A2U1

Ejercicio 2: EDA (Exploratory Data Analysis)

Utilizando el conjunto de datos conocido como “IRIS DATASET”

El conjunto de datos de iris es un famoso conjunto de datos de flores que se introdujo en 1936. Es una clasificación multivariada. Este dato proviene de: UCI Irvine Machine Learning Repository. (https://archive.ics.uci.edu/ml/datasets/Iris )}

Paquetes

library(pacman)
p_load("datasets","DT", "fdth")

Datos

data("iris")
dim(iris)

## [1] 150   5

Conociendo los datos por medio de una tabla interactiva

datatable(iris)

Contando los datos en sus clases

table(iris$Species)

## 
##     setosa versicolor  virginica 
##         50         50         50

Medidas de tendencia central de conjunto de datos

summary(iris)

##   Sepal.Length    Sepal.Width     Petal.Length    Petal.Width   
##  Min.   :4.300   Min.   :2.000   Min.   :1.000   Min.   :0.100  
##  1st Qu.:5.100   1st Qu.:2.800   1st Qu.:1.600   1st Qu.:0.300  
##  Median :5.800   Median :3.000   Median :4.350   Median :1.300  
##  Mean   :5.843   Mean   :3.057   Mean   :3.758   Mean   :1.199  
##  3rd Qu.:6.400   3rd Qu.:3.300   3rd Qu.:5.100   3rd Qu.:1.800  
##  Max.   :7.900   Max.   :4.400   Max.   :6.900   Max.   :2.500  
##        Species  
##  setosa    :50  
##  versicolor:50  
##  virginica :50  
##                 
##                 
## 

Ilustrando las MTC con un grafico de caja y bigote

boxplot(iris)
#para dibujar una linea roja de la media del largo del pétalo
abline(h = mean(iris$Petal.Length), col = "red")

Medidas de dispersión

Varianza

var(iris$Sepal.Length)

## [1] 0.6856935

Desviación estandar

sd(iris$Sepal.Length)

## [1] 0.8280661

Tabla de frecuencia, histogramas y poligonos.

Tabla de frecuencia

tabla <- fdt(iris$Sepal.Length, breaks = "Sturges")
tabla

##   Class limits  f   rf rf(%)  cf  cf(%)
##  [4.257,4.671)  9 0.06  6.00   9   6.00
##  [4.671,5.084) 23 0.15 15.33  32  21.33
##  [5.084,5.498) 20 0.13 13.33  52  34.67
##  [5.498,5.911) 31 0.21 20.67  83  55.33
##  [5.911,6.325) 25 0.17 16.67 108  72.00
##  [6.325,6.738) 22 0.15 14.67 130  86.67
##  [6.738,7.152)  9 0.06  6.00 139  92.67
##  [7.152,7.565)  5 0.03  3.33 144  96.00
##  [7.565,7.979)  6 0.04  4.00 150 100.00

#Donde
#f= frecuencia absoluta
#rf= frecuencia relativa
#rf(%) frecuencia relativa porcentual
#cf= frecuencia acumulada
#cf(%)=frecuencia acumulada porcentual

Histograma de frecuencia absoluta

plot(tabla, type="fh")

Histograma de frecuencia relativa

plot(tabla, type="rfh")

Histograma de frecuencia acumulada

plot(tabla, type="cfh")

Poligono de frecuencia absoluta

plot(tabla, type="fp")

Poligono de frecuencia relativa

plot(tabla, type="rfp")

Poligono de frecuencia acumulada

plot(tabla, type="cfp")