📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊

1 MI CURSO DE ESTADÍSTICA Y PROBABILIDAD - 2026

##[POR ROIVER TAPIA GARCIA]

🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯

2 SEMANA 8. Mi página Web en Estadistica

📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊📊

3 Clase N° 32. LABORATORIO-8 REGRESION LINEAL EN R

🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀 ## (i)Datos

library(readxl) X00_DATOS202460ULTIMOS25 <- read_excel(“00. DATOS202460ULTIMOS25.xlsx”) View(X00_DATOS202460ULTIMOS25)

library(readxl)
DATOS2026  <- read_excel("00. DATOS202460ULTIMOS25.xlsx")
DATOS2026

🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀

##<-========== PASO 4. =========->

3.1 (2i)Usando la aplicación para hacer la tabla

table_sexo<-table(DATOS2026$SEXO)
table_sexo

## 
##  Femenino Masculino 
##        42        32

🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀

##<-========== PASO 5.=========->

3.2 (3i)Gráfico de torta para SEXO

pie_1<-pie(table_sexo, col=c("lightblue","pink"),
        main="Estudio de Pastel.\n Distribución por sexos Roiver alejo.", labels = table_sexo)

🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀

##<-========== PASO 6. =========->

3.3 (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-Roiver alejo",sub = "UTB",xlab = "SEXO", ylab = "Conteo")
text(barp, table_sexo-30, labels = table_sexo)

🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀

##<-========== PASO 7. =========->

3.3.1 (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. =========->

3.3.2 (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-Roiver alejo",sub = "UTB",xlab = "SEXO", ylab = "Porcentaje")
text(barp2, table_sexo2-30, labels = table_sexo2)

🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀

##<-========== PASO 9. =========->

3.3.3 (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. =========->

3.3.4 (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. =========->

3.3.5 (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. =========->

3.3.6 (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. =========->

3.3.7 (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. =========->

3.3.8 (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. =========->

3.3.9 (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. =========->

3.3.10 (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. =========->

3.3.11 (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. =========->

3.3.12 (16i)Tabla de Frecuencias Usando el paquete summarytools: observamos ya una tabla mas completa

library(readxl)
tabla_8 <- (DATOS2026$EDAD)
tabla_8

##  [1] 20 18 19 18 19 20 18 19 18 22 18 19 17 17 19 20 20 19 19 21 18 19 19 19 18
## [26] 19 20 17 22 18 19 18 18 17 17 18 21 18 18 18 18 19 18 17 18 19 18 21 18 19
## [51] 18 21 18 19 17 18 19 18 19 18 18 20 18 18 18 19 19 18 22 18 18 20 19 18

🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈

##<-========== PASO 19. =========->

3.3.13 (17i)Tabla de Frecuencias Usando el paquete summarytools: observamos ya una tabla mas completa

library(readxl)
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. =========->

3.3.14 (18i)Una primera vista del diagrama de caja para la variable Edad

boxplot(DATOS2026$EDAD, horizontal = TRUE, col = rainbow(3))

🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈

##<-========== PASO 21. =========->

3.3.15 (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. =========->

3.3.16 (20i)EDAD vs SEXO

x = DATOS2026$EDAD
y = DATOS2026$SEXO
boxplot(x~y, horizontal = TRUE, col = rainbow(3))

🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈

##<-========== PASO 23. =========->

3.3.17 (21i)EDAD vs ESTRATO

library(readxl)
x = DATOS2026$EDAD
z = DATOS2026$ESTRATO
boxplot(x~z, horizontal = TRUE, col = rainbow(3))

🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈

##<-========== PASO 24. =========->

3.3.18 (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. =========->

3.3.19 (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. =========->

3.3.19.1 (24i)Una primera vista del diagrama de caja para la variable ESTATURA

boxplot(DATOS2026$ESTATURA, horizontal = TRUE, col = rainbow(3))

🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈

##<-========== PASO 27. =========->

3.3.19.2 (25i)Identificamos donde queda la mediana

x = DATOS2026$ESTATURA
boxplot(x, notch = TRUE, horizontal = TRUE, col = rainbow(3))

🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈

##<-========== PASO 28. =========->

3.3.19.3 (26i)EDAD vs SEXO

x = DATOS2026$ESTATURA
y = DATOS2026$SEXO
boxplot(x~y, horizontal = TRUE, col = rainbow(3))

🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈

##<-========== PASO 29. =========->

3.3.19.4 (27)EDAD vs ESTRATO

library(ggplot2)
x = DATOS2026$ESTATURA
z = DATOS2026$ESTRATO
boxplot(x~z, horizontal = TRUE, col = rainbow(3))

🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈

##<-========== PASO 30. =========->

3.3.20 (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. =========->

3.3.21 (29i)Histograma y tabla de frecuencias usando Regla de Sturges

3.3.21.0.1 Usando la libreria “agricolae”

library(agricolae)
h2<-graph.freq(DATOS2026$EDAD, col=colors()[75]) #[86]

🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈

##<-========== PASO 32. =========->

3.3.22 (30i)Tabla de fecuencias agrupadas Regla de Sturges

3.3.22.0.1 Usando la libreria “agricolae”

summary(h2)

🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈

##<-========== PASO 33. =========->

3.3.22.1 (31i)Polígono de frecuencia absolutas

3.3.22.1.0.1 frequency : counts (1) and relative (2)

plot(h2,  col=colors()[70], frequency = 1)
polygon.freq(h2, col = "red", frequency = 1, lwd = 2)

🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈

##<-========== PASO 34. =========->

3.3.23 (32i)Polígono de frecuencia relativas

3.3.23.0.0.1 frequency : counts (1) and relative (2)

plot(h2,  col=colors()[70], frequency = 2)
polygon.freq(h2, col = "red", frequency = 2, lwd = 2)

🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈

##<-========== PASO 35. =========->

3.3.24 (33i)Ojivas - usando R

fr_por_clase2<-h2$counts
fr_por_clase2

## [1]  7 32 21  0  7  4  0  3

total_n2<-sum(h2$counts)
total_n2

## [1] 74

fr_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]  4.054054

cumsum(fr_por_clase2)

## [1]  7 39 60 60 67 71 71 74

cumsum(fr_relativos2)

## [1] 0.09459459 0.52702703 0.81081081 0.81081081 0.90540541 0.95945946 0.95945946
## [8] 1.00000000

cumsum(fr_porcentuales2)

## [1]   9.459459  52.702703  81.081081  81.081081  90.540541  95.945946  95.945946
## [8] 100.000000

🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈

##<-========== PASO 36. =========->

3.4 (34i)Ojivas - frecuencias porcentuales

p4 <- cumsum(fr_porcentuales2)
plot(p4, col = "red", pch = 16)
lines(p4, col = "red")

🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈

####<-========== AQUI FINALIZA EL LABORATORIO 7. =========-> 🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈🌈🧪🌟💻✨🧠📈🔬⚗️📚💻🌈🧪🌟💻✨🧠📈

🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀

4 Aqui comienza el laboratorio 8

🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀🚀

5 PASO 37. Tabla bivariada: SEXO vs CURSO (ambas cualitativas)

table_bv1 <- table(DATOS2026$SEXO, DATOS2026$CURSO)
table_bv1

##            
##             ESTADISTICAI PROBABILIDAD
##   Femenino            16           26
##   Masculino           10           22

🌈🧪🌟💻✨🧠📈

5.1 PASO 38. Diagrama de barras: SEXO vs CURSO

barp_bv1 <- barplot(table_bv1,
                    main = "Gráfico de barras CURSO vs SEXO ROIVER GARCIA",
                    xlab = "CURSO", ylab = "Frecuencia",
                    col = c("pink", "blue"),
                    ylim = c(0, max(table_bv1) * 1.15),
                    legend.text = rownames(table_bv1),
                    args.legend = list(x = "topright"),
                    beside = TRUE)  # Barras agrupadas
# Etiquetas encima de cada barra
text(barp_bv1, table_bv1, labels = table_bv1, pos = 3, cex = 0.8)

🌈🧪🌟💻✨🧠📈

5.2 PASO 39. Tabla bivariada: 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

🌈🧪🌟💻✨🧠📈

5.3 PASO 40. Diagrama de barras: ESTRATO vs CURSO

barp_bv2 <- barplot(table_bv2,
                    main = "Gráfico de barras CURSO vs ESTRATO ROIVER GARCIA",
                    xlab = "CURSO", ylab = "Frecuencia",
                    col = rainbow(nrow(table_bv2)),
                    ylim = c(0, max(table_bv2) * 1.15),
                    legend.text = rownames(table_bv2),
                    args.legend = list(x = "topright"),
                    beside = TRUE)  # Barras agrupadas
text(barp_bv2, table_bv2, labels = table_bv2, pos = 3, cex = 0.8)

🌈🧪🌟💻✨🧠📈

5.4 PASO 41. Cualitativa vs cuantitativa: boxplot de EDAD según SEXO

boxplot(EDAD ~ SEXO, data = DATOS2026, horizontal = TRUE,
        xlab = "EDAD", ylab = "SEXO ROIVER GARCIA",
        col = rainbow(nlevels(factor(DATOS2026$SEXO))))

🌈🧪🌟💻✨🧠📈

5.5 PASO 42. Cualitativa vs cuantitativa: boxplot de EDAD según ESTRATO

boxplot(EDAD ~ factor(ESTRATO), data = DATOS2026, horizontal = TRUE,
        xlab = "EDAD", ylab = "ESTRATO ROIVER TAPIA",
        col = rainbow(nlevels(factor(DATOS2026$ESTRATO))))

🌈🧪🌟💻✨🧠📈

5.6 PASO 43. Cualitativa vs cuantitativa: boxplot de ESTATURA según SEXO

boxplot(ESTATURA ~ SEXO, data = DATOS2026, horizontal = TRUE,
        xlab = "ESTATURA", ylab = "SEXO ROIVER TAPIA",
        col = rainbow(nlevels(factor(DATOS2026$SEXO))))

🌈🧪🌟💻✨🧠📈

5.7 PASO 44. Dos cuantitativas: diagrama de dispersión ESTATURA vs PESO

x <- DATOS2026$ESTATURA
y <- DATOS2026$PESO

plot(x, y, xlab = "ESTATURA", ylab = "PESO", pch = 19, col = "tomato")
# Líneas punteadas en los valores medios
abline(v = mean(x, na.rm = TRUE), lwd = 3, lty = 2)
abline(h = mean(y, na.rm = TRUE), lwd = 3, lty = 2)

Medias:

mean(x, na.rm = TRUE)

## [1] 168.3919

mean(y, na.rm = TRUE)

## [1] 63.32432

🌈🧪🌟💻✨🧠📈

5.8 PASO 45. Recta de regresión lineal simple: PESO en función de ESTATURA

regresion1 <- lm(PESO ~ ESTATURA, data = DATOS2026)
regresion1

## 
## Call:
## lm(formula = PESO ~ ESTATURA, data = DATOS2026)
## 
## Coefficients:
## (Intercept)     ESTATURA  
##    -84.1267       0.8756

🌈🧪🌟💻✨🧠📈

5.9 PASO 46. Recta de regresión lineal simple: ESTATURA en función de PESO

regresion2 <- lm(ESTATURA ~ PESO, data = DATOS2026)
regresion2

## 
## Call:
## lm(formula = ESTATURA ~ PESO, data = DATOS2026)
## 
## Coefficients:
## (Intercept)         PESO  
##    137.0763       0.4945

🌈🧪🌟💻✨🧠📈

5.10 PASO 47. Resumen de la regresión con `summary`

summary(regresion2)

## 
## Call:
## lm(formula = ESTATURA ~ PESO, 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 ***
## PESO          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

🌈🧪🌟💻✨🧠📈

5.11 PASO 48. Diagrama de dispersión con la recta de regresión

Los coeficientes y el coeficiente de correlación se calculan automáticamente (no hace falta copiarlos a mano).

r  <- cor(DATOS2026$ESTATURA, DATOS2026$PESO, use = "complete.obs")
a1 <- coef(regresion1)[1]  # Intercepto
b1 <- coef(regresion1)[2]  # Pendiente

plot(DATOS2026$ESTATURA, DATOS2026$PESO,
     xlab = "ESTATURA", ylab = "PESO", pch = 19, col = "tomato",
     main = sprintf("y_ajus = a + bx = %.4f + %.4f x,  r = %.4f", a1, b1, r))
abline(v = mean(DATOS2026$ESTATURA, na.rm = TRUE), lwd = 3, lty = 2)
abline(h = mean(DATOS2026$PESO, na.rm = TRUE), lwd = 3, lty = 2)
abline(regresion1, col = "steelblue", lwd = 2)

🎯🎯🎯🎯🎯🎯🎯🎯🎯🎯

5.12 PASO 49. Problema de aplicación

En la siguiente base de datos se encuentran los pesos y estaturas de 25 estudiantes seleccionados al azar de un grupo de Estadística I de la UTB. Complete el siguiente formulario de preguntas.

5.12.1 (a) Datos

taller_rl <- data.frame(
  peso = 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),
  estatura = 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)
)
nrow(taller_rl)  # número de estudiantes

## [1] 25

🧪🌟💻✨🧠📈

5.13 PASO 50. (b) Diagrama de dispersión

plot(taller_rl$peso, taller_rl$estatura,
     xlab = "PESO", ylab = "ESTATURA", pch = 19, col = "tomato")
abline(v = mean(taller_rl$peso), lwd = 3, lty = 2)
abline(h = mean(taller_rl$estatura), lwd = 3, lty = 2)

Medias:

mean(taller_rl$peso)

## [1] 69.88

mean(taller_rl$estatura)

## [1] 168.84

🧪🌟💻✨🧠📈

5.14 PASO 51. (c) Coeficiente de correlación de Pearson

r3 <- cor(taller_rl$peso, taller_rl$estatura)
r3

## [1] 0.5133798

Como r = 0.5134, se concluye que existe una relación lineal positiva y moderada entre el peso y la estatura.

🧪🌟💻✨🧠📈

5.15 PASO 52. (d) Recta de regresión lineal simple

regresion3 <- lm(estatura ~ peso, data = taller_rl)
regresion3

## 
## Call:
## lm(formula = estatura ~ peso, data = taller_rl)
## 
## Coefficients:
## (Intercept)         peso  
##    143.9296       0.3565

5.16 PASO 53. (e) Resumen con `summary`

summary(regresion3)

## 
## Call:
## lm(formula = estatura ~ peso, 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 ***
## peso          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: 0.008673

Diagrama de dispersión con la recta ajustada:

plot(taller_rl$peso, taller_rl$estatura,
     xlab = "PESO", ylab = "ESTATURA", pch = 19, col = "tomato",
     main = sprintf("estatura = %.4f + %.4f peso",
                    coef(regresion3)[1], coef(regresion3)[2]))
abline(v = mean(taller_rl$peso), lwd = 3, lty = 2)
abline(h = mean(taller_rl$estatura), lwd = 3, lty = 2)
abline(regresion3, col = "steelblue", lwd = 2)

🧪🌟💻✨🧠📈

5.17 PASO 54. Datos EdadPesoGrasas

Los datos del fichero EdadPesoGrasas.txt corresponden a tres variables medidas en 25 individuos: edad, peso y cantidad de grasas en sangre.

grasas <- read.table("http://verso.mat.uam.es/~joser.berrendero/datos/EdadPesoGrasas.txt",
                     header = TRUE)
names(grasas)

## [1] "peso"   "edad"   "grasas"

Si la URL ya no está disponible, descargue el archivo y use read.table("EdadPesoGrasas.txt", header = TRUE).

🧪🌟💻✨🧠📈

5.18 PASO 55. Matriz de diagramas de dispersión

pairs(grasas)

5.19 PASO 56. Matriz de correlación

cor(grasas)

##             peso      edad    grasas
## peso   1.0000000 0.2400133 0.2652935
## edad   0.2400133 1.0000000 0.8373534
## grasas 0.2652935 0.8373534 1.0000000

🧪🌟💻✨🧠📈

5.20 PASO 57. Cálculo de la recta de mínimos cuadrados

regresion <- lm(grasas ~ edad, data = grasas)
summary(regresion)

## 
## Call:
## lm(formula = grasas ~ edad, data = grasas)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -63.478 -26.816  -3.854  28.315  90.881 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)    
## (Intercept) 102.5751    29.6376   3.461  0.00212 ** 
## edad          5.3207     0.7243   7.346 1.79e-07 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 43.46 on 23 degrees of freedom
## Multiple R-squared:  0.7012, Adjusted R-squared:  0.6882 
## F-statistic: 53.96 on 1 and 23 DF,  p-value: 1.794e-07

5.21 PASO 58. Representación gráfica de la recta de mínimos cuadrados

plot(grasas$edad, grasas$grasas, xlab = "Edad", ylab = "Grasas", pch = 19)
abline(regresion, col = "steelblue", lwd = 2)

🧪🌟💻✨🧠📈

5.22 PASO 59. Predicción para individuos de 30 a 50 años

nuevas.edades <- data.frame(edad = seq(30, 50))
predicciones  <- predict(regresion, nuevas.edades)
data.frame(edad = nuevas.edades$edad, grasas_predichas = round(predicciones, 2))

Nota: las edades fuera del rango observado en los datos son extrapolaciones y deben interpretarse con cautela.

AQUÍ FINALIZA EL LABORATORIO 8

🧪

1 MI CURSO DE ESTADÍSTICA Y PROBABILIDAD - 2026

2 SEMANA 8. Mi página Web en Estadistica

3 Clase N° 32. LABORATORIO-8 REGRESION LINEAL EN R

3.1 (2i)Usando la aplicación para hacer la tabla

3.2 (3i)Gráfico de torta para SEXO

3.3 (4i)Construimos el diagrama de barras y el diagrama de Pastel para esta variable cualitativa

3.3.1 (5i)Usando la aplicación para hacer la tabla porcentual redondeando al entero mas cercano

3.3.2 (6i)Construimos el diagrama de barras % y da pastel para esta variable cualitativa

3.3.3 (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

3.3.4 (8i)Usando la aplicación para hacer la tabla con dos varibles SEXO y CURSO

3.3.5 (9i)Usando la aplicación para hacer el gráfico con dos varibles SEXO y CURSO

3.3.6 (10i)Usando la aplicación para hacer la tabla con dos varibles SEXO y CURSO pero usando las frecuencias relativas aproximadas

3.3.7 (11i)Usando la aplicación para hacer el gráfico con dos varibles SEXO y CURSO pero usando las frecuencias relativas aproximadas

3.3.8 (12i)Usando la aplicación para hacer la tabla con dos varibles SEXO y CURSO

3.3.9 (13i)Usando la aplicación para hacer el gráfico con dos varibles SEXO y CURSO

3.3.10 (14i)Usando la aplicación para hacer la tabla con dos varibles SEXO y CURSO

3.3.11 (15i)Usando la aplicación para hacer el gráfico con dos varibles SEXO y CURSO

3.3.12 (16i)Tabla de Frecuencias Usando el paquete summarytools: observamos ya una tabla mas completa

3.3.13 (17i)Tabla de Frecuencias Usando el paquete summarytools: observamos ya una tabla mas completa

3.3.14 (18i)Una primera vista del diagrama de caja para la variable Edad

3.3.15 (19i)Identificamos donde queda la mediana

3.3.16 (20i)EDAD vs SEXO

3.3.17 (21i)EDAD vs ESTRATO

3.3.18 (22i)EDAD vs ESTRATO vs SEXO

3.3.19 (23i)Estudiemos la variable ESTATURA y obtengamos sus seis medidas representativas

3.3.19.1 (24i)Una primera vista del diagrama de caja para la variable ESTATURA

3.3.19.2 (25i)Identificamos donde queda la mediana

3.3.19.3 (26i)EDAD vs SEXO

3.3.19.4 (27)EDAD vs ESTRATO

3.3.20 (28i)ESTATURA vs ESTRATO vs SEXO

3.3.21 (29i)Histograma y tabla de frecuencias usando Regla de Sturges

3.3.21.0.1 Usando la libreria “agricolae”

3.3.22 (30i)Tabla de fecuencias agrupadas Regla de Sturges

3.3.22.0.1 Usando la libreria “agricolae”

3.3.22.1 (31i)Polígono de frecuencia absolutas

3.3.22.1.0.1 frequency : counts (1) and relative (2)

3.3.23 (32i)Polígono de frecuencia relativas

3.3.23.0.0.1 frequency : counts (1) and relative (2)

3.3.24 (33i)Ojivas - usando R

3.4 (34i)Ojivas - frecuencias porcentuales

4 Aqui comienza el laboratorio 8

5 PASO 37. Tabla bivariada: SEXO vs CURSO (ambas cualitativas)

5.1 PASO 38. Diagrama de barras: SEXO vs CURSO

5.2 PASO 39. Tabla bivariada: ESTRATO vs CURSO

5.3 PASO 40. Diagrama de barras: ESTRATO vs CURSO

5.4 PASO 41. Cualitativa vs cuantitativa: boxplot de EDAD según SEXO

5.5 PASO 42. Cualitativa vs cuantitativa: boxplot de EDAD según ESTRATO

5.6 PASO 43. Cualitativa vs cuantitativa: boxplot de ESTATURA según SEXO

5.7 PASO 44. Dos cuantitativas: diagrama de dispersión ESTATURA vs PESO

5.8 PASO 45. Recta de regresión lineal simple: PESO en función de ESTATURA

5.9 PASO 46. Recta de regresión lineal simple: ESTATURA en función de PESO

5.10 PASO 47. Resumen de la regresión con summary

5.11 PASO 48. Diagrama de dispersión con la recta de regresión

5.12 PASO 49. Problema de aplicación

5.12.1 (a) Datos

5.13 PASO 50. (b) Diagrama de dispersión

5.14 PASO 51. (c) Coeficiente de correlación de Pearson

5.15 PASO 52. (d) Recta de regresión lineal simple

5.16 PASO 53. (e) Resumen con summary

5.17 PASO 54. Datos EdadPesoGrasas

5.18 PASO 55. Matriz de diagramas de dispersión

5.19 PASO 56. Matriz de correlación

5.20 PASO 57. Cálculo de la recta de mínimos cuadrados

5.21 PASO 58. Representación gráfica de la recta de mínimos cuadrados

5.22 PASO 59. Predicción para individuos de 30 a 50 años

5.10 PASO 47. Resumen de la regresión con `summary`

5.16 PASO 53. (e) Resumen con `summary`