title: “Determinación de Sexo mediante Análisis de Clavícula Derecha” subtitle: “Análisis Discriminante y Regresión Logística” author: “Ennie Monserrat Abrego Camacho” date: “2025-11-20” output: html_document: toc: true toc_float: true toc_depth: 3 theme: cerulean highlight: tango code_folding: show —

knitr::opts_chunk$set( echo = TRUE, warning = FALSE, message = FALSE, fig.width = 10, fig.height = 6 )


# 1. INTRODUCCIÓN

En este archivo se analiza el dimorfismo sexual en la clavícula derecha mediante variables métricas para determinar el sexo en restos óseos. Haciendo uso de técnicas de análisis discriminante y regresión logística con las variables:

- **LMCD**: Longitud Máxima de Clavícula Derecha
- **C12CD**: Circunferencia en Punto Medio de Clavícula Derecha

# 2. CARGA Y PREPARACIÓN DE DATOS


``` r
# Cargar librerías
library(pacman)
p_load(haven, dplyr, ggplot2, MASS, car, effsize, knitr, kableExtra, gridExtra)

# Cargar datos
setwd("C:/Users/OSCAR/Desktop/Estadistica forense EMAC")
Hombro <- read_sav("Datos hombro.sav")

# Convertir sexoN a factor
Hombro$sexoN <- factor(Hombro$sexoN,
                       levels = c(1, 2),
                       labels = c("Hombre", "Mujer"))

# Crear variable numérica para regresión logística
Hombro$sexoN_num <- ifelse(Hombro$sexoN == "Hombre", 1, 0)

# Verificar datos
cat("Total de casos:", nrow(Hombro), "\n")

## Total de casos: 80

cat("Distribución por sexo:\n")

## Distribución por sexo:

table(Hombro$sexoN)

## 
## Hombre  Mujer 
##     50     30

3. ESTADÍSTICA DESCRIPTIVA

3.1 Resumen por variable

# LMCD
res_lmcd <- Hombro %>%
  group_by(sexoN) %>%
  summarise(
    n = sum(!is.na(LMCD)),
    Media = round(mean(LMCD, na.rm = TRUE), 2),
    DE = round(sd(LMCD, na.rm = TRUE), 2),
    Min = round(min(LMCD, na.rm = TRUE), 2),
    Max = round(max(LMCD, na.rm = TRUE), 2)
  )

kable(res_lmcd, caption = "Tabla 1. Estadísticas descriptivas de LMCD por sexo") %>%
  kable_styling(bootstrap_options = c("striped", "hover"))

Tabla 1. Estadísticas descriptivas de LMCD por sexo
sexoN	n	Media	DE	Min	Max
Hombre	35	151.03	10.17	132.50	175.50
Mujer	25	131.30	7.56	116.48	144.69

# C12CD
res_c12cd <- Hombro %>%
  group_by(sexoN) %>%
  summarise(
    n = sum(!is.na(C12CD)),
    Media = round(mean(C12CD, na.rm = TRUE), 2),
    DE = round(sd(C12CD, na.rm = TRUE), 2),
    Min = round(min(C12CD, na.rm = TRUE), 2),
    Max = round(max(C12CD, na.rm = TRUE), 2)
  )

kable(res_c12cd, caption = "Tabla 2. Estadísticas descriptivas de C12CD por sexo") %>%
  kable_styling(bootstrap_options = c("striped", "hover"))

Tabla 2. Estadísticas descriptivas de C12CD por sexo
sexoN	n	Media	DE	Min	Max
Hombre	46	35.94	2.33	31	42
Mujer	29	30.29	2.83	26	36

3.2 Tamaño del efecto (Cohen’s d)

# Calcular Cohen's d
cohend_result <- cohen.d(Hombro$LMCD, Hombro$sexoN, na.rm = TRUE)
print(cohend_result)

## 
## Cohen's d
## 
## d estimate: 2.148866 (large)
## 95 percent confidence interval:
##    lower    upper 
## 1.493929 2.803803

Interpretación: El tamaño del efecto es muy grande (d = 2.149), indicando diferencias sustanciales entre sexos.

3.3 Visualizaciones

# Gráfico de densidad LMCD
p1 <- ggplot(Hombro, aes(x = LMCD, fill = sexoN)) +
  geom_density(alpha = 0.6) +
  scale_fill_manual(values = c("lightblue", "pink")) +
  labs(
    title = "Gráfica 1. Distribución de LMCD por Sexo",
    x = "Longitud Máxima de Clavícula Derecha (mm)",
    y = "Densidad",
    fill = "Sexo"
  ) +
  theme_minimal() +
  theme(legend.position = "bottom")

# Boxplot LMCD
p2 <- ggplot(Hombro, aes(x = sexoN, y = LMCD, fill = sexoN)) +
  geom_boxplot(alpha = 0.7) +
  scale_fill_manual(values = c("lightblue", "pink")) +
  labs(
    title = "Gráfica 2. Boxplot de LMCD por Sexo",
    x = "Sexo",
    y = "LMCD (mm)"
  ) +
  theme_minimal() +
  theme(legend.position = "none")

# Boxplot C12CD
p3 <- ggplot(Hombro, aes(x = sexoN, y = C12CD, fill = sexoN)) +
  geom_boxplot(alpha = 0.7) +
  scale_fill_manual(values = c("lightblue", "pink")) +
  labs(
    title = "Gráfica 3. Boxplot de C12CD por Sexo",
    x = "Sexo",
    y = "C12CD (mm)"
  ) +
  theme_minimal() +
  theme(legend.position = "none")

# Dispersión bivariada
p4 <- ggplot(Hombro, aes(x = LMCD, y = C12CD, color = sexoN)) +
  geom_point(size = 3, alpha = 0.6) +
  scale_color_manual(values = c("blue", "red")) +
  labs(
    title = "Gráfica 4. Relación LMCD vs C12CD por Sexo",
    x = "LMCD (mm)",
    y = "C12CD (mm)",
    color = "Sexo"
  ) +
  theme_minimal() +
  theme(legend.position = "bottom")

# Mostrar gráficas
library(gridExtra)
grid.arrange(p1, p2, p3, p4, ncol = 2)

## Warning: Removed 20 rows containing non-finite outside the scale range
## (`stat_density()`).

## Warning: Removed 20 rows containing non-finite outside the scale range
## (`stat_boxplot()`).

## Warning: Removed 5 rows containing non-finite outside the scale range
## (`stat_boxplot()`).

## Warning: Removed 20 rows containing missing values or values outside the scale range
## (`geom_point()`).

4. PRUEBAS DE NORMALIDAD Y COMPARACIONES

4.1 Pruebas de Shapiro-Wilk

# Crear tabla de resultados
normalidad <- data.frame(
  Variable = c("LMCD", "LMCD", "C12CD", "C12CD"),
  Sexo = c("Hombre", "Mujer", "Hombre", "Mujer"),
  p_valor = c(
    shapiro.test(Hombro$LMCD[Hombro$sexoN == "Hombre"])$p.value,
    shapiro.test(Hombro$LMCD[Hombro$sexoN == "Mujer"])$p.value,
    shapiro.test(Hombro$C12CD[Hombro$sexoN == "Hombre"])$p.value,
    shapiro.test(Hombro$C12CD[Hombro$sexoN == "Mujer"])$p.value
  )
)
normalidad$p_valor <- round(normalidad$p_valor, 4)
normalidad$Normal <- ifelse(normalidad$p_valor > 0.05, "Sí ✓", "No ✗")

kable(normalidad, caption = "Tabla 3. Pruebas de normalidad (Shapiro-Wilk)") %>%
  kable_styling(bootstrap_options = c("striped", "hover"))

Tabla 3. Pruebas de normalidad (Shapiro-Wilk)
Variable	Sexo	p_valor	Normal
LMCD	Hombre	0.1055	Sí ✓
LMCD	Mujer	0.8169	Sí ✓
C12CD	Hombre	0.0628	Sí ✓
C12CD	Mujer	0.2313	Sí ✓

Conclusión: Todas las variables siguen distribución normal (p > 0.05), justificando el uso de pruebas paramétricas.

4.2 Pruebas t de Student

# Prueba t para LMCD
t_lmcd <- t.test(LMCD ~ sexoN, data = Hombro, var.equal = TRUE)

# Prueba t para C12CD
t_c12cd <- t.test(C12CD ~ sexoN, data = Hombro, var.equal = TRUE)

# Crear tabla de resultados
resultados_t <- data.frame(
  Variable = c("LMCD", "C12CD"),
  t = c(t_lmcd$statistic, t_c12cd$statistic),
  gl = c(t_lmcd$parameter, t_c12cd$parameter),
  p_valor = c(t_lmcd$p.value, t_c12cd$p.value),
  Diferencia = c(diff(t_lmcd$estimate), diff(t_c12cd$estimate)),
  IC_inferior = c(t_lmcd$conf.int[1], t_c12cd$conf.int[1]),
  IC_superior = c(t_lmcd$conf.int[2], t_c12cd$conf.int[2])
)

resultados_t$p_valor <- format(resultados_t$p_valor, scientific = TRUE, digits = 3)

kable(resultados_t, 
      digits = 3,
      caption = "Tabla 4. Resultados de pruebas t de Student") %>%
  kable_styling(bootstrap_options = c("striped", "hover"))

Tabla 4. Resultados de pruebas t de Student
Variable	t	gl	p_valor	Diferencia	IC_inferior	IC_superior
LMCD	8.206	58	2.77e-11	-19.724	14.912	24.535
C12CD	9.410	73	3.18e-14	-5.652	4.455	6.849

Interpretación: Ambas variables muestran diferencias altamente significativas entre sexos (p < 0.001).

5. ANÁLISIS DISCRIMINANTE

5.1 Función Discriminante con LMCD

# Crear dataset completo
Hombro_completo <- Hombro[complete.cases(Hombro[, c("sexoN", "LMCD")]), ]

# Ajustar modelo
lda_1 <- lda(sexoN ~ LMCD, data = Hombro_completo)
print(lda_1)

## Call:
## lda(sexoN ~ LMCD, data = Hombro_completo)
## 
## Prior probabilities of groups:
##    Hombre     Mujer 
## 0.5833333 0.4166667 
## 
## Group means:
##            LMCD
## Hombre 151.0263
## Mujer  131.3026
## 
## Coefficients of linear discriminants:
##            LD1
## LMCD 0.1089485

# Predicciones
pred_lda_1 <- predict(lda_1, Hombro_completo)

# Matriz de confusión
tabla_lda_1 <- table(Real = Hombro_completo$sexoN, 
                     Predicho = pred_lda_1$class)

kable(tabla_lda_1, caption = "Tabla 5. Matriz de confusión - LDA (LMCD)") %>%
  kable_styling(bootstrap_options = c("striped", "hover"))

Tabla 5. Matriz de confusión - LDA (LMCD)
	Hombre	Mujer
Hombre	32	3
Mujer	3	22

# Precisión
accuracy_lda_1 <- sum(diag(tabla_lda_1)) / sum(tabla_lda_1) * 100
cat("\nPrecisión del modelo:", round(accuracy_lda_1, 2), "%\n")

## 
## Precisión del modelo: 90 %

Ejemplo de aplicación

# Caso ejemplo
nuevo_caso <- data.frame(LMCD = 175)
pred_ejemplo <- predict(lda_1, nuevo_caso)

cat("Para LMCD = 175 mm:\n")

## Para LMCD = 175 mm:

cat("Clasificación:", as.character(pred_ejemplo$class), "\n")

## Clasificación: Hombre

cat("Probabilidad Hombre:", round(pred_ejemplo$posterior[1], 4), "\n")

## Probabilidad Hombre: 0.9997

cat("Probabilidad Mujer:", round(pred_ejemplo$posterior[2], 4), "\n")

## Probabilidad Mujer: 3e-04

5.2 Función Discriminante con LMCD y C12CD

# Crear dataset completo
Hombro_completo2 <- Hombro[complete.cases(Hombro[, c("sexoN", "LMCD", "C12CD")]), ]

# Ajustar modelo
lda_2 <- lda(sexoN ~ LMCD + C12CD, data = Hombro_completo2)
print(lda_2)

## Call:
## lda(sexoN ~ LMCD + C12CD, data = Hombro_completo2)
## 
## Prior probabilities of groups:
##    Hombre     Mujer 
## 0.5833333 0.4166667 
## 
## Group means:
##            LMCD    C12CD
## Hombre 151.0263 35.77151
## Mujer  131.3026 30.31206
## 
## Coefficients of linear discriminants:
##              LD1
## LMCD  -0.0727066
## C12CD -0.2559868

# Predicciones
pred_lda_2 <- predict(lda_2, Hombro_completo2)

# Matriz de confusión
tabla_lda_2 <- table(Real = Hombro_completo2$sexoN, 
                     Predicho = pred_lda_2$class)

kable(tabla_lda_2, caption = "Tabla 6. Matriz de confusión - LDA (LMCD + C12CD)") %>%
  kable_styling(bootstrap_options = c("striped", "hover"))

Tabla 6. Matriz de confusión - LDA (LMCD + C12CD)
	Hombre	Mujer
Hombre	34	1
Mujer	1	24

# Precisión
accuracy_lda_2 <- sum(diag(tabla_lda_2)) / sum(tabla_lda_2) * 100
cat("\nPrecisión del modelo:", round(accuracy_lda_2, 2), "%\n")

## 
## Precisión del modelo: 96.67 %

cat("Mejora respecto a modelo univariado:", 
    round(accuracy_lda_2 - accuracy_lda_1, 2), "puntos porcentuales\n")

## Mejora respecto a modelo univariado: 6.67 puntos porcentuales

Ejemplo de aplicación

# Casos ejemplo
casos <- data.frame(
  LMCD = c(145, 155),
  C12CD = c(33, 37)
)

pred_casos <- predict(lda_2, casos)

for(i in 1:nrow(casos)) {
  cat("\nCaso", i, "- LMCD =", casos$LMCD[i], "mm, C12CD =", casos$C12CD[i], "mm:\n")
  cat("Clasificación:", as.character(pred_casos$class[i]), "\n")
  cat("Probabilidad Hombre:", round(pred_casos$posterior[i, 1], 4), "\n")
}

## 
## Caso 1 - LMCD = 145 mm, C12CD = 33 mm:
## Clasificación: Hombre 
## Probabilidad Hombre: 0.7495 
## 
## Caso 2 - LMCD = 155 mm, C12CD = 37 mm:
## Clasificación: Hombre 
## Probabilidad Hombre: 0.9977

6. REGRESIÓN LOGÍSTICA

6.1 Modelo con LMCD

# Ajustar modelo
logit_1 <- glm(sexoN_num ~ LMCD, 
               data = Hombro_completo, 
               family = binomial)

summary(logit_1)

## 
## Call:
## glm(formula = sexoN_num ~ LMCD, family = binomial, data = Hombro_completo)
## 
## Coefficients:
##              Estimate Std. Error z value Pr(>|z|)    
## (Intercept) -41.72697   10.79320  -3.866 0.000111 ***
## LMCD          0.29945    0.07717   3.880 0.000104 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 81.503  on 59  degrees of freedom
## Residual deviance: 32.430  on 58  degrees of freedom
## AIC: 36.43
## 
## Number of Fisher Scoring iterations: 6

# Odds Ratio
or_lmcd <- exp(coef(logit_1)[2])
cat("\nOdds Ratio para LMCD:", round(or_lmcd, 4), "\n")

## 
## Odds Ratio para LMCD: 1.3491

cat("Interpretación: Por cada mm adicional en LMCD,\n")

## Interpretación: Por cada mm adicional en LMCD,

cat("el odds de ser Hombre aumenta", round((or_lmcd-1)*100, 2), "%\n")

## el odds de ser Hombre aumenta 34.91 %

# Predicciones
prob_logit_1 <- predict(logit_1, type = "response")
pred_clase_1 <- ifelse(prob_logit_1 > 0.5, 1, 0)

# Matriz de confusión
tabla_logit_1 <- table(Real = Hombro_completo$sexoN_num, 
                       Predicho = pred_clase_1)

kable(tabla_logit_1, caption = "Tabla 7. Matriz de confusión - Logit (LMCD)") %>%
  kable_styling(bootstrap_options = c("striped", "hover"))

Tabla 7. Matriz de confusión - Logit (LMCD)
	0	1
0	22	3
1	3	32

# Precisión
accuracy_logit_1 <- sum(diag(tabla_logit_1)) / sum(tabla_logit_1) * 100
cat("\nPrecisión del modelo:", round(accuracy_logit_1, 2), "%\n")

## 
## Precisión del modelo: 90 %

Ejemplo de aplicación

# Varios valores de LMCD
lmcd_valores <- c(135, 145, 155, 165)
probabilidades <- predict(logit_1, 
                         newdata = data.frame(LMCD = lmcd_valores),
                         type = "response")

ejemplos_logit1 <- data.frame(
  LMCD = lmcd_valores,
  Prob_Hombre = round(probabilidades, 4),
  Porcentaje = paste0(round(probabilidades * 100, 2), "%"),
  Clasificación = ifelse(probabilidades > 0.5, "Hombre", "Mujer")
)

kable(ejemplos_logit1, 
      caption = "Tabla 8. Ejemplos de predicción con modelo logístico (LMCD)") %>%
  kable_styling(bootstrap_options = c("striped", "hover"))

Tabla 8. Ejemplos de predicción con modelo logístico (LMCD)
LMCD	Prob_Hombre	Porcentaje	Clasificación
135	0.2140	21.4%	Mujer
145	0.8447	84.47%	Hombre
155	0.9909	99.09%	Hombre
165	0.9995	99.95%	Hombre

6.2 Modelo con LMCD y C12CD

# Ajustar modelo
logit_2 <- glm(sexoN_num ~ LMCD + C12CD, 
               data = Hombro_completo2, 
               family = binomial)

summary(logit_2)

## 
## Call:
## glm(formula = sexoN_num ~ LMCD + C12CD, family = binomial, data = Hombro_completo2)
## 
## Coefficients:
##             Estimate Std. Error z value Pr(>|z|)   
## (Intercept) -69.0885    22.9591  -3.009  0.00262 **
## LMCD          0.3067     0.1117   2.747  0.00602 **
## C12CD         0.8022     0.3405   2.356  0.01847 * 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for binomial family taken to be 1)
## 
##     Null deviance: 81.503  on 59  degrees of freedom
## Residual deviance: 18.731  on 57  degrees of freedom
## AIC: 24.731
## 
## Number of Fisher Scoring iterations: 8

# Odds Ratios
or_multivariado <- exp(coef(logit_2)[-1])
cat("\nOdds Ratios:\n")

## 
## Odds Ratios:

cat("LMCD:", round(or_multivariado[1], 4), 
    "- Aumento del", round((or_multivariado[1]-1)*100, 2), "%\n")

## LMCD: 1.359 - Aumento del 35.9 %

cat("C12CD:", round(or_multivariado[2], 4), 
    "- Aumento del", round((or_multivariado[2]-1)*100, 2), "%\n")

## C12CD: 2.2305 - Aumento del 123.05 %

# Predicciones
prob_logit_2 <- predict(logit_2, type = "response")
pred_clase_2 <- ifelse(prob_logit_2 > 0.5, 1, 0)

# Matriz de confusión
tabla_logit_2 <- table(Real = Hombro_completo2$sexoN_num, 
                       Predicho = pred_clase_2)

kable(tabla_logit_2, caption = "Tabla 9. Matriz de confusión - Logit (LMCD + C12CD)") %>%
  kable_styling(bootstrap_options = c("striped", "hover"))

Tabla 9. Matriz de confusión - Logit (LMCD + C12CD)
	0	1
0	24	1
1	1	34

# Precisión
accuracy_logit_2 <- sum(diag(tabla_logit_2)) / sum(tabla_logit_2) * 100
cat("\nPrecisión del modelo:", round(accuracy_logit_2, 2), "%\n")

## 
## Precisión del modelo: 96.67 %

Ejemplo de aplicación

# Varios casos
casos_logit2 <- data.frame(
  LMCD = c(135, 145, 155, 165),
  C12CD = c(31, 33, 37, 39)
)

prob_casos <- predict(logit_2, 
                     newdata = casos_logit2,
                     type = "response")

ejemplos_logit2 <- cbind(
  casos_logit2,
  Prob_Hombre = round(prob_casos, 4),
  Porcentaje = paste0(round(prob_casos * 100, 2), "%"),
  Clasificación = ifelse(prob_casos > 0.5, "Hombre", "Mujer")
)

kable(ejemplos_logit2, 
      caption = "Tabla 10. Ejemplos de predicción con modelo logístico bivariado") %>%
  kable_styling(bootstrap_options = c("striped", "hover"))

Tabla 10. Ejemplos de predicción con modelo logístico bivariado
LMCD	C12CD	Prob_Hombre	Porcentaje	Clasificación
135	31	0.0567	5.67%	Mujer
145	33	0.8654	86.54%	Hombre
155	37	0.9997	99.97%	Hombre
165	39	1.0000	100%	Hombre

7. COMPARACIÓN DE MODELOS

# Crear tabla comparativa
comparacion <- data.frame(
  Modelo = c("LDA (LMCD)", "LDA (LMCD + C12CD)", 
             "Logit (LMCD)", "Logit (LMCD + C12CD)"),
  Variables = c("1", "2", "1", "2"),
  Precisión = c(accuracy_lda_1, accuracy_lda_2, 
                accuracy_logit_1, accuracy_logit_2),
  Errores = c(sum(tabla_lda_1) - sum(diag(tabla_lda_1)),
              sum(tabla_lda_2) - sum(diag(tabla_lda_2)),
              sum(tabla_logit_1) - sum(diag(tabla_logit_1)),
              sum(tabla_logit_2) - sum(diag(tabla_logit_2)))
)

comparacion$Precisión <- paste0(round(comparacion$Precisión, 2), "%")

kable(comparacion, 
      caption = "Tabla 11. Comparación de modelos") %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  row_spec(c(2, 4), bold = TRUE, background = "#E8F4F8")

Tabla 11. Comparación de modelos
Modelo	Variables	Precisión	Errores
LDA (LMCD)	1	90%	6
LDA (LMCD + C12CD)	2	96.67%	2
Logit (LMCD)	1	90%	6
Logit (LMCD + C12CD)	2	96.67%	2

# Gráfico de barras comparativo
ggplot(comparacion, aes(x = Modelo, y = as.numeric(gsub("%", "", Precisión)), fill = Variables)) +
  geom_bar(stat = "identity") +
  geom_text(aes(label = Precisión), vjust = -0.5) +
  scale_fill_manual(values = c("steelblue", "darkgreen")) +
  labs(
    title = "Gráfica 5. Comparación de Precisión entre Modelos",
    x = "Modelo",
    y = "Precisión (%)",
    fill = "N° Variables"
  ) +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

8. CONCLUSIONES

Principales hallazgos:

Dimorfismo sexual significativo: Ambas variables (LMCD y C12CD) muestran diferencias altamente significativas entre sexos (p < 0.001), con un tamaño del efecto por encima de los valores para ser clasificado grande (d = 2.15).
Alta precisión predictiva: Los modelos bivariados (LMCD + C12CD) alcanzan 96.67% de clasificación correcta, comparable con métodos pélvicos tradicionales.
Complementariedad de variables: La combinación de LMCD y C12CD mejora la precisión en 6.67 puntos porcentuales y reduce los errores en un 66.7% (de 6 a 2 casos).
Equivalencia metodológica: El análisis discriminante y la regresión logística producen resultados prácticamente idénticos en términos de precisión de clasificación.
Aplicabilidad forense: La clavícula derecha es un excelente indicador para determinación de sexo cuando la pelvis o el cráneo no están disponibles o están fragmentados.

Limitaciones:

Los modelos están calibrados para población mexicana
Requiere clavículas completas y bien preservadas
Aplicable a individuos adultos (>25 años)
Las patologías pueden alterar las medidas

Fecha de análisis: 2025-11-20
Software: R version R version 4.5.2 (2025-10-31 ucrt)
Paquetes principales: MASS, haven, dplyr, ggplot2

R Markdown

This is an R Markdown document. Markdown is a simple formatting syntax for authoring HTML, PDF, and MS Word documents. For more details on using R Markdown see http://rmarkdown.rstudio.com.

When you click the Knit button a document will be generated that includes both content as well as the output of any embedded R code chunks within the document. You can embed an R code chunk like this:

summary(cars)

##      speed           dist       
##  Min.   : 4.0   Min.   :  2.00  
##  1st Qu.:12.0   1st Qu.: 26.00  
##  Median :15.0   Median : 36.00  
##  Mean   :15.4   Mean   : 42.98  
##  3rd Qu.:19.0   3rd Qu.: 56.00  
##  Max.   :25.0   Max.   :120.00

Including Plots

You can also embed plots, for example:

Note that the echo = FALSE parameter was added to the code chunk to prevent printing of the R code that generated the plot.

Tarea 1

Ennie Monserrat Abrego Camacho

2025-11-20

3. ESTADÍSTICA DESCRIPTIVA

3.1 Resumen por variable

3.2 Tamaño del efecto (Cohen’s d)

3.3 Visualizaciones

4. PRUEBAS DE NORMALIDAD Y COMPARACIONES

4.1 Pruebas de Shapiro-Wilk

4.2 Pruebas t de Student

5. ANÁLISIS DISCRIMINANTE

5.1 Función Discriminante con LMCD

Ejemplo de aplicación

5.2 Función Discriminante con LMCD y C12CD

Ejemplo de aplicación

6. REGRESIÓN LOGÍSTICA

6.1 Modelo con LMCD

Ejemplo de aplicación

6.2 Modelo con LMCD y C12CD

Ejemplo de aplicación

7. COMPARACIÓN DE MODELOS

8. CONCLUSIONES

Principales hallazgos:

Limitaciones:

R Markdown

Including Plots