Caso 3
Jairo Ruiz
27/9/2020
1. Cargar librerías o paquetes
library(readr)## Warning: package 'readr' was built under R version 3.6.3library(ggplot2) ## Warning: package 'ggplot2' was built under R version 3.6.3library(resumeRdesc)2. Cargar o construir los datos
set.seed(7777)n <- 100 # Total de observaciones
edades <- sample(15:65, n, replace = TRUE)
pesos <- sample(45:115, n, replace = TRUE)
estaturas <- sample(145:205, n, replace = TRUE) /100
personas <- data.frame(edades, pesos, estaturas)
names(personas) <- c("edad", "peso", "estatura")
personas## edad peso estatura
## 1 62 81 1.58
## 2 17 84 1.68
## 3 49 53 1.47
## 4 51 61 1.70
## 5 45 109 1.56
## 6 28 92 1.97
## 7 41 80 1.70
## 8 15 102 1.52
## 9 31 95 1.59
## 10 65 65 2.04
## 11 53 49 1.87
## 12 15 49 1.74
## 13 25 45 2.03
## 14 25 89 1.93
## 15 48 52 1.55
## 16 36 69 1.70
## 17 35 89 1.84
## 18 37 68 1.51
## 19 43 97 1.59
## 20 46 71 2.02
## 21 28 76 2.04
## 22 27 58 1.48
## 23 53 71 1.55
## 24 29 72 2.04
## 25 49 89 1.48
## 26 56 92 1.74
## 27 16 88 1.48
## 28 19 96 1.99
## 29 58 60 1.48
## 30 33 95 1.97
## 31 24 56 1.68
## 32 48 51 1.85
## 33 21 66 1.95
## 34 48 109 1.74
## 35 58 111 1.68
## 36 27 89 1.62
## 37 49 92 1.53
## 38 61 61 1.88
## 39 32 109 1.68
## 40 61 85 1.51
## 41 33 88 2.00
## 42 54 79 1.64
## 43 27 47 1.84
## 44 28 55 1.48
## 45 43 114 1.93
## 46 47 52 1.58
## 47 60 104 1.81
## 48 20 74 1.58
## 49 55 68 1.67
## 50 33 87 1.60
## 51 25 60 1.57
## 52 23 60 1.46
## 53 65 58 1.67
## 54 25 65 1.51
## 55 20 88 1.88
## 56 63 103 1.45
## 57 28 91 1.71
## 58 45 106 1.92
## 59 60 52 1.97
## 60 42 71 2.05
## 61 29 104 1.45
## 62 22 58 1.90
## 63 23 60 1.88
## 64 47 67 2.02
## 65 59 64 1.67
## 66 54 88 1.61
## 67 26 71 1.96
## 68 18 105 2.01
## 69 42 61 1.60
## 70 25 113 1.82
## 71 56 53 2.03
## 72 18 112 1.45
## 73 21 69 1.81
## 74 44 52 1.67
## 75 35 106 1.99
## 76 44 77 1.59
## 77 38 102 2.02
## 78 35 78 1.84
## 79 53 89 1.86
## 80 54 106 1.89
## 81 37 54 1.74
## 82 17 67 1.69
## 83 20 100 1.98
## 84 28 77 1.60
## 85 24 115 1.96
## 86 52 51 2.00
## 87 22 56 1.52
## 88 40 105 1.53
## 89 55 103 1.59
## 90 17 89 1.93
## 91 46 103 1.93
## 92 25 104 1.95
## 93 28 67 1.60
## 94 28 82 1.75
## 95 63 79 1.85
## 96 30 62 1.80
## 97 29 84 1.48
## 98 27 80 1.98
## 99 18 69 1.58
## 100 22 80 1.463. La media
- edad
media.edad <- mean(personas$edad)
media.edad## [1] 37.31- peso
media.peso <- mean(personas$peso)
media.peso## [1] 79.1- estatura
media.estat <- mean(personas$estatura)
media.estat## [1] 1.74274. La mediana
- edad
mediana.edad <- median(personas$edad)
mediana.edad## [1] 35orden.personas.edad <- sort(personas$edad)
posicion <- ceiling(n /2)
cat("Valor de la posición ",posicion+1, " del conjunto de datos (Vector) edades es: ", orden.personas.edad[posicion]) ## Valor de la posición 51 del conjunto de datos (Vector) edades es: 35- peso
mediana.peso <- median(personas$peso)
mediana.peso## [1] 79orden.personas.peso <- sort(personas$peso)
posicion <- ceiling(n /2)
cat("Valor de la posición ",posicion, " del conjunto de datos (Vector) pesos es: ", orden.personas.peso[posicion]) ## Valor de la posición 50 del conjunto de datos (Vector) pesos es: 79*estatura
mediana.estat <- median(personas$estatura)
mediana.estat## [1] 1.705orden.personas.estat <- sort(personas$estatura)
posicion <- ceiling(n /2)
cat("Valor de la posición ",posicion, " del conjunto de datos (Vector) estaturas es: ", orden.personas.estat[posicion]) ## Valor de la posición 50 del conjunto de datos (Vector) estaturas es: 1.7###5. La moda
- edad
frecuencia <- table(personas$edad)
frecuencia <- sort(frecuencia, decreasing = TRUE)
frecuencia##
## 28 25 27 17 18 20 22 29 33 35 48 49 53 54 15 21 23 24 37 42 43 44 45 46 47 55
## 7 6 4 3 3 3 3 3 3 3 3 3 3 3 2 2 2 2 2 2 2 2 2 2 2 2
## 56 58 60 61 63 65 16 19 26 30 31 32 36 38 40 41 51 52 59 62
## 2 2 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1- Por lo tanto, La moda seria:
moda <- Mode(personas$edad)
moda## [1] 28- peso
frecuencia <- table(personas$peso)
frecuencia <- sort(frecuencia, decreasing = TRUE)
frecuencia##
## 89 52 60 71 88 58 61 67 69 80 92 103 104 106 109 49 51 53 56 65
## 6 4 4 4 4 3 3 3 3 3 3 3 3 3 3 2 2 2 2 2
## 68 77 79 84 95 102 105 45 47 54 55 62 64 66 72 74 76 78 81 82
## 2 2 2 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1
## 85 87 91 96 97 100 111 112 113 114 115
## 1 1 1 1 1 1 1 1 1 1 1- Por lo tanto, La moda seria:
moda.peso <- Mode(personas$peso)
moda.peso## [1] 89- estatura
frecuencia <- table(personas$estatura)
frecuencia <- sort(frecuencia, decreasing = TRUE)
frecuencia##
## 1.48 1.58 1.59 1.6 1.67 1.68 1.74 1.93 1.45 1.51 1.7 1.84 1.88 1.97 2.02 2.04
## 6 4 4 4 4 4 4 4 3 3 3 3 3 3 3 3
## 1.46 1.52 1.53 1.55 1.81 1.85 1.95 1.96 1.98 1.99 2 2.03 1.47 1.56 1.57 1.61
## 2 2 2 2 2 2 2 2 2 2 2 2 1 1 1 1
## 1.62 1.64 1.69 1.71 1.75 1.8 1.82 1.86 1.87 1.89 1.9 1.92 2.01 2.05
## 1 1 1 1 1 1 1 1 1 1 1 1 1 1- Por lo tanto, La moda seria:
moda.estatura <- Mode(personas$estatura)
moda.estatura## [1] 1.486. Visualizar datos
- Utilizar la librería ggplot2
Edad
ggplot(aes(x = edades), data = personas) +
geom_histogram(color = 'blue',
fill = 'blue',
alpha = 0.2) +
labs(title = "Histograma de Edad") +
geom_vline(aes(xintercept = median(edades),
color = "mediana"),
linetype = "dashed",
size = 1) +
geom_vline(aes(xintercept = mean(edades),
color = "media"),
linetype = "dashed",
size = 1) +
geom_vline(
aes(xintercept = moda[1],
color = "moda"),
linetype = "dashed",
size = 1
)## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
Peso
ggplot(aes(x = pesos), data = personas) +
geom_histogram(color = 'red',
fill = 'red',
alpha = 0.2) +
labs(title = "Histograma de Peso") +
geom_vline(aes(xintercept = median(pesos),
color = "mediana"),
linetype = "dashed",
size = 1) +
geom_vline(aes(xintercept = mean(pesos),
color = "media"),
linetype = "dashed",
size = 1) +
geom_vline(
aes(xintercept = moda.peso[1],
color = "moda"),
linetype = "dashed",
size = 1
)## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
Estatura
ggplot(aes(x = estaturas), data = personas) +
geom_histogram(color = 'yellow',
fill = 'yellow',
alpha = 0.2) +
labs(title = "Histograma de Estatura") +
geom_vline(aes(xintercept = median(estaturas),
color = "mediana"),
linetype = "dashed",
size = 1) +
geom_vline(aes(xintercept = mean(estaturas),
color = "media"),
linetype = "dashed",
size = 1) +
geom_vline(
aes(xintercept = moda.estatura[1],
color = "moda"),
linetype = "dashed",
size = 1
)## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
7. Interpretar y comunicar datos
En este caso se vio como instalar y cargar las librerias “ggplot2” y “resumeRdesc”, las cuales sirven para visualizar los datos de manera grafica. De igual manera estas se usaron para crear un grafico completo de las tablas de edad , estatura y peso. Gracias a esto se pueden ver de manera clara la media, la mediana y la moda de cada uno de los respectivos conjustos de datos(peso, estatura y edad). De igual manera antes de las graficas podemos observar cada uno de los datos expresados de manera textual.