EJERCICIOS 01. INTRODUCCIÓN A LA ESTADÍSTICA COMPUTACIONAL
Francisco Salfate Garcés
22/03/2022
Desafío 1: Realice otros 10 ejemplos con diferentes operadores matemáticos.
Ejemplo 1: Valor absoluto de -5
absoluto = abs(-5)
absoluto## [1] 5Ejemplo 2: Logaritmo en base dos de 10
lg = log2(10)
lg## [1] 3.321928Ejemplo 3: Diferencia entre 10 y 2
dif = 10 - 2
dif## [1] 8Ejemplo 4: Factorial de 4
fact = factorial(4)
fact## [1] 24Ejemplo 5: Raiz cubica de 8
cbrt = 8^(1/3)
cbrt## [1] 2Ejemplo 6: Coseno de 60 grados
cosine = cos(60*pi/180)
cosine## [1] 0.5Ejemplo 7: Tangente de 60 grados
tangent = tan(60*pi/180)
tangent## [1] 1.732051Ejemplo 8: Función exponencial de 2
exponencial = exp(2)
exponencial## [1] 7.389056Ejemplo 9: 2 Módulo 10
modulo = 2%%10
modulo## [1] 2Ejemplo 10: 10 elevado a 2
tenpower = 10^2
tenpower## [1] 100Desafío 2: Realice ejemplos usando otros tipos de estructura de datos: elementos booleanos, factores, tablas, entre otros.
Ejemplo 1: Dataframe que muestra una lista de videojuegos, su genero correspondiente y si existe una modalidad de multijugador para el juego en cuestión.
juegos = c("Yu-Gi-Oh!", "Terraria", "Counter Strike Global Offensive", "Starcraft", "League Of Legends", "Worms", "Chrono Trigger", "Max Payne")
generos = c("Trading Card Game", "Sandbox", "First Person Shooter", "Real Time Strategy", "MOBA", "Strategy", "RPG", "Third Person Shooter")
ismultiplayer = c("Yes", "Yes", "Yes", "Yes", "Yes", "Yes", "No", "No")
juegosclasificados = data.frame(juegos=juegos, generos=generos, esmultijugador=ismultiplayer)
juegosclasificados## juegos generos esmultijugador
## 1 Yu-Gi-Oh! Trading Card Game Yes
## 2 Terraria Sandbox Yes
## 3 Counter Strike Global Offensive First Person Shooter Yes
## 4 Starcraft Real Time Strategy Yes
## 5 League Of Legends MOBA Yes
## 6 Worms Strategy Yes
## 7 Chrono Trigger RPG No
## 8 Max Payne Third Person Shooter NoEjemplo 2: Factor de las categorias “variable” y “constante”
clasificacion <- c("V", "C", "C", "C", "V", "C", "V", "V", "C")
clasificacion <- factor(clasificacion)
clasificacion <- factor(clasificacion, levels = c("C", "V"), labels = c("Constante", "Variable"))
clasificacion## [1] Variable Constante Constante Constante Variable Constante Variable
## [8] Variable Constante
## Levels: Constante VariableEjemplo 3: Un vector con strings
vector = c("aaa", "aaSa", "aaAba", "aaEEa", "asdf", "qwerty", "uiop", "asdfghjkl", "zxcvbnm", "qazwsxedcrfvtgb")
vector## [1] "aaa" "aaSa" "aaAba" "aaEEa"
## [5] "asdf" "qwerty" "uiop" "asdfghjkl"
## [9] "zxcvbnm" "qazwsxedcrfvtgb"Desafío 3: Construya una función que permita a un jugador jugar al piedra papel o tijeras.
Función que permite jugar al piedra papel o tijera de manera que se ingresa como argumento de la función en formato de string la elección para jugar entre las opciones “piedra”, “papel”, o “tijera”. Tras eso, el contrincante (Al cual se le referirá como “IA”) eligirá una opción al azar y dependiendo de su elección habrá una victoria, derrota o empate. Se debe notar que este juego está diseñado para jugarse solo una vez por ejecución.
jugar <- function(eleccion) {
# Se genera una lista con los movimientos que utilizará el IA, también se utilizará para hacer control de la elección del jugador
movimientos_contrincante <- list("piedra", "papel", "tijera")
# Se hace una estandarización de la elección aplicando el uso de minusculas
eleccion <- tolower(eleccion)
# Se verifica que la elección sea un movimiento válido, es decir, que esta se encuentre entre papel, piedra o tijera
if (!(eleccion %in% movimientos_contrincante)){
print("La eleccion no es valida")
return()
}
# Se escoje de forma aleatoria un movimiento válido para el IA
movimiento_IA = sample(movimientos_contrincante, 1)
# Se verifica si la elección del jugador y la del IA son iguales, lo cual significaría un empate
if (movimiento_IA == eleccion){
print("El IA ha escogido: ")
print(toString(movimiento_IA))
print("Empate")
}
# Se verifica el caso donde el jugador gana debido a las reglas del juego
else if (eleccion == "piedra" & movimiento_IA == "tijera" |
eleccion == "papel" & movimiento_IA == "piedra" |
eleccion == "tijera" & movimiento_IA == "papel"){
print("El IA ha escogido: ")
print(toString(movimiento_IA))
print("El jugador ha ganado")
}
# Caso donde el jugador pierde
else{
print("El IA ha escogido: ")
print(toString(movimiento_IA))
print("El IA ha ganado")
}
}
jugar("piedra")## [1] "El IA ha escogido: "
## [1] "tijera"
## [1] "El jugador ha ganado"Desafío 4
Para este desafío se escoge el dataset “CO2” el cual describe un experimento aplicado a seis plantas de Mississippi y seis plantas de Quebec, de las cuales se toma la medición del consumo de dioxido de carbono exponiendo a estas plantas a distintos niveles de dioxido de carbono en el ambiente. La mitad de las plantas de cada localidad fueron expuestas a un enfriamiento durante una noche de forma previa al experimento. La fuente de estos datos corresponde al articulo “The statistical analysis of ecophysiological response curves obtained from experiments involving repeated measures” publicado en 1990 por Potvin, C., Lechowicz, M. J. y Tardif, S.
Las variables que se pueden observar en este experimento corresponden a:
Identificador de planta (Plant): Esta variable indica un identificador único a cada planta estudiada, toma valores entre los números naturales y no tiene una unidad de medida. Esta variable corresponde a una variable cualitativa nominal ya que su propósito es categorizar a una planta a través de una forma de identificación.
Tipo de planta (Type): Esta variable indica un identificador único a cada tipo de planta, toma valores entre los números naturales y no tiene una unidad de medida. Esta variable corresponde a una variable cualitativa nominal ya que su propósito es categorizar a los distintos tipos de plantas.
Tratamiento (Treatment): Esta variable indica un identificador único para cada tipo de tratamiento a las cuales se someten las plantas estudiadas y no tiene una unidad de medida. Esta variable corresponde a una variable cualitativa nominal ya que su propósito es categorizar un tipo de tratamiento para las plantas.
Concentración de CO2 (conc): Esta variable corresponde a la concentración de dioxido de carbono en el ambiente en el cual las plantas son estudiadas, su unidad de medida corresponde a mL/L. Esta variable corresponde a una variable cuantitativa continua, ya que la medida de concentración de un compuesto en un ambiente o en una solución se encuentra en un rango númerico (o intervalo).
Consumo de CO2 (uptake): Esta variable corresponde al consumo de CO2 de cada planta en el transcurso del experimento, su unidad de medida corresponde a umol/m^2sec. Esta variable corresponde a una variable cuantitativa continua por las mismas razones que la variable de concentración de CO2.
summary(CO2)## Plant Type Treatment conc uptake
## Qn1 : 7 Quebec :42 nonchilled:42 Min. : 95 Min. : 7.70
## Qn2 : 7 Mississippi:42 chilled :42 1st Qu.: 175 1st Qu.:17.90
## Qn3 : 7 Median : 350 Median :28.30
## Qc1 : 7 Mean : 435 Mean :27.21
## Qc3 : 7 3rd Qu.: 675 3rd Qu.:37.12
## Qc2 : 7 Max. :1000 Max. :45.50
## (Other):42Se puede observar que al usar la función summary() en el dataset de CO2, se muestra información asociada al experimento, tal como los identificadores de las plantas, tratamientos y sus tipos correspondientes, pero además de eso se puede observar la información de la concentración de dioxido de carbono ambiental y el consumo de este tal como medidas de tendencia central junto con valores mínimos y máximos.
plot(CO2)
Al usar la función plot() en el dataset de CO2 se puede observar un conjunto de gŕaficos de dispersión para cada variable, se puede notar gracias a estos gráficos la existencia de las variables continuas.