Ejercicio 2: EDA, Análisis Exploratorio de Datos (Utilizando Iris Dataset)

Conociendo el conjunto de datos de IRIS

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)

Imagen ilustrativa del conjunto de datos

Paquetes

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

Datos

data("iris")
dim(iris)
## [1] 150   5

Conociendo los datos, tabla interactiva

datatable(iris)

Contando los datos en sus clases

table(iris$Species)
## 
##     setosa versicolor  virginica 
##         50         50         50

Conociendo las medidas de tendencia central

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  
##                 
##                 
##

Gráfico de caja y bigote

# boxplot para comparar los datos
boxplot(iris)
# Linea roja que reoresente la media del largo del pétalo
abline(h = mean(iris$Petal.Length), col = "red")

Histograma

Histograma de frecuencias absolutas

hist(iris$Petal.Length)

Histograma con granularidad de clases más distribuida

hist(iris$Petal.Length, breaks = 100, col = "green")

Análisis de distribución de frecuencia, tablas e histogramas

Análisis para el largo del pétalo del conjunto de datos

Tabla de frecuencias

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

tabla
##   Class limits  f   rf rf(%)  cf  cf(%)
##   [0.99,1.654) 44 0.29 29.33  44  29.33
##  [1.654,2.319)  6 0.04  4.00  50  33.33
##  [2.319,2.983)  0 0.00  0.00  50  33.33
##  [2.983,3.647)  6 0.04  4.00  56  37.33
##  [3.647,4.312) 19 0.13 12.67  75  50.00
##  [4.312,4.976) 29 0.19 19.33 104  69.33
##   [4.976,5.64) 27 0.18 18.00 131  87.33
##   [5.64,6.305) 14 0.09  9.33 145  96.67
##  [6.305,6.969)  5 0.03  3.33 150 100.00
#Donde 
#f = frecuencia absoluta
#fr = frecuencia relativa
#fr% = frecuencia relativa porcentual
#cf = frecuencia acumulada
#cf% = frecuencia acumulada porcentual

Histogramas

Histograma de frecuencia absoluta

plot(tabla, type = "fh")

Histograma de frecuencia relativa

plot(tabla, type = "rfh")

Histograma de frecuencia acumulada

plot(tabla, type = "cfh")

Poligonos

Poligono de frecuencia absoluta

plot(tabla, type="fp")

Poligono de frecuencia relativa

plot(tabla, type="rfh")

Poligono de frecuencia acumulada

plot(tabla, type = "cfp")

Medidas de dispersión

Varianza

var(iris$Petal.Length)
## [1] 3.116278

Desviación estándar

sd(iris$Petal.Length)
## [1] 1.765298

Gráfico de disperisón

plot(iris$Petal.Length)

Descargas

Código

xfun::embed_file("ejercicio2.Rmd")

Download ejercicio2.Rmd

Datos