Caso 5. Medidas de Localización. Medidas de Tendencia Central CUARTILES Y PERCENTILES y RANGO

Objetivo

Realizar cálculos para determinar medidas de localización y tendencia central como CUARTILES Y PERCENTILES con un conjunto de datos de personas

Descripción

Con un conjunto de datos de personas y con variables de interés como la edad, peso y estatura, determinar medidas de localización y tendencia central, se pide mostrar los datos, identificar las medidas visualizar gráficamente e interpretar las medidas.

Proceso

• 1. Cargar librerías
• 2. Cargar o construir los datos. 100 observaciones
• 3. Cuartiles al 25%, 50% y 75%
  • 1. edad
  • 2. peso
  • 2. estatura
• 4. Determinar el rango intercuartílico para cada variable. RI = C3 – C1
  • 1. edad
  • 2. peso
  • 3. estatura
• 5. Visualizar datos
  • Utilizar la librería ggplot2
  • Histograma
  • Diagrama de Caja
• 6 Percentiles al 10%, 30%, 50%, 70% y 90%
  • 1. edad
  • 2. peso
  • 3. estatura
  • Visualizar datos de Percentiles

7. Interpretar y comunicar datos

De entre 80 y 100 palabras

1. Cargar librerías

library(readr)
library (ggplot2)
library(resumeRdesc)  # No se si la usamos pero ...

2. Construir los datos. 100 observaciones

• Semilla para datos aleatorios

set.seed(732)

• Simular los datos, utilizar rnorm()

• n Total de observaciones de la muestra

• edades en donde la media sea 45 años y desviación stándard igual a 10 años

• pesos en donde la media sea 75 kgs y desviación standard = 15 kgs

• estaturas en donde la media sea 1.70 y desviación estándard igual a 0.10

• Construir un conjunto de datos llamado personas

• Modificar en caso necesario el nombre del conjunto de datos personas a ‘edad’, ‘peso’ y ‘estatura’ con la función name()

• Mostrar el conjunto de datos personas

• Pimero inicializar variables como medias y desviaciones de las variables de interés: edad, peso y estatura

n <-  100
media.edad <- 45; ds.edad <- 10
media.peso <- 75; ds.peso <- 15
media.estatura <- 1.70; ds.estatura <- 0.10

• Segundo Contruir el conjunto de datos personas
• head(personas); tail(personas), los primeros y últimos seis registros u observaciones del conjunto de datos
• rnorm() está generando números aleatorios basados en una media y en una desviación estandard

edad <- round(rnorm(n = n, mean = media.edad, sd = ds.edad),0)
peso <- round(rnorm(n = n, mean = media.peso, sd = ds.peso),2)
estatura <- round(rnorm(n = n, mean = media.estatura, sd = ds.estatura),2)

personas <- data.frame(edad, peso, estatura)

head(personas); tail(personas)

##   edad  peso estatura
## 1   45 74.96     1.67
## 2   66 73.47     1.69
## 3   37 69.27     1.87
## 4   36 68.16     1.59
## 5   60 81.60     1.79
## 6   44 59.14     1.69

##     edad  peso estatura
## 95    27 59.02     1.67
## 96    47 84.45     1.73
## 97    46 88.35     1.79
## 98    56 90.32     1.69
## 99    46 72.91     1.59
## 100   41 46.54     1.71

5 Visualizar datos

• Variable de interés estatura
• Hacer diagrama de caja de estaturas
• se utiliza ggplot o en su defecto solo boxplot

ggplot(data = personas, aes(y=estatura)) +
         geom_boxplot() +
  labs(title = "Cuartiles de estatura" ,subtitle =  paste("Q1 al 25% = ",round(quantile(personas$estatura, 0.25),2), "Q2 al 50% = ",round(quantile(personas$estatura), 2),"Q3 al 75% = ",round(quantile(personas$estatura),2)))

# o

boxplot(personas$estatura)