INFORME ESTADÍSTICA

ING.QUÍMICA - CUARTO 2

Realizado por :

Andrea Armijos , José Luis Cayambe , Vanesa Chugñay , Cristhian Flores y Brandon Saguay

I. INTRODUCCIÓN

En el siguiente Informe de Reporte Estádistico realizado por Andrea Armijos,José Luis Cayambe , Vanesa
Chugñay , Cristhian Flores y Brandon Saguay , se analizará y se dará razón de estudio a diversos datos de
entrada como resultantes de una data generada y se procederá a realizar análisis de frecuencia , frecuencia
absoluta , frecuencua absoluta acumulada como diversos otros cálculos utilizando RStudio como sus respectivas
gráficas a razón de análisis.

II. DATOS A UTILIZAR

Se procederá a utilizar (chickwts) de la data de generación global que ofrece RStudio , chickts almacena valores
aleatorios , donde se realizó un experimento para medir y comparar la efectividad de varios suplementos
alimenticios en la tasa de crecimiento de pollos.

III. DESARROLLO DE LA PRÁCTICA DE DATOS ESTADISTICOS A PAR-

TIR DE LA DATA (chickwts)

data <- chickwts

data

## weight feed
## 1 179 horsebean
## 2 160 horsebean
## 3 136 horsebean
## 4 227 horsebean
## 5 217 horsebean
## 6 168 horsebean
## 7 108 horsebean
## 8 124 horsebean
## 9 143 horsebean
## 10 140 horsebean
## 11 309 linseed
## 12 229 linseed
## 13 181 linseed
## 14 141 linseed
## 15 260 linseed
## 16 203 linseed
## 17 148 linseed
## 18 169 linseed
## 19 213 linseed
## 20 257 linseed
## 21 244 linseed

1
## 22 271 linseed
## 23 243 soybean
## 24 230 soybean
## 25 248 soybean
## 26 327 soybean
## 27 329 soybean
## 28 250 soybean
## 29 193 soybean
## 30 271 soybean
## 31 316 soybean
## 32 267 soybean
## 33 199 soybean
## 34 171 soybean
## 35 158 soybean
## 36 248 soybean
## 37 423 sunflower
## 38 340 sunflower
## 39 392 sunflower
## 40 339 sunflower
## 41 341 sunflower
## 42 226 sunflower
## 43 320 sunflower
## 44 295 sunflower
## 45 334 sunflower
## 46 322 sunflower
## 47 297 sunflower
## 48 318 sunflower
## 49 325 meatmeal
## 50 257 meatmeal
## 51 303 meatmeal
## 52 315 meatmeal
## 53 380 meatmeal
## 54 153 meatmeal
## 55 263 meatmeal
## 56 242 meatmeal
## 57 206 meatmeal
## 58 344 meatmeal
## 59 258 meatmeal
## 60 368 casein
## 61 390 casein
## 62 379 casein
## 63 260 casein
## 64 404 casein
## 65 318 casein
## 66 352 casein
## 67 359 casein
## 68 216 casein
## 69 222 casein
## 70 283 casein
## 71 332 casein
View(data)
v1 <- data$feed
v1

2
## [1] horsebean horsebean horsebean horsebean horsebean horsebean horsebean
## [8] horsebean horsebean horsebean linseed linseed linseed linseed
## [15] linseed linseed linseed linseed linseed linseed linseed
## [22] linseed soybean soybean soybean soybean soybean soybean
## [29] soybean soybean soybean soybean soybean soybean soybean
## [36] soybean sunflower sunflower sunflower sunflower sunflower sunflower
## [43] sunflower sunflower sunflower sunflower sunflower sunflower meatmeal
## [50] meatmeal meatmeal meatmeal meatmeal meatmeal meatmeal meatmeal
## [57] meatmeal meatmeal meatmeal casein casein casein casein
## [64] casein casein casein casein casein casein casein
## [71] casein
## Levels: casein horsebean linseed meatmeal soybean sunflower
##
#Calcula el número de elementos que contiene v1
n <- length(v1)
n

## [1] 71

VI. ANÁLISIS DE FRECUENCIAS PARA DATOS SIMPLES O SIN AGRU-

PAR

FRECUENCIA ABSOLUTA

Se define como el número total de veces que se repite un dato dentro de un conjunto
Fa <- table(v1)
Fa

## v1
## casein horsebean linseed meatmeal soybean sunflower
## 12 10 12 11 14 12
is.vector(Fa)

## [1] FALSE

ANÁLISIS :
De los 71 datos obtenidos , se observa que 12 pollos utilizan el complemento alimenticio casein , 10 horsebean
, 12 linseed , 11 meatmeal , 14 soybean y los 12 restantes sunflower

FRECUENCIA ABSOLUTA ACUMULADA

Es la suma de frecuencias absolutas de todos los valores iguales o inferiores al valor considerado.
Faa <- cumsum(Fa)
Faa

## casein horsebean linseed meatmeal soybean sunflower

## 12 22 34 45 59 71

3
ANÁLISIS :

Con los resultados observados se determina que 12 pollos consumen casein , 22 pollos consumen entre casein
y horsebean , 34 pollos al menos consumen casein , horsebean y linseed , 45 pollos entre las tres marcas
anteriore y meatmeal , 59 pollos entre las 4 marcas ya mencionas y soybean y 71 pollos ya sea se alimentan
con casein , horsebean , linseed , metal meal , soybean y sunflower

FRECUENCIA RELATIVA

Es el resultado de dividir la frecuencia absoluta de un determinado valor entre el número total de datos
Fr <- (Fa/n)*100
Fr

## v1
## casein horsebean linseed meatmeal soybean sunflower
## 16.90141 14.08451 16.90141 15.49296 19.71831 16.90141

ANÁLISIS :
Dentro de los 72 datos observados el 16,90 % del global utilizan casein , 30,98 % horsebean , 47 ,88 % linseed
, 63,38 % meatmeal , el 83,09 soybean y 100% del total sunflower

FRECUENCIA RELATIVA ACUMULADA

Es el resultado de dividir la frecuencia absoluta acumulada entre el número total de datos.

Fra <- cumsum(Fr)
Fra

## casein horsebean linseed meatmeal soybean sunflower

## 16.90141 30.98592 47.88732 63.38028 83.09859 100.00000

ANÁLISIS :
Por definición la frecuencia relativa acumulada es la suma de las frecuencias relativas de los elementos iguales
o menos a Xi , en la siguiente tabla se puede observar que el 16,90 % obtiene casein , 30,98 % ,linseed 47,88
% , meatmeal 63,38 % , soybean 83,098 , sunflower 100 %

V. TRANSFORMACIÓN A VECTORES

Fr.ab <- as.vector(Fa)

Fr.ab

## [1] 12 10 12 11 14 12
Fr.ab.ac <- as.vector(Faa)
Fr.ab.ac

## [1] 12 22 34 45 59 71
Fr.re <- as.vector(Fr)
Fr.re

## [1] 16.90141 14.08451 16.90141 15.49296 19.71831 16.90141

4
Fr.re.ac <- as.vector(Fra)
Fr.re.ac

## [1] 16.90141 30.98592 47.88732 63.38028 83.09859 100.00000

is.vector(Fr.ab)

## [1] TRUE

VI. MATRIZ DE ANÁLISIS DE FRECUENCIA

Mat.frecuencia <- data.frame(Fr.ab, Fr.ab.ac, Fr.re, Fr.re.ac)

Mat.frecuencia

## Fr.ab Fr.ab.ac Fr.re Fr.re.ac

## 1 12 12 16.90141 16.90141
## 2 10 22 14.08451 30.98592
## 3 12 34 16.90141 47.88732
## 4 11 45 15.49296 63.38028
## 5 14 59 19.71831 83.09859
## 6 12 71 16.90141 100.00000

CAMBIO NOMBRE DE FILAS

Especie <- c("casein", "horsebean", "linseed", "mealmeal", "soybean", "sunflower")

row.names(Mat.frecuencia) <- Especie
Mat.frecuencia

## Fr.ab Fr.ab.ac Fr.re Fr.re.ac

## casein 12 12 16.90141 16.90141
## horsebean 10 22 14.08451 30.98592
## linseed 12 34 16.90141 47.88732
## mealmeal 11 45 15.49296 63.38028
## soybean 14 59 19.71831 83.09859
## sunflower 12 71 16.90141 100.00000

VII. REPRESENTACIÓN GRÁFICA DE TODAS LAS FRECUENCIAS

DIAGRAMA DE PASTEL

pie(Fa)

5
 horsebean

linseed
casein

meatmeal
sunflower

soybean

colors <- c("2", "3", "4", "5", "6", "7")

pie(Fr.re, labels = Especie, col = colors)

horsebean

linseed
casein

mealmeal
sunflower

soybean

ANÁLISIS :
En el siguiente diagrama de pastel se puede apreciar que el suplemento alimenticio soybean ocupa un valor

6
significativo mayor a los demás datos obtenidos de la frecuencia absoluta

DIAGRAMA DE BARRAS

barplot(Fa, main = "Diagrama de barras Para Frec. Absoluta")

Diagrama de barras Para Frec. Absoluta

14
12
10
8
6
4
2
0

casein horsebean linseed meatmeal soybean sunflower

barplot(Fr, main = "Diagrama de barras Para Frec. Relativas")

7
 Diagrama de barras Para Frec. Relativas
15
10
5
0

casein horsebean linseed meatmeal soybean sunflower

barplot(Faa, names.arg = Especie)

70
60
50
40
30
20
10
0

casein horsebean linseed mealmeal soybean sunflower

ANÁLISIS :
En la gráfica de diagrama de barras por frecuencia absoluta se observa que soybean obtiene mayor alcance a
los datos análizados , de igual forma para frecuencias absoluta relativa

8
FRECUENCIA DE DATOS CONOCIDOS

DETERMINAR EL RANGO

¿ CUÁL ES EL VALOR MÁXIMO ?

v2<-data$weight
v2

## [1] 179 160 136 227 217 168 108 124 143 140 309 229 181 141 260 203 148
## [18] 169 213 257 244 271 243 230 248 327 329 250 193 271 316 267 199 171
## [35] 158 248 423 340 392 339 341 226 320 295 334 322 297 318 325 257 303
## [52] 315 380 153 263 242 206 344 258 368 390 379 260 404 318 352 359 216
## [69] 222 283 332
xmax<-v2[which.max(v2)]
xmax

## [1] 423

¿CUAL ES EL VALOR MÍNIMO?

xmin<-v2[which.min(v2)]
xmin

## [1] 108

EL RANGO VIENE DETERMINADO POR R=Xmax-Xmin

R<-xmax-xmin
R

## [1] 315

NÚMERO DE INTERVALOS

p<- length(v2)
p

## [1] 71
m<-1+3.322*log(p)
m

## [1] 15.16062

AMPLITUD

AMPLITUD<-R/m
AMPLITUD

## [1] 20.77751

9
FRECUENCIAS

v2<-data$weight
v2

## [1] 179 160 136 227 217 168 108 124 143 140 309 229 181 141 260 203 148
## [18] 169 213 257 244 271 243 230 248 327 329 250 193 271 316 267 199 171
## [35] 158 248 423 340 392 339 341 226 320 295 334 322 297 318 325 257 303
## [52] 315 380 153 263 242 206 344 258 368 390 379 260 404 318 352 359 216
## [69] 222 283 332
hist(x = v2, plot = F)

## $breaks
## [1] 100 150 200 250 300 350 400 450
##
## $counts
## [1] 7 10 16 12 17 7 2
##
## $density
## [1] 0.0019718310 0.0028169014 0.0045070423 0.0033802817 0.0047887324
## [6] 0.0019718310 0.0005633803
##
## $mids
## [1] 125 175 225 275 325 375 425
##
## $xname
## [1] "v2"
##
## $equidist
## [1] TRUE
##
## attr(,"class")
## [1] "histogram"
b<-c(108,121,150,171,192,213,234,255,276,297,318,339,360,381,402,423)
nam<-c("108-121","122-150","151-171","172-192","193-213","214-234","235-255","256-276","277-297","298-31
fr.acum <- hist(v2,breaks = b,plot = F)$counts
fr.acum

## [1] 1 6 6 2 5 7 6 9 3 6 8 5 3 2 2
sum(fr.acum)

## [1] 71
fr.acu.ab <- cumsum(fr.acum)
n <- length(v2)
fr.rel <- (fr.acum/n)*100
fr.rel.ab <- cumsum(fr.rel)
is.vector(fr.acum)

## [1] TRUE
tab.frec <- data.frame(fr.acum, fr.acu.ab, fr.rel, fr.rel.ab)
row.names(tab.frec) <- nam
tab.frec

10
## fr.acum fr.acu.ab fr.rel fr.rel.ab
## 108-121 1 1 1.408451 1.408451
## 122-150 6 7 8.450704 9.859155
## 151-171 6 13 8.450704 18.309859
## 172-192 2 15 2.816901 21.126761
## 193-213 5 20 7.042254 28.169014
## 214-234 7 27 9.859155 38.028169
## 235-255 6 33 8.450704 46.478873
## 256-276 9 42 12.676056 59.154930
## 277-297 3 45 4.225352 63.380282
## 298-318 6 51 8.450704 71.830986
## 319-339 8 59 11.267606 83.098592
## 340-360 5 64 7.042254 90.140845
## 361-381 3 67 4.225352 94.366197
## 382-402 2 69 2.816901 97.183099
## 403-423 2 71 2.816901 100.000000
hist(x =v2, breaks = b, plot = T, freq = F)

Histogram of v2
0.006
0.004
Density

0.002
0.000

100 150 200 250 300 350 400

v2

11