¡Descarga Actividad 2 R-Commander y más Apuntes en PDF de Estadística solo en Docsity!
ECH-CHAOUY KUIRET, HAMIDA
39985339T // NIUB:
Grup A
Activitat_1 <- sqlQuery(channel = 1, select * from [Hoja1$])
summary(Activitat_1) Desti Retras Vacants Granada :15 Min. : 0.430 Min. : 0. Palma :17 1st Qu.: 6.603 1st Qu.: 6. Sevilla :24 Median : 9.195 Median : 8. Valencia:23 Mean : 9.589 Mean : 7. NA's : 1 3rd Qu.:12.900 3rd Qu.:10. Max. :19.390 Max. :20. NA's :
.Table <- table(Activitat_1$Desti)
.Table # counts for Desti
Granada Palma Sevilla Valencia 15 17 24 23
round(100*.Table/sum(.Table), 2) # percentages for Desti
Granada Palma Sevilla Valencia 18.99 21.52 30.38 29.
remove(.Table)
table(Activitat_1$Vacants)
table(Activitat_1$Vacants)/sum(table(Activitat_1$Vacants))
cbind(table(Activitat_1$Vacants),
- table(Activitat_1$Vacants)/sum(table(Activitat_1$Vacants))) [,1] [,2] 0 5 0. 2 5 0. 3 4 0. 4 1 0. 5 4 0. 6 11 0. 7 9 0. 8 10 0. 9 8 0. 10 10 0. 11 4 0. 12 4 0. 18 1 0. 19 1 0. 20 3 0.
Activitat_1$T1=cut(Activitat_1$Retras, breaks=c (0,2,4,6,8,10,12,14,16,18,20))
table(Activitat_1$T1)
hist(Activitat_1$Retras, scale="frequency", breaks="Sturges", plot=F) $breaks [1] 0 2 4 6 8 10 12 14 16 18 20
$counts [1] 3 4 7 11 21 10 8 10 3 1
$density [1] 0.019230769 0.025641026 0.044871795 0.070512821 0.134615385 0.
[8] 0.064102564 0.019230769 0.
$mids [1] 1 3 5 7 9 11 13 15 17 19
$xname [1] "Activitat_1$Retras"
$equidist [1] TRUE
attr(,"class") [1] "histogram"
barplot(table(Activitat_1$Desti), xlab="Desti", ylab="Frequency")
library(colorspace, pos=4)
pie(table(Activitat_1$Desti), labels=levels(Activitat_1$Desti), xlab="Desti", ylab="Frequency",
- main="Desti", col=rainbow_hcl(length(levels(Activitat_1$Desti))))
library(aplpack, pos=4)
stem.leaf(Activitat_1$Vacants, na.rm=TRUE) 1 | 2: represents 1. leaf unit: 0. n: 80 5 0 | 00000 1 | 10 2 | 00000 14 3 | 0000 15 4 | 0 19 5 | 0000 30 6 | 00000000000 39 7 | 000000000 (10) 8 | 0000000000 31 9 | 00000000 23 10 | 0000000000 13 11 | 0000 9 12 | 0000 HI: 18 19 20 20 20
Hist(Activitat_1$Retras, scale="frequency", breaks="Sturges", col="darkgray")
stem.leaf(Activitat_1$Retras, na.rm=TRUE)
pas.F= pas.N/sum(pas.n)
pas.F
pas.N=c(cumsum(pas.n))
pas.N 0 2 3 4 5 6 7 8 9 10 11 12 18 19 20 5 10 14 15 19 30 39 49 57 67 71 75 76 77 80
pas.F= pas.N/sum(pas.n)
pas.F 0 2 3 4 5 6 7 8 9 10 11 12 18 19 0.0625 0.1250 0.1750 0.1875 0.2375 0.3750 0.4875 0.6125 0.7125 0.8375 0. 0.9375 0.9500 0. 20
cbind(pas.N, pas.F) pas.N pas.F 0 5 0. 2 10 0. 3 14 0. 4 15 0. 5 19 0.
> cbind(pas.n, pas.f, pas.N, pas.F)
breaks=c(0,2,4,6,8,10,12,14,16,18,20)
- 6 30 0.
- 7 39 0.
- 8 49 0.
- 9 57 0.
- 10 67 0.
- 11 71 0.
- 12 75 0.
- 18 76 0.
- 19 77 0.
- 20 80 1.
- 0 5 0.0625 5 0. pas.n pas.f pas.N pas.F
- 2 5 0.0625 10 0.
- 3 4 0.0500 14 0.
- 4 1 0.0125 15 0.
- 5 4 0.0500 19 0.
- 6 11 0.1375 30 0.
- 7 9 0.1125 39 0.
- 8 10 0.1250 49 0.
- 9 8 0.1000 57 0.
- 10 10 0.1250 67 0.
- 11 4 0.0500 71 0.
- 12 4 0.0500 75 0.
- 18 1 0.0125 76 0.
- 19 1 0.0125 77 0.
- 20 3 0.0375 80 1.
(18,20]
retard.N=c(0,cumsum(retard.n))
retard.N (0,2] (2,4] (4,6] (6,8] (8,10] (10,12] (12,14] (14,16] (16,18] (18,20] 0 3 7 14 25 46 56 64 74 77 78
plot(breaks, retard.N, main="Polígon de freqüències acumulades", xlab="Retard",
- ylab="Freqüències absolutes acumulades")
lines(breaks, retard.N)
retard.F=c(0,cumsum(retard.f))
plot(breaks, retard.F, main="Polígon de freqüències acumulades", xlab="Retard",
- ylab="Freqüències relatives acumulades")
lines(breaks, retard.F)
COMENTARIO:
Por lo que hace al "destino", podemos ver que tanto Sevilla como Valencia son las ciudades que tienen mas vuelos, como veis 24 Y 23 que son el 30% Y 29% aproximadamente sobre el total de vuelos que se realiza desd Barcelona como vemos en la primera página de la actividad R- Commander y que mas adelante encontramos dos tipos de gráficos quee lo relacionan )Barras y sectores)
Granada Palma Sevilla Valencia 15 17 24 23
Sobre los vacantes, el 13,75% de los vuelos tiene 6 puestos vacantes que se donde se encontraría el numero mas elevado de vacantes o que el 3% de los vuelos tienen 20 vacantes.
Y sobre los retrasos, con minutos de los vuelos podemos observar por ejemplo con este "stem and leaf” que entre el intervalo del 8 y 9 minutos se donde se encuentran mas quieres (23). Por lo tanto podríamos afirmar que es donde se concentra el retraso en minutos de la gran mayoría de vuelos como podemos ver en el gráfico de barras que se encuentra justo encima del Stem and leaf y que expresa lo mismo pero con formato barras.
n: 78 2 0* | 01 6 t | 2222 14 f | 44455555 23 s | 666666677
(23) 0. | 88888888888888899999999 (24) 32 1* | 0000111111 (25) (^) 22 t | 22233333
(26) 14 f | 4444444555 (27) 4 s | 667 1 1. | 9
