taller 2
stefany
2024-04-18
2.1. ¿Cuál será el resultado de ejecutar las siguientes instrucciones?:
x = c(1,3,5,7,9)
y = c(2,4,6,7,11,12)
c = x+1
cat("El resultado de c es:", c, "\n")## El resultado de c es: 2 4 6 8 10d = y*2
cat("El resultado de d es:", d, "\n")## El resultado de d es: 4 8 12 14 22 24e = length(x)
cat("El resultado de e_1 es:", e, "\n")## El resultado de e_1 es: 5e_2 = length(y)
cat("El resultado de e_2 es:", e_2, "\n")## El resultado de e_2 es: 6f = x + y## Warning in x + y: longitud de objeto mayor no es múltiplo de la longitud de uno
## menorcat("El resultado de f es:", f, "\n")## El resultado de f es: 3 7 11 14 20 13g = sum(x>5) # cuales son > 5
cat("El resultado de g es:", g, "\n")## El resultado de g es: 2g_2 = sum(x[x>5]) # suma los > 5
cat("El resultado de g_2 es:", g_2, "\n")## El resultado de g_2 es: 16h = sum(x>5 | x< 3)
cat("El resultado de h es:", h, "\n")## El resultado de h es: 3i = y[2]
cat("El resultado de i es:", i, "\n")## El resultado de i es: 4j = y[-2]
cat("El resultado de j es:", j, "\n")## El resultado de j es: 2 6 7 11 12k = y[x]
cat("El resultado de k es:", k, "\n")## El resultado de k es: 2 6 11 NA NAcat("NA significa: ausencia de valores", "\n")## NA significa: ausencia de valoresm = y[y>=8]
cat("El resultado de m es:", m, "\n")## El resultado de m es: 11 122.2 Conductor Europeo a.
millas = c(65241, 65665, 65998, 66014, 66547, 66857, 67025, 67447, 66958, 67002)kms = 1.609*millas
kms_1 = round(kms, 1)
print(kms_1)## [1] 104972.8 105655.0 106190.8 106216.5 107074.1 107572.9 107843.2 108522.2
## [9] 107735.4 107806.2dife = diff(millas)
print(dife)## [1] 424 333 16 533 310 168 422 -489 44dife_2 = diff(kms)
difee =round(dife_2, 1)
print(difee)## [1] 682.2 535.8 25.7 857.6 498.8 270.3 679.0 -786.8 70.8resumen = summary(difee)
print(resumen)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## -786.8 70.8 498.8 314.8 679.0 857.62.3 contrato telefonico
pagos=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")- factura ultimo año
costo = sum(pagos)
cat("El costo de la factura es:",costo, "euros\n")## El costo de la factura es: 478 euros- pago promedio por mes
b = mean(pagos)
b = round(b,2)
cat("El pago promedio por mes es:",b, "euros\n")## El pago promedio por mes es: 39.83 euros- cantidades minimas y maximas pagadas
c_1 = max(pagos)
cat("El pago máximo es:",c_1, "euros\n")## El pago máximo es: 49 eurosc_2 = min(pagos)
cat("El pago mínimo es:",c_2, "euros\n")## El pago mínimo es: 30 eurosd.mes en que se realizo cada pago
meses_pagos= cbind(meses,pagos)
meses_pagos## meses pagos
## [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"- pagos mayores de 40 euros
e = sum(pagos > 40)
cat("se realizaron:",e, "pagos superiores a 40 euros\n")## se realizaron: 5 pagos superiores a 40 euros- porcentaje del gasto total
x = sum(pagos[pagos > 40])
print(x)## [1] 242y = sum(pagos)
print(y)## [1] 478operacion = ((x*100)/y)
porcentaje = round(operacion,1)
cat("Los pagos superiores a 40 euros:",porcentaje, "%\n")## Los pagos superiores a 40 euros: 50.6 %2.4 a. diagrama porcentual
datos = c(61, 88, 73, 49, 41, 72, 99, 07, 12, 13, 87, 91, 05, 17, 97)
etiquetas = paste0(round(100 * datos/sum(datos), 2), "%")
pie(datos, labels = etiquetas)
b. resumenes numericos
resumen_basico = summary(datos)
print(resumen_basico)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 5.00 15.00 61.00 54.13 87.50 99.00# Desviación estándar
desviacion_estandar = sd(datos)
desviacion_estandar = round(desviacion_estandar,2)
cat("La Desviacion Estandar es:",desviacion_estandar, "\n")## La Desviacion Estandar es: 35.7# Varianza
varianza = var(datos)
varianza = round(varianza, 2)
cat("La varianza es:",varianza, "\n")## La varianza es: 1274.27- summary(x) y fivenum(x)
fivenum(datos)## [1] 5.0 15.0 61.0 87.5 99.0diferencias:Aunque ambas funciones devuelven valores similares en este caso, “summary” tiene la capacidad de manejar datos faltantes, mientras que “fivenum” simplemente ofrece cinco numeros clave.
2.5 datos aleatorios a. generar valores
a_numeros = rnorm(100)
a_numeros## [1] 0.049373760 -0.224146498 1.419504689 -0.732957160 1.529120536
## [6] 0.439031483 0.436197235 0.160756257 1.298320376 -0.121490106
## [11] 0.194186553 1.042146666 1.289238941 1.090556518 -2.380262668
## [16] 0.121635899 0.301468907 -0.647243180 -1.533567888 -1.937893475
## [21] 0.469669755 -1.445747932 0.691084813 1.056732369 1.270594163
## [26] 1.843025002 0.510208219 -0.338339001 0.040122055 -1.004335338
## [31] 2.377006061 -0.235765596 0.268481354 1.644725098 -0.824647092
## [36] 1.404686510 -0.746140986 0.078172754 -1.040979551 0.788818558
## [41] -0.467701928 0.328375874 0.285967559 -0.960683880 -0.436285642
## [46] -0.254001535 -0.530198154 0.066538551 1.064715808 1.354530287
## [51] -0.000416797 1.195994674 -0.114438797 1.119030033 0.637966892
## [56] 0.204744423 -0.523992553 0.081731478 -0.941114978 0.222418736
## [61] -0.846276426 -0.358282034 -0.445628675 0.498205367 -1.527351368
## [66] -2.551315976 1.338198530 0.344597479 -2.043658706 1.234190752
## [71] 1.641475083 0.748483110 1.028968607 -0.648271248 -0.402322983
## [76] 0.501670967 0.883925782 -0.237724261 0.776808138 -1.615007972
## [81] -0.571134052 0.811945949 0.332008496 0.599097322 -2.392053585
## [86] -0.840571493 -0.653904459 0.427023121 0.585804247 -0.836236447
## [91] 0.340431169 -0.897625056 -0.287256652 0.601390115 1.367678441
## [96] 1.836742926 0.463789017 -1.651663836 0.895053775 -0.327831148- histograma
hist(a_numeros, main="Valores con rnorm")
Cuando se repiten los valores en el vector generado por la función
rnomr, este cambia, lo que significa que el histograma resultante
también varía.
- resumen
summary(a_numeros)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## -2.55132 -0.54043 0.19947 0.09058 0.79460 2.377012.6 datos aleatorios
aleatorio = rbinom(30,5,0.9)
aleatorio## [1] 5 4 5 4 4 5 5 5 4 3 5 5 5 3 4 3 3 4 4 4 3 4 5 5 4 4 3 5 5 5- representacion de datos con diagrama de barras
barplot(rbinom(30,5,0.9))
- resumen
summary(aleatorio)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 3.000 4.000 4.000 4.233 5.000 5.0002.7 fallos
fallos = c(0, 1, 0, NA, 0, 0, 0, 0, 0, 1, 1, 1, 0, 0, 3, 0, 0, 0, 0, 0, 2, 0, 1)- diagrama
boxplot(fallos)
para este ejercicio el diagrama de barras no es la mejor
representacion
barplot(fallos, xlab = "Intentos", ylab = "Fallos", main = "Satélite en Orbita")
- numero medio de errores
fallos_satelite = fallos[!is.na(fallos)]
round(mean(fallos_satelite),2)## [1] 0.452.8 encuesta de funcionamiento a un curso a. entar datos b. tabula los resultados
Estudiante = 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 = c(P1,P2,P3)
matriz = matrix(tabla,3,10,byrow = TRUE)
rownames(matriz)= c("P1","P2","P3")
colnames(matriz)=paste("Est",1:10)
matriz## Est 1 Est 2 Est 3 Est 4 Est 5 Est 6 Est 7 Est 8 Est 9 Est 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- tablas de contingencia
matriz[2,]## Est 1 Est 2 Est 3 Est 4 Est 5 Est 6 Est 7 Est 8 Est 9 Est 10
## 5 5 2 2 5 2 2 5 5 2matriz[3,]## Est 1 Est 2 Est 3 Est 4 Est 5 Est 6 Est 7 Est 8 Est 9 Est 10
## 1 3 1 3 3 3 1 3 1 1- diagrama de barras apiladas
Datos_2 = c(P2,P3)
Datos_3 = matrix(Datos_2,2,10,byrow = TRUE)
Datos_3## [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10]
## [1,] 5 5 2 2 5 2 2 5 5 2
## [2,] 1 3 1 3 3 3 1 3 1 1barplot(Datos_3,beside=F,xlab = "Estudiantes")
- diagrama de barras
barplot(matriz,beside = T,xlab = "Estudiantes")
2.9 vectores
vec_1 = rnorm(50)
vec_1## [1] 0.195685282 -0.897534944 -1.007423156 -0.730700245 -0.455188220
## [6] 1.704980371 0.602236831 -0.172732133 -0.833031537 1.114236669
## [11] -0.897090935 -0.060725739 -0.234072443 -0.219482446 0.602109708
## [16] -0.841740154 1.284480530 0.269213214 0.857063432 0.519373130
## [21] 0.659008470 0.723696288 -0.976871289 0.824850073 1.176557774
## [26] -0.655597252 -0.864363395 -1.447356012 0.818710039 -0.110422442
## [31] 0.059887373 0.492555884 -0.047553995 -0.334570025 -0.550107691
## [36] -1.066446424 0.219315810 1.600226752 1.246772854 -0.008400569
## [41] -0.146360747 -0.122894656 -0.299335764 -0.142265044 2.897486889
## [46] -0.194459131 0.651055877 -0.102963984 -1.126302352 -0.152361392vec_2 = rnorm(50)
vec_2## [1] -0.24144471 0.45360170 -1.05794712 -0.86293118 0.65009000 -0.80294979
## [7] -0.31907329 0.76428140 0.86192736 -0.01234175 -0.41772318 0.17135344
## [13] -0.28838449 1.08127575 -0.59215055 -0.52060129 -0.33606093 -0.06526058
## [19] 0.25804584 -0.54536882 -0.27522363 -0.25837105 0.13787312 0.08377976
## [25] 1.85714403 -0.07267272 -0.58033058 0.94815146 0.34994815 -0.26185814
## [31] 0.33630700 -0.44906894 -1.67632326 -0.17478626 0.73461782 0.75967370
## [37] -1.27420686 0.52072440 0.14390196 -1.57762515 0.96265504 1.86141048
## [43] 0.85562504 -2.15566553 -0.62621588 -1.24594838 2.25278833 -0.99522940
## [49] 1.25358017 -1.59723543- prueba de normalidad
shapiro.test(vec_1)##
## Shapiro-Wilk normality test
##
## data: vec_1
## W = 0.95662, p-value = 0.06418shapiro.test(vec_2)##
## Shapiro-Wilk normality test
##
## data: vec_2
## W = 0.98897, p-value = 0.9193TEST = t.test(vec_1,vec_2)
TEST##
## Welch Two Sample t-test
##
## data: vec_1 and vec_2
## t = 0.64583, df = 97.387, p-value = 0.5199
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -0.2406891 0.4729048
## sample estimates:
## mean of x mean of y
## 0.07642298 -0.039684862.10 vectores
vec_3 = rnorm(50)
vec_3## [1] -0.95598748 0.54754848 -0.09929964 -0.36294937 -1.63384246 0.78297968
## [7] 0.05836414 2.20175748 -0.91792872 2.16501056 -0.89194418 -0.66128432
## [13] 0.89078610 0.95977664 0.24949594 1.31949181 -0.19748037 0.38026845
## [19] 0.87910791 -0.87913475 -1.39494675 2.20941267 0.73037516 2.92985010
## [25] 0.65031848 0.90928198 0.06830941 -1.08125485 -0.60557409 2.06048029
## [31] 0.34115601 -0.63801469 0.90602250 -1.29926647 -0.31050677 1.11421374
## [37] 1.84236531 0.83464226 -0.10271083 -1.55597818 -0.52766497 0.36831813
## [43] 0.66389284 -0.86121850 -0.42999326 1.51039524 2.02666168 -0.62535293
## [49] 1.33132145 0.64645536vec_4 = rbinom(50,3,0.9)
vec_4## [1] 3 3 3 3 3 3 3 3 2 3 2 3 3 3 2 3 3 3 2 3 2 3 2 3 2 3 3 3 3 3 3 3 2 2 3 2 2 3
## [39] 3 2 3 3 2 3 3 2 3 3 2 2- prueba de normalidad
shapiro.test(vec_3)##
## Shapiro-Wilk normality test
##
## data: vec_3
## W = 0.97339, p-value = 0.3162shapiro.test(vec_4)##
## Shapiro-Wilk normality test
##
## data: vec_4
## W = 0.58795, p-value = 1.295e-10- diferencias
TEST = t.test(vec_3,vec_4)
TEST##
## Welch Two Sample t-test
##
## data: vec_3 and vec_4
## t = -13.803, df = 65.865, p-value < 2.2e-16
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -2.711772 -2.026399
## sample estimates:
## mean of x mean of y
## 0.3109145 2.6800000no se consideran significativas las diferencias entre vector 3 y 4