UNIVERSIDAD DE LOS ANDES

Laboratorio de Bioestadística
Semestre 2018-10
Alejandro Castellanos Sánchez 201630788
La asistencia al laboratorio es obligatoria y por lo tanto un requisito para presentar este taller
Lab 4 – Gráficos
Recomendaciones

 Cree un script en R donde incluya los comandos que usó para resolver las preguntas y el resultado de ejecución. No
incluya los errores.
 Trabaje siempre sobre el script y evite perder todo el trabajo en caso que el computador presente alguna falla.
 Por precaución conserve una copia del documento que contiene el taller resuelto.
 No olvide poner los nombres de los integrantes del grupo en el documento y el script.
 Lea muy bien las preguntas y asegúrese de entender lo que se pide en cada una de ellas. Esto seguro le ahorrará
tiempo.

[5 puntos] Diseñe una gráfica de cada ejemplo (3 graficas) visto que mejor le permita
visualizar la/las variables de su elección, usando los datos del archivo ‘taller_graficas.txt’.
Primero se cargó la tabla a evaluar
Comandos:
Taller_graficas<-
read.table("c:\\Users\\acast\\Desktop\\Semestre_IV\\Bioestadi
stica\\taller_graficas.txt",header=T)
Taller_graficas
Nombre Edad Genero Altura Peso Region
1 Chameleon 22 Femenino 168 60 Caribe
2 Alex 27 Masculino 170 66 Caribe
3 Manuela 26 Femenino 163 50 Andina
4 Kelly 22 Femenino 156 52 Andina
5 Erika 27 Femenino 158 51 Pacifico
6 Sebastian 25 Masculino 178 75 Pacifico
7 Monica 26 Femenino 159 50 Andina
8 Paula 24 Femenino 158 55 Andina
9 Gecko1 27 Femenino 165 60 Pacifico
10 Monchis 29 Femenino 163 63 Andina
11 Cecilia 23 Femenino 165 60 Pacifico
12 Luz_Mery 26 Femenino 161 60 Andina
13 Johanna 22 Femenino 170 48 Caribe
14 Ricardo 27 Masculino 175 68 Andina
15 Carlos 23 Masculino 179 62 Andina
16 Juan 30 Masculino 181 64 Pacifico
17 Burue 24 Femenino 162 59 Andina
18 Horniga 23 Femenino 157 54 Caribe
19 Libelula 25 Femenino 169 57 Caribe
20 Maradona 20 Masculino 172 62 Andina
21 Cledorea 21 Femenino 168 51 Andina
22 Mafalda 25 Femenino 169 51 Caribe
23 Lulu 22 Femenino 162 58 Pacifico
La gráfica debe tener:

Título principal
Nombres de los ejes
Colores que permitan una mejor apreciación

Deben incluir el bloque de comandos que utilizaron para crear la gráfica y la gráfica
resultado. Además, deben explicar el motivo que los llevó a diseñar su gráfico y cómo este
contribuye a un primer acercamiento del comportamiento de los datos.
1. Boxplot
Comando:
par(mfcol=c(1,1))
grafica1<-boxplot(Peso~Region, data=Taller_graficas,
ylab="Peso", xlab="Region", names=list("Caribe", "Andina",
"Pacifico"), col=c("yellow", "purple", "brown"),
main="Diferencias en el peso de las personas por región")

Utilicé un boxplot para representar la variación de los pesos de los individuos por región.
Escogí este tipo de grafico ya que ilustra claramente la variación de las medidas de una
variable de diferentes grupos; como lo es el peso de un grupo de personas de distintas
regiones del país.
2. Histograma
Comando:
Caribe<-subset(Taller_graficas, Region=="Caribe")
Pacifico<-subset(Taller_graficas, Region=="Pacifico")
Andina<-subset(Taller_graficas, Region=="Andina")
par(mfcol=c(1,3))
hist(Caribe$Altura, breaks=5, main="Frecuencia de altura
en individuos del Caribe", xlab="Altura",
ylab="Frecuencia", col="yellow")
hist(Pacifico$Altura, breaks=5, main="Frecuencia de
altura en individuos del Pacifico", xlab="Altura",
ylab="Frecuencia", col="brown")
hist(Andina$Altura, breaks=5, main="Frecuencia de altura
en individuos de la region Andina", xlab="Altura",
ylab="Frecuencia", col="purple")
par(mfcol=c(1,1))
hist(Taller_graficas$Altura, breaks=5, main="Frecuencia
de alturas en individuos de Colombia", xlab="Altura",
ylab="Frecuencia", col="green")
 Utilicé histogramas para poder comparar las frecuencias
de las alturas de individuos de distintas regiones del
país y posteriormente realicé un histograma que contenía
a todos los individuos del estudio. Elegí un histograma
para hacer esto ya que me permitía apreciar gráficamente
las frecuencias de las alturas y así poder determinar
fácilmente características de cada grupo como lo es la
población más alta, y de igual forma, poder describir
características de todo el país.

3. Gráfico de barras
Comandos:
Masculino<-subset(Taller_graficas, Genero=="Masculino")
Masculino
Nombre Edad Genero Altura Peso Region
2 Alex 27 Masculino 170 66 Caribe
6 Sebastian 25 Masculino 178 75 Pacifico
14 Ricardo 27 Masculino 175 68 Andina
15 Carlos 23 Masculino 179 62 Andina
16 Juan 30 Masculino 181 64 Pacifico
20 Maradona 20 Masculino 172 62 Andina
Femenino<-subset(Taller_graficas, Genero=="Femenino")
Femenino
Nombre Edad Genero Altura Peso Region
1 Chameleon 22 Femenino 168 60 Caribe
3 Manuela 26 Femenino 163 50 Andina
4 Kelly 22 Femenino 156 52 Andina
5 Erika 27 Femenino 158 51 Pacifico
7 Monica 26 Femenino 159 50 Andina
8 Paula 24 Femenino 158 55 Andina
9 Gecko1 27 Femenino 165 60 Pacifico
10 Monchis 29 Femenino 163 63 Andina
11 Cecilia 23 Femenino 165 60 Pacifico
12 Luz_Mery 26 Femenino 161 60 Andina
13 Johanna 22 Femenino 170 48 Caribe
17 Burue 24 Femenino 162 59 Andina
18 Horniga 23 Femenino 157 54 Caribe
19 Libelula 25 Femenino 169 57 Caribe
21 Cledorea 21 Femenino 168 51 Andina
22 Mafalda 25 Femenino 169 51 Caribe
23 Lulu 22 Femenino 162 58 Pacifico
par(mfcol=c(1,2))
Hombres.region<-table(Masculino$Region)
barplot(Hombres.region, xlab="Región", ylab="Numero de
individuos", main="Hombres por región", space=1,
col="darkblue")
Mujeres.region<-table(Femenino$Region)
barplot(Mujeres.region, xlab="Región", ylab="Numero de
individuos", main="Mujeres por región", space=1,
col="lightpink")
par(mfcol=c(1,1))
Individuos.region<-table(Taller_graficas$Region)
barplot(Individuos.region, xlab="Región", ylab="Numero
de individuos", main="Individuos por región", space=1,
col="green")

Utilicé un gráfico de barras para ilustrar la cantidad de

hombres y mujeres muestreados por región y posterior mente
comparar el total de individuos muestreados por región.
Elegí un gráfico de barras ya que eran magnitudes únicas
y definidas y discretas las evaluadas por la variable que
escogí, que era número de individuos a través de las
distintas categorías que escogí.
Bono: (0.5): Diseñe una gráfica diferente a las vistas en la guía, con los mismos parámetros
mencionados arriba (puede ser el Pie Chart).

Pie Chart
Comandos:
rango.altura<-rep(NA,length(Taller_graficas$Altura))
rango.altura
rango.altura[Taller_graficas$Altura<=163]<-"Baja"
rango.altura[Taller_graficas$Altura>163&Taller_graficas$Altur
a<170]<-"Mediana"
rango.altura[Taller_graficas$Altura>=170]<-"Alta"
rango.altura
Taller_graficas$Altura<-rango.altura
Taller_graficas
Nombre Edad Genero Altura Peso Region
1 Chameleon 22 Femenino Mediana 60 Caribe
2 Alex 27 Masculino Alta 66 Caribe
3 Manuela 26 Femenino Baja 50 Andina
4 Kelly 22 Femenino Baja 52 Andina
5 Erika 27 Femenino Baja 51 Pacifico
6 Sebastian 25 Masculino Alta 75 Pacifico
7 Monica 26 Femenino Baja 50 Andina
8 Paula 24 Femenino Baja 55 Andina
9 Gecko1 27 Femenino Mediana 60 Pacifico
10 Monchis 29 Femenino Baja 63 Andina
11 Cecilia 23 Femenino Mediana 60 Pacifico
12 Luz_Mery 26 Femenino Baja 60 Andina
13 Johanna 22 Femenino Alta 48 Caribe
14 Ricardo 27 Masculino Alta 68 Andina
15 Carlos 23 Masculino Alta 62 Andina
16 Juan 30 Masculino Alta 64 Pacifico
17 Burue 24 Femenino Baja 59 Andina
18 Horniga 23 Femenino Baja 54 Caribe
19 Libelula 25 Femenino Mediana 57 Caribe
20 Maradona 20 Masculino Alta 62 Andina
21 Cledorea 21 Femenino Mediana 51 Andina
22 Mafalda 25 Femenino Mediana 51 Caribe
23 Lulu 22 Femenino Baja 58 Pacifico
Caribe2<-subset(Taller_graficas, Region=="Caribe")
Pacifico2<-subset(Taller_graficas, Region=="Pacifico")
Andina2<-subset(Taller_graficas, Region=="Andina")
tabla.caribe<-table(Caribe2$Altura)
tabla.pacifico<-table(Pacifico2$Altura)
tabla.andina<-table(Andina2$Altura)
par(mfcol=c(1,3))
pie(tabla.caribe,labels=names(tabla.caribe),col=c("darkblue",
"lightblue","blue"),main="Caribe")
pie(tabla.pacifico,labels=names(tabla.pacifico),col=c("darkbl
ue","lightblue","blue"),main="Pacifico")
pie(tabla.andina,labels=names(tabla.andina),col=c("darkblue",
"lightblue","blue"),main="Andina")

Utilicé pie charts para representar las proporciones de

personas bajas, medianas y altas en cada región. Decidí
utilizar pie charts ya que permiten apreciar claramente las
proporciones de las características establecidas por la
categoría.