INFORME DE MEDIDAS NUMÉRICAS EN EL SOFTWARE “R”
JEFFERSON JAHYR JORDAN CABRERA
ESCUELA SUPERIOR POLITÉCNICA DE CHIMBORAZO
CARRERA DE INGENIERÍA EN SOFTWARE
ESTADÍSTICA
RESUMEN
Dentro del presente informe, se detalla minuciosamente el paso a paso de cómo usar de manera
eficiente el software para manipulación de datos “R”
Se parte desde el proceso de instalación del software, posteriormente, la implementación y el uso
de este con un ejemplo el cual fue realizado manualmente en el aula de clases.
Tabla de Contenidos
Introducción
Instalación del software “R”
Listado de comandos y nombres de los gráficos
Ejemplo práctico propuesto en clases
Gráficos
Conclusiones
Introducción
En el ámbito de la estadística y el análisis de datos, la utilización de medidas numéricas
desempeña un papel fundamental para comprender y describir fenómenos complejos. El
software "R" se ha consolidado como una herramienta esencial en este campo, proporcionando
a los analistas y científicos de datos una amplia gama de funciones y bibliotecas para llevar a
cabo cálculos precisos y análisis estadísticos de alta calidad.
Este informe se centra en la exploración y aplicación de medidas numéricas en el contexto del
software "R". Estas medidas, también conocidas como estadísticas descriptivas, permiten
resumir, cuantificar y caracterizar los datos de manera objetiva, brindando una comprensión
profunda de las distribuciones, tendencias y variabilidades presentes en un conjunto de datos.
La aplicación de medidas numéricas en "R" ofrece una ventaja crucial al proporcionar
resultados precisos y reproducibles, lo que resulta esencial en la toma de decisiones basadas en
datos y en la validación de hipótesis.
A lo largo de este informe, exploraremos diversas medidas numéricas, tales como medidas de
tendencia central, de dispersión, de forma, y de asociación, y examinaremos cómo se calculan
y utilizan en el software "R". Al comprender en detalle estas medidas, los profesionales de la
estadística y la ciencia de datos podrán mejorar su capacidad para analizar datos de manera
efectiva y comunicar hallazgos de manera más precisa
Instalación del software “R”
1. Para instalar R primero debemos instalar el software R. Para ello,
visitarla página web: www.r-project.org. Dar click en Download –
CRAN y seleccionar el servidor 0-Cloud.
2. Seleccionar el sistema operativo deseado: Linux, Mac OS X, Windows.
3. Dar click en “install R for the first time”
4. Descargar el fichero
5. Ir a la carpeta de descargas y ejecutar el fichero de instalación
Listado de comandos y nombres de los gráficos
Asignación de variables:
<- o =: Se utilizan para asignar valores a variables. Por ejemplo: x <- 10 o y = c(1, 2, 3).
Operaciones matemáticas:
+, -, *, /: Operadores aritméticos para realizar operaciones matemáticas.
^: Para elevar un número a una potencia.
Funciones matemáticas:
sqrt(): Para calcular la raíz cuadrada.
log(): Para el logaritmo natural.
exp(): Para el exponencial.
Estructuras de datos:
vector(): Para crear vectores.
matrix(): Para crear matrices.
data.frame(): Para crear data frames, que son estructuras de datos tabulares.
list(): Para crear listas que pueden contener diferentes tipos de datos.
Funciones estadísticas:
mean(): Calcula la media.
median(): Calcula la mediana.
sd(): Calcula la desviación estándar.
var(): Calcula la varianza.
cor(): Calcula la correlación.
Control de flujo:
if(): Estructura condicional para tomar decisiones.
for(), while(): Bucles para la iteración.
Gráficos:
plot(): Para crear gráficos.
hist(): Para crear histogramas.
boxplot(): Para crear diagramas de caja.
Lectura y escritura de datos:
read.csv(), read.table(): Para leer datos desde archivos.
write.csv(), write.table(): Para escribir datos en archivos.
Paquetes y librerías:
library(): Para cargar paquetes adicionales que amplían la funcionalidad de R.
Ayuda y documentación:
help(), ?: Para obtener información sobre funciones y paquetes.
example(): Para ver ejemplos de uso de funciones.
Ejemplo práctico propuesto en clases
1. Ingreso de datos
En primer lugar, ingresamos todos los datos que tenemos dentro del ejercicio, estos,
los almacenamos en un vector. El vector puede tener cualquier nombre, en este caso,
lo denominaremos como “RendimientoSustratoCeramico”
RendimientoSustratoCeramico = c(94.1, 93.2, …, 84.5)
2. Ordenamiento de Datos
A través de la función sort(), ordenamos los elementos de manera ascendente. Los
datos ordenados se almacenarán en otro vector llamado VectorOrdenado
VectorOrdenado  sort(RendimientoSustratoCeramico)
3. Cálculo de las medidas numéricas
Para cada medida numérica se usan diferentes funciones, tales como:
-
Media ← mean (RendimientoSustratoCerámico)
-
Mediana ← median (RendimientoSustratoCerámico)
-
Moda:
calcular_moda
<function(x)
unique_values <- unique(x)
{
counts <- sapply (unique_values, function(val) sum (x == val)) moda <unique_values[which.max(counts)]
return(moda)
}
-
Cuartiles ← quantile (RendimientoSustratoCerámico, probs = c(0.25, 0.5, 0.75))
-
Varianza ← var (RendimientoSustratoCerámico)
-
DesviacionTipica ← sd (RendimientoSustratoCerámico)
Gráficos
Dependiendo del tipo de gráfico que el usuario desee realizar, requerirá algunos paquetes
y funciones diferentes. En este caso, se analiza los gráficos a través del histograma y el
diagrama de caja y bigotes
-
Histograma
hist (RendimientoSustratoCerámico, main =” Histograma”, xlab=” Valores”, ylab=”
Frecuencia”)
-
Caja y bigote
boxplot (RendimientoSustratoCerámico, horizontal = TRUE, main = “Diagrama de Caja
y Bigote”, xlab = “Valores”)
Conclusiones
1. Los cuartiles indican que el 25% de los datos son menores o iguales a 86.1, el
50% son menores o iguales a 89.25 y el 75% son menores o iguales a 93.1.
2. La media, mediana y moda son medidas que ofrecen datos acerca de la
centralización de los valores y la posición de los números más comunes en un
conjunto de datos.
3. La variación de los valores finales calculados manualmente se pueden diferenciar
mínimamente a los cálculos obtenidos en el software de cálculo “R”