Caso 2
Jairo Ruiz
23/9/2020
1.- Cargar libreria fdth
library(fdth)## Warning: package 'fdth' was built under R version 3.6.3##
## Attaching package: 'fdth'## The following objects are masked from 'package:stats':
##
## sd, var2.- Crear conjunto de datos llamado personas
- Sembrar una semila set.seed()
set.seed(7777)- Crear 100 nombres a partir de 20 nombres
- Crear aleatorio el género entre Femenino y Masculino
- Crear la edad aletorio entre 15 y 60
- Crear el deporte favorito de cada persona aleatorio entre 10
losnombres <- c('AHRI', 'AKALI', 'BRAUM', 'BRAND', 'CAMILLE', 'CAITLYN', 'DARIUS', 'DIANA', 'EVELYN', 'EZREAL', 'GALIO', 'GAREN', 'FIORA', 'IRELIA', 'IVERN', 'HEIMERDINGER', 'JANNA', 'KAYLE', 'LEONA', 'LILIA', 'MALZAHAR', 'MORGANA', 'NASUS', 'NIDALEE', 'OLAF', 'ORIANA', 'PANTHEON', 'QIYANA', 'RAKAN', 'RIVEN', 'SENNA', 'SONA', 'TALIYAH', 'TALON', 'UDYR', 'URGOT', 'VARUS', 'VAYNE', 'XAYAH', 'YASUO', 'YONE', 'ZAC', 'ZOE')
nombres <- sample(losnombres, 100, replace = TRUE)
# nombres
generos <- sample(c('Femenino', 'Masculino'), 100, replace = TRUE)
edades <- sample(15:30, 100, replace = TRUE)
misdeportes <- c("ESGRIMA", 'E-SPORTS', 'AJEDREZ', 'BASQUETBOL', 'ATLETISMO',
'NATACION', 'KARATE', 'BEISBOL', 'PING PONG', 'RUGBY')
deportes <- sample(misdeportes, 100, replace = TRUE)
personal <- data.frame(nombres, generos, edades, deportes)
personal## nombres generos edades deportes
## 1 BRAUM Femenino 20 RUGBY
## 2 UDYR Masculino 24 BASQUETBOL
## 3 VARUS Masculino 23 BASQUETBOL
## 4 SENNA Femenino 15 BASQUETBOL
## 5 IRELIA Femenino 23 KARATE
## 6 PANTHEON Femenino 22 BASQUETBOL
## 7 AHRI Femenino 18 ATLETISMO
## 8 JANNA Femenino 29 BEISBOL
## 9 XAYAH Masculino 25 PING PONG
## 10 AHRI Femenino 27 AJEDREZ
## 11 GALIO Masculino 26 BEISBOL
## 12 GALIO Femenino 28 E-SPORTS
## 13 TALON Masculino 30 PING PONG
## 14 MORGANA Femenino 24 BEISBOL
## 15 MALZAHAR Femenino 30 KARATE
## 16 NASUS Masculino 21 BEISBOL
## 17 RAKAN Masculino 18 BASQUETBOL
## 18 SONA Masculino 26 BEISBOL
## 19 IRELIA Femenino 22 BASQUETBOL
## 20 FIORA Femenino 16 ESGRIMA
## 21 XAYAH Femenino 25 ATLETISMO
## 22 IVERN Femenino 27 KARATE
## 23 UDYR Masculino 15 E-SPORTS
## 24 ZAC Masculino 19 KARATE
## 25 AKALI Femenino 21 KARATE
## 26 CAMILLE Femenino 23 ESGRIMA
## 27 LEONA Masculino 18 ATLETISMO
## 28 EZREAL Femenino 28 ESGRIMA
## 29 TALON Masculino 23 RUGBY
## 30 DARIUS Masculino 24 KARATE
## 31 TALON Masculino 27 ESGRIMA
## 32 FIORA Femenino 22 BASQUETBOL
## 33 UDYR Femenino 27 PING PONG
## 34 KAYLE Femenino 29 NATACION
## 35 LEONA Femenino 24 ESGRIMA
## 36 YASUO Masculino 18 ATLETISMO
## 37 FIORA Femenino 28 KARATE
## 38 IRELIA Masculino 30 KARATE
## 39 RAKAN Femenino 15 RUGBY
## 40 TALIYAH Masculino 24 BEISBOL
## 41 CAITLYN Masculino 26 RUGBY
## 42 YONE Femenino 18 PING PONG
## 43 LEONA Masculino 22 NATACION
## 44 GALIO Masculino 27 BASQUETBOL
## 45 EVELYN Femenino 16 BEISBOL
## 46 GALIO Masculino 27 BEISBOL
## 47 CAITLYN Femenino 28 PING PONG
## 48 IRELIA Masculino 24 ESGRIMA
## 49 SENNA Femenino 27 ESGRIMA
## 50 QIYANA Masculino 16 AJEDREZ
## 51 IVERN Femenino 18 PING PONG
## 52 DIANA Femenino 21 BASQUETBOL
## 53 EVELYN Femenino 21 BASQUETBOL
## 54 TALIYAH Masculino 22 NATACION
## 55 YASUO Masculino 28 E-SPORTS
## 56 GAREN Femenino 15 ESGRIMA
## 57 BRAND Femenino 17 PING PONG
## 58 QIYANA Femenino 21 AJEDREZ
## 59 GALIO Femenino 21 BASQUETBOL
## 60 ZAC Masculino 23 KARATE
## 61 BRAND Femenino 16 RUGBY
## 62 DARIUS Femenino 26 NATACION
## 63 RIVEN Femenino 18 BEISBOL
## 64 MALZAHAR Femenino 27 BASQUETBOL
## 65 RIVEN Masculino 26 BASQUETBOL
## 66 NIDALEE Femenino 23 NATACION
## 67 MALZAHAR Masculino 25 E-SPORTS
## 68 XAYAH Femenino 27 BEISBOL
## 69 YASUO Femenino 25 RUGBY
## 70 NASUS Masculino 26 RUGBY
## 71 BRAUM Masculino 21 RUGBY
## 72 CAITLYN Femenino 22 AJEDREZ
## 73 IRELIA Femenino 20 AJEDREZ
## 74 EZREAL Femenino 17 PING PONG
## 75 VAYNE Femenino 16 KARATE
## 76 DIANA Femenino 22 AJEDREZ
## 77 ORIANA Masculino 18 ESGRIMA
## 78 YONE Masculino 23 ATLETISMO
## 79 BRAUM Masculino 23 AJEDREZ
## 80 SONA Masculino 19 RUGBY
## 81 GALIO Femenino 18 E-SPORTS
## 82 IRELIA Masculino 28 E-SPORTS
## 83 IRELIA Femenino 22 NATACION
## 84 HEIMERDINGER Masculino 17 ESGRIMA
## 85 IVERN Masculino 24 ATLETISMO
## 86 FIORA Femenino 26 E-SPORTS
## 87 BRAND Masculino 19 ATLETISMO
## 88 DIANA Femenino 24 RUGBY
## 89 VARUS Femenino 22 NATACION
## 90 YONE Femenino 29 ATLETISMO
## 91 PANTHEON Masculino 26 BEISBOL
## 92 YASUO Femenino 25 BEISBOL
## 93 EVELYN Masculino 28 PING PONG
## 94 FIORA Masculino 25 KARATE
## 95 JANNA Femenino 15 PING PONG
## 96 AHRI Masculino 25 RUGBY
## 97 EZREAL Masculino 24 PING PONG
## 98 EZREAL Femenino 22 ATLETISMO
## 99 NASUS Femenino 21 ESGRIMA
## 100 URGOT Masculino 29 RUGBY3. Crear tabla de frecuencias con table() de la variable nombres
- Determinar frecuencia absoluta
tabla_frec.nombres <- data.frame(transform(table(personal$nombres)))
names(tabla_frec.nombres) <- c('nombres', 'freq.a')
tabla_frec.nombres## nombres freq.a
## 1 AHRI 3
## 2 AKALI 1
## 3 BRAND 3
## 4 BRAUM 3
## 5 CAITLYN 3
## 6 CAMILLE 1
## 7 DARIUS 2
## 8 DIANA 3
## 9 EVELYN 3
## 10 EZREAL 4
## 11 FIORA 5
## 12 GALIO 6
## 13 GAREN 1
## 14 HEIMERDINGER 1
## 15 IRELIA 7
## 16 IVERN 3
## 17 JANNA 2
## 18 KAYLE 1
## 19 LEONA 3
## 20 MALZAHAR 3
## 21 MORGANA 1
## 22 NASUS 3
## 23 NIDALEE 1
## 24 ORIANA 1
## 25 PANTHEON 2
## 26 QIYANA 2
## 27 RAKAN 2
## 28 RIVEN 2
## 29 SENNA 2
## 30 SONA 2
## 31 TALIYAH 2
## 32 TALON 3
## 33 UDYR 3
## 34 URGOT 1
## 35 VARUS 2
## 36 VAYNE 1
## 37 XAYAH 3
## 38 YASUO 4
## 39 YONE 3
## 40 ZAC 2- Total de elementos N
N <- nrow(personal)
N## [1] 100- Determinar frecuencia relativa
freq.r <- tabla_frec.nombres$freq / N
freq.r## [1] 0.03 0.01 0.03 0.03 0.03 0.01 0.02 0.03 0.03 0.04 0.05 0.06 0.01 0.01 0.07
## [16] 0.03 0.02 0.01 0.03 0.03 0.01 0.03 0.01 0.01 0.02 0.02 0.02 0.02 0.02 0.02
## [31] 0.02 0.03 0.03 0.01 0.02 0.01 0.03 0.04 0.03 0.02- Determinar frecuencia porcentual
freq.p <- freq.r * 100
freq.p## [1] 3 1 3 3 3 1 2 3 3 4 5 6 1 1 7 3 2 1 3 3 1 3 1 1 2 2 2 2 2 2 2 3 3 1 2 1 3 4
## [39] 3 2- Construyendo tabla de distribución
tabla_frec.nombres <- cbind(tabla_frec.nombres, freq.r, freq.p)
tabla_frec.nombres## nombres freq.a freq.r freq.p
## 1 AHRI 3 0.03 3
## 2 AKALI 1 0.01 1
## 3 BRAND 3 0.03 3
## 4 BRAUM 3 0.03 3
## 5 CAITLYN 3 0.03 3
## 6 CAMILLE 1 0.01 1
## 7 DARIUS 2 0.02 2
## 8 DIANA 3 0.03 3
## 9 EVELYN 3 0.03 3
## 10 EZREAL 4 0.04 4
## 11 FIORA 5 0.05 5
## 12 GALIO 6 0.06 6
## 13 GAREN 1 0.01 1
## 14 HEIMERDINGER 1 0.01 1
## 15 IRELIA 7 0.07 7
## 16 IVERN 3 0.03 3
## 17 JANNA 2 0.02 2
## 18 KAYLE 1 0.01 1
## 19 LEONA 3 0.03 3
## 20 MALZAHAR 3 0.03 3
## 21 MORGANA 1 0.01 1
## 22 NASUS 3 0.03 3
## 23 NIDALEE 1 0.01 1
## 24 ORIANA 1 0.01 1
## 25 PANTHEON 2 0.02 2
## 26 QIYANA 2 0.02 2
## 27 RAKAN 2 0.02 2
## 28 RIVEN 2 0.02 2
## 29 SENNA 2 0.02 2
## 30 SONA 2 0.02 2
## 31 TALIYAH 2 0.02 2
## 32 TALON 3 0.03 3
## 33 UDYR 3 0.03 3
## 34 URGOT 1 0.01 1
## 35 VARUS 2 0.02 2
## 36 VAYNE 1 0.01 1
## 37 XAYAH 3 0.03 3
## 38 YASUO 4 0.04 4
## 39 YONE 3 0.03 3
## 40 ZAC 2 0.02 24. Crear tabla de frecuencias con fdt_cat() de la variable nombres
- Determinar frecuencia absoluta
- Determinar frecuencia relativa
- Determinar frecuencia porcentual
- Determinar frecuencia acumulada
- Determinar frecuencia porcentual acumulada
tabla_frec.nombres.2 <- data.frame(fdt_cat(personal$nombres))
names(tabla_frec.nombres.2) <- c('nombres', 'freq.a', 'freq.r', 'freq.p', 'freq.acum', 'frec.por.acum')
tabla_frec.nombres.2## nombres freq.a freq.r freq.p freq.acum frec.por.acum
## 1 IRELIA 7 0.07 7 7 7
## 2 GALIO 6 0.06 6 13 13
## 3 FIORA 5 0.05 5 18 18
## 4 EZREAL 4 0.04 4 22 22
## 5 YASUO 4 0.04 4 26 26
## 6 AHRI 3 0.03 3 29 29
## 7 BRAND 3 0.03 3 32 32
## 8 BRAUM 3 0.03 3 35 35
## 9 CAITLYN 3 0.03 3 38 38
## 10 DIANA 3 0.03 3 41 41
## 11 EVELYN 3 0.03 3 44 44
## 12 IVERN 3 0.03 3 47 47
## 13 LEONA 3 0.03 3 50 50
## 14 MALZAHAR 3 0.03 3 53 53
## 15 NASUS 3 0.03 3 56 56
## 16 TALON 3 0.03 3 59 59
## 17 UDYR 3 0.03 3 62 62
## 18 XAYAH 3 0.03 3 65 65
## 19 YONE 3 0.03 3 68 68
## 20 DARIUS 2 0.02 2 70 70
## 21 JANNA 2 0.02 2 72 72
## 22 PANTHEON 2 0.02 2 74 74
## 23 QIYANA 2 0.02 2 76 76
## 24 RAKAN 2 0.02 2 78 78
## 25 RIVEN 2 0.02 2 80 80
## 26 SENNA 2 0.02 2 82 82
## 27 SONA 2 0.02 2 84 84
## 28 TALIYAH 2 0.02 2 86 86
## 29 VARUS 2 0.02 2 88 88
## 30 ZAC 2 0.02 2 90 90
## 31 AKALI 1 0.01 1 91 91
## 32 CAMILLE 1 0.01 1 92 92
## 33 GAREN 1 0.01 1 93 93
## 34 HEIMERDINGER 1 0.01 1 94 94
## 35 KAYLE 1 0.01 1 95 95
## 36 MORGANA 1 0.01 1 96 96
## 37 NIDALEE 1 0.01 1 97 97
## 38 ORIANA 1 0.01 1 98 98
## 39 URGOT 1 0.01 1 99 99
## 40 VAYNE 1 0.01 1 100 1005. Visualizar tabla de frecuencias de nombres (Barra)
barplot(height = tabla_frec.nombres.2$freq.a, names.arg = tabla_frec.nombres.2$nombres)
6. Visualizar un histograma de la variable edades
hist(personal$edades, main = "Frecuencia de edades", xlab = "Edades", ylab = "Frecuencias")
7. Crear tabla de frecuencias con table() de la variable edades
tabla.frec.edades <- data.frame(transform(table(personal$edades)))
names(tabla.frec.edades) <- c("edades", "freq")
tabla.frec.edades## edades freq
## 1 15 5
## 2 16 5
## 3 17 3
## 4 18 9
## 5 19 3
## 6 20 2
## 7 21 8
## 8 22 10
## 9 23 8
## 10 24 9
## 11 25 7
## 12 26 8
## 13 27 9
## 14 28 7
## 15 29 4
## 16 30 3- Gráfica de frecuencias de tabla_frec.edades
barplot(height = tabla.frec.edades$freq,
names.arg = tabla.frec.edades$edades,
main = "Frecuencias de Edades",
xlab = "Edades", ylab = "Frecuencias")
8. Crear tabla de frecuencias con fdt() de la variable edades
- Determinar frecuencia absoluta
- Determinar frecuencia relativa
- Determinar frecuencia porcentual
- Determinar frecuencia acumulada
- Determinar frecuencia porcentual acumulada
tabla.frec.edades_2 <- fdt(personal$edades)
tabla.frec.edades_2 <- data.frame(tabla.frec.edades_2$table)
names(tabla.frec.edades_2) <- c('clases', 'freq.a', 'freq.r', 'freq.p', 'freq.acum', 'frec.por.acum')
tabla.frec.edades_2## clases freq.a freq.r freq.p freq.acum frec.por.acum
## 1 [14.85,16.78) 10 0.10 10 10 10
## 2 [16.78,18.71) 12 0.12 12 22 22
## 3 [18.71,20.64) 5 0.05 5 27 27
## 4 [20.64,22.57) 18 0.18 18 45 45
## 5 [22.57,24.51) 17 0.17 17 62 62
## 6 [24.51,26.44) 15 0.15 15 77 77
## 7 [26.44,28.37) 16 0.16 16 93 93
## 8 [28.37,30.3) 7 0.07 7 100 1009. Visualizar tabla de frecuencias de edades (Barra)
barplot(height = tabla.frec.edades_2$freq.a,
names.arg = tabla.frec.edades_2$clases,
main = "Frecuencias de Clases",
xlab = "Clases de edades", ylab = "Frecuencias")
10. Crear tabla de frecuencias con fdt_cat() de la variable genero
- Determinar frecuencia absoluta
- Determinar frecuencia relativa
- Determinar frecuencia porcentual
- Determinar frecuencia acumulada
- Determinar frecuencia porcentual acumulada
tabla_frec.genero <- data.frame(fdt_cat(personal$generos))
names(tabla_frec.genero) <- c('generos', 'freq.a', 'freq.r', 'freq.p', 'freq.acum', 'frec.por.acum')
tabla_frec.genero## generos freq.a freq.r freq.p freq.acum frec.por.acum
## 1 Femenino 56 0.56 56 56 56
## 2 Masculino 44 0.44 44 100 10011. Visualizar tabla de frecuencias de generos (Barra)
barplot(height = tabla_frec.genero$freq.a,
names.arg = tabla_frec.genero$generos,
main = "Frecuencias de Géneros",
xlab = "Géneros", ylab = "Frecuencias")
* Grafica de pastel
pie(x = tabla_frec.genero$freq.a,
labels = tabla_frec.genero$generos,
col = c(155,100))
12. Crear tabla de frecuencias con fdt_cat() de a variable deportes
- Determinar frecuencia absoluta
- Determinar frecuencia relativa
- Determinar frecuencia porcentual
- Determinar frecuencia acumulada
- Determinar frecuencia porcentual acumulada
tabla_frec.deporte <- data.frame(fdt_cat(personal$deportes))
names(tabla_frec.deporte) <- c('deportes', 'freq.a', 'freq.r', 'freq.p', 'freq.acum', 'frec.por.acum')
tabla_frec.deporte## deportes freq.a freq.r freq.p freq.acum frec.por.acum
## 1 BASQUETBOL 13 0.13 13 13 13
## 2 BEISBOL 12 0.12 12 25 25
## 3 RUGBY 12 0.12 12 37 37
## 4 ESGRIMA 11 0.11 11 48 48
## 5 KARATE 11 0.11 11 59 59
## 6 PING PONG 11 0.11 11 70 70
## 7 ATLETISMO 9 0.09 9 79 79
## 8 AJEDREZ 7 0.07 7 86 86
## 9 E-SPORTS 7 0.07 7 93 93
## 10 NATACION 7 0.07 7 100 10013. Visualizar tabla de frecuencias de deportes (Barra)
barplot(height = tabla_frec.deporte$freq.a,
names.arg = tabla_frec.deporte$deportes,
main = "Frecuencias de deportes",
xlab = "Deportes", ylab = "Frecuencias")
14. Describir el caso. Por medio de 80 a 100 palabras describir el CASO 2
- De acuerdo a la representación de la tabla de distribución de los nombres del conjunto de datos, se observa que “IRELIA” es el nombre con mayor frecuencia pues representa el 7% del total de los casos- De la misma manera analizando las demas tablas podemos darnos cuenta de que es la mayoria de los casos de la muestra se cuenta con una edad desde 20 hasta los 22 años siendo estos un total del 18%. Por otro lado el genero con mayor numero de frecuencia es el femenino con un 55% ante el restante 45% del genero masculino. Finalmente podemos ver que con un 16% del total de los casos el ajedrez es el deporte mas practicado.