Ejercicio 3.

La información que se proporciona en la siguiente tabla, extraída del Censo Nacional Agropecuario 2018, presenta los diferentes tipos de ganados criados en la Provincia de Catamarca.
TIPO DE GANADO CANTIDAD DE CABEZAS Bovinos 216.930 Caprinos 163.463 Equinos 22.415 Ovinos 67.013 Porcinos 35.347

Responder:
1. Indique el tipo de investigación 2. ¿Cuál es la variable de interés? ¿Qué tipo de variable es? 3. Represente adecuadamente la información. # para representar adecuadamente los datos se debe realizar los siguientes pasos a. # Creación de los datos

TIPO_GANADO <- c("Bovinos", "Caprinos", "Equinos", "Ovinos", "Porcinos")
CANTIDAD_CABEZAS <- c(216930, 163463, 22415, 67013, 35347)
  1. #Crear una tabla de Frecuencias para la Vararible en estudio
TABLA_TIPO_GANADO <- data.frame(TIPO_GANADO, CANTIDAD_CABEZAS)
TABLA_TIPO_GANADO
  1. Analice y obtenga conclusiones del gráfico realizado. # Crear el gráfico de barras
 barplot(TABLA_TIPO_GANADO$CANTIDAD_CABEZAS, names.arg = TABLA_TIPO_GANADO$TIPO_GANADO, col = "blue", xlab = "Tipo de Ganado", ylab = "Cantidad de Cabezas", ylim = c(0, 250000), legend = FALSE, main = "Cantidad de Cabezas Según Tipo de Ganado")

Cargar ggplot2

install.packages("tidyverse")
## Installing package into '/cloud/lib/x86_64-pc-linux-gnu-library/4.4'
## (as 'lib' is unspecified)
library(tidyverse)
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.4     ✔ readr     2.1.5
## ✔ forcats   1.0.0     ✔ stringr   1.5.1
## ✔ ggplot2   3.5.1     ✔ tibble    3.2.1
## ✔ lubridate 1.9.4     ✔ tidyr     1.3.1
## ✔ purrr     1.0.4     
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
ggplot()

Crear el data frame con los datos

datos <- data.frame(
  TIPO_GANADO = c("Bovinos", "Caprinos", "Equinos", "Ovinos", "Porcinos"),
  CANTIDAD_CABEZAS = c(216930, 163463, 22415, 67013, 35347)
)

Crear el gráfico de barras

ggplot(datos, aes(x = TIPO_GANADO, y = CANTIDAD_CABEZAS)) +
  geom_bar(stat = "identity", fill = "steelblue", color = "black") +
  labs(title = "Cantidad de Cabezas Según Tipo de Ganado",
       x = "TIPO DE GANADO",
       y = "CANTIDAD DE CABEZAS") +
  theme_classic()

EJERCICIO N° 4 Ejercicio 4. En un estudio agronómico se analizó el grado de dulzor de la manzana Royal Gala, para la cuál se consideró una muestra de 15 manzanas a las que se les midió el grado de dulzor (1=Bajo, 2= medio, y 3= alto). Los datos se entregan a continuación: GRADO DE DULZURA 3 2 1 1 2 1 3 3 2 3 3 2 2 2 2 Responder: 1. Identifique la variable, su tipo y escala de medición. 2. Realice una tabla de frecuencias e interprete los resultados obtenidos.

GRADO_DE_DULZURAS = c(3,2,1,1,2,1,3,3,2,3,3,2,2,2,2)
TABLA_GRADO_DULZURA <-table(GRADO_DE_DULZURAS)
TABLA_GRADO_DULZURA
## GRADO_DE_DULZURAS
## 1 2 3 
## 3 7 5
  1. Represente gráficamente la información obtenida.
barplot(TABLA_GRADO_DULZURA, ylim = c(0,10), col = "brown", border = "white", main = "Grado de Dulzura", xlab = "Grado" , ylab = "Cantidad de Frutos")

datos <- data.frame(
  GRADO_DE_DULZURAS = c("Bajo", "Medio", "Alto"), 
  Cantidad = c(3, 7, 5)                   
)

Crear el gráfico de barras

ggplot(datos, aes(x = GRADO_DE_DULZURAS, y = Cantidad)) +
  geom_bar(stat = "identity", fill = "orange", color = "black") +
  labs(title = "Grado de Dulzura en Manzanas",
       x = "Grado de Dulzura",
       y = "Cantidad") +
  theme_classic()

Ejercicio 5. Los siguientes datos se refieren al número de dientes por hoja en bulbos de ajo: N° de dientes de ajo 4 2 2 3 3 2 3 3 2 2 3 3 2 1 2 2 2 2 4 2 4 2 3 3 1

Responder: 1. Clasifique la variable. 2. Construir la tabla de distribución de frecuencias y representarla gráficamente.

N_DE_DIENTES = c(4, 2,  2,  3,  3,  2,  3,  3,  2,  2,  3,  3,  2,  1,  2,  2,  2,  2,  4,  2,  4,  2,  3,  3,  1)
TABLA_N_DE_DIENTES <-table(N_DE_DIENTES)
TABLA_N_DE_DIENTES
## N_DE_DIENTES
##  1  2  3  4 
##  2 12  8  3
barplot(TABLA_N_DE_DIENTES, ylim = c(0,15), col = "brown", border = "white", main = "NUMERO DE DIENTE DE AJO", xlab = "DIENTES" , ylab = "Cantidad de cabezas")

datos <- data.frame(
  N_DE_DIENTES = c("1","2", "3","4"), 
  Cantidad_de_cabezas = c(2,12,8,3)                   
)

Crear el gráfico de barras

ggplot(datos, aes(x = N_DE_DIENTES, y = Cantidad_de_cabezas)) +
  geom_bar(stat = "identity", fill = "steelblue", color = "black") +
  labs(title = "N° de dientes por cabezas de ajo",
       x = "N° de dientes",
       y = "Cantidad de cabezas ") +
  theme_classic()

  1. Analice la tabla de frecuencias y el gráfico elaborado, extrayendo las principales conclusiones acerca de la variable en estudio.