Estadística

R_studio
 Elements de R

Elements de R

• Escalars.
• Variables.
• Vectors.
• Matrius.
• Data.frames.
• Llistes
 Elements de R

ESCALARS:

• Exemples: 5, 3.7, “a”.

• Operacions amb escalars: R com a calculadora
• 2+3 (=5).
• 2<5 (= TRUE)
• sqrt(49) (=7)
• 5^2 (=25)
• Log(100,10) (=2)
• Sin(pi*0.5) (sinus 90º=1)
 Elements de R

Variables: Acció assignació

• Exemples:
• numAlumnes=3
• a=5
• b=3
• resultat
• Operacions:
• a*b (=15)
• resultat= a*b
 Elements de R

Vectors:

• Exemples i accions:
• c(1,2,4,8)
• a=c(1,2,4,8)
• b=c(1:15)
• c=c(seq(from,to,by)
• d=c(1, 5:9, seq(12,20,0.5))
• colors=(“green”, “red”, “blue”)
• Localització per posició:
• a[4] (=8, 4ª posició no 4t índex)
• b[7] (=7)
• d[7] (=12.0)
• Operacions: element a element
 Elements de R

Data.frame:

• Creació dels vectors:

• sexe=c(“H”,”M”,”M”,”H”,”H”)
• edat=c(17,18,17,18,19)
• numGermans=c(0,2,1,4,1)
• avaluacio=c(“suspes”,”aprovat”,”notable”,”notable”,”aprovat”)
• Creació del dataframe
• alumnes=data.frame(sexe,edat,numGermans, avaluacio)
• Localització per posició:
• alumnes[,2] (=Totes les files de la segona variable)
• alumnes[2,] (=Tots els valors de la segona fila)
• alumnes[2,2] (=18)
• alumnes[2] (=Totes les files de la segona variable)
• Localització per variables:
• alumnes$edat (=Totes les files de la variable edat)
• alumnes$edat[1]==alumnes[1,2]
• alumnes$edat[2:5]
• Localització conjunta:
• alumnes[2:4,”edat”] (=18,17,18)
• Localització per consulta:
• alumnes[alumnes$sexe==“H” & numGermans>1, ]
 Variables Qualitatives

Freqüències univariades:
• absolutes: table(alumnes$avaluacio)
• relatives: prop.table(table(alumnes$avaluacio))
• barplot: barplot(table(alumnes$avaluacio), main=“Diagrama de frequencies, col=c(“lightblue,”pink”))
• pie: pie(table(alumnes$avaluacio, col=gray(seq(0.5,1.0, lenght=4))
 Variables Qualitatives

Freqüències bivariades:
• absolutes: table(alumnes$avaluacio, alumnes$sexe)
• relatives:
• prop.table(table(alumnes$edat, alumnes$sexe)) (el total suma 1)
• prop.table(table(alumnes$edat, alumnes$sexe), margin=1) (la fila suma 1)
• prop.table(table(alumnes$edat, alumnes$sexe), margin=2) (la columna suma 1)
• barplot: barplot(table(alumnes$edat, alumnes$sexe), beside= TRUE)
• dotchart: dotchart(prop.table(table(alumnes[,c(“sexe”,”avaluacio”)])))
• mosaic: plot(table(alumnes$edat, alumnes$sexe))
 Variables Ordinals

• crear l’ordre: avaluacioOrdenada=ordered (alumnes$avaluacio, levels=c(“suspes”,”aprovat”,”notable”))

• absolutes: table(avaluacioOrdenada)
• relatives: prop.table(table(avaluacioOrdenada))
• acumulat: cumsum(prop.table(table(avaluacioOrdenada)))
• barplot: barplot(cumsum(prop.table(table(avaluacioOrdenada))))
 Variables Quantitatives

FREQÜÈNCIES:
• absolutes: table(alumnes$edat)
• relatives: prop.table(table(alumnes$edat))
• acumulat: cumsum(prop.table(table(alumnes$edat)))
• plot: plot(cumsum(prop.table(table(alumnes$edat))))
 Variables Quantitatives

TENDÈNCIA CENTRAL I POSICIÓ:

• mitjana: mean (alumnes$edat)
• mediana: median (alumnes$edat)
• quantils: quantile (alumnes$edat)
• agregats:
• aggregate(numGermans~sexe, alumnes, FUN=sum, na.rm=TRUE)
• aggregate(edat~avaluacio, alumnes, FUN= mean, na.rm=TRUE)
 Variables Quantitatives

DISPERSIÓ:
• màxim: max (alumnes$edat)
• mínim: min (alumnes$edat)
• rang: diff(range(alumnes$edat))
• rang interquartil: IQR(alumnes$edat)
• variança mostral: var(alumnes$edat)
• desviació estàndard: sqrt(var(alumnes$edat))=sd(alumnes$edat)

summary(alumnes)
 Variables Quantitatives

DIAGRAMES DE CAIXES (boxplot)

• univariat: boxplot(alumnes$edat, main= “diagrama de caixes”, ylab=“edat”, col=“red”)
• bivariat: boxplot(alumnes$edat~alumnes$sexe, notch=TRUE, boxwex=0.1)
 Variables Quantitatives

COVARIANCES i CORRELACIONS
• gràfic: plot(alumnes$edat, alumnes$numGermans)
• covariança: cov(alumnes$edat, alumnes$numGermans)
• correlació: cor(alumnes$edat, alumnes$numGerman)
 Variables Quantitatives

HISTOGRAMES i DENSITAT:
• histogrames: hist(alumnes$edat)
• densitat: plot(density(alumnes$edat)
 Nivell Relacional

CONTRAST D’HIPÒTESIS

• Formulació d’hipòtesis:
• H0: Hipòtesis Nul·la (d’homogeneïtat): s’ha de rebutjar o no.
• H1: Hipòtesis Alternativa o de l’investigador (de diferència): És el que l’investigador vol
demostrar, normalment que hi ha una diferència.
• Significància: En la majoria dels casos és 0,05.
• Estadístic de prova: S’escull en funció de l’estudi a fer.
• Lectura del p-valor: Error comès per rebutjar la H0
• Presa de decisions: Com més petit és el p-valor, més forta serà l’evidència per rebutjar H0. Si p-
valor>significància em quedo amb H0.