1. Cargar librerías

library(readr)
library(ggplot2)
library(resumeRdesc)

2. Cargar o construir los datos

set.seed(12345)
n <- 100   
edades <- sample(10:90, n, replace = TRUE)
pesos <- sample(40:120, n, replace = TRUE)
estaturas <- sample(140:210, n, replace = TRUE) /100

personas <- data.frame(edades, pesos, estaturas)
names(personas) <- c("edad", "peso", "estatura")

personas
##     edad peso estatura
## 1     23  115     2.04
## 2     60   47     1.46
## 3     89  117     1.75
## 4     33   57     1.56
## 5     67   59     1.72
## 6     84   60     1.88
## 7     11   86     1.93
## 8     84  116     1.60
## 9     47   50     2.06
## 10    19   90     1.46
## 11    90  110     1.93
## 12    41   83     1.54
## 13    49   63     1.60
## 14    48  102     1.46
## 15    47  101     2.04
## 16    39  111     1.97
## 17    10   95     1.86
## 18    85   76     1.57
## 19    81   50     1.69
## 20    21   48     1.98
## 21    12   75     1.97
## 22    18   49     2.09
## 23    23  110     1.63
## 24    22   97     1.63
## 25    73  116     1.92
## 26    29   85     1.73
## 27    25   40     1.46
## 28    89   89     1.78
## 29    71   94     1.92
## 30    69  100     1.73
## 31    41  108     1.72
## 32    34   52     1.48
## 33    45   86     1.71
## 34    84  118     1.44
## 35    47   86     1.61
## 36    18  118     1.91
## 37    14   98     2.07
## 38    88  101     1.82
## 39    26   72     1.95
## 40    26  101     1.78
## 41    46  108     1.97
## 42    67   53     1.41
## 43    76  114     1.76
## 44    22  106     1.49
## 45    76   70     2.05
## 46    58   47     2.00
## 47    83   85     1.58
## 48    65   99     1.72
## 49    43  101     1.87
## 50    53  105     1.55
## 51    44   40     1.63
## 52    60  113     1.97
## 53    64   77     1.49
## 54    32  116     1.53
## 55    35   95     1.65
## 56    64   54     1.80
## 57    16   49     1.83
## 58    24  120     1.70
## 59    55   43     1.48
## 60    21   79     1.98
## 61    14   73     1.92
## 62    77  106     1.59
## 63    20  102     1.98
## 64    58  106     1.90
## 65    76   98     1.96
## 66    83   84     1.49
## 67    24   96     1.45
## 68    16  112     1.80
## 69    51   51     1.71
## 70    64   70     1.95
## 71    13   79     1.88
## 72    13   47     1.62
## 73    41   63     1.72
## 74    66  102     1.49
## 75    74   48     1.62
## 76    57   71     2.02
## 77    82   54     2.01
## 78    64   81     1.47
## 79    26  105     1.46
## 80    12   59     1.40
## 81    27   70     1.78
## 82    78  108     2.05
## 83    83   65     2.04
## 84    16   62     2.04
## 85    83   98     1.72
## 86    29   59     1.89
## 87    21   67     1.51
## 88    77   55     1.73
## 89    44   70     1.57
## 90    15  105     1.66
## 91    32  111     1.84
## 92    77   76     1.44
## 93    68  105     1.80
## 94    39   82     1.66
## 95    59   60     2.07
## 96    40   75     1.80
## 97    34   43     1.64
## 98    57   59     1.99
## 99    34   45     1.99
## 100   37   66     1.92

3. La media

#Opcion 1
media <- sum(personas$peso) / n
media
## [1] 81.93
#Opcion 2
media <- mean(personas$peso)
media
## [1] 81.93

4. La mediana

#Opcion 1
mediana.edad <- median(personas$peso)
mediana.edad
## [1] 83.5
#Opcion 2
sort(personas$peso)
##   [1]  40  40  43  43  45  47  47  47  48  48  49  49  50  50  51  52  53  54
##  [19]  54  55  57  59  59  59  59  60  60  62  63  63  65  66  67  70  70  70
##  [37]  70  71  72  73  75  75  76  76  77  79  79  81  82  83  84  85  85  86
##  [55]  86  86  89  90  94  95  95  96  97  98  98  98  99 100 101 101 101 101
##  [73] 102 102 102 105 105 105 105 106 106 106 108 108 108 110 110 111 111 112
##  [91] 113 114 115 116 116 116 117 118 118 120
posicion <- round((n / 2))
posicion
## [1] 50
mediana.edad <- (sort(personas$peso)[posicion] + sort(personas$peso)[posicion + 1]) / 2
mediana.edad
## [1] 83.5

5. La moda

frecuencia <- table(personas$peso)
frecuencia <- sort(frecuencia, drecreasing = TRUE)
frecuencia
## 
##  45  51  52  53  55  57  62  65  66  67  71  72  73  77  81  82  83  84  89  90 
##   1   1   1   1   1   1   1   1   1   1   1   1   1   1   1   1   1   1   1   1 
##  94  96  97  99 100 112 113 114 115 117 120  40  43  48  49  50  54  60  63  75 
##   1   1   1   1   1   1   1   1   1   1   1   2   2   2   2   2   2   2   2   2 
##  76  79  85  95 110 111 118  47  86  98 102 106 108 116  59  70 101 105 
##   2   2   2   2   2   2   2   3   3   3   3   3   3   3   4   4   4   4
moda <- frecuencia[1]
cat("La moda es : ", names(frecuencia[1]), " con ", frecuencia[1], " ocasiones")
## La moda es :  45  con  1  ocasiones
cat("Que sucede si hay varias modas: ", "Entonces se dice que es bimodal si hay 2 o multimodal si hay mas de 2")
## Que sucede si hay varias modas:  Entonces se dice que es bimodal si hay 2 o multimodal si hay mas de 2
#Opcion con ResumeRdesc
moda <- Mode(personas$peso)
moda
## [1]  59  70 101 105

6. Visualizar datos

ggplot(data = personas, aes(x = peso)) +
  geom_bar()

ggplot(aes(x = peso), data = personas) +
 geom_histogram(color = 'green',
                fill = 'green',
                alpha = 0.2) +
 labs(title = "Histograma de Peso") +
  geom_vline(aes(xintercept = median(peso),
                  color = "mediana"),
              linetype = "dashed",
              size = 1) +
   geom_vline(aes(xintercept = mean(peso),
                  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`.

7. Interpretar y comunicar datos 80 a 100 palabras

Con este caso se hace un tanto más comprensible el como funciona la moda, la media y la mediana pero también se nos enseña una manera de usarla eficientemente y eficazmente. También por medio de los Histogramas podemos entender de forma más fácil hacía que esta tendiendo nuestra media, mediana y moda para así hacerlo mas fácil de entender y poder trabajar más facilmente.