1 Crear un vector para el género de los estudiantes.

genero <- c("Hombre", rep("Mujer", 5), rep("Hombre", 3))
genero
## [1] "Hombre" "Mujer"  "Mujer"  "Mujer"  "Mujer"  "Mujer"  "Hombre" "Hombre"
## [9] "Hombre"

2 Crear un vector que contenga la altura (aproximada) de los estudiantes.

altura <- c(1.70, 1.63, 1.58, 1.63, 1.58, 1.61, 1.72, 1.85, 1.72)
altura
## [1] 1.70 1.63 1.58 1.63 1.58 1.61 1.72 1.85 1.72

3 Crear un vector que contenga el peso (aproximado) de los estudiantes.

peso <- c(68, 56, 58, 61, 53, 48, 78, 72, 78)
peso
## [1] 68 56 58 61 53 48 78 72 78

4 Calcule el Índice de Masa Corporal con la siguiente expresión:

imc <- peso/altura^2
imc
## [1] 23.52941 21.07720 23.23346 22.95909 21.23057 18.51780 26.36560 21.03725
## [9] 26.36560

5 Con R obtenga la proporción de personas que están en el rango normal (IMC entre 18.5 y 24.9). Fuente: OMS.

prop <- length(imc[imc >= 18.5 & imc <= 24.9])*100/length(imc)
prop
## [1] 77.77778

El número de personas cuyo índice de masa corporal se encuentra entre los niveles normales equivale al 77.8% del total de encuestados.

6 ¿Cuál género presenta mayor IMC promedio?

prom_mas <- mean(imc[genero == "Hombre"])
prom_mas
## [1] 24.32447
prom_fem <- mean(imc[genero == "Mujer"])
prom_fem
## [1] 21.40362

Según los resultados, los hombres presentan el mayor IMC promedio cuyo valor equivale a 24.3

7 ¿Cuál género presenta mayor dispersión en el IMC? ¿Qué gráfico podría representar la variación entre géneros?

# Dispersión género masculino
disper_mas <- sd(imc[genero == "Hombre"])
disper_mas
## [1] 2.567123
# Dispersión género femenino
disper_fem <- sd(imc[genero == "Mujer"])
disper_fem
## [1] 1.88628

El género que presentó mayor dispersión es el masculino, lo cual quiere decir que sus valores se encuentran más alejados de la media del IMC.

El gráfico que puede representar mejor la variación entre géneros es un gráfico de barras con la media y la desviación estándar como se muestra a continuación:

8 ¿Cuál es la correlación entre altura y peso? ¿cómo se interpreta? ¿Qué gráfico podría representar la relación de las dos variables?

correl <- cor(x = peso, y = altura)
correl
## [1] 0.7688067

Una correlación de 0.768 significa que a medida que aumentan los valores de una variable, la otra también lo hace. Para el ejemplo que se está trabajando, a medida que aumenta la altura de la persona, también aumenta su peso, lo cual permite concluir que ambas variables están correlacionadas positivamente.

El siguiente gráfico nos permite ilustrar el ejemplo: