• Author / Uploaded
• camila maldonado

Citation preview

FASE 5 – POA ESTADÍSTICA DESCRIPTIVA Presentado a: Luis alberto caceres torres

Presentado por: Camila Maldonado c

Código: 1077920854 Grupo

300046_7 Universidad Nacional Abierta y a Distancia UNAD

INTRODUCION El presente trabajo se desarrolla con la finalidad de aplicar lo aprendido durante las fases dos, tres y cuatro del curso, con el objetivo de comprender y profundizar aún más en cuanto a lo temas que presenta la estadística descriptiva para agrarias, para este caso recopilar, clasificar y encontrar las características de datos reales y además comprender de una manera mas clara la importancia de los modelos estadísticos y su desempeño y función dentro de la estadística y sobre todo dentro de las carreras que estamos ejerciendo. Por ende el trabajo se hizo con la finalidad de que nosotros como futuros ingenieros debemos tener en cuenta en todo el caso la estadística descriptiva y sus variables, pero sobre todo saber que se desprende de cada una de ellas y que nos podrían ayudar a resolver, con el fin de contribuir con el planeta para cosas buenas, La estadística descriptiva me arroja mediante la herramienta R, datos, frecuencias, cambios, y probabilidades con las cuales logramos interpretar y sacar conclusiones, de los datos reales.

General ● Identificar las características y datos arrojados por las variables continuas, discretas y cualitativas, empleando los códigos necesarios. Específicos

OBJETIVOS

● ● ● ● ●

Determinar y distinguir una variable discreta, continua y cualitativa de la parte ambiental Identificar los datos que arroja cada una de las variables, según el fenómeno ambiental. Detallar cual es la media de la variable continua. Interpretar las tablas de frecuencias y, los diagramas de barras y algunos índices descriptivos Tener un enfoque real de lo que representa la Estadística Descriptiva en nuestra carrera profesional, identificando métodos precisos para analizar cada variable.

> > # Cuando el volumen de información es alto, se pueden importar de una hoja de cálculo en formato "*.csv" > # Los datos con los que vamos a trabajar se encuentran en el archivo "PROBABILIDAD.CSV" > # Deben descargarlo y ubicar tanto la hoja de cálculo como este código en una misma carpeta (se sugiere nombrarla: "Estadistica Descriptiva" ) > # No abra ni modifique el archivo, sólo guárdelo en la carpeta "Estadistica descriptiva" > > # Vaya al menú de R - "Archivo" > # Dé click en "Cambiar dir" y ubique la carpeta "Estadistica descriptiva", donde deben estar los archivos "CODIGOPROBABILIDAD.txt" y "PROBABILIDAD.csv" >

># VARIABLE CUANTITATIVA DISCRETA > > # Recuerde que debe ubicarse en cada línea del código y digitar al mismo tiempo: "Control+R" para ejecutar cada comando > # No se salte ninguna línea porque puede aparecerle errores en la ejecución de los comandos > > getwd() # Debe aparecer la carpeta "Estadistica descriptiva" donde guardaron los archivos "CODIGOPROBABILIDAD.txt" y "PROBABILIDAD.csv" [1] "D:/documentos/Estadistica descriptiva" > # Si no les aparece la carpeta, el programa R no va a encontrar la base de datos y R mostrará un mensaje de error al intentar abrirla > > PROBA=read.table("PROBABILIDAD.csv",header=T,sep=";",dec=",") > attach(PROBA) > attach(PROBA) # Muestra los nombres de las variables sobre los cuales R va a hacer los cálculos The following objects are masked from PROBA (pos = 3):

ACAROS, ACAROS1, ACAROS10, ACAROS2, ACAROS3, ACAROS4, ACAROS5, ACAROS6, ACAROS7, ACAROS8, ACAROS9, GERMINACION, HOGARES, HOGARES1, HOGARES10, HOGARES2, HOGARES3, HOGARES4, HOGARES5, HOGARES6, HOGARES7, HOGARES8, HOGARES9, LECHONES, LECHONES1, LECHONES10, LECHONES2, LECHONES3, LECHONES4, LECHONES5, LECHONES6, LECHONES7, LECHONES8, LECHONES9, PESOCON0, PESOCON1, PESOCON10, PESOCON2, PESOCON3, PESOCON4, PESOCON5, PESOCON6, PESOCON7, PESOCON8, PESOCON9, pH, pH1, pH10, pH2, pH3, pH4, pH5, pH6, pH7, pH8, pH9, PM, PM1, PM10, PM2, PM3, PM4, PM5, PM6, PM7, PM8, PM9, X

> View(PROBA) # Muestra la tabla de Excel con los datos > > # El grupo debe escoger entre los tres tipos de variables discretas existentes: > # Para los estudiantes de zootecnia, la variable "LECHONES", que es el número de lechones por cerda. > # Para los estudiantes de agronomía, la variable "ACAROS", que es el número de ácaros por hoja. > # Para los estudiantes de ambiental, la variable "HOGARES", que corresponde al número de hogares que reciclan en 100 barrios > # Si el número del grupo es par, seleccionar una de las variables terminada en número par. > # Si el número del grupo es impar, seleccionar una de las variables terminada en número impar. > # Si en el grupo hay estudiantes de distintos programas, deben ponerse de acuerdo para escoger una sola variable con la que van a trabajar >

> CONTEO=HOGARES7 # En esta linea reemplaze la palabra "LECHONES1" por la variable seleccionada por el grupo > > # Si el grupo seleccionó "LECHONES7" entonces la línea previa deberá quedar así: CONTEO=LECHONES7 > # No debe reemplazar nada más, porque de lo contrario puede aparecerle algún error > > min(CONTEO) [1] 5 > max(CONTEO) [1] 30 > table(CONTEO) # Tabla de frecuencias absolutas CONTEO 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 1 4 2 3 2 1 6 4 6 6 3 3 7 8 5 5 2 2 4 4 1 10 3 2 30 6

> fabs=table(CONTEO) # Tabla de frecuencias absolutas > fabs CONTEO 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 1 4 2 3 2 1 6 4 6 6 3 3 7 8 5 5 2 2 4 4 1 10 3 2 30 6 > fabsacum fabsacum 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 1 5 7 10 12 13 19 23 29 35 38 41 48 56 61 66 68 70 23 24 25 26 27 28 30 74 78 79 89 92 94 100 > frel=prop.table(table(CONTEO)) # Tabla de frecuencias relativas > frel CONTEO 5 6 7 8 9 10 11 12 13 14 15 16 17 18 0.01 0.04 0.02 0.03 0.02 0.01 0.06 0.04 0.06 0.06 0.03 0.03 0.07 0.08

19 20 21 22 23 24 25 26 27 28 30 0.05 0.05 0.02 0.02 0.04 0.04 0.01 0.10 0.03 0.02 0.06

> frelacum frelacum 5 6 7 8 9 10 11 12 13 14 15 16 17 18 0.01 0.05 0.07 0.10 0.12 0.13 0.19 0.23 0.29 0.35 0.38 0.41 0.48 0.56 19 20 21 22 23 24 25 26 27 28 30 0.61 0.66 0.68 0.70 0.74 0.78 0.79 0.89 0.92 0.94 1.00 > > # GRAFICOS PARA VARIABLES DISCRETAS > barplot(fabs,ylab="Frecuencias absolutas",main="Gráfico de barras CONTEO") # Frecuencias absolutas > barplot(frel,ylab="Frecuencias relativas",main="FRECUENCIAS RELATIVAS CONTEO") # Frecuencias relativas > barplot(frelacum,ylab="Frecuencias relativas",main="FRECUENCIAS RELATIVAS ACUMULADAS CONTEO") #Frecuencias relativas acumuladas > >

># VARIABLE CUANTITATIVA CONTINUA > > PROBA=read.table("PROBABILIDAD.csv",header=T,sep=";",dec=",") > attach(PROBA) # Muestra el nombre de las variables sobre los que el programa R va a hacer los cálculos The following objects are masked from PROBA (pos = 3):

ACAROS, ACAROS1, ACAROS10, ACAROS2, ACAROS3, ACAROS4, ACAROS5, ACAROS6, ACAROS7, ACAROS8, ACAROS9, GERMINACION, HOGARES, HOGARES1, HOGARES10, HOGARES2, HOGARES3, HOGARES4, HOGARES5, HOGARES6, HOGARES7, HOGARES8, HOGARES9, LECHONES, LECHONES1, LECHONES10, LECHONES2, LECHONES3, LECHONES4, LECHONES5, LECHONES6, LECHONES7, LECHONES8, LECHONES9, PESOCON0, PESOCON1, PESOCON10, PESOCON2, PESOCON3, PESOCON4, PESOCON5, PESOCON6, PESOCON7, PESOCON8, PESOCON9, pH, pH1, pH10, pH2, pH3, pH4, pH5, pH6, pH7, pH8, pH9, PM, PM1, PM10, PM2, PM3, PM4, PM5, PM6, PM7, PM8, PM9, X

The following objects are masked from PROBA (pos = 4): ACAROS, ACAROS1, ACAROS10, ACAROS2, ACAROS3, ACAROS4, ACAROS5, ACAROS6, ACAROS7, ACAROS8, ACAROS9, GERMINACION, HOGARES, HOGARES1, HOGARES10, HOGARES2, HOGARES3, HOGARES4, HOGARES5, HOGARES6, HOGARES7, HOGARES8, HOGARES9, LECHONES, LECHONES1, LECHONES10, LECHONES2, LECHONES3, LECHONES4, LECHONES5, LECHONES6, LECHONES7, LECHONES8, LECHONES9, PESOCON0, PESOCON1, PESOCON10, PESOCON2, PESOCON3, PESOCON4, PESOCON5, PESOCON6, PESOCON7, PESOCON8, PESOCON9, pH, pH1, pH10, pH2, pH3, pH4, pH5, pH6, pH7, pH8, pH9, PM, PM1, PM10, PM2, PM3, PM4, PM5, PM6, PM7, PM8, PM9, X > attach(PROBA) The following objects are masked from PROBA (pos = 3):

ACAROS, ACAROS1, ACAROS10, ACAROS2, ACAROS3, ACAROS4, ACAROS5, ACAROS6, ACAROS7, ACAROS8, ACAROS9, GERMINACION, HOGARES, HOGARES1, HOGARES10, HOGARES2, HOGARES3, HOGARES4, HOGARES5, HOGARES6, HOGARES7, HOGARES8, HOGARES9, LECHONES, LECHONES1, LECHONES10, LECHONES2, LECHONES3, LECHONES4, LECHONES5, LECHONES6, LECHONES7, LECHONES8, LECHONES9, PESOCON0, PESOCON1, PESOCON10, PESOCON2, PESOCON3, PESOCON4, PESOCON5, PESOCON6, PESOCON7, PESOCON8, PESOCON9, pH, pH1, pH10, pH2, pH3, pH4, pH5, pH6, pH7, pH8, pH9, PM, PM1, PM10, PM2, PM3, PM4, PM5, PM6, PM7, PM8, PM9, X The following objects are masked from PROBA (pos = 4):

ACAROS, ACAROS1, ACAROS10, ACAROS2, ACAROS3, ACAROS4, ACAROS5, ACAROS6, ACAROS7, ACAROS8, ACAROS9, GERMINACION, HOGARES, HOGARES1, HOGARES10, HOGARES2, HOGARES3, HOGARES4, HOGARES5, HOGARES6, HOGARES7, HOGARES8, HOGARES9, LECHONES, LECHONES1, LECHONES10, LECHONES2, LECHONES3, LECHONES4, LECHONES5, LECHONES6, LECHONES7, LECHONES8, LECHONES9, PESOCON0, PESOCON1, PESOCON10, PESOCON2, PESOCON3, PESOCON4, PESOCON5, PESOCON6, PESOCON7, PESOCON8, PESOCON9, pH, pH1, pH10, pH2, pH3, pH4, pH5, pH6, pH7, pH8, pH9, PM, PM1, PM10, PM2, PM3, PM4, PM5, PM6, PM7, PM8, PM9, X The following objects are masked from PROBA (pos = 5):

ACAROS, ACAROS1, ACAROS10, ACAROS2, ACAROS3, ACAROS4, ACAROS5, ACAROS6, ACAROS7, ACAROS8, ACAROS9, GERMINACION, HOGARES, HOGARES1, HOGARES10, HOGARES2, HOGARES3, HOGARES4, HOGARES5, HOGARES6, HOGARES7, HOGARES8, HOGARES9, LECHONES, LECHONES1, LECHONES10, LECHONES2, LECHONES3, LECHONES4, LECHONES5, LECHONES6, LECHONES7, LECHONES8, LECHONES9, PESOCON0, PESOCON1, PESOCON10, PESOCON2, PESOCON3, PESOCON4, PESOCON5, PESOCON6, PESOCON7, PESOCON8, PESOCON9, pH, pH1, pH10, pH2, pH3, pH4, pH5, pH6, pH7, pH8, pH9, PM, PM1, PM10, PM2, PM3, PM4, PM5, PM6, PM7, PM8, PM9, X > > # Instalación del paquete "fdth" > # Cuando aparezca el listado, elegir: "fdth" > # Esperar hasta que instale el paquete de comandos, puede tardar varios minutos > # Esperar hasta que el cursor se vea de nuevo de color rojo en la parte de abajo de la Consola R >

> utils:::menuInstallPkgs() # seleccionar: "USA(IA)" y posteriormente: "fdth" --- Please select a CRAN mirror for use in this session --probando la 'https://mirror.las.iastate.edu/CRAN/bin/windows/contrib/3.5/fdth_1.2-5.zip' Content type 'application/zip' length 291569 bytes (284 KB) downloaded 284 KB

URL

package ‘fdth’ successfully unpacked and MD5 sums checked The downloaded binary packages are in C:\Users\USUARIO\AppData\Local\Temp\Rtmpyu3TBb\downloaded_packages > > library(fdth) # si se pone en rojo, significa que quedó correctamente instalada la librería fdth Attaching package: ‘fdth’

The following objects are masked from ‘package:stats’: sd, var >

> # El grupo debe escoger entre los tres tipos de variables continuas existentes: > # Para los estudiantes de zootecnia, la variable "PESOCON", que es el peso de conejos. > # Para los estudiantes de agronomía, la variable "pH", que es el potencial de hidrógeno del suelo. > # Para los estudiantes de ambiental, la variable "PM", que corresponde al material particulado de 2.5 > # Si el número del grupo es par, seleccionar una de las variables terminada en número par. > # Si el número del grupo es impar, seleccionar una de las variables terminada en número impar. > # Si en el grupo hay estudiantes de distintos programas, deben ponerse de acuerdo para escoger una sola variable con la que van a trabajar > > VARIABLECONTINUA=PM3 # En esta linea reemplaze la palabra "PESOCON0" por la variable seleccionada por el grupo > > # Si el grupo seleccionó "PM8" entonces la línea previa deberá quedar así: VARIABLECONTINUA=PM8 >

> summary(VARIABLECONTINUA) Min. 1st Qu. Median Mean 3rd Qu. Max. 9.00 14.00 20.50 19.24 24.25 29.00 > minimos=min(VARIABLECONTINUA) > minimos [1] 9 > maximos=max(VARIABLECONTINUA) > maximos [1] 29 > median(VARIABLECONTINUA) [1] 20.5 > VARIANZA=var(VARIABLECONTINUA) > VARIANZA [1] 35.7398 > sd(VARIABLECONTINUA) [1] 5.978277 > SIGMA=sqrt(VARIANZA) > SIGMA [1] 5.978277 > length(VARIABLECONTINUA) [1] 100 >

># TABLA DE FRECUENCIAS > > dist dist# Esta tabla presenta el intervalo inferior y superior, la frecuencia absoluta (f), frecuencia relativa (rf), frecuencia relativa en porcenaje (rf(%)), frecuencia acumulada (cf) y frecuencia acumulada en porcentaje (cf(%)) Class limits f rf rf(%) cf cf(%) [8.91,11.457) 14 0.14 14 14 14 [11.457,14.005) 12 0.12 12 26 26 [14.005,16.553) 13 0.13 13 39 39 [16.553,19.1) 9 0.09 9 48 48 [19.1,21.648) 11 0.11 11 59 59 [21.648,24.195) 16 0.16 16 75 75 [24.195,26.742) 12 0.12 12 87 87 [26.742,29.29) 13 0.13 13 100 100 >

># GRÁFICOS DE VARIABLES CONTINUAS > > plot(dist, type="fh",col="blue",main="HISTOGRAMA DE FRECUENCIAS ABSOLUTAS") # HISTOGRAMA DE FRECUENCIAS ABSOLUTAS > plot(dist, type="fp",col="blue",main="POLIGONO DE FRECUENCIAS ABSOLUTAS") #POLIGONO DE FRECUENCIAS ABSOLUTAS > plot(dist, type="rfh",col="blue",main="HISTOGRAMA DE FRECUENCIAS RELATIVAS")#HISTOGRAMA DE FRECUENCIAS RELATIVAS > plot(dist, type="cfp",ylim=c(0,100), col="red",main="POLIGONO DE FRECUENCIAS RELATIVAS ACUMULADAS EN PORCENTAJE") #POLIGONO DE FRECUENCIAS RELATIVAS ACUMULADAS EN PORCENTAJE > abline(h=25, col="black") # frecuencia = 25% > abline(h=50, col="red") # frecuencia = 50% > abline(h=75, col="blue") # frecuencia = 75%

> abline(h=100, col="green") # frecuencia = 100% > abline(v=median(VARIABLECONTINUA), col="red") # mediana > abline(v=quantile(VARIABLECONTINUA, 0.25), col="black")# Cuantil Q1 > abline(v=quantile(VARIABLECONTINUA, 0.5),col="red")# Cuantil Q2 (es la misma mediana) > abline(v=quantile(VARIABLECONTINUA, 0.75),col="blue")# Cuantil Q3 > abline(v=max(VARIABLECONTINUA), col="brown") # valor máximo > > # Donde se unen las líneas rojas es la mediana, lo cual indica que hay una probabilidad del 50% de que los datos sean iguales o inferiores a esta. > > #Distribución emprica > ECDF=ecdf(VARIABLECONTINUA) > ECDF Empirical CDF Call: ecdf(VARIABLECONTINUA) x[1:21] = 9, 10, 11, ..., 28, 29 > minimos [1] 9 > maximos [1] 29 > plot(ECDF,col="red",lwd=3,xlab="VARIABLECONTINUA",ylab="Distribución empirica",ylim=c(0,1),xlim=c(minimos,maximos),main="Distribución empirica") # Gráfico de Distribución empírica

> abline(h=0.5, col="red") # la línea horizontal de color rojo, indica el 50% de la frecuencia de la variable > abline(v=median(VARIABLECONTINUA), col="red", ) # la línea vertical de color rojo indica la mediana de la variable > median(VARIABLECONTINUA) # valor de la mediana en la variable elegida [1] 20.5 > abline(v=mean(VARIABLECONTINUA), col="blue", ) # la línea vertical de color azul indica la media de la variable > mean(VARIABLECONTINUA) # valor de la media en la variable elegida [1] 19.24 > # ¿es igual o distinto el valor de la media y la mediana en la variable elegida? > # ¿cómo se puede interpretar esta similitud o diferencia? >

> # CÁLCULO DE PROBABILIDADES > # En el siguiente comando, indique el valor de la media de la variable elegida: > media= 2758.13 > # Ahora indique el valor de la varianza de la variable elegida: > varianza= 151503.1 > sigma=sqrt(varianza) > > # Dentro del rango de valores presente en la variable elegida, indique aquel del que quiere conocer su probabilidad: > valor=2700 > pnorm(valor,media,sigma) [1] 0.4406409 >

GRAFICAS VARIABLE DISCRETA Gráfico de Frecuencias Absolutas – hogares 7

6 4 0

2

Frecuencias absolutas

8

10

Gráfico de barras CONTEO

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

30

La gráfica de frecuencias absolutas nos muestra los datos obtenidos del conteo donde nos dice que en 10 barrios encunestados 26 son los hogares que mas reciclan

Gráfico de Frecuencias Relativas – hogares 7

0.06 0.04 0.00

0.02

Frecuencias relativas

0.08

0.10

FRECUENCIAS RELATIVAS CONTEO

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

30

Aquí se puede observar el conteo de Frecuencias Relativas nos muestra la probabilidad de los intervalos que van creciendo con los datos obtenidos del conteo donde nos dice que en 10% de los barrios encuestados 26% son los hogares que mas reciclan para que los intervalos alcancen la frecuencia relativa más alta que los demás.

Gráfico de Frecuencias Relativas Acumuladas – hogares 7

1.0

FRECUENCIAS RELATIVAS ACUMULADAS CONTEO

0.6 0.4 0.2 0.0

Frecuencias relativas

0.8

se observa en la grafica de frecuencias relativas acumuladas que los valores van ascendiendo de intervalo en intervalo ya que los barrios donde están los hogares tiene un capacidad muy buena a la hora de reciclar. 5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

30

VARIABLE CONTINUA: PM3 Tabla resumen:

Gráfico de Histograma de Frecuencias Absolutas

5

10

El histograma nos muestra los intervalos con las frecuencias mas altas, estos entan entre el intervalo 1 al 6.

0

Frequency

15

HISTOGRAMA DE FRECUENCIAS ABSOLUTAS

8.91

11.46

14.00

16.55

19.10 Class limits

21.65

24.20

26.74

29.29

Gráfico de Polígono de Frecuencias Absolutas

5

10

En esta grafica podemos observar que los datos registrados van en una escala 8 a 29 en forma ascendente

0

Frequency

15

POLIGONO DE FRECUENCIAS ABSOLUTAS

8.91

11.46

14.00

16.55

19.10 Class limits

21.65

24.20

26.74

29.29

Gráfico de Histograma de Frecuencias Relativas

0.10 0.05 0.00

Frequency

0.15

HISTOGRAMA DE FRECUENCIAS RELATIVAS

8.91

11.46

14.00

16.55

19.10 Class limits

21.65

24.20

26.74

29.29

Gráfico de Polígono de Frecuencias Relativas Acumuladas en porcentaje

0

20

40

Frequency

60

80

100

POLIGONO DE FRECUENCIAS RELATIVAS ACUMULADAS EN PORCENTAJE

8.91

11.46

14.00

16.55

19.10

21.65

24.20

26.74

29.29

Class limits

La gráfica de frecuencias relativas acumuladas está mostrando que el 50% tiene PM

nos

Gráfico de distribución empírica con las líneas verticales que ubican la mediana y la media de la variable elegida.

0.6 0.4 0.2 0.0

Distribución empirica

0.8

1.0

Distribución empirica

10

15

20 VARIABLECONTINUA

25

CONCLUSIONES 

Estos métodos estadísticos me permitieron organizar la información de las encuestas obteniendo una mejor interpretación de los datos.  En conclusión se relaciono, se observó y se interpretó la información contenida en cada una de las variables, además se aprendió a correr el código en el programa R.  Conocer un Programa como lo es R, encargado de diferentes procesos estadísticos por medio de códigos empleados, ha sido de gran ventaja en la realización de esta actividad, ya que nos brinda un nuevo método de conteo e identificación de variables, por medio de las gráficas y diagramas obtenidos, teniendo en cuenta que pudimos distinguir las grandes diferencias que existen tanto en la variable continua, como en la discreta y cualitativa.  La realización de este trabajo me permitió conocer la aplicabilidad de probabilidades a diversos tipos de variables, en cuanto a la carrera de Ingeniería Ambiental, se tomaron en cuenta diferentes datos, donde se interpreta los diferentes conceptos, obteniendo información de manera clara y concisa.

BIBLIOGRAFÍAS Texto Balzarini, M. (2013). Estadística y biometría : Ilustraciones del uso e infostat en problemas de agronomía. Disponible en http://www.agro.unc.edu.ar/~mcia/archivos/Estadistica%20y%20Biometria.pdf

Presentación PRACTICO EN R https://drive.google.com/file/d/1h_zti3Rd0YMtqW2hwVcb-4fUQafm-99s/view?usp=sharing