setwd("~/esta")

En este primer caso

se tomaran en cuenta los datos de la media existente en la temperatura del globo terrestre presentes en el siguiente link https://ourworldindata.org/co2-and-other-greenhouse-gas-emissions de la cual se extrae la informacion perteneciente solamente en el valor global desde el año 1850 al 2019

library(readr)
TempMed <- read.csv("temperature-anomaly.csv")
View(TempMed)

Conociendo los primeros datos

Aqui se presentaran los primeros datos dentro de los datos presentes

head(TempMed)
##   Year Median.temperature.anomaly
## 1 1850                     -0.373
## 2 1851                     -0.218
## 3 1852                     -0.228
## 4 1853                     -0.269
## 5 1854                     -0.248
## 6 1855                     -0.272

Medidas de Tendencia Central

A continuacion analisaremos los datos con las medidas de tendencia central

Media

Representando el dato resultante de la sumatoria de los datos y su posterior division entre el numero total de datos

mean(TempMed$Median.temperature.anomaly)
## [1] -0.08574118

Acomodo de datos

Aqui acomodaremos los datos del menor al mayor para que los datos sean mas representativos en las medidas de “Mediana” y “Moda”

sort(TempMed$Median.temperature.anomaly)
##   [1] -0.544 -0.524 -0.522 -0.520 -0.511 -0.494 -0.490 -0.479 -0.473 -0.468
##  [11] -0.467 -0.465 -0.461 -0.455 -0.437 -0.424 -0.418 -0.416 -0.412 -0.410
##  [21] -0.409 -0.407 -0.402 -0.395 -0.390 -0.389 -0.384 -0.383 -0.377 -0.373
##  [31] -0.368 -0.367 -0.358 -0.350 -0.343 -0.335 -0.333 -0.330 -0.321 -0.307
##  [41] -0.304 -0.302 -0.296 -0.294 -0.289 -0.284 -0.283 -0.279 -0.278 -0.276
##  [51] -0.276 -0.275 -0.273 -0.272 -0.269 -0.267 -0.262 -0.259 -0.251 -0.248
##  [61] -0.247 -0.244 -0.241 -0.238 -0.230 -0.228 -0.227 -0.227 -0.223 -0.218
##  [71] -0.215 -0.214 -0.213 -0.210 -0.206 -0.206 -0.203 -0.200 -0.190 -0.187
##  [81] -0.186 -0.186 -0.178 -0.173 -0.171 -0.149 -0.147 -0.141 -0.140 -0.137
##  [91] -0.137 -0.131 -0.129 -0.113 -0.108 -0.087 -0.075 -0.074 -0.074 -0.071
## [101] -0.068 -0.065 -0.062 -0.052 -0.052 -0.049 -0.039 -0.038 -0.030 -0.027
## [111] -0.027 -0.026 -0.014 -0.007 -0.006 -0.004  0.011  0.014  0.014  0.017
## [121]  0.020  0.025  0.028  0.032  0.035  0.038  0.045  0.046  0.047  0.048
## [131]  0.057  0.062  0.092  0.097  0.105  0.118  0.140  0.144  0.148  0.183
## [141]  0.192  0.194  0.198  0.208  0.254  0.294  0.296  0.306  0.325  0.390
## [151]  0.395  0.425  0.441  0.447  0.470  0.491  0.496  0.505  0.506  0.506
## [161]  0.514  0.539  0.545  0.560  0.579  0.597  0.677  0.736  0.763  0.797

Mediana

Representando el dato que se encuentra justo en la mitad ordenando los datos del menor al mayor

median(TempMed$Median.temperature.anomaly)
## [1] -0.16

Moda

Representando al dato mas repetido de todos los datos ordenados

library(modeest)
mlv(TempMed$Median.temperature.anomaly, method = "mfv")
##  [1] -0.276 -0.227 -0.206 -0.186 -0.137 -0.074 -0.052 -0.027  0.014  0.506

Rango

Rango de dispersion de los datos considerando los datos maximos y minimos

Maximo <- max(TempMed$Median.temperature.anomaly)
Maximo
## [1] 0.797
Minimo <- min(TempMed$Median.temperature.anomaly)
Minimo
## [1] -0.544
Rango <- (Maximo + Minimo) #Considerando que minimo es un valor negativo se hace una sumatoria por ley de signos
Rango
## [1] 0.253

Cuartiles

Consideraremos los cuartiles como puntos en los que se dividen los datos en lo que le da su nombre, en cuartos

summary(TempMed$Median.temperature.anomaly)
##     Min.  1st Qu.   Median     Mean  3rd Qu.     Max. 
## -0.54400 -0.29550 -0.16000 -0.08574  0.04575  0.79700

Grafico de caja y bigote

boxplot(TempMed$Median.temperature.anomaly)

## Rango Intercuartil Analisis de los limites de los cuartiles y del rango intercuartil

RIC <- IQR(TempMed$Median.temperature.anomaly)#RIC = Q3 - Q1
RIC
## [1] 0.34125
Q3 <- 0.04575
LimiteSuperior <- (Q3+1.5*RIC)
LimiteSuperior
## [1] 0.557625
Q1 <- -0.29550
LimiteInferior <- (Q1+1.5*RIC)
LimiteInferior
## [1] 0.216375

Tabla de Frecuencias

library(fdth)
## 
## Attaching package: 'fdth'
## The following object is masked from 'package:modeest':
## 
##     mfv
## The following objects are masked from 'package:stats':
## 
##     sd, var
Frec <- fdt(TempMed$Median.temperature.anomaly, breaks="Sturges")
Frec
##     Class limits  f   rf rf(%)  cf  cf(%)
##  [-0.549,-0.399) 23 0.14 13.53  23  13.53
##  [-0.399,-0.248) 36 0.21 21.18  59  34.71
##  [-0.248,-0.098) 36 0.21 21.18  95  55.88
##  [-0.098,0.0525) 35 0.21 20.59 130  76.47
##   [0.0525,0.203) 13 0.08  7.65 143  84.12
##    [0.203,0.354)  6 0.04  3.53 149  87.65
##    [0.354,0.504)  8 0.05  4.71 157  92.35
##    [0.504,0.654)  9 0.05  5.29 166  97.65
##    [0.654,0.805)  4 0.02  2.35 170 100.00

Poligonos e Histogramas

Ejemplificacion de la tabla de frecuencias

plot(Frec, type = "fh")#Absoluto

plot(Frec, type = "fp")#Absoluto

plot(Frec, type = "cfh")#Acumulado

plot(Frec, type = "cfp")#Acumulado

plot(Frec, type = "rfh")#Relativo

plot(Frec, type = "rfp")#Relativo

Medidas de Dispersion

Rango

range(TempMed$Median.temperature.anomaly)
## [1] -0.544  0.797

Varianza

var(TempMed$Median.temperature.anomaly)
## [1] 0.09448513

Desviacion estandar

sd(TempMed$Median.temperature.anomaly)
## [1] 0.3073843

Coeficiente de Variacion

sd(TempMed$Median.temperature.anomaly)/mean(TempMed$Median.temperature.anomaly)
## [1] -3.585026