Laboratorio 8
2026-09-28
output: html_document: toc: true toc_float: true toc_depth: 3 number_sections: true theme: cosmo highlight: tango code_folding: show df_print: paged css: styles.css pdf_document: toc: true number_sections: true highlight: tango word_document: toc: true number_sections: true
📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊
MI CURSO DE ESTADÍSTICA Y PROBABILIDAD - 2026
🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯
SEMANA 8. Mi página Web en Estadistica
📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊
Clase N° 32. LABORATORIO 7 - REGRESION LINEAL
🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀
(i)Datos
library(readxl)
DATOS2026 <- read_excel("00. DATOS202460ULTIMOS25.xlsx")
DATOS2026## # A tibble: 74 × 16
## CURSO ASISTENCIA2 ASISTENCIA1 `PARCIAL 1` `PARCIAL 2` NRC PROGRAMA EDAD
## <chr> <dbl> <dbl> <chr> <chr> <dbl> <chr> <dbl>
## 1 PROBABI… 100 90 3.6 4.3 2314 F_NEGOC… 20
## 2 ESTADIS… 70 75 0.9 2.5 1136 DERECHO 18
## 3 PROBABI… 85 95 3.9 3.8 2314 F_NEGOC… 19
## 4 PROBABI… 5 5 2.9 0.5 2314 MECANICA 18
## 5 ESTADIS… 20 70 3.7 0.55 1009 PSICOLO… 19
## 6 ESTADIS… 100 100 0.9 2.95 2313 PSICOLO… 20
## 7 PROBABI… 50 75 3.7 1.7 1010 C_DATOS 18
## 8 PROBABI… 100 95 3 3.3 2314 F_NEGOC… 19
## 9 ESTADIS… 100 100 3.8 3.3 1009 PSICOLO… 18
## 10 PROBABI… 95 85 3 2.9 2314 SISTEMAS 22
## # ℹ 64 more rows
## # ℹ 8 more variables: PESO <dbl>, ESTATURA <dbl>, SEXO <chr>,
## # ESTADO_CIVIL <chr>, ESTRATO <chr>, URBANO <chr>, TRANSPORTE <chr>,
## # GR_SANGUINEO <chr>🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀
##<-========== PASO 4. =========->
(2i)Usando la aplicación para hacer la tabla
table_sexo<-table(DATOS2026$SEXO)
table_sexo##
## Femenino Masculino
## 42 32##<-========== PASO 5.=========->
(3i)Gráfico de torta para SEXO
pie_1<-pie(table_sexo, col=c("lightblue","pink"),
main="Estudio de Pastel.\n Distribución por sexos Natasha Serna.", labels = table_sexo)
🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀
##<-========== PASO 6. =========->
(4i)Construimos el diagrama de barras y el diagrama de Pastel para esta variable cualitativa
barp<-barplot(table_sexo, col = rainbow(5), border = "darkred",main = "Gráfico de Barras Natasha Serna",sub = "UTB",xlab = "SEXO", ylab = "Conteo")
text(barp, table_sexo-30, labels = table_sexo)
🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀
##<-========== PASO 7. =========->
(5i)Usando la aplicación para hacer la tabla porcentual redondeando al entero mas cercano
table_sexo2<-round(table(DATOS2026$SEXO)/74*100)
table_sexo2##
## Femenino Masculino
## 57 43🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀
##<-========== PASO 8. =========->
(6i)Construimos el diagrama de barras % y da pastel para esta variable cualitativa
barp2<-barplot(table_sexo2, col = rainbow(5), border = "darkred",main = "Gráfico de Barras Natasha Serna ",sub = "UTB",xlab = "SEXO", ylab = "Porcentaje")
text(barp2, table_sexo2-30, labels = table_sexo2)
🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀
##<-========== PASO 9. =========->
(7i)Las tablas de frecuencias y las representaciones gráficas son dos maneras equivalentes de presentar la información. Las dos exponen ordenadamente la información recogida en una muestra
pie_1<-pie(table_sexo2, col=c("lightblue","pink"),
main="Estudio de Pastel.\n Distribución por sexos.", labels = table_sexo2)
🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀
##<-========== PASO 10. =========->
(8i)Usando la aplicación para hacer la tabla con dos varibles SEXO y CURSO
table_3<-table(DATOS2026$SEXO, DATOS2026$CURSO)
table_3##
## ESTADISTICAI PROBABILIDAD
## Femenino 16 26
## Masculino 10 22🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀
##<-========== PASO 11. =========->
(9i)Usando la aplicación para hacer el gráfico con dos varibles SEXO y CURSO
barp3<-barplot(table_3,
main = "Gráfico de barras CURSO vs SEXO",
xlab = "CURSO", ylab = "Frecuencia",
col = c("pink", "blue"),
legend.text = rownames(table_3),
beside = TRUE) # Barras agrupadas
text(barp3, table_3-5, labels = table_3)
🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀
##<-========== PASO 12. =========->
(10i)Usando la aplicación para hacer la tabla con dos varibles SEXO y CURSO pero usando las frecuencias relativas aproximadas
table_4<-round(table(DATOS2026$SEXO, DATOS2026$CURSO)/74*100)
table_4##
## ESTADISTICAI PROBABILIDAD
## Femenino 22 35
## Masculino 14 30🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀
##<-========== PASO 13. =========->
(11i)Usando la aplicación para hacer el gráfico con dos varibles SEXO y CURSO pero usando las frecuencias relativas aproximadas
barp4<-barplot(table_4,
main = "Gráfico de barras CURSO vs SEXO en porcentajes",
xlab = "CURSO", ylab = "Frecuencia",
col = c("pink", "blue"),
legend.text = rownames(table_4),
beside = TRUE) # Barras agrupadas
text(barp4, table_4-5, labels = table_4)
🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀
##<-========== PASO 14. =========->
(12i)Usando la aplicación para hacer la tabla con dos varibles SEXO y CURSO
table_5<-table(DATOS2026$ESTRATO, DATOS2026$CURSO)
table_5##
## ESTADISTICAI PROBABILIDAD
## I 5 10
## II 7 18
## III 9 9
## IV 5 5
## V 0 5🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀
##<-========== PASO 15. =========->
(13i)Usando la aplicación para hacer el gráfico con dos varibles SEXO y CURSO
barp3<-barplot(table_5,
main = "Gráfico de barras CURSO vs ESTRATO",
xlab = "CURSO", ylab = "Frecuencia",
col = rainbow(5),
legend.text = rownames(table_5),
beside = TRUE) # Barras agrupadas
text(barp3, table_5-1, labels = table_3)
🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀
##<-========== PASO 16. =========->
(14i)Usando la aplicación para hacer la tabla con dos varibles SEXO y CURSO
table_6<-table(DATOS2026$ESTRATO, DATOS2026$SEXO)
table_6##
## Femenino Masculino
## I 8 7
## II 17 8
## III 10 8
## IV 4 6
## V 3 2🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀
##<-========== PASO 17. =========->
(15i)Usando la aplicación para hacer el gráfico con dos varibles SEXO y CURSO
barp3<-barplot(table_6,
main = "Gráfico de barras CURSO vs ESTRATO",
xlab = "CURSO", ylab = "Frecuencia",
col = rainbow(5),
legend.text = rownames(table_6),
beside = TRUE) # Barras agrupadas
text(barp3, table_6-1, labels = table_6)
🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀
##<-========== PASO 18. =========->
(16i)Tabla de Frecuencias Usando el paquete summarytools: observamos ya una tabla mas completa
install.packages("summarytools")## Installing package into '/cloud/lib/x86_64-pc-linux-gnu-library/4.6'
## (as 'lib' is unspecified)library(summarytools)## Warning in fun(libname, pkgname): couldn't connect to display ":0"## system might not have X11 capabilities; in case of errors when using dfSummary(), set st_options(use.x11 = FALSE)tabla_8 <- freq(DATOS2026$EDAD)
tabla_8## Frequencies
## DATOS2026$EDAD
## Type: Numeric
##
## Freq % Valid % Valid Cum. % Total % Total Cum.
## ----------- ------ --------- -------------- --------- --------------
## 17 7 9.46 9.46 9.46 9.46
## 18 32 43.24 52.70 43.24 52.70
## 19 21 28.38 81.08 28.38 81.08
## 20 7 9.46 90.54 9.46 90.54
## 21 4 5.41 95.95 5.41 95.95
## 22 3 4.05 100.00 4.05 100.00
## <NA> 0 0.00 100.00
## Total 74 100.00 100.00 100.00 100.00##<-========== PASO 19. =========->
(17i)Tabla de Frecuencias Usando el paquete summarytools: observamos ya una tabla mas completa
library(summarytools)
summary(DATOS2026$EDAD)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 17.0 18.0 18.0 18.7 19.0 22.0🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈
##<-========== PASO 20. =========->
(18i)Una primera vista del diagrama de caja para la variable Edad
boxplot(DATOS2026$EDAD, horizontal = TRUE, col = rainbow(3))
🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈
##<-========== PASO 21. =========->
(19i)Identificamos donde queda la mediana
x = DATOS2026$EDAD
boxplot(x, notch = TRUE, horizontal = TRUE, col = rainbow(3))## Warning in (function (z, notch = FALSE, width = NULL, varwidth = FALSE, : some
## notches went outside hinges ('box'): maybe set notch=FALSE
🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈
##<-========== PASO 22. =========->
(20i)EDAD vs SEXO
x = DATOS2026$EDAD
y = DATOS2026$SEXO
boxplot(x~y, horizontal = TRUE, col = rainbow(3))
🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈
##<-========== PASO 23. =========->
(21i)EDAD vs ESTRATO
install.packages("ggplot2")## Installing package into '/cloud/lib/x86_64-pc-linux-gnu-library/4.6'
## (as 'lib' is unspecified)library(ggplot2)
x = DATOS2026$EDAD
z = DATOS2026$ESTRATO
boxplot(x~z, horizontal = TRUE, col = rainbow(3))
🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈
(22i)EDAD vs ESTRATO vs SEXO
library(ggplot2)
ggplot(data= DATOS2026,mapping= aes(y=EDAD,x = ESTRATO, fill=SEXO))+geom_boxplot()+
scale_y_continuous(name = "EDAD") +
scale_x_discrete(labels = abbreviate, name = "ESTRATO")
🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈
##<-========== PASO 25. =========->
(23i)Estudiemos la variable ESTATURA y obtengamos sus seis medidas representativas
summary(DATOS2026$ESTATURA)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 153.0 163.0 168.0 168.4 174.0 192.0🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈
##<-========== PASO 26. =========->
(24i)Una primera vista del diagrama de caja para la variable ESTATURA
boxplot(DATOS2026$ESTATURA, horizontal = TRUE, col = rainbow(3))
🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈
##<-========== PASO 27. =========->
(25i)Identificamos donde queda la mediana
x = DATOS2026$ESTATURA
boxplot(x, notch = TRUE, horizontal = TRUE, col = rainbow(3))
🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈
##<-========== PASO 28. =========->
(26i)EDAD vs SEXO
x = DATOS2026$ESTATURA
y = DATOS2026$SEXO
boxplot(x~y, horizontal = TRUE, col = rainbow(3))
🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈
##<-========== PASO 29. =========->
(27)EDAD vs ESTRATO
library(ggplot2)
x = DATOS2026$ESTATURA
z = DATOS2026$ESTRATO
boxplot(x~z, horizontal = TRUE, col = rainbow(3))
🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈
##<-========== PASO 30. =========->
(28i)ESTATURA vs ESTRATO vs SEXO
library(ggplot2)
ggplot(data= DATOS2026,mapping= aes(y=ESTATURA,x = ESTRATO, fill=SEXO))+geom_boxplot()+
scale_y_continuous(name = "ESTATURA") +
scale_x_discrete(labels = abbreviate, name = "ESTRATO")
🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈 ##<-========== PASO 31. =========->
(29i)Histograma y tabla de frecuencias usando Regla de Sturges
Usando la libreria “agricolae”
install.packages('agricolae')## Installing package into '/cloud/lib/x86_64-pc-linux-gnu-library/4.6'
## (as 'lib' is unspecified)library(agricolae)
h2<-graph.freq(DATOS2026$EDAD, col=colors()[75]) #[86]
🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈
##<-========== PASO 32. =========->
(30i)Tabla de fecuencias agrupadas Regla de Sturges
Usando la libreria “agricolae”
summary(h2)## Lower Upper Main Frequency Percentage CF CPF
## 1 17.0 17.7 17.35 7 9.5 7 9.5
## 2 17.7 18.4 18.05 32 43.2 39 52.7
## 3 18.4 19.1 18.75 21 28.4 60 81.1
## 4 19.1 19.8 19.45 0 0.0 60 81.1
## 5 19.8 20.5 20.15 7 9.5 67 90.5
## 6 20.5 21.2 20.85 4 5.4 71 95.9
## 7 21.2 21.9 21.55 0 0.0 71 95.9
## 8 21.9 22.6 22.25 3 4.1 74 100.0🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈
##<-========== PASO 33. =========->
(31i)Polígono de frecuencia absolutas
frequency : counts (1) and relative (2)
plot(h2, col=colors()[70], frequency = 1)
polygon.freq(h2, col = "red", frequency = 1, lwd = 2)
🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈
##<-========== PASO 34. =========->
(32i)Polígono de frecuencia relativas
frequency : counts (1) and relative (2)
plot(h2, col=colors()[70], frequency = 2)
polygon.freq(h2, col = "red", frequency = 2, lwd = 2)
🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈
##<-========== PASO 35. =========->
(33i)Ojivas - usando R
fr_por_clase2<-h2$counts
fr_por_clase2## [1] 7 32 21 0 7 4 0 3total_n2<-sum(h2$counts)
total_n2## [1] 74fr_relativos2<-fr_por_clase2/total_n2
fr_porcentuales2<-100*fr_relativos2
fr_porcentuales2## [1] 9.459459 43.243243 28.378378 0.000000 9.459459 5.405405 0.000000
## [8] 4.054054cumsum(fr_por_clase2)## [1] 7 39 60 60 67 71 71 74cumsum(fr_relativos2)## [1] 0.09459459 0.52702703 0.81081081 0.81081081 0.90540541 0.95945946 0.95945946
## [8] 1.00000000cumsum(fr_porcentuales2)## [1] 9.459459 52.702703 81.081081 81.081081 90.540541 95.945946 95.945946
## [8] 100.000000🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈
##<-========== PASO 36. =========->
(34i)Ojivas - frecuencias porcentuales
p4<-cumsum(fr_porcentuales2)
plot(p4, col = "red")
lines(p4, col = "red")
🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈
#** Aqui comienza el laboratorio 8**
🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈
##<-========== PASO 37. =========->
(35i)Algunas tablas bivariadas - Contamos Sexo vs Curso -ambas cualitativas
table_bv1<-table(DATOS2026$SEXO, DATOS2026$CURSO)
table_bv1##
## ESTADISTICAI PROBABILIDAD
## Femenino 16 26
## Masculino 10 22🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈
##<-========== PASO 38. =========->
(36i)Algunas tablas bivariadas - Diagrama de barras Contamos Sexo vs Curso
barp_bv1<-barplot(table_bv1,
main = "Gráfico de barras CURSO vs SEXO",
xlab = "CURSO", ylab = "Frecuencia",
col = c("pink", "blue"),
legend.text = rownames(table_bv1),
beside = TRUE) # Barras agrupadas
text(barp_bv1, table_bv1-5, labels = table_bv1)
🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈
##<-========== PASO 39. =========->
(37i)Algunas tablas bivariadas - Diagrama de barras Contamos Estrato vs Curso
table_bv2<-table(DATOS2026$ESTRATO, DATOS2026$CURSO)
table_bv2##
## ESTADISTICAI PROBABILIDAD
## I 5 10
## II 7 18
## III 9 9
## IV 5 5
## V 0 5🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈
##<-========== PASO 40. =========->
barp_bv2<-barplot(table_bv2,
main = "Gráfico de barras CURSO vs ESTRATO",
xlab = "CURSO", ylab = "Frecuencia",
col = rainbow(5),
legend.text = rownames(table_bv2),
beside = TRUE) # Barras agrupadas
text(barp_bv2, table_bv2-1, labels = table_bv2)
🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈 ##<-========== PASO 41. =========-> ### (38i)Una variable cualitativa y la otra cuantitativa: es necesario un boxplot
x = DATOS2026$EDAD
y = DATOS2026$SEXO
boxplot(x~y, horizontal = TRUE, col = rainbow(3))
🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈
##<-========== PASO 42. =========->
(39i)Una variable cualitativa y la otra cuantitativa: es necesario un boxplot
library(ggplot2)
x = DATOS2026$EDAD
z = DATOS2026$ESTRATO
boxplot(x~z, horizontal = TRUE, xlab = "EDAD", ylab = "ESTRATOS", col = rainbow(3))
🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈
##<-========== PASO 43. =========->
(40i)Una variable cualitativa y la otra cuantitativa: es necesario un boxplot
library(ggplot2)
x = DATOS2026$ESTATURA
z = DATOS2026$SEXO
boxplot(x~z, horizontal = TRUE, xlab = "ESTATURA", ylab = "SEXO", col = rainbow(3))
🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈
##<-========== PASO 44. =========->
(41i)Dos variables cuantitativas: es necesario un diagrama de dispersión
library(ggplot2)
x = DATOS2026$ESTATURA
y = DATOS2026$PESO
plot(x,y, xlab = "ESTATURA", ylab = "PESO", col = rainbow(3))
#dibujar una línea punteada vertical en el valor medio
mean(x)## [1] 168.3919mean(y)## [1] 63.32432abline (v = mean (x), lwd = 3, lty = 2)
#dibujar una línea punteada horizontal en el valor medio
abline (h = mean (y), lwd = 3, lty = 2)
🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈
##<-========== PASO 45. =========->
mean(x)## [1] 168.3919mean(y)## [1] 63.32432🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈
##<-========== PASO 46. =========->
(42i)Recta de regresión lineal Simple
regresion1 = lm(y~x, data=DATOS2026)
regresion1##
## Call:
## lm(formula = y ~ x, data = DATOS2026)
##
## Coefficients:
## (Intercept) x
## -84.1267 0.8756🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈
##<-========== PASO 47. =========->
(43i)Recta de regresión lineal Simple2
regresion2 = lm(x~y, data=DATOS2026)
regresion2##
## Call:
## lm(formula = x ~ y, data = DATOS2026)
##
## Coefficients:
## (Intercept) y
## 137.0763 0.4945🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈
##<-========== PASO 48. =========->
(45i)Recta de regresión lineal Simple
Haciendo uso de RStudio con la función summary.
summary(regresion2)##
## Call:
## lm(formula = x ~ y, data = DATOS2026)
##
## Residuals:
## Min 1Q Median 3Q Max
## -13.7479 -4.6462 -0.2041 4.1066 16.1973
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 137.07631 4.28941 31.957 < 2e-16 ***
## y 0.49453 0.06669 7.416 1.88e-10 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 6.47 on 72 degrees of freedom
## Multiple R-squared: 0.433, Adjusted R-squared: 0.4252
## F-statistic: 54.99 on 1 and 72 DF, p-value: 1.881e-10🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈
##<-========== PASO 49. =========->
46i Diagrama de Dispersión y lineal de regresión
library(ggplot2)
x = DATOS2026$ESTATURA
y = DATOS2026$PESO
plot(x,y, xlab = "ESTATURA", ylab = "PESO", col = rainbow(3), main = "y_ajus= a + bx = -13.2018+0.4552x, r= 0.4352732")
#dibujar una línea punteada vertical en el valor medio
abline (v = mean (x), lwd = 3, lty = 2)
#dibujar una línea punteada horizontal en el valor medio
abline (h = mean (y), lwd = 3, lty = 2)
#ajustar un modelo de regresión lineal a los datos
regresion1 <- lm (y ~ x, data = DATOS2026)
#definir los valores de intersección y pendiente
a <- -13.20178 #Intercepto
b <- 0.4552 # pendiente
#agregue la línea de regresión ajustada al diagrama de dispersión
abline (a = a, b = b, col = "steelblue")
🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯
##<-========== PASO 50. =========->
Problema de aplicación:En la siguiente base de datos se encuentran consignados los pesos y estaturas de 50 estudiantes seleccionados al azar de un grupo de Estudiantes de Estadística I de la UTB.Complete el siguiente formulario de preguntas:
(a)Datos
taller_rl <- data.frame (x = c (88, 77, 68, 80, 68, 55, 89, 61, 72, 72, 79, 75, 68, 65, 70, 52, 78, 55, 96, 75, 44, 57, 60, 50, 93), y = c (175, 183, 158, 165, 175, 160, 160, 156, 174, 171, 160, 184, 163, 176, 167, 172, 168, 167, 181, 175, 153, 154, 169, 168, 187))🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈
##<-========== PASO 51. =========->
(b)Diagrama de dispersión
plot(taller_rl$x,taller_rl$y, xlab = "PESO", ylab = "ESTATURA", col = rainbow(3))
#dibujar una línea punteada vertical en el valor medio
mean(taller_rl$x)## [1] 69.88mean(taller_rl$y)## [1] 168.84abline (v = mean (taller_rl$x), lwd = 3, lty = 2)
#dibujar una línea punteada horizontal en el valor medio
abline (h = mean (taller_rl$y), lwd = 3, lty = 2)
🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈
##<-========== PASO 52. =========->
(51i)Coeficiente de Correlación de Pearson
cor(taller_rl$x,taller_rl$y)## [1] 0.5133798Se concluye que existe una cierta relación lineal entre La estatura y el Peso:
🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈
##<-========== PASO 53. =========->
(d)Recta de regresión lineal Simple
regresion3 = lm(taller_rl$y~taller_rl$x, data=taller_rl)
regresion3##
## Call:
## lm(formula = taller_rl$y ~ taller_rl$x, data = taller_rl)
##
## Coefficients:
## (Intercept) taller_rl$x
## 143.9296 0.3565(e)Recta de regresión lineal Simple
Haciendo uso de RStudio con la función summary.
summary(regresion3)##
## Call:
## lm(formula = taller_rl$y ~ taller_rl$x, data = taller_rl)
##
## Residuals:
## Min 1Q Median 3Q Max
## -15.656 -6.614 1.404 6.247 13.335
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 143.9296 8.8404 16.281 4.06e-14 ***
## taller_rl$x 0.3565 0.1242 2.869 0.00867 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 8.315 on 23 degrees of freedom
## Multiple R-squared: 0.2636, Adjusted R-squared: 0.2315
## F-statistic: 8.231 on 1 and 23 DF, p-value: 0.008673plot(taller_rl$x,taller_rl$y, xlab = "PESO", ylab = "ESTATURA", col = rainbow(3))
#dibujar una línea punteada vertical en el valor medio
mean(taller_rl$x)## [1] 69.88mean(taller_rl$y)## [1] 168.84abline (v = mean (taller_rl$x), lwd = 3, lty = 2)
#dibujar una línea punteada horizontal en el valor medio
abline (h = mean (taller_rl$y), lwd = 3, lty = 2)
#ajustar un modelo de regresión lineal a los datos
regresion3 = lm(taller_rl$y~taller_rl$x, data=taller_rl)
#definir los valores de intersección y pendiente
a <- 143.9296 #Intercepto
b <- 0.3565 # pendiente
#agregue la línea de regresión ajustada al diagrama de dispersión
abline (a = a, b = b, col = "steelblue")
🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈
##<-========== PASO 54. =========->
(56i)representación gráfica de la recta de mínimos cuadrados
names(DATOS2026)## [1] "CURSO" "ASISTENCIA2" "ASISTENCIA1" "PARCIAL 1" "PARCIAL 2"
## [6] "NRC" "PROGRAMA" "EDAD" "PESO" "ESTATURA"
## [11] "SEXO" "ESTADO_CIVIL" "ESTRATO" "URBANO" "TRANSPORTE"
## [16] "GR_SANGUINEO"datos_grafico <- na.omit(DATOS2026[, c("EDAD", "PESO")])
plot(datos_grafico$EDAD, datos_grafico$PESO, xlab = "Edad", ylab = "Peso")
abline(regresion1)
🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈
##<-========== PASO 55. =========->
(57i)Supongamos que queremos utilizar la recta de mínimos cuadrados para predecir la cantidad de grasas para individuos de edades 31,31,32,…,50
nuevas.edades <- data.frame(edad = seq(30, 50))
predict(regresion1, nuevas.edades)## Warning: 'newdata' had 21 rows but variables found have 74 rows## 1 2 3 4 5 6 7 8
## 55.97603 77.86709 54.22474 74.36452 58.60296 63.85681 53.34910 51.59782
## 9 10 11 12 13 14 15 16
## 56.85167 56.85167 68.23502 59.47860 49.84653 64.73245 68.23502 64.73245
## 17 18 19 20 21 22 23 24
## 55.97603 66.48374 54.22474 73.48887 69.11066 67.35938 61.22988 72.61323
## 25 26 27 28 29 30 31 32
## 71.73759 69.11066 69.11066 63.85681 73.48887 64.73245 61.22988 55.97603
## 33 34 35 36 37 38 39 40
## 69.11066 60.35424 83.99658 59.47860 62.10553 50.72218 62.10553 67.35938
## 41 42 43 44 45 46 47 48
## 51.59782 61.22988 55.97603 58.60296 68.23502 62.98117 54.22474 51.59782
## 49 50 51 52 53 54 55 56
## 62.98117 59.47860 71.73759 59.47860 59.47860 69.11066 73.48887 79.61837
## 57 58 59 60 61 62 63 64
## 66.48374 70.86195 63.85681 55.10039 60.35424 78.74273 64.73245 58.60296
## 65 66 67 68 69 70 71 72
## 66.48374 62.10553 50.72218 64.73245 58.60296 69.98631 65.60809 59.47860
## 73 74
## 65.60809 60.35424🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈
####<-==========AQUI FINALIZA EL LABORATORIO 8 =========->
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. :120.00Including 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.