Introducción al software estadístico R

Simulación y Computo Estadístico

Universidad Autónoma de Guerrero

1 Librerias

library(readxl) # read_excel
library(writexl) # write_xlsx
library(knitr)
library(tidyverse) #%>%
library(dplyr)  # selec, mutate,...
library(psych) # describe()
library(FSA) # Summarize()
library(data.table)
library(flextable)
#library(xlsxjars) #write.xlsx
#library(rJava)
#library(xlsx)
#require(xlsx)

2 1. Introducción al paquete estadístico R

2.1 1.1 Lectura y respaldo de datos

2.1.1 Lectura de datos

datos<- read_excel("C:/Documetos MGM_OS_Dell/Documentos Maria_Dell/UAGro/Docencia/Simulacion y Computo Estadistico/Semestre 2_2020/Modulo 1/fallecidos_covid_Peru.xlsx")

View(datos)

attach(datos)

class(datos)

  [1] "tbl_df"     "tbl"        "data.frame"

head(datos)

  # A tibble: 6 × 9
    FECHA_CORTE UUID            FECHA_FALLECIMIENTO EDAD_DECLARADA SEXO  FECHA_NAC
          <dbl> <chr>                         <dbl>          <dbl> <chr>     <dbl>
  1    20200918 7320cabdc1aaca…            20200319             78 MASC…  19411013
  2    20200918 e81602051997ac…            20200319             69 MASC…  19510305
  3    20200918 cecdbf10074dbc…            20200321             83 MASC…  19390817
  4    20200918 71ecb6bccb248b…            20200324             65 FEME…  19540104
  5    20200918 566af4276cbe93…            20200324             76 MASC…        NA
  6    20200918 027561e9d126e7…            20200324             94 MASC…  19251206
  # ℹ 3 more variables: DEPARTAMENTO <chr>, PROVINCIA <chr>, DISTRITO <chr>

dim(datos)

  [1] 31369     9

2.1.2 Exportación de bases de datos

res<-table(SEXO,EDAD_DECLARADA)

View(res)

class(res)

  [1] "table"

res<-as.data.frame(res)

class(res)

  [1] "data.frame"

#--- Guardar archivos .xlsx

#write.xlsx(res,"C:/Users/WINDOWS 8/Documents/Documentos Maria/UAGro/Materias/Simulacion y Computo Estadistico/Semestre 2_2020/res.xlsx", 
#sheetName = "Sheet1", append = FALSE)

ruta<-"C:/Documetos MGM_OS_Dell/Documentos Maria_Dell/UAGro/Docencia/Simulacion y Computo Estadistico/Simulacion_semestre_2_2023/Resultados.xlsx"

write_xlsx(res,ruta)

#--- Guardar un .csv

write.csv(res,ruta)

#--- Guardar un .txt

write.table(res, ruta, sep = "\t", quote = F, row.names = F)

2.2 1.2 Manejo de vectores y matrices

2.2.1 Análisis

table(SEXO) # Vector

  SEXO
   FEMENINO MASCULINO 
       9366     22003

table(EDAD_DECLARADA) # vector

  EDAD_DECLARADA
    0   1   2   3   4   5   6   7   8   9  10  11  12  13  14  15  16  17  18  19 
   14  11   9   6   9   6   4   8   6   7   8   4   6   2   7   8   5  12   8   6 
   20  21  22  23  24  25  26  27  28  29  30  31  32  33  34  35  36  37  38  39 
   14  15  22  29  24  20  27  33  42  28  50  52  81  64  94  76  69 109 119 149 
   40  41  42  43  44  45  46  47  48  49  50  51  52  53  54  55  56  57  58  59 
  141 198 174 211 225 291 275 296 354 370 395 434 449 496 542 622 632 713 666 743 
   60  61  62  63  64  65  66  67  68  69  70  71  72  73  74  75  76  77  78  79 
  809 857 820 914 833 952 936 871 877 907 842 825 855 882 811 774 727 723 614 627 
   80  81  82  83  84  85  86  87  88  89  90  91  92  93  94  95  96  97  98  99 
  657 583 547 490 482 445 379 343 294 271 215 161 165 112  83  67  39  26  25  18 
  100 101 102 103 104 107 108 
    8   6   1   1   3   1   1

edad.m<-data.frame(table(EDAD_DECLARADA))

edad.m%>% 
  flextable()

EDAD_DECLARADA	Freq
0	14
1	11
2	9
3	6
4	9
5	6
6	4
7	8
8	6
9	7
10	8
11	4
12	6
13	2
14	7
15	8
16	5
17	12
18	8
19	6
20	14
21	15
22	22
23	29
24	24
25	20
26	27
27	33
28	42
29	28
30	50
31	52
32	81
33	64
34	94
35	76
36	69
37	109
38	119
39	149
40	141
41	198
42	174
43	211
44	225
45	291
46	275
47	296
48	354
49	370
50	395
51	434
52	449
53	496
54	542
55	622
56	632
57	713
58	666
59	743
60	809
61	857
62	820
63	914
64	833
65	952
66	936
67	871
68	877
69	907
70	842
71	825
72	855
73	882
74	811
75	774
76	727
77	723
78	614
79	627
80	657
81	583
82	547
83	490
84	482
85	445
86	379
87	343
88	294
89	271
90	215
91	161
92	165
93	112
94	83
95	67
96	39
97	26
98	25
99	18
100	8
101	6
102	1
103	1
104	3
107	1
108	1

hist(EDAD_DECLARADA, main="Población total")

res<-table(SEXO,EDAD_DECLARADA)

res<-as.data.frame(res)

res%>% 
  flextable()

SEXO	EDAD_DECLARADA	Freq
FEMENINO	0	8
MASCULINO	0	6
FEMENINO	1	4
MASCULINO	1	7
FEMENINO	2	6
MASCULINO	2	3
FEMENINO	3	2
MASCULINO	3	4
FEMENINO	4	3
MASCULINO	4	6
FEMENINO	5	4
MASCULINO	5	2
FEMENINO	6	1
MASCULINO	6	3
FEMENINO	7	1
MASCULINO	7	7
FEMENINO	8	3
MASCULINO	8	3
FEMENINO	9	3
MASCULINO	9	4
FEMENINO	10	3
MASCULINO	10	5
FEMENINO	11	2
MASCULINO	11	2
FEMENINO	12	2
MASCULINO	12	4
FEMENINO	13	2
MASCULINO	13	0
FEMENINO	14	4
MASCULINO	14	3
FEMENINO	15	4
MASCULINO	15	4
FEMENINO	16	2
MASCULINO	16	3
FEMENINO	17	1
MASCULINO	17	11
FEMENINO	18	3
MASCULINO	18	5
FEMENINO	19	4
MASCULINO	19	2
FEMENINO	20	3
MASCULINO	20	11
FEMENINO	21	6
MASCULINO	21	9
FEMENINO	22	6
MASCULINO	22	16
FEMENINO	23	13
MASCULINO	23	16
FEMENINO	24	15
MASCULINO	24	9
FEMENINO	25	5
MASCULINO	25	15
FEMENINO	26	10
MASCULINO	26	17
FEMENINO	27	13
MASCULINO	27	20
FEMENINO	28	16
MASCULINO	28	26
FEMENINO	29	4
MASCULINO	29	24
FEMENINO	30	15
MASCULINO	30	35
FEMENINO	31	23
MASCULINO	31	29
FEMENINO	32	24
MASCULINO	32	57
FEMENINO	33	24
MASCULINO	33	40
FEMENINO	34	33
MASCULINO	34	61
FEMENINO	35	21
MASCULINO	35	55
FEMENINO	36	20
MASCULINO	36	49
FEMENINO	37	26
MASCULINO	37	83
FEMENINO	38	28
MASCULINO	38	91
FEMENINO	39	42
MASCULINO	39	107
FEMENINO	40	48
MASCULINO	40	93
FEMENINO	41	49
MASCULINO	41	149
FEMENINO	42	41
MASCULINO	42	133
FEMENINO	43	46
MASCULINO	43	165
FEMENINO	44	59
MASCULINO	44	166
FEMENINO	45	70
MASCULINO	45	221
FEMENINO	46	72
MASCULINO	46	203
FEMENINO	47	76
MASCULINO	47	220
FEMENINO	48	87
MASCULINO	48	267
FEMENINO	49	94
MASCULINO	49	276
FEMENINO	50	89
MASCULINO	50	306
FEMENINO	51	113
MASCULINO	51	321
FEMENINO	52	92
MASCULINO	52	357
FEMENINO	53	109
MASCULINO	53	387
FEMENINO	54	134
MASCULINO	54	408
FEMENINO	55	151
MASCULINO	55	471
FEMENINO	56	156
MASCULINO	56	476
FEMENINO	57	185
MASCULINO	57	528
FEMENINO	58	186
MASCULINO	58	480
FEMENINO	59	188
MASCULINO	59	555
FEMENINO	60	204
MASCULINO	60	605
FEMENINO	61	214
MASCULINO	61	643
FEMENINO	62	250
MASCULINO	62	570
FEMENINO	63	290
MASCULINO	63	624
FEMENINO	64	254
MASCULINO	64	579
FEMENINO	65	294
MASCULINO	65	658
FEMENINO	66	292
MASCULINO	66	644
FEMENINO	67	239
MASCULINO	67	632
FEMENINO	68	293
MASCULINO	68	584
FEMENINO	69	276
MASCULINO	69	631
FEMENINO	70	256
MASCULINO	70	586
FEMENINO	71	263
MASCULINO	71	562
FEMENINO	72	264
MASCULINO	72	591
FEMENINO	73	271
MASCULINO	73	611
FEMENINO	74	250
MASCULINO	74	561
FEMENINO	75	252
MASCULINO	75	522
FEMENINO	76	216
MASCULINO	76	511
FEMENINO	77	224
MASCULINO	77	499
FEMENINO	78	193
MASCULINO	78	421
FEMENINO	79	219
MASCULINO	79	408
FEMENINO	80	222
MASCULINO	80	435
FEMENINO	81	189
MASCULINO	81	394
FEMENINO	82	173
MASCULINO	82	374
FEMENINO	83	162
MASCULINO	83	328
FEMENINO	84	169
MASCULINO	84	313
FEMENINO	85	150
MASCULINO	85	295
FEMENINO	86	132
MASCULINO	86	247
FEMENINO	87	131
MASCULINO	87	212
FEMENINO	88	101
MASCULINO	88	193
FEMENINO	89	95
MASCULINO	89	176
FEMENINO	90	76
MASCULINO	90	139
FEMENINO	91	67
MASCULINO	91	94
FEMENINO	92	61
MASCULINO	92	104
FEMENINO	93	44
MASCULINO	93	68
FEMENINO	94	34
MASCULINO	94	49
FEMENINO	95	33
MASCULINO	95	34
FEMENINO	96	17
MASCULINO	96	22
FEMENINO	97	12
MASCULINO	97	14
FEMENINO	98	10
MASCULINO	98	15
FEMENINO	99	11
MASCULINO	99	7
FEMENINO	100	4
MASCULINO	100	4
FEMENINO	101	2
MASCULINO	101	4
FEMENINO	102	1
MASCULINO	102	0
FEMENINO	103	1
MASCULINO	103	0
FEMENINO	104	1
MASCULINO	104	2
FEMENINO	107	0
MASCULINO	107	1
FEMENINO	108	0
MASCULINO	108	1

res<-as.data.frame(res)

res%>% 
  flextable()

SEXO	EDAD_DECLARADA	Freq
FEMENINO	0	8
MASCULINO	0	6
FEMENINO	1	4
MASCULINO	1	7
FEMENINO	2	6
MASCULINO	2	3
FEMENINO	3	2
MASCULINO	3	4
FEMENINO	4	3
MASCULINO	4	6
FEMENINO	5	4
MASCULINO	5	2
FEMENINO	6	1
MASCULINO	6	3
FEMENINO	7	1
MASCULINO	7	7
FEMENINO	8	3
MASCULINO	8	3
FEMENINO	9	3
MASCULINO	9	4
FEMENINO	10	3
MASCULINO	10	5
FEMENINO	11	2
MASCULINO	11	2
FEMENINO	12	2
MASCULINO	12	4
FEMENINO	13	2
MASCULINO	13	0
FEMENINO	14	4
MASCULINO	14	3
FEMENINO	15	4
MASCULINO	15	4
FEMENINO	16	2
MASCULINO	16	3
FEMENINO	17	1
MASCULINO	17	11
FEMENINO	18	3
MASCULINO	18	5
FEMENINO	19	4
MASCULINO	19	2
FEMENINO	20	3
MASCULINO	20	11
FEMENINO	21	6
MASCULINO	21	9
FEMENINO	22	6
MASCULINO	22	16
FEMENINO	23	13
MASCULINO	23	16
FEMENINO	24	15
MASCULINO	24	9
FEMENINO	25	5
MASCULINO	25	15
FEMENINO	26	10
MASCULINO	26	17
FEMENINO	27	13
MASCULINO	27	20
FEMENINO	28	16
MASCULINO	28	26
FEMENINO	29	4
MASCULINO	29	24
FEMENINO	30	15
MASCULINO	30	35
FEMENINO	31	23
MASCULINO	31	29
FEMENINO	32	24
MASCULINO	32	57
FEMENINO	33	24
MASCULINO	33	40
FEMENINO	34	33
MASCULINO	34	61
FEMENINO	35	21
MASCULINO	35	55
FEMENINO	36	20
MASCULINO	36	49
FEMENINO	37	26
MASCULINO	37	83
FEMENINO	38	28
MASCULINO	38	91
FEMENINO	39	42
MASCULINO	39	107
FEMENINO	40	48
MASCULINO	40	93
FEMENINO	41	49
MASCULINO	41	149
FEMENINO	42	41
MASCULINO	42	133
FEMENINO	43	46
MASCULINO	43	165
FEMENINO	44	59
MASCULINO	44	166
FEMENINO	45	70
MASCULINO	45	221
FEMENINO	46	72
MASCULINO	46	203
FEMENINO	47	76
MASCULINO	47	220
FEMENINO	48	87
MASCULINO	48	267
FEMENINO	49	94
MASCULINO	49	276
FEMENINO	50	89
MASCULINO	50	306
FEMENINO	51	113
MASCULINO	51	321
FEMENINO	52	92
MASCULINO	52	357
FEMENINO	53	109
MASCULINO	53	387
FEMENINO	54	134
MASCULINO	54	408
FEMENINO	55	151
MASCULINO	55	471
FEMENINO	56	156
MASCULINO	56	476
FEMENINO	57	185
MASCULINO	57	528
FEMENINO	58	186
MASCULINO	58	480
FEMENINO	59	188
MASCULINO	59	555
FEMENINO	60	204
MASCULINO	60	605
FEMENINO	61	214
MASCULINO	61	643
FEMENINO	62	250
MASCULINO	62	570
FEMENINO	63	290
MASCULINO	63	624
FEMENINO	64	254
MASCULINO	64	579
FEMENINO	65	294
MASCULINO	65	658
FEMENINO	66	292
MASCULINO	66	644
FEMENINO	67	239
MASCULINO	67	632
FEMENINO	68	293
MASCULINO	68	584
FEMENINO	69	276
MASCULINO	69	631
FEMENINO	70	256
MASCULINO	70	586
FEMENINO	71	263
MASCULINO	71	562
FEMENINO	72	264
MASCULINO	72	591
FEMENINO	73	271
MASCULINO	73	611
FEMENINO	74	250
MASCULINO	74	561
FEMENINO	75	252
MASCULINO	75	522
FEMENINO	76	216
MASCULINO	76	511
FEMENINO	77	224
MASCULINO	77	499
FEMENINO	78	193
MASCULINO	78	421
FEMENINO	79	219
MASCULINO	79	408
FEMENINO	80	222
MASCULINO	80	435
FEMENINO	81	189
MASCULINO	81	394
FEMENINO	82	173
MASCULINO	82	374
FEMENINO	83	162
MASCULINO	83	328
FEMENINO	84	169
MASCULINO	84	313
FEMENINO	85	150
MASCULINO	85	295
FEMENINO	86	132
MASCULINO	86	247
FEMENINO	87	131
MASCULINO	87	212
FEMENINO	88	101
MASCULINO	88	193
FEMENINO	89	95
MASCULINO	89	176
FEMENINO	90	76
MASCULINO	90	139
FEMENINO	91	67
MASCULINO	91	94
FEMENINO	92	61
MASCULINO	92	104
FEMENINO	93	44
MASCULINO	93	68
FEMENINO	94	34
MASCULINO	94	49
FEMENINO	95	33
MASCULINO	95	34
FEMENINO	96	17
MASCULINO	96	22
FEMENINO	97	12
MASCULINO	97	14
FEMENINO	98	10
MASCULINO	98	15
FEMENINO	99	11
MASCULINO	99	7
FEMENINO	100	4
MASCULINO	100	4
FEMENINO	101	2
MASCULINO	101	4
FEMENINO	102	1
MASCULINO	102	0
FEMENINO	103	1
MASCULINO	103	0
FEMENINO	104	1
MASCULINO	104	2
FEMENINO	107	0
MASCULINO	107	1
FEMENINO	108	0
MASCULINO	108	1

# Seleccionar un mes

datos$Mes<-substr(FECHA_FALLECIMIENTO,5,6)


datos%>%
  count(Mes)%>% 
  flextable()

Mes	n
03	77
04	2,756
05	7,044
06	8,165
07	5,682
08	5,344
09	2,301

# Tarea separar los totales de mes por sexo

#--- Uso de dplyer y tydiverse

datos%>%
  select(SEXO, EDAD_DECLARADA)%>%
  dplyr::filter(SEXO=="MASCULINO",EDAD_DECLARADA==35)%>% 
  count(SEXO)%>% 
  flextable()

SEXO	n
MASCULINO	55

#-----

table(SEXO)

  SEXO
   FEMENINO MASCULINO 
       9366     22003

datos%>%   
  group_by(SEXO)%>% 
  summarise(Total=n())%>% 
  flextable()

SEXO	Total
FEMENINO	9,366
MASCULINO	22,003

prop.table(table(SEXO))

  SEXO
   FEMENINO MASCULINO 
   0.298575  0.701425

prop.table(table(SEXO))*100

  SEXO
   FEMENINO MASCULINO 
    29.8575   70.1425

dat1<- datos%>%   
         group_by(SEXO)%>% 
         summarise(Total=n())%>% 
         mutate(Frecuencia=Total/sum(Total),Porcentaje=(Total/sum(Total))*100)


flextable(dat1)

SEXO	Total	Frecuencia	Porcentaje
FEMENINO	9,366	0.298575	29.8575
MASCULINO	22,003	0.701425	70.1425

2.3 1.3 Gráficas en R

Librería ggplot2

res<-table(SEXO, EDAD_DECLARADA)
class(res)

  [1] "table"

res<-as.data.frame(res) # Necesario para ggplot

colnames(res)<-c("Sexo","Edad","Total")

res%>%
  flextable()

Sexo	Edad	Total
FEMENINO	0	8
MASCULINO	0	6
FEMENINO	1	4
MASCULINO	1	7
FEMENINO	2	6
MASCULINO	2	3
FEMENINO	3	2
MASCULINO	3	4
FEMENINO	4	3
MASCULINO	4	6
FEMENINO	5	4
MASCULINO	5	2
FEMENINO	6	1
MASCULINO	6	3
FEMENINO	7	1
MASCULINO	7	7
FEMENINO	8	3
MASCULINO	8	3
FEMENINO	9	3
MASCULINO	9	4
FEMENINO	10	3
MASCULINO	10	5
FEMENINO	11	2
MASCULINO	11	2
FEMENINO	12	2
MASCULINO	12	4
FEMENINO	13	2
MASCULINO	13	0
FEMENINO	14	4
MASCULINO	14	3
FEMENINO	15	4
MASCULINO	15	4
FEMENINO	16	2
MASCULINO	16	3
FEMENINO	17	1
MASCULINO	17	11
FEMENINO	18	3
MASCULINO	18	5
FEMENINO	19	4
MASCULINO	19	2
FEMENINO	20	3
MASCULINO	20	11
FEMENINO	21	6
MASCULINO	21	9
FEMENINO	22	6
MASCULINO	22	16
FEMENINO	23	13
MASCULINO	23	16
FEMENINO	24	15
MASCULINO	24	9
FEMENINO	25	5
MASCULINO	25	15
FEMENINO	26	10
MASCULINO	26	17
FEMENINO	27	13
MASCULINO	27	20
FEMENINO	28	16
MASCULINO	28	26
FEMENINO	29	4
MASCULINO	29	24
FEMENINO	30	15
MASCULINO	30	35
FEMENINO	31	23
MASCULINO	31	29
FEMENINO	32	24
MASCULINO	32	57
FEMENINO	33	24
MASCULINO	33	40
FEMENINO	34	33
MASCULINO	34	61
FEMENINO	35	21
MASCULINO	35	55
FEMENINO	36	20
MASCULINO	36	49
FEMENINO	37	26
MASCULINO	37	83
FEMENINO	38	28
MASCULINO	38	91
FEMENINO	39	42
MASCULINO	39	107
FEMENINO	40	48
MASCULINO	40	93
FEMENINO	41	49
MASCULINO	41	149
FEMENINO	42	41
MASCULINO	42	133
FEMENINO	43	46
MASCULINO	43	165
FEMENINO	44	59
MASCULINO	44	166
FEMENINO	45	70
MASCULINO	45	221
FEMENINO	46	72
MASCULINO	46	203
FEMENINO	47	76
MASCULINO	47	220
FEMENINO	48	87
MASCULINO	48	267
FEMENINO	49	94
MASCULINO	49	276
FEMENINO	50	89
MASCULINO	50	306
FEMENINO	51	113
MASCULINO	51	321
FEMENINO	52	92
MASCULINO	52	357
FEMENINO	53	109
MASCULINO	53	387
FEMENINO	54	134
MASCULINO	54	408
FEMENINO	55	151
MASCULINO	55	471
FEMENINO	56	156
MASCULINO	56	476
FEMENINO	57	185
MASCULINO	57	528
FEMENINO	58	186
MASCULINO	58	480
FEMENINO	59	188
MASCULINO	59	555
FEMENINO	60	204
MASCULINO	60	605
FEMENINO	61	214
MASCULINO	61	643
FEMENINO	62	250
MASCULINO	62	570
FEMENINO	63	290
MASCULINO	63	624
FEMENINO	64	254
MASCULINO	64	579
FEMENINO	65	294
MASCULINO	65	658
FEMENINO	66	292
MASCULINO	66	644
FEMENINO	67	239
MASCULINO	67	632
FEMENINO	68	293
MASCULINO	68	584
FEMENINO	69	276
MASCULINO	69	631
FEMENINO	70	256
MASCULINO	70	586
FEMENINO	71	263
MASCULINO	71	562
FEMENINO	72	264
MASCULINO	72	591
FEMENINO	73	271
MASCULINO	73	611
FEMENINO	74	250
MASCULINO	74	561
FEMENINO	75	252
MASCULINO	75	522
FEMENINO	76	216
MASCULINO	76	511
FEMENINO	77	224
MASCULINO	77	499
FEMENINO	78	193
MASCULINO	78	421
FEMENINO	79	219
MASCULINO	79	408
FEMENINO	80	222
MASCULINO	80	435
FEMENINO	81	189
MASCULINO	81	394
FEMENINO	82	173
MASCULINO	82	374
FEMENINO	83	162
MASCULINO	83	328
FEMENINO	84	169
MASCULINO	84	313
FEMENINO	85	150
MASCULINO	85	295
FEMENINO	86	132
MASCULINO	86	247
FEMENINO	87	131
MASCULINO	87	212
FEMENINO	88	101
MASCULINO	88	193
FEMENINO	89	95
MASCULINO	89	176
FEMENINO	90	76
MASCULINO	90	139
FEMENINO	91	67
MASCULINO	91	94
FEMENINO	92	61
MASCULINO	92	104
FEMENINO	93	44
MASCULINO	93	68
FEMENINO	94	34
MASCULINO	94	49
FEMENINO	95	33
MASCULINO	95	34
FEMENINO	96	17
MASCULINO	96	22
FEMENINO	97	12
MASCULINO	97	14
FEMENINO	98	10
MASCULINO	98	15
FEMENINO	99	11
MASCULINO	99	7
FEMENINO	100	4
MASCULINO	100	4
FEMENINO	101	2
MASCULINO	101	4
FEMENINO	102	1
MASCULINO	102	0
FEMENINO	103	1
MASCULINO	103	0
FEMENINO	104	1
MASCULINO	104	2
FEMENINO	107	0
MASCULINO	107	1
FEMENINO	108	0
MASCULINO	108	1

datos1<-data.frame(Sexo=res[,1],Edad=res[,2], Total=res[,3])


datos1%>%
  flextable()

Sexo	Edad	Total
FEMENINO	0	8
MASCULINO	0	6
FEMENINO	1	4
MASCULINO	1	7
FEMENINO	2	6
MASCULINO	2	3
FEMENINO	3	2
MASCULINO	3	4
FEMENINO	4	3
MASCULINO	4	6
FEMENINO	5	4
MASCULINO	5	2
FEMENINO	6	1
MASCULINO	6	3
FEMENINO	7	1
MASCULINO	7	7
FEMENINO	8	3
MASCULINO	8	3
FEMENINO	9	3
MASCULINO	9	4
FEMENINO	10	3
MASCULINO	10	5
FEMENINO	11	2
MASCULINO	11	2
FEMENINO	12	2
MASCULINO	12	4
FEMENINO	13	2
MASCULINO	13	0
FEMENINO	14	4
MASCULINO	14	3
FEMENINO	15	4
MASCULINO	15	4
FEMENINO	16	2
MASCULINO	16	3
FEMENINO	17	1
MASCULINO	17	11
FEMENINO	18	3
MASCULINO	18	5
FEMENINO	19	4
MASCULINO	19	2
FEMENINO	20	3
MASCULINO	20	11
FEMENINO	21	6
MASCULINO	21	9
FEMENINO	22	6
MASCULINO	22	16
FEMENINO	23	13
MASCULINO	23	16
FEMENINO	24	15
MASCULINO	24	9
FEMENINO	25	5
MASCULINO	25	15
FEMENINO	26	10
MASCULINO	26	17
FEMENINO	27	13
MASCULINO	27	20
FEMENINO	28	16
MASCULINO	28	26
FEMENINO	29	4
MASCULINO	29	24
FEMENINO	30	15
MASCULINO	30	35
FEMENINO	31	23
MASCULINO	31	29
FEMENINO	32	24
MASCULINO	32	57
FEMENINO	33	24
MASCULINO	33	40
FEMENINO	34	33
MASCULINO	34	61
FEMENINO	35	21
MASCULINO	35	55
FEMENINO	36	20
MASCULINO	36	49
FEMENINO	37	26
MASCULINO	37	83
FEMENINO	38	28
MASCULINO	38	91
FEMENINO	39	42
MASCULINO	39	107
FEMENINO	40	48
MASCULINO	40	93
FEMENINO	41	49
MASCULINO	41	149
FEMENINO	42	41
MASCULINO	42	133
FEMENINO	43	46
MASCULINO	43	165
FEMENINO	44	59
MASCULINO	44	166
FEMENINO	45	70
MASCULINO	45	221
FEMENINO	46	72
MASCULINO	46	203
FEMENINO	47	76
MASCULINO	47	220
FEMENINO	48	87
MASCULINO	48	267
FEMENINO	49	94
MASCULINO	49	276
FEMENINO	50	89
MASCULINO	50	306
FEMENINO	51	113
MASCULINO	51	321
FEMENINO	52	92
MASCULINO	52	357
FEMENINO	53	109
MASCULINO	53	387
FEMENINO	54	134
MASCULINO	54	408
FEMENINO	55	151
MASCULINO	55	471
FEMENINO	56	156
MASCULINO	56	476
FEMENINO	57	185
MASCULINO	57	528
FEMENINO	58	186
MASCULINO	58	480
FEMENINO	59	188
MASCULINO	59	555
FEMENINO	60	204
MASCULINO	60	605
FEMENINO	61	214
MASCULINO	61	643
FEMENINO	62	250
MASCULINO	62	570
FEMENINO	63	290
MASCULINO	63	624
FEMENINO	64	254
MASCULINO	64	579
FEMENINO	65	294
MASCULINO	65	658
FEMENINO	66	292
MASCULINO	66	644
FEMENINO	67	239
MASCULINO	67	632
FEMENINO	68	293
MASCULINO	68	584
FEMENINO	69	276
MASCULINO	69	631
FEMENINO	70	256
MASCULINO	70	586
FEMENINO	71	263
MASCULINO	71	562
FEMENINO	72	264
MASCULINO	72	591
FEMENINO	73	271
MASCULINO	73	611
FEMENINO	74	250
MASCULINO	74	561
FEMENINO	75	252
MASCULINO	75	522
FEMENINO	76	216
MASCULINO	76	511
FEMENINO	77	224
MASCULINO	77	499
FEMENINO	78	193
MASCULINO	78	421
FEMENINO	79	219
MASCULINO	79	408
FEMENINO	80	222
MASCULINO	80	435
FEMENINO	81	189
MASCULINO	81	394
FEMENINO	82	173
MASCULINO	82	374
FEMENINO	83	162
MASCULINO	83	328
FEMENINO	84	169
MASCULINO	84	313
FEMENINO	85	150
MASCULINO	85	295
FEMENINO	86	132
MASCULINO	86	247
FEMENINO	87	131
MASCULINO	87	212
FEMENINO	88	101
MASCULINO	88	193
FEMENINO	89	95
MASCULINO	89	176
FEMENINO	90	76
MASCULINO	90	139
FEMENINO	91	67
MASCULINO	91	94
FEMENINO	92	61
MASCULINO	92	104
FEMENINO	93	44
MASCULINO	93	68
FEMENINO	94	34
MASCULINO	94	49
FEMENINO	95	33
MASCULINO	95	34
FEMENINO	96	17
MASCULINO	96	22
FEMENINO	97	12
MASCULINO	97	14
FEMENINO	98	10
MASCULINO	98	15
FEMENINO	99	11
MASCULINO	99	7
FEMENINO	100	4
MASCULINO	100	4
FEMENINO	101	2
MASCULINO	101	4
FEMENINO	102	1
MASCULINO	102	0
FEMENINO	103	1
MASCULINO	103	0
FEMENINO	104	1
MASCULINO	104	2
FEMENINO	107	0
MASCULINO	107	1
FEMENINO	108	0
MASCULINO	108	1

ggplot(datos1, aes(x=Sexo, y=Total, fill=Sexo)) +
       geom_boxplot() +
       labs(x="Sexo")+
theme_minimal()+
theme(legend.position = "none",
      axis.text.x=element_text(angle=0,hjust=1,size=8))

ggplot(datos1, aes(x=Sexo, y=Total, fill=Sexo)) +
       geom_bar(stat="identity") +
       labs(x="Sexo")+
       theme(legend.position = "none",axis.text.x=element_text(angle=90,hjust=1,size=9))

dat2<-datos%>%   
      group_by(SEXO, Mes)%>% 
      summarise(Total=n())%>% 
      mutate(Porcentaje=(Total/sum(Total))*100)%>%
      rename(Sexo = SEXO)  


flextable(dat2)%>%
  colformat_double(digits =2)

Sexo	Mes	Total	Porcentaje
FEMENINO	03	21	0.22
FEMENINO	04	772	8.24
FEMENINO	05	2,045	21.83
FEMENINO	06	2,485	26.53
FEMENINO	07	1,680	17.94
FEMENINO	08	1,637	17.48
FEMENINO	09	726	7.75
MASCULINO	03	56	0.25
MASCULINO	04	1,984	9.02
MASCULINO	05	4,999	22.72
MASCULINO	06	5,680	25.81
MASCULINO	07	4,002	18.19
MASCULINO	08	3,707	16.85
MASCULINO	09	1,575	7.16

dat2$Mes<-factor(dat2$Mes,
                 labels=c("Marzo","Abril", "Mayo",
                          "Junio","Julio", "Agosto",
                           "Septiembre"))

dat2%>%
  flextable()

Sexo	Mes	Total	Porcentaje
FEMENINO	Marzo	21	0.2242152
FEMENINO	Abril	772	8.2425795
FEMENINO	Mayo	2,045	21.8342943
FEMENINO	Junio	2,485	26.5321375
FEMENINO	Julio	1,680	17.9372197
FEMENINO	Agosto	1,637	17.4781123
FEMENINO	Septiembre	726	7.7514414
MASCULINO	Marzo	56	0.2545107
MASCULINO	Abril	1,984	9.0169522
MASCULINO	Mayo	4,999	22.7196291
MASCULINO	Junio	5,680	25.8146616
MASCULINO	Julio	4,002	18.1884289
MASCULINO	Agosto	3,707	16.8477026
MASCULINO	Septiembre	1,575	7.1581148

ggplot(dat2, aes(Sexo, Total,color=Sexo,fill=Sexo)) +
geom_bar(stat="identity")+
facet_wrap(~ Mes)+
theme(legend.position="none",axis.text.x=element_text(angle=90,hjust=1,size=9))

2.4 1.4 Análisis estadístico básico en R

iris%>%
  flextable()

Sepal.Length	Sepal.Width	Petal.Length	Petal.Width	Species
5.1	3.5	1.4	0.2	setosa
4.9	3.0	1.4	0.2	setosa
4.7	3.2	1.3	0.2	setosa
4.6	3.1	1.5	0.2	setosa
5.0	3.6	1.4	0.2	setosa
5.4	3.9	1.7	0.4	setosa
4.6	3.4	1.4	0.3	setosa
5.0	3.4	1.5	0.2	setosa
4.4	2.9	1.4	0.2	setosa
4.9	3.1	1.5	0.1	setosa
5.4	3.7	1.5	0.2	setosa
4.8	3.4	1.6	0.2	setosa
4.8	3.0	1.4	0.1	setosa
4.3	3.0	1.1	0.1	setosa
5.8	4.0	1.2	0.2	setosa
5.7	4.4	1.5	0.4	setosa
5.4	3.9	1.3	0.4	setosa
5.1	3.5	1.4	0.3	setosa
5.7	3.8	1.7	0.3	setosa
5.1	3.8	1.5	0.3	setosa
5.4	3.4	1.7	0.2	setosa
5.1	3.7	1.5	0.4	setosa
4.6	3.6	1.0	0.2	setosa
5.1	3.3	1.7	0.5	setosa
4.8	3.4	1.9	0.2	setosa
5.0	3.0	1.6	0.2	setosa
5.0	3.4	1.6	0.4	setosa
5.2	3.5	1.5	0.2	setosa
5.2	3.4	1.4	0.2	setosa
4.7	3.2	1.6	0.2	setosa
4.8	3.1	1.6	0.2	setosa
5.4	3.4	1.5	0.4	setosa
5.2	4.1	1.5	0.1	setosa
5.5	4.2	1.4	0.2	setosa
4.9	3.1	1.5	0.2	setosa
5.0	3.2	1.2	0.2	setosa
5.5	3.5	1.3	0.2	setosa
4.9	3.6	1.4	0.1	setosa
4.4	3.0	1.3	0.2	setosa
5.1	3.4	1.5	0.2	setosa
5.0	3.5	1.3	0.3	setosa
4.5	2.3	1.3	0.3	setosa
4.4	3.2	1.3	0.2	setosa
5.0	3.5	1.6	0.6	setosa
5.1	3.8	1.9	0.4	setosa
4.8	3.0	1.4	0.3	setosa
5.1	3.8	1.6	0.2	setosa
4.6	3.2	1.4	0.2	setosa
5.3	3.7	1.5	0.2	setosa
5.0	3.3	1.4	0.2	setosa
7.0	3.2	4.7	1.4	versicolor
6.4	3.2	4.5	1.5	versicolor
6.9	3.1	4.9	1.5	versicolor
5.5	2.3	4.0	1.3	versicolor
6.5	2.8	4.6	1.5	versicolor
5.7	2.8	4.5	1.3	versicolor
6.3	3.3	4.7	1.6	versicolor
4.9	2.4	3.3	1.0	versicolor
6.6	2.9	4.6	1.3	versicolor
5.2	2.7	3.9	1.4	versicolor
5.0	2.0	3.5	1.0	versicolor
5.9	3.0	4.2	1.5	versicolor
6.0	2.2	4.0	1.0	versicolor
6.1	2.9	4.7	1.4	versicolor
5.6	2.9	3.6	1.3	versicolor
6.7	3.1	4.4	1.4	versicolor
5.6	3.0	4.5	1.5	versicolor
5.8	2.7	4.1	1.0	versicolor
6.2	2.2	4.5	1.5	versicolor
5.6	2.5	3.9	1.1	versicolor
5.9	3.2	4.8	1.8	versicolor
6.1	2.8	4.0	1.3	versicolor
6.3	2.5	4.9	1.5	versicolor
6.1	2.8	4.7	1.2	versicolor
6.4	2.9	4.3	1.3	versicolor
6.6	3.0	4.4	1.4	versicolor
6.8	2.8	4.8	1.4	versicolor
6.7	3.0	5.0	1.7	versicolor
6.0	2.9	4.5	1.5	versicolor
5.7	2.6	3.5	1.0	versicolor
5.5	2.4	3.8	1.1	versicolor
5.5	2.4	3.7	1.0	versicolor
5.8	2.7	3.9	1.2	versicolor
6.0	2.7	5.1	1.6	versicolor
5.4	3.0	4.5	1.5	versicolor
6.0	3.4	4.5	1.6	versicolor
6.7	3.1	4.7	1.5	versicolor
6.3	2.3	4.4	1.3	versicolor
5.6	3.0	4.1	1.3	versicolor
5.5	2.5	4.0	1.3	versicolor
5.5	2.6	4.4	1.2	versicolor
6.1	3.0	4.6	1.4	versicolor
5.8	2.6	4.0	1.2	versicolor
5.0	2.3	3.3	1.0	versicolor
5.6	2.7	4.2	1.3	versicolor
5.7	3.0	4.2	1.2	versicolor
5.7	2.9	4.2	1.3	versicolor
6.2	2.9	4.3	1.3	versicolor
5.1	2.5	3.0	1.1	versicolor
5.7	2.8	4.1	1.3	versicolor
6.3	3.3	6.0	2.5	virginica
5.8	2.7	5.1	1.9	virginica
7.1	3.0	5.9	2.1	virginica
6.3	2.9	5.6	1.8	virginica
6.5	3.0	5.8	2.2	virginica
7.6	3.0	6.6	2.1	virginica
4.9	2.5	4.5	1.7	virginica
7.3	2.9	6.3	1.8	virginica
6.7	2.5	5.8	1.8	virginica
7.2	3.6	6.1	2.5	virginica
6.5	3.2	5.1	2.0	virginica
6.4	2.7	5.3	1.9	virginica
6.8	3.0	5.5	2.1	virginica
5.7	2.5	5.0	2.0	virginica
5.8	2.8	5.1	2.4	virginica
6.4	3.2	5.3	2.3	virginica
6.5	3.0	5.5	1.8	virginica
7.7	3.8	6.7	2.2	virginica
7.7	2.6	6.9	2.3	virginica
6.0	2.2	5.0	1.5	virginica
6.9	3.2	5.7	2.3	virginica
5.6	2.8	4.9	2.0	virginica
7.7	2.8	6.7	2.0	virginica
6.3	2.7	4.9	1.8	virginica
6.7	3.3	5.7	2.1	virginica
7.2	3.2	6.0	1.8	virginica
6.2	2.8	4.8	1.8	virginica
6.1	3.0	4.9	1.8	virginica
6.4	2.8	5.6	2.1	virginica
7.2	3.0	5.8	1.6	virginica
7.4	2.8	6.1	1.9	virginica
7.9	3.8	6.4	2.0	virginica
6.4	2.8	5.6	2.2	virginica
6.3	2.8	5.1	1.5	virginica
6.1	2.6	5.6	1.4	virginica
7.7	3.0	6.1	2.3	virginica
6.3	3.4	5.6	2.4	virginica
6.4	3.1	5.5	1.8	virginica
6.0	3.0	4.8	1.8	virginica
6.9	3.1	5.4	2.1	virginica
6.7	3.1	5.6	2.4	virginica
6.9	3.1	5.1	2.3	virginica
5.8	2.7	5.1	1.9	virginica
6.8	3.2	5.9	2.3	virginica
6.7	3.3	5.7	2.5	virginica
6.7	3.0	5.2	2.3	virginica
6.3	2.5	5.0	1.9	virginica
6.5	3.0	5.2	2.0	virginica
6.2	3.4	5.4	2.3	virginica
5.9	3.0	5.1	1.8	virginica

#--- Estadísticas

Summarize(iris[,1]) # Variable Sepal.Length

            n        mean          sd         min          Q1      median 
  150.0000000   5.8433333   0.8280661   4.3000000   5.1000000   5.8000000 
           Q3         max 
    6.4000000   7.9000000

describe(iris) # todas las variables

               vars   n mean   sd median trimmed  mad min max range  skew
  Sepal.Length    1 150 5.84 0.83   5.80    5.81 1.04 4.3 7.9   3.6  0.31
  Sepal.Width     2 150 3.06 0.44   3.00    3.04 0.44 2.0 4.4   2.4  0.31
  Petal.Length    3 150 3.76 1.77   4.35    3.76 1.85 1.0 6.9   5.9 -0.27
  Petal.Width     4 150 1.20 0.76   1.30    1.18 1.04 0.1 2.5   2.4 -0.10
  Species*        5 150 2.00 0.82   2.00    2.00 1.48 1.0 3.0   2.0  0.00
               kurtosis   se
  Sepal.Length    -0.61 0.07
  Sepal.Width      0.14 0.04
  Petal.Length    -1.42 0.14
  Petal.Width     -1.36 0.06
  Species*        -1.52 0.07

summary(iris) # todas las variables

    Sepal.Length    Sepal.Width     Petal.Length    Petal.Width   
   Min.   :4.300   Min.   :2.000   Min.   :1.000   Min.   :0.100  
   1st Qu.:5.100   1st Qu.:2.800   1st Qu.:1.600   1st Qu.:0.300  
   Median :5.800   Median :3.000   Median :4.350   Median :1.300  
   Mean   :5.843   Mean   :3.057   Mean   :3.758   Mean   :1.199  
   3rd Qu.:6.400   3rd Qu.:3.300   3rd Qu.:5.100   3rd Qu.:1.800  
   Max.   :7.900   Max.   :4.400   Max.   :6.900   Max.   :2.500  
         Species  
   setosa    :50  
   versicolor:50  
   virginica :50  
                  
                  
  

mean(iris[,1])

  [1] 5.843333

apply(iris[,1:4], 2, mean)

  Sepal.Length  Sepal.Width Petal.Length  Petal.Width 
      5.843333     3.057333     3.758000     1.199333

apply(iris[,1:4], 2, sd)

  Sepal.Length  Sepal.Width Petal.Length  Petal.Width 
     0.8280661    0.4358663    1.7652982    0.7622377

cov(iris[,1:4]) # matriz de covarianza

               Sepal.Length Sepal.Width Petal.Length Petal.Width
  Sepal.Length    0.6856935  -0.0424340    1.2743154   0.5162707
  Sepal.Width    -0.0424340   0.1899794   -0.3296564  -0.1216394
  Petal.Length    1.2743154  -0.3296564    3.1162779   1.2956094
  Petal.Width     0.5162707  -0.1216394    1.2956094   0.5810063

x<-c(1,2,5,3,4)
sample(iris[,1],5,replace =TRUE)

  [1] 6.2 4.9 5.5 5.9 5.5

# Gráficos

hist(EDAD_DECLARADA)
abline(v=67,col="red")
abline(h=3000,col="blue")

#--- Opción 1

Edad<-EDAD_DECLARADA
mu.e<-mean(Edad)
sd.e<-sd(Edad)

hist(Edad,freq = FALSE,main="Histograma de Edad")
curve(dnorm(x,mean =mu.e, sd = sd.e),
      min(Edad),max(Edad),add=TRUE,col="purple",lty=2,lwd=5)

# Opción 2


f.norm<-function(x)
{
1/(sqrt(2*pi)*sd.e)*exp((-1/2)*((x-mu.e)/sd.e)^2) 
}

hist(Edad,freq = FALSE,main="Histograma de Edad")
curve(f.norm,min(Edad),max(Edad),add=TRUE,col="purple",lty=2,lwd=5, ylab=expression(f[x](x)), main="PDF for X")

# opción 3

hist(Edad,freq=F, col="violet", main="Muestra simulada") # densidad de la muestra
x <- seq(min(Edad),max(Edad),
         length.out=length(Edad))
lines(x, f.norm(x)) # densidad de la curva

2.5 1.5 Algunas funciones importantes para el manejo de datos

Dada la función \[ f(x)=e^{-\frac{x^2}{2}} \] integrarla en el intervalo \([1,\infty)\)

library(flextable)

f<-function(x) 
    {
     exp(-x^2/2)
    }

integrate(f, lower=1, upper=Inf)

  0.3976897 with absolute error < 1.2e-06

Dada la función \[ \frac{1}{\sqrt{2\pi}\sigma}e^{\frac{-(x-\mu)^{2}}{2\sigma^{2}}} \] integrarla en \((-\infty,\infty)\)

mu.e<-0
sd.e<-1

f.norm<-function(x)
{
1/(sqrt(2*pi)*sd.e)*exp((-1/2)*((x-mu.e)/sd.e)^2) 
}

integrate(f.norm, lower=-Inf, upper=0)

  0.5 with absolute error < 4.7e-05

Observaciones para la distribución \(\chi^{2}\).

• dchisq(x,\(\mu\), ds), da la pdf, \(f(x)\) en (-inf,inf)

• pchisq(x,\(\mu\), ds), da cdf, \(F(x)\) en (-inf,inf)

• qchisq(s,\(\mu\), ds), da el percentiles para \(s\) en \((0,1)\)

• rchisq(n,\(\mu\), ds), generación de una muestra aleatoria.

La pdf de la \(\chi^2\) está dada por \[ f(x)=\frac{1}{\Gamma(k/2)}\left(\frac{1}{2}\right)^{k/2}x^{k/2-1}e^{-(1/2)x}I_{(0,\infty)}(x) \]

curve(dchisq(x, df = 3), from = 0, to = 20, 
      ylab = expression(f[X](x)),
      col="red",main="pdf de la Chi")

Por otra parte,

# Grupo de Chicuadradas

x1<-seq(0,20,length=10)
y1<-seq(0,0.30,length=10)

plot(x1,y1,type="n",
     ylab = expression(f[X](x)),
     xlab="x",
     main="pdf")

ind <- c(3,4,5,10,15)

for (i in ind) 
    {
      curve(dchisq(x, df = i),from=0, to=20, 
            col=i,add =TRUE,ylim=c(0,.3))
     }

leg.txt <- c("gl=3","gl=4","gl=5","gl=10","gl=15")
legend("topright", leg.txt, col=ind, lwd=1, lty=1, bty="n")

#legend(15,0.25, leg.txt, col=ind, lwd=1, lty=1, bty="n")
#leg.txt <- paste(expression(X^{2}(2)))