Taller 2
Valeria Preciado Ramirez
2024-04-17
- ACTIVIDADES 2.1.
#PUNTO A
x = c(1,3,5,7,9)
print(x)## [1] 1 3 5 7 9#PUNTO B
y = c(2,4,6,7,11,12)
print(y)## [1] 2 4 6 7 11 12#PUNTO C
(x+1)## [1] 2 4 6 8 10#PUNTO D
y*2## [1] 4 8 12 14 22 24#PUNTO E
length(x); length(y)## [1] 5## [1] 6#PUNTO F
(x+y)## Warning in x + y: longitud de objeto mayor no es múltiplo de la longitud de uno
## menor## [1] 3 7 11 14 20 13#PUNTO G
sum(x>5); sum(x[x>5])## [1] 2## [1] 16#PUNTO H
sum(x>5 | x<3)## [1] 3#PUNTO I
y [2]## [1] 4#PUNTO J
y[-2]## [1] 2 6 7 11 12#PUNTO K
y[x]## [1] 2 6 11 NA NA#PUNTO L
"NA es usado para representar explícitamente datos perdidos, omitidos o que por alguna razón son faltantes o tambien puede aparecer. Como resultado de una operación realizada, pero no tuvo éxito en su ejecución. "## [1] "NA es usado para representar explícitamente datos perdidos, omitidos o que por alguna razón son faltantes o tambien puede aparecer. Como resultado de una operación realizada, pero no tuvo éxito en su ejecución. "#PUNTO M
y[y>=8]## [1] 11 122.2.Un conductor europeo de viaje por Estados Unidos apunta las millas recorridas por su coche cada vez que llena el tanque de gasolina. La relación de las últimas 10 veces que lo ha llenado es la siguiente:
#PUNTO A
millas = c(65241, 65665, 65998, 66014, 66547, 66857, 67025, 67447, 66958, 67002)
millas## [1] 65241 65665 65998 66014 66547 66857 67025 67447 66958 67002#PUNTO B
kms = millas * 1.609
kms## [1] 104972.8 105655.0 106190.8 106216.5 107074.1 107572.9 107843.2 108522.2
## [9] 107735.4 107806.2#PUNTO C
diff(kms)## [1] 682.216 535.797 25.744 857.597 498.790 270.312 678.998 -786.801
## [9] 70.796#PUNTO D
summary(kms)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 104973 106197 107324 106959 107789 108522#Respuesta C: El propósito principal de la funcion diff es calcular las diferencias entre los elementos de un vector para crear un nuevo vector que muestre la variación entre los elementos originales.
#Respuesta D: Esta función proporciona un resumen estadístico rápido que incluye el mínimo, el primer cuartil, la mediana, la media, el tercer cuartil y el máximo. Se puede usarlo para obtener una visión general de la distribución de las millas recorridas.
2.3.Una persona dispone de un contrato de pago mínimo telefónico, con el que cuenta poder controlar sus gastos. A pesar de esto cada mes tiene que pagar cantidades diferentes, que finalmente decide revisar. En el último año estas cantidades, en euros, han sido las siguientes:
gastos = c(47, 32, 40, 36, 49, 31, 49, 30, 49, 35, 48, 32)
#PUNTO A
sum_gastos = sum(gastos)
print(paste("La factura del último años le costo",sum_gastos,"euros"))## [1] "La factura del último años le costo 478 euros"#PUNTO B
mean_gastos = mean(gastos)
print(paste("En promedio lo que ha pagado la persona es",round(mean_gastos,2) ,"euros"))## [1] "En promedio lo que ha pagado la persona es 39.83 euros"#PUNTO C
pago_maximo = max(gastos)
pago_minimo = min(gastos)
print(paste("El pago maximo es de",pago_maximo,"euros"))## [1] "El pago maximo es de 49 euros"print(paste("El pago minimo es de",pago_minimo,"euros"))## [1] "El pago minimo es de 30 euros"#PUNTO D
meses = c("Enero",
"Febrero",
"Marzo",
"Abril",
"Mayo",
"Junio",
"Julio",
"Agosto",
"Septiembre",
"Octubre",
"Noviembre",
"Diciembre")
matrizColumna = cbind(meses, gastos)
matrizColumna## meses gastos
## [1,] "Enero" "47"
## [2,] "Febrero" "32"
## [3,] "Marzo" "40"
## [4,] "Abril" "36"
## [5,] "Mayo" "49"
## [6,] "Junio" "31"
## [7,] "Julio" "49"
## [8,] "Agosto" "30"
## [9,] "Septiembre" "49"
## [10,] "Octubre" "35"
## [11,] "Noviembre" "48"
## [12,] "Diciembre" "32"#PUNTO E
meses_exceso = sum(gastos>40)
print(paste("Pago de mas en",meses_exceso,"meses"))## [1] "Pago de mas en 5 meses"#PUNTO F
sum_meses = sum(gastos[gastos>40])
sum_meses_total = sum(gastos)
porcentaje_total = (sum_meses/sum_meses_total) * 100
print(paste("El valor total de los meses que supera los 40 euros es",sum_meses,"euros"))## [1] "El valor total de los meses que supera los 40 euros es 242 euros"print(paste("El valor total del pago anual es",sum_meses_total,"euros"))## [1] "El valor total del pago anual es 478 euros"print(paste("El porcentaje del gasto total que representa es del",
round(porcentaje_total,2),"%"))## [1] "El porcentaje del gasto total que representa es del 50.63 %"2.4.Con los datos siguientes:
datos_siguientes = c(61, 88, 73, 49, 41, 72, 99, 07, 12, 13, 87, 91, 05, 17, 97)
#PUNTO A
pie(datos_siguientes, main = "Diagrama Porcentual", labels = paste0(datos_siguientes, "%"))
#PUNTO B
summary(datos_siguientes)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 5.00 15.00 61.00 54.13 87.50 99.00#PUNTO C
summary(datos_siguientes)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 5.00 15.00 61.00 54.13 87.50 99.00fivenum(datos_siguientes)## [1] 5.0 15.0 61.0 87.5 99.0#Respuesta C: #Summary(x) - proporciona un resumen más completo y general de los datos. Muestra varias estadísticas descriptivas, incluyendo el mínimo, el primer cuartil (25%), la mediana (50%), la media, el tercer cuartil (75%) y el máximo. La salida de summary() mostrará estas estadísticas en una forma más detallada y general.
#fivenum(x) - se utiliza para calcular cinco estadísticas principales, que son los cinco números resumen principales de tus datos. Estas estadísticas son el mínimo, el primer cuartil (25%), la mediana (50%), el tercer cuartil (75%) y el máximo. Es una forma más concisa de obtener una visión general de la distribución de tus datos, por lo tanto mostrará únicamente estos cinco valores resumen principales.
2.5.R permite generar datos aleatorios con gran facilidad mediante instrucciones específicas que empiezan con “r” (rnorm, rpois, rbinom,…).
#PUNTO A
datos = rnorm(100)
datos## [1] 0.731219870 -0.251198090 -0.699207156 -0.500896470 -2.541185752
## [6] 0.207960392 0.323920489 -2.742349548 -0.120608122 0.638370733
## [11] 0.482957109 0.130518275 0.041464961 1.425281383 -1.337963452
## [16] -0.721201313 0.448383055 -0.018728372 1.112241416 -0.352978115
## [21] -1.499926933 -0.781866145 1.933338338 0.213417216 0.075115499
## [26] -1.045354706 1.322623147 -1.783398843 0.288661864 0.646115181
## [31] 1.090977720 0.552360774 1.439304412 0.051261074 1.429482084
## [36] 1.228856605 -0.871625856 -0.383742073 0.575011657 0.134538785
## [41] 0.194138138 0.923481199 0.067409423 -0.128408831 0.249818460
## [46] -1.850416578 -0.263637897 0.495239511 -0.360604911 -2.053697688
## [51] -2.165137295 1.355696318 -0.833187302 0.515755113 -1.429902431
## [56] -1.821854394 -0.249528469 -2.716450680 -1.602068598 -0.735595383
## [61] -0.486993118 0.295164531 2.887858298 0.491592819 0.413677128
## [66] -0.322662187 1.251853029 0.256086960 0.758524461 0.562483905
## [71] 0.150799541 0.671560003 0.004129448 0.193294384 -0.395193759
## [76] -1.731587985 -1.101999234 -1.226976981 -1.260601758 0.691015273
## [81] -1.319788414 -0.348659818 -0.343712967 -0.957416807 0.354489198
## [86] -1.709678279 -0.170026995 -0.296602838 -0.089750981 -0.893895416
## [91] -1.318542931 0.467766874 -0.264679397 -0.316085737 1.094543027
## [96] -0.994008887 0.074132060 -0.877179649 0.661532378 -1.132858713#PUNTO B
hist(datos)
#Prueba siguiente
datos2 = rnorm(100)
datos2## [1] -0.46688452 0.41206804 0.17721712 0.42269601 1.25423356 0.36343472
## [7] 1.47663109 -0.07719630 0.83103584 -0.43652067 0.55783651 0.61432492
## [13] 1.07855679 -0.08006672 -0.69260485 -0.45899078 0.58639825 0.19403741
## [19] 0.83121087 -1.39676617 -0.76050460 -0.24237216 -0.90177869 0.80471465
## [25] 1.04401849 0.02664570 1.87718607 0.05013463 0.33752238 1.23409290
## [31] 1.45446263 -0.25069410 0.77824492 0.31052673 -0.55004408 0.12338278
## [37] -0.97279437 -1.88088855 -0.23375198 0.79636755 0.47672003 0.24949524
## [43] 0.45289981 -0.12140995 0.15989919 -0.85107943 -0.38705342 -0.82389379
## [49] 0.61045106 -1.77201707 0.24511100 -0.45416470 -1.75253389 -0.23179143
## [55] -2.30478776 -1.99129130 -0.68516832 -1.93214556 -0.72507348 -1.98956566
## [61] 0.01093974 1.60703592 0.14339208 -0.51497082 -1.76774875 -0.79771819
## [67] -0.98861404 -1.37255139 1.28714158 -1.35967255 1.41971720 0.64024973
## [73] -0.37818219 -0.09838538 0.40318061 0.58545418 1.77890764 1.19512621
## [79] 0.79826457 -1.31556839 0.70897270 -0.65358236 -1.69394821 -0.09796882
## [85] 1.22667633 -1.75723857 -0.35517493 -1.44513493 0.10258645 0.23984806
## [91] -1.03589690 0.02358608 -0.24674663 -0.21556179 0.35080792 0.43669311
## [97] 0.07670186 0.23257666 0.91284575 -0.70505228hist(datos2)
#Ultima prueba
datos3 = rnorm(100)
datos3## [1] -1.152987483 -0.813683836 0.232364965 0.223843106 -0.853127192
## [6] -0.387416710 -0.229770198 -2.436664069 -0.561143515 2.485156633
## [11] 0.971386987 -0.759576768 -0.013056777 -0.013836669 0.053678498
## [16] -0.528921998 -2.520564547 2.292849672 -1.056269679 0.495725572
## [21] -0.011746381 -0.267795934 -0.346409788 0.834671616 1.444054029
## [26] -0.768290083 -0.269774049 0.544673335 2.639365066 -2.332098771
## [31] -0.672785324 -0.595563684 -0.159831381 -0.387451855 2.272980849
## [36] -3.032683171 -0.914368966 0.214698333 0.467534298 -0.126255197
## [41] 0.003742035 1.426783894 0.974022832 -0.413407845 -0.997357820
## [46] -1.637486548 0.029552617 -1.292718358 1.634002417 0.024430158
## [51] -1.773039233 0.283108173 -0.599704943 0.119387325 -1.568839469
## [56] -0.262850415 -0.685620168 0.736858060 0.852106979 -0.450536985
## [61] -1.082019049 0.213395790 -0.282662316 1.407473002 2.068780727
## [66] -1.212353525 -1.916568882 0.154662265 0.851957493 1.667767917
## [71] -0.049786412 0.735263014 0.094060851 -0.269561247 1.026934951
## [76] 3.657438116 0.011402901 0.232729455 -1.020154072 0.805170531
## [81] 1.803223393 -0.248936639 0.160243361 0.293010392 -1.635609517
## [86] -0.494200170 -0.184052973 0.866209311 -0.096857232 0.848592194
## [91] -0.677297398 2.410833941 -0.304469121 0.476729696 1.646840743
## [96] 0.685322144 1.003359330 -1.812717275 0.328376281 1.645016430hist(datos3)
#Respuesta B:Cuando se uso el comando rnorm(100) genero una muestra de
100 números aleatorios de una distribución normal estándar, por lo que
al repetirlo dos veces se obtuvieron otras dos muestras independientes
de 100 números aleatorios cada una. Se puede apreciar que estas tres
muestras se generarán de manera independiente y al representar el
histograma de cada una de las muestras se puede apreciar en cada uno lo
que seria una campana de gauss
#PUNTO C
summary(datos)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## -2.74235 -0.87301 -0.05424 -0.17816 0.49250 2.88786summary(datos2)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## -2.30479 -0.69572 0.02512 -0.08211 0.58569 1.87719summary(datos3)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## -3.03268 -0.61798 -0.01240 0.04171 0.75394 3.657442.6.De forma similar al ejercicio genera 30 valores de una distribución binomial de parámetros (n=5 y p=0,9).
datos4 = rbinom(30, 5, 0.9)
datos4## [1] 5 5 5 5 5 5 5 4 5 5 5 5 5 5 4 5 5 5 4 4 4 5 5 5 5 4 5 4 4 5#PUNTO A
tabla_datos4 = table(datos4)
barplot(tabla_datos4,
main = "Diagrama de Barras - Distribución Binomial",
xlab = "Valores",
ylab = "Frecuencia")
#PUNTO B Resumen numerico de los datos de la distribucion normal
summary(datos)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## -2.74235 -0.87301 -0.05424 -0.17816 0.49250 2.88786summary(datos4)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 4.000 4.250 5.000 4.733 5.000 5.0002.7.El número de fallos en los 23 primeros intentos de puesta en órbita de un satélite fue: 0 1 0 NA 0 0 0 0 0 1 1 1 0 0 3 0 0 0 0 0 2 0 1 (NA significa ”not available” – se ha perdido el dato).
orbita = c(0, 1, 0, NA, 0, 0, 0, 0, 0, 1, 1, 1, 0, 0, 3, 0, 0, 0, 0, 0, 2, 0, 1)
#crear una tabla de frecuencias con los datos del vector , el valor ifany es para
#contar los valores NA si hay alguno
tablaorbitaconNA = table(orbita,useNA ="ifany")
print(tablaorbitaconNA)## orbita
## 0 1 2 3 <NA>
## 15 5 1 1 1#tabla de datos sin el valor NA
tablaorbitasinNA = table(orbita)
print(tablaorbitasinNA)## orbita
## 0 1 2 3
## 15 5 1 1#PUNTO A
# Crear un diagrama de barras de la tabla de frecuencias hecha con los datos y teniendo en cuenta el NA
barplot(tablaorbitaconNA, main="Número de Fallos en los Intentos de Puesta en Órbita",
xlab="Número de Fallos", ylab="Frecuencia",
ylim = c(0, 20))
# Crear un diagrama de barras de la tabla de frecuencias hecha con los datos y sin tener en cuenta el NA
barplot(tablaorbitasinNA, main="Número de Fallos en los Intentos de Puesta en Órbita",
xlab="Número de Fallos", ylab="Frecuencia",
ylim = c(0, 20))
#PUNTO B
orbita_errores = mean(orbita, na.rm = TRUE)
print(orbita_errores)## [1] 0.45454552.8.En una encuesta en la que se evalúa el funcionamiento de un curso se han recogido las siguientes respuestas de 10 estudiantes a tres preguntas P1, P2 y P3:
#PUNTO A
estudiantes = c(1,2,3,4,5,6,7,8,9,10)
p1 = c(3,3,3,4,3,4,3,4,4,3)
p2 = c(5,5,2,2,5,2,2,5,5,2)
p3 = c(1,3,1,3,3,3,1,3,1,1)
tabla_estudiantes = rbind(estudiantes, p1, p2, p3)
tabla_estudiantes## [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10]
## estudiantes 1 2 3 4 5 6 7 8 9 10
## p1 3 3 3 4 3 4 3 4 4 3
## p2 5 5 2 2 5 2 2 5 5 2
## p3 1 3 1 3 3 3 1 3 1 1# modo opcional de ingresar los datos mediante matriz
datos_respuestas = matrix(c(
3, 3, 3, 4, 3, 4, 3, 4, 4, 3,
5, 5, 2, 2, 5, 2, 2, 5, 5, 2,
1, 3, 1, 3, 3, 3, 1, 3, 1, 1
), nrow = 3, byrow = TRUE)
# Asignar nombres a las filas y columnas
rownames(datos_respuestas) = c("P1", "P2", "P3")
colnames(datos_respuestas) = c("Estudiante 1", "Estudiante 2", "Estudiante 3", "Estudiante 4", "Estudiante 5",
"Estudiante 6", "Estudiante 7", "Estudiante 8", "Estudiante 9", "Estudiante 10")
# Mostrar la matriz de datos
print(datos_respuestas)## Estudiante 1 Estudiante 2 Estudiante 3 Estudiante 4 Estudiante 5
## P1 3 3 3 4 3
## P2 5 5 2 2 5
## P3 1 3 1 3 3
## Estudiante 6 Estudiante 7 Estudiante 8 Estudiante 9 Estudiante 10
## P1 4 3 4 4 3
## P2 2 2 5 5 2
## P3 3 1 3 1 1#PUNTO B
#Tabulacion de los resultados de la pregunta 1
tabulacion_p1 = table(p1)
tabulacion_p1## p1
## 3 4
## 6 4tabla_p1 = barplot(tabulacion_p1,
main="Tabulacion de los resultados de la pregunta 1",
xlab="Resultado",
ylab="Numero de veces repetidos")
#Tabulacion de los resultados de la pregunta 2
tabulacion_p2 = table(p2)
tabulacion_p2## p2
## 2 5
## 5 5tabla_p2 = barplot(tabulacion_p2,
main="Tabulacion de los resultados de la pregunta 2",
xlab="Resultado",
ylab="Numero de veces repetidos")
#Tabulacion de los resultados de la pregunta 3
tabulacion_p3 = table(p3)
tabulacion_p3## p3
## 1 3
## 5 5tabla_p3 = barplot(tabulacion_p3,
main="Tabulacion de los resultados de la pregunta 3",
xlab="Resultado",
ylab="Numero de veces repetidos")
#PUNTO C
#Tabla de contingencia cruzada para la pregunta 1 (P1)
table(p1)## p1
## 3 4
## 6 4#Tabla de contingencia cruzada para la pregunta 2 (P2)
table(p2)## p2
## 2 5
## 5 5#Tabla de contingencia cruzada para la pregunta 3 (P3)
table(p3)## p3
## 1 3
## 5 5#Tabla de contingencia cruzada para la pregunta 1 y 2 (P1 y P2)
table(p1, p2)## p2
## p1 2 5
## 3 3 3
## 4 2 2#Tabla de contingencia cruzada para la pregunta 2 y 3 (P2 y P3)
table(p2, p3)## p3
## p2 1 3
## 2 3 2
## 5 2 3#Tabla de contingencia cruzada para las tres preguntas
table(p1, p2, p3)## , , p3 = 1
##
## p2
## p1 2 5
## 3 3 1
## 4 0 1
##
## , , p3 = 3
##
## p2
## p1 2 5
## 3 0 2
## 4 2 1#PUNTO D
library(ggplot2)
library(tidyr)
estudiantes = c(1,2,3,4,5,6,7,8,9,10)
datos = data.frame(estudiantes, p2, p3)
conjunto_datos = gather(datos, pregunta, calificacion, -estudiantes)
ggplot(conjunto_datos, aes(x = estudiantes, y = calificacion, fill = pregunta)) +
geom_bar(stat = "identity") +
labs(
title = "Diagrama de Barras Apiladas",
x = "Estudiante",
y = "Calificacion",
fill = "Pregunta"
)
#PUNTO E
datos = data.frame(estudiantes, p1, p2, p3)
conjunto_datos = gather(datos, pregunta, calificacion, -estudiantes)
ggplot(conjunto_datos, aes(x = estudiantes, y = calificacion, fill = pregunta)) +
geom_bar(stat = "identity") +
labs(
title = "Diagrama de Barras Apiladas",
x = "Estudiante",
y = "Calificacion",
fill = "Pregunta"
)
2.9.Genera 2 vectores de 50 valores cada de una distribución normal con rnorm (50).
vector1 = rnorm(50)
vector1## [1] 0.09698043 -0.59360362 0.73009976 0.30049009 0.34555383 0.07423574
## [7] -0.49934333 1.71090616 0.44133216 -1.15851431 -1.41462229 0.88140483
## [13] -2.47238763 -0.94255561 -0.46514951 -0.72515032 -0.41153900 1.54849278
## [19] -0.48455552 0.51514920 -0.42809284 0.85620388 1.77466612 -2.41053556
## [25] -0.37011363 -0.26089931 1.03458170 1.47819078 -0.95086475 1.11733664
## [31] 0.25568933 -1.82191671 0.40678550 -1.14150232 0.18389751 2.15067845
## [37] 0.26294358 -0.18391438 1.17533834 -0.10995179 -2.73240342 -1.22548131
## [43] 1.37021839 -0.38435418 0.35370449 -1.45285360 0.66635517 1.43767027
## [49] -1.52483156 -0.29666649vector2 = rnorm(50)
vector2## [1] 0.25790406 0.33686453 -0.38019765 1.69350214 1.14304596 0.31658339
## [7] 2.15921600 -0.68882941 0.39735497 -0.07792179 -0.48510456 0.52345291
## [13] -0.19476540 -1.32076715 0.51544067 -0.67385962 0.25175354 0.66619717
## [19] 1.57445294 -1.43843586 1.23759570 1.35677766 0.29530228 0.33386955
## [25] 1.40993468 0.88259887 1.23891674 1.59630911 -0.46963940 -0.80091849
## [31] 0.42300145 -0.29102468 0.19593982 -1.45586695 0.22884296 1.21056548
## [37] -1.26213072 -0.42862188 0.06127823 0.98279987 1.30251510 -1.64791167
## [43] -0.65956817 -0.27727241 0.90891885 -0.12222817 -0.28481245 -1.67369867
## [49] -1.75023553 0.51815441#PUNTO A
#Prueba de normalidad Shapiro-Wilk para el primer vector
prueba_shapiro1 = shapiro.test(vector1)
prueba_shapiro1##
## Shapiro-Wilk normality test
##
## data: vector1
## W = 0.98335, p-value = 0.699#Prueba de normalidad Shapiro-Wilk para el segundo vector
prueba_shapiro2 = shapiro.test(vector2)
prueba_shapiro2##
## Shapiro-Wilk normality test
##
## data: vector2
## W = 0.97533, p-value = 0.3755#PUNRO B
prueba_test = t.test(vector1, vector2)
prueba_test##
## Welch Two Sample t-test
##
## data: vector1 and vector2
## t = -1.0287, df = 95.712, p-value = 0.3062
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -0.6403182 0.2031912
## sample estimates:
## mean of x mean of y
## -0.06585796 0.15270557Respuesta: Tras realizar la prueba t-student se observa que el p-value supera el umbral 0.05 lo que indica que no hay diferencia significativa en los datos, ademas que de entrada los dos vectores cuentan con una distribucion normal por lo que el t-student asume que los valores siguen una campana simétrica.
2.10.Genera un vector de 50 valores por medio de rnorm y un vector de 50 valores por medio rbinom.
vector3 = rnorm(50)
vector3## [1] 0.78827548 -1.18988304 -0.60462101 1.51805431 -0.52117781 1.05649407
## [7] 1.62452209 0.06254171 0.99905462 0.88756868 -0.12117805 0.54415443
## [13] -0.71170324 -0.24926515 -0.81365302 -1.04084160 -0.30497843 -0.50107664
## [19] -1.40083574 1.04710618 0.55525693 0.49947934 -0.30107565 -0.96664084
## [25] -0.31030635 0.11627448 0.68436166 -0.94339648 1.76473547 0.46937208
## [31] -1.50588508 0.72914544 -0.07974600 -0.03176235 -1.37736622 0.45266223
## [37] 1.40068462 -1.47041161 -2.09393323 1.71100759 -0.25493595 -0.71511256
## [43] -0.84239909 0.23111687 -1.50881164 -1.94618253 -0.49903827 3.02799910
## [49] 0.90604238 0.67279703vector4 = rbinom(50, 5, 0.9)
vector4## [1] 5 4 5 3 3 3 4 5 5 4 5 5 5 5 5 4 4 4 5 5 4 3 5 5 4 5 4 5 5 5 5 4 4 4 4 4 5 4
## [39] 4 4 5 5 4 4 5 5 5 5 4 3#PUNTO C
#Prueba de normalidad Shapiro-Wilk para el primer vector
prueba_shapiro3 = shapiro.test(vector3)
prueba_shapiro3##
## Shapiro-Wilk normality test
##
## data: vector3
## W = 0.98428, p-value = 0.7403#Prueba de normalidad Shapiro-Wilk para el segundo vector
prueba_shapiro4 = shapiro.test(vector4)
prueba_shapiro4##
## Shapiro-Wilk normality test
##
## data: vector4
## W = 0.75122, p-value = 7.799e-08#PUNTO D
prueba_test2 = t.test(vector3,vector4)
prueba_test2##
## Welch Two Sample t-test
##
## data: vector3 and vector4
## t = -24.508, df = 81.762, p-value < 2.2e-16
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -4.769222 -4.053078
## sample estimates:
## mean of x mean of y
## -0.01115022 4.40000000RESPUESTA: Tras realizar la prueba t-student se observa que el p-value no supera el umbral 0.05 lo que indica que hay diferencia significativa en los datos, teniendo en cuenta que de entrada solo uno de los vectores sigue una distribucion normal mientras que el otro sigue una distribucion binomial.
R Markdown
This is an R Markdown document. Markdown is a simple formatting syntax for authoring HTML, PDF, and MS Word documents. For more details on using R Markdown see http://rmarkdown.rstudio.com.
When you click the Knit button a document will be generated that includes both content as well as the output of any embedded R code chunks within the document. You can embed an R code chunk like this:
summary(cars)## speed dist
## Min. : 4.0 Min. : 2.00
## 1st Qu.:12.0 1st Qu.: 26.00
## Median :15.0 Median : 36.00
## Mean :15.4 Mean : 42.98
## 3rd Qu.:19.0 3rd Qu.: 56.00
## Max. :25.0 Max. :120.00Including Plots
You can also embed plots, for example:
Note that the echo = FALSE parameter was added to the
code chunk to prevent printing of the R code that generated the
plot.