Introduccion_Computacion_MM116_PACII2024
Mauricio Alvarenga
2024-06-23
Sección I: Algunos aspecto del ambiente de Rmarkdown.
Para comentar usamos el símbolo “#”.
Podemos visualizar el directorio de trabajo usando el comando: getwd().
Note that the
echo = FALSEparameter was added to the code chunk to prevent printing of the R code that generated the plot. (Ten en cuenta que el parámetroecho = FALSEse añadió al bloque de código para evitar la impresión del código R que generó el gráfico.) Nota : Se enfoca en la presentación de resultados.El parámetro
includebusca eliminar tanto la salida como el código.Para consultar el funcionamiento de un comando, usamos:
?<Nombre del comando>En el apartado de la derecha en “help” podrá ver la descripción.Para limpiar todo el ambiente de trabajo podemos usar el comando
rm(list=ls()),lsretorna todas las variables creadas.print("Hola Mundo")## [1] "Hola Mundo"#help("print")
Sección II: Tipos de datos en R.
- Las operaciones matemáticas en R son representadas por los
siguientes operadores:
+,-,/,*,^,xey,log,exp,sin,cos,...etc - La asignación de valores a varibles lo podemos conseguira a través
de
->o=. La asignación en R funciona por copias. Podemos ver el tipo de dato usandoclass - Para almacenar un conjunto de valores o mediciones podemos utilizar
un tipo de dato vector:
c(<lista de valores seguidos por parámetros>). A continuación se mostrará un conjunto de formas en las que podremos usar un conjunto de vectores:- Vector a partir de un conjunto de vectores:
c(vector1,vector2,...,vectorn) - Generadora de secuencias:
seq(from,to,by) - Generadora de secuencias:
seq(from,to,length.out) - Generar valores repetidos:
rep(x,times), dondexpuede ser un vector,timeses el número de veces que se repetirax. Si en lugar detimeescogemoseachentonces conseguimos que cada elemento se repita el número de veces especificado. - Con la función
lengthpuede conseguir el número de elementos de un vector. - La función
sortnos permite ordenar los elementos de una lista. Si queremos ajustar el tipo de orden podemos uttilizardecreasing - Para accedere a los elementos de un vector usamo la siguiente
notación
vector[i]dondeirepresenta la posición del elemento al que queremos hacer referencia. - Puede generarse una lista de valores consecutivos con el siguiente
comando
from:to. - Las expresión
vector x[vector y]retorna los elementos delvector xasociados a los elementos delvector y. sumyprodgeneran la suma y el producto de los elementos de un vector.
- Vector a partir de un conjunto de vectores:
#Ejercicio 1: Crear un secuencia de vectores de 6 a 100 incluidos ambos extremos
#Ejercicio 2: Crear un vector conteniendo los elementos de enteros de -10 a 10 (inclusive), a continuación agregue los elementos del vector c(2,-5,-22) repetido dos veces. Cree un vector con el valor menor y mayor de este vector resultante.
vector6<-seq(from=-10,to=10,by=1)
vector7<-rep(c(2,-5,-22),times=2)
vector8<-sort(c(vector6,vector7))
vector9<-c(vector8[1],vector8[length(vector8)])
x<-12.34
y<-cos(x*12+12)
z<-exp(x)*log(12.3)*(1.23e-8)
vector1<-c(x,y,z)
vector2<-c(vector1,vector1)
vector3<-seq(from=-10,to=10,by=3)
vector4<-seq(from=-10,to=10,length.out=7)
vector5<-rep(c(1,2,3),times=5)
length(vector5)## [1] 15sort(vector5)## [1] 1 1 1 1 1 2 2 2 2 2 3 3 3 3 3print(vector5)## [1] 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3print(vector5[2])## [1] 2print(vector5[1:10])## [1] 1 2 3 1 2 3 1 2 3 1print(vector5[c(1,2,5)])## [1] 1 2 2Las matrices en R, es un tipo de dato que nos sirve para organizar la información o data en formato de tabla.
Para crear una tabla usamos la siguiente notación:
matrix(<vector>,nrow=n,ncol=m); esto creará una tabla connfilas ymcolumnas a partir de los elementos de vector. Por defecto el llenado de la matriz es columna a columna. Puede ajustarse ese comportamiento con el comandobyrowdandole el valorTRUEoFALSE.Con
rbindycbindconseguimos apilar vectores por filas o columnas respectivamente.Con
dim,nrow, yncolconseguimos las dimensiones de la tabla.Para acceder a los elementos de la tabla podemos seguir los siguientes comportamientos (suponga que para lo siguiente
tablaes una matriz.):tabla[i,j]accede al elemento ubicado en la filaiy la columnaj.tabla[i,]regrese los elementos en la filai. De manera similartabla[,j].En general podemos usar
tabla[vector 1, vector 2], con esto se podrán conseguir aquellos elementos de la tabla que se encuentren en los elementos delvector 1y elvector 2.Se pueden cambiar elementos de la tabla haciendo uso de subíndices de la matriz. Ejemplo:
tabla[1,]<-100sutituirá todos los elementos en la fila 1 por 100.
Algunas funcionalidades de álgebra lineal se muestran a continuación:
t(): función transpuesta.%*%: multiplicación matricialdiag(): Genera una matrix diagonal.solve(A,b):Resuelve el sistemaAx=b, si solo se proporcionaAse consigue la inversa deA.
#Ejercicio 1: Construya una matriz con los elementos 4.3,3.1,8.2,8.2,3.2,0.9,1.6 y 6.5 por filas y de tamaño 4X2.
#Ejercicio2: Explore la base de datos de R llamada women. Extraiga las primeras 10 filas. Cambie las unidades de pulgadas a metros en la columna de las alturas (1 in=0.0254)m
rm(list=ls())
data("women")
print(women)## height weight
## 1 58 115
## 2 59 117
## 3 60 120
## 4 61 123
## 5 62 126
## 6 63 129
## 7 64 132
## 8 65 135
## 9 66 139
## 10 67 142
## 11 68 146
## 12 69 150
## 13 70 154
## 14 71 159
## 15 72 164Tabla2<-women[1:10,]
Tabla2[,1]<-0.0254*Tabla2[,1]
Tabla2## height weight
## 1 1.4732 115
## 2 1.4986 117
## 3 1.5240 120
## 4 1.5494 123
## 5 1.5748 126
## 6 1.6002 129
## 7 1.6256 132
## 8 1.6510 135
## 9 1.6764 139
## 10 1.7018 142datos<-c(2,3,4,0,1,2,4,5,6,7,8,9)
length(datos)## [1] 12Tabla1<-matrix(datos,nrow=3,ncol=4)
Tabla1## [,1] [,2] [,3] [,4]
## [1,] 2 0 4 7
## [2,] 3 1 5 8
## [3,] 4 2 6 9rbind(c(1,2),c(2,3))## [,1] [,2]
## [1,] 1 2
## [2,] 2 3dim(Tabla1)## [1] 3 4Tabla1## [,1] [,2] [,3] [,4]
## [1,] 2 0 4 7
## [2,] 3 1 5 8
## [3,] 4 2 6 9Tabla1[c(1,3),c(1,4)]<-0
Tabla1## [,1] [,2] [,3] [,4]
## [1,] 0 0 4 0
## [2,] 3 1 5 8
## [3,] 0 2 6 0Valores lógicos: Los posibles valores son
TRUEyFALSE. También se puede usar simplementeToS.Es posible crear vectores que contengan valores lógicos.
Los operadores lógicos convencionales son
>,<,<=,>=,==,!=que representan respectivamente “mayor que”, “menor que”, “menor o igual que”, “mayor o igual que”, “igual a”, “diferente de”.Otros operadores lógicos son
&,|,!representan respectivamente una conjunción, disjunción y negación.Se pueden comparar dos vectores con los operadores lógicos. La función
allyanydeterminan si todos los elementos de un vector son verdaderos y si alguno de ellos es verdadero.Extracción lógica de datos: Suponiendo que
vectores un vector, es posible ejecutar la instrucciónvector[logico]dondelogicoes un vector de valores lógicos; como resultado se obtendrá aquellos valores devectorcorrespondiente a las entradasTRUEdelvector.La función
wich()consigue los valores verdaderos de unvector.
#Ejercicio 1: Crear una matriz A de dimension 4X3, llenela en forma de fila por fila, remplace cada elemento igual a 8 por la raiz cuadrada del elemento A[1,2].
rm(list=ls())
Vector1<-c(T,T,T,F,F,F,T)
Vector1## [1] TRUE TRUE TRUE FALSE FALSE FALSE TRUEVector2<-c(1,2,3,4,0,9,8,0)
Vector2[Vector2>0 | Vector2<9]## [1] 1 2 3 4 0 9 8 0Para crear cadenas asignamos estas acompañadas de las comillas
""Para conocer el número de caracteres usamos
nchar.Para concatenar una cadena usamos la función
paste(lista de cadenas, sep=<separador o separadores>)Se puede usar
cat()sin embargo esta función no tiene retorno.Para extraer subcadenas podemos usar
substr().substr(<cadena>,start=<indice inicial>,stop=<indice final>)Se pueden asignar cadenas a subcadenas.
Para sustitución de patrones podemos usar
sub(pattern,replacement,cadena)Podemos forzar a convertir algunos objeto a cadenas con
toString().
#Ejercicio 1: Cree un código que permita visualizar la cadena "La multiplicacion de 2 por 3 es 6" donde 2 y 3 estan almacenados en dos variables llamadas num1 y num2.
#Ejercicio 2: Cree la cadena "Dos paquetes de leche (6 unidades) por 300 lps". A continuación suponga que se quiere actualizar la información a 400 lps y ahora cada paquete tiene 8 leches.
num1<-2
num2<-3
Mensaje1<-paste("La multiplicacion de ",toString(num1))
Mensaje1<-paste(Mensaje1,"por",toString(num2),"es")
Mensaje1<-paste(Mensaje1,toString(num1*num2))
Mensaje1## [1] "La multiplicacion de 2 por 3 es 6"Mensaje2<-"Dos paquetes de leche (6 unidades) por 300 lps"
Mensaje2<-sub(pattern = "300",replacement = "400",Mensaje2)
Mensaje2<-sub(pattern = "6",replacement = "8",Mensaje2)
Mensaje2## [1] "Dos paquetes de leche (8 unidades) por 400 lps"#cadena1
#cadena2<-paste(cadena1,"Pera","Mango",sep=",")
#cadena3<-substr(cadena2,start=9,stop=12)
#substr(cadena2,start=9,stop=12)<-"Coco"
#cadena2<-sub(pattern = "Coco",replacement = "Sandia",cadena2)
#cadena2
#toString(123.23)Sección III: Factores. Este es un tipo de dato que nos sirve para manejar datos categóricos. (Datos que se pueden dividir en un conjunto de categorías.)
factor(<Vector de parametro>): Con este comnado conseguimos un tipo factor. Este tipo nos permite además de tener la información del vector, la lista de categorías de este.A estas categorías se les llama niveles, para poder verlos de forma aislada usamos
levels(<factor>).Si se desea colocar un conjunto específico de niveles, al inicio podemos configurar el parámetro
levelsy suplir estos valores.Si se desea poner un orden entre los niveles, se puede ajustar el parámetro
orderedcon verdadero o falso.Si deseamos modificar los niveles de los factores usamos
levesl(<factor>)<-<vector de nuevos factores>Agrupando la información en clases: Definimos los cortes en un nuevo vectro, llamemos a esto
cortes. Luego usamos las funcióncutde la siguiente formacut(<Vector con los valores no agrupados>,breaks=cortes,right=T o F, include.lowest=T o F, include.highest=T o F). El resultado de hacer esto es un factor.
# Revisa la lista de Bases de datos con el comando:
#data()
#help("Base de datos") pudes ver detalles de la base de datos.
rm(list=ls())
data("esoph")
data("LakeHuron")
esoph## agegp alcgp tobgp ncases ncontrols
## 1 25-34 0-39g/day 0-9g/day 0 40
## 2 25-34 0-39g/day 10-19 0 10
## 3 25-34 0-39g/day 20-29 0 6
## 4 25-34 0-39g/day 30+ 0 5
## 5 25-34 40-79 0-9g/day 0 27
## 6 25-34 40-79 10-19 0 7
## 7 25-34 40-79 20-29 0 4
## 8 25-34 40-79 30+ 0 7
## 9 25-34 80-119 0-9g/day 0 2
## 10 25-34 80-119 10-19 0 1
## 11 25-34 80-119 30+ 0 2
## 12 25-34 120+ 0-9g/day 0 1
## 13 25-34 120+ 10-19 1 0
## 14 25-34 120+ 20-29 0 1
## 15 25-34 120+ 30+ 0 2
## 16 35-44 0-39g/day 0-9g/day 0 60
## 17 35-44 0-39g/day 10-19 1 13
## 18 35-44 0-39g/day 20-29 0 7
## 19 35-44 0-39g/day 30+ 0 8
## 20 35-44 40-79 0-9g/day 0 35
## 21 35-44 40-79 10-19 3 20
## 22 35-44 40-79 20-29 1 13
## 23 35-44 40-79 30+ 0 8
## 24 35-44 80-119 0-9g/day 0 11
## 25 35-44 80-119 10-19 0 6
## 26 35-44 80-119 20-29 0 2
## 27 35-44 80-119 30+ 0 1
## 28 35-44 120+ 0-9g/day 2 1
## 29 35-44 120+ 10-19 0 3
## 30 35-44 120+ 20-29 2 2
## 31 45-54 0-39g/day 0-9g/day 1 45
## 32 45-54 0-39g/day 10-19 0 18
## 33 45-54 0-39g/day 20-29 0 10
## 34 45-54 0-39g/day 30+ 0 4
## 35 45-54 40-79 0-9g/day 6 32
## 36 45-54 40-79 10-19 4 17
## 37 45-54 40-79 20-29 5 10
## 38 45-54 40-79 30+ 5 2
## 39 45-54 80-119 0-9g/day 3 13
## 40 45-54 80-119 10-19 6 8
## 41 45-54 80-119 20-29 1 4
## 42 45-54 80-119 30+ 2 2
## 43 45-54 120+ 0-9g/day 4 0
## 44 45-54 120+ 10-19 3 1
## 45 45-54 120+ 20-29 2 1
## 46 45-54 120+ 30+ 4 0
## 47 55-64 0-39g/day 0-9g/day 2 47
## 48 55-64 0-39g/day 10-19 3 19
## 49 55-64 0-39g/day 20-29 3 9
## 50 55-64 0-39g/day 30+ 4 2
## 51 55-64 40-79 0-9g/day 9 31
## 52 55-64 40-79 10-19 6 15
## 53 55-64 40-79 20-29 4 13
## 54 55-64 40-79 30+ 3 3
## 55 55-64 80-119 0-9g/day 9 9
## 56 55-64 80-119 10-19 8 7
## 57 55-64 80-119 20-29 3 3
## 58 55-64 80-119 30+ 4 0
## 59 55-64 120+ 0-9g/day 5 5
## 60 55-64 120+ 10-19 6 1
## 61 55-64 120+ 20-29 2 1
## 62 55-64 120+ 30+ 5 1
## 63 65-74 0-39g/day 0-9g/day 5 43
## 64 65-74 0-39g/day 10-19 4 10
## 65 65-74 0-39g/day 20-29 2 5
## 66 65-74 0-39g/day 30+ 0 2
## 67 65-74 40-79 0-9g/day 17 17
## 68 65-74 40-79 10-19 3 7
## 69 65-74 40-79 20-29 5 4
## 70 65-74 80-119 0-9g/day 6 7
## 71 65-74 80-119 10-19 4 8
## 72 65-74 80-119 20-29 2 1
## 73 65-74 80-119 30+ 1 0
## 74 65-74 120+ 0-9g/day 3 1
## 75 65-74 120+ 10-19 1 1
## 76 65-74 120+ 20-29 1 0
## 77 65-74 120+ 30+ 1 0
## 78 75+ 0-39g/day 0-9g/day 1 17
## 79 75+ 0-39g/day 10-19 2 4
## 80 75+ 0-39g/day 30+ 1 2
## 81 75+ 40-79 0-9g/day 2 3
## 82 75+ 40-79 10-19 1 2
## 83 75+ 40-79 20-29 0 3
## 84 75+ 40-79 30+ 1 0
## 85 75+ 80-119 0-9g/day 1 0
## 86 75+ 80-119 10-19 1 0
## 87 75+ 120+ 0-9g/day 2 0
## 88 75+ 120+ 10-19 1 0Edades<-esoph[,1]
Casos<-esoph[,4]
FactorEdades<-factor(Edades)
FactorEdades## [1] 25-34 25-34 25-34 25-34 25-34 25-34 25-34 25-34 25-34 25-34 25-34 25-34
## [13] 25-34 25-34 25-34 35-44 35-44 35-44 35-44 35-44 35-44 35-44 35-44 35-44
## [25] 35-44 35-44 35-44 35-44 35-44 35-44 45-54 45-54 45-54 45-54 45-54 45-54
## [37] 45-54 45-54 45-54 45-54 45-54 45-54 45-54 45-54 45-54 45-54 55-64 55-64
## [49] 55-64 55-64 55-64 55-64 55-64 55-64 55-64 55-64 55-64 55-64 55-64 55-64
## [61] 55-64 55-64 65-74 65-74 65-74 65-74 65-74 65-74 65-74 65-74 65-74 65-74
## [73] 65-74 65-74 65-74 65-74 65-74 75+ 75+ 75+ 75+ 75+ 75+ 75+
## [85] 75+ 75+ 75+ 75+
## Levels: 25-34 < 35-44 < 45-54 < 55-64 < 65-74 < 75+levels(FactorEdades)<-c("A","B","C","D","E","F","H")
FactorEdades## [1] A A A A A A A A A A A A A A A B B B B B B B B B B B B B B B C C C C C C C C
## [39] C C C C C C C C D D D D D D D D D D D D D D D D E E E E E E E E E E E E E E
## [77] E F F F F F F F F F F F
## Levels: A < B < C < D < E < F < HVocales<-c("a","i","a","o","u","u","a")
FactorVocales<-factor(Vocales,levels=c("a","e","i","o","u"),ordered = TRUE)
FactorVocales## [1] a i a o u u a
## Levels: a < e < i < o < uFactorVocales[1]<FactorVocales[2]## [1] TRUELakeHuron## Time Series:
## Start = 1875
## End = 1972
## Frequency = 1
## [1] 580.38 581.86 580.97 580.80 579.79 580.39 580.42 580.82 581.40 581.32
## [11] 581.44 581.68 581.17 580.53 580.01 579.91 579.14 579.16 579.55 579.67
## [21] 578.44 578.24 579.10 579.09 579.35 578.82 579.32 579.01 579.00 579.80
## [31] 579.83 579.72 579.89 580.01 579.37 578.69 578.19 578.67 579.55 578.92
## [41] 578.09 579.37 580.13 580.14 579.51 579.24 578.66 578.86 578.05 577.79
## [51] 576.75 576.75 577.82 578.64 580.58 579.48 577.38 576.90 576.94 576.24
## [61] 576.84 576.85 576.90 577.79 578.18 577.51 577.23 578.42 579.61 579.05
## [71] 579.26 579.22 579.38 579.10 577.95 578.12 579.75 580.85 580.41 579.96
## [81] 579.61 578.76 578.18 577.21 577.13 579.10 578.25 577.91 576.89 575.96
## [91] 576.80 577.68 578.38 578.52 579.74 579.31 579.89 579.96Sección IV: Listas : Una lista es un objeto lineal, similar a un vector, con la capacidad de almacenar diferentes tipo de datos.
list(<lista de objetos de cualquier tipo>)Con esta instrucción podemos crear cualquier tipo de lista.Para acceder a los elementos de una lista usamos dobles corchetes rectangulares. Lista
[[<indice>]].Puede asignarsele un nombre a los elementos de una lista con
names(Lista)<-Vector_Nombres. Una vez hecho esto, es posible usar un nueva forma de hacer referencia a los elementos de una lista con$
Vector1<-c(1,2,"Pera",3)
Vector1## [1] "1" "2" "Pera" "3"Lista1<-list(1,2,3,c("Juan","Maria","Pedro"))
names(Lista1)<-c("N1","N2","N3","Nombres")
Lista1## $N1
## [1] 1
##
## $N2
## [1] 2
##
## $N3
## [1] 3
##
## $Nombres
## [1] "Juan" "Maria" "Pedro"names(Lista1)## [1] "N1" "N2" "N3" "Nombres"Lista1$Nombres## [1] "Juan" "Maria" "Pedro"Sección V: DataFrames
Para construir hacemos los siguiente:
data.frame(llave1=<vector_1>,...,llaven=<vector_n>). Cada vector debe tener el mismo número de elementos.Un Data Frame puede ser tratado como una matriz, así que el manejo de ínidices es igual.
Tambien se puede usar la notación de signo de dolar.
ncol, nrow, dim, rbind, cbind.
Es posible agregar una columna extra usando la notación de signo de dolar.
Podemos filtrar el data frame con la notación de corchetes al igual que con las matrices por filas.
#Ejercicio:
#Construya una Data Frame con la siguiente información
#1.Revise que tipo de dato es Titanic con data.class.
#2. Convierta Titanic en una data frame.
#3. Suponga que se quieren actualizar los registros siguientes y usted debe agregarlo (3rd,Female,Child,Yes,1) y (2nd,Male,Adult,Yes,2)
#4. Ahora suponga que queremos agregar una columna con cbind que indique en español si sobrevivio o no.
#5 Finalmente agregue una columna con la edad de manera que esta sea un factor ordenado y usando el recurso de dolar.
#6 Filtre la tabla para observar el numero de niños y niñas sobrevivientes por separado.
rm(list=ls())
data("Titanic")
Titanic## , , Age = Child, Survived = No
##
## Sex
## Class Male Female
## 1st 0 0
## 2nd 0 0
## 3rd 35 17
## Crew 0 0
##
## , , Age = Adult, Survived = No
##
## Sex
## Class Male Female
## 1st 118 4
## 2nd 154 13
## 3rd 387 89
## Crew 670 3
##
## , , Age = Child, Survived = Yes
##
## Sex
## Class Male Female
## 1st 5 1
## 2nd 11 13
## 3rd 13 14
## Crew 0 0
##
## , , Age = Adult, Survived = Yes
##
## Sex
## Class Male Female
## 1st 57 140
## 2nd 14 80
## 3rd 75 76
## Crew 192 20Data1<-as.data.frame(Titanic)
Data1## Class Sex Age Survived Freq
## 1 1st Male Child No 0
## 2 2nd Male Child No 0
## 3 3rd Male Child No 35
## 4 Crew Male Child No 0
## 5 1st Female Child No 0
## 6 2nd Female Child No 0
## 7 3rd Female Child No 17
## 8 Crew Female Child No 0
## 9 1st Male Adult No 118
## 10 2nd Male Adult No 154
## 11 3rd Male Adult No 387
## 12 Crew Male Adult No 670
## 13 1st Female Adult No 4
## 14 2nd Female Adult No 13
## 15 3rd Female Adult No 89
## 16 Crew Female Adult No 3
## 17 1st Male Child Yes 5
## 18 2nd Male Child Yes 11
## 19 3rd Male Child Yes 13
## 20 Crew Male Child Yes 0
## 21 1st Female Child Yes 1
## 22 2nd Female Child Yes 13
## 23 3rd Female Child Yes 14
## 24 Crew Female Child Yes 0
## 25 1st Male Adult Yes 57
## 26 2nd Male Adult Yes 14
## 27 3rd Male Adult Yes 75
## 28 Crew Male Adult Yes 192
## 29 1st Female Adult Yes 140
## 30 2nd Female Adult Yes 80
## 31 3rd Female Adult Yes 76
## 32 Crew Female Adult Yes 20names(Data1)## [1] "Class" "Sex" "Age" "Survived" "Freq"Data2<-data.frame(Class=c("3rd","2nd"),Sex=c("Female","Male"),Age=c("Child","Adult"),Survived=c("Yes","Yes"),Freq=c(1,2))
Data2## Class Sex Age Survived Freq
## 1 3rd Female Child Yes 1
## 2 2nd Male Adult Yes 2Data1<-rbind(Data2,Data1)
Data1## Class Sex Age Survived Freq
## 1 3rd Female Child Yes 1
## 2 2nd Male Adult Yes 2
## 3 1st Male Child No 0
## 4 2nd Male Child No 0
## 5 3rd Male Child No 35
## 6 Crew Male Child No 0
## 7 1st Female Child No 0
## 8 2nd Female Child No 0
## 9 3rd Female Child No 17
## 10 Crew Female Child No 0
## 11 1st Male Adult No 118
## 12 2nd Male Adult No 154
## 13 3rd Male Adult No 387
## 14 Crew Male Adult No 670
## 15 1st Female Adult No 4
## 16 2nd Female Adult No 13
## 17 3rd Female Adult No 89
## 18 Crew Female Adult No 3
## 19 1st Male Child Yes 5
## 20 2nd Male Child Yes 11
## 21 3rd Male Child Yes 13
## 22 Crew Male Child Yes 0
## 23 1st Female Child Yes 1
## 24 2nd Female Child Yes 13
## 25 3rd Female Child Yes 14
## 26 Crew Female Child Yes 0
## 27 1st Male Adult Yes 57
## 28 2nd Male Adult Yes 14
## 29 3rd Male Adult Yes 75
## 30 Crew Male Adult Yes 192
## 31 1st Female Adult Yes 140
## 32 2nd Female Adult Yes 80
## 33 3rd Female Adult Yes 76
## 34 Crew Female Adult Yes 20Sobreviviente<-Data1$Survived
Sobreviviente[Sobreviviente=="Yes"]<-"Si"
Sobreviviente## [1] "Si" "Si" "No" "No" "No" "No" "No" "No" "No" "No" "No" "No" "No" "No" "No"
## [16] "No" "No" "No" "Si" "Si" "Si" "Si" "Si" "Si" "Si" "Si" "Si" "Si" "Si" "Si"
## [31] "Si" "Si" "Si" "Si"Data1<-cbind(Data1,Sobreviviente)
Data1## Class Sex Age Survived Freq Sobreviviente
## 1 3rd Female Child Yes 1 Si
## 2 2nd Male Adult Yes 2 Si
## 3 1st Male Child No 0 No
## 4 2nd Male Child No 0 No
## 5 3rd Male Child No 35 No
## 6 Crew Male Child No 0 No
## 7 1st Female Child No 0 No
## 8 2nd Female Child No 0 No
## 9 3rd Female Child No 17 No
## 10 Crew Female Child No 0 No
## 11 1st Male Adult No 118 No
## 12 2nd Male Adult No 154 No
## 13 3rd Male Adult No 387 No
## 14 Crew Male Adult No 670 No
## 15 1st Female Adult No 4 No
## 16 2nd Female Adult No 13 No
## 17 3rd Female Adult No 89 No
## 18 Crew Female Adult No 3 No
## 19 1st Male Child Yes 5 Si
## 20 2nd Male Child Yes 11 Si
## 21 3rd Male Child Yes 13 Si
## 22 Crew Male Child Yes 0 Si
## 23 1st Female Child Yes 1 Si
## 24 2nd Female Child Yes 13 Si
## 25 3rd Female Child Yes 14 Si
## 26 Crew Female Child Yes 0 Si
## 27 1st Male Adult Yes 57 Si
## 28 2nd Male Adult Yes 14 Si
## 29 3rd Male Adult Yes 75 Si
## 30 Crew Male Adult Yes 192 Si
## 31 1st Female Adult Yes 140 Si
## 32 2nd Female Adult Yes 80 Si
## 33 3rd Female Adult Yes 76 Si
## 34 Crew Female Adult Yes 20 SiData1$Edad<-factor(Data1$Age)
Data1## Class Sex Age Survived Freq Sobreviviente Edad
## 1 3rd Female Child Yes 1 Si Child
## 2 2nd Male Adult Yes 2 Si Adult
## 3 1st Male Child No 0 No Child
## 4 2nd Male Child No 0 No Child
## 5 3rd Male Child No 35 No Child
## 6 Crew Male Child No 0 No Child
## 7 1st Female Child No 0 No Child
## 8 2nd Female Child No 0 No Child
## 9 3rd Female Child No 17 No Child
## 10 Crew Female Child No 0 No Child
## 11 1st Male Adult No 118 No Adult
## 12 2nd Male Adult No 154 No Adult
## 13 3rd Male Adult No 387 No Adult
## 14 Crew Male Adult No 670 No Adult
## 15 1st Female Adult No 4 No Adult
## 16 2nd Female Adult No 13 No Adult
## 17 3rd Female Adult No 89 No Adult
## 18 Crew Female Adult No 3 No Adult
## 19 1st Male Child Yes 5 Si Child
## 20 2nd Male Child Yes 11 Si Child
## 21 3rd Male Child Yes 13 Si Child
## 22 Crew Male Child Yes 0 Si Child
## 23 1st Female Child Yes 1 Si Child
## 24 2nd Female Child Yes 13 Si Child
## 25 3rd Female Child Yes 14 Si Child
## 26 Crew Female Child Yes 0 Si Child
## 27 1st Male Adult Yes 57 Si Adult
## 28 2nd Male Adult Yes 14 Si Adult
## 29 3rd Male Adult Yes 75 Si Adult
## 30 Crew Male Adult Yes 192 Si Adult
## 31 1st Female Adult Yes 140 Si Adult
## 32 2nd Female Adult Yes 80 Si Adult
## 33 3rd Female Adult Yes 76 Si Adult
## 34 Crew Female Adult Yes 20 Si AdultEdad<-"Adult"
HS<-sum(Data1[Data1$Sex=="Male" & Data1$Age==Edad & Data1$Survived=="Yes",]$Freq)
HN<-sum(Data1[Data1$Sex=="Male" & Data1$Age==Edad & Data1$Survived=="No",]$Freq)
MS<-sum(Data1[Data1$Sex=="Female" & Data1$Age==Edad & Data1$Survived=="Yes",]$Freq)
MN<-sum(Data1[Data1$Sex=="Female" & Data1$Age==Edad & Data1$Survived=="No",]$Freq)
print(paste("Hombres sobrevivientes:",as.character(HS)))## [1] "Hombres sobrevivientes: 340"print(paste("Hombres No sobrevivientes:",HN))## [1] "Hombres No sobrevivientes: 1329"print(paste("Mujeres sobrevivientes:",MS))## [1] "Mujeres sobrevivientes: 316"print(paste("Mujeres No sobrevivientes:",MN))## [1] "Mujeres No sobrevivientes: 109"Sección VI: Gráficos en R
plot(Dominio,Imagen)Con esta instrucción podemos generar un gráfico de puntos dondeDominioyImagenson vectores de la misma dimensión. Por defecto se dibujan puntos.Hay una lista de parámetros que podemos ajustar para cambiar el aspecto visual del gráfico:
type:Ajustar el tipo de curva"l"(lineas),"p"puntos y"b"(lineas y puntos),"n"(sin puntos ni líneas, vacío).main,xlab,ylabAjusta los títulos del gráfico y los ejes.col: Ajusta los colores del gráfico, puede ser un color o un conjunto de colores. Los colores pueden tomar los valores de nombre de colores y también con un rango de números enteros.lty: Tipo de línea que conecta los puntos. Aquí hay un rango de valores enteros que controlan el tipo de conexión. Por defecto es 1.cex:Controla el tamaño de los puntos.pch:Controla el tipo de punto en forma de caracter. Rango de valores enteros. Por defecto 1.lwd:Grosor de la línea.xlim, ylim:puede ajsutarse la zona que se va a visualizar en el gráfico.
Agregando puntos líneas y texto.
points:Con este comando agregamos puntos nuevos.lines,ablines,segments:Comandos para agregar líneas.text:Agregando texto.arrows:Para agregar flechas.legend:Agregando leyendas.
rm(list=ls())
x<-seq(from=-3.14,to=3.14,length.out=20)
y<-sin(x)
colores<-seq(from=1,to=4,by=1);
plot(x,y,type="b",main="Funcion Seno",xlab="Dominio",ylab="Rango",col=colores,lty=4,pch=c(1,2,3,4,5),cex=1.5,lwd=1.5,xlim=c(-4,4),ylim=c(-1.1,1.1))
points(x=0,y=0,pch=2,cex=2)
text(x=0,y=0,"Origen")
legend("topleft",legend =c("Funcion seno","Funcion seno","Funcion seno","Funcion seno"),pch=colores,lty=4)
Asignación de la semana.
- Crear un archivo R Markdown.
- Crear una cuenta en RPubs y guardar este archivo.
- Cargue la librería
tree - Cree un
data.framea partir de los datos detreecon el siguiente filtro: “deseamos los árboles con una altura entre 70 y 80 pies y un diámetro de menos de 13 pugadas”. Guarde estadata.frameen una varaible que se llameArboles. - Cree un gráfico de puntos (cuadrados) de el diámetro vs altura.
Ponga como título
Altura y Ancho de Árboles Cherry Negros.En los ejes deben aparecer las respectivas unidades (diámetro (pulgadas), altura (pies)). Agregue color verde a los puntos que se encuentran en el filtro del inciso 4. Y los puntos que no cumplan con esas especificaciones que se mantengan en color negro. Agregue una leyenda que diga"Diametro vs Altura". - En el campus virtual se habilitará un espacio para que copien la dirección de la publicación en Rpub donde tienen el trabajo, agreguen al inicio su información personal, como nombre y números de cuenta.
library(ggplot2)
x<-seq(from=acos(-1),to=-acos(-1),length.out=40)
y<-sin(x)
Grafico<-qplot(x,y,main="funcion Seno",xlab="Dominio",ylab="Rango",geom="blank")+geom_point(size=3,shape=2,color="red")+geom_line(color="blue",linetype=2)## Warning: `qplot()` was deprecated in ggplot2 3.4.0.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.Grafico+geom_point()
y1<-rep(NA,40)
y1[y>=0]<-"Primer Cuadrante"
y1[y<0]<-"Tercer Cuadrante"
y1<-factor(y1)
qplot(x,y,color=y1,shape=y1)+geom_line()+geom_point(size=3)
Sección VII: Lectura y escritura de archivos.
Para leer una tabla de un archivo txt, considere el siguiente ejemplo:
Fruta Potasio(mg) V_A(µg) V_B(mg) Kcal Carb(g) Manzana 107 54 0.041 52 14 Pera 116 25 0.026 57 15 Banano 358 64 0.334 89 23 Sandía 112 28 0.033 30 Na Fresa 153 12 0.024 32 8 Kiwi 312 87 0.063 61 15
Con esta información cree un archivo que se llame “Data_Nutricion.txt”
A continuación podemos usar read.table con los siguientes parámetros:
file:Nombre del archivo txt, asegurarse de encontrarse en la dirección de carpetas correctas.header:T o F, determina si hay encabezados en la tabla o no.sep:Es un caracter que determina cuáles son los caracteres separadores de la tabla.na.strings:busca las cadenas que coincidan con este, para determinar si son valores “no disponibles” (not available).nrow:El máximo número de filas que se van a leer.skip:Número de filas que se van a saltar antes de empezar a leer la información.stringsAsFactors:Convierte en factores las columnas que son caracteres
is.na():Nos retorna verdader si un objeto esNA.Instala el paquete
readxl.Carga la librería
library(readxl)Al igual que las funciones anteirores, tenemos
read_excelque nos permite cargar archivos de excel.Los parámetros a configurar son los siguientes:
path:Dirección del archivo de excel.sheet:Hoja donde se ecuentra la información.col_names:Valor lógico para preguntar si tiene títulos la tabla.na:Indicador de los valoresNAskip:Número de filas a saltar antes de empezar a leer la información.
rm(list=ls())
Archivo<-read.table(file="Data_Nutricion.txt",header=TRUE,sep = " ",na.strings = "Na")
Archivo## Fruta Potasio.mg. V_A.µg. V_B.mg. Kcal Carb.g.
## 1 Manzana 107 54 0.041 52 14
## 2 Pera 116 25 0.026 57 15
## 3 Banano 358 64 0.334 89 23
## 4 Sandía 112 28 0.033 30 NA
## 5 Fresa 153 12 0.024 32 8
## 6 Kiwi 312 87 0.063 61 15Archivo1<-read.csv(file="DatosVIH.csv",header=T,na.strings="..")
Archivo1## Series.Name
## 1 Adults (ages 15+) and children (0-14 years) living with HIV
## 2 Adults (ages 15+) and children (ages 0-14) newly infected with HIV
## 3 Adults (ages 15+) living with HIV
## 4 Adults (ages 15-49) newly infected with HIV
## 5
## 6
## 7
## 8 Data from database: Health Nutrition and Population Statistics
## 9 Last Updated: 07/01/2024
## Series.Code Country.Name Country.Code X1960..YR1960. X1961..YR1961.
## 1 SH.HIV.TOTL Honduras HND NA NA
## 2 SH.HIV.INCD.TL Honduras HND NA NA
## 3 SH.DYN.AIDS Honduras HND NA NA
## 4 SH.HIV.INCD Honduras HND NA NA
## 5 NA NA
## 6 NA NA
## 7 NA NA
## 8 NA NA
## 9 NA NA
## X1962..YR1962. X1963..YR1963. X1964..YR1964. X1965..YR1965. X1966..YR1966.
## 1 NA NA NA NA NA
## 2 NA NA NA NA NA
## 3 NA NA NA NA NA
## 4 NA NA NA NA NA
## 5 NA NA NA NA NA
## 6 NA NA NA NA NA
## 7 NA NA NA NA NA
## 8 NA NA NA NA NA
## 9 NA NA NA NA NA
## X1967..YR1967. X1968..YR1968. X1969..YR1969. X1970..YR1970. X1971..YR1971.
## 1 NA NA NA NA NA
## 2 NA NA NA NA NA
## 3 NA NA NA NA NA
## 4 NA NA NA NA NA
## 5 NA NA NA NA NA
## 6 NA NA NA NA NA
## 7 NA NA NA NA NA
## 8 NA NA NA NA NA
## 9 NA NA NA NA NA
## X1972..YR1972. X1973..YR1973. X1974..YR1974. X1975..YR1975. X1976..YR1976.
## 1 NA NA NA NA NA
## 2 NA NA NA NA NA
## 3 NA NA NA NA NA
## 4 NA NA NA NA NA
## 5 NA NA NA NA NA
## 6 NA NA NA NA NA
## 7 NA NA NA NA NA
## 8 NA NA NA NA NA
## 9 NA NA NA NA NA
## X1977..YR1977. X1978..YR1978. X1979..YR1979. X1980..YR1980. X1981..YR1981.
## 1 NA NA NA NA NA
## 2 NA NA NA NA NA
## 3 NA NA NA NA NA
## 4 NA NA NA NA NA
## 5 NA NA NA NA NA
## 6 NA NA NA NA NA
## 7 NA NA NA NA NA
## 8 NA NA NA NA NA
## 9 NA NA NA NA NA
## X1982..YR1982. X1983..YR1983. X1984..YR1984. X1985..YR1985. X1986..YR1986.
## 1 NA NA NA NA NA
## 2 NA NA NA NA NA
## 3 NA NA NA NA NA
## 4 NA NA NA NA NA
## 5 NA NA NA NA NA
## 6 NA NA NA NA NA
## 7 NA NA NA NA NA
## 8 NA NA NA NA NA
## 9 NA NA NA NA NA
## X1987..YR1987. X1988..YR1988. X1989..YR1989. X1990..YR1990. X1991..YR1991.
## 1 NA NA NA 11000 13000
## 2 NA NA NA 2900 3400
## 3 NA NA NA 10000 12000
## 4 NA NA NA 2400 2800
## 5 NA NA NA NA NA
## 6 NA NA NA NA NA
## 7 NA NA NA NA NA
## 8 NA NA NA NA NA
## 9 NA NA NA NA NA
## X1992..YR1992. X1993..YR1993. X1994..YR1994. X1995..YR1995. X1996..YR1996.
## 1 16000 20000 23000 26000 28000
## 2 3900 4300 4600 4600 4600
## 3 15000 18000 21000 23000 26000
## 4 3200 3500 3700 3700 3600
## 5 NA NA NA NA NA
## 6 NA NA NA NA NA
## 7 NA NA NA NA NA
## 8 NA NA NA NA NA
## 9 NA NA NA NA NA
## X1997..YR1997. X1998..YR1998. X1999..YR1999. X2000..YR2000. X2001..YR2001.
## 1 31000 32000 33000 34000 34000
## 2 4400 4100 3700 3300 2800
## 3 28000 29000 30000 31000 30000
## 4 3400 3100 2800 2400 2000
## 5 NA NA NA NA NA
## 6 NA NA NA NA NA
## 7 NA NA NA NA NA
## 8 NA NA NA NA NA
## 9 NA NA NA NA NA
## X2002..YR2002. X2003..YR2003. X2004..YR2004. X2005..YR2005. X2006..YR2006.
## 1 33000 33000 32000 31000 30000
## 2 2400 2000 1600 1300 1100
## 3 30000 29000 28000 27000 27000
## 4 1700 1400 1000 1000 1000
## 5 NA NA NA NA NA
## 6 NA NA NA NA NA
## 7 NA NA NA NA NA
## 8 NA NA NA NA NA
## 9 NA NA NA NA NA
## X2007..YR2007. X2008..YR2008. X2009..YR2009. X2010..YR2010. X2011..YR2011.
## 1 29000 28000 27000 26000 25000
## 2 840 750 600 600 570
## 3 26000 25000 24000 23000 22000
## 4 1000 500 500 500 500
## 5 NA NA NA NA NA
## 6 NA NA NA NA NA
## 7 NA NA NA NA NA
## 8 NA NA NA NA NA
## 9 NA NA NA NA NA
## X2012..YR2012. X2013..YR2013. X2014..YR2014. X2015..YR2015. X2016..YR2016.
## 1 24000 23000 23000 22000 21000
## 2 530 500 500 500 550
## 3 22000 21000 21000 20000 20000
## 4 500 500 500 500 500
## 5 NA NA NA NA NA
## 6 NA NA NA NA NA
## 7 NA NA NA NA NA
## 8 NA NA NA NA NA
## 9 NA NA NA NA NA
## X2017..YR2017. X2018..YR2018. X2019..YR2019. X2020..YR2020. X2021..YR2021.
## 1 21000 21000 20000 20000 20000
## 2 510 530 540 550 590
## 3 20000 19000 19000 19000 19000
## 4 500 500 500 500 500
## 5 NA NA NA NA NA
## 6 NA NA NA NA NA
## 7 NA NA NA NA NA
## 8 NA NA NA NA NA
## 9 NA NA NA NA NA
## X2022..YR2022. X2023..YR2023.
## 1 20000 NA
## 2 560 NA
## 3 19000 NA
## 4 500 NA
## 5 NA NA
## 6 NA NA
## 7 NA NA
## 8 NA NA
## 9 NA NAnames(Archivo1)## [1] "Series.Name" "Series.Code" "Country.Name" "Country.Code"
## [5] "X1960..YR1960." "X1961..YR1961." "X1962..YR1962." "X1963..YR1963."
## [9] "X1964..YR1964." "X1965..YR1965." "X1966..YR1966." "X1967..YR1967."
## [13] "X1968..YR1968." "X1969..YR1969." "X1970..YR1970." "X1971..YR1971."
## [17] "X1972..YR1972." "X1973..YR1973." "X1974..YR1974." "X1975..YR1975."
## [21] "X1976..YR1976." "X1977..YR1977." "X1978..YR1978." "X1979..YR1979."
## [25] "X1980..YR1980." "X1981..YR1981." "X1982..YR1982." "X1983..YR1983."
## [29] "X1984..YR1984." "X1985..YR1985." "X1986..YR1986." "X1987..YR1987."
## [33] "X1988..YR1988." "X1989..YR1989." "X1990..YR1990." "X1991..YR1991."
## [37] "X1992..YR1992." "X1993..YR1993." "X1994..YR1994." "X1995..YR1995."
## [41] "X1996..YR1996." "X1997..YR1997." "X1998..YR1998." "X1999..YR1999."
## [45] "X2000..YR2000." "X2001..YR2001." "X2002..YR2002." "X2003..YR2003."
## [49] "X2004..YR2004." "X2005..YR2005." "X2006..YR2006." "X2007..YR2007."
## [53] "X2008..YR2008." "X2009..YR2009." "X2010..YR2010." "X2011..YR2011."
## [57] "X2012..YR2012." "X2013..YR2013." "X2014..YR2014." "X2015..YR2015."
## [61] "X2016..YR2016." "X2017..YR2017." "X2018..YR2018." "X2019..YR2019."
## [65] "X2020..YR2020." "X2021..YR2021." "X2022..YR2022." "X2023..YR2023."Anio<-seq(from=1960,to=2023,by=1)
Etiquetas<-c("Nombre","Codigo","Pais","Cod.Pais",Anio)
names(Archivo1)<-Etiquetas
Archivo1## Nombre
## 1 Adults (ages 15+) and children (0-14 years) living with HIV
## 2 Adults (ages 15+) and children (ages 0-14) newly infected with HIV
## 3 Adults (ages 15+) living with HIV
## 4 Adults (ages 15-49) newly infected with HIV
## 5
## 6
## 7
## 8 Data from database: Health Nutrition and Population Statistics
## 9 Last Updated: 07/01/2024
## Codigo Pais Cod.Pais 1960 1961 1962 1963 1964 1965 1966 1967 1968
## 1 SH.HIV.TOTL Honduras HND NA NA NA NA NA NA NA NA NA
## 2 SH.HIV.INCD.TL Honduras HND NA NA NA NA NA NA NA NA NA
## 3 SH.DYN.AIDS Honduras HND NA NA NA NA NA NA NA NA NA
## 4 SH.HIV.INCD Honduras HND NA NA NA NA NA NA NA NA NA
## 5 NA NA NA NA NA NA NA NA NA
## 6 NA NA NA NA NA NA NA NA NA
## 7 NA NA NA NA NA NA NA NA NA
## 8 NA NA NA NA NA NA NA NA NA
## 9 NA NA NA NA NA NA NA NA NA
## 1969 1970 1971 1972 1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983
## 1 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 2 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 3 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 4 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 5 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 6 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 7 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 8 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 9 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997
## 1 NA NA NA NA NA NA 11000 13000 16000 20000 23000 26000 28000 31000
## 2 NA NA NA NA NA NA 2900 3400 3900 4300 4600 4600 4600 4400
## 3 NA NA NA NA NA NA 10000 12000 15000 18000 21000 23000 26000 28000
## 4 NA NA NA NA NA NA 2400 2800 3200 3500 3700 3700 3600 3400
## 5 NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 6 NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 7 NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 8 NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 9 NA NA NA NA NA NA NA NA NA NA NA NA NA NA
## 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
## 1 32000 33000 34000 34000 33000 33000 32000 31000 30000 29000 28000 27000 26000
## 2 4100 3700 3300 2800 2400 2000 1600 1300 1100 840 750 600 600
## 3 29000 30000 31000 30000 30000 29000 28000 27000 27000 26000 25000 24000 23000
## 4 3100 2800 2400 2000 1700 1400 1000 1000 1000 1000 500 500 500
## 5 NA NA NA NA NA NA NA NA NA NA NA NA NA
## 6 NA NA NA NA NA NA NA NA NA NA NA NA NA
## 7 NA NA NA NA NA NA NA NA NA NA NA NA NA
## 8 NA NA NA NA NA NA NA NA NA NA NA NA NA
## 9 NA NA NA NA NA NA NA NA NA NA NA NA NA
## 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023
## 1 25000 24000 23000 23000 22000 21000 21000 21000 20000 20000 20000 20000 NA
## 2 570 530 500 500 500 550 510 530 540 550 590 560 NA
## 3 22000 22000 21000 21000 20000 20000 20000 19000 19000 19000 19000 19000 NA
## 4 500 500 500 500 500 500 500 500 500 500 500 500 NA
## 5 NA NA NA NA NA NA NA NA NA NA NA NA NA
## 6 NA NA NA NA NA NA NA NA NA NA NA NA NA
## 7 NA NA NA NA NA NA NA NA NA NA NA NA NA
## 8 NA NA NA NA NA NA NA NA NA NA NA NA NA
## 9 NA NA NA NA NA NA NA NA NA NA NA NA NA#Ejercicio: Hacer unu grafico de años vs casos de VIH.
Dominio<-1990:2022
Imagen<-Archivo1[1,5:ncol(Archivo1)]
Imagen<-Imagen[!is.na(Imagen[1,])]
class(Imagen)## [1] "integer"plot(Dominio,Imagen,type="b",main="Casos de VIH",xlab="Años",ylab="Casos")
library(readxl)
Escolaridad<-read_excel("DatosCompletoPrimeria.xls",skip=3,col_names = TRUE,sheet = 2)
FiltroHND<-Escolaridad$`Country Code`=='HND'
HND<-Escolaridad[FiltroHND,]
HND<-HND[1,5:ncol(HND)]
Filtro<-as.logical(!is.na(HND[1,]))
HND<-HND[1,Filtro]
FiltroGTM<-(Escolaridad$`Country Code`=='GTM')
GTM<-Escolaridad[FiltroGTM,]
GTM<-GTM[1,5:ncol(GTM)]
Filtro<-as.logical(!is.na(GTM[1,]))
GTM<-GTM[1,Filtro]
FiltroSLV<-(Escolaridad$`Country Code`=='SLV')
SLV<-Escolaridad[FiltroSLV,]
SLV<-SLV[1,5:ncol(SLV)]
Filtro<-as.logical(!is.na(SLV[1,]))
SLV<-SLV[1,Filtro]
FiltroCRI<-(Escolaridad$`Country Code`=='CRI')
CRI<-Escolaridad[FiltroCRI,]
CRI<-CRI[1,5:ncol(CRI)]
Filtro<-as.logical(!is.na(CRI[1,]))
CRI<-CRI[1,Filtro]
FiltroPAN<-(Escolaridad$`Country Code`=='PAN')
PAN<-Escolaridad[FiltroPAN,]
PAN<-PAN[1,5:ncol(PAN)]
Filtro<-as.logical(!is.na(PAN[1,]))
PAN<-PAN[1,Filtro]
FiltroBLZ<-(Escolaridad$`Country Code`=='BLZ')
BLZ<-Escolaridad[FiltroBLZ,]
BLZ<-BLZ[1,5:ncol(BLZ)]
Filtro<-as.logical(!is.na(BLZ[1,]))
BLZ<-BLZ[1,Filtro]
FiltroNIC<-(Escolaridad$`Country Code`=='NIC')
NIC<-Escolaridad[FiltroNIC,]
NIC<-NIC[1,5:ncol(NIC)]
Filtro<-as.logical(!is.na(NIC[1,]))
NIC<-NIC[1,Filtro]
Porcentajes<-c(HND,SLV,GTM,CRI,PAN,BLZ,NIC)
Factor<-c(rep("HND",length(HND)),rep("SLV",length(SLV)))
Factor<-c(Factor,rep("GTM",length(GTM)),rep("CRI",length(CRI)))
Factor<-c(Factor,rep("PAN",length(PAN)),rep("BLZ",length(BLZ)))
Factor<-c(Factor,rep("NIC",length(NIC)))
Factor<-factor(Factor)
DHND<-as.integer(names(HND))
DSLV<-as.integer(names(SLV))
DGTM<-as.integer(names(GTM))
DCRI<-as.integer(names(CRI))
DPAN<-as.integer(names(PAN))
DBLZ<-as.integer(names(BLZ))
DNIC<-as.integer(names(NIC))
Dominio<-c(DHND,DSLV,DGTM,DCRI,DPAN,DBLZ,DNIC)
library(ggplot2)
Porcentajes<-as.numeric(Porcentajes)
qplot(Dominio,Porcentajes,color=Factor,shape=Factor,main="Porcentaje de escolaridad completa en Centro América",xlab = "Años",ylab="Porcentajes")+geom_line()## Warning: The shape palette can deal with a maximum of 6 discrete values because more
## than 6 becomes difficult to discriminate
## ℹ you have requested 7 values. Consider specifying shapes manually if you need
## that many have them.## Warning: Removed 35 rows containing missing values or values outside the scale range
## (`geom_point()`).
Sección VIII: Elementos Básicos de Estadística
Media, mínimo, máximo, mediana y rango, suma:
mean(),min(),max(),median(),range(),sum().Frecuencias:
table(), nota: con un filtro puede conseguir la moda.tapply(Datos,INDEX=factor,FUN=funcion)Con esto podemos conseguir una tabla organizada por cada llave del factor respecto a la funcion.q=quantile(x,prob=p):Con esta función conseguimos un valor que nos indica que el 100*p porcentaje de los datos dexse encuentra por debajo deq. Es posible colocar enprobun vector de probabilidades.summary(x):Nos da un resumen de toda la datax.var(x) y sd(x):Varianza y Desviación Estandar.IQR:Inter quantil, es el gap entre el cuartil 75 y el 25.cov(x,y) y cor(x,y):Covarianza y correlación.
#Ejercicio: Hacer uso de todas las fuciones anteriores con la data trees.
data("trees")
trees## Girth Height Volume
## 1 8.3 70 10.3
## 2 8.6 65 10.3
## 3 8.8 63 10.2
## 4 10.5 72 16.4
## 5 10.7 81 18.8
## 6 10.8 83 19.7
## 7 11.0 66 15.6
## 8 11.0 75 18.2
## 9 11.1 80 22.6
## 10 11.2 75 19.9
## 11 11.3 79 24.2
## 12 11.4 76 21.0
## 13 11.4 76 21.4
## 14 11.7 69 21.3
## 15 12.0 75 19.1
## 16 12.9 74 22.2
## 17 12.9 85 33.8
## 18 13.3 86 27.4
## 19 13.7 71 25.7
## 20 13.8 64 24.9
## 21 14.0 78 34.5
## 22 14.2 80 31.7
## 23 14.5 74 36.3
## 24 16.0 72 38.3
## 25 16.3 77 42.6
## 26 17.3 81 55.4
## 27 17.5 82 55.7
## 28 17.9 80 58.3
## 29 18.0 80 51.5
## 30 18.0 80 51.0
## 31 20.6 87 77.0mean(trees$Volume)## [1] 30.17097median(trees$Volume)## [1] 24.2min(trees$Volume)## [1] 10.2max(trees$Volume)## [1] 77range(trees$Volume)## [1] 10.2 77.0table(trees$Volume)##
## 10.2 10.3 15.6 16.4 18.2 18.8 19.1 19.7 19.9 21 21.3 21.4 22.2 22.6 24.2 24.9
## 1 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1
## 25.7 27.4 31.7 33.8 34.5 36.3 38.3 42.6 51 51.5 55.4 55.7 58.3 77
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1summary(trees$Volume)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 10.20 19.40 24.20 30.17 37.30 77.00quantile(trees$Volume,probs = 0.123)## 12.3%
## 16.152#Uso de la funcion tapply.
Genero<-c('H','M','M','H','H','M')
#Altura en metros
Altura<-c(1.6,1.7,1.5,1.9,1.85,1.65)
FGenero<-factor(Genero)
FGenero## [1] H M M H H M
## Levels: H MX<-tapply(Altura,INDEX = FGenero,FUN=median)
X## H M
## 1.85 1.65var(trees$Volume)## [1] 270.2028sd(trees$Volume)## [1] 16.43785plot(trees$Girth,trees$Volume)
plot(trees$Girth,trees$Height)
cor(trees$Girth,trees$Volume)## [1] 0.9671194cor(trees$Girth,trees$Height)## [1] 0.5192801Sección IX: Visualización de Datos
Gráfico de barra (Barplots) y de pastel (Pie Charts)
Para construir un gráfico de barra seguimos los siguientes procedimientos:
Creamos la tabla de frecuencias de
xconfreq<-table(x).Luego usamos
barplot(freq).Algunos parámetros que se pueden ajustar:Es posible colocar tablas de más filas en el lugar de
freq.beside:Ajusta si quieres que las barras aparezcan juntas (TRUE) o una encima de la otra (FALSE)horiz:Si es TRUE entonces las barras se mostrarán en horizontal.legend.text:Ajusta las leyendas, puede colocarse un vector de cadenas.args.legend:Una lista con una cadena que permita ajustar la ubicación de las leyendas.main:Título.
#Hacer un barplot con la base de datos ToothGrowth.
data("ToothGrowth")
ToothGrowth## len supp dose
## 1 4.2 VC 0.5
## 2 11.5 VC 0.5
## 3 7.3 VC 0.5
## 4 5.8 VC 0.5
## 5 6.4 VC 0.5
## 6 10.0 VC 0.5
## 7 11.2 VC 0.5
## 8 11.2 VC 0.5
## 9 5.2 VC 0.5
## 10 7.0 VC 0.5
## 11 16.5 VC 1.0
## 12 16.5 VC 1.0
## 13 15.2 VC 1.0
## 14 17.3 VC 1.0
## 15 22.5 VC 1.0
## 16 17.3 VC 1.0
## 17 13.6 VC 1.0
## 18 14.5 VC 1.0
## 19 18.8 VC 1.0
## 20 15.5 VC 1.0
## 21 23.6 VC 2.0
## 22 18.5 VC 2.0
## 23 33.9 VC 2.0
## 24 25.5 VC 2.0
## 25 26.4 VC 2.0
## 26 32.5 VC 2.0
## 27 26.7 VC 2.0
## 28 21.5 VC 2.0
## 29 23.3 VC 2.0
## 30 29.5 VC 2.0
## 31 15.2 OJ 0.5
## 32 21.5 OJ 0.5
## 33 17.6 OJ 0.5
## 34 9.7 OJ 0.5
## 35 14.5 OJ 0.5
## 36 10.0 OJ 0.5
## 37 8.2 OJ 0.5
## 38 9.4 OJ 0.5
## 39 16.5 OJ 0.5
## 40 9.7 OJ 0.5
## 41 19.7 OJ 1.0
## 42 23.3 OJ 1.0
## 43 23.6 OJ 1.0
## 44 26.4 OJ 1.0
## 45 20.0 OJ 1.0
## 46 25.2 OJ 1.0
## 47 25.8 OJ 1.0
## 48 21.2 OJ 1.0
## 49 14.5 OJ 1.0
## 50 27.3 OJ 1.0
## 51 25.5 OJ 2.0
## 52 26.4 OJ 2.0
## 53 22.4 OJ 2.0
## 54 24.5 OJ 2.0
## 55 24.8 OJ 2.0
## 56 30.9 OJ 2.0
## 57 26.4 OJ 2.0
## 58 27.3 OJ 2.0
## 59 29.4 OJ 2.0
## 60 23.0 OJ 2.0Freq<-table(ToothGrowth$supp)
Freq##
## OJ VC
## 30 30barplot(Freq)
#Segundo Ejemplo
X<-c(1,0,0,1,0,1,0,0,1)
Y<-c(2,3,4,3,2,4,3,3,1)
Freq<-table(X,Y)
Freq## Y
## X 1 2 3 4
## 0 0 1 3 1
## 1 1 1 1 1barplot(Freq,beside=TRUE,legend.text = c("Etiqueta cero","Etiqueta 1"))
Asignación 3 de R:
- Explorar la base de datos ChickWeight y familiarizarse con esas mediciones.
- Crear cuatro tablas llamadas dieta1, dieta2, dieta3 y dieta4; cada tabla es un filtro de la base de datos de acuerdo al tipo de dieta.
- Crear 4 factores, factor1, factor2, factor3, factor4; estos factores se construirán a partir de la columna Time de cada tabla construida anteriormente; por ejemplo factor2 sería el factor construido a partir de dieta2.
- Con ayuda de la función
tappyconstruya las 4 tablas de los promedios de los pesos diarios de los pollitos de acuerdo a cada dieta. Convierta estas salidas a un vector numérico. - Con esta información en mano, construya el gráfico que se mira a continuación.
## weight Time Chick Diet
## 578 264 21 50 4## weight Time Chick Diet
## 1 42 0 1 1
## 2 51 2 1 1
## 3 59 4 1 1
## 4 64 6 1 1
## 5 76 8 1 1
## 6 93 10 1 1
## 7 106 12 1 1
## 8 125 14 1 1
## 9 149 16 1 1
## 10 171 18 1 1
## 11 199 20 1 1
## 12 205 21 1 1
## 13 40 0 2 1
## 14 49 2 2 1
## 15 58 4 2 1
## 16 72 6 2 1
## 17 84 8 2 1
## 18 103 10 2 1
## 19 122 12 2 1
## 20 138 14 2 1
## 21 162 16 2 1
## 22 187 18 2 1
## 23 209 20 2 1
## 24 215 21 2 1
## 25 43 0 3 1
## 26 39 2 3 1
## 27 55 4 3 1
## 28 67 6 3 1
## 29 84 8 3 1
## 30 99 10 3 1
## 31 115 12 3 1
## 32 138 14 3 1
## 33 163 16 3 1
## 34 187 18 3 1
## 35 198 20 3 1
## 36 202 21 3 1
## 37 42 0 4 1
## 38 49 2 4 1
## 39 56 4 4 1
## 40 67 6 4 1
## 41 74 8 4 1
## 42 87 10 4 1
## 43 102 12 4 1
## 44 108 14 4 1
## 45 136 16 4 1
## 46 154 18 4 1
## 47 160 20 4 1
## 48 157 21 4 1
## 49 41 0 5 1
## 50 42 2 5 1
## 51 48 4 5 1
## 52 60 6 5 1
## 53 79 8 5 1
## 54 106 10 5 1
## 55 141 12 5 1
## 56 164 14 5 1
## 57 197 16 5 1
## 58 199 18 5 1
## 59 220 20 5 1
## 60 223 21 5 1
## 61 41 0 6 1
## 62 49 2 6 1
## 63 59 4 6 1
## 64 74 6 6 1
## 65 97 8 6 1
## 66 124 10 6 1
## 67 141 12 6 1
## 68 148 14 6 1
## 69 155 16 6 1
## 70 160 18 6 1
## 71 160 20 6 1
## 72 157 21 6 1
## 73 41 0 7 1
## 74 49 2 7 1
## 75 57 4 7 1
## 76 71 6 7 1
## 77 89 8 7 1
## 78 112 10 7 1
## 79 146 12 7 1
## 80 174 14 7 1
## 81 218 16 7 1
## 82 250 18 7 1
## 83 288 20 7 1
## 84 305 21 7 1
## 85 42 0 8 1
## 86 50 2 8 1
## 87 61 4 8 1
## 88 71 6 8 1
## 89 84 8 8 1
## 90 93 10 8 1
## 91 110 12 8 1
## 92 116 14 8 1
## 93 126 16 8 1
## 94 134 18 8 1
## 95 125 20 8 1
## 96 42 0 9 1
## 97 51 2 9 1
## 98 59 4 9 1
## 99 68 6 9 1
## 100 85 8 9 1
## 101 96 10 9 1
## 102 90 12 9 1
## 103 92 14 9 1
## 104 93 16 9 1
## 105 100 18 9 1
## 106 100 20 9 1
## 107 98 21 9 1
## 108 41 0 10 1
## 109 44 2 10 1
## 110 52 4 10 1
## 111 63 6 10 1
## 112 74 8 10 1
## 113 81 10 10 1
## 114 89 12 10 1
## 115 96 14 10 1
## 116 101 16 10 1
## 117 112 18 10 1
## 118 120 20 10 1
## 119 124 21 10 1
## 120 43 0 11 1
## 121 51 2 11 1
## 122 63 4 11 1
## 123 84 6 11 1
## 124 112 8 11 1
## 125 139 10 11 1
## 126 168 12 11 1
## 127 177 14 11 1
## 128 182 16 11 1
## 129 184 18 11 1
## 130 181 20 11 1
## 131 175 21 11 1
## 132 41 0 12 1
## 133 49 2 12 1
## 134 56 4 12 1
## 135 62 6 12 1
## 136 72 8 12 1
## 137 88 10 12 1
## 138 119 12 12 1
## 139 135 14 12 1
## 140 162 16 12 1
## 141 185 18 12 1
## 142 195 20 12 1
## 143 205 21 12 1
## 144 41 0 13 1
## 145 48 2 13 1
## 146 53 4 13 1
## 147 60 6 13 1
## 148 65 8 13 1
## 149 67 10 13 1
## 150 71 12 13 1
## 151 70 14 13 1
## 152 71 16 13 1
## 153 81 18 13 1
## 154 91 20 13 1
## 155 96 21 13 1
## 156 41 0 14 1
## 157 49 2 14 1
## 158 62 4 14 1
## 159 79 6 14 1
## 160 101 8 14 1
## 161 128 10 14 1
## 162 164 12 14 1
## 163 192 14 14 1
## 164 227 16 14 1
## 165 248 18 14 1
## 166 259 20 14 1
## 167 266 21 14 1
## 168 41 0 15 1
## 169 49 2 15 1
## 170 56 4 15 1
## 171 64 6 15 1
## 172 68 8 15 1
## 173 68 10 15 1
## 174 67 12 15 1
## 175 68 14 15 1
## 176 41 0 16 1
## 177 45 2 16 1
## 178 49 4 16 1
## 179 51 6 16 1
## 180 57 8 16 1
## 181 51 10 16 1
## 182 54 12 16 1
## 183 42 0 17 1
## 184 51 2 17 1
## 185 61 4 17 1
## 186 72 6 17 1
## 187 83 8 17 1
## 188 89 10 17 1
## 189 98 12 17 1
## 190 103 14 17 1
## 191 113 16 17 1
## 192 123 18 17 1
## 193 133 20 17 1
## 194 142 21 17 1
## 195 39 0 18 1
## 196 35 2 18 1
## 197 43 0 19 1
## 198 48 2 19 1
## 199 55 4 19 1
## 200 62 6 19 1
## 201 65 8 19 1
## 202 71 10 19 1
## 203 82 12 19 1
## 204 88 14 19 1
## 205 106 16 19 1
## 206 120 18 19 1
## 207 144 20 19 1
## 208 157 21 19 1
## 209 41 0 20 1
## 210 47 2 20 1
## 211 54 4 20 1
## 212 58 6 20 1
## 213 65 8 20 1
## 214 73 10 20 1
## 215 77 12 20 1
## 216 89 14 20 1
## 217 98 16 20 1
## 218 107 18 20 1
## 219 115 20 20 1
## 220 117 21 20 1
## 221 40 0 21 2
## 222 50 2 21 2
## 223 62 4 21 2
## 224 86 6 21 2
## 225 125 8 21 2
## 226 163 10 21 2
## 227 217 12 21 2
## 228 240 14 21 2
## 229 275 16 21 2
## 230 307 18 21 2
## 231 318 20 21 2
## 232 331 21 21 2
## 233 41 0 22 2
## 234 55 2 22 2
## 235 64 4 22 2
## 236 77 6 22 2
## 237 90 8 22 2
## 238 95 10 22 2
## 239 108 12 22 2
## 240 111 14 22 2
## 241 131 16 22 2
## 242 148 18 22 2
## 243 164 20 22 2
## 244 167 21 22 2
## 245 43 0 23 2
## 246 52 2 23 2
## 247 61 4 23 2
## 248 73 6 23 2
## 249 90 8 23 2
## 250 103 10 23 2
## 251 127 12 23 2
## 252 135 14 23 2
## 253 145 16 23 2
## 254 163 18 23 2
## 255 170 20 23 2
## 256 175 21 23 2
## 257 42 0 24 2
## 258 52 2 24 2
## 259 58 4 24 2
## 260 74 6 24 2
## 261 66 8 24 2
## 262 68 10 24 2
## 263 70 12 24 2
## 264 71 14 24 2
## 265 72 16 24 2
## 266 72 18 24 2
## 267 76 20 24 2
## 268 74 21 24 2
## 269 40 0 25 2
## 270 49 2 25 2
## 271 62 4 25 2
## 272 78 6 25 2
## 273 102 8 25 2
## 274 124 10 25 2
## 275 146 12 25 2
## 276 164 14 25 2
## 277 197 16 25 2
## 278 231 18 25 2
## 279 259 20 25 2
## 280 265 21 25 2
## 281 42 0 26 2
## 282 48 2 26 2
## 283 57 4 26 2
## 284 74 6 26 2
## 285 93 8 26 2
## 286 114 10 26 2
## 287 136 12 26 2
## 288 147 14 26 2
## 289 169 16 26 2
## 290 205 18 26 2
## 291 236 20 26 2
## 292 251 21 26 2
## 293 39 0 27 2
## 294 46 2 27 2
## 295 58 4 27 2
## 296 73 6 27 2
## 297 87 8 27 2
## 298 100 10 27 2
## 299 115 12 27 2
## 300 123 14 27 2
## 301 144 16 27 2
## 302 163 18 27 2
## 303 185 20 27 2
## 304 192 21 27 2
## 305 39 0 28 2
## 306 46 2 28 2
## 307 58 4 28 2
## 308 73 6 28 2
## 309 92 8 28 2
## 310 114 10 28 2
## 311 145 12 28 2
## 312 156 14 28 2
## 313 184 16 28 2
## 314 207 18 28 2
## 315 212 20 28 2
## 316 233 21 28 2
## 317 39 0 29 2
## 318 48 2 29 2
## 319 59 4 29 2
## 320 74 6 29 2
## 321 87 8 29 2
## 322 106 10 29 2
## 323 134 12 29 2
## 324 150 14 29 2
## 325 187 16 29 2
## 326 230 18 29 2
## 327 279 20 29 2
## 328 309 21 29 2
## 329 42 0 30 2
## 330 48 2 30 2
## 331 59 4 30 2
## 332 72 6 30 2
## 333 85 8 30 2
## 334 98 10 30 2
## 335 115 12 30 2
## 336 122 14 30 2
## 337 143 16 30 2
## 338 151 18 30 2
## 339 157 20 30 2
## 340 150 21 30 2
## 341 42 0 31 3
## 342 53 2 31 3
## 343 62 4 31 3
## 344 73 6 31 3
## 345 85 8 31 3
## 346 102 10 31 3
## 347 123 12 31 3
## 348 138 14 31 3
## 349 170 16 31 3
## 350 204 18 31 3
## 351 235 20 31 3
## 352 256 21 31 3
## 353 41 0 32 3
## 354 49 2 32 3
## 355 65 4 32 3
## 356 82 6 32 3
## 357 107 8 32 3
## 358 129 10 32 3
## 359 159 12 32 3
## 360 179 14 32 3
## 361 221 16 32 3
## 362 263 18 32 3
## 363 291 20 32 3
## 364 305 21 32 3
## 365 39 0 33 3
## 366 50 2 33 3
## 367 63 4 33 3
## 368 77 6 33 3
## 369 96 8 33 3
## 370 111 10 33 3
## 371 137 12 33 3
## 372 144 14 33 3
## 373 151 16 33 3
## 374 146 18 33 3
## 375 156 20 33 3
## 376 147 21 33 3
## 377 41 0 34 3
## 378 49 2 34 3
## 379 63 4 34 3
## 380 85 6 34 3
## 381 107 8 34 3
## 382 134 10 34 3
## 383 164 12 34 3
## 384 186 14 34 3
## 385 235 16 34 3
## 386 294 18 34 3
## 387 327 20 34 3
## 388 341 21 34 3
## 389 41 0 35 3
## 390 53 2 35 3
## 391 64 4 35 3
## 392 87 6 35 3
## 393 123 8 35 3
## 394 158 10 35 3
## 395 201 12 35 3
## 396 238 14 35 3
## 397 287 16 35 3
## 398 332 18 35 3
## 399 361 20 35 3
## 400 373 21 35 3
## 401 39 0 36 3
## 402 48 2 36 3
## 403 61 4 36 3
## 404 76 6 36 3
## 405 98 8 36 3
## 406 116 10 36 3
## 407 145 12 36 3
## 408 166 14 36 3
## 409 198 16 36 3
## 410 227 18 36 3
## 411 225 20 36 3
## 412 220 21 36 3
## 413 41 0 37 3
## 414 48 2 37 3
## 415 56 4 37 3
## 416 68 6 37 3
## 417 80 8 37 3
## 418 83 10 37 3
## 419 103 12 37 3
## 420 112 14 37 3
## 421 135 16 37 3
## 422 157 18 37 3
## 423 169 20 37 3
## 424 178 21 37 3
## 425 41 0 38 3
## 426 49 2 38 3
## 427 61 4 38 3
## 428 74 6 38 3
## 429 98 8 38 3
## 430 109 10 38 3
## 431 128 12 38 3
## 432 154 14 38 3
## 433 192 16 38 3
## 434 232 18 38 3
## 435 280 20 38 3
## 436 290 21 38 3
## 437 42 0 39 3
## 438 50 2 39 3
## 439 61 4 39 3
## 440 78 6 39 3
## 441 89 8 39 3
## 442 109 10 39 3
## 443 130 12 39 3
## 444 146 14 39 3
## 445 170 16 39 3
## 446 214 18 39 3
## 447 250 20 39 3
## 448 272 21 39 3
## 449 41 0 40 3
## 450 55 2 40 3
## 451 66 4 40 3
## 452 79 6 40 3
## 453 101 8 40 3
## 454 120 10 40 3
## 455 154 12 40 3
## 456 182 14 40 3
## 457 215 16 40 3
## 458 262 18 40 3
## 459 295 20 40 3
## 460 321 21 40 3
## 461 42 0 41 4
## 462 51 2 41 4
## 463 66 4 41 4
## 464 85 6 41 4
## 465 103 8 41 4
## 466 124 10 41 4
## 467 155 12 41 4
## 468 153 14 41 4
## 469 175 16 41 4
## 470 184 18 41 4
## 471 199 20 41 4
## 472 204 21 41 4
## 473 42 0 42 4
## 474 49 2 42 4
## 475 63 4 42 4
## 476 84 6 42 4
## 477 103 8 42 4
## 478 126 10 42 4
## 479 160 12 42 4
## 480 174 14 42 4
## 481 204 16 42 4
## 482 234 18 42 4
## 483 269 20 42 4
## 484 281 21 42 4
## 485 42 0 43 4
## 486 55 2 43 4
## 487 69 4 43 4
## 488 96 6 43 4
## 489 131 8 43 4
## 490 157 10 43 4
## 491 184 12 43 4
## 492 188 14 43 4
## 493 197 16 43 4
## 494 198 18 43 4
## 495 199 20 43 4
## 496 200 21 43 4
## 497 42 0 44 4
## 498 51 2 44 4
## 499 65 4 44 4
## 500 86 6 44 4
## 501 103 8 44 4
## 502 118 10 44 4
## 503 127 12 44 4
## 504 138 14 44 4
## 505 145 16 44 4
## 506 146 18 44 4
## 507 41 0 45 4
## 508 50 2 45 4
## 509 61 4 45 4
## 510 78 6 45 4
## 511 98 8 45 4
## 512 117 10 45 4
## 513 135 12 45 4
## 514 141 14 45 4
## 515 147 16 45 4
## 516 174 18 45 4
## 517 197 20 45 4
## 518 196 21 45 4
## 519 40 0 46 4
## 520 52 2 46 4
## 521 62 4 46 4
## 522 82 6 46 4
## 523 101 8 46 4
## 524 120 10 46 4
## 525 144 12 46 4
## 526 156 14 46 4
## 527 173 16 46 4
## 528 210 18 46 4
## 529 231 20 46 4
## 530 238 21 46 4
## 531 41 0 47 4
## 532 53 2 47 4
## 533 66 4 47 4
## 534 79 6 47 4
## 535 100 8 47 4
## 536 123 10 47 4
## 537 148 12 47 4
## 538 157 14 47 4
## 539 168 16 47 4
## 540 185 18 47 4
## 541 210 20 47 4
## 542 205 21 47 4
## 543 39 0 48 4
## 544 50 2 48 4
## 545 62 4 48 4
## 546 80 6 48 4
## 547 104 8 48 4
## 548 125 10 48 4
## 549 154 12 48 4
## 550 170 14 48 4
## 551 222 16 48 4
## 552 261 18 48 4
## 553 303 20 48 4
## 554 322 21 48 4
## 555 40 0 49 4
## 556 53 2 49 4
## 557 64 4 49 4
## 558 85 6 49 4
## 559 108 8 49 4
## 560 128 10 49 4
## 561 152 12 49 4
## 562 166 14 49 4
## 563 184 16 49 4
## 564 203 18 49 4
## 565 233 20 49 4
## 566 237 21 49 4
## 567 41 0 50 4
## 568 54 2 50 4
## 569 67 4 50 4
## 570 84 6 50 4
## 571 105 8 50 4
## 572 122 10 50 4
## 573 155 12 50 4
## 574 175 14 50 4
## 575 205 16 50 4
## 576 234 18 50 4
## 577 264 20 50 4
## 578 264 21 50 4
Sección de Mínimos Cuadrados.
Ejemplo: cargue la librería “MASS”
Gráfica los datos de longitud de la mano y la altura con survey.
Cálcula la correlación. Agrega el parámetro use=“complete.obs” para evitar los valores perdidos.
Modelo simple de regresion lineal: Y|X=b_0+b_1X+epsilon.
Se asume que los valores de epsilon se distribuyen normalmente.
La media de epsilon es cero.
La covarianza de epsilon es constante.
b_0 se conoce como intercepto.
b_1 es conocida como la pendiente.
El ajuste de b_0 y b_1 se logra con las siguientes fórmulas matemáticas:
b_1=cor(x,y)sd(y)/sd(x)
b_2=mean(y)-b_1mean(x)
Respuesta ~ Predictor (Formula para ajuste lineal)
Ajuste<-lm(Y~X);En el caso de las estructuras de los data.frame podemos usar
Ajuste<-lm(Y~X,data=Tabla); Donde Y y X son elementos de la tabla.Con
abline(Ajuste)podemos añadir la línea directamente.
library("MASS")
survey## Sex Wr.Hnd NW.Hnd W.Hnd Fold Pulse Clap Exer Smoke Height M.I
## 1 Female 18.5 18.0 Right R on L 92 Left Some Never 173.00 Metric
## 2 Male 19.5 20.5 Left R on L 104 Left None Regul 177.80 Imperial
## 3 Male 18.0 13.3 Right L on R 87 Neither None Occas NA <NA>
## 4 Male 18.8 18.9 Right R on L NA Neither None Never 160.00 Metric
## 5 Male 20.0 20.0 Right Neither 35 Right Some Never 165.00 Metric
## 6 Female 18.0 17.7 Right L on R 64 Right Some Never 172.72 Imperial
## 7 Male 17.7 17.7 Right L on R 83 Right Freq Never 182.88 Imperial
## 8 Female 17.0 17.3 Right R on L 74 Right Freq Never 157.00 Metric
## 9 Male 20.0 19.5 Right R on L 72 Right Some Never 175.00 Metric
## 10 Male 18.5 18.5 Right R on L 90 Right Some Never 167.00 Metric
## 11 Female 17.0 17.2 Right L on R 80 Right Freq Never 156.20 Imperial
## 12 Male 21.0 21.0 Right R on L 68 Left Freq Never NA <NA>
## 13 Female 16.0 16.0 Right L on R NA Right Some Never 155.00 Metric
## 14 Female 19.5 20.2 Right L on R 66 Neither Some Never 155.00 Metric
## 15 Male 16.0 15.5 Right R on L 60 Right Some Never NA <NA>
## 16 Female 17.5 17.0 Right R on L NA Right Freq Never 156.00 Metric
## 17 Female 18.0 18.0 Right L on R 89 Neither Freq Never 157.00 Metric
## 18 Male 19.4 19.2 Left R on L 74 Right Some Never 182.88 Imperial
## 19 Male 20.5 20.5 Right L on R NA Left Some Never 190.50 Imperial
## 20 Male 21.0 20.9 Right R on L 78 Right Freq Never 177.00 Metric
## 21 Male 21.5 22.0 Right R on L 72 Left Freq Never 190.50 Imperial
## 22 Male 20.1 20.7 Right L on R 72 Right Freq Never 180.34 Imperial
## 23 Male 18.5 18.0 Right L on R 64 Right Freq Never 180.34 Imperial
## 24 Male 21.5 21.2 Right R on L 62 Right Some Never 184.00 Metric
## 25 Female 17.0 17.5 Right R on L 64 Left Some Never NA <NA>
## 26 Male 18.5 18.5 Right Neither 90 Neither Some Never NA <NA>
## 27 Male 21.0 20.7 Right R on L 90 Right Some Never 172.72 Imperial
## 28 Male 20.8 21.4 Right R on L 62 Neither Freq Never 175.26 Imperial
## 29 Male 17.8 17.8 Right L on R 76 Neither Freq Never NA <NA>
## 30 Male 19.5 19.5 Right L on R 79 Right Some Never 167.00 Metric
## 31 Female 18.5 18.0 Right R on L 76 Right None Occas NA <NA>
## 32 Male 18.8 18.2 Right L on R 78 Right Freq Never 180.00 Metric
## 33 Female 17.1 17.5 Right R on L 72 Right Freq Heavy 166.40 Imperial
## 34 Male 20.1 20.0 Right R on L 70 Right Some Never 180.00 Metric
## 35 Male 18.0 19.0 Right L on R 54 Neither Some Regul NA <NA>
## 36 Male 22.2 21.0 Right L on R 66 Right Freq Occas 190.00 Metric
## 37 Female 16.0 16.5 Right L on R NA Right Some Never 168.00 Metric
## 38 Male 19.4 18.5 Right R on L 72 Neither Freq Never 182.50 Metric
## 39 Male 22.0 22.0 Right R on L 80 Right Some Never 185.00 Metric
## 40 Male 19.0 19.0 Right R on L NA Neither Freq Occas 171.00 Metric
## 41 Female 17.5 16.0 Right L on R NA Right Some Never 169.00 Metric
## 42 Female 17.8 18.0 Right R on L 72 Right Some Never 154.94 Imperial
## 43 Male NA NA Right R on L 60 <NA> Some Never 172.00 Metric
## 44 Female 20.1 20.2 Right L on R 80 Right Some Never 176.50 Imperial
## 45 Female 13.0 13.0 <NA> L on R 70 Left Freq Never 180.34 Imperial
## 46 Male 17.0 17.5 Right R on L NA Neither Freq Never 180.34 Imperial
## 47 Male 23.2 22.7 Right L on R 84 Left Freq Regul 180.00 Metric
## 48 Male 22.5 23.0 Right R on L 96 Right None Never 170.00 Metric
## 49 Female 18.0 17.6 Right R on L 60 Right Some Occas 168.00 Metric
## 50 Female 18.0 17.9 Right R on L 50 Left None Never 165.00 Metric
## 51 Male 22.0 21.5 Left R on L 55 Left Freq Never 200.00 Metric
## 52 Male 20.5 20.0 Right L on R 68 Right Freq Never 190.00 Metric
## 53 Male 17.0 18.0 Right L on R 78 Left Some Never 170.18 Imperial
## 54 Male 20.5 19.5 Right L on R 56 Right Freq Never 179.00 Metric
## 55 Male 22.5 22.5 Right R on L 65 Right Freq Regul 182.00 Metric
## 56 Male 18.5 18.5 Right L on R NA Neither Freq Never 171.00 Metric
## 57 Female 15.5 15.4 Right R on L 70 Neither None Never 157.48 Imperial
## 58 Male 19.5 19.7 Right R on L 72 Right Freq Never NA <NA>
## 59 Male 19.5 19.0 Right L on R 62 Right Freq Never 177.80 Imperial
## 60 Male 20.6 21.0 Left L on R NA Left Freq Occas 175.26 Imperial
## 61 Male 22.8 23.2 Right R on L 66 Neither Freq Never 187.00 Metric
## 62 Female 18.5 18.2 Right R on L 72 Neither Freq Never 167.64 Imperial
## 63 Female 19.6 19.7 Right L on R 70 Right Freq Never 178.00 Metric
## 64 Female 18.7 18.0 Left L on R NA Left None Never 170.00 Metric
## 65 Female 17.3 18.0 Right L on R 64 Neither Freq Never 164.00 Metric
## 66 Male 19.5 19.8 Right Neither NA Right Freq Never 183.00 Metric
## 67 Female 19.0 19.1 Right L on R NA Neither Freq Never 172.00 Metric
## 68 Female 18.5 18.0 Right R on L 64 Right Freq Never NA <NA>
## 69 Male 19.0 19.0 Right L on R NA Right Some Never 180.00 Metric
## 70 Male 21.0 19.5 Right L on R 80 Left None <NA> NA <NA>
## 71 Female 18.0 17.5 Right L on R 64 Left Freq Never 170.00 Metric
## 72 Male 19.4 19.5 Right R on L NA Right Freq Heavy 176.00 Metric
## 73 Female 17.0 16.6 Right R on L 68 Right Some Never 171.00 Metric
## 74 Female 16.5 17.0 Right L on R 40 Left Freq Never 167.64 Imperial
## 75 Female 15.6 15.8 Right R on L 88 Left Some Never 165.00 Metric
## 76 Female 17.5 17.5 Right Neither 68 Right Freq Heavy 170.00 Metric
## 77 Female 17.0 17.6 Right L on R 76 Right Some Never 165.00 Metric
## 78 Female 18.6 18.0 Right L on R NA Neither Freq Heavy 165.10 Imperial
## 79 Female 18.3 18.5 Right R on L 68 Neither Some Never 165.10 Imperial
## 80 Male 20.0 20.5 Right L on R NA Right Freq Never 185.42 Imperial
## 81 Male 19.5 19.5 Left R on L 66 Left Some Never NA <NA>
## 82 Male 19.2 18.9 Right R on L 76 Right Freq Never 176.50 Imperial
## 83 Female 17.5 17.5 Right R on L 98 Left Freq Never NA <NA>
## 84 Female 17.0 17.4 Right R on L NA Neither Some Never NA <NA>
## 85 Male 23.0 23.5 Right L on R 90 Right Freq Never 167.64 Imperial
## 86 Female 17.7 17.0 Right R on L 76 Right Some Never 167.00 Metric
## 87 Female 18.2 18.0 Right L on R 70 Right Some Never 162.56 Imperial
## 88 Female 18.3 18.5 Right R on L 75 Left Freq Never 170.00 Metric
## 89 Male 18.0 18.0 Right Neither 60 Right Freq Never 179.00 Metric
## 90 Female 18.0 17.7 Left R on L 92 Left Some Never NA <NA>
## 91 Male 20.5 20.0 Right R on L 75 Left Some Never 183.00 Metric
## 92 Female 17.5 18.0 Right Neither NA Right Some Never NA <NA>
## 93 Female 18.2 17.5 Right L on R 70 Right Some Never 165.00 Metric
## 94 Female 18.2 18.5 Right R on L NA Right Some Never 168.00 Metric
## 95 Male 21.3 20.8 Right R on L 65 Right Freq Heavy 179.00 Metric
## 96 Female 19.0 18.8 Right L on R NA Right Some Never NA <NA>
## 97 Male 20.0 19.5 Right R on L 68 Neither Freq Regul 190.00 Metric
## 98 Female 17.5 17.5 Right R on L 60 Right Freq Never 166.50 Metric
## 99 Male 19.5 19.4 Right Neither NA Right Freq Never 165.00 Metric
## 100 Female 19.4 19.6 Right R on L 68 Neither Freq Never 175.26 Imperial
## 101 Male 21.9 22.2 Right R on L NA Right Some Never 187.00 Metric
## 102 Male 18.9 19.1 Right L on R 60 Neither None Never 170.00 Metric
## 103 Female 16.0 16.0 Right Neither NA Right Some Never 159.00 Metric
## 104 Female 17.5 17.3 Right R on L 72 Right Freq Never 175.00 Metric
## 105 Female 17.5 17.0 Right R on L 80 Left Some Heavy 163.00 Metric
## 106 Female 19.5 18.5 Right R on L 80 Right Some Never 170.00 Metric
## 107 Female 16.2 16.4 Right R on L NA Right Freq Occas 172.00 Metric
## 108 Female 17.0 15.9 Right R on L 85 Right Freq Never NA <NA>
## 109 Male 17.5 17.5 Right L on R 64 Neither Freq Never 180.00 Metric
## 110 Male 19.7 20.1 Right R on L 67 Left Some Regul 180.34 Imperial
## 111 Female 18.5 18.5 Right R on L 76 Left Freq Never 175.00 Metric
## 112 Male 19.2 19.6 Right L on R 80 Right None Never 190.50 Imperial
## 113 Female 17.2 16.7 Right R on L 75 Right Freq Never 170.18 Imperial
## 114 Male 20.5 21.0 Right R on L 60 Right Freq Never 185.00 Metric
## 115 Female 16.0 15.5 Right L on R 60 Left Freq Never 162.56 Imperial
## 116 Female 16.9 16.0 Right L on R 70 Right None Never 158.00 Metric
## 117 Female 17.0 16.7 Right R on L 70 Right Some Never 159.00 Metric
## 118 Male 23.0 22.0 Left L on R 83 Left Some Heavy 193.04 Imperial
## 119 Female 18.5 18.0 Left L on R 100 Neither Some Never 171.00 Metric
## 120 Male 21.0 20.4 Right L on R 100 Right Freq Heavy 184.00 Metric
## 121 Male 20.0 20.0 Right R on L 80 Neither Freq Occas NA <NA>
## 122 Male 22.5 22.5 Right L on R 76 Right Freq Occas 177.00 Metric
## 123 Female 18.5 18.0 Right R on L 92 Right Freq Never 172.00 Metric
## 124 Male 19.8 20.0 Left L on R 59 Right Freq Never 180.00 Metric
## 125 Male 18.5 18.1 Right L on R 66 Left Freq Never 175.26 Imperial
## 126 Male 19.3 19.4 Right R on L NA Right Freq Never 180.34 Imperial
## 127 Female 16.0 16.0 Right R on L 68 Right Freq Never 172.72 Imperial
## 128 Male 18.8 19.1 Right L on R 66 Neither Freq Regul 178.50 Metric
## 129 Female 17.5 17.0 Right R on L 74 Right Freq Never 157.00 Metric
## 130 Female 16.4 16.5 Right L on R 90 Right Some Never 152.00 Metric
## 131 Male 22.0 21.5 Right R on L 86 Right Freq Never 187.96 Imperial
## 132 Male 19.0 19.5 Right L on R 60 Right Some Never 178.00 Metric
## 133 Female 18.9 20.0 Right R on L 86 Right Some Never NA <NA>
## 134 Female 15.4 16.4 Left L on R 80 Left Freq Occas 160.02 Imperial
## 135 Male 17.9 17.8 Right R on L 85 Left Some Never 175.26 Imperial
## 136 Male 23.1 22.5 Right L on R 90 Right Some Regul 189.00 Metric
## 137 <NA> 19.8 19.0 Left L on R 73 Neither Freq Never 172.00 Metric
## 138 Male 22.0 22.0 Right L on R 72 Right Freq Never 182.88 Imperial
## 139 Male 20.0 19.5 Right L on R NA Right Freq Never 170.00 Metric
## 140 Female 19.5 18.5 Right L on R 68 Right None Never 167.00 Metric
## 141 Female 18.0 18.6 Right R on L 84 Right Some Never 175.00 Metric
## 142 Female 18.3 19.0 Right R on L NA Right None Never 165.00 Metric
## 143 Female 19.0 18.8 Right R on L 65 Right Freq Never 172.72 Imperial
## 144 Male 21.4 21.0 Right L on R 96 Neither Some Never 180.00 Metric
## 145 Female 20.0 19.5 Left R on L 68 Neither Freq Never 172.00 Metric
## 146 Male 18.5 18.5 Right R on L 75 Neither Some Never 185.00 Metric
## 147 Male 22.5 22.6 Right L on R 64 Right Freq Regul 187.96 Imperial
## 148 Male 19.5 20.2 Right R on L 60 Neither Freq Never 185.42 Imperial
## 149 Female 18.0 18.0 Right L on R 92 Neither Freq Never 165.00 Metric
## 150 Female 18.0 18.5 Right R on L 64 Neither Freq Never 164.00 Metric
## 151 Male 21.8 22.3 Right R on L 76 Left Freq Never 195.00 Metric
## 152 Female 13.0 12.5 Right L on R 80 Right Freq Never 165.00 Metric
## 153 Female 16.3 16.2 Right L on R 92 Right Some Regul 152.40 Imperial
## 154 Male 21.5 21.6 Right R on L 69 Right Freq Never 172.72 Imperial
## 155 Male 18.9 19.1 Right L on R 68 Right None Never 180.34 Imperial
## 156 Male 20.5 20.0 Right R on L 76 Right Freq Never 173.00 Metric
## 157 Male 14.0 15.5 Right L on R NA Neither Freq Heavy NA <NA>
## 158 Female 18.9 19.2 Right L on R 74 Right Some Never 167.64 Imperial
## 159 Male 20.0 20.5 Right R on L NA Right None Never 187.96 Imperial
## 160 Male 18.5 19.0 Right L on R 84 Right Freq Regul 187.00 Metric
## 161 Female 17.5 17.1 Right R on L 80 Left None Never 167.00 Metric
## 162 Male 18.1 18.2 Left Neither NA Right Some Never 168.00 Metric
## 163 Male 20.2 20.3 Right L on R 72 Neither Some Never 191.80 Imperial
## 164 Female 16.5 16.9 Right R on L 60 Neither Freq Occas 169.20 Metric
## 165 Male 19.1 19.1 Right Neither NA Right Some Never 177.00 Metric
## 166 Female 17.6 17.2 Right R on L 81 Left Some Never 168.00 Metric
## 167 Female 19.5 19.2 Right R on L 70 Right Some Never 170.00 Metric
## 168 Female 16.5 15.0 Right L on R 65 Right Some Regul 160.02 Imperial
## 169 Male 19.0 18.5 Right L on R NA Neither Freq Never 189.00 Metric
## 170 Male 19.0 18.5 Right R on L 72 Right Freq Never 180.34 Imperial
## 171 Female 16.5 17.0 Right L on R NA Right Some Never 168.00 Metric
## 172 Male 20.5 19.5 Left L on R 80 Right Some Occas 182.88 Imperial
## 173 Female 15.5 15.5 Right Neither 50 Right Some Regul NA <NA>
## 174 Female 18.0 17.5 Right R on L 48 Neither Freq Never 165.00 Metric
## 175 Female 17.5 18.0 Right R on L 68 Neither Freq Never 157.48 Imperial
## 176 Female 19.0 18.5 Left L on R 104 Left Freq Never 170.00 Metric
## 177 Male 20.5 20.5 Right Neither 76 Right Freq Regul 172.72 Imperial
## 178 Female 16.7 17.0 Right L on R 84 Left Freq Never 164.00 Metric
## 179 Female 20.5 20.5 Right R on L NA Left Freq Regul NA <NA>
## 180 Female 17.0 16.5 Right R on L 70 Right Some Never 162.56 Imperial
## 181 Male 19.0 19.5 Right R on L 68 Right Freq Occas 172.00 Metric
## 182 Female 14.0 13.5 Right R on L 87 Neither Freq Occas 165.10 Imperial
## 183 Female 17.5 17.6 Right L on R 79 Right Some Never 162.50 Metric
## 184 Male 18.5 19.0 Right L on R 70 Left Freq Never 170.00 Metric
## 185 Male 18.0 18.5 Right Neither 90 Right Some Never 175.00 Metric
## 186 Male 20.5 20.7 Right R on L 72 Right Some Never 168.00 Metric
## 187 Female 17.0 17.0 Right L on R 79 Right Some Never 163.00 Metric
## 188 Male 18.5 18.5 Right R on L 65 Right None Never 165.00 Metric
## 189 Male 18.0 18.5 Right R on L 62 Right Freq Never 173.00 Metric
## 190 Male 18.5 18.0 Right Neither 63 Neither Freq Never 196.00 Metric
## 191 Male 20.0 19.5 Right R on L 92 Right Some Never 179.10 Imperial
## 192 Male 22.0 22.5 Right L on R 60 Right Some Never 180.00 Metric
## 193 Male 17.9 18.4 Right R on L 68 Left None Occas 176.00 Metric
## 194 Female 17.6 17.8 Right L on R 72 Left Some Never 160.02 Imperial
## 195 Female 16.7 15.1 Right Neither NA Right None Never 157.48 Imperial
## 196 Female 17.0 17.6 Right L on R 76 Right Some Never 165.00 Metric
## 197 Female 15.0 13.0 Right R on L 80 Neither Freq Never 170.18 Imperial
## 198 Male 16.0 15.5 Right Neither 71 Right Freq Never 154.94 Imperial
## 199 Female 19.1 19.0 Right R on L 80 Right Some Occas 170.00 Metric
## 200 Female 17.5 16.5 Right R on L 80 Neither Some Never 164.00 Metric
## 201 Female 16.2 15.8 Right R on L 61 Right Some Occas 167.00 Metric
## 202 Male 21.0 21.0 Right L on R 48 Neither Freq Never 174.00 Metric
## 203 Female 18.8 17.8 Right R on L 76 Right Some Never NA <NA>
## 204 Female 18.5 18.0 Right Neither 86 Right None Never 160.00 Metric
## 205 Male 17.0 17.5 Right R on L 80 Right Some Regul 179.10 Metric
## 206 Female 17.5 17.0 Right R on L 83 Neither Freq Occas 168.00 Metric
## 207 Female 17.5 17.6 Right L on R 76 Right Some Never 153.50 Metric
## 208 Male 17.5 17.6 Right R on L 84 Right Some Never 160.00 Metric
## 209 Male 17.5 17.0 Left L on R 97 Neither None Never 165.00 Metric
## 210 Female 20.8 20.7 Right R on L NA Neither Freq Never 171.50 Metric
## 211 Female 18.6 18.6 Right L on R 74 Right Some Never 160.00 Metric
## 212 Female 17.5 17.5 Left R on L 83 Neither Some Never 163.00 Metric
## 213 Male 18.0 18.5 Right R on L 78 Right Freq Never NA <NA>
## 214 Male 17.0 17.5 Right R on L 65 Right Some Never 165.00 Metric
## 215 Female 18.0 17.8 Right L on R 68 Right Some Never 168.90 Imperial
## 216 Male 19.5 20.0 Right Neither NA Right Some Never 170.00 Metric
## 217 Female 16.3 16.2 Right L on R NA Right None Never NA <NA>
## 218 Male 18.2 19.8 Right R on L 88 Right Freq Never 185.00 Metric
## 219 Female 17.0 17.3 Right L on R NA Neither Freq Never 173.00 Metric
## 220 Male 23.2 23.2 Right L on R 75 Right Freq Never 188.00 Metric
## 221 Male 23.2 23.3 Right L on R NA Right None Heavy 171.00 Metric
## 222 Female 15.9 16.5 Right R on L 70 Right Freq Never 167.64 Imperial
## 223 Female 17.5 18.4 Right R on L 88 Right Some Never 162.56 Imperial
## 224 Female 17.5 17.6 Right L on R NA Right Freq Never 150.00 Metric
## 225 Female 17.6 17.2 Right L on R NA Right Some Never NA <NA>
## 226 Female 17.5 17.8 Right R on L 96 Right Some Never NA <NA>
## 227 Female 18.8 18.3 Right R on L 80 Right Some Heavy 170.18 Imperial
## 228 Male 20.0 19.8 Right L on R 68 Right Freq Never 185.00 Metric
## 229 Female 18.6 18.8 Right L on R 70 Right Freq Regul 167.00 Metric
## 230 Male 18.6 19.6 Right L on R 71 Right Freq Occas 185.00 Metric
## 231 Female 18.8 18.5 Right R on L 80 Right Some Never 169.00 Metric
## 232 Male 18.0 16.0 Right R on L NA Right Some Never 180.34 Imperial
## 233 Female 18.0 18.0 Right L on R 85 Right Some Never 165.10 Imperial
## 234 Female 18.5 18.0 Right L on R 88 Right Some Never 160.00 Metric
## 235 Female 17.5 16.5 Right R on L NA Right Some Never 170.00 Metric
## 236 Male 21.0 21.5 Right R on L 90 Right Some Never 183.00 Metric
## 237 Female 17.6 17.3 Right R on L 85 Right Freq Never 168.50 Metric
## Age
## 1 18.250
## 2 17.583
## 3 16.917
## 4 20.333
## 5 23.667
## 6 21.000
## 7 18.833
## 8 35.833
## 9 19.000
## 10 22.333
## 11 28.500
## 12 18.250
## 13 18.750
## 14 17.500
## 15 17.167
## 16 17.167
## 17 19.333
## 18 18.333
## 19 19.750
## 20 17.917
## 21 17.917
## 22 18.167
## 23 17.833
## 24 18.250
## 25 19.167
## 26 17.583
## 27 17.500
## 28 18.083
## 29 21.917
## 30 19.250
## 31 41.583
## 32 17.500
## 33 39.750
## 34 17.167
## 35 17.750
## 36 18.000
## 37 19.000
## 38 17.917
## 39 35.500
## 40 19.917
## 41 17.500
## 42 17.083
## 43 28.583
## 44 17.500
## 45 17.417
## 46 18.500
## 47 18.917
## 48 19.417
## 49 18.417
## 50 30.750
## 51 18.500
## 52 17.500
## 53 18.333
## 54 17.417
## 55 20.000
## 56 18.333
## 57 17.167
## 58 17.417
## 59 17.667
## 60 18.417
## 61 20.333
## 62 17.333
## 63 17.500
## 64 19.833
## 65 18.583
## 66 18.000
## 67 30.667
## 68 16.917
## 69 19.917
## 70 18.333
## 71 17.583
## 72 17.833
## 73 17.667
## 74 17.417
## 75 17.750
## 76 20.667
## 77 23.583
## 78 17.167
## 79 17.083
## 80 18.750
## 81 16.750
## 82 20.167
## 83 17.667
## 84 17.167
## 85 17.167
## 86 17.250
## 87 18.000
## 88 18.750
## 89 21.583
## 90 17.583
## 91 19.667
## 92 18.000
## 93 19.667
## 94 17.083
## 95 22.833
## 96 17.083
## 97 19.417
## 98 23.250
## 99 18.083
## 100 19.083
## 101 18.917
## 102 17.750
## 103 20.833
## 104 20.167
## 105 17.667
## 106 18.250
## 107 17.000
## 108 18.500
## 109 18.583
## 110 17.750
## 111 24.167
## 112 18.167
## 113 21.167
## 114 17.917
## 115 17.417
## 116 20.500
## 117 22.917
## 118 18.917
## 119 18.917
## 120 20.083
## 121 17.500
## 122 18.250
## 123 17.500
## 124 17.417
## 125 21.000
## 126 19.833
## 127 17.667
## 128 18.083
## 129 18.000
## 130 18.333
## 131 20.000
## 132 18.750
## 133 19.083
## 134 18.500
## 135 18.417
## 136 19.167
## 137 21.500
## 138 19.333
## 139 21.417
## 140 18.667
## 141 17.500
## 142 21.083
## 143 17.250
## 144 19.000
## 145 19.167
## 146 19.000
## 147 23.000
## 148 32.667
## 149 20.000
## 150 20.167
## 151 25.500
## 152 18.167
## 153 23.500
## 154 70.417
## 155 43.833
## 156 23.583
## 157 21.083
## 158 44.250
## 159 19.667
## 160 17.917
## 161 18.417
## 162 21.167
## 163 17.500
## 164 29.083
## 165 19.917
## 166 18.500
## 167 18.167
## 168 32.750
## 169 17.417
## 170 17.333
## 171 73.000
## 172 18.667
## 173 18.500
## 174 18.667
## 175 17.750
## 176 17.250
## 177 36.583
## 178 23.083
## 179 19.250
## 180 17.167
## 181 23.417
## 182 17.083
## 183 17.250
## 184 23.833
## 185 18.750
## 186 21.167
## 187 24.667
## 188 18.500
## 189 20.333
## 190 20.083
## 191 18.917
## 192 27.333
## 193 18.917
## 194 17.250
## 195 18.167
## 196 26.500
## 197 17.000
## 198 17.167
## 199 19.167
## 200 17.500
## 201 19.250
## 202 21.333
## 203 18.583
## 204 20.167
## 205 18.667
## 206 17.083
## 207 17.417
## 208 18.583
## 209 19.500
## 210 18.500
## 211 17.167
## 212 17.250
## 213 17.500
## 214 20.417
## 215 17.083
## 216 21.250
## 217 19.250
## 218 19.333
## 219 19.167
## 220 18.917
## 221 20.917
## 222 17.333
## 223 18.167
## 224 20.750
## 225 19.917
## 226 18.667
## 227 18.417
## 228 17.417
## 229 20.333
## 230 19.333
## 231 18.167
## 232 20.750
## 233 17.667
## 234 16.917
## 235 18.583
## 236 17.167
## 237 17.750cor(survey$Wr.Hnd,survey$Height,use="complete.obs")## [1] 0.6009909Ajuste<-lm(Height~Wr.Hnd,data=survey)
Ajuste##
## Call:
## lm(formula = Height ~ Wr.Hnd, data = survey)
##
## Coefficients:
## (Intercept) Wr.Hnd
## 113.954 3.117plot(survey$Wr.Hnd,survey$Height)
abline(Ajuste)
mean(Ajuste$residuals)## [1] 2.565072e-16