## Disponible para descargar el código
xfun::embed_file("U2A2.Rmd")

Download U2A2.Rmd

Correlación en la productividad de productos bovinos en Sonora

En esta actividad se busca conocer la relación entre los valores de los productos bovinos como la leche, carne y ganado de pie, y su precio en el estado de Sonora en el periodo de 2018 a 2019. Esto con el fin de encontrar una correlación entre la carne como el producto de mayor valor en comparación a su peso. Se busca conocer gráficamente si existe una relación entre la variable de peso y la variable de precio con respecto a la carne, para esto se realizara un diagrama de dispersión, cuantiles y un análisis de normalidad.

library(pacman)
p_load("MASS","ggplot2")
setwd("~/Estadistica Aplicada")
carne <-read.csv("datosVacasSCarne2019.csv")
ggplot(carne, aes(Peso, Valor)) +
  geom_point(colour = "red4")+
  ggtitle("Diagrama de dispersión de carne en peso")+
  theme_bw()+
  theme(plot.title = element_text(hjust = 0.5))

par (mfrow = c(1,2))
hist(carne$Precio, breaks = 10, main = "", xlab = "Precio", border = "darkred" )
hist(carne$Peso, breaks = 10, main = "", xlab = "Peso", border = "blue" )

Analisis de cuantiles

## Ayuda a saber como es que se distribuyen los datos
## Muestra los cuantiles de muestra y teoricos
qqnorm(carne$Peso, main = "Peso", col = "darkred")
## Como es que se distribuyen los datos
## Hayn desfasamiento en los datos
## Queremos saber si están equitativamente distribuidos
qqline(carne$Peso)

qqnorm(carne$Precio, main = "Precio", col = "blue")
qqline(carne$Precio)

## No es significativo (los datos no son normales)
## El valor no es mayor a 0.05
shapiro.test(carne$Peso)
## 
##  Shapiro-Wilk normality test
## 
## data:  carne$Peso
## W = 0.86567, p-value = 1.099e-06
## No es significativo (los datos no son normales)
shapiro.test(carne$Precio)
## 
##  Shapiro-Wilk normality test
## 
## data:  carne$Precio
## W = 0.9552, p-value = 0.009718
ggplot(data = carne, mapping = aes(x = Peso, y = Valor)) +
  geom_point(color = "green", size = 2) +
  labs(title  =  'Regresión lineal', x  =  'Peso', y = 'Valor') +
  geom_smooth(method = "lm", se = FALSE, color = "black") +
  theme_bw() +
  theme(plot.title = element_text(hjust = 0.5))
## `geom_smooth()` using formula 'y ~ x'