Untitled

UNIVERSIDAD DE NARIÑO
MAESTRÍA EN ESTADÍSTICA APLICADA
NIVELACIÓN EN R
TALLER 1
INTEGRANTES: JULIO CÉSAR RIASCOS HERMOZA
MICHAEL STEVEN MORALES PAZ
PEDRO PABLO GARCIA LASSO
DOCENTE: SERGIO ALEXANDER GÓMEZ NOGUERA
31 DE MARZO DEL 2023
SAN JUAN DE PASTO

INTRODUCCIÓN
Lo primero que efectuamos en R Studio es la aplicación de optimización de memoria para el proceso

de programación, así:
rm(list = ls()) # limpiamos memoria
Luego, aseguramos la ubicación del archivo de trabajo y, posteriormente, el gurdado de nuestro

script, mediante las siguientes instrucciones:
setwd("C:\\Users\\jrias\\OneDrive\\Escritorio\\TALLER NIVELATORIO
DE R")
getwd(); list.files(path = ".")
dir(path = ("C:\\Users\\jrias\\OneDrive\\Escritorio\\TALLER
NIVELATORIO DE R"))
savehistory(file = "taller#1")
1. En el archivo wine.txt son descritas características de una muestra aleatoria de 38 vinos de

la marca "Pinot Noir". El objetivo del estudio es relacionar la variable qualidade(calidad) del
vino con las variables explicativas (i) claridade(claridad), (ii) aroma, (iii)corpo(cuerpo), (iv)
sabor, (v) aromac (aroma de la barrica de roble) (vi) regiao(1: región 1, 2: región 2, 3: región
3). Una vez haya cargado los datos use el comando regiao<-factor(regiao) para transformar
la variable región en factor.
Para el desarrollo del taller, se procede a cargar la base de datos, para lo cual se siguen las siguientes
instrucciones:
library(readr); Wine <- read_table("Wine.txt"); names(Wine);
attach(Wine)
la librería readr permite efectuar la importación de los datos, mediante el comando read_table. El
comando name a su vez, posibilita leer la base de datos y finalmente utilizamos el comando attach
para poder acceder a cada una de las variables contenidas en la data.
Por medio del comando names se puede obtener el nombre de cada variable así:
names(Wine)
"claridade" "aroma" "corpo" "sabor" "aromac" "qualidade"
"regiao"
SOLUCIÓN Y ANÁLISIS PRIMER PUNTO

A través del comando str(Wine), se obtiene información de la base de datos, identificando que
contiene 38 observaciones y 7 variables que constituyen vectores numéricos.
De acuerdo con el taller se procede a declarar la variable regiao como factor de la siguiente forma:
regiao<-factor(regiao)
Seguidamente se renombró las columnas que integran la base de datos usando las denominaciones
de claridad, calidad, cuerpo, sabor, aromab y región, así:
claridad<- claridade
calidad<-qualidade
cuerpo<-corpo
sabor<-sabor
aromab<-aromac region<-regiao
Una vez renombradas las variables, se procedió a organizarlas en una nueva base de datos intitulada
Wine2:
Wine2<-data.frame(claridad, calidad, cuerpo, sabor, aroma, aromab,
región)
Posteriormente, haga inicialmente un análisis descriptivo bidimensional construyendo por ejemplo
boxplots o diagramas de dispersión de cada variable explicativa contra la variable respuesta calidad.
Luego, obtenga posibles conclusiones de los gráficos previamente mencionados. Además, construya
un histograma de la variable calidad.
Para el análisis bidimensional, inicialmente se exploraron gráficos de dispersión los cuales se

presentan a continuación de forma agrupada:
Con base en las gráficas es posible establecer que no existen de forma estricta relaciones de
naturaleza lineal. Por ejemplo, en el caso de la relación calidad y claridad se exhibe una frágil relación
positiva que sugiere que variaciones grandes en la claridad generan cambios de menor proporción
en la calidad en la misma dirección (pendiente= 0.4692). Adicionalmente el coeficiente de
determinación (el cuadrado del coeficiente de correlación) establece que el 0.08% de los cambios
experimentados por la calidad se deben a las variaciones expresadas en la claridad. De acuerdo con
el coeficiente de correlación lineal simple, el grado de asociación entre las variables es apenas del
2.8%
En el caso de la relación existente entre la calidad y el aroma, es posible determinar que, si bien la
relación no es lineal, existe un vínculo positivo entre las variables. Es decir que a medida que crece
el aroma, crece la calidad. Así mismo el análisis del coeficiente de correlación lineal simple establece
que el grado de asociación entre las variables corresponde al 70%, lo que advierte que efectivamente
existe una relación moderadamente fuerte entre las variables.
Frente a la relación existente entre el aroma b y la calidad, es posible señalar que existe un
comportamiento dinámico entre las variables. Se intuye que la relación es potencialmente
cuadrática o cúbica, lo que implicaría, por ejemplo, que si el aroma crece de 3 a 4 unidades, la calidad
tiende a crecer. De otra parte, si la calidad pasa de 5 a 6 unidades, en este escenario la calidad se
reduce. Si se supone, un comportamiento cuadrático, el coeficiente de determinación es apenas del
4%, lo que implicaría que aproximadamente el 4% de los cambios experimentados por la calidad se
deben al aroma b y su forma cuadrática. No es posible establecer que esa relación a nivel cuadrático
sea fuerte por la cantidad de datos atípicos en la base.
La relación entre calidad y cuerpo es positiva, aunque no necesariamente lineal. Es decir, es posible
establecer que a medida que crece el cuerpo crece como respuesta la calidad. El coeficiente de
correlación lineal sugiere que la asociación entre las variables corresponde al 54.87%. El valor de la
pendiente sugiere que la respuesta de la calidad ante cambios unitarios en el cuerpo es más que
proporcional.
La relación existente entre calidad y sabor evidentemente es positiva, lo que implica que a medida
que crece el sabor la calidad aumenta. La relación no es necesariamente lineal. No obstante, el
coeficiente de correlación simple establece que aproximadamente el grado de asociación lineal
entre las variables corresponde al 79% que, considerando el valor de la pendiente lineal (1.57)
sugiere que el cuerpo y la calidad se encuentran estrechamente vinculadas.
Finalmente, la relación entre región (factor) y calidad permite determinar que la región 3 es aquella
en donde más altos estándares de calidad se producen, en contraste, la región 2 presenta menores
estándares de calidad en el vino.
Como ejercicio complementario al análisis de dispersión, se efectuaron gráficos de box-plot para las
relaciones de forma bidimensional. La primera observación descansa en el hecho de que, las cajas,
al igual que las curvas de regresión, constituyen herramientas que intentan capturar el
comportamiento de la mayor cantidad de datos posibles, sin embargo es evidente la existencia de
outliers o valores atípicos. Las relaciones descritas entre cada una de las variables se mantienen y
consolida de forma complementaria los análisis gráficos efectuados por las gráficas de dispersión.
De acuerdo con el histograma de calidad se puede asumir que la variable sigue una distribución
normal. Para verificar que eso es así se aplicó la prueba de Shapiro Wilk, cuya hipótesis nula plantea
que la variable calidad sigue una distribución normal. Para no rechazar la hipótesis nula el valor de
probabilidad propuesto por la estadística W de Shapiro Wilk debe superar el 5%.
library(nortest)
shapiro.test(calidad)
Como resultado se tuvo que:
Shapiro-Wilk normality test
data: calidad
W = 0.98414, p-value = 0.8559
Dado que el valor de probailidad es del 85.59%, se concluye que, tal y como lo sugiere el histograma,
la calidad sigue una distribución normal (Campana de Gauss).
Análisis multivariado
Para el análisis de más de dos variables se utilizó como factor, la información de región. En este caso,
el análisis de dispersión permite que sea posible establecer los vínculos entre las variables numéricas
discriminadas por factor. En primer término, la relación claridad y calidad (anteriormente establecida
como débilmente positiva), a la luz del tipo de región, advierte que tanto para la región 2 como para
la región 3, ahora existe un vínculo negativo entre las variables. En otras palabras, si el análisis se
hace para la región 2 y 3, se encuentra que existe una relación inversa entre claridad y calidad, lo
que contrasta con el vínculo positivo hallado para la región 1.
Así mismo, el análisis de la relación calidad y cuerpo, efectuado en la primera parte, donde se
señalaba un vínculo positivo entre las variables, es ahora consistente de igual forma, por tipo de
región. Como observación, vale la pena anotar que la pendiente entre calidad y cuerpo es más
definida para la región 2 que para las demás regiones.
Por último, la relación existente entre calidad y sabor que, en el examen global se había planteado
como positiva, estudiada mediante tipo de región es igualmente consistente. Se anota como
observación que la pendiente es más acentuada para las regiones 1 y 2 que, de hecho, son casi
paralelas. En términos simples, es notable una relación positiva para el vínculo calidad y sabor, entre
las diferentes regiones, especialmente en las dos primeras.
2. SOLUCIÓN Y ANÁLISIS DEL SEGUNDO PUNTO
La relación existente entre caída e intervención sugiere que el número de caídas se reduce
notablemente con la intervención, esto es, cuando se tiene educación y ejercicios físicos en el
tratamiento se reduce el número de caídas; en contraste, en ausencia de la intervención, las caídas
se incrementan de manera considerable. En cuanto a género no existe una diferencia notable frente
al número de caídas, lo que sugiere que las caídas se producen independientemente del género,
cabe anotar una muy leve diferencia a favor del género masculino, dado que, el número de caídas
por medida de centralidad es ligeramente más pequeño en hombres que en mujeres. Frente a la
relación existente entre fuerza y caída, es posible determinar una leve relación positiva, no lineal. Lo
anterior implica que, un incremento en la fuerza produce un muy leve incremento en las caídas de
los individuos que conforman la muestra. Finalmente, la relación existente entre caída y equilibrio
es levemente positiva, aunque no lineal, lo que sígnica que un crecimiento en el equilibrio afecta de
manera levemente positiva al crecimiento del número de caídas.
Histogramas de caídas, equilibrio y fuerza
De acuerdo con el análisis de los histogramas para caídas, equilibrio y fuerza, es posible determinar
que en el caso de las caídas no se sigue una distribución normal, lo cual se puede confirmar cuando
se evidencia en la prueba de Shapiro Wilk que el valor de probabilidad es inferior al 5%.
En el caso de la variable equilibrio, el histograma sugiere un débil comportamiento normal, lo que

es refrendado por la prueba de Shapiro Wilk, cuyo valor de probabilidad supera la estadística del 5%,
permitiendo concluir que la variable equilibrio sigue efectivamente una distribución normal.
Finalmente, el histograma de fuerza evidencia un comportamiento similar a la campana de Gauss,

en consecuencia, se tiene que la variable de análisis sigue una distribución normal, esto mismo se
evidencia cuando el valor de probabilidad de la prueba Shapiro Wilk permite no rechazar la hipótesis
nula de normalidad al 5% de significancia.
APÉNDICE
CÓDIGOS EN R
# Introduction
rm(list = ls()) # limpiamos memoria
# Aseguramos la ubicación y el gurdado de nuestro script

setwd("C:\\Users\\jrias\\OneDrive\\Escritorio\\TALLER NIVELATORIO
DE R")
getwd(); list.files(path = ".")
dir(path = ("C:\\Users\\jrias\\OneDrive\\Escritorio\\TALLER
NIVELATORIO DE R"))
1. #En el archivo wine.txt son descritas características de una
muestra aleatoria de
#38 vinos de la marca "Pinot Noir". El objetivo del estudio es
relacionar la variable
#qualidade(calidad) del vino con las variables explicativas (i)
claridade(claridad),
#(ii) aroma, (iii)corpo(cuerpo), (iv) sabor, (v) aromac (aroma de
la barrica de roble)
#(vi) regiao(1: región 1, 2: región 2, 3: región 3). Una vez haya
cargado los datos use
#el comando regiao<-factor(regiao) para transformar la variable
región en factor.
# Cargamos los datos

library(readr); Wine <- read_table("Wine.txt"); names(Wine);
attach(Wine)
# conociendo la data
names(Wine); str(Wine); dim(Wine)
# La base de datos contiene 38 observaciones y 7 variables así:

# aroma, aromac, claridade, corpo, qualidade, regiao, sabor
install.packages("DescTools"); library(DescTools); Abstract(Wine)
# De acuerdo con la estructura de la data todas las variables son

númericas
# variable región como factor

regiao<-factor(regiao)
# Inicialmente renombre las columnas de la base de datos, usando los

siguientes
# nombres: claridad, calidad, cuerpo, sabor, aromab, región.
claridad<- claridade; calidad<-qualidade; cuerpo<-corpo; sabor<-

sabor
aromab<-aromac; region<-regiao
Wine2<-data.frame(claridad, calidad, cuerpo, sabor, aroma, aromab,

region);Wine2
# Posteriormente, haga inicialmente un análisis descriptivo

bidimensional construyendo
# por ejemplo boxplots o diagramas de dispersión de cada variable
explicativa
# contra la variable respuesta calidad. Luego, obtenga posibles
conclusiones
# de los gráficos previamente mencionados. Además, construya un
histograma de
# la variable calidad.
library(tidyverse)
library(ggplot2)
library(patchwork)
library(paletteer)
#1
# Dispersión entre Calidad y Claridad
g1<-ggplot(data = Wine2,
mapping = aes(x = claridad, y = calidad)) +
geom_point(color = "#64AAD2", alpha = 0.7, size = 3) +
geom_smooth(method = "loess", col = "#8867A1")+
labs(title = "Relación entre calidad y cantidad",
x = "Claridad",
y = "Calidad")+
theme(axis.title = element_text(size = 9))+
theme(plot.title = element_text(hjust = 0.5, size=10))+
theme(axis.text = element_text(size=8))
#2
# Dispersión entre Calidad y Aroma
mapping = aes(x = aroma, y = calidad)) +
geom_point(color = "#9DC9E3", alpha = 0.7, size = 3) +
geom_smooth(method = "loess", col = "#87CA79")+
labs(title = "Relación entre calidad y aroma",
x = "Aroma",
y = "Calidad")+
#3
# Dispersión entre Calidad y Aroma b
mapping = aes(x = aromab, y = calidad)) +
geom_point(color = "#C02A79", alpha = 0.7, size = 3) +
geom_smooth(method = "loess", col = "#FFC28C")+
labs(title = "Relación entre calidad y aroma b",
x = "Aroma b",
y = "Calidad")+
#4
# Dispersión entre Calidad y Cuerpo
mapping = aes(x = cuerpo, y = calidad)) +
geom_point(color = "#EF9500", alpha = 0.7, size = 3) +
geom_smooth(method = "loess", col ="#35C1B0")+
labs(title = "Relación entre calidad y cuerpo",
x = "Cuerpo",
y = "Calidad")+
#5
# Dispersión entre Calidad y Sabor
mapping = aes(x = sabor, y = calidad)) +
geom_point(color = "#3D1778", alpha = 0.7, size = 3) +
geom_smooth(method = "loess", col = "#0093B0")+
labs(title = "Relación entre calidad y sabor",
x = "Sabor",
y = "Calidad")+
#6
# Dispersión entre Calidad y Región
mapping = aes(x = region, y = calidad)) +
geom_point(color ="#7ECDBB", alpha = 0.7, size = 3) +
geom_smooth(method = "loess", col = "#D94602")+
labs(title = "Relación entre calidad y región",
x = "region",
y = "Calidad",
caption = "Base de datos: Wine" )+
ggp_all <- (g1+g2+g3) / (g4+g5+g6) +

plot_annotation(title = "Análisis de Dispersión") &
theme(plot.title = element_text(hjust = 0.5))
ggp_all
# relaciones calidad vs claridad

mod1<-lm(calidad~claridad)
summary(mod1)
cor(claridad,calidad)
# relaciones calidad vs aroma

mod2<-lm(calidad~aroma)
summary(mod2)
cor(aroma, calidad)
# relaciones calidad vs aromab

x<-aromab*aromab
mod3<-lm(calidad~aromab+x)
summary(mod3)
cor(aromab, calidad)
# relaciones calidad vs cuerpo

mod4<-lm(calidad~cuerpo)
summary(mod4)
cor(cuerpo, calidad)
# relaciones calidad vs sabor

mod5<-lm(calidad~sabor)
summary(mod5)
cor(sabor, calidad)
# análisis con Box plot

# boxplot
ggplot(Wine2, aes(y=calidad, x=claridad))+
geom_boxplot()
# 1
# Box-plot entre Calidad y Claridad
f1<-ggplot(Wine2, aes(y=calidad, x=claridad, color=claridad,fill=
claridad)) +
geom_point(position=position_jitter(width=0.15),
alpha=0.8,size=1.5) +
geom_boxplot(fill="#ACB9DA", outlier.size=NA,lwd=1) +
guides(fill=FALSE) +
ylab("calidad") + geom_violin(alpha=0.3,trim=FALSE) +
theme_light()+
labs(title = "Relación entre calidad y cantidad")+
# 2
# Box-plot entre Calidad y Aroma
f2<-ggplot(Wine2, aes(y=calidad, x=aroma, color=aroma,fill= aroma))
+
geom_boxplot(fill="#004164", outlier.size=NA,lwd=1) +
theme_light()+
labs(title = "Relación entre calidad y aroma")+
# 3
# Box-plot entre Calidad y Cuerpo
f3<-ggplot(Wine2, aes(y=calidad, x=cuerpo, color=cuerpo,fill=
cuerpo)) +
geom_boxplot(fill="#B7DAFD", outlier.size=NA,lwd=1) +
theme_light()+
labs(title = "Relación entre calidad y cuerpo")+
# 4
# Box-plot entre Calidad y Sabor
f4<-ggplot(Wine2, aes(y=calidad, x=sabor, color=sabor,fill= sabor))
+
geom_boxplot(fill="#2686A0", outlier.size=NA,lwd=1) +
theme_light()+
labs(title = "Relación entre calidad y sabor")+
# 5
# Box-plot entre Calidad y Aromab
f5<-ggplot(Wine2, aes(y=calidad, x=aromab, color=aromab,fill=
aromab)) +
geom_boxplot(fill="#359DC7", outlier.size=NA,lwd=1) +
theme_light()+
labs(title = "Relación entre calidad y aroma b")+
# 6
# Box-plot entre Calidad y Región
f6<-ggplot(Wine2, aes(y=calidad, x=region, color=region,fill=
region)) +
geom_boxplot(fill="#4D7CAB", outlier.size=NA,lwd=1) +
theme_light()+
labs(title = "Relación entre calidad y región",
caption = "Base de datos: Wine")+
ggp_all2 <- (f1+f2+f3) / (f4+f5+f6) +

plot_annotation(title = "Análisis de Box-plot") & theme(plot.title
= element_text(hjust = 0.5))
ggp_all2
# histograma de calidad
library(paletteer)
library(ggplot2)
library(scales)
ggplot(data = Wine2, mapping = aes(x = calidad)) +

geom_histogram(
colour = paletteer_c("grDevices::Vik", 30),
fill = paletteer_c("grDevices::Lisbon", 30))+
ylab("count") +
guides(fill = FALSE)+
theme_bw()+
labs(title = "Histograma de calidad",
library(nortest)
shapiro.test(calidad)
# multivariados Relación entre calidad y claridad por tipo de

región
e1<- ggplot(Wine2, aes(x = claridad, y = calidad, color =
factor(region))) +
geom_point(size = 2, shape=19)+
scale_colour_hue(l = 45)+
geom_smooth(method=lm, aes(fill=factor(region)))+
theme_minimal()+
labs(title = "Relación calidad y claridad por tipo de región")+
# multivariados Relación entre calidad y cuerpo por tipo de región
e2<-ggplot(Wine2, aes(x = cuerpo, y = calidad, color =
factor(region))) +
theme_minimal()+
labs(title = "Relación calidad y cuerpo por tipo de región")+
# multivariados Relación entre calidad y sabor por tipo de región

e3<-ggplot(Wine2, aes(x = sabor, y = calidad, color =
factor(region))) +
theme_minimal()+
labs(title = "Relación calidad y sabor por tipo de región",
ggp_all3 <- (e1+e2+e3)

plot_annotation(title = "Análisis multivariado") &
ggp_all3
# Segundo punto
#2. El archivo geriatra.dat describe datos de un estudio prospectivo

con 100 personas
#de al menos 65 años en buenas condiciones físicas. El objetivo del
estudio es tratar
#de relacionar el promedio de caídas en un periodo de seis meses con
algunas
#variables explicativas. Los datos se describen en el siguiente
orden: caidas (número
#de caídas en el período), intervencion (=0 solo educación, =1
educación y
ejercicios físicos), genero (=0 femenino, =1 masculino), equilibrio
(puntuación) y
#fuerza (puntuación). Para las variables equilibrio y fuerza, a
mayor valor, mayor
#equilibrio y fuerza del individuo, respectivamente. Inicialmente
hacer un análisis
#descriptivo de los datos con las condiciones establecidas en el
intem anterior.
geriatra <- read.table("C:/Users/jrias/OneDrive/Escritorio/TALLER

NIVELATORIO DE R/geriatra.dat", quote="\"", comment.char="")
attach(geriatra)
# conociendo la data
library(readr)
names(geriatra); str(geriatra)
# los vectores son númericos
library(DescTools); Abstract(geriatra)
# renonbrando variables
caidas<-V1; intervencion<-factor(V2); genero<-factor(V3);
equilibrio<-V4; fuerza<-V5
# nueva base de datos

geriatra<-data.frame(caidas, intervencion, genero, equilibrio,
fuerza);geriatra
str(geriatra)
# ahora las variables intervención y género se han convertido en
factores
# caídas e intervención
i1<-ggplot(geriatra, aes(y=caidas, x=intervencion,
color=intervencion,fill= intervencion)) +
geom_boxplot(fill=NA, outlier.size=NA,lwd=1) + guides(fill=FALSE)
+
ylab("caídas") + geom_violin(alpha=0.3,trim=FALSE) +
theme_light()+
labs(title = "Relación entre caída e intervención")+
# caídas y género
i2<-ggplot(geriatra, aes(y=caidas, x=genero, color=genero,fill=
genero)) +
geom_boxplot(fill=NA, outlier.size=NA,lwd=1) + guides(fill=FALSE)
+
ylab("caídas") + geom_violin(alpha=0.3,trim=FALSE) +
theme_light()+
labs(title = "Relación entre caída y género")+
theme(plot.title = element_text(hjust = 0.5))+
theme_classic()
# caídas y fuerza
i3<-ggplot(data = geriatra,
mapping = aes(x = fuerza, y = caidas)) +
geom_point(color = "#249BC0", alpha = 0.7, size = 3) +
geom_smooth(method = "loess", col = "#002F70")+
labs(title = "Relación entre caída y fuerza",
x = "Fuerza",
y = "Caída")+
# caídas y equilibrio
i4<-ggplot(data = geriatra,
mapping = aes(x = equilibrio, y = caidas)) +
geom_point(color = "#249BC0", alpha = 0.7, size = 3) +
geom_smooth(method = "loess", col = "#002F70")+
labs(title = "Relación entre caída y equilibrio",
caption = "Base de datos: Geriatra",
x = "Equilibrio",
y = "Caída")+
theme(plot.title = element_text(hjust = 0.5))+
theme_minimal()
ggp_all4 <- (i1+i2) / (i3+i4) +

plot_annotation(title = "Análisis gráfico") & theme(plot.title =
element_text(hjust = 0.5))
ggp_all4
# histograma de caídas, equilibrio y fuerza

library(paletteer)
library(ggplot2)
library(scales)
x1<-ggplot(data = geriatra, mapping = aes(x = caidas)) +

geom_histogram(
colour = paletteer_c("grDevices::rainbow", 30),
ylab("count") +
theme_bw()+
labs(title = "Histograma de caídas",
caption = "Base de datos: Geriatra")+
library(nortest)
shapiro.test(caidas)
x2<-ggplot(data = geriatra, mapping = aes(x = equilibrio)) +

geom_histogram(
colour = paletteer_c("viridis::cividis", 30),
ylab("count") +
theme_bw()+
labs(title = "Histograma de equilibrio",
library(nortest)
shapiro.test(equilibrio)
x3<-ggplot(data = geriatra, mapping = aes(x = fuerza)) +

geom_histogram(
colour = paletteer_c("grDevices::rainbow", 30),
fill = paletteer_c("viridis::magma", 30))+
ylab("count") +
theme_bw()+
labs(title = "Histograma de fuerza",
library(nortest)
shapiro.test(fuerza)
ggp_all4 <- (x1+x2+x3)

plot_annotation(title = "") & theme(plot.title = element_text(hjust
= 0.5))
ggp_all4

Untitled

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Untitled

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD DE NARIÑO

MAESTRÍA EN ESTADÍSTICA APLICADA

INTEGRANTES: JULIO CÉSAR RIASCOS HERMOZA

MICHAEL STEVEN MORALES PAZ

PEDRO PABLO GARCIA LASSO

DOCENTE: SERGIO ALEXANDER GÓMEZ NOGUERA

31 DE MARZO DEL 2023

SAN JUAN DE PASTO

Lo primero que efectuamos en R Studio es la aplicación de optimización de memoria para el proceso

rm(list = ls()) # limpiamos memoria

Luego, aseguramos la ubicación del archivo de trabajo y, posteriormente, el gurdado de nuestro

1. En el archivo wine.txt son descritas características de una muestra aleatoria de 38 vinos de

SOLUCIÓN Y ANÁLISIS PRIMER PUNTO

Para el análisis bidimensional, inicialmente se exploraron gráficos de dispersión los cuales se

En el caso de la variable equilibrio, el histograma sugiere un débil comportamiento normal, lo que

Finalmente, el histograma de fuerza evidencia un comportamiento similar a la campana de Gauss,

rm(list = ls()) # limpiamos memoria

# Aseguramos la ubicación y el gurdado de nuestro script

# Cargamos los datos

# La base de datos contiene 38 observaciones y 7 variables así:

install.packages("DescTools"); library(DescTools); Abstract(Wine)

# De acuerdo con la estructura de la data todas las variables son

# variable región como factor

# Inicialmente renombre las columnas de la base de datos, usando los

claridad<- claridade; calidad<-qualidade; cuerpo<-corpo; sabor<-

Wine2<-data.frame(claridad, calidad, cuerpo, sabor, aroma, aromab,

# Posteriormente, haga inicialmente un análisis descriptivo

ggp_all <- (g1+g2+g3) / (g4+g5+g6) +

# relaciones calidad vs claridad

# relaciones calidad vs aroma

# relaciones calidad vs aromab

# relaciones calidad vs cuerpo

# relaciones calidad vs sabor

# análisis con Box plot

ggp_all2 <- (f1+f2+f3) / (f4+f5+f6) +

ggplot(data = Wine2, mapping = aes(x = calidad)) +

# multivariados Relación entre calidad y claridad por tipo de

# multivariados Relación entre calidad y sabor por tipo de región

ggp_all3 <- (e1+e2+e3)

#2. El archivo geriatra.dat describe datos de un estudio prospectivo

geriatra <- read.table("C:/Users/jrias/OneDrive/Escritorio/TALLER

# nueva base de datos

ggp_all4 <- (i1+i2) / (i3+i4) +

# histograma de caídas, equilibrio y fuerza

x1<-ggplot(data = geriatra, mapping = aes(x = caidas)) +

x2<-ggplot(data = geriatra, mapping = aes(x = equilibrio)) +

x3<-ggplot(data = geriatra, mapping = aes(x = fuerza)) +

ggp_all4 <- (x1+x2+x3)

También podría gustarte