :14.00 Median :1.000 Median :1.000
## Mean : 60.50 Mean :14.28 Mean :1.483 Mean :1.408
## 3rd Qu.: 90.25 3rd Qu.:16.00 3rd Qu.:2.000 3rd Qu.:2.000
## Max. :120.00 Max. :20.00 Max. :2.000 Max. :2.000
## grado HHD HHI comp_HHD
## Min. : 6.0 Min. : 1.00 Min. : 0.0 Length:120
## 1st Qu.: 7.0 1st Qu.: 78.25 1st Qu.: 410.0 Class :character
## Median : 8.0 Median :113.50 Median : 807.5 Mode :character
## Mean : 8.4 Mean :130.22 Mean : 812.9
## 3rd Qu.:10.0 3rd Qu.:154.00 3rd Qu.:1309.2
## Max. :11.0 Max. :401.00 Max. :2631.0
## comp_HHI per.hog HHT HHT_clas
## Length:120 Min. :1.000 Min. : 3.0 Length:120
## Class :character 1st Qu.:3.000 1st Qu.: 518.8 Class :character
## Mode :character Median :4.000 Median : 906.5 Mode :character
## Mean :4.142 Mean : 943.1
## 3rd Qu.:5.000 3rd Qu.:1378.0
## Max. :9.000 Max. :2840.09.4
Adicionalmente se requiere visualizar, la estructura de correlación
entre las variables huella hídrica total y edad del estudiante. ¿Cree
usted que la edad está relacionada con la cantidad de huella hídrica?
# Coeficiente de correlación entre HHT y edad
cor(datosC$edad, datosC$HHT)## [1] -0.07329914Análisis: Un coeficiente de correlación de -0.07329914 indica una correlación negativa muy débil entre las dos variables HHT y edad. Esto sugiere que hay una tendencia muy leve hacia una relación inversa entre las variables, lo que significa que cuando una variable aumenta, la otra tiende a disminuir ligeramente. Sin embargo, la fuerza de esta relación es muy débil y es posible que no sea significativa en términos estadísticos.