TALLER-APE 8: Trabajo sobre Data Frames
Alvarez Grace, Canacuan Cristopher, Moreano David, Padilla Kleber
2025-06-01
UNIVERSIDAD CENTRAL DEL ECUADOR
FACULTAD DE CIENCIAS ECONÓMICAS
CARRERA DE INGENIERÍA EN ESTADÍSTICA
TERCER SEMESTRE
PROGRAMACIÓN
TALLER Nº8
TEMA: Data Frames
GRUPO Nº8
Curso: EST S3 – 002
Docente: Ing. Francisco Valverde
Ejercicio 1
La tabla presenta la altura, en metros, de los árboles que se encuentran en 4 áreas de terreno.
a) Crear 4 vectores numéricos, de tal forma que cada uno guarde la altura de los arboles de cada área de terreno
area1 <- c(7.5, 12, 14.5)
area2 <- c(12.5, 10.5, 13, 9, 18.5)
area3 <- c(11, 8, 7.5, 9.5, 19, 14)
area4 <- c(12.5, 16, 9.5, 10)b) Agrupar los 4 vectores generados, en una lista (estructura de datos)
areas <- list(area1, area2, area3, area4)c) Determinar, para cada área de terreno, si la altura del primer árbol es mayor a la del último árbol
r1 <- areas[[1]][1] > areas[[1]][length(areas[[1]])]
r2 <- areas[[2]][1] > areas[[2]][length(areas[[2]])]
r3 <- areas[[3]][1] > areas[[3]][length(areas[[3]])]
r4 <- areas[[4]][1] > areas[[4]][length(areas[[4]])]
r <- c(r1, r2, r3, r4)
r## [1] FALSE FALSE FALSE TRUEd) Determinar el logaritmo decimal de la altura del tercer arbol del área de terreno 3
logaritmo_decimal <- log10(areas[[3]][3])
logaritmo_decimal## [1] 0.8750613e) Determinar la suma de las alturas de los 3 primeros árboles del área de terreno 4
suma <- areas[[4]][1] + areas[[4]][2] + areas[[4]][3]
suma## [1] 38f) Determinar la altura media de los árboles del área de terreno 1
altura_media <- mean(areas[[1]])
altura_media## [1] 11.33333Ejercicio 2
Información de pacientes atendidos en un hospital.
a) Crear el dataset
sexo <- c("Hombre", "Mujer", "Hombre", "Hombre", "Mujer")
presion <- c(119, 99, 102, 78, 78)
pulso <- c(59, 89, 107, 76, 91)
datos <- data.frame(Sexo = sexo, Presion = presion, Pulso = pulso)b) Leer el dataset (ya está en variable ‘datos’)
datos## Sexo Presion Pulso
## 1 Hombre 119 59
## 2 Mujer 99 89
## 3 Hombre 102 107
## 4 Hombre 78 76
## 5 Mujer 78 91c) Visualizar valores del primer y cuarto individuo
datos[c(1, 4), ]## Sexo Presion Pulso
## 1 Hombre 119 59
## 4 Hombre 78 76d) Comparar presión arterial entre la primera y segunda mujer
datos$Presion[2] > datos$Presion[5]## [1] TRUEe) Media del pulso de los hombres
mean(datos$Pulso[datos$Sexo == "Hombre"])## [1] 80.66667f) Raíz cuadrada de la presión arterial del cuarto paciente
sqrt(datos$Presion[4])## [1] 8.831761Ejercicio 3
Ejercicio Integral con el Dataset mtcars
1. Cargar el dataset y mostrar las primeras 10 filas
data(mtcars)
head(mtcars, 10)## mpg cyl disp hp drat wt qsec vs am gear carb
## Mazda RX4 21.0 6 160.0 110 3.90 2.620 16.46 0 1 4 4
## Mazda RX4 Wag 21.0 6 160.0 110 3.90 2.875 17.02 0 1 4 4
## Datsun 710 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4 1
## Hornet 4 Drive 21.4 6 258.0 110 3.08 3.215 19.44 1 0 3 1
## Hornet Sportabout 18.7 8 360.0 175 3.15 3.440 17.02 0 0 3 2
## Valiant 18.1 6 225.0 105 2.76 3.460 20.22 1 0 3 1
## Duster 360 14.3 8 360.0 245 3.21 3.570 15.84 0 0 3 4
## Merc 240D 24.4 4 146.7 62 3.69 3.190 20.00 1 0 4 2
## Merc 230 22.8 4 140.8 95 3.92 3.150 22.90 1 0 4 2
## Merc 280 19.2 6 167.6 123 3.92 3.440 18.30 1 0 4 42. Resumen del dataset
dim(mtcars)## [1] 32 11summary(mtcars)## mpg cyl disp hp
## Min. :10.40 Min. :4.000 Min. : 71.1 Min. : 52.0
## 1st Qu.:15.43 1st Qu.:4.000 1st Qu.:120.8 1st Qu.: 96.5
## Median :19.20 Median :6.000 Median :196.3 Median :123.0
## Mean :20.09 Mean :6.188 Mean :230.7 Mean :146.7
## 3rd Qu.:22.80 3rd Qu.:8.000 3rd Qu.:326.0 3rd Qu.:180.0
## Max. :33.90 Max. :8.000 Max. :472.0 Max. :335.0
## drat wt qsec vs
## Min. :2.760 Min. :1.513 Min. :14.50 Min. :0.0000
## 1st Qu.:3.080 1st Qu.:2.581 1st Qu.:16.89 1st Qu.:0.0000
## Median :3.695 Median :3.325 Median :17.71 Median :0.0000
## Mean :3.597 Mean :3.217 Mean :17.85 Mean :0.4375
## 3rd Qu.:3.920 3rd Qu.:3.610 3rd Qu.:18.90 3rd Qu.:1.0000
## Max. :4.930 Max. :5.424 Max. :22.90 Max. :1.0000
## am gear carb
## Min. :0.0000 Min. :3.000 Min. :1.000
## 1st Qu.:0.0000 1st Qu.:3.000 1st Qu.:2.000
## Median :0.0000 Median :4.000 Median :2.000
## Mean :0.4062 Mean :3.688 Mean :2.812
## 3rd Qu.:1.0000 3rd Qu.:4.000 3rd Qu.:4.000
## Max. :1.0000 Max. :5.000 Max. :8.0003. Seleccionar columnas mpg y hp
mtcars[, c("mpg", "hp")]## mpg hp
## Mazda RX4 21.0 110
## Mazda RX4 Wag 21.0 110
## Datsun 710 22.8 93
## Hornet 4 Drive 21.4 110
## Hornet Sportabout 18.7 175
## Valiant 18.1 105
## Duster 360 14.3 245
## Merc 240D 24.4 62
## Merc 230 22.8 95
## Merc 280 19.2 123
## Merc 280C 17.8 123
## Merc 450SE 16.4 180
## Merc 450SL 17.3 180
## Merc 450SLC 15.2 180
## Cadillac Fleetwood 10.4 205
## Lincoln Continental 10.4 215
## Chrysler Imperial 14.7 230
## Fiat 128 32.4 66
## Honda Civic 30.4 52
## Toyota Corolla 33.9 65
## Toyota Corona 21.5 97
## Dodge Challenger 15.5 150
## AMC Javelin 15.2 150
## Camaro Z28 13.3 245
## Pontiac Firebird 19.2 175
## Fiat X1-9 27.3 66
## Porsche 914-2 26.0 91
## Lotus Europa 30.4 113
## Ford Pantera L 15.8 264
## Ferrari Dino 19.7 175
## Maserati Bora 15.0 335
## Volvo 142E 21.4 1094. Filtrar autos con 6 cilindros
subset(mtcars, cyl == 6)## mpg cyl disp hp drat wt qsec vs am gear carb
## Mazda RX4 21.0 6 160.0 110 3.90 2.620 16.46 0 1 4 4
## Mazda RX4 Wag 21.0 6 160.0 110 3.90 2.875 17.02 0 1 4 4
## Hornet 4 Drive 21.4 6 258.0 110 3.08 3.215 19.44 1 0 3 1
## Valiant 18.1 6 225.0 105 2.76 3.460 20.22 1 0 3 1
## Merc 280 19.2 6 167.6 123 3.92 3.440 18.30 1 0 4 4
## Merc 280C 17.8 6 167.6 123 3.92 3.440 18.90 1 0 4 4
## Ferrari Dino 19.7 6 145.0 175 3.62 2.770 15.50 0 1 5 65. Promedio de mpg por número de cilindros
aggregate(mpg ~ cyl, data = mtcars, FUN = mean)## cyl mpg
## 1 4 26.66364
## 2 6 19.74286
## 3 8 15.100006. Añadir columna kpl (1 mpg aproximadamente 0.425144 kpl)
mtcars$kpl <- mtcars$mpg * 0.4251447. Ordenar por hp (descendente) y mostrar primeras 10 filas
head(mtcars[order(-mtcars$hp), ], 10)## mpg cyl disp hp drat wt qsec vs am gear carb
## Maserati Bora 15.0 8 301.0 335 3.54 3.570 14.60 0 1 5 8
## Ford Pantera L 15.8 8 351.0 264 4.22 3.170 14.50 0 1 5 4
## Duster 360 14.3 8 360.0 245 3.21 3.570 15.84 0 0 3 4
## Camaro Z28 13.3 8 350.0 245 3.73 3.840 15.41 0 0 3 4
## Chrysler Imperial 14.7 8 440.0 230 3.23 5.345 17.42 0 0 3 4
## Lincoln Continental 10.4 8 460.0 215 3.00 5.424 17.82 0 0 3 4
## Cadillac Fleetwood 10.4 8 472.0 205 2.93 5.250 17.98 0 0 3 4
## Merc 450SE 16.4 8 275.8 180 3.07 4.070 17.40 0 0 3 3
## Merc 450SL 17.3 8 275.8 180 3.07 3.730 17.60 0 0 3 3
## Merc 450SLC 15.2 8 275.8 180 3.07 3.780 18.00 0 0 3 3
## kpl
## Maserati Bora 6.377160
## Ford Pantera L 6.717275
## Duster 360 6.079559
## Camaro Z28 5.654415
## Chrysler Imperial 6.249617
## Lincoln Continental 4.421498
## Cadillac Fleetwood 4.421498
## Merc 450SE 6.972362
## Merc 450SL 7.354991
## Merc 450SLC 6.4621898. Diagrama de dispersión mpg vs wt, coloreado por cyl
library(ggplot2)
ggplot(mtcars, aes(x = wt, y = mpg, color = as.factor(cyl))) +
geom_point(size = 3) +
labs(color = "Cilindros") +
theme_minimal()
9. Matriz de correlación
cor(mtcars[, sapply(mtcars, is.numeric)])## mpg cyl disp hp drat wt
## mpg 1.0000000 -0.8521620 -0.8475514 -0.7761684 0.68117191 -0.8676594
## cyl -0.8521620 1.0000000 0.9020329 0.8324475 -0.69993811 0.7824958
## disp -0.8475514 0.9020329 1.0000000 0.7909486 -0.71021393 0.8879799
## hp -0.7761684 0.8324475 0.7909486 1.0000000 -0.44875912 0.6587479
## drat 0.6811719 -0.6999381 -0.7102139 -0.4487591 1.00000000 -0.7124406
## wt -0.8676594 0.7824958 0.8879799 0.6587479 -0.71244065 1.0000000
## qsec 0.4186840 -0.5912421 -0.4336979 -0.7082234 0.09120476 -0.1747159
## vs 0.6640389 -0.8108118 -0.7104159 -0.7230967 0.44027846 -0.5549157
## am 0.5998324 -0.5226070 -0.5912270 -0.2432043 0.71271113 -0.6924953
## gear 0.4802848 -0.4926866 -0.5555692 -0.1257043 0.69961013 -0.5832870
## carb -0.5509251 0.5269883 0.3949769 0.7498125 -0.09078980 0.4276059
## kpl 1.0000000 -0.8521620 -0.8475514 -0.7761684 0.68117191 -0.8676594
## qsec vs am gear carb kpl
## mpg 0.41868403 0.6640389 0.59983243 0.4802848 -0.55092507 1.0000000
## cyl -0.59124207 -0.8108118 -0.52260705 -0.4926866 0.52698829 -0.8521620
## disp -0.43369788 -0.7104159 -0.59122704 -0.5555692 0.39497686 -0.8475514
## hp -0.70822339 -0.7230967 -0.24320426 -0.1257043 0.74981247 -0.7761684
## drat 0.09120476 0.4402785 0.71271113 0.6996101 -0.09078980 0.6811719
## wt -0.17471588 -0.5549157 -0.69249526 -0.5832870 0.42760594 -0.8676594
## qsec 1.00000000 0.7445354 -0.22986086 -0.2126822 -0.65624923 0.4186840
## vs 0.74453544 1.0000000 0.16834512 0.2060233 -0.56960714 0.6640389
## am -0.22986086 0.1683451 1.00000000 0.7940588 0.05753435 0.5998324
## gear -0.21268223 0.2060233 0.79405876 1.0000000 0.27407284 0.4802848
## carb -0.65624923 -0.5696071 0.05753435 0.2740728 1.00000000 -0.5509251
## kpl 0.41868403 0.6640389 0.59983243 0.4802848 -0.55092507 1.0000000