Este documento presenta un taller sobre el uso del programa estadístico R. Se divide en 4 partes: introducción, definiciones y comandos básicos, estadísticas descriptivas e inferenciales utilizando R, y práctica y aplicación. Enseña cómo instalar R, utilizar ayuda, paquetes, variables, vectores, matrices y funciones básicas para realizar análisis estadísticos.
Es un índice estadístico que mide la relación lineal entre dos variables cuantitativas. A diferencia de la covarianza, la correlación de Pearson es independiente de la escala de medida de las variables.
Presentación que analiza la varianza de las medias y su importancia en la toma de decisiones, se comparan resultados mediante el uso de Stata y SPSS, para ello se trabaja de manera manual los cálculos, llegando al final a utilizar el software existente para verificar los resultados.
Es un índice estadístico que mide la relación lineal entre dos variables cuantitativas. A diferencia de la covarianza, la correlación de Pearson es independiente de la escala de medida de las variables.
Presentación que analiza la varianza de las medias y su importancia en la toma de decisiones, se comparan resultados mediante el uso de Stata y SPSS, para ello se trabaja de manera manual los cálculos, llegando al final a utilizar el software existente para verificar los resultados.
A continuación presento un análisis estadístico en el cual determino si existe una diferencia significativa entre las calificaciones que obtuvieron los estudiantes de un grupo de 40 personas, el cual fue dividido en partes iguales para trabajar en dos entornos virtuales de aprendizaje distintos (uno Moodle y el otro Google Apps).
Lenguaje de programacion orientado a la estadística R.lola-stefy
En el presente trabajo el objetivo primordial es conocer el significado, la utilidad, en si conocer para que nos puede ayuda el lenguaje de programación orientado a la estadística R.
El saber su significado y utilidad nos ayudara a entender más sobre dicho programa y así ponerlo en practica.
Recapitulando con esta tarea se podrá identificar la funcionalidad de dicho lenguaje.
Primera charla interaula del Aula de Videojuegos de la Universidad de Sevilla.
En esta charla utilizamos un juego muy sencillo para describir y entender los principales componentes de un programa: variables, bucles, condicionales, etc.
Se verán ejemplos en distintos lenguajes de programación
Primera Interaula, 'Programación para no programadores'AulaDeVideojuegos
Primera charla interaula del Aula de Videojuegos de la Universidad de Sevilla.
En esta charla utilizamos un juego muy sencillo para describir y entender los principales componentes de un programa: variables, bucles, condicionales, etc.
Se verán ejemplos en distintos lenguajes de programación
Curso de R: 1.1. introducción al lenguaje (Objetos y operadores básicos)Nerys Ramírez Mordán
El documento representa el primer módulo del curso de programación en R impartido por la Universidad Autónoma de Santo Domingo (UASD). El mismo incluye una introducción elemental al uso de los objetos y operadores básicos en R. Además incluye ejemplos comentados y ejercicios para ir verificando el avance.
El objetivo de está presentación no es desarrollar un tutorial acerca de cómo empezar a usar R, más bien tratar de convencer al interesado de que invertir tiempo en desarrollar habilidades y competencias en el software es una buena inversión.
Gestión y Análisis de Datos para las Ciencias Económicas con Python y RFrancisco Palm
El desarrollo conjunto de Python y R representan probablemente el factor individual más decisivo en el futuro del análisis de datos y el cómputo numérico.
Enfoque: La importancia de la investigación y la compilación de datos fiables
TEMAS:
La importancia de la investigación y la compilación de datos fiables
La universidad como agente de cambio
Cómo liderar iniciativas de impacto, educación y cambio sostenible,
ODS y liderazgo: Para desarrollo y emprendimiento
Enmarcar la innovación en la educación superior a la realidad de Puerto Rico.
¿Qué es innovación?
Demografía y estructura
Cambios en la matrícula
Innovación para el futuro
Retos y propuestas
Datos Demograficos y Estadisticas Relevantes para Futuros FarmaceuticosDr. Orville M. Disdier
Exponer algunos datos y fuentes de información a futuros farmacéuticos.
Contexto demográfico
Impacto de la pobreza
Fuentes de datos del Instituto
Fuentes externas
Conociendo Fuentes de Datos apropiadas para establecer Medidas Basales en Pla...Dr. Orville M. Disdier
Propósito: Exponer algunas fuentes de información disponibles en el Instituto, relacionadas al cáncer en Puerto Rico.
Contexto demográfico
Impacto de la pobreza
Fuentes de datos
Importancia de las estadísticas oficiales
Plantear posibles estrategias de sustentabilidad económica para el sistema de educación superior.
Contexto general de la población
Cambio en la estructura poblacional
Impacto de la pobreza
Cambios en la matrícula
El futuro
Mi propuesta
Propósito:
Brindar un panorama de la realidad del sector educativo en Puerto Rico y de los retos que enfrenta.
Contexto general de la población
Cambio en la estructura poblacional
Impacto de la pobreza
Cambios en la matrícula
El futuro
Mi propuesta
Propósito: Brindar un panorama general de los retos que enfrenta la Educación Superior en Puerto Rico.
Temas:
Contexto general de la población
Cambio en la estructura poblacional
Impacto de la pobreza
Cambios en la matrícula
El futuro
Mi propuesta
En cada familia (sin importar de cuántas personas se componga) puede haber un Belmont. Un líder que pueda mostrarle a sus miembros cuál es el camino correcto; que pueda demostrar con palabras y con acciones cómo debemos forjar desde hoy la sociedad puertorriqueña que necesitamos.
Caracteristicas de la poblacion postsecundaria - Una mirada al futuroDr. Orville M. Disdier
Contexto demográfico
Cambio en la estructura de edad
Mortalidad
Pobreza y desigualdad
Cambios en la matrícula de estudiantes
¿Qué podemos esperar en el futuro cercano?
Reflexiones finales
Financiamiento educacion post secundaria hacia un desarrollo sostenibleDr. Orville M. Disdier
Brindar un panorama general de los cambios en matrícula y financieros
Contexto demográfico
Cambios en la matrícula de estudiantes
Cambios en el financiamiento
Reflexiones finales
Población y movimiento migratorio
Cambio en la estructura de edad y envejecimiento poblacional
Mortalidad
Pobreza y desigualdad
Cambios en el sistema educativo
Presentación de los resultados de las Pruebas META-PR 2017-2018. Presentación, ofrecida por la Secretaria de Educación, titulada "Medición y Evaluación para la transformación académica de Puerto Rico. La ponencia se fue ofrecida el 23/07/2018.
Ponencia en I SEMINARIO SOBRE LA APLICABILIDAD DE LA INTELIGENCIA ARTIFICIAL EN LA EDUCACIÓN SUPERIOR UNIVERSITARIA. 3 de junio de 2024. Facultad de Estudios Sociales y Trabajo, Universidad de Málaga.
SEMIOLOGIA DE HEMORRAGIAS DIGESTIVAS.pptxOsiris Urbano
Evaluación de principales hallazgos de la Historia Clínica utiles en la orientación diagnóstica de Hemorragia Digestiva en el abordaje inicial del paciente.
IMÁGENES SUBLIMINALES EN LAS PUBLICACIONES DE LOS TESTIGOS DE JEHOVÁClaude LaCombe
Recuerdo perfectamente la primera vez que oí hablar de las imágenes subliminales de los Testigos de Jehová. Fue en los primeros años del foro de religión “Yahoo respuestas” (que, por cierto, desapareció definitivamente el 30 de junio de 2021). El tema del debate era el “arte religioso”. Todos compartíamos nuestros puntos de vista sobre cuadros como “La Mona Lisa” o el arte apocalíptico de los adventistas, cuando repentinamente uno de los participantes dijo que en las publicaciones de los Testigos de Jehová se ocultaban imágenes subliminales demoniacas.
Lo que pasó después se halla plasmado en la presente obra.
La Unidad Eudista de Espiritualidad se complace en poner a su disposición el siguiente Triduo Eudista, que tiene como propósito ofrecer tres breves meditaciones sobre Jesucristo Sumo y Eterno Sacerdote, el Sagrado Corazón de Jesús y el Inmaculado Corazón de María. En cada día encuentran una oración inicial, una meditación y una oración final.
Triduo Eudista: Jesucristo, Sumo y Eterno Sacerdote; El Corazón de Jesús y el...
Estadisticas Descriptivas e Inferencia utilizando R (Taller Intermedio) UPDATED
1. Estadística Descriptiva e
Estadística Descriptiva e
Inferencia utili ando R
Inferencia utilizando R
(Updated)
Programa Estadístico de “Código Abierto”
versión 2.10.1
Dr Orville M Disdier
Dr. Orville M. Disdier
Prof. Disdier Ver. 020310
2. Objetivos
Obj ti
1. Exponer las posibles ventajas y desventajas del
Exponer las posibles ventajas y desventajas del
programa R.
2. Definir y demostrar algunos comandos y
2 Definir y demostrar algunos comandos y
operaciones básicas.
3. Demostrar el uso de R para realizar estadísticas
3 D t l d R li t dí ti
Descriptivas
Inferenciales
Medidas de correlación y regresión
4. Practicar y aplicar lo aprendido.
2
Prof. Disdier
3. Diseño del Taller
Parte 1
Parte 1
Introducción
Parte 2
Definiciones, comandos y operaciones
D fi i i d i
Práctica y
Aplicación
Parte 3
Parte 3
Estadísticas
3
Prof. Disdier
5. ¿Qué es R?
• R t dí ti d R
R es un programa estadístico creado por Ross
Ihaka y Robert Gentleman de la Universidad de
Aukland, Nueva Zelandia
A kl d N Z l di
Para el manejo de datos, gráficas y cálculos.
• Desde 1995 se distribuye gratis a través de
Internet
Bajo los términos de la GNU General Public Licence
http://www.gnu.org/
• Desde el 1997 un “core group” lo maneja
Asistido de una gran cantidad de colaboradores
Asistido de una gran cantidad de colaboradores
internacionales.
5
6. ¿Qué es R?
¿Qué es R? (continuación)
• Está basado en los programas S y S‐Plus, es
gratis y completamente programable, lo que
brinda flexibilidad en el análisis.
• Un gran número de paquetes suplementan a R,
, q
también accesibles a través de Internet, lo que
convierte a R en un sistema integrado de
p
herramientas para el análisis de datos.
6
8. Gráficas en R
data2
d t 2 = read.table(file=”/home/scott/resultset.csv”,sep=”,”,header=TRUE)
d t bl (fil ”/h / tt/ lt t ” ” ” h d TRUE)
install.packages(”ggplot2″)
library(ggplot2)
p g(
png(file=”temp anom.png”)
p_ p g)
qplot(year,temp_anom,data=data2,geom=c(”point”,”smooth”,”jitter”),alpha=I(1/10),y
lim=c(-4,4),main=”Global Temp. Anom.nHigh Reliability
Stations”,xlab=”Year”,ylab=”Temp (Deg. F)”)
dev.off()
dev off()
8
10. Instalación
I l ió
• Se accede a través del “Comprehensive R
Archive Network (CRAN) en la página:
Archive Network” (CRAN) en la página:
http://cran.r‐project.org.
• Disponible en tres plataformas: Windows
Disponible en tres plataformas: Windows,
MacOS X y Linux.
• L
La versión actual para Windows es R 2.10.1.
ió t l Wi d R 2 10 1
Es actualizada constantemente
1
17. Parte II
Parte II
Definiciones, comandos y operaciones
17
Prof. Disdier
18. Ayuda (Help)
A d (H l )
• Utilizar el “Help” en el menu del programa.
• Utilizar el comando:
Utilizar el comando:
> help.start()
>help.search(search string)
> help(function), ej. >help(plot)
>?plot
18
Prof. Disdier
19. Paquetes de R
• Programas que se le pueden añadir a R para
q
que realice funciones especializadas.
p
• Al instalar R se instalan algunos paquetes
básicos
http://cran.r-project.org/index.html
p p j g
19
Prof. Disdier
20. Paquetes de R
• Paquetes activos
>search()
• Paquetes disponibles para activar
Paquetes disponibles para activar
>library()
20
Prof. Disdier
23. Operaciones matemáticas básicas
O i t áti bá i
Operación Símbolo en R
Símbolo en R
Suma +
Resta ‐
Multiplicación *
División /
Potencia ^
23
Prof. Disdier
24. Orden de evaluación matemática
1 2 3
• Sumas
^ Potencias */ •Multiplicaciones
• divisiones +‐ • Restas
10+5 3 2/10
10+5^3*2/10
10+5^3*2/10 = 10+125 *2/10
10+125*2/10 = 10+25
10+25 =
24
Prof. Disdier
25. Funciones matemáticas
Raíz cuadrada sqrt()
Exponenciación, e^x, e=2.7182 exp()
p , ,
Logaritmo natural log()
Logaritmo base 10 log10()
Seno sin()
()
Coseno cos()
Número aleatorios runif(n,min,max)
round(runif(n,min,max),0)
Valor absoluto
Valor absoluto abs()
25
Prof. Disdier
27. Variables
a ab es
• Se puede crear o asignar utilizando “=“ ó “<‐”.
• Mantiene el valor hasta que sea borrada o se le
l l h b d l
asigne otro valor.
• Sus nombres no pueden empezar con un número.
• R es “case sensitive”.
• Las variables pueden ser numéricas o de
caracteres.
• Evitar los siguientes nombres: c, q, t, C, D, F, I, T.
27
Prof. Disdier
28. Obje os
Objetos
• Variables, valores
• Ver llos objetos d
b disponibles:
bl
>ls()
>objects()
• Ver el valor del objeto
j
>nombre del objeto
• Borrar o eliminar objetos
Borrar o eliminar objetos
>rm(nombre del objeto)
28
Prof. Disdier
29. Vectores
e o es
• Colección de objetos (números, caracteres, otros)
• Concatenación de objetos nuevos o existentes,.
ó d b
• Comando:
>vector1= c(1,2,3,4,5)
• Vector secuencial
>seq(min,max,increment)
>(desde):(hasta)
• “Sort”
>sort(x)
29
Prof. Disdier
30. Vectores
e o es (
(continuación)
)
• Extracción de valores de un vector
>x=c(1,10,3,20,14)
( )
> vector[posición del valor a extraer]
>x[5]
[ ]
[1] 14
> x[c(2,4)] # Extrae elementos en la posición 2 y
4 solamente
• [1] 10 20
> x[‐c(2,4)] # Remueve los elementos 2 y 4
> x[‐c(2 4)] # Remueve los elementos 2 y 4
[1] 10 12 13 14 15 16 17 18 19 20 30
Prof. Disdier
31. Funciones para vectores
Función
ió Descripción
i ió
length(v) Largo del vector v
min(v) Mínimo
max(v) Máximo
( )
sum(v) Suma de todos los elementos de v
prod(v) Producto de los elementos de v
mean(v) Media
median(v) Mediana
var(v) Varianza
sd(v) Desviación estándar
cor(v,w) Correlación entre dos vectores
sort(v) Organiza los elementos en forma ascendente
Organiza los elementos en forma ascendente
Quantile(v) Cuartilas empíricas 31
Prof. Disdier
32. Operaciones lógicas
O i ló i
Operación Símbolo en R
Símbolo en R
Menor a <
Menor o igual a <=
y
Mayor a >
Mayor o igual a >=
Exactamente igual a
Exactamente igual a ==
Diferente a !=
32
Prof. Disdier
33. Observaciones incompletas
p
(missing values)
• Los missing se establecen con las letras NA.
• Si una variable incluye un NA entre sus valores, los
cálculos no se podrán realizar y el resultado será:
NA.
• Para que el NA no se considere en los cálculos hay
que escribir la siguiente instrucción:
>na.rm=TRUE
33
Prof. Disdier
34. Observaciones incompletas:
Ejemplo
Ej l
• Asignar valores a una variable.
g
>pagos=c(200,300,150,NA)
• Calcular la media
Calcular la media
> mean(pagos)
[1] NA
[1] NA
• Calcular la media sin considerar el missing
> mean(pagos, na.rm=TRUE)
[1] 216.6667
34
Prof. Disdier
35. Matrices
• Son arreglos de filas y/o columnas
• Se crean utilizando:
> matrix(data,nrow,ncol,byrow=F)
Se crearán por columnas
Se crearán por columnas
• Crear una matriz 2x4 (row by col)
>z=c(2,4,5,7,2,9,14,15)
>z c(2 4 5 7 2 9 14 15)
>matrix1=matrix(z,2)
[,1] [,2] [,3] [,4]
[1,] 2 5 2 14
[2,] 4 7 9 15
35
Prof. Disdier
36. Ejercicio
• Crear una matriz utilizando la siguiente tabla:
36
Prof. Disdier
38. Ejercicio
• Calcule el promedio del número de matrimonios:
38
Prof. Disdier
39. Lectura de datos externos
e u a de da os e e os
• Di
Directorio d
i de trabajo (“
b j (“working directory”)
ki di ”)
> getwd()
Indica cual es el directorio de trabajo
> setwd("Z:/Proyecto 2 (Academias)/Taller R")
Establece el nuevo directorio de trabajo
39
Prof. Disdier
40. Lectura de datos externos
e u a de da os e e os (
(continuación)
)
• Importar de Excel
• Convertir a CSV
1 • “Save as CSV comma delimited”
• Asignar nombre y leer
2 • >Datos.Tabla1=read.csv(“TABLA 1 ‐INFORME DE PUNTUACIONES.csv",header=T)
• Ver y corroborar
3 • >Datos.Tabla1
• Activar los datos (“Attach”)
4 • >attach(Datos.Tabla1)
40
Prof. Disdier
41. Editor de datos
d o de da os
• A i l
Activar la pantalla de edición
ll d di ió
>fix(objeto o variable)
• Editar el contenido de una variable
>fix(pagos)
• Remover (objetos o variables)
>rm(pagos)
41
Prof. Disdier
42. Gráficas
á as
• Plot (x versus y)
>plot (x, y)
l ( )
>ejex=c(1,2,3,4,5,6,7,8,9,10)
> ejey=c(1,2,3,4,5,6,7,8,9,10)
> plot(ejex,ejey)
p ( j j y)
42
Prof. Disdier
43. Gráficas
á as (
(continuación)
)
• hist () #histograma
>f=c(10,30,30,40,50,60,80,100)
f ( )
>hist (f)
43
Prof. Disdier
44. Gráficas de Barra (Plot)
á as de a a ( o )
• barplot(x)
>impuestos=c(196,178,116) #en miles de millones
>names(impuestos)=c(“ventas”,”inmuebles”,”renta”)
>barplot(impuestos)
44
Prof. Disdier
45. Gráficas de Barra (Dotchart)
á as de a a ( o a )
• dotchart(x), xlab=“label ejex”, main=“titulo”
>dotchart(impuestos, xlab=“Impuestos en millones”,
main=“Impuestos según procedencia”, pch=“@”)
45
Prof. Disdier
47. Resguardo (“Save”)
esgua do ( Sa e )
• Guardar (“save”) los datos y variables
worksapce.RData
k
Workspace.RData
• Guardar el historial (comandos y texto)
( y )
history.Rhistory
47
Prof. Disdier
49. TABLA 1
INFORME DE PUNTUACIONES
Escuela: Del Monte Arriba
Puntuaciones
ID
ID NOMBRE SEXO EDAD
EDAD
Examen #1 Examen #2
1 José Hernández M 8 80.5 90.2
2 Pietra Colón F 9 70.6 76.9
3 Augusto Candela M 10 54.9 50.1
4 Jorge Castro M 9 100 100
5 Alexis Rodríguez M 8 98.3 92.4
6 Julio Valle M 8 32.1 45.2
7 María Valle F 10 89.6 85.4
8 Pedro Caraballo M 9 99.5 89.6
9 Ivelise Dessert F 8 69.7 72.5
10 Félix Mirabal M 9 84.5 88.7
49
Prof. Disdier
50. Ejercico #1
je o
1. Sumar Edad
2. Promedio Puntuaciones Examen #2
Examen #2
EDAD
ID NOMBRE SEXO EDAD
Examen #1
Puntuaciones
Examen #2 90.2
1 José Hernández M 8 80.5 90.2
2 Pietra Colón F 9 70.6 76.9
3 Augusto Candela M 10 54.9 50.1
4
5
6
Jorge Castro
Alexis Rodríguez
Julio Valle
M
M
M
9
8
8
100
98.3
32.1
100
92.4
45.2
76.9
7
8
9
María Valle
Pedro Caraballo
Ivelise Dessert
F
M
F
10
9
8
89.6
99.5
69.7
85.4
89.6
72.5
8
10 Félix Mirabal M 9 84.5 88.7
50.1
9
100
10
92.4
9
8 45.2
8 85.4
10 89.6
9 72.5
8
88.7
50
9
Prof. Disdier
53. TABLA 2
ESTATURA Y PESO DE LOS ESTUDIANTES
Escuela: Del Monte Arriba
ID Estatura (pulg.) Peso (lbs.)
1 66 140
2 67 180
3 58 130
4 73 200
5 69 175
6 67 180
7 71 179
53
Prof. Disdier
54. Ejercico #2
je o
1. Media, Mediana, Var, Min, y Max Estatura
2. Media, Mediana, Var, Min, y Max Peso
54
Prof. Disdier
55. Resultados‐Ejercico #2
esu ados je o
1. Media, Mediana, Var, MIN, y Max Estatura:
Media = 67.3
di 6 3
Mediana = 67
Var = 22.9
Min = 58
Max = 73
> estatura=c(66,67,58,73,69,67,71)
> estatura=c(66 67 58 73 69 67 71)
> mean(estatura)
[1] 67.28571
> median(estatura)
[1] 67
> var(estatura)
[1] 22.90476
> min(estatura)
> min(estatura)
[1] 58
> max(estatura)
55
[1] 73
Prof. Disdier
56. Resultados‐Ejercico #2
esu ados je o
2. Media, Mediana, Var, MIN, y Max Peso:
Media = 169.9
di 69 9
Mediana = 179
Var = 616.8
Min = 130
Max = 200
> peso=c(140,180,130,200,175,180,179)
> peso=c(140 180 130 200 175 180 179)
> mean(peso)
[1] 169.1429
> median(peso)
[1] 179
> var(peso)
[1] 616.8095
> min(peso)
> min(peso)
[1] 130
> max(peso)
56
[1] 200
Prof. Disdier
57. TABLA 3
TABLA DE DEMANDA
Unidades vendidas de la novela “La Cosquilla” según su precio
Precio de venta ($) Unidades vendidas
10 5
9 9
8 13
7 17
6 21
5 25
57
Prof. Disdier
58. Ejercico #3
je o 3
1. Correlación Precio versus Unidades
2. Plot Precio versus Unidades (curva de demanda)
58
Prof. Disdier
59. Resultados‐Ejercico #3
esu ados je o 3
1. Correlación Precio versus Unidades:
r = ‐1
> precio=c(10,9,8,7,6,5)
> precio=c(10 9 8 7 6 5)
> unidades=c(5,9,13,17,21,25)
> cor(precio,unidades)
[1] ‐1
59
Prof. Disdier
60. Resultados‐Ejercico #3
esu ados je o 3
2. PLOT Precio versus Unidades:
> plot(unidades,precio)
60
Prof. Disdier
61. TABLA 4
TABLA DE EXPORTACION
Exportación de Frutas y Vegetales
Frutas y vegetales Unidades exportadas (quintales)
Yautía 100
Guineos 680
Platanos maduros 789
Platanos verdes 150
61
Prof. Disdier
62. Ejercico #4
je o
1. Generar una gráfica de barra Tabla 4
62
Prof. Disdier
63. Resultados‐Ejercico #4
esu ados je o
1. Generar una gráfica de barra Tabla 4:
> frutyveg=c(100,680,789,150)
> names(frutyveg)=c("Yautia","Guineos","Platanos maduros","Platanos verdes")
> barplot(frutyveg)
63
Prof. Disdier
64. Parte III
Parte III
Análisis Estadístico
64
Prof. Disdier
65. TABLA 2
Informe de Puntuaciones – Estudiantes de 5to Grado
Escuela: Del Monte Arriba
65
Prof. Disdier
66. Leer los datos externos
ee os da os e e os
• Importar de Excel 2007
• Convertir a CSV
1 • “Save as CSV comma delimited”
• Asignar nombre y leer
2 • >Datos.Tabla2=read.csv(“TTABLA 1 ‐PUNTUACIONES 5to GRADO.csv",header=T)
• Ver y corroborar
3 • >Datos.Tabla2
• Activar los datos (“Attach”)
4 • >attach(Datos.Tabla2)
66
Prof. Disdier
67. Frecuencias
• Comandos
> Tablasexo= table(NOMBRE,SEXO)
> margin.table(Tablasexo,2)
• Ejemplo • Ejemplo
> Tablasexo= table(NOMBRE,SEXO)
> Tablasexo > margin.table(Tablasexo,2)
SEXO
NOMBRE F M
Alexis Rodríguez 0 1
Augusto Candela 0 1
SEXO
Barbie Agosto 1 0
Betty Correa 1 0 F M
Claudia Natann 1 0
Darío Damian 0 1
Félix Mirabal 0 1 12 18
Florinda Mesa 1 0
Francisco Revedrón 0 1
Harold Cruz 0 1
Heriberto Tariel 0 1
Ivelise Dessert 1 0
Jaime Justo 0 1
Jason Killer 0 1
Jessica Fiel 1 0
Jorge Castro 0 1
Jorge Manso 0 1
José Hernández 0 1
Josefa Negrón 1 0
Juanita García 1 0
Julieta Fragón 1 0
Julio Valle 0 1
María Valle 1 0
Noel Zimbaue 0 1
Osvaldo Ortiz 0 1
Papo López 0 1
Pedro Caraballo 0 1
Pietra Colón 1 0
Rafael Kintero 1 0
Roberto Diario 0 1
Prof. Disdier 67
68. t‐test (datos independientes)
• Comandos
> var.test (grupo1, grupo2)
> t.test(grupo1,grupo2,var.equal=TRUE)
• Ejemplo • Ejemplo
> # Prueba de igualdad de varianzas > # Prueba t (dos lados)
> var.test(Examen1,Examen2) > t.test(Examen1,Examen2,var.equal=TRUE)
F test to compare two variances Two Sample t‐test
data: Examen1 and Examen2 data: Examen1 and Examen2
F = 1.5171, num df = 29, denom df = 29, p‐ t = ‐1.7499, df = 58, p‐value = 0.08542
value = 0.2675 alternative hypothesis: true difference in
alternative hypothesis: true ratio of variances means is not equal to 0
is not equal to 1
is not equal to 1 95 percent confidence interval:
95 percent confidence interval:
95 percent confidence interval: 0.7220987 ‐19.223465 1.290131
3.1874762 sample estimates: mean of x mean of y
sample estimates: ratio of variances 1.517126
Prof. Disdier 70.13333 79.10000 68
69. Nueva Pasta Dental
En un estudio se obtuvo una muestra de tres grupos de personas: se preguntó a 100
hombres, 130 mujeres y 90 niños, si les agradaba o no el sabor de una nueva pasta
dental. Los resultados fueron los siguientes:
Las hipótesis son:
H0: La proporción de “gusto por la nueva pasta dental” es la misma en los tres grupos
de personas
H1: Al menos en uno de los grupos la proporción es diferente
diferente.
69
Prof. Disdier
70. Chi‐cuadrada
• Comandos
> a=matrix(c(datos),nc=columnas)
> chisq test(matriz)
chisq.test(matriz)
• Ejemplo
> # Crear la matriz
> a=matrix(c(60,40,67,63,49,41),nc=3)
> # Ver la matriz
> a
[,1] [,2] [,3]
[1,] 60 67 49
[2,] 40 63 41
> #Prueba de Chi
> chisq.test(a)
Pearson's Chi‐squared test
data: a
X‐squared = 1.6507, df = 2, p‐value = 0.4381 70
Prof. Disdier
Notas del editor
ESTADISTICAS DESCRIPTIVAS# Establecer el folder de trabajo y Leer los datossetwd("L:/Academia B01b (Viernes AM)/EstadisticasR")Datos.Tabla1=read.csv("TABLA 1 - PUNTUACIONES 5to GRADO.csv",header=T)# Ver los datosparaidentificarlas variablesDatos.Tabla1# Activar los datosattach(Datos.Tabla1)# Activarpantalla de edicionfix(Datos.Tabla1)# Cuartilassummary (EDAD)
PRUEBA T DATOS INDEPENDIENTES# PRUEBAS T# Datos Independientes# Prueba de igualdad de varianzasvar.test(Examen1,Examen2)# Prueba t (dos lados)t.test(Examen1,Examen2,var.equal=TRUE)
Chi-Cuadrada# CHI-CUADRADA# Crear la matriza=matrix(c(60,40,67,63,49,41),nc=3)# Ver la matriza#Prueba de Chichisq.test(a)
CORRELACION# Correlacion entre Examen 1 y Examen 3cor(Examen2,Examen3)# Correlacion entre Examen 1 y Examen 2cor(Examen1,Examen2)# Correlacion entre Examen 2 y Examen 3cor(Examen2,Examen3)# PLOTplot(Examen1,Examen2)