#------------------ UNIVERSIDAD CENTRAL DEL ECUADOR
##-----Faculta de Ingeniería en Geología, Minas, Petróleo y Ambiental
###-----------------Carrera de Ingeniería Ambiental
# Proyecto: Estudio de Residuos y Reciclaje en la India
# Etapa: Estadistica Descriptiva
# Integrantes: Jazmin Guañuna, Nayely Perugachi, Helen Taipe, Gabriela Usiña
# Fecha: 26/5/2025
setwd("/cloud/project")
datos <- read.csv("DATOS.csv", header = T, sep = ";", dec = ".")
#Extraer la variable cuantitativa continua
densidad_poblacion <- datos$Population.Density..People.km..
min <- min(densidad_poblacion)
max <- max(densidad_poblacion)
R <- max-min
k <- floor(1+(3.3*log10(length(densidad_poblacion))))
A <- R/k
liminf <- seq(from=min, to=max-A, by= A)
limsup <- seq(from=min+A, to=max, by=A)
# Crear intervalos
n <- c()
i <- c(1:k)
for (i in 1:k) {
if (i==k)
n[i] <- length(subset(densidad_poblacion,densidad_poblacion>=liminf[i] &
densidad_poblacion <=limsup[i]))
else
n[i] <- length(subset(densidad_poblacion, densidad_poblacion>=liminf[i] &
densidad_poblacion < limsup[i]))
}
MC <- (liminf+limsup)/2
MC
## [1] 3419.85 5589.55 7759.25 9928.95 12098.65 14268.35 16438.05 18607.75
## [9] 20777.45 22947.15
ni <- n
ni
## [1] 100 50 125 25 150 25 75 150 50 100
hi <- ni/sum(ni)*100
hi
## [1] 11.764706 5.882353 14.705882 2.941176 17.647059 2.941176 8.823529
## [8] 17.647059 5.882353 11.764706
Niasc <- cumsum(ni)
Niasc
## [1] 100 150 275 300 450 475 550 700 750 850
Hiasc <- cumsum(hi)
Hiasc
## [1] 11.76471 17.64706 32.35294 35.29412 52.94118 55.88235 64.70588
## [8] 82.35294 88.23529 100.00000
Nidsc <- rev(cumsum(rev(ni)))
Nidsc
## [1] 850 750 700 575 550 400 375 300 150 100
Hidsc <- rev(cumsum(rev(hi)))
Hidsc
## [1] 100.00000 88.23529 82.35294 67.64706 64.70588 47.05882 44.11765
## [8] 35.29412 17.64706 11.76471
Tabla_densidad_poblacion <- data.frame(liminf,limsup,MC,ni,round(hi,2),Niasc,
round(Hiasc,2),Nidsc,round(Hidsc,2))
colnames(Tabla_densidad_poblacion) <- c("Liminf","Limsup","MC","ni","hi (%)",
"Niasc","Hiasc (%)","Nidsc","Hidsc (%)")
# Crear totales
total <- c(Liminf="-",
limsup="-",
MC="-",
ni=sum(ni),
hi=sum(hi),
Niasc="-",
Hiasc="-",
Nidsc="-",
Hidsc="-")
Tabla_densidad_total <- rbind(Tabla_densidad_poblacion,total)
Tabla_densidad_total
## Liminf Limsup MC ni hi (%) Niasc Hiasc (%) Nidsc Hidsc (%)
## 1 2335 4504.7 3419.85 100 11.76 100 11.76 850 100
## 2 4504.7 6674.4 5589.55 50 5.88 150 17.65 750 88.24
## 3 6674.4 8844.1 7759.25 125 14.71 275 32.35 700 82.35
## 4 8844.1 11013.8 9928.95 25 2.94 300 35.29 575 67.65
## 5 11013.8 13183.5 12098.65 150 17.65 450 52.94 550 64.71
## 6 13183.5 15353.2 14268.35 25 2.94 475 55.88 400 47.06
## 7 15353.2 17522.9 16438.05 75 8.82 550 64.71 375 44.12
## 8 17522.9 19692.6 18607.75 150 17.65 700 82.35 300 35.29
## 9 19692.6 21862.3 20777.45 50 5.88 750 88.24 150 17.65
## 10 21862.3 24032 22947.15 100 11.76 850 100 100 11.76
## 11 - - - 850 100 - - - -
# Gráfica de Distribución de Frecuencia
Histo_densidad <- hist(densidad_poblacion,
breaks = seq(min,max,A),
main = "Gráfica No. 95:
Distribución de Cantidad de Densidad Poblacional
en el Estudio de Residuos en la India",
ylab = "Cantidad",
xlab = "Densidad poblacional (personas/km^2)",
col = "blue4")
#---------Tabla con Histograma de R
setwd("/cloud/project")
datos <- read.csv("DATOS.csv", header = T, sep = ";", dec = ".")
densidad_poblacion <- datos$Population.Density..People.km..
densidad_poblacion <- na.omit(densidad_poblacion)
Histograma_densidad <- hist(densidad_poblacion,
main = "Gráfica No. 96:
Distribución de Cantidad de Densidad Poblacional
en el Estudio de Residuos en la India",
ylab = "Cantidad",
xlab = "Densidad poblacional (personas/km^2)",
col = "blue4")
limites <- Histograma_densidad$breaks
liminf <- limites[1:12]
limsup <- limites[2:13]
MC <- (liminf+limsup)/2
ni <- Histograma_densidad$counts
hi <- ni/sum(ni)*100
hi
## [1] 8.823529 5.882353 14.705882 5.882353 5.882353 11.764706 2.941176
## [8] 8.823529 17.647059 5.882353 8.823529 2.941176
Niasc <- cumsum(ni)
Niasc
## [1] 75 125 250 300 350 450 475 550 700 750 825 850
Hiasc <- cumsum(hi)
Hiasc
## [1] 8.823529 14.705882 29.411765 35.294118 41.176471 52.941176
## [7] 55.882353 64.705882 82.352941 88.235294 97.058824 100.000000
Nidsc <- rev(cumsum(rev(ni)))
Nidsc
## [1] 850 775 725 600 550 500 400 375 300 150 100 25
Hidsc <- rev(cumsum(rev(hi)))
Hidsc
## [1] 100.000000 91.176471 85.294118 70.588235 64.705882 58.823529
## [7] 47.058824 44.117647 35.294118 17.647059 11.764706 2.941176
TDFDensidad_poblacion <- data.frame(liminf,limsup,MC,ni,round(hi,2),Niasc,
round(Hiasc,2),Nidsc,round(Hidsc,2))
colnames(TDFDensidad_poblacion) <- c("Liminf","Limsup","MC","ni","hi (%)",
"Niasc","Hiasc (%)","Nidsc","Hidsc (%)")
# Crear totales
totales <- c(
liminf="-",
limsup="-",
MC="-",
ni=sum(ni),
hi=sum(hi),
Niasc="-",
Hiasc="-",
Nidsc="-",
Hidsc="-")
TDFDensidad_poblacion_Total <- rbind(TDFDensidad_poblacion,totales)
TDFDensidad_poblacion_Total
## Liminf Limsup MC ni hi (%) Niasc Hiasc (%) Nidsc Hidsc (%)
## 1 2000 4000 3000 75 8.82 75 8.82 850 100
## 2 4000 6000 5000 50 5.88 125 14.71 775 91.18
## 3 6000 8000 7000 125 14.71 250 29.41 725 85.29
## 4 8000 10000 9000 50 5.88 300 35.29 600 70.59
## 5 10000 12000 11000 50 5.88 350 41.18 550 64.71
## 6 12000 14000 13000 100 11.76 450 52.94 500 58.82
## 7 14000 16000 15000 25 2.94 475 55.88 400 47.06
## 8 16000 18000 17000 75 8.82 550 64.71 375 44.12
## 9 18000 20000 19000 150 17.65 700 82.35 300 35.29
## 10 20000 22000 21000 50 5.88 750 88.24 150 17.65
## 11 22000 24000 23000 75 8.82 825 97.06 100 11.76
## 12 24000 26000 25000 25 2.94 850 100 25 2.94
## 13 - - - 850 100 - - - -
# Gráficas de Distribución de Frecuencia
# GDF ni local
Histograma_densidad_poblacion <- hist(densidad_poblacion,
breaks = Histograma_densidad$breaks,
main = "Gráfica No. 97:
Distribución de Cantidad de Densidad
Poblacional en el Estudio de Residuos en
la India",
ylab = "Cantidad",
xlab = "Densidad poblacional (personas/km^2)",
col = "blue3")
# GDF ni global
Histograma_densidad_poblacion_ <- hist(densidad_poblacion,
breaks = Histograma_densidad$breaks,
main = "Gráfica No. 98:
Distribución Global de Cantidad de Densidad
Poblacional en el Estudio de Residuos en
la India",
ylab = "Cantidad",
xlab = "Densidad poblacional (personas/km^2)",
col = "purple3")
# GDF hi local
barplot(TDFDensidad_poblacion$`hi (%)`,space = 0,
main = "Gráfica No. 99:
Distribución del Porcentaje de Densidad Poblacional
en el Estudio de Residuos en la India",
ylab = "Porcentaje (%)",
xlab = "Densidad poblacional (personas/km^2)",
names.arg = TDFDensidad_poblacion$MC,
col = "blue3")
# GDF hi global
barplot(TDFDensidad_poblacion$`hi (%)`,space = 0,
main = "Gráfica No. 100:
Distribución Global del Porcentaje de Densidad Poblacional
en el Estudio de Residuos en la India",
ylab = "Porcentaje (%)",
xlab = "Densidad poblacional (personas/km^2)",
ylim = c(0,100),
names.arg = TDFDensidad_poblacion$MC,
col = "purple3")
# Diagrama de caja
boxplot(densidad_poblacion, main = "Gráfica No. 101:
Distribución de la Cantidad de Densidad Poblacional
en el Estudio de Residuos en la India",
xlab = "Densidad poblacional (personas/km^2)", horizontal = T,
col = "orange2" )
# Ojivas
plot(limsup, Niasc, type = "o", col = "blue", pch = 16,
main = "Gráfico No. 102:
Ojivas Ascendente y Descendente de la Cantidad de Densidad
Poblacional en el Estudio de Residuos en la India",
xlab = "Densidad poblacional (personas/km^2)",
ylab = "Cantidad")
lines(liminf, Nidsc,type = "o",col = "red3", pch = 16)
plot(limsup, Hiasc, type = "o", col = "blue", pch = 16,
main = "Gráfico No. 103:
Ojivas Ascendente y Descendente del Porcentaje de Densidad
Poblacional en el Estudio de Residuos en la India",
xlab = "Densidad poblacional (personas/km^2)",
ylab = "Porcentaje (%)")
lines(liminf, Hidsc,type = "o",col = "red3", pch = 16)
#-----------INDICADORES
setwd("/cloud/project")
datos <- read.csv("DATOS.csv", header = T, sep = ";", dec = ".")
densidad_poblacion <- datos$Population.Density..People.km..
densidad_poblacion<- na.omit(densidad_poblacion)
# Tendencia Central
# Mediana
Me <- median(densidad_poblacion)
Me
## [1] 12579.5
# Media
X <- mean(densidad_poblacion)
X
## [1] 13489.71
# Moda
Mo <- "[18000,20000]"
Mo
## [1] "[18000,20000]"
# Dispersión
# Varianza
var(densidad_poblacion)
## [1] 43971242
# Desviación estandar
sd <- sd(densidad_poblacion)
sd
## [1] 6631.081
# Coeficiente de variación
CV <- (sd(densidad_poblacion)/X)*100
CV
## [1] 49.15661
#--- Indicadores de Forma
install.packages("e1071")
## Installing package into '/cloud/lib/x86_64-pc-linux-gnu-library/4.4'
## (as 'lib' is unspecified)
library(e1071)
# Coeficiente de Asimetría
As <- skewness(densidad_poblacion)
As
## [1] -0.06623802
# Curtosis
K <- kurtosis(densidad_poblacion)
K
## [1] -1.239865
Variable <- "Densidad poblacional"
Rango <- "[2335, 24032]"
Tabla_indicadores <- data.frame(Variable,Rango,round(X,3),Me,Mo,round(sd,2),round(CV,2),round(As,2),round(K,2))
colnames(Tabla_indicadores) <- c("Variable","Rango","X", "Me", "Mo","sd","CV","As","K")
Tabla_indicadores
## Variable Rango X Me Mo sd
## 1 Densidad poblacional [2335, 24032] 13489.71 12579.5 [18000,20000] 6631.08
## CV As K
## 1 49.16 -0.07 -1.24