Documentos de Académico
Documentos de Profesional
Documentos de Cultura
TRABAJO GRUPAL 1
EST 291
a
a.1 a.2 a.3 a.4 a.5 b c d e f g Nota
0,5 1 1 1 1 8,5 4 0 5 3 5 40
Gracias a este código podremos generar 100 números aleatorios de una población normal, con
media 100 y desviación estándar 4. Commented [AC2]: La desviación estándar es 2. Falta
calcular el valor absoluto.
a.2)
Tiempo=rexp(100,0.01)
Con este código podremos generar 100 números aleatorios de una población exponencial,con un
lambda igual a 0.01.
a.3)
Forma=rbinom(100,1,0.25)
Con este código podremos generar 100 números aleatorios de una población binomial, con una
probabilidad de 0.25. Ademas le codificamos para que los valores igual a 0 sean “aplastado” y 1
correspondan a “estirado”.
a.4)
Marca=rbinom(100,3,0.5)
Con este código podremos generar 100 números aleatorios de una población binomial, con una
probabilidad de 0.5. Ademas le codificamos para que los valores igual a 0 sean “Pentax”, 1
correspondan a “Loncin”, 2 corresponda a “Grundfos” y 3 corresponda a “Pedrollo”.
a.5)
data=data.frame(Peso,Tiempo,Forma,Marca)
attach(data)
Con este código podemos pegar las 4 variables en una misma matrix. Commented [est3]: Falta presentar los datos.
B) Análisis Variables continuas
-Primera variable “Peso de la Bomba”
Tabla 1: Medidas descriptivas para la variable “Peso de la bomba”
En esta la tabla 1 podemos ver las principales medidas de resumen sobre estos datos. Podemos Commented [est4]: Citar número de tablas y/o gráficos
observar que tanto la mediana como la media son bastante similares, lo cual nos indica que es una en el texto.
distribución aparentemente simétrica. OJO: se pedían al menos 3 medidas de centralidad (media,
mediana, algún cuartil) y 3 de dispersión.
Gráfico 1
El Grafico 1 nos muestra la distribución de los datos de la variable “Peso de la bomba”. Acá
verificamos lo dicho anteriormente, estamos ante una distribución simétrica con leva sesgo a la
izquierda. Commented [est5]: Falta histograma de áreas (área 1).
Gráfico 2
En el Gráfico 2 podemos observar que no estamos en presencia de datos con valores extremos,
además de reiterar nuevamente la distribución simétrica.
En la Tabla 2 se observan las principales medidas de resumen sobre estos datos. Podemos
observar que tanto la mediana como la media difieren, lo cual nos indica que es una distribución
asimétrica. Además podemos ver que la diferencia entre el mínimo y el máximo (rango) es 323.909
lo cual es bastante.
Gráfico 3
El Grafico 2 nos muestra la distribución de los datos de la variable “Tiempo de inspección”. Acá
verificamos lo dicho anteriormente, estamos ante una distribución asimétrica con sesgo a la
derecha.
Gráfico 4
-Tercera variable “Forma del cilindro” Commented [est7]: Falta un texto introductorio: “Se
analiza la variable Forma del cilindro utilizando diagrama de
Gráfico 5 barras y gráfico de sectores, junto con tablas de
frecuencias.”
El Grafico 5 nos muestra la distribución de los datos de la variable “Forma del cilinfdro”. Hay 75
cilindros aplastados y 25 cilindors estirados
Gráfico 6
Gráfico 8
El Gráfico 6 nos muestra de otra forma las distribuciones de las marcas, se ve que las marcas
Pentax y Pedrollo son las que tienen menos frecuencia.
Faltan las tablas de frecuencias. Falta el boxplot segmentado por una variable categórica.Falta
título en el último gráfico.
Anexo
set.seed(1)
Peso=rnorm(100,100,4)
Tiempo=rexp(100,0.01)
Forma=rbinom(100,1,0.25)
Marca=rbinom(100,3,0.5)
data=data.frame(Peso,Tiempo,Forma,Marca)
attach(data)
#Variable continua
#Peso
summary(Peso)
stem(Tiempo)
#Tiempo
summary(Tiempo)
#varables categoricas
#Forma
table(Forma)
t
prop.table( t ) ##proporcion respecto al total
t1<-table(Forma) ##
tabla.destino<-prop.table(t1)
tabla.destino<-round(100*tabla.destino,2)
sectores.destino<-pie(tabla.destino,col =c(
"lightblue","chocolate"),labels=paste(names(tabla.destino),tabla.destino," %"),main="Distribucion
de porcentajes de la variable formato")
#Marca
table(Marca)
tabla.destino<-prop.table(t1)
tabla.destino<-round(100*tabla.destino,2)
sectores.destino<-pie(tabla.destino,col =c(
"lightblue","darkblue"),labels=paste(names(tabla.destino),tabla.destino," %"),main="Distribucion
de porcentajes de la variable formato")
table(Marca)
f <- table(Marca)
t1<-table(Marca) ##
diagrama<-barplot(t1, col=c("chocolate","chocolate","chocolate","chocolate"))
tabla.destino<-prop.table(t1)
tabla.destino<-round(100*tabla.destino,2)
sectores.destino<-pie(tabla.destino,col =c(
"lightblue","darkblue"),labels=paste(names(tabla.destino),tabla.destino," %"),main="Distribucion
de porcentajes de la variable formato")