W
weighted.mean() {stats}
| Permite calcular la media ponderada de un conjunto de datos |
|
x = c(0:4)
fi = c(7,5,6,1,1)
weighted.mean(x = x,
w = fi)
## [1] 1.2
weighted.quantile() {modi}
¡Atención!
Instalar el paquete modi para hacer uso de la función weighted.quantile.
Para ello utilizar el siguiente código:
install.packages("modi")
| Calcula cuantiles considerando los pesos asociados a cada observación |
x = vector de clases o valores de la variable w = un vector de “pesos”, que pueden ser las frecuencias absolutas o relativas asociadas prob = proporciones acumuladas del cuantil que se desee |
library(modi)
x = c(0:4)
fi = c(7,5,6,1,1)
weighted.quantile(x,
fi,
prob = 0.75)
## [1] 2
weighted.var() {modi}
¡Atención!
Instalar el paquete modi para hacer uso de la función weighted.var.
Para ello utilizar el siguiente código:
install.packages("modi")
| Calcula la varianza ponderada de un conjunto de datos |
x = vector de clases o valores de la variable w = un vector de “pesos”, que pueden ser las frecuencias absolutas o relativas asociadas |
library(modi)
x = c(0:4)
fi = c(7,5,6,1,1)
weighted.var(x, fi)
## [1] 1.575
which() {base}
| Devuelve las posiciones de los elementos que cumplen con una condición especificada |
x = c(14,2,6,1,3,5,7,9)
which(x > 5)
## [1] 1 3 7 8
which.max() {base}
| Determina la ubicación, es decir, el índice del primer máximo de un vector numérico |
x = c(14,2,6,1,3,5,7,9)
which.max(x)
## [1] 1
wilcox.test() {stats}
| Realiza pruebas Wilcoxon de una y dos muestras en vectores de datos; esta última también se conoce como prueba “U Mann-Whitney” |
x = vector numérico de valores de datos y = vector numérico opcional de valores de datos alternative = una cadena de caracteres que especifica la hipótesis alternativa. Puede ser “two.sided” (por defecto, bilateral), “greater” (por mayor) o “less” (por menor). Puede especificar solo la letra inicial mu = un número que especifica un parámetro opcional utilizado para formar la hipótesis nula paired = un lógico que indica si desea una prueba apareada. TRUE (muestras apareadas), FALSE (muestras no apareadas) |
F1 = c(71, 62, 62, 76, 60, 63, 78, 66, 55, 75)
F2 = c(67, 73, 73, 80, 54, 84, 78, 80, 82, 80, 74, 82, 82, 69, 64, 76)
wilcox.test(x = F1, y = F2,
alternative = "t",
paired = FALSE)
##
## Wilcoxon rank sum test with continuity correction
##
## data: F1 and F2
## W = 34, p-value = 0.01626
## alternative hypothesis: true location shift is not equal to 0
Na = c(471,393,712,315,412,419,423,701,301,456)
wilcox.test(Na, mu = 476, alternative = "l")
##
## Wilcoxon signed rank exact test
##
## data: Na
## V = 19, p-value = 0.2158
## alternative hypothesis: true location is less than 476
wilcox_test() {rstatix}
¡Atención!
Instalar el paquete rstatix para hacer uso de la función wilcox_test.
Para ello utilizar el siguiente código:
install.packages("rstatix")
| Proporciona un marco fácil de usar para realizar pruebas de Wilcoxon de una y dos muestras |
data = data.frame que contiene las variables en la formula formula = fórmula de la forma x ~ grupo donde x es una variable numérica que da los valores de los datos y grupo es un factor con uno o varios niveles que dan los grupos correspondientes p.adjust.method = método para ajustar p valores paired = TRUE sí es una prueba pareada (muestras dependientes) y FALSE para prueba apareada (muestras independientes) |
p.adjust.methods
c("holm", "hochberg", "hommel", "bonferroni", "BH", "BY", "fdr", "none")
afluentes = factor(rep(c("Archibarca","Cerro Overo","Rosario"), each = 12))
MOT = c(1.40,2.16,0.74,0.86,1.13,1.75,1.86,1.16,2.36,1.46,0.98,1.14,
4.14,2.25,2.16,2.45,2.56,2.36,2.78,2.69,3.16,2.48,2.63,2.59,
1.10,1.05,1.15,0.60,1.11,0.63,0.89,0.75,1.03,1.06,1.09,0.55)
data.kruskal = data.frame(afluentes, MOT)
wilcox_test(data = data.kruskal,
formula = MOT ~ afluentes,
p.adjust.method = "bonferroni",
paired = F)
## # A tibble: 3 × 9
## .y. group1 group2 n1 n2 statistic p p.adj p.adj.signif
## * <chr> <chr> <chr> <int> <int> <dbl> <dbl> <dbl> <chr>
## 1 MOT Archibarca Cerro Ove… 12 12 3 7.6e-5 2.28e-4 ***
## 2 MOT Archibarca Rosario 12 12 118 7 e-3 2 e-2 *
## 3 MOT Cerro Overo Rosario 12 12 144 7.4e-7 2.22e-6 ****
wp.kanova() {WebPower}
¡Atención!
Instalar el paquete WebPower para hacer uso de la función wp.kanova.
Para ello utilizar el siguiente código:
install.packages("WebPower")
| Analiza la potencia para ANOVA de dos vías, de tres vías y de k vías |
|
library(WebPower)
wp.kanova(ndf = 2,
f = 0.25,
ng = 15,
alpha = 0.05,
power=0.8)
## Multiple way ANOVA analysis
##
## n ndf ddf f ng alpha power
## 157.4436 2 142.4436 0.25 15 0.05 0.8
##
## NOTE: Sample size is the total sample size
## URL: http://psychstat.org/kanova
wtd.quantile() {Hmisc}
¡Atención!
Instalar el paquete Hmisc para hacer uso de la función wtd.quantile.
Para ello utilizar el siguiente código:
install.packages("Hmisc")
| Calcula cuantiles considerando los pesos asociados a cada observación |
x = vector de clases o valores de la variable w = un vector de “pesos”, que pueden ser las frecuencias absolutas o relativas asociadas prob = proporciones acumuladas del cuantil que se desee |
library(Hmisc)
x = c(0:4)
fi = c(7,5,6,1,1)
weighted.quantile(x,
fi,
prob = 0.75)
## [1] 2