🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹

1 MI CURSO DE ESTADÍSTICA Y PROBABILIDAD - 2026

2 Semana 7. Mi página Web en Estadistica

3 Clase N° 28. Laboratorio 7 - Analaisis de datos

🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹

3.1 (I) Datos

library(readxl)
DATOS2026<- read_excel("Datos para el laboratorio 7.xlsx")
DATOS2026

🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹

3.2 (II) Use la aplicación para hacer la siguiente tabla

table_sexo<-table(DATOS2026$SEXO)
table_sexo

## 
##  Femenino Masculino 
##        42        32

🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹

3.3 (III) Gráfico de torta para SEXO

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

🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹

3.3.1 (IV) Diagrama de barras y de Pastel para esta variable cualitativa

barp<-barplot(table_sexo, col = rainbow(5), border = "darkred",main = "Gráfico de Barras - Maria Rico.",sub = "UTB",xlab = "SEXO", ylab = "Conteo")
text(barp, table_sexo-30, labels = table_sexo)

🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹

3.3.2 (V) Tabla porcentual redondeando al entero mas cercano

table_sexo2<-round(table(DATOS2026$SEXO)/74*100)
table_sexo2

## 
##  Femenino Masculino 
##        57        43

🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹

3.4 (VI) Diagrama de barras % y da pastel para esta variable cualitativa

barp2<-barplot(table_sexo2, col = rainbow(5), border = "darkred",main = "Gráfico de Barras - Maria Rico",sub = "UTB",xlab = "SEXO", ylab = "Porcentaje")
text(barp2, table_sexo2-30, labels = table_sexo2)

🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹 ## (VII) 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.\n Maria Rico", labels = table_sexo2)

🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹

3.5 (VIII)Tabla con dos variables SEXO y CURSO

table_3<-table(DATOS2026$SEXO, DATOS2026$CURSO)
table_3

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

🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹

3.6 (IX) Gráfico con dos variables SEXO y CURSO

barp3<-barplot(table_3,
        main = "Gráfico de barras CURSO vs SEXO . Maria Rico.",
        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)

🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹

3.7 (X) Tabla con dos variables 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

🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹

3.8 (XI) Gráfico con dos variables SEXO y CURSO pero usando las frecuencias relativas aproximadas

barp4<-barplot(table_4,
        main = "Gráfico de barras CURSO vs SEXO en porcentajes.\n Maria Rico",
        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)

🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹

3.9 (XII) Tabla con dos variables 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

🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹

3.10 (XIII) Gráfico con dos variables SEXO y CURSO

barp3<-barplot(table_5,
        main = "Gráfico de barras CURSO vs ESTRATO. \n Maria Rico",
        xlab = "CURSO", ylab = "Frecuencia",
        col = rainbow(5),
        legend.text = rownames(table_5),
        beside = TRUE) # Barras agrupadas
text(barp3, table_5-1, labels = table_3)

🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹

3.11 (XIV) Tabla con dos variables 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

🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹

3.12 (XV) Gráfico con dos variables SEXO y CURSO

barp3<-barplot(table_6,
        main = "Gráfico de barras CURSO vs ESTRATO. \n Maria Rico.",
        xlab = "CURSO", ylab = "Frecuencia",
        col = rainbow(5),
        legend.text = rownames(table_6),
        beside = TRUE) # Barras agrupadas
text(barp3, table_6-1, labels = table_6)

🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹🔹

3.13 (XVI) Tabla de Frecuencias Usando summarytools: observamos ya una tabla mas completa

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

🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨

3.14 (XVII) Tabla de Frecuencias: 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

🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨

3.14.1 (XVIII) Primera vista del diagrama de caja para la variable Edad

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

🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨

3.14.2 (XIX) 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

🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨

3.14.3 (XX) EDAD vs SEXO

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

🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨

3.14.4 (XXI) EDAD vs ESTRATO

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

🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨

3.14.5 (XXII) 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 - Maria Rico")

🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨

3.14.6 (XXIII) Estudiamos la variable ESTATURA y obtuvimoss 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

🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨

3.14.7 (XXIV) Una primera vista del diagrama de caja para la variable ESTATURA

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

🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨

3.14.8 (XXV) Identificamos donde queda la mediana

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

🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨

3.14.9 (XXVI) EDAD vs SEXO

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

🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨

3.14.9.1 (XXVII) EDAD vs ESTRATO

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

🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨

3.14.10 (XXVIII) 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")

🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨

3.14.11 (XXIX) Histograma y tabla de frecuencias usando Regla de Sturges

3.14.11.0.1 Usando la libreria “agricolae”

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

🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨

3.14.12 (XXX) Tabla de fecuencias agrupadas Regla de Sturges

3.14.12.0.1 Usando la libreria “agricolae”

summary(h2)

🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨

3.14.12.1 (XXXI) Polígono de frecuencia absolutas

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

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

🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨

3.14.13 (XXXII) Polígono de frecuencia relativas

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

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

🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨

3.14.14 (XXXIII) 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

🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨🌈✨

3.15 (XXXIV) Ojivas - frecuencias porcentuales

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

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

3.15.0.1 <-========== AQUI FINALIZA EL LABORATORIO 7. =========->

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