Ejercicio #8

Suponga que hay 100 observaciones de una distribucin normal estndar.

Qu proporcin de ellos se puede esperar de encontrar fuera de los bigotes
de un grafico de caja y bigotes?
Para generar 100 observaciones de una N(0,1), se usa la funcin
rnorm(n,mean,sd), la cual genera nmeros aleatorios provenientes de una
normal con media= y desviacin estndar sd=.
> OBN=rnorm(100,mean=0,sd=1) ##OBN recoge las 100 observaciones.
> OBN
[1] -0.111745090 -0.254461889 2.308631023 -0.726117241 -0.827187015
[6] -0.811504827 -0.514454563 1.007168705 1.505303667 -0.864154958
[11] 1.144977625 0.765157245 2.455734821 0.680712974 0.483932307
[16] 0.437156317 -0.293639570 -0.546920330 -0.311822521 -1.707236612
[21] 1.095175219 0.983241648 1.799712447 -1.266547671 1.137447785
[26] -0.447793367 -0.682261817 -1.107906650 -0.603454947 -0.013587408
[31] 0.261754388 -1.528787668 2.890167614 -1.074717950 -1.274684536
[36] -0.125613930 0.412754112 0.800600475 0.074546672 -1.427159396
[41] 2.311707297 0.367165543 0.342885921 -0.142127529 -1.409936399
[46] -0.338527009 -0.258062305 0.367073389 0.973153647 -0.299293726
[51] 1.183434028 0.333388082 2.775993526 -0.836149635 -0.188792239
[56] 2.633762229 -0.707825503 -0.235062368 -0.085990482 0.325708477
[61] -0.120007380 -0.370187629 0.338340325 0.523000208 1.275889974
[66] -0.766955768 0.372048092 -0.764399429 -2.678892714 -1.952719127
[71] 0.832288946 -0.009705185 -1.177045584 -0.851872619 1.190567314
[76] 1.570086655 0.341719850 1.385469979 -1.499209892 -0.641884563
[81] -1.076134505 1.081349239 -0.358826002 0.353583399 -0.145960579
[86] 0.805585161 0.149952354 0.508357459 0.705956230 -0.836651861
[91] -0.729851457 0.892712930 -1.279253693 0.637076035 -0.181822996
[96] 0.228625032 0.671197244 0.427730242 0.331607116 -1.073112372

Ahora para crear el grafico de caja y bigotes podemos usar el comando

boxplot()

-2

-1

> boxplot(OBN, col = "lightgray") ##Genera el grafico.

3
2
1
-1
-2

-2
-3

-1

En el cual se observa que no existen observaciones fuera de los bigotes para

los 100 nmeros aleatorios provenientes de la normal estndar, sin embargo
podemos generar nuevamente 100 observaciones aleatorias con el comando
rnorm() y observar en este nuevo grafico de caja y bigote.

En este nuevo grafico se puede observar una observacin por debajo del lmite
del bigote inferior, y continuar haciendo esto y solo en algunos casos existirn
valores superiores o inferiores que sobrepasen los bigotes. Por lo cual la
conclusin de ello es que menos del uno por ciento (1%) de las observaciones
estarn fuera de los bigotes.

Por otro lado podemos determinar esos valores superiores e inferiores con las
siguientes funciones, para el caso de los 100 observaciones basta con aplicar:
Mximo=max(OBN) ## Maximo de las 100 observaciones
Mnimo=min(OBN) ## Mnimo de las 100 observaciones.
Ejercicio 9
Haz una tabla para el estado civil que le da el porcentaje de fumadores y no
fumadores en cada categora de matrimonio para las madres en el estudio de
Missouri (Tabla 1.6).

La tabla vendra dada por una matriz, para lo cual usaramos el comando
matrix(c(), nrow=,ncol=, byrow=FALSE, dimnames = list())
## Respuesta: TEC(Tabla del estado Civil de fumadoras y no fumadoras).
> TEC<- matrix(c(90,10,24,6,66,4), nrow = 2, ncol=3, byrow=FALSE,
+

dimnames = list(c("Casada", "Soltera"),

c("Mujeres", "Fumadoras", "No Fumadoras")))

> TEC
Mujeres Fumadoras No Fumadoras
Casada
Soltera

90
10

24

66

Ejercicio #12.
En el estudio de Missouri, el peso promedio al nacer de los bebs de
fumadoras es 3180 gramos y la SD es de 500 gramos. Cul es la media y SD
en onzas?
Hay 0,035 onzas en 1 gramo.
Se debe usar una regla de tres, la cual se planteara de la siguiente manera
para la media:
1 gramo 0.035 onzas
3180 gramos onzas
=

3180 gramos0.035 onzas

1 gramo

Con esta misma lgica la desviacin estndar SD en onzas vendra dada por:
=

500 gramos0.035 onzas

1 gramo

Programando esto en R nos quedara que:

> MediO=(3180*0.035)/1 ##Media en Onzas
> MediO ##Esta es la media en onzas.
[1] 111.3
>
> ## Ahora bien la desviacin estndar en onzas vendr dada por
>
> SDO=(500*0.035)/1 ## SD en Onzas
> SDO
[1] 17.5

Ejercicio #17.
Supongamos que el
contra el

zq

yq

cuartiles de una N (, s 2) la distribucin se grafican

cuantiles de una N (0, 1). Demuestre que la pendiente y la

interseccin de la lnea de puntos son s y , respectivamente.

##Supongamos que =10, y S^2=2, entonces:

## Podemos generar 100 observaciones de una normal estndar N(0,1) y 100
observaciones de esta normal(10, 2)
> Z=rnorm(100,0,1) ## Genera 100 obsv. de una N(0,1)
>Z
[1]
0.53571841 -1.12276477 -0.13338431
-1.83963050
[7] -2.55718691
1.44342827

1.17304995 -0.29326982

0.33297998 -0.17873518
0.51225293

0.28433655

[13]
0.01524163 -0.48382096 -0.92726267 -0.93503608 -0.30701925
0.38745525
[19] 1.51723454
-0.60238113

1.02827383 -1.63373101

[25] -2.19005525 -0.00300523

-1.22772084
[31] -0.34177581 -1.12555003
-0.05967654
[37] -0.92939902
-1.09545746

1.08595804

0.29674845

0.08430470

2.57036574 -0.61045040 -0.78153894

1.30158192
1.79767500

0.88203327

0.19131526

0.32201401 -2.54440429

[43] -0.67107083 -0.45731487

-0.24442296

0.38424573 -1.31049141 -2.07971488

[49] -0.64604197
-0.73676660

0.34580022

1.71032614

0.80851152 -0.99561367

[55] 0.69059253 -0.90557483 -0.61399340

0.26112283

0.77547212

0.21721928

[61] 0.28467840 -0.67619313

-1.22052569

0.71343717

1.29481380

[67]
1.39696288 -1.50194687
-0.15134102

1.20992648

0.16390998 -0.49597548 -0.32716224

[73] -1.41975325 -0.89315168

-1.64418939

0.40005587 -0.05210959

0.67589459

[79] -1.24990369 -0.95655596

-0.26590851

0.96642499 -2.85614079

0.01507904

[85] -1.14362879 -0.42678110

-0.31778783

0.37146070 -1.09692033

1.11701540

[91] -0.24322640
0.82423603

0.31517924 -1.65448065

0.67946901 -0.03580510

[97] -1.16716896 0.84602377 -0.49881516 -0.79550797

## Obsrvese que rnorm usa a SD en vez de la varianza, por lo cual
SD=sqrt(2), donde sqrt() calcula la raz cuadrada.
> W=rnorm(100,10,sd=sqrt(2)) ## Genera 100 obsv. de una N(10,2)
>W
[1] 10.432048 8.738596 11.329604 8.346840 7.987442 9.984712 9.897239
[8] 11.450941
11.153591

9.133367

8.664369 14.023585

9.398513 11.325225

[15] 13.101466
12.889943

9.910969

9.774813 10.057651

9.850019 10.108613

[22]
9.923610 10.778035 10.172779 11.507054 13.223162 12.101777
11.706380
[29] 8.857832 10.601100
10.733380
[36] 10.757615
7.637626

9.854763

7.962649

9.412917

9.069753

9.122465 11.593584 12.109945 11.506970 10.661298

[43] 10.975563 11.496758 11.770789

9.690393

9.301145 11.035635

9.466971

[50] 8.316904
8.310219

9.273159 10.533202 10.596366

7.979461 11.424506

[57] 11.306295 10.578878

11.045838

9.926203

9.203312

9.568018

9.247342

[64] 12.555342
7.950070

7.819265

8.957834 10.927060

7.631808

[71] 13.382519 10.181943 11.423553

12.430001

9.627291 10.678137

9.718269

[78] 9.614855 10.404476 10.852926

9.247171

9.095408 11.621738

9.910972

7.712576

[85] 11.301816 9.736470 9.827228 9.013918 8.067430 8.481083 9.581352

[92] 10.239770
12.149949

8.326965

8.280400 11.067679

9.057607 10.166745

[99] 11.595939 11.287653

> q1=quantile(Z)

##Calcula los cuartiles de Z

> q1
0%

25%

50%

75%

100%

-2.8561408 -0.9277968 -0.2109808 0.4281051 2.5703657

> q2=quantile(W) ##Calcula los cuartiles de W
> q2
0%

25%

50%

75%

100%

7.631808 9.185825 10.021182 11.291194 14.023585

>
> ## Luego debemos graficar los puntos de Yq contra los de Zq.
> ## Esto se hace a traves del comando plot(x,y)
> grafico=plot(q2,q1)

2
1
0
-3

-2

-1

q1

10

11

12

13

14

q2

## Ahora para calcular los parmetros podemos usar la funcin line(x,y)

> line(q1,q2)
Call:
line(q1, q2)
Coefficients:
[1] 10.755 1.253
Donde la pendiente es 10.755 y el intercepto es 1.253, los cuales se aproximan
a =10 y =1, 414213 efectivamente.