0.Librerias

library(gt)
library(dplyr)
library(knitr)
library(kableExtra)
library(e1071)

1.Leer Datos

variables <- read.csv("C:/Users/WAN/Downloads/GlobalWeatherRepository.csv")

2. Extraer y Depuración de la Variable

Celsius <- na.omit(variables$temperature_celsius)

# Total de datos

n_total <- length(Celsius)

3. Frecuencias

3.1 Max y Min

valor_min <- min(Celsius)
valor_max <- max(Celsius)

rango <- valor_max - valor_min

3.2.Regla de Sturges

K_sturges <- floor(1 + 3.322 * log10(n_total))

cat("Número de clases:", K_sturges, "\n")

## Número de clases: 18

A_sturges <- rango / K_sturges

cat("Amplitud Sturges:", A_sturges, "\n")

## Amplitud Sturges: 6.061111

##3.3. Intervalos
Li1 <- seq( valor_min,
            valor_max - A_sturges,
            by = A_sturges
)

Ls1 <- Li1 + A_sturges

3.4. Bucle para las columnas de la tabla

ni1 <- numeric(length(Li1))

for(i in 1:length(Li1)){
  
  if(i == length(Li1)){
    
    ni1[i] <- sum(
      Celsius >= Li1[i] &
        Celsius <= Ls1[i]
    )
    
  } else {
    
    ni1[i] <- sum(
      Celsius >= Li1[i] &
        Celsius < Ls1[i]
    )
  }
}

# Frecuencia relativa
hi1 <- (ni1 / sum(ni1)) * 100

# Acumuladas
Ni_asc1 <- cumsum(ni1)
Hi_asc1 <- cumsum(hi1)

Ni_dsc1 <- rev(cumsum(rev(ni1)))
Hi_dsc1 <- rev(cumsum(rev(hi1)))

# Marca de clase
MC1 <- (Li1 + Ls1)/2

3.5.Tabla con amplitud ajustada

amplitud <- 15

# Intervalos
Li2 <- seq(
  floor(valor_min/15)*15,
  ceiling(valor_max/15)*15 - 15,
  by = 15
)

Ls2 <- Li2 + 15

#Frecuencias

ni2 <- numeric(length(Li2))

for(i in 1:length(Li2)){
  
  if(i == length(Li2)){
    
    ni2[i] <- sum(
      Celsius >= Li2[i] &
        Celsius <= Ls2[i]
    )
    
  } else {
    
    ni2[i] <- sum(
      Celsius >= Li2[i] &
        Celsius < Ls2[i]
    )
  }
}

# Frecuencia relativa
hi2 <- (ni2 / sum(ni2)) * 100

# Acumuladas
Ni_asc2 <- cumsum(ni2)
Hi_asc2 <- cumsum(hi2)

Ni_dsc2 <- rev(cumsum(rev(ni2)))
Hi_dsc2 <- rev(cumsum(rev(hi2)))

# Marca de clase
MC2 <- (Li2 + Ls2)/2

4.Tabla de Distribución de Frecuencias

4.1. Tabla según Sturges

# Convertir a caracteres para poder mezclar números y texto

Tabla_Sturges <- data.frame(
  
  Lim_inf = round(Li1,2),
  
  Lim_sup = round(Ls1,2),
  
  MC = round(MC1,2),
  
  ni = ni1,
  
  hi = round(hi1,2),
  
  Ni_asc = Ni_asc1,
  
  Hi_asc = round(Hi_asc1,2),
  
  Ni_dsc = Ni_dsc1,
  
  Hi_dsc = round(Hi_dsc1,2)
  
)

Tabla_Sturges2 <- Tabla_Sturges
Tabla_Sturges2[] <- lapply(Tabla_Sturges2, as.character)

# Fila de totales

fila_total <- data.frame(
  Lim_inf = "TOTAL",
  Lim_sup = "",
  MC = "",
  ni = as.character(sum(ni1)),
  hi = as.character(round(sum(hi1), 2)),
  Ni_asc = "",
  Hi_asc = "",
  Ni_dsc = "",
  Hi_dsc = ""
)

# Agregar fila

Tabla_Sturges2 <- rbind(Tabla_Sturges2, fila_total)


kable(
  Tabla_Sturges2,
  align = "c",
  caption = "Tabla N1: Distribución de frecuencias de la latitud de los registros meteorológicos mundiales mediante la regla de Sturges, período 2024–2026 "
) |>
  
  kableExtra::kable_styling(
    full_width = TRUE,
    position = "center",
    bootstrap_options = c(
      "striped",
      "hover",
      "condensed",
      "responsive"
    )
  ) |>
  
  kableExtra::row_spec(
    0,
    bold = TRUE,
    color = "white",
    background = "#2C3E50"
  ) |>
  
  kableExtra::row_spec(
    nrow(Tabla_Sturges2),
    bold = TRUE,
    background = "#EAEDED"
  )|>
  footnote(
    general = "Elaborado por Grupo 2. 
    Fuente: Global Weather Repository.",
    general_title = "Nota: ",
    footnote_as_chunk = TRUE,
    title_format = c("italic","bold")
  )

Tabla N1: Distribución de frecuencias de la latitud de los registros meteorológicos mundiales mediante la regla de Sturges, período 2024–2026
Lim_inf	Lim_sup	MC	ni	hi	Ni_asc	Hi_asc	Ni_dsc	Hi_dsc
-29.8	-23.74	-26.77	27	0.02	27	0.02	141703	100
-23.74	-17.68	-20.71	181	0.13	208	0.15	141676	99.98
-17.68	-11.62	-14.65	333	0.23	541	0.38	141495	99.85
-11.62	-5.56	-8.59	810	0.57	1351	0.95	141162	99.62
-5.56	0.51	-2.53	3266	2.3	4617	3.26	140352	99.05
0.51	6.57	3.54	8838	6.24	13455	9.5	137086	96.74
6.57	12.63	9.6	13973	9.86	27428	19.36	128248	90.5
12.63	18.69	15.66	18135	12.8	45563	32.15	114275	80.64
18.69	24.75	21.72	33138	23.39	78701	55.54	96140	67.85
24.75	30.81	27.78	47108	33.24	125809	88.78	63002	44.46
30.81	36.87	33.84	12839	9.06	138648	97.84	15894	11.22
36.87	42.93	39.9	2609	1.84	141257	99.69	3055	2.16
42.93	48.99	45.96	442	0.31	141699	100	446	0.31
48.99	55.06	52.02	3	0	141702	100	4	0
55.06	61.12	58.09	0	0	141702	100	1	0
61.12	67.18	64.15	0	0	141702	100	1	0
67.18	73.24	70.21	0	0	141702	100	1	0
73.24	79.3	76.27	1	0	141703	100	1	0
TOTAL			141703	100
Nota: Elaborado por Grupo 2. Fuente: Global Weather Repository.

4.2. Tabla ajustada

TDF_Celsius <- data.frame(
  
  Lim_inf = round(Li2,2),
  
  Lim_sup = round(Ls2,2),
  
  MC = round(MC2,2),
  
  ni = ni2,
  
  hi = round(hi2,2),
  
  Ni_asc = Ni_asc2,
  
  Hi_asc = round(Hi_asc2,2),
  
  Ni_dsc = Ni_dsc2,
  
  Hi_dsc = round(Hi_dsc2,2)
  
)

# Convertir todo a texto
TDF_Celsius[] <- lapply(TDF_Celsius, as.character)

# Fila TOTAL
TDF_Total <- data.frame(
  
  Lim_inf = "TOTAL",
  
  Lim_sup = "",
  
  MC = "",
  
  ni = as.character(sum(ni2)),
  
  hi = as.character(round(sum(hi2),2)),
  
  Ni_asc = "",
  
  Hi_asc = "",
  
  Ni_dsc = "",
  
  Hi_dsc = "",
  
  stringsAsFactors = FALSE
  
)

# Agregar fila total
TDF_Celsius <- rbind(TDF_Celsius, TDF_Total)

# Renombrar columnas
colnames(TDF_Celsius) <- c(
  
  "Lim. Inf.",
  
  "Lim. Sup.",
  
  "MC",
  
  "ni",
  
  "hi (%)",
  
  "Ni Asc",
  
  "Hi Asc",
  
  "Ni Dsc",
  
  "Hi Dsc"
  
)

# Mostrar tabla

kable(
  TDF_Celsius,
  align = "c",
  caption = "Tabla N°4: Distribución de frecuencia de latitud del mundo"
) |>
  
  kable_styling(
    full_width = TRUE,
    position = "center",
    bootstrap_options = c(
      "striped",
      "hover",
      "condensed",
      "responsive"
    )
  ) |>
  
  row_spec(
    0,
    bold = TRUE,
    color = "white",
    background = "#2C3E50"
  ) |>
  
  row_spec(
    nrow(TDF_Celsius),
    bold = TRUE,
    background = "#EAEDED"
  ) |>
  
  footnote(
    general = "Elaborado por Grupo 2. 
    Fuente: Global Weather Repository.",
    general_title = "Nota: ",
    footnote_as_chunk = TRUE,
    title_format = c("italic","bold")
  )

Tabla N°4: Distribución de frecuencia de latitud del mundo
Lim. Inf.	Lim. Sup.	MC	ni	hi (%)	Ni Asc	Hi Asc	Ni Dsc	Hi Dsc
-30	-15	-22.5	315	0.22	315	0.22	141703	100
-15	0	-7.5	3361	2.37	3676	2.59	141388	99.78
0	15	7.5	29162	20.58	32838	23.17	138027	97.41
15	30	22.5	88135	62.2	120973	85.37	108865	76.83
30	45	37.5	20567	14.51	141540	99.88	20730	14.63
45	60	52.5	162	0.11	141702	100	163	0.12
60	75	67.5	0	0	141702	100	1	0
75	90	82.5	1	0	141703	100	1	0
TOTAL			141703	100
Nota: Elaborado por Grupo 2. Fuente: Global Weather Repository.

5. Gráficos de Distribución de Frecuencias

5.1.Histograma Original (ni)

hist(Celsius, main = "Gráfico N°2. Histograma y polígono de frecuencias absolutas de la 
  latitud de los registros meteorológicos mundiales, período 2024–2026",
  
  xlab = "Celsius",
  
  ylab = "Frecuencia",
  
  col = "lightgreen",
  
  border = "black"
)

grid()

5.2.Histograma con relación al todo (ni)

hist(
  Celsius,
  
  breaks = c(Li2, max(Ls2)),
  
  ylim = c(0, n_total),
  
  main = "Gráfico N°2: Histograma Global de Latitud",
  
  xlab = "Latitud",
  
  ylab = "Frecuencia",
  
  col = "lightgreen",
  
  border = "black"
)

grid()

5.3. Histograma original (hi)

barplot(
  hi2,
  
  names.arg = paste(Li2, Ls2, sep = " a "),
  
  ylim = c(0, max(hi2) * 1.1),
  
  main = "Gráfico N°5: Histograma Local de Frecuencia Relativa",
  
  xlab = "Intervalos de Latitud",
  
  ylab = "Frecuencia Relativa (%)",
  
  col = "skyblue",
  
  las = 2
)

5.4.Histograma con relacion a todo (hi)

barplot(
  hi2,
  
  names.arg = paste(Li2, Ls2, sep = " a "),
  
  ylim = c(0, 100),
  
  main = "Gráfico N°6: Histograma Global de Frecuencia Relativa",
  
  xlab = "Intervalos de Latitud",
  
  ylab = "Frecuencia Relativa (%)",
  
  col = "lightgreen",
  
  las = 2
)

5.5.Polígono de frecuencias (ni)

hist(
  Celsius,
  
  breaks = c(Li2, max(Ls2)),
  
  freq = TRUE,
  
  main = "Histograma y Polígono de Frecuencias Absolutas",
  
  xlab = "Latitud",
  
  ylab = "Frecuencia (ni)",
  
  col = "lightblue",
  
  border = "black"
)

# Superponer polígono

lines(
  MC2,
  ni2,
  
  type = "o",
  
  lwd = 2,
  
  pch = 16,
  
  col = "red"
)

grid()

5.6. Polígono de frecuencias (hi)

bp <- barplot(
  hi2,
  
  names.arg = paste(Li2, Ls2, sep = "-"),
  
  ylim = c(0, max(hi2)*1.2),
  
  main = "Frecuencia Relativa (%) y Polígono",
  
  xlab = "Intervalos",
  
  ylab = "Frecuencia Relativa (%)",
  
  col = "lightgreen"
)

lines(
  bp,
  hi2,
  
  type = "o",
  
  pch = 16,
  
  lwd = 2,
  
  col = "red"
)

grid()

5.7. Ojiva ascendente y descendente (ni)

plot(
  Ls2,
  Ni_asc2,
  
  type = "o",
  
  pch = 16,
  
  lwd = 2,
  
  col = "blue",
  
  ylim = c(0, max(Ni_asc2)),
  
  main = "Gráfico N°9: Ojivas de Frecuencia Absoluta Acumulada",
  
  xlab = "Latitud",
  
  ylab = "Frecuencia Acumulada (Ni)"
)

lines(
  Li2,
  Ni_dsc2,
  
  type = "o",
  
  pch = 17,
  
  lwd = 2,
  
  col = "red"
)

legend(
  "right",
  
  legend = c(
    "Ojiva Ascendente",
    "Ojiva Descendente"
  ),
  
  col = c(
    "blue",
    "red"
  ),
  
  pch = c(
    16,
    17
  ),
  
  lwd = 2,
  
  bty = "n"
)

grid()

5.8.Ojiva ascentende y descendente (hi)

plot(
  Ls2,
  Hi_asc2,
  type = "o",
  pch = 16,
  lwd = 2,
  col = "blue",
  ylim = c(0,100),
  main = "Ojivas de Frecuencia Relativa Acumulada",
  xlab = "Latitud",
  ylab = "Frecuencia Acumulada (%)"
)

lines(
  Li2,
  Hi_dsc2,
  type = "o",
  pch = 17,
  lwd = 2,
  col = "red"
)

legend(
  "right",
  legend = c(
    "Ascendente",
    "Descendente"
  ),
  col = c("blue","red"),
  pch = c(16,17),
  lwd = 2,
  bty = "n"
)

grid()

5.9. Bloxplot

Q1 <- quantile(Celsius, 0.25)

Q3 <- quantile(Celsius, 0.75)

RIC <- Q3 - Q1

Lim_inf <- Q1 - 1.5 * RIC

Lim_sup <- Q3 + 1.5 * RIC
bp <- boxplot(
  Celsius,
  horizontal = TRUE,
  outline = FALSE,
  main = "Gráfico N°6: Boxplot de Celsius",
  xlab = "Celsius",
  col = "lightblue"
)

atipicos <- Celsius[
  Celsius < Lim_inf |
    Celsius > Lim_sup
]

points(
  atipicos,
  rep(1, length(atipicos)),
  col = "red",
  pch = 19,
  cex = 0.8
)

abline(v = Lim_inf, col = "blue", lwd = 2, lty = 2)
abline(v = Lim_sup, col = "blue", lwd = 2, lty = 2)

#Outliers

Lim_inf2 <- Q1 - 1.0 * RIC
Lim_sup2 <- Q3 + 1.0 * RIC

atipicos2 <- Celsius[
  Celsius < Lim_inf2 |
    Celsius > Lim_sup2
]

length(atipicos2)

## [1] 8649

legend(
  "topright",
  legend = c(
    "Atípicos",
    "Límites de Tukey"
  ),
  col = c("red", "blue"),
  pch = c(19, NA),
  lty = c(NA, 2),
  lwd = c(NA, 2),
  bty = "n"
)

grid()

6. Indicadores Estadísticos

6.1.Tendencia central

media <- mean(Celsius)

mediana <- median(Celsius)

# Moda aproximada usando la clase modal

tabla_moda <- TDF_Celsius[
  TDF_Celsius$`Lim. Inf.` != "TOTAL",
]

ni_num <- as.numeric(tabla_moda$ni)

max_ni <- max(ni_num)

moda <- as.numeric(
  tabla_moda$MC[
    ni_num == max_ni
  ]
)

6.2.Dispersión

varianza <- var(Celsius)

desv_est <- sd(Celsius)

cv <- (desv_est / media) * 100

6.3.Forma

asimetria <- skewness(Celsius)

curtosis <- kurtosis(Celsius)

6.4.Valores atípicos

Q1 <- quantile(Celsius, 0.25)

Q3 <- quantile(Celsius, 0.75)

RIC <- Q3 - Q1

lim_inf <- Q1 - 1.5 * RIC

lim_sup <- Q3 + 1.5 * RIC

atipicos <- Celsius[
  Celsius < lim_inf |
    Celsius > lim_sup
]

n_atipicos <- length(atipicos)

intervalo_atipicos <- paste0(
  "[",
  round(lim_inf,2),
  "; ",
  round(lim_sup,2),
  "]"
)

# Rango

rango_texto <- paste0(
  "[",
  round(min(Celsius),2),
  "; ",
  round(max(Celsius),2),
  "]"
)

6.5. Tabla de indicadores

tabla_indicadores <- data.frame(
  
  Variable = "Celsius",
  
  Rango = rango_texto,
  
  Media = round(media,2),
  
  Mediana = round(mediana,2),
  
  Moda = round(moda,2),
  
  Varianza = round(varianza,2),
  
  Desv_Est = round(desv_est,2),
  
  CV = round(cv,2),
  
  Asimetria = round(asimetria,2),
  
  Curtosis = round(curtosis,2),
  
  Limite_Atipicos = intervalo_atipicos,
  
  N_Atipicos = n_atipicos
)

# Mostrar tabla

kable(
  tabla_indicadores,
  align = "c",
  caption = "Tabla N°5. Indicadores estadísticos de la variable Latitud"
) |>
  kable_styling(
    full_width = FALSE,
    position = "center",
    bootstrap_options = c(
      "striped",
      "hover",
      "condensed",
      "responsive"
    )
  ) |>
  row_spec(
    0,
    bold = TRUE,
    color = "white",
    background = "#2C3E50"
  )

Tabla N°5. Indicadores estadísticos de la variable Latitud
Variable	Rango	Media	Mediana	Moda	Varianza	Desv_Est	CV	Asimetria	Curtosis	Limite_Atipicos	N_Atipicos
Celsius	[-29.8; 79.3]	21.24	23.7	22.5	93.02	9.64	45.41	-0.83	0.76	[-3; 46.6]	1989

7. Conclusiones

El análisis descriptivo de la variable Latitud permitió identificar la distribución geográfica de los registros meteorológicos mediante tablas de frecuencia, histogramas, polígonos de frecuencia, ojivas y diagramas de caja. Los resultados muestran una concentración importante de observaciones en determinados intervalos de latitud, evidenciada por las mayores frecuencias absolutas y relativas. Además, las medidas de tendencia central y dispersión indican una distribución relativamente estable, mientras que el boxplot y el criterio de Tukey confirmaron la ausencia de valores atípicos. En conjunto, las tablas y gráficos proporcionan una representación clara del comportamiento de la variable, facilitando la comprensión de su distribución y variabilidad dentro del conjunto de datos analizado.

Temperatura Celsius

Grupo 2

2026-05-26