punto 2.1

x = c(1,3,5,7,9)
y = c(2,4,6,7,11,12)

C <- x+1
C
## [1]  2  4  6  8 10
D <- y*2 
D
## [1]  4  8 12 14 22 24
E <- length(x)
E
## [1] 5
E1 <- length(y) 
E1
## [1] 6
F1 <- x + y
## Warning in x + y: longitud de objeto mayor no es múltiplo de la longitud de uno
## menor
F1
## [1]  3  7 11 14 20 13
G <- sum(x>5)
G
## [1] 2
G1 <- sum(x[x>5])
G1
## [1] 16
H <- sum(x>5 | x< 3) 
H
## [1] 3
I <- y[2] 
I
## [1] 4
J <- y[-2]
J
## [1]  2  6  7 11 12
K <- y[x]
K
## [1]  2  6 11 NA NA
#punto L: NA significa que no hay un valor valido en  el vector

M <- y[y>=8] 
M
## [1] 11 12

punto 2.2

millas = c(65241, 65665, 65998, 66014, 66547, 66857, 67025, 67447, 66958, 67002)

millas
##  [1] 65241 65665 65998 66014 66547 66857 67025 67447 66958 67002
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
derivada1 =  diff (millas)
derivada1
## [1]  424  333   16  533  310  168  422 -489   44
derivada2 = diff (kms)
derivada2
## [1]  682.216  535.797   25.744  857.597  498.790  270.312  678.998 -786.801
## [9]   70.796
resumir1 =  summary(millas)
resumir1
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   65241   66002   66702   66475   66991   67447
resumir2 = summary(kms)
resumir2
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##  104973  106197  107324  106959  107789  108522

punto 2.3

pagoeuro <- c(47, 32, 40, 36, 49, 31, 49, 30, 49, 35, 48, 32)

meses <- c("Enero", "Febrero", "Marzo", "Abril", "Mayo", "Junio", "Julio", "Agosto", "Septiembre", "Octubre", "Noviembre", "Diciembre")

#A

H1 <- sum(pagoeuro)
cat(" Valor total de la factura del último año fue:", H1, "euros\n")
##  Valor total de la factura del último año fue: 478 euros
#B

H2 <- mean(pagoeuro)
cat("b) Promedio pago mensual fue:", H2, "euros\n")
## b) Promedio pago mensual fue: 39.83333 euros
#C

H3_min <- min(pagoeuro)
H3_max <- max(pagoeuro)
cat("c) La cantidad maxima pagada fue:", H3_max, "euros\n")
## c) La cantidad maxima pagada fue: 49 euros
cat("   La cantidad minima pagada fue:", H3_min, "euros\n")
##    La cantidad minima pagada fue: 30 euros
#D

mesespago <- sprintf(meses, ":", pagoeuro)
## Warning in sprintf(meses, ":", pagoeuro): 2 arguments not used by format
cat(" Los pagos mensuales fueron:\n")
##  Los pagos mensuales fueron:
mesespago
##  [1] "Enero"      "Febrero"    "Marzo"      "Abril"      "Mayo"      
##  [6] "Junio"      "Julio"      "Agosto"     "Septiembre" "Octubre"   
## [11] "Noviembre"  "Diciembre"
#E

H5 <- sum(pagoeuro > 40)
cat("Pago mas de 40 euros en", H5, "meses\n")
## Pago mas de 40 euros en 5 meses
#F

H6 <- (sum(pagoeuro[pagoeuro > 40]) / sum(pagoeuro)) * 100
cat(" El porcentaje del gasto total que representa pagar más que 40 euros es:", H6, "%\n")
##  El porcentaje del gasto total que representa pagar más que 40 euros es: 50.62762 %

punto 2.4

datos = c(61, 88, 73, 49, 41, 72, 99, 07, 12, 13, 87, 91, 05, 17, 97 )

#A
total <- sum(datos)

porcentajes <- (datos / total) * 100


barplot(porcentajes, 
        ylim = c(0, max(porcentajes) + 10), 
        main = "Diagrama porcentual", names.arg = datos)

#B

summar = summary(datos)
summar
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    5.00   15.00   61.00   54.13   87.50   99.00
five <- fivenum(datos)
five
## [1]  5.0 15.0 61.0 87.5 99.0
#La diferencia es que summary muestra las medidas de tendencia central y dispersion, mientras fivenum lo divide en 5 partes para separarlo en cuartiles

punto 2.5

#a

numeros =  rnorm(100)
numeros
##   [1]  1.1682118217  0.2424593498 -0.4612441656 -1.5373082600  0.1331369214
##   [6]  0.2518025651  0.8623426517 -0.1911989815  0.8632996110 -0.8629015276
##  [11] -0.3630838707 -0.9553361486  1.6916503254 -1.2340442866 -0.0001985058
##  [16]  0.8576558437 -1.2269838610  0.1229788153  2.4841071947  0.9596528175
##  [21] -0.1931805998 -1.5010477402 -0.4105685671  0.5441610910  0.8375581301
##  [26]  0.2393908698 -0.2938311243  0.3619898642 -0.7108294125 -1.5202373651
##  [31]  0.0969575428 -1.2181526865 -0.0499427007  0.5541403899  0.7381707161
##  [36] -1.0915606772 -0.8050940340  0.5008114734 -1.0434210706  0.5105301382
##  [41] -0.4403903371  1.1554698520 -0.7329341369 -1.4703173310 -0.1697901846
##  [46]  0.5448061249  0.0653397398  0.3739916086  1.9569259027 -0.1001620744
##  [51] -1.6547816035  0.6281176382  0.3742154627 -0.4087332929 -0.2150059883
##  [56] -0.3212204779 -0.3481032975 -0.1426518376  0.1240641020  0.3148278177
##  [61] -0.6614029255 -0.0778218891  3.2377915122  1.2712908567 -0.6443867360
##  [66] -0.9955224528 -2.0475691808 -0.4667413485  0.0615300260 -0.0803953795
##  [71] -0.5425191347 -0.9840438372  0.6554904490  1.3348071799  0.7178529972
##  [76]  0.6334683663 -1.3109697139 -2.1544493811  0.3153088536 -1.1425498549
##  [81]  0.1860868538 -0.2197183504  0.9974434893 -0.2694214464  1.1361456419
##  [86] -2.1422845190 -0.3436810071  1.7988577164 -1.6950999151  0.4189193423
##  [91]  1.1928521771 -0.1409474266  0.1450389324 -1.6330454323 -1.1165903351
##  [96]  0.4261069652 -0.6027238889  1.4575541383  1.2514260667 -0.2781115320
#b
#observo los numeros representados en frecuencias y una especie de piramide en el grafico

hist = hist(numeros)

hist
## $breaks
##  [1] -2.5 -2.0 -1.5 -1.0 -0.5  0.0  0.5  1.0  1.5  2.0  2.5  3.0  3.5
## 
## $counts
##  [1]  3  6  9 11 24 18 16  8  3  1  0  1
## 
## $density
##  [1] 0.06 0.12 0.18 0.22 0.48 0.36 0.32 0.16 0.06 0.02 0.00 0.02
## 
## $mids
##  [1] -2.25 -1.75 -1.25 -0.75 -0.25  0.25  0.75  1.25  1.75  2.25  2.75  3.25
## 
## $xname
## [1] "numeros"
## 
## $equidist
## [1] TRUE
## 
## attr(,"class")
## [1] "histogram"
resumenumerico = summary (numeros)
resumenumerico
##     Min.  1st Qu.   Median     Mean  3rd Qu.     Max. 
## -2.15445 -0.67376 -0.07911 -0.04428  0.54714  3.23779

punto 2.6

numeros1 = rbinom(5,30, 0.9)
numeros1
## [1] 25 25 27 26 28
barplot(table(numeros1),
        main = "Diagrama de barras Binomial", ylab = "frecuencia")

resumenum = summary(numeros1)
resumenum
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    25.0    25.0    26.0    26.2    27.0    28.0
#la del ejercicio anterior(histograma) es simetrica, en cambio la binomial es asimetrica, tambien para tener igual el resumen se tiene que calcular por cada dato estadistico  que se requiera.

punto 2.7

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)

barplot(orbita)

#en el diagrama de barras se representa mucho mejor, el boxplot no me representa adecuadamente.

#B
Numerrores = mean(orbita,na.rm =TRUE)
Numerrores
## [1] 0.4545455

punto 2.8

#A
estudiante <- 1:10
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)

#B
tabla_p1 <- table(p1)
tabla_p2 <- table(p2)
tabla_p3 <- table(p3)
cat("Tabla  para P1:\n")
## Tabla  para P1:
tabla_p1
## p1
## 3 4 
## 6 4
cat("Tabla para P2:\n")
## Tabla para P2:
tabla_p2
## p2
## 2 5 
## 5 5
cat("Tabla para P3:\n")
## Tabla para P3:
tabla_p3
## p3
## 1 3 
## 5 5
#C
tablap1_p2 <- table(p1, p2)
tablap1_p3 <- table(p1, p3)
tablap2_p3 <- table(p2, p3)

cat("Tabla de contingencia cruzada entre P1 y P2:\n")
## Tabla de contingencia cruzada entre P1 y P2:
tablap1_p2
##    p2
## p1  2 5
##   3 3 3
##   4 2 2
cat("Tabla de contingencia cruzada entre P1 y P3:\n")
## Tabla de contingencia cruzada entre P1 y P3:
tablap1_p3
##    p3
## p1  1 3
##   3 4 2
##   4 1 3
cat("Tabla de contingencia cruzada entre P2 y P3:\n")
## Tabla de contingencia cruzada entre P2 y P3:
tablap2_p3
##    p3
## p2  1 3
##   2 3 2
##   5 2 3
#D
barplot(rbind(p2, p3), beside = TRUE, names.arg = estudiante, col = c("green", "yellow"),
        legend.text = c("P2", "P3"), main = "Diagrama de Barras Apiladas de P2 y P3")

#E
barplot(rbind(p1, p2, p3), beside = TRUE, names.arg = estudiante, col = c("blue", "brown", "red"),
        legend.text = c("P1", "P2", "P3"), main = "Diagrama de Barras CON las Tres Preguntas")

punto 2.9

#A
vector1 = rnorm (50)
vector2 = rnorm (50)

prueba1 = shapiro.test(vector1)
prueba1
## 
##  Shapiro-Wilk normality test
## 
## data:  vector1
## W = 0.97515, p-value = 0.3698
prueba2 = shapiro.test(vector2) 
prueba2
## 
##  Shapiro-Wilk normality test
## 
## data:  vector2
## W = 0.98532, p-value = 0.7852
#B
test = t.test(vector1, vector2)
test
## 
##  Welch Two Sample t-test
## 
## data:  vector1 and vector2
## t = -1.5401, df = 96.048, p-value = 0.1268
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##  -0.8096048  0.1021682
## sample estimates:
##  mean of x  mean of y 
## -0.1134075  0.2403108

punto 2.1.0

#A
x4 <- rnorm(50)
x4
##  [1] -1.85133604 -0.90294815 -0.31711194  0.97328013 -0.50427184 -0.66634024
##  [7]  0.41964144 -1.83447739 -0.13677584 -2.69638807  0.30451359  0.90636703
## [13]  0.70801448  0.81271566 -0.25684142  0.51318138 -0.05418413  0.07876788
## [19]  0.67749930 -0.12906305 -1.43879525  0.46876990  0.52582827 -0.13639556
## [25] -0.31022691 -0.57736599  0.83537797  0.40323517  0.72393976 -0.59675310
## [31] -0.16470005  0.25811212 -0.01523180 -1.77460988  1.13590056 -1.01675858
## [37] -2.34905921 -0.00341936 -1.52412789  1.18892659  1.10681516  0.68446195
## [43] -0.99626231  0.49414971 -1.22645196 -0.32298593  0.92756895 -0.06675416
## [49] -0.63323249 -0.46786189
shapiro.test(x4)
## 
##  Shapiro-Wilk normality test
## 
## data:  x4
## W = 0.94651, p-value = 0.02457
y <- rbinom(50, 2, 0.99)
y
##  [1] 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
## [39] 2 2 2 2 2 1 2 2 2 2 2 2
shapiro.test(y)
## 
##  Shapiro-Wilk normality test
## 
## data:  y
## W = 0.12543, p-value = 1.127e-15
#B

t.test(x4, y)
## 
##  Welch Two Sample t-test
## 
## data:  x4 and y
## t = -15.959, df = 51.194, p-value < 2.2e-16
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##  -2.427720 -1.885226
## sample estimates:
##  mean of x  mean of y 
## -0.1764733  1.9800000
#se muestra una diferencia significativa entre las medias X y Y,de estos valores generados aleatoriamente.