Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Table<- frecuencia
Fr*100 __ porcentaje
CUANTITATIVAS
GENERAL
Color=
Median = mediana
Range = rango
Var = varianza
Sd= desviación
Hist
Tabla_LP<-fdt(Base$Petal.Length,k=7)
Tabla_LP
FILTRAR
Versicolor<-Datos[Datos$Species== ‘versicolor’,]
Nombre que yo le quiera poner <- Nombre de la base [Nombre de la base$variable==’lo que
quiero filtrar’,]
#1.Cuartiles
resumen = summary(Datos$Sepal.Width)
resumen
Q1= resumen[2]
Q2= resumen[3]
Q3= resumen[5]
limites
Resumen Q1[numero]
Datos_inf= Datos[Datos$variable<LI,]
Datos_inf= Datos[Datos$Sepal.Width<LI,]
Datos_sup= Datos[Datos$variable>LS,]
x1 = 0
x2= 1
x3= 2
p1=1/4
p2= 1/2
p3=1/4
media = x1*p1+x2*p2+x3*p3
varianza = (x1-media)^2*p1+(x2-media)^2*p2+(x3-media)^2*p3
desviacion= sqrt(varianza)
PROBABILIDAD
= sum (dbinom(0:2,5,0.7))
dpois ( 1,1.5)
Geometrica
NORMAL
Qnorm
pnorm
qt – cuantil t student
pnorm--- normal
pnorm(6,mean=5.7,sd=1/sqrt(9),lower.tail = FALSE)
=0.1840601 ---- central
#Intervalo de confianza
z #cuantil
L.I = x_barra-z*desviacion/(sqrt(n))
L.I
L.S = x_barra+z*desviacion/(sqrt(n))
L.S
Datos <-c(9.8,10.2,10.4,9.8,10,10.2,9.6)
media=mean(Datos)
desviacion=sd(Datos)
n= length(Datos)
confianza=0.95
t=qt((1-confianza)/2,n-1,lower.tail = FALSE)
L.I= media-t*desviacion/(sqrt(n))
L.I
L.S= media+t*desviacion/(sqrt(n))
L.S
#p:petalos rojos
n=100 #muestra
x= 58 #exitos
q_gorro= 1 - p_gorro
L.I= p_gorro-z*sqrt((p_gorro*q_gorro)/n)
L.I
L.S= p_gorro+z*sqrt((p_gorro*q_gorro)/n)
L.S
Datos <-c(0.90,0.97,1.03,1.10,1.04,1.00)
media=mean(Datos)
desviacion=sd(Datos)
n= length(Datos)
confianza=0.95
t=qt((1-confianza)/2,n-1,lower.tail = FALSE)
L.I= media-t*desviacion/(sqrt(n))
L.I
L.S= media+t*desviacion/(sqrt(n))
L.S
x_barra=mean(Datos)
desviacion=sd(Datos)
n= length(Datos)
confianza=0.95
z = qnorm ((1-confianza)/2, mean=0, sd= 1, lower.tail= FALSE)
z
L.I = x_barra-z*desviacion/(sqrt(n))
L.I
L.S = x_barra+z*desviacion/(sqrt(n))
L.S
#Datos
#Estadistico de prueba
z = (xbarra-mu0)/(s/sqrt(n))
#valor p
alpha= 0.05
cuantil
#evidencia para probar que los estadounidenses estan excediendo una ingesta
#Caso 2
#Datos
Datos<-c(0.46,0.61,0.52,0.48,0.57,0.54)
mu0=0.5 #miu_0
n= length(Datos) #muestra
t = (xbarra-mu0)/(s/sqrt(n))
#valor p
valorp
alpha= 0.05
cuantil
#evidencia para probar que el peso promedio de los diamantes es mayor a 0.5 quilates
#Ejercicio 7
#Datos
Datos<-c(132,33,91,108,67,169,54,203,190,133,96,30,187,21,63,166,84,110,157,138)
n = length(Datos) #muestra
xbarra
t = (xbarra-mu0)/(s/sqrt(n))
#valor p
valorp
#no rechazo a H0
cuantil
#Conclusion: no rechazo H0 porque t>cuantil, por lo tanto no hay suficiente evidencia estadistica
#para rechazar la hipotesis nula, es decir se puede asumir un promedio igual a 110