Introducción

En esta actividad se analiza el consumo de combustible (mpg) en automóviles según el tipo de transmisión (am) usando el conjunto de datos mtcars. Se aplicará una prueba t para verificar si hay diferencia significativa entre los consumos de autos automáticos y manuales. Además, se empleará ggplot2 para visualizar los resultados con un diagrama de caja (boxplot).

Carga de librerías y datos

library(ggplot2)

# Cargar dataset
data(mtcars)

# Convertir 'am' a factor con etiquetas
mtcars$am <- factor(mtcars$am, labels = c("Automático", "Manual"))

# Vista previa del dataset
head(mtcars)
##                    mpg cyl disp  hp drat    wt  qsec vs         am gear carb
## Mazda RX4         21.0   6  160 110 3.90 2.620 16.46  0     Manual    4    4
## Mazda RX4 Wag     21.0   6  160 110 3.90 2.875 17.02  0     Manual    4    4
## Datsun 710        22.8   4  108  93 3.85 2.320 18.61  1     Manual    4    1
## Hornet 4 Drive    21.4   6  258 110 3.08 3.215 19.44  1 Automático    3    1
## Hornet Sportabout 18.7   8  360 175 3.15 3.440 17.02  0 Automático    3    2
## Valiant           18.1   6  225 105 2.76 3.460 20.22  1 Automático    3    1

Prueba de Hipótesis

Hipótesis:

# Prueba t
resultado_ttest <- t.test(mpg ~ am, data = mtcars)
resultado_ttest
## 
##  Welch Two Sample t-test
## 
## data:  mpg by am
## t = -3.7671, df = 18.332, p-value = 0.001374
## alternative hypothesis: true difference in means between group Automático and group Manual is not equal to 0
## 95 percent confidence interval:
##  -11.280194  -3.209684
## sample estimates:
## mean in group Automático     mean in group Manual 
##                 17.14737                 24.39231

Visualización con geom_boxplot()

ggplot(mtcars, aes(x = am, y = mpg, fill = am)) +
  geom_boxplot() +
  labs(title = "Consumo de Combustible por Tipo de Transmisión",
       subtitle = "Comparación de millas por galón (mpg)",
       x = "Transmisión", y = "Millas por Galón (mpg)") +
  theme_minimal()

Análisis: Relación entre peso del vehículo y consumo

A continuación se analiza cómo influye el peso (wt) del vehículo en el consumo de combustible (mpg). Se utiliza un gráfico de dispersión con una línea de tendencia para observar esta relación.

ggplot(mtcars, aes(x = wt, y = mpg)) +
  geom_point(color = "steelblue", size = 3) +
  geom_smooth(method = "lm", se = TRUE, color = "red") +
  labs(title = "Relación entre Peso del Vehículo y Consumo de Combustible",
       x = "Peso (wt)", y = "Millas por Galón (mpg)") +
  theme_minimal()
## `geom_smooth()` using formula = 'y ~ x'

Conclusiones

La prueba t arrojó un valor-p menor a 0.05, lo que indica que hay una diferencia significativa en el consumo de combustible entre autos automáticos y manuales. El gráfico boxplot respalda esta conclusión, mostrando un mayor rendimiento (mpg) en autos manuales.

Además, el análisis de dispersión muestra una relación inversa entre el peso del vehículo y el consumo: a mayor peso, menor rendimiento en mpg. Esta relación es útil para decisiones sobre eficiencia energética en diseño de vehículos.

Referencias

Irizarry, R. A., & Love, M. I. (2017). Data analysis for the life sciences with R. CRC Press.

Pino Mejías, R., & Beltrán Barba, R. (2022). Modelos de Aprendizaje Profundo. Aplicaciones con R y Python (Trabajo Fin de Grado inédito). Universidad de Sevilla. https://hdl.handle.net/11441/142752

Canavos, G. C. (1987). Probabilidad y estadística: Aplicaciones y métodos (E. G. Urbina Medal, Trad.; G. J. Valencia Medal, Rev.). McGraw-Hill.

García, J., Molina López, J. M., García Herrero, J., Berlanga de Jesús, A., Patricio Guisado, M. Á., Bustamante, Á. L., & Padilla, W. R. (2018). Ciencia de datos: Técnicas analíticas y aprendizaje estadístico, un enfoque práctico. Alfaomega Colombiana; Altaria Publicaciones.

Pernice, S. A. (2024). El problema de la reducción dimensional. Análisis de Componentes Principales (PCA). Revista Mutis, 14(1), 1–21. https://doi.org/10.21789/22561498.2057

Monroy Alfaro, C. R. (2022). El lenguaje Python y su potencial en el desarrollo de software de inteligencia artificial. Masferrer Investiga: Revista Científica de la Universidad Salvadoreña Alberto Masferrer, 12(1), 18–41.

Wickham, H., & Grolemund, G. (2017). R for data science: Import, tidy, transform, visualize, and model data. O’Reilly Media.