Omar Franky
28/01/2025
Guideline:
La siguiente información recoge cinco de las principales características de un grupo de marcas de cerveza que fue recogida con la finalizad de clasificar los productos y además permita realizar un análisis descriptivo de las 69 marcas recogidas
Inicialmente el director de investigación desea su apoyo en una primera etapa del análisis que consiste en resumir la información suministrada en tablas e indicadores que le permitan validar algunas de sus hipótesis.
La base compartida contiene información sobre 69 marcas de cervezas que son distribuidas en la ciudad. Las variables recogidas corresponden a:
Precio de la presentación en caja de seis botellas de 12 onzas,
Contendo de calorias congtenidas en una unidad de 12 onzas,
Porcentaje de contenido de alcohol por 12 onzas de contenido,
Tipo de cerveza (1-lager artesanal, 2-clara artesanal, 3-lager importada, 4-cerveza normal y helada, y 5-cerveza baja en calorías y sin alcohol) y
País de origen: (0-nacional, 1- importada).
install.packages("devtools") # solo una vez
devtools::install_github("dgonxalex80/paquetePROB") # descarga paquetePROB
library(paquetePROB) # activa paquetePROB
data("beer") # carga la base beer#install.packages("DT")
library(DT)
DT::datatable(head(beer, fillContainer = FALSE, options = list(pageLength = 8)))beer$tipo <- as.factor(beer$tipo)
beer$origen <- as.factor(beer$origen)pander(table(beer$origen))| 0 | 1 |
|---|---|
| 60 | 216 |
Tipos de cervezas enumeradas con su cantidad correspondiente.
El origen corresponde al tipo de cerveza con su respectiva cantidad de muestras.
pander(table(beer$tipo))| 1 | 2 | 3 | 4 | 5 |
|---|---|---|---|---|
| 52 | 68 | 40 | 64 | 52 |
h2=with(beer,graph.freq(precio,plot=FALSE))
t2=table.freq(h2)
colnames(t2) = c("LI", "LS", "marca clase", "Frec.Abs", "Frec.Rel", "Frec.Abs.Ac", "Frec.Rel.Ac")
pander(t2)| LI | LS | marca clase | Frec.Abs | Frec.Rel | Frec.Abs.Ac | Frec.Rel.Ac |
|---|---|---|---|---|---|---|
| 2.3 | 2.91 | 2.605 | 24 | 8.7 | 24 | 8.7 |
| 2.91 | 3.52 | 3.215 | 24 | 8.7 | 48 | 17.4 |
| 3.52 | 4.13 | 3.825 | 68 | 24.6 | 116 | 42 |
| 4.13 | 4.74 | 4.435 | 12 | 4.3 | 128 | 46.4 |
| 4.74 | 5.35 | 5.045 | 24 | 8.7 | 152 | 55.1 |
| 5.35 | 5.96 | 5.655 | 36 | 13 | 188 | 68.1 |
| 5.96 | 6.57 | 6.265 | 56 | 20.3 | 244 | 88.4 |
| 6.57 | 7.18 | 6.875 | 12 | 4.3 | 256 | 92.8 |
| 7.18 | 7.79 | 7.485 | 16 | 5.8 | 272 | 98.6 |
| 7.79 | 8.4 | 8.095 | 4 | 1.4 | 276 | 100 |
h2=with(beer,graph.freq(calorias,plot=FALSE))
t2=table.freq(h2)
colnames(t2) = c("LI", "LS", "marca clase", "Frec.Abs", "Frec.Rel", "Frec.Abs.Ac", "Frec.Rel.Ac")
pander(t2)| LI | LS | marca clase | Frec.Abs | Frec.Rel | Frec.Abs.Ac | Frec.Rel.Ac |
|---|---|---|---|---|---|---|
| 50 | 68 | 59 | 8 | 2.9 | 8 | 2.9 |
| 68 | 86 | 77 | 16 | 5.8 | 24 | 8.7 |
| 86 | 104 | 95 | 12 | 4.3 | 36 | 13 |
| 104 | 122 | 113 | 12 | 4.3 | 48 | 17.4 |
| 122 | 140 | 131 | 16 | 5.8 | 64 | 23.2 |
| 140 | 158 | 149 | 124 | 44.9 | 188 | 68.1 |
| 158 | 176 | 167 | 72 | 26.1 | 260 | 94.2 |
| 176 | 194 | 185 | 12 | 4.3 | 272 | 98.6 |
| 194 | 212 | 203 | 4 | 1.4 | 276 | 100 |
h2=with(beer,graph.freq(poralcoh,plot=FALSE))
t2=table.freq(h2)
colnames(t2) = c("LI", "LS", "marca clase", "Frec.Abs", "Frec.Rel", "Frec.Abs.Ac", "Frec.Rel.Ac")
pander(t2)| LI | LS | marca clase | Frec.Abs | Frec.Rel | Frec.Abs.Ac | Frec.Rel.Ac |
|---|---|---|---|---|---|---|
| 0 | 0.67 | 0.335 | 28 | 10.1 | 28 | 10.1 |
| 0.67 | 1.34 | 1.005 | 0 | 0 | 28 | 10.1 |
| 1.34 | 2.01 | 1.675 | 0 | 0 | 28 | 10.1 |
| 2.01 | 2.68 | 2.345 | 0 | 0 | 28 | 10.1 |
| 2.68 | 3.35 | 3.015 | 0 | 0 | 28 | 10.1 |
| 3.35 | 4.02 | 3.685 | 8 | 2.9 | 36 | 13 |
| 4.02 | 4.69 | 4.355 | 64 | 23.2 | 100 | 36.2 |
| 4.69 | 5.36 | 5.025 | 124 | 44.9 | 224 | 81.2 |
| 5.36 | 6.03 | 5.695 | 52 | 18.8 | 276 | 100 |
pander(descr(beer[,-1]))| calorias | poralcoh | precio | |
|---|---|---|---|
| Mean | 142.3 | 4.42 | 4.963 |
| Std.Dev | 29.74 | 1.566 | 1.439 |
| Min | 58 | 0 | 2.36 |
| Q1 | 142 | 4.4 | 3.9 |
| Median | 148 | 4.9 | 4.79 |
| Q3 | 160 | 5.1 | 6.24 |
| Max | 201 | 6 | 7.8 |
| MAD | 16.31 | 0.593 | 1.735 |
| IQR | 18 | 0.7 | 2.34 |
| CV | 0.2089 | 0.3544 | 0.2899 |
| Skewness | -1.268 | -2.16 | 0.1093 |
| SE.Skewness | 0.1466 | 0.1466 | 0.1466 |
| Kurtosis | 1.271 | 3.532 | -1.07 |
| N.Valid | 276 | 276 | 276 |
| Pct.Valid | 100 | 100 | 100 |