library(modeest)
# 1 Realice los siguientes cálculos aritméticos y redondee los resultados finales con una cifra decimal.
#a
round (((24/-8+7)/(9-6*(2))),1)
## [1] -1.3
#b
round ((2^3*-7+4-((1)/(3)+((1)/(2)))),1)
## [1] -52.8
#c
round (((sqrt(16)+5*4-3^-2)/(3*(4-8)+1)),1)
## [1] -2.2
#d
round ((1)/(2)*(((5)/(4)-2^-1)*((13)/(4))-sqrt(7)+8/(2-((1)/(5)))-3^2),1)
## [1] -2.4
#e
round ((2*sin((pi)/(3))+5*cos((pi)/(4))-((tan((pi)/(6))/(4)))),1)
## [1] 5.1
#f
round ((4*log2(5)-3*log(7,base=3)+((1)/(3))*log(8)^3),1)
## [1] 7
# 2 Suponga que se toma una muestra de 20 taxistas que laboran en el centro de la ciudad de Cali en 2016. Los datos obtenidos para los 20 taxistas se describen a continuación:
data <- matrix(c(14.2, 8.0, 9.2, 12.1, 8.7, 11.6, 11.0, 12.5, 10.0, 9.0, 8.5, 13.1, 12.9, 8.4, 11.2, 9.8, 12.4, 11.0, 13.0, 8.6, 11, 10, 6, 9, 10, 12, 14, 10, 8, 9, 11, 12, 11, 11, 15, 13, 12, 12, 8, 13, 1, 4, 5, 6, 9, 8, 6, 5, 4, 7, 8, 9, 3, 2, 6, 9, 1, 2, 1, 8), nrow = 3, byrow = TRUE)
colnames(data) <- c("1", "2", "3", "4", "5", "6", "7", "8", "9", "10", "11", "12", "13", "14", "15", "16", "17", "18", "19", "20")
rownames(data) <- c("GC", "NP", "AS")
tabla <- as.table(data)
print(tabla)
## 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
## GC 14.2 8.0 9.2 12.1 8.7 11.6 11.0 12.5 10.0 9.0 8.5 13.1 12.9 8.4 11.2
## NP 11.0 10.0 6.0 9.0 10.0 12.0 14.0 10.0 8.0 9.0 11.0 12.0 11.0 11.0 15.0
## AS 1.0 4.0 5.0 6.0 9.0 8.0 6.0 5.0 4.0 7.0 8.0 9.0 3.0 2.0 6.0
## 16 17 18 19 20
## GC 9.8 12.4 11.0 13.0 8.6
## NP 13.0 12.0 12.0 8.0 13.0
## AS 9.0 1.0 2.0 1.0 8.0
#2a. Construya dos vectores y denótelos GC y NP para guardar los datos de Gasto de combustible y número de pasajeros."
GC <- c(14.2, 8.0, 9.2, 12.1, 8.7, 11.6, 11.0, 12.5, 10.0, 9.0, 8.5, 13.1, 12.9, 8.4, 11.2, 9.8, 12.4, 11.0, 13.0, 8.6)
NP <- c(11, 10, 6, 9, 10, 12, 14, 10, 8, 9, 11, 12, 11, 11, 15, 13, 12, 12, 8, 13)
ID <- c(1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20)
#2b. Calcule la moda, la mediana, la media, desviación estándar, varianza y los cuartiles, para los datos de GC y NP.
#Moda, mediana, media, desviación estándar, varian y los cuartiles para GC
mfv(GC)
## [1] 11
median(GC)
## [1] 11
mean(GC)
## [1] 10.76
sd(GC)
## [1] 1.914873
var(GC)
## [1] 3.666737
quantile(GC)
## 0% 25% 50% 75% 100%
## 8.000 8.925 11.000 12.425 14.200
#Moda, mediana, media, desviación estándar, varian y los cuartiles para NP
mfv(NP)
## [1] 11 12
median(NP)
## [1] 11
mean(NP)
## [1] 10.85
sd(NP)
## [1] 2.183069
var(NP)
## [1] 4.765789
quantile(NP)
## 0% 25% 50% 75% 100%
## 6.00 9.75 11.00 12.00 15.00
#2c. Represente gráficamente las variables GC y NP.
#Gráfica GC
barplot(GC, ID, main = "Taxistas", xlab = "Galones Por Semana", ylab = "Identificación Del Taxista", col = c("slateblue"))
#Gráfica NP
barplot(NP, ID, main = "Taxistas", xlab = "Número de Personas por
Semana", ylab = "Identificación Del Taxista", col = c("plum2"))
#3. De acuerdo con DANE durante el año 2016 en la Ciudad de Santiago de Cali - Vallese han presentado diferencias en cuanto al porcentaje de hogares pobres (PHP) y la tasa de mortalidad infantil (TMI) por cada mil nacidos vivos"
#3a. Construya dos vectores y denótelos PHP y TMI para guardar los datos de porcentaje de hogares pobres y tasa de mortalidad infantil.
PHP <- c(14.0, 24.7, 16.4, 26.0, 25.7, 24.6)
TMI <- c(8.8, 10.2, 8.0, 9.1, 8.2, 9.4)
#3b. Calcule la moda, la mediana, la media, desviación e datos de PHP y TMI.
#Moda, mediana, media y desviación estándar para PHP
mfv(PHP)
## [1] 14.0 16.4 24.6 24.7 25.7 26.0
median(PHP)
## [1] 24.65
mean(PHP)
## [1] 21.9
sd(PHP)
## [1] 5.273329
#Moda, mediana, media y desviación estándar para TMI
mfv(TMI)
## [1] 8.0 8.2 8.8 9.1 9.4 10.2
median(TMI)
## [1] 8.95
mean(TMI)
## [1] 8.95
sd(TMI)
## [1] 0.8093207
#3c. Represente gráficamente las variables PHP y TM
#Gráfica PHP
names(PHP) = c("Central", "Norte", "Sur", "Oriente", "Oeste", "Rural")
barplot(PHP, main = "Informe DANE 2016", xlab = "Ubicación", ylab = "Porcentaje", col = c("royalblue", "lightyellow", "purple", "grey", "brown", "seagreen"))
#Gráfica TMI
names(TMI) = c("Central", "Norte", "Sur", "Oriente", "Oeste", "Rural")
barplot(TMI, main = "Informe DANE 2016", xlab = "Ubicación", ylab = "Tasa Mortalidad Infantil", col = c("royalblue", "lightyellow", "purple", "grey", "brown", "seagreen"))
#4. Considere el siguiente cuadro referido a un grupo de estudiantes universitarios encuanto a su género y estado conyugal."
#4a. Construya la tabla anterior mediante el programa R
data <- matrix(c(8, 14, 5, 12, 9, 10), nrow = 2, byrow = TRUE)
colnames(data) <- c("Casado", "Soltero", "Otro")
rownames(data) <- c("Masculino", "Femenino")
tabla <-as.table(data)
print(tabla)
## Casado Soltero Otro
## Masculino 8 14 5
## Femenino 12 9 10
barplot(tabla, main = "Estado Conyugal Por Género", xlab = "Estado Civil", ylab = "Cantidad de Personas", col = c("royalblue", "deeppink"))
#4b. Represente gráficamente la tabla anterior (realice al menos dos gráficos diferentes).
#Gráfico Masculino
Masculino = c(8, 14, 5)
names(Masculino) = c("Casado", "Soltero", "Otro")
barplot(Masculino, main = "Estado Conyugal Por Género", xlab = "Estado Civil", ylab = "Cantidad de Personas", col = c("midnightblue", "red2", "seagreen4"))
#Gráfico Femenino
Femenino = c(12, 9, 10)
names(Femenino) = c("Casada", "Soltera", "Otro")
barplot(Femenino, main = "Estado Conyugal Por Género", xlab = "Estado Civil", ylab = "Cantidad de Personas", col = c("darkmagenta", "deepskyblue4", "firebrick"))
