Aplicaciones Shiny como herramienta para la Estadística en Enseñanzas Medias

FACULTAD DE CIENCIAS TRABAJO FIN DE GRADO Grado en Estadística Aplicaciones Shiny como herramienta para la Estadística en Enseñanzas Medias Autora: Elia Muñoz Alonso Tutora: Teresa González Arteaga 2 3 INDICE INDICE ...................................................................................................................................... 3 RESUMEN ................................................................................................................................. 4 ABSTRACT ................................................................................................................................. 4 1. INTRODUCCIÓN ................................................................................................................. 5 2. CONTENIDOS DE ESTADISTICA EN LAS ENSEÑANZAS MEDIAS ................................................ 7 2.1 Contenidos de Estadística en las Matemáticas de la Educación Secundaria Obligatoria .................. 8 2.2 Contenidos de Estadística en las Matemáticas de Bachillerato ..................................................... 12 3. HERRAMIENTAS UTILIZADAS: R, RSTUDIO Y SHINY ............................................................... 16 3.1 R ................................................................................................................................................ 16 3.2 RStudio ....................................................................................................................................... 17 3.3 Shiny .......................................................................................................................................... 18 4. APLICACIONES SHINY PARA EL APOYO A LA ENSEÑANZA DE LA ESTADÍSTICA ....................... 23 4.1 Aplicación Shiny Descripción Univariante.................................................................................... 23 4.2 Aplicación Shiny Descripción Bivariante ....................................................................................... 30 4.3 Aplicación Shiny Probabilidad ..................................................................................................... 35 5. EJEMPLOS PRÁCTICOS ......................................................................................................... 45 6. CONCLUSIONES ................................................................................................................... 47 Apéndice A: Código Aplicación Shiny Descripción Univariante .................................................. 48 Apéndice B: Código Aplicación Shiny Descripción Bivariante .................................................... 59 Apéndice C: Código Aplicación Shiny Probabilidad ................................................................... 78 BIBLIOGRAFIA Y/O REFERENCIAS ............................................................................................. 86 FIGURAS ................................................................................................................................. 89 TABLAS ................................................................................................................................... 90 4 RESUMEN La Estadística posee un papel primordial en el desarrollo de la sociedad actual. Por ello, la enseñanza de la Estadística ha venido adquiriendo un mayor relieve en los currículos de Matemáticas del que se presentaba tradicionalmente en las Enseñanzas Medias. Utilizar una herramienta informática como apoyo para el estudio de esta parte de las materias de Matemáticas ayuda a mejorar el aprendizaje, motivar a los alumnos, aumentar su interés e incitarlos a que se sientan atraídos por esta ciencia. En el presente trabajo se ofrecen una serie de aplicaciones web interactivas, desarrolladas con el paquete estadístico R y específicamente Shiny. Estas aplicaciones recogen los contenidos de Estadística incluidos en las materias de Matemáticas en las Enseñanzas Medias. Además, se describe su uso de manera detallada para facilitar el manejo de estas aplicaciones a toda la comunidad educativa. Palabras clave: R, Shiny, Matemáticas, Estadística, Enseñanzas Medias, Aplicaciones Web _______________________________________________________________________ ABSTRACT Statistics plays a fundamental role in the development of today's society. For this reason, the teaching of Statistics has acquired a greater prominence in the Mathematics curricula than was traditionally the case. Using a computer tool for the study of this part of the Mathematics subjects helps to improve learning, to motivate students and to increase their interest and it encourages them to feel attracted by this science. The present dissertation offers several interactive web applications developed with the statistical package R, specifically with Shiny. They cover the contents of Statistics included in the subjects of Mathematics in Secondary Education. In addition, a detailed description of how those applications are used is presented. This part facilitates the handling of these apllications to the entire educatinal community. Keywords: R, Shiny, Mathematics, Statistics, Middle School, Web Application 5 1. INTRODUCCIÓN La mayoría de las veces y a lo largo del tiempo como dijera Huntsberger: "La palabra estadística a menudo nos trae a la mente imágenes de números apilados en grandes arreglos y tablas, de volúmenes de cifras relativas a nacimientos, muertes, impuestos, poblaciones, ingresos, deudas, créditos y así sucesivamente”. Para la mayoría de la gente Huntsberger tiene razón pues al momento de escuchar esta palabra estas son las imágenes que llegan a su cabeza. La Estadística es mucho más que solo números apilados y gráficos bonitos. La Estadística es una ciencia muy útil e influyente en la mayoría de los campos del conocimiento. Hoy en día su aplicación se ha convertido en imprescindible en múltiples ámbitos de la vida científica y cotidiana. Un claro ejemplo de este protagonismo es la recurrente aparición en campos tan diversos como la Medicina, la Arquitectura, la investigación de mercados, la Meteorología, la Biología, la Política… La ausencia de la Estadística conllevaría a un caos generalizado, dejando a las empresas y a la sociedad sin información vital a la hora de tomar decisiones. La posesión de conocimientos de Estadística es un buen vehículo para alcanzar las capacidades de comunicación, tratamiento de la información, resolución de problemas, competencia digital y trabajo cooperativo y en grupo a las que se da gran importancia en los currículos actualmente vigentes en Enseñanzas Medias. Las aplicaciones estadísticas proporcionan una buena oportunidad de mostrar a los estudiantes la utilidad de las Matemáticas para entender la realidad que nos rodea. Con la entrada en vigor de la LOMCE ha aumentado la carga de Estadística en las materias de Matemáticas de las Enseñanzas Medias. Además, los profesores de estas materias han mostrado mayor interés en el uso de herramientas informáticas que ayuden a solucionar problemas semejantes a los de la vida real. Esto sustenta la oportunidad para desarrollar los recursos docentes que se ofrecen en este trabajo fin de grado. El objetivo del presente trabajo fin de grado es desarrollar y presentar aplicaciones web interactivas. Estas aplicaciones recogen parte de los contenidos de Estadística estudiados en la Educación Secundaria Obligatoria y el Bachillerato y ponen al alcance de sus estudiantes herramientas sencillas para entrenar su capacidad estadística. Estas aplicaciones web interactivas se han creado con el paquete Shiny de R. Este paquete combina el poder computacional de R con la interactividad de la web moderna. R es un software estadístico libre que se ha popularizado en el último tiempo. Esto ha contribuido en el desarrollo de interfaces de usuario como RStudio o complementos que ha incorporado en su repositorio como el paquete utilizado en este TFG, Shiny. Este TFG aporta las aplicaciones web Descripción Univariante, Descripción Bivariante y Probabilidad desarrolladas con Shiny como recurso docente para la enseñanza de Estadística en dichos niveles de la educación. Además, se explican y se muestran estas aplicaciones para facilitar su comprensión. 6 A parte de todo lo anterior, el trabajo incluye tres videos grabados para mostrar los ejemplos prácticos posteriores sobre el uso de las aplicaciones creadas. Para la realización de estos videos se utilizan los siguientes ficheros de datos EjemploSencillo1.txt, EjemploSencillo2.txt, FutbolSpain.txt y CrohnD.csv. A lo largo de este trabajo encontraremos las siguientes secciones. La Sección 2 hace referencia a los contenidos de Estadística recogidos en los currículos de Educación Secundaria Obligatoria y de Bachillerato. En la Sección 3 se realiza una breve introducción a las herramientas R y RStudio explicando sus características más globales. Además se realiza una descripción general sobre el paquete Shiny. En la Sección 4 se explican las tres aplicaciones desarrolladas con Shiny. Después, en la Sección 5 se presentan una serie de ejemplos prácticos de uso de las aplicaciones desarrolladas. En la Sección 6 contiene las conclusiones del trabajo. Por último, en los apéndices se incluye el código programado para las tres aplicaciones desarrolladas. 7 2. CONTENIDOS DE ESTADISTICA EN LAS ENSEÑANZAS MEDIAS Las asignaturas de Matemáticas estudiadas tanto en la Educación Secundaria Obligatoria, ESO, y el Bachillerato recogen la parte de Estadística impartida en estas etapas educativas. El currículo de estas asignaturas es regulado por las siguientes normativas, tanto estatales como autonómicas: - LEY ORGANICA 8/2013, de 9 de diciembre, para la Mejora de la Calidad Educativa publicada en el Boletín Oficial del Estado (BOE) número 295 el 10 de diciembre de 2013. - REAL DECRETO 1105/2014, de 26 de diciembre, por el que se establece el currículo básico de la Educación Secundaria Obligatoria y del Bachillerato publicado en el BOE número 3 el 3 de enero de 2015. - CORRECCIÓN de errores del Real Decreto 1105/2014, de 26 de diciembre, por el que se establece el currículo básico de la Educación Secundaria Obligatoria y del Bachillerato publicado en el BOE número 104 el 1 de mayo de 2015. - ORDEN ECD/65/2015, de 21 de enero, por la que se describen las relaciones entre las competencias, los contenidos y los criterios de evaluación de la Educación Primaria, la Educación Secundaria Obligatoria y de Bachillerato publicado en el BOE número 25 el 29 de enero de 2015. - REAL DECRETO 310/2016, de 29 de julio, por el que se regulan las evaluaciones finales de Educación Secundaria Obligatoria y de Bachillerato publicado en el BOE número 183 el 30 de julio de 2016. - ORDEN EDU/362/2015, de 4 de mayo, por la que desarrolla el currículo correspondiente a la Educación Secundaria Obligatoria y regula su implantación, evaluación y desarrollo en la Comunidad de Castilla y León publicada en el Boletín Oficial de Castilla y León (BOCYL) numero 86 el 8 de mayo de 2015. Los contenidos de Estadística estudiados en Educación Secundaria Obligatoria (ESO) se encuentran dentro de las asignaturas llamadas Matemáticas en los dos primeros cursos mientras que en los dos últimos se da la opción de elegir entre Matemáticas orientadas a las enseñanzas académicas y Matemáticas orientadas a las enseñanzas aplicadas. Los contenidos de Estadística incluidos en Bachillerato se encuentran recogidos dentro de las asignaturas de Matemáticas aplicadas a las Ciencias Sociales I y II para los dos cursos de la modalidad de Ciencias Sociales y Matemáticas I y II para los cursos de la modalidad de Ciencias. 8 2.1 Contenidos de Estadística en las Matemáticas de la Educación Secundaria Obligatoria El currículo de Matemáticas en ESO divide estas asignaturas en cinco bloques: - Bloque I: Procesos, métodos y actitudes en matemáticas - Bloque II: Números y Álgebra - Bloque III: Geometría - Bloque IV: Funciones - Bloque V: Estadística y probabilidad Los contenidos de Estadística se encuentran dentro del último bloque. Por lo tanto, en el presente TFG, consideraremos los contenidos del bloque Estadística y Probabilidad. En el primer curso, los contenidos recogidos en el bloque V son: - Población e individuo. Muestra. - Variables estadísticas. Variables cualitativas y cuantitativas discretas. - Frecuencias absolutas y relativas. - Organización en tablas de datos recogidos en una experiencia. - Diagramas de barras y de sectores. Polígonos de frecuencias. - Medidas de tendencia central. - Fenómenos deterministas y aleatorios. - Formulación de conjeturas sobre el comportamiento de fenómenos aleatorios sencillos y diseño de experiencias para su comprobación. - Frecuencia relativa de un suceso y su aproximación a la probabilidad mediante simulación o experimentación. - Sucesos elementales equiprobables. - Espacio muestral en experimentos sencillos. En el bloque V de la asignatura Matemáticas del segundo curso, sus contenidos son: - Población e individuo. Muestra. - Variables estadísticas. Variables cualitativas y cuantitativas discretas y continuas. - Frecuencias absolutas y relativas. - Organización en tablas de datos recogidos en una experiencia. - Diagramas de sectores, de barras, histogramas y polígonos de frecuencias. Otros gráficos estadísticos provenientes de los medios de comunicación. - Medidas de tendencia central. - Medidas de dispersión. - Iniciación a la hoja de cálculo. - Fenómenos deterministas y aleatorios. 9 - Formulación de conjeturas sobre el comportamiento de fenómenos aleatorios sencillos y diseño de experiencias para su comprobación. - Frecuencia relativa de un suceso y su aproximación a la probabilidad mediante simulación o experimentación. - Sucesos elementales equiprobables y no equiprobables. - Espacio muestral en experimentos sencillos. Tablas y diagramas de árbol sencillos. - Cálculo de probabilidades mediante la regla de Laplace en experimentos sencillos. En tercer y cuarto curso se da la opción de elegir entre dos tipos de Matemáticas. Las Matemáticas orientadas a las enseñanzas académicas donde se fortalecen tanto los aspectos teóricos como las aplicaciones prácticas en casos reales y las Matemáticas orientadas a las enseñanzas aplicadas que hacen mayor hincapié en la aplicación de los contenidos en contextos reales. En las Matemáticas orientadas a las enseñanzas académicas del tercer curso se recogen los contenidos del bloque V: - Fases y tareas de un estudio estadístico. Población, muestra. - Variables estadísticas: cualitativas, cuantitativas discretas y continuas. - Métodos de selección de una muestra estadística. - Representatividad de una muestra. - Frecuencias absolutas, relativas y acumuladas. Agrupación de datos en intervalos. - Graficas estadísticas. - Parámetros de posición central y no central. - Calculo, interpretación y propiedades. - Parámetros de dispersión. - Diagrama de cajas y bigotes. - Interpretación conjunta de la media y la desviación típica. - Utilización de los medios tecnológicos adecuados para el análisis y la producción de información estadística. - Uso de la calculadora científica, de la hoja de cálculo y de otros programas para hacer representaciones graficas y calcular parámetros. - Experiencias aleatorias simples y compuestas en casos sencillos. - Sucesos y espacio muestral. - Cálculo de probabilidades mediante la regla de Laplace. - Diagramas de árbol sencillos y tablas. Regla del producto para contar casos. - Utilización de la probabilidad para tomar decisiones fundamentales en diferentes contextos. - Utilización de distintos programas para simular experimentos aleatorios. 16 3. HERRAMIENTAS UTILIZADAS: R, RSTUDIO Y SHINY Las aplicaciones web dinámicas aportadas en el presente trabajo fin de grado se desarrollan por medio del programa R, con su entorno de desarrollo integrado RStudio y su paquete Shiny. Las versiones utilizadas para la programación hecha en este TFG son R 3.5.3, RStudio 1.1.463 y Shiny 1.2.0. 3.1 R R es el lenguaje, entorno, de programación más usado en la comunidad científica para computación estadística y gráficos bajo Licencia Publica General de GNU. R es un producto de código libre en el sentido mas ampliamente posible, también incluido en la filosofía Open Source. R está basado en el lenguaje S, desarrollado por Bell Laboratories de AT&T R. A partir de S Robert Gentleman y Ross Ihaka de la Universidad de Auckland lo reimplementan en 1993. Actualmente, R es una herramienta estadística muy poderosa, estable, confiable y en constante actualización. Este software cuenta con ciertas ventajas para su uso generalizado para el análisis de datos: - Código y descarga libre y por tanto no hay que pagar para adquirirlo - Técnicas estadísticas básicas, avanzadas y robustas - Gráficos de alta calidad exportables - Gran cantidad de información sobre sus funciones y paquetes - Disponibilidad para todos los sistemas operativos - Capacidad de trabajar con otros lenguajes - Creación de aplicaciones web interactivas con el paquete Shiny, herramienta en la que nos centraremos en el presente TFG - Disponibilidad de miles de paquetes que extienden sus funciones básicas En las Enseñanzas Medias el presupuesto para herramientas informáticas es reducido. Por lo tanto, el aspecto económico es una ventaja a resaltar para utilizar R en la Estadística incluida en las asignaturas de estas enseñanzas. La instalación de R es muy simple. En su web https://www.r-project.org/, Figura 1, basta con seleccionar la opción “Download CRAN”. En la página que se abre a continuación hay que escoger el “mirror” de descarga y la versión que corresponde al sistema operativo deseado (Windows, Mac OS o Linux). Están disponibles “mirrors” en distintos países, por lo tanto, es conveniente elegir un “mirror” de una localización cercana. 17 Figura 1: Pagina web principal de descarga R En el TFG “R como herramienta de apoyo a la enseñanza de Estadística en Bachillerato” (Revuelta, 2017) se explica detalladamente cómo realizar la instalación de R y sus paquetes. 3.2 RStudio RStudio es un entorno de desarrollo integrado (IDE) para R, que al igual que éste es software libre. Está formado por una consola de ejecución, un editor de texto que acepta la ejecución directa y herramientas para la administración del área de trabajo. El objetivo es disponer de una herramienta potente que sea sencilla e intuitiva para crear un entorno “user friendly” para sus usuarios, pero que a su vez soporte los tratamientos requeridos para realizar análisis de calidad y dignos de confianza. Una vez instalado R (R-project), se puede instalar RStudio. La instalación de RStudio se consigue desde la página oficial del programa https://www.rstudio.com/ seleccionando “Download now” y a continuación “Download RStudio Desktop”. Elegir la versión del sistema operativo adecuada y seguir las instrucciones de instalación. 18 Figura 2: Ventana principal RStudio Como se muestra en la Figura 2, RStudio es un entorno muy organizado ya que podemos observar al tiempo el editor de código fuente (Script), el espacio de trabajo (Consola), los objetos almacenados en memoria (Entorno global) y el directorio de trabajo, los gráficos que se generan, los paquetes para cargarlos e instalarlos directamente, la ayuda y un visor HTML en la ventana inferior izquierda. Un aspecto a señalar es que RStudio no posee versión en castellano. Esto puede ser visto como un inconveniente para su uso en las Enseñanzas Medias. 3.3 Shiny El software estadístico R cuenta desde 2012 en el repositorio CRAN de la página web del proyecto R con un paquete llamado Shiny. Shiny permite la construcción de aplicaciones web interactivas (apps) directamente desde R con un marco web elegante y poderoso sin necesidad de contar con conocimientos de HTML, CSS o Java Script. La instalación de este paquete es similar a la del resto de paquetes de R. Se puede realizar a través de los menús de RStudio o ejecutar la siguiente orden en la consola install.packages(“Shiny”, dependencies = T). Para más información sobre la instalación de paquetes se puede visitar “R como herramienta de apoyo a la enseñanza de Estadística en Bachillerato” (Revuelta, 2017). Las aplicaciones web pueden tener un papel fundamental no solo en el ámbito docente sino también en el profesional o en investigación. En las subsecciones siguientes se introducen brevemente los elementos fundamentales para entender las aplicaciones Shiny. 19 3.3.1 Estructura y funcionamiento de una aplicación Shiny Cada aplicación Shiny se compone de dos partes: una página web que muestra la aplicación al usuario y un ordenador o servidor que la alimenta. El desarrollador de una aplicación Shiny escribe la interfaz de usuario, llamada UI en Shiny, y el código que alimenta la aplicación, llamado SERVER en Shiny. El funcionamiento de las aplicaciones web desarrolladas con Shiny es de la misma forma que otras aplicaciones web, con la ventaja de que R y Shiny generan el código HTML que muestra los elementos en la página web y ofrece un modelo de interacción entre los componentes interactivo y dinámico. Las aplicaciones desarrolladas con esta tecnología se pueden presentar de dos formas. La primera es con un único archivo app.R que reúna todo el código en un solo script y la segunda es creando dos archivos, ui.R y server.R, que separen la parte cliente de la parte servidora. Si están en un único script se encuentran las siguientes partes diferenciadas en el código:  ui: instrucciones que describen la interfaz de usuario. Es decir, controla el diseño y aspecto de la aplicación mediante una serie de comandos.  server: instrucciones de los componentes de R que se necesitan para construir los cálculos y gráficos necesarios.  ShinyApp: crea los objetos de la aplicación Shiny. Solo es necesario cuando se crea un único archivo app.R Para el funcionamiento de estas aplicaciones Shiny podemos distinguir los siguientes pasos: A continuación se van a describir algunos elementos claves para entender las aplicaciones Shiny: Programación reactiva, Widgets, construcción de interfaz y salida reactiva. Programación reactiva Shiny está basado en la programación reactiva, es decir, enlaza los valores de entrada y los de salida. Cuando una entrada cambia, el servidor reconstruye cada salida que depende de ella directa o indirectamente. En este tipo de programación destaca el uso de valores que cambian con el tiempo y expresiones que registran esos cambios. Interacción entre widgets y usuario en el navegador Modificar calculos de R con el valor actual de los widgets Mostrar en el navegador los resultados obtenidos 20 Widgets Un widget es un elemento web con el que el usuario puede interactuar enviando mensajes a la aplicación Shiny. Shiny dispone de un conjunto de widgets pre-construidos, se pueden ver en la Figura 3 y Tabla 1. El usuario interactúa con el widget para modificar los valores que toma la aplicación Shiny al evaluar los cálculos, y por lo tanto, reconstruir la solución a mostrar. En la programación de los widgets se utilizan funciones widget. El primer argumento de cada función widget es el <nombre> del widget. Se puede acceder a su valor actual en la función server con input$<nombre>. Figura 3: Widgets básicos de Shiny Widget Función Argumentos comunes Botón de acción actionButton inputId, label Casilla checkboxInput inputId, label, value Grupo de casillas checkboxGroupInput inputId, label, choices, selected Selección de fechas dateInput InputId, label, value, min, max, format Selección rango de fechas dateRangeInput inputId, label, start, end, min, max, format Subir archivo fileInput inputId, label multiple Campo numérico numericInput inputId, label, value, min, max, step Botón de selección radioButtons inputId, label, choices, selected Casilla de selección selectInput inputId, label, choices, sleected, multiple Deslizador sliderInput inputId, label, min, max, value, step Botón de envío submitButton text Campo de texto textInput inputId, label, value Tabla 1: Widget básicos de Shiny 21 Construcción de interfaz Para empezar a crear una aplicación Shiny se crea un nuevo directorio en el que se guarda dentro un archivo app.R que contiene ui y server. Se recomienda que cada aplicación viva en su propio directorio único. Para crear una primera aplicación el mínimo código posible que se necesita debe corresponderse con el script de la Figura 4: Figura 4: Aplicación Shiny mínima A partir de la aplicación mínima que se muestra en la Figura 4 se irán añadiendo elementos hasta llegar a la aplicación final que se desea. Algunos de los elementos básicos son: - Función fluidPage: crea ventana que se ajusta automáticamente a las dimensiones de la pantalla o titlePanel: panel de títulos o siderbarLayout: siempre toma los siguientes dos argumentos  sidebarPanel: barra lateral  mainPanel: panel principal o Widgets - Contenido HTML: mediante funciones Shiny paralelas a las etiquetas HTML5 comunes se añaden párrafos, encabezados, formatos de texto e imágenes entre otros. Salida reactiva Para obtener una salida reactiva necesitamos un indicador o “reactivo” que haga que la salida depende de otra expresión. Esto es, cuando una entrada del usuario cambia, la aplicación renueva los cálculos realizados con esa entrada y por consiguiente produce una salida nueva. 22 Para crear estas salidas reactivas se necesitan dos pasos: - Agregar un objeto R a la interfaz de usuario. Shiny cuenta con funciones que modifican los objetos R en salida para su interfaz. - Proporcionar el código R para construir el objeto propiamente dicho. Este código para formar el objeto debe especificar el valor de un widget para que sea reactivo. 3.3.2 Compartir aplicaciones Shiny Una vez creada una aplicación Shiny esta se puede compartir con otros usuarios de las dos formas siguientes: - Como R scripts: solo funciona cuando el usuario cuenta con el software R. Se inicia la aplicación desde la sesión de R del usuario y se ejecuta con el botón o ejecutando la siguiente orden en consola library(shiny); runApp('app.R’) si nuestra aplicación se guarda en el fihcero app. R. - Como una página web: los usuarios pueden acceder como un navegador web por la aplicación a través de internet. Esto requiere que la aplicación Shiny específica esté disponible en un servidor público. En este TFG compartiremos las aplicaciones Shiny creadas de la primera forma que se ha descrito. Además de los scripts que contienen el código de las aplicaciones Shiny, se compartirán varios ficheros de datos que sirven para realizar ejemplos prácticos y se utilizarán en la Sección 5. 23 4. APLICACIONES SHINY PARA EL APOYO A LA ENSEÑANZA DE LA ESTADÍSTICA Para elaborar estas aplicaciones, en este TFG, se ha tenido en cuenta que los contenidos de Estadística enumerados en la Sección 2. - Estadístico y gráficos que utilizan una sola variable para los cuales se ha desarrollado la aplicación Shiny Descripción Univariante. - Estadísticos y gráficos que emplean dos variables para los cuales se ha desarrollado la aplicación Shiny Descripción Bivariante. - Los contenidos de probabilidad en la aplicación Shiny Probabilidad. En esta sección se explicara detalladamente cómo operar y la estructura de cada una de las aplicaciones Shiny desarrolladas. 4.1 Aplicación Shiny Descripción Univariante La estadística descriptiva univariante se centra en la clasificación, presentación, descripción y análisis de una única variable. Para ello se utilizan tablas, gráficos y estadísticos resumen. La aplicación desarrollada con Shiny para la descripción de una variable se llama Descripción Univariante y se ejecuta en RStudio con el fichero “UnaVariable.R” escribiendo la orden library(shiny); runApp(‘UnaVariable.R’) en consola. El código del script UnaVariable.R se encuentra en el Apéndice A. Esta aplicación está dividida en las 5 secciones o ventanas que se muestran en la Figura 5. Figura 5: Encabezado Aplicación Shiny Descripción Univariante Se va a pasar a describir detalladamente la estructura y los contenidos que se recogen en cada una de las ventanas. 24 Elección de archivo Figura 6: Aplicación Shiny Descripción Univariante, Ventana elección archivo Esta ventana sirve para cargar el fichero de datos donde se encuentre la variable a analizar. Los datos deben estar en un fichero de datos externo. Al seleccionar la opción “Buscar fichero” se abre el explorar de archivos y se busca el fichero deseado. En la parte izquierda de la pantalla se configura la lectura del archivo de datos. Primero se selecciona el archivo al abrirse el explorador del ordenador. Después se completa la ventana para que la lectura de los datos sea correcta, ver Figura 7. Figura 7: Selección de datos externos Esta aplicación lee ficheros con extensiones .txt y .csv. Una vez seleccionado el archivo, la siguiente subsección, Figura 8, nos indica si el archivo contiene en la primera fila el nombre de cada variable. Dependiendo si la contiene o no debe marcarse, respectivamente, el botón de Sí o el botón de No. Por defecto está marcado Sí. 25 Figura 8: Nombre de la variable Para que las variables del fichero se lean correctamente, en la subsección Separador de observaciones de la Figura 9, se escoge el tipo de separación (espacio, tabulación, coma o punto y coma) que hay entre unas variables y otras dentro de la misma fila. Por defecto, el separador es Espacio. En la subsección Formato de la Figura 9 se elige si las observaciones de tipo carácter están escritas con “Comilla Doble”, ‘Comilla Simple’ o Nada. Por defecto, Comilla Doble. Figura 9: Separación observaciones Una vez elegidas las opciones adecuadas en la lectura del fichero, la última subsección que aparece en esta parte de pantalla, Número de filas a mostrar, Figura 10, sirve para que el usuario indique el número de filas a mostrar por pantalla del fichero escogido. Por defecto mostrara las 10 primeras filas. Figura 10: Observaciones a mostrar En el panel principal de la pantalla se encuentra un breve resumen de los estadísticos resumen calculados en esta aplicación Shiny y los datos de las filas desde la primera hasta el número elegido en el selector que muestra la Figura 10. 32 Dos variables categóricas Figura 24: Aplicación Shiny Descripción Bivariante, Ventana Dos variables categóricas La ventana para dos variables categóricas, Figura 24, presenta los resultados en el momento que las variables a analizar hayan sido declaradas categóricas en la ventana correspondiente. En otro caso, esta ventana se presentará vacía. En el panel de la izquierda se encuentra una breve descripción de los resultados que se expondrán en esta ventana. En el panel principal, en la parte superior se muestra el nombre de las variables elegidas. Debajo se presenta la tabla de contingencia, la marginal de cada variable y un grafico de barras múltiple y otro de barras apiladas. 33 Dos variables numéricas Figura 25: Aplicación Shiny Descripción Bivariante, Ventana Dos variables numéricas La ventana para dos variables numéricas, Figura 25, presenta los resultados en el momento que las variables a analizar hayan sido declaradas numéricas en la ventana correspondiente. En otro caso, esta ventana se presentará vacía. En el panel de la izquierda se describen los resultados que se encontrarán en este panel principal. En el panel central, debajo de los nombres de las variables se muestran las opciones para la elección del número de intervalos en los que se quieren agrupar los datos de cada variable escogida si esta es continua, Figura 26. Figura 26: Selectores del número de intervalos Cuando las variables son declaradas numéricas discretas la tabla de doble entrada, la 34 marginal y las condicionadas de cada variable se realiza con los datos sin agrupar. Si las variables son declaradas numéricas continuas los datos se agrupan en el número de intervalos antes señalado y se crean estas tablas con los datos así agrupados. En el caso de que cada variable sea de un tipo los datos de la variable continua serán agrupados y los de la discreta no. Después de estas tablas, el usuario tiene la posibilidad de obtener otra tabla adicional conteniendo las columnas xi, yi, xi2, yi2, xi*yi que servirán para los cálculos siguientes. Figura 27: Opción mostrar tabla A continuación, se calculan los estadísticos media, desviación típica, covarianza y el coeficiente de correlación de Pearson. Además, se representa una nube de puntos y la recta de regresión. En la recta de regresión aparecen los coeficientes de la ecuación de dicha recta. Al representar la recta sobre la nube de puntos no siempre se muestra el corte de esta con los ejes. El usuario puede tener interés en visualizar estos cortes para representar la ordenada en el origen. Esto es posible ya que se ofrece la opción de modificar los limites de los ejes. Esta opción se muestra en la Figura 28. Figura 28: Recta de regresión Una variable numérica y una categórica 35 Figura 29: Aplicación Shiny Descripción Bivariante, Ventana Una variable numérica y una categórica La ventana para una variable numérica y una categórica, Figura 29, presenta los resultados en el momento que las variables a analizar hayan sido declaradas como numérica y cualitativa, o viceversa, en la ventana correspondiente. Esta situación también puede ser considerada como una numérica reunida en varios grupos. En otro caso, esta ventana se presentará vacía. En el panel izquierdo se ofrece una noción de los resultados que se obtendrán en el panel principal expuesto en la Figura 29. En este caso se calcula una tabla de estadísticos resumen que contiene el mínimo, el máximo, la media, la mediana y el primer y tercer cuartil de la variable numérica en cada valor de la variable cualitativa (o grupo) para después, a partir de ellos, realizarse el gráfico de cajas y bigotes múltiple. En el gráfico, por defecto, se obtienen las cajas en horizontal pero el usuario tiene la opción de representarlo en vertical, Figura 30. Figura 30: Opción orientación grafico de cajas 4.3 Aplicación Shiny Probabilidad 36 La tercera implementación de una aplicación con Shiny en este TFG se encarga de la parte de probabilidad. La probabilidad es un cálculo matemático de las posibilidades que existen de que se cumpla un suceso o evento futuro. Los cálculos realizados en esta aplicación serán relacionados con dos distribuciones de probabilidad, una discreta como es la Binomial y otra continua como lo es la Normal. Además se muestra la aproximación de la binomial por la normal. La aplicación desarrollada con Shiny para el uso de distribuciones de probabilidad se llama Probabilidad y se ejecuta en RStudio con el fichero “Probabilidad.R” escribiendo la orden library(shiny); runApp(‘Probabilidad.R’) en consola. El código del script Probabilidad.R se encuentra en el Apéndice C. La aplicación Shiny Probabilidad está dividida en cuatro secciones o ventanas: Probabilidad, Binomial, Normal, Aproximación Binomial a la Normal. En la Figura 31 podemos observar la cabecera de la ventana principal. Figura 31: Encabezado Aplicación Shiny Probabilidad Probabilidad Figura 32: Aplicación Shiny Probabilidad, Ventana Probabilidad En esta primera ventana de la aplicación encontraremos los contenidos que se 37 mostraran a lo largo de la aplicación y una simulación de tiradas de dados con la media de puntos obtenidos para cada dado en la simulación obtenida. Binomial Figura 33: Aplicación Shiny Probabilidad, Ventana binomial panel izquierdo La distribución binomial es una distribución de probabilidad discreta que tiene como parámetros el número de repeticiones del experimento, n, y la probabilidad de éxito, p. Estos parámetros se introducen en la aplicación en el panel mostrado en la Figura 33. Este panel se va a explicar por partes y, por lo tanto, la misma ventana es dividida en varias Figuras. Los resultados que se muestran inicialmente se calculan con los valores que toman los parámetros por defecto en la aplicación. 38 Figura 34: Aplicación Shiny Probabilidad, Ventana Binomial, panel principal 1 En la parte superior del panel principal se encuentra el gráfico de la funcion de probabilida y el cálculo de la esperanza y la varianza de dicha distribución a partir de los parámetros introducidos, Figura 34. A continuación se calculan detalladamente una serie de probabilidades. Figura 35: Aplicación Shiny Probabilidad, Ventana Binomial, panel principal 2 La Figura 35 muestra el cálculo de P(X = x) donde x es un numero que el usuario puede introducir. Figura 36: Aplicación Shiny Probabilidad, Ventana Binomial, panel principal 3 La probabilidad P(X ≥ x) se calcula en la Figura 36, x número a introducir por el usuario. 39 Figura 37: Aplicación Shiny Probabilidad, Ventana Binomial, panel principal 4 La Figura 37 corresponde con la probabilidad P (X≤ x), x es el número que el usuario introduce. Figura 38: Aplicación Shiny Probabilidad, Ventana Binomial, panel principal 5 La probabilidad de que x se encuentre dentro de un intervalo [𝑎,𝑏], 𝑃(𝑎 ≤ 𝑋 ≤ 𝑏), se calcula en el trozo de aplicación mostrado en la Figura 38, a es el primer número que el usuario puede introducir y b el segundo. Figura 39: Aplicación Shiny Probabilidad, Ventana binomial, panel principal 6 En este caso se calcula el valor de la variable que deja a su derecha la probabilidad introducida. Esto es, dado p devuelve el valor x tal que 𝑃(𝑋 ≤ 𝑥) = 𝑝 Figura 40: Aplicación Shiny Probabilidad, Ventana Binomial, panel principal 7 La Figura 40 muestra cómo obtener una muestra aleatoria de tantos elementos como el usuario indique. 40 Normal Figura 41: Aplicación Shiny Probabilidad, Ventana Normal, panel izquierdo La distribución Normal o gaussiana es la más importante y de mayor uso en las distribuciones continuas ya que modeliza gran cantidad de fenómenos aleatorios. Esta distribución es identificada por dos parámetros que coinciden con la media, μ, y la desviación típica, σ, de la distribución. En el panel de la aplicación Shiny Probabilidad que se observa en la Figura 41 el usuario introduce estos parámetros para manejar la Normal que interese. Una vez especificados estos parámetros se pasa a los cálculos del panel principal. Este panel se irá explicando por partes y por lo tanto la misma ventana será dividida en varias Figuras. Los resultados que se muestran inicialmente se calculan con los valores por defecto que toman los parámetros de esta aplicación Shiny. 41 Figura 42: Aplicación Shiny Probabilidad, Ventana Normal, panel principal 1 Después de introducir los parámetros deseados, en la parte superior del panel principal aparece el gráfico de la función de densidad, como podemos observar en la Figura 42. Figura 43: Aplicación Shiny Probabilidad, Ventana Normal, panel principal 2 La probabilidad que se calcula en la Figura 43 coincide con la función de distribución evaluada en ese punto, es decir, F(x) = P(X ≤ x). Además, se muestra el gráfico con el área bajo la curva que corresponde a esta probabilidad coloreado. El usuario fija el valor de x. 48 Apéndice A: Código Aplicación Shiny Descripción Univariante # install.packages("shiny", dependencies = T) # install.packages("shinythemes", dependencies = T) # install.packages("agricolae", dependencies = T) library(shiny) library(shinythemes) library(agricolae) Mode <- function(x) { ux <- unique(x) ux[which.max(tabulate(match(x, ux)))] } ui <- shinyUI(navbarPage(theme = shinytheme("united"),"DESCRIPCIÓN DE 1 VARIABLE", tabPanel("Elección archivo",uiOutput("component1")), tabPanel("Elección variable",uiOutput("component2")), tabPanel("Tabla Frecuencias", uiOutput("component3")), tabPanel("EstadÃ-sticos", uiOutput("component4")), tabPanel("Gráficos", uiOutput("component5")) )) server <- function(input, output) { output$component1 <- renderUI({ sidebarLayout( sidebarPanel( fileInput('file1', 'Lectura de fichero: ', accept = c( 'text/csv', 'text/comma-separated-values', 'text/tab-separated-values', 'text/plain', '.csv' ), buttonLabel = "Buscar fichero", placeholder = "Ningún archivo seleccionado" ), radioButtons("header", label="¿El archivo contiene el nombre de la variable?", choices=list("SÃ-","No"), selected="SÃ-"), radioButtons(inputId = 'sep', label='Separador de variables:', 49 c(Espacio ='\ ', "Tabulación"='\t', Coma=',', "Punto y Coma"=';' ), '\ '), radioButtons('quote', 'Formato:', c('Comilla Doble'='"', 'Comilla simple'="'", "Nada"=''), '"'), numericInput(inputId = "obs",label = "Número de filas a mostrar:",value=10), tags$hr() ), mainPanel( fluidRow(column(8, h1("Fichero de datos"), h4("Para variables cualitativas se obtiene: "), p("Tabla de frecuencias",align = "center"), p("Gráficos",align = "center"), h4("Además, para variables numéricas se obtiene: "), p("EstadÃ-sticos de centro o localización",align = "center"), p("EstadÃ-sticos de dispersión",align = "center"), br(),br(), h4("Las dimensiones del fichero escogido son:"), fluidRow(column(2,br()), column(6,p("Número de observaciones:")), column(4,verbatimTextOutput("dimensionesFilas",placeholder = T)) ), fluidRow(column(2,br()), column(6,p("Número de variables:")), column(4,verbatimTextOutput("dimensionesColumnas",placeholder = T)) ), h4("Primeros datos del fichero:"), tableOutput('contents') ), column(4, br(),br(),img(src = "numeros.gif", height = 225, width = 225)) ) ) ) }) output$component2 <- renderUI({ sidebarLayout( sidebarPanel( h4("Elige la variable de estudio del fichero"), 50 numericInput(inputId = "var",label = "Variable escogida:",value=1), radioButtons("tipo", label="Selecciona si la variable es numérica o cualitativa:", choices=list("Cualitativa","Numérica"), selected="Cualitativa"), conditionalPanel(condition = "input.tipo == 'Numérica'", radioButtons("tipoNumerica", label="Escoge el tipo de numérica:", choices=list("Continua","Discreta"), selected="Continua") ), numericInput(inputId = "obs1",label = "Número de observaciones a mostrar:",value=10) ), mainPanel( fluidRow(column(10,fluidRow(style="border:1px inset;bordercolor:#458cc3;background-color:#FA7457", column(5,h3("Primeros datos de la variable:")), column(5,br(),verbatimTextOutput("nombre")))), column(1,br()) ),br(), tableOutput('contentsV') ) ) }) output$component3 <- renderUI({ sidebarLayout( sidebarPanel(width = 3, h3("Tabla de frecuencias"), p("Frecuencia absoluta (fi)"), p("Frecuencia relativa (fr)"), p("Porcentaje: Frecuencia relativa*100"),br(), strong(h4(em("Si el tipo de variable es declarado erróneamente puede que los resultados no sean válidos."))),br() ), mainPanel( fluidRow(column(10,fluidRow(style="border:1px inset;bordercolor:#458cc3;background-color:#FA7457", column(7,h3("Cálculo de tabla de frecuencias para la variable:")), column(3,br(),verbatimTextOutput("nombre1")))), column(1,br())) ,br(), conditionalPanel(condition = "input.tipo =='Numérica' && input.tipoNumerica == 'Continua'", 51 p("Escoge el número de intervalos en los que agrupar los datos:"), numericInput(inputId = "particion",label = " ",value=10) ), tableOutput("view") ) ) }) output$component4 <- renderUI({ sidebarLayout( sidebarPanel(width = 3, h3("EstadÃ-sticos de centro: "), strong("MÃ-nimo y Máximo"),br(), strong("Cuartiles"),br(), strong("Percentil"),br(), strong("Media aritmética"),br(), strong("Mediana"),br(), strong("Moda"),br(), h3("EstadÃ-sticos de dispersión: "), strong("Rango o recorrido"), strong("Varianza"),br(), strong("Desviación tÃ-pica"),br(), strong("Coeficiente de variación"),br(), strong("Rango intercuartilico"),br(),br(), strong(h4(em("Si el tipo de variable es declarado erróneamente los resultados puede que no sean válidos"))),br() ), mainPanel( conditionalPanel(condition = "input.tipo == 'Numérica'", fluidRow(column(10,fluidRow(style="border:1px inset;bordercolor:#458cc3;background-color:#FA7457", column(7,h3("Cálculo de estadÃ-sticos para la variable:")), column(3,br(),verbatimTextOutput("nombre2")))), column(1,br())) ,br(), fluidRow( column(5, p("MÃ-nimo y máximo:"), verbatimTextOutput("minmax"), p("Primer y tercer cuartil:"), verbatimTextOutput("cuartiles"), fluidRow(column(4,br(),p("Percentil:")), column(4,numericInput(inputId = "perc",label = " ",value=20))), verbatimTextOutput("percentil"), p("Media:"), verbatimTextOutput("media"), p("Mediana o segundo cuartil:"), 52 verbatimTextOutput("mediana"), p("Moda:"), verbatimTextOutput("moda") ), column(5, p("Rango o recorrido:"), verbatimTextOutput("rango"), p("Varianza:"), verbatimTextOutput("varianza"), p("Desviación tÃ-pica: "), verbatimTextOutput("desviacion"), p("Coeficiente de variacion: "), verbatimTextOutput("cv"), p("Rango intercuartilico: "), verbatimTextOutput("rangoIntercuartilico")) ) ), conditionalPanel(condition = "input.tipo == 'Cualitativa'", h4("Para obtener resultados en esta sección la variable tiene que ser declarada numérica")) )) }) output$component5 <- renderUI({ sidebarLayout( sidebarPanel(width=3, wellPanel(style= "background:white", img(src = "sectores.gif", height = 150, width = 200), br(), h5("Gráfico de barras"), h5("Gráfico de sectores"), h5("Diagrama de cajas y bigotes"), h5("Histograma"), h5("PolÃ-gono de frecuencias"), h4(strong(em("Si se ha declarado erróneamente el tipo de variable los resultados puede que no sean válidos"))),br(),br(), h6("Dependiendo del tipo de variable declarado se dibujaran unos gráficos u otros"), h6("Para variables numéricas continuas el diagrama de varillas y sectores se dibujara cuando n < 15") ) ), mainPanel( fluidRow(column(10,fluidRow(style="border:1px inset;bordercolor:#458cc3;background-color:#FA7457", column(7,h3("Gráficos para la variable:")), column(3,br(),verbatimTextOutput("nombre3")))), 53 column(1,br()) ), conditionalPanel(condition = "input.tipo == 'Cualitativa'", h4("Gráfico de barras"), plotOutput(outputId = "barras"), h4("Gráfico de sectores"), plotOutput(outputId = "sectores") ), conditionalPanel(condition = "input.tipo == 'Numérica' && input.tipoNumerica == 'Discreta'", h4("Gráfico de barras"), plotOutput(outputId = "barrasD"), h4("Gráfico de sectores"), plotOutput(outputId = "sectoresD") ), conditionalPanel(condition = "input.tipo == 'Numérica' && input.tipoNumerica == 'Continua'", conditionalPanel(condition = "'length(unique(datasetInput1()[,1]))' < 16", h4("Gráfico de barras"), plotOutput(outputId = "barrasC"), h4("Gráfico de sectores"), plotOutput(outputId = "sectoresC") ), h4("Cajas y Bigotes"), plotOutput(outputId = "cajas"), p("Para los siguientes gráficos podemos elegir el número de particiones: "), sliderInput(inputId = "bins",label = " ",min = 1,max=100,value=5), h4("Histograma"), plotOutput(outputId = "histograma"), p("Particiones del histograma:"), verbatimTextOutput("clases"), h4("PolÃ-gono de frecuencias"), plotOutput(outputId = "polFrec"), plotOutput(outputId = "polFrecSIN") ) ) ) }) ########################### LECTURA DE DATOS -- cOMPONENTE 1 #################################### datasetInput <- reactive({ req(input$file1) inFile <- input$file1 54 if(input$header == "SÃ-"){ a <- TRUE }else{ a <- FALSE} db <- read.csv(inFile$datapath, header = a, sep = input$sep, quote = input$quote) db <- data.frame(db) }) datasetInput1 <- reactive({ db <- datasetInput() if(input$var <= 0){ db <- NULL }else if(input$var > ncol(db)){ db <- NULL }else{ nombre <- names(datasetInput()) db <-as.data.frame(db[,input$var]) colnames(db) <- nombre[input$var] db } }) output$contents <- renderTable({ if(input$obs <= 0){ NULL }else{ head(datasetInput(),n=input$obs) } }) output$dimensionesFilas <- renderPrint({ cat(nrow(datasetInput())) }) output$dimensionesColumnas <- renderPrint({ cat(ncol(datasetInput())) }) output$contentsV <- renderTable({ if(input$obs <=0){ NULL }else{ head(datasetInput1(),n=input$obs1) } }) output$nombre <- renderPrint({ 55 cat(names(datasetInput1())[1]) }) output$nombre1 <- renderPrint({ cat(names(datasetInput1())[1]) }) output$nombre2 <- renderPrint({ cat(names(datasetInput1())[1]) }) output$nombre3 <- renderPrint({ cat(names(datasetInput1())[1]) }) ########################### TABLA DE FRECUENCIAS -- COMPONENTE 2 #################################### output$particionIntervalo <- renderText({ if(input$tipo=="Numérica" && input$tipoNumerica =="Continua"){ "Escoger número de intervalos:" } }) output$view <- renderTable({ if(input$tipo == "Cualitativa"){ fi <- table(datasetInput()[,input$var]) fr <- round(prop.table(table(datasetInput()[,input$var])),3) Porcentaje <- round(fr*100,4) tabla <- data.frame(fi,fr,Porcentaje) tabla <- tabla[,-c(3,5)] colnames(tabla) <- c("Datos","Frecuencia absoluta","Frecuencia relativa","Porcentaje") tabla } else if(input$tipo == "Numérica" && input$tipoNumerica == "Discreta"){ fi <- table(datasetInput()[,input$var]) fr <- round(prop.table(table(datasetInput()[,input$var])),3) Porcentaje <- round(fr*100,4) tabla <- data.frame(fi,fr,Porcentaje) tabla <- tabla[,-c(3,5)] colnames(tabla) <- c("Datos","Frecuencia absoluta","Frecuencia relativa","Porcentaje") tabla }else if(input$tipo == "Numérica" && input$tipoNumerica == "Continua"){ a <- factor(cut(datasetInput()[,input$var],breaks = input$particion)) fi <- (table(a)) fr <- round(prop.table(table(a)),3) Porcentaje <- round(fr*100,4) tabla <- data.frame(fi,fr,Porcentaje) 56 tabla <- tabla[,-c(3,5)] colnames(tabla) <- c("Datos","Frecuencia absoluta","Frecuencia relativa","Porcentaje") tabla } }) ########################### ESTADISTICOS -- COMPONENTE 3 #################################### output$minmax <- renderPrint({ summary(datasetInput1()[,1])[c(1,6)] }) output$cuartiles <- renderPrint({ summary(datasetInput1()[,1])[c(2,5)] }) output$percentil <- renderPrint({ quantile( datasetInput1()[,1] , prob = input$perc/100) }) output$media <- renderPrint({ cat(summary(datasetInput1()[,1])[4]) }) output$mediana <- renderPrint({ cat(summary(datasetInput1()[,1])[3]) }) output$moda <- renderPrint({ cat(Mode(datasetInput1()[,1])) }) output$rango <- renderPrint({ cat(max(datasetInput1()[,1])-min(datasetInput1()[,1])) }) output$varianza <- renderPrint({ cat(var(datasetInput1()[,1])) }) output$desviacion <- renderPrint({ cat(sd(datasetInput1()[,1])) }) 57 output$cv <- renderPrint({ CV <- sd(datasetInput1()[,1])/mean(datasetInput1()[,1]) CVp <- CV*100 tabla <- cbind(CV,CVp) colnames(tabla) <- c("CV","CV %") rownames(tabla) <- c("") tabla }) output$rangoIntercuartilico <- renderPrint({ cat(IQR(datasetInput1()[,1])) }) ########################### GRAFICOS -- COMPONENTE 4 #################################### output$barras <- renderPlot({ barplot((table(datasetInput1()[,1])), col = "blue",border = NA, main = names(datasetInput1())[1]) }) output$barrasD <- renderPlot({ plot((table(datasetInput1()[,1])), type = "h",col = "green", cex = 4, ylab = " ", main = names(datasetInput1())[1]) }) output$barrasC <- renderPlot({ plot((table(datasetInput1()[,1])), type = "h",col = "pink", cex = 4, ylab = " ", main = names(datasetInput1())[1]) }) output$sectores <- renderPlot({ pie(prop.table(table(datasetInput1()[,1])), main = names(datasetInput1())[1]) }) output$sectoresD <- renderPlot({ pie(prop.table(table(datasetInput1()[,1])), main = names(datasetInput1())[1]) }) output$sectoresC <- renderPlot({ pie(prop.table(table(datasetInput1()[,1])), main = names(datasetInput1())[1]) }) output$cajas <- renderPlot({ boxplot(datasetInput1()[,1],col="red",main = names(datasetInput1())[1]) }) 64 p("Media Y:"), verbatimTextOutput("mediaY"), p("Desviación TÃ-pica X:"), verbatimTextOutput("desviacionX"), p("Desviación TÃ-pica Y:"), verbatimTextOutput("desviacionY"), p("Covarianza:"), verbatimTextOutput("cov"), p("Coeficiente de correlación lineal de Pearson:"), verbatimTextOutput("cor"), p("Nube de puntos"), plotOutput(outputId = "nube"), br(),br(),br(), p("Coeficientes de la ecuación de la recta de regresión:"), verbatimTextOutput("regresionX"), p("Gráfico de la recta de regresión Y sobre X:"), plotOutput(outputId = "rectaX"), radioButtons("modificarRecta", label="¿Modificar ejes del gráfico?", choices=list("SÃ-","No"), selected="No"), conditionalPanel(condition = "input.modificarRecta == 'SÃ-'", fluidRow(column(5,numericInput(inputId = "infX",label = "LÃ-mite inferior del eje X :",value=0), numericInput(inputId = "infY",label = "LÃ-mite inferior del eje Y :",value=0)), column(5,numericInput(inputId = "supX",label = "LÃ-mite superior del eje X :",value=2), numericInput(inputId = "supY",label = "LÃ-mite superior del eje Y :",value=2))), plotOutput(outputId = "rectaXModif") ) ), conditionalPanel(condition = "input.tipo1 != 'Numérica' || input.tipo2 != 'Numérica'", h4("Para obtener resultados en esta sección las dos variables deben ser declaradas numéricas")) ) ) ) }) output$component5 <- renderUI({ sidebarLayout( sidebarPanel(width = 3, h4("Tabla de estadÃ-sticos"), 65 p("EstadÃ-sticos básicos con los que se construye el gráfico de cajas"), h4("Gráfico de cajas"), p("Útil para comparar."),br(),br(), strong(h4(em("Si se ha declarado el tipo de variable erróneamente los resultados puede que no sean válidos."))),br() ), mainPanel( wellPanel(style = "background: #FFFFFF", conditionalPanel(condition = "(input.tipo1 == 'Numérica' && input.tipo2 == 'Cualitativa') || (input.tipo2 == 'Numérica' && input.tipo1 == 'Cualitativa')", fluidRow(style="border:1px inset;border-color:#458cc3;backgroundcolor:#A8D1FC",column(5, h3("Nombre variable 1: "),br(), h3("Nombre variable 2: ")), column(5,br(),verbatimTextOutput("nombrev5"),br(), verbatimTextOutput("nombrev6")) ),br(), h3("Tabla de estadÃ-sticos"), tableOutput("estadisticos"), h3("Gráfico de cajas"), radioButtons("orientacion", label="Selecciona la orientación de las cajas:", choices=list("Horizontal","Vertical"), selected="Horizontal"), plotOutput(outputId = "cajas") ), conditionalPanel(condition = "(input.tipo1 == 'Numérica' && input.tipo2 == 'Numérica')", h4("Para obtener resultados en esta sección una variable tiene que ser declarada numérica y la otra categórica")), conditionalPanel(condition = "(input.tipo1 == 'Cualitativa' && input.tipo2 == 'Cualitativa')", h4("Para obtener resultados en esta sección una variable tiene que ser declarada numérica y la otra categórica")) ) ) ) }) ########################### LECTURA DE DATOS #################################### datasetInput <- reactive({ req(input$file1) inFile <- input$file1 if(input$header == "SÃ-"){ a <- TRUE 66 }else{ a <- FALSE} db <- read.csv(inFile$datapath, header = a, sep = input$sep, quote = input$quote) db <- data.frame(db) }) output$contents <- renderTable({ if(input$obs <=0){ NULL }else{ head(datasetInput(),n=input$obs) } }) # VARIABLE 1 datasetInput1 <- reactive({ db <- datasetInput() if(input$var1 <= 0){ db <- NULL }else if(input$var1 > ncol(db)){ db <- NULL }else{ nombre <- names(datasetInput()) db <-as.data.frame(db[,input$var1]) colnames(db) <- nombre[input$var1] db } }) output$contentsV1 <- renderTable({ if(input$obs1 <=0){ NULL }else{ head(datasetInput1(),n=input$obs1) } }) # VARIABLE 2 datasetInput2 <- reactive({ db <- datasetInput() if(input$var2 <= 0){ db <- NULL }else if(input$var2 > ncol(db)){ db <- NULL }else{ nombre <- names(datasetInput()) db <-as.data.frame(db[,input$var2]) 67 colnames(db) <- nombre[input$var2] db } }) output$dimensionesFilas <- renderPrint({ cat(nrow(datasetInput())) }) output$dimensionesColumnas <- renderPrint({ cat(ncol(datasetInput())) }) output$contentsV2 <- renderTable({ if(input$obs1 <=0){ NULL }else{ head(datasetInput2(),n=input$obs1) } }) output$nombrev1 <- renderPrint({ cat(names(datasetInput1())[1]) }) output$nombrev2 <- renderPrint({ cat(names(datasetInput2())[1]) }) output$nombrev3 <- renderPrint({ cat(names(datasetInput1())[1]) }) output$nombrev4 <- renderPrint({ cat(names(datasetInput2())[1]) }) output$nombrev5 <- renderPrint({ cat(names(datasetInput1())[1]) }) output$nombrev6 <- renderPrint({ cat(names(datasetInput2())[1]) }) 68 ########################### DOS VARIABLES CATEGORICAS -- COMPONENTE 3 #################################### output$view1 <- renderTable({ tabla <- ftable(datasetInput1()[,1],datasetInput2()[,1]) tabla <- addmargins(tabla) tabla <- as.data.frame(tabla) nombresV1 <- as.factor(unique(sort(datasetInput1()[,1]))) nombresV2 <- as.factor(unique(sort(datasetInput2()[,1]))) tabla <- cbind(c(levels(nombresV1),"total"),tabla) colnames(tabla) <- c(" ",levels(nombresV2),"total") tabla }) output$marg11 <- renderTable({ fi <- table(datasetInput1()[,1]) fr <- round(prop.table(table(datasetInput1()[,1])),3) Porcentaje <- round(fr,3)*100 tabla <- data.frame(fi,fr,Porcentaje) tabla <- tabla[,-c(3,5)] colnames(tabla) <- c("Datos","fi","fr","Porcentaje") tabla }) output$marg21 <- renderTable({ fi <- table(datasetInput2()[,1]) fr <- round(prop.table(table(datasetInput2()[,1])),3) Porcentaje <- round(fr*100,4) tabla <- data.frame(fi,fr,Porcentaje) tabla <- tabla[,-c(3,5)] colnames(tabla) <- c("Datos","fi","fr","Porcentaje") tabla }) output$condX1 <- renderTable({ tabla <- ftable(datasetInput1()[,1],datasetInput2()[,1]) tabla <- prop.table(tabla,2) tabla <- data.frame(matrix(tabla, nrow = length(unique(datasetInput1()[,1])))) nombresV1 <- as.factor(unique(sort(datasetInput1()[,1]))) nombresV2 <- as.factor(unique(sort(datasetInput2()[,1]))) tabla <- cbind(c(levels(nombresV1)),tabla) colnames(tabla) <- c(" ",levels(nombresV2)) tabla }) output$condY1 <- renderTable({ tabla <- ftable(datasetInput1()[,1],datasetInput2()[,1]) 69 tabla <- prop.table(tabla,1) tabla <- data.frame(matrix(tabla, nrow = length(unique(datasetInput1()[,1])))) nombresV1 <- as.factor(unique(sort(datasetInput1()[,1]))) nombresV2 <- as.factor(unique(sort(datasetInput2()[,1]))) tabla <- cbind(c(levels(nombresV1)),tabla) colnames(tabla) <- c(" ",levels(nombresV2)) tabla }) output$barras <- renderPlot({ a <- data.frame(datasetInput1()[,1],datasetInput2()[,1]) ggplot(a, aes(x=a[,1], fill=a[,2])) + geom_bar(position="dodge") + labs(x = names(datasetInput1())[1], fill = names(datasetInput2())[1], y = " ") + theme_bw() + theme(panel.background = element_blank ()) }) output$barrasApiladas <- renderPlot({ a <- data.frame(datasetInput1()[,1],datasetInput2()[,1]) ggplot(a, aes(x=a[,1], fill=a[,2])) + geom_bar(position="fill") + labs(x = names(datasetInput1())[1], fill = names(datasetInput2())[1], y = " ")+scale_y_continuous(labels=percent) }) ########################### DOS VARIABLES NUMERICAS -- COMPONENTE 4 #################################### output$particionIntervalo1 <- renderText({ if(input$tipoNumerica1 =="Continua" || input$tipoNumerica2 == "Continua"){ "Escoger número de intervalos para la o las variables continuas:" } }) output$view <- renderTable({ if(input$tipoNumerica1 == "Discreta" && input$tipoNumerica2 == "Discreta"){ tabla <- ftable(datasetInput1()[,1],datasetInput2()[,1]) tabla <- addmargins(tabla) tabla <- as.data.frame(tabla) nombresV1 <- as.factor(unique(sort(datasetInput1()[,1]))) nombresV2 <- as.factor(unique(sort(datasetInput2()[,1]))) tabla <- cbind(c(levels(nombresV1),"total"),tabla) colnames(tabla) <- c(" ",levels(nombresV2),"total") tabla }else if(input$tipoNumerica1 == "Continua" && input$tipoNumerica2 == "Continua"){ a <- factor(cut(datasetInput1()[,1],breaks = input$particionV1)) b <- factor(cut(datasetInput2()[,1],breaks = input$particionV2)) 70 tabla <- ftable(a,b) tabla <- addmargins(tabla) tabla <- as.data.frame(tabla) nombresV1 <- as.factor(unique(sort(a))) nombresV2 <- as.factor(unique(sort(b))) tabla <- cbind(c(levels(nombresV1),"total"),tabla) colnames(tabla) <- c(" ",levels(nombresV2),"total") tabla }else if(input$tipoNumerica1 == "Discreta" && input$tipoNumerica2 == "Continua"){ b <- factor(cut(datasetInput2()[,1],breaks = input$particionV2)) tabla <- ftable(datasetInput1()[,1],b) tabla <- addmargins(tabla) tabla <- as.data.frame(tabla) nombresV1 <- as.factor(unique(sort(datasetInput1()[,1]))) nombresV2 <- as.factor(unique(sort(b))) tabla <- cbind(c(levels(nombresV1),"total"),tabla) colnames(tabla) <- c(" ",levels(nombresV2),"total") tabla } else if(input$tipoNumerica1 == "Continua" && input$tipoNumerica2 == "Discreta"){ a <- factor(cut(datasetInput1()[,1],breaks = input$particionV1)) tabla <- ftable(a,datasetInput2()[,1]) tabla <- addmargins(tabla) tabla <- as.data.frame(tabla) nombresV1 <- as.factor(unique(sort(a))) nombresV2 <- as.factor(unique(sort(datasetInput2()[,1]))) tabla <- cbind(c(levels(nombresV1),"total"),tabla) colnames(tabla) <- c(" ",levels(nombresV2),"total") tabla } else{NULL} }) output$marg1 <- renderTable({ if(input$tipoNumerica1 == "Discreta"){ fi <- table(datasetInput1()[,1]) fr <- round(prop.table(table(datasetInput1()[,1])),3) Porcentaje <- round(fr,3)*100 tabla <- data.frame(fi,fr,Porcentaje) tabla <- tabla[,-c(3,5)] colnames(tabla) <- c("Datos","fi","fr","Porcentaje") tabla }else if(input$tipoNumerica1 == "Continua"){ a <- factor(cut(datasetInput1()[,1],breaks = input$particionV1)) fi <- (table(a)) fr <- round(prop.table(table(a)),3) 71 Porcentaje <- round(fr*100,4) tabla <- data.frame(fi,fr,Porcentaje) tabla <- tabla[,-c(3,5)] colnames(tabla) <- c("Datos","fi","fr","Porcentaje") tabla } }) output$marg2 <- renderTable({ if(input$tipoNumerica2 == "Discreta"){ fi <- table(datasetInput2()[,1]) fr <- round(prop.table(table(datasetInput2()[,1])),3) Porcentaje <- round(fr*100,4) tabla <- data.frame(fi,fr,Porcentaje) tabla <- tabla[,-c(3,5)] colnames(tabla) <- c("Datos","fi","fr","Porcentaje") tabla }else if(input$tipoNumerica2 == "Continua"){ a <- factor(cut(datasetInput2()[,1],breaks = input$particionV2)) fi <- (table(a)) fr <- round(prop.table(table(a)),3) Porcentaje <- round(fr*100,4) tabla <- data.frame(fi,fr,Porcentaje) tabla <- tabla[,-c(3,5)] colnames(tabla) <- c("Datos","fi","fr","Porcentaje") tabla } }) output$condX <- renderTable({ if(input$tipoNumerica1 == "Discreta" && input$tipoNumerica2 == "Discreta"){ tabla <- ftable(datasetInput1()[,1],datasetInput2()[,1]) tabla <- prop.table(tabla,2) tabla <- data.frame(matrix(tabla, nrow = length(unique(datasetInput1()[,1])))) nombresV1 <- as.factor(unique(sort(datasetInput1()[,1]))) nombresV2 <- as.factor(unique(sort(datasetInput2()[,1]))) tabla <- cbind(c(levels(nombresV1)),tabla) colnames(tabla) <- c(" ",levels(nombresV2)) tabla }else if(input$tipoNumerica1 == "Continua" && input$tipoNumerica2 == "Continua"){ a <- factor(cut(datasetInput1()[,1],breaks = input$particionV1)) b <- factor(cut(datasetInput2()[,1],breaks = input$particionV2)) tabla <- ftable(a,b) tabla <- prop.table(tabla,2) tabla <- data.frame(matrix(tabla, nrow = length(unique(a)))) 72 nombresV1 <- as.factor(unique(sort(a))) nombresV2 <- as.factor(unique(sort(b))) tabla <- cbind(c(levels(nombresV1)),tabla) colnames(tabla) <- c(" ",levels(nombresV2)) tabla }else if(input$tipoNumerica1 == "Discreta" && input$tipoNumerica2 == "Continua"){ b <- factor(cut(datasetInput2()[,1],breaks = input$particionV2)) tabla <- ftable(datasetInput1()[,1],b) tabla <- prop.table(tabla,2) tabla <- data.frame(matrix(tabla, nrow = length(unique(datasetInput1()[,1])))) nombresV1 <- as.factor(unique(sort(datasetInput1()[,1]))) nombresV2 <- as.factor(unique(sort(b))) tabla <- cbind(c(levels(nombresV1)),tabla) colnames(tabla) <- c(" ",levels(nombresV2)) tabla } else if(input$tipoNumerica1 == "Continua" && input$tipoNumerica2 == "Discreta"){ a <- factor(cut(datasetInput1()[,1],breaks = input$particionV1)) tabla <- ftable(a,datasetInput2()[,1]) tabla <- prop.table(tabla,2) tabla <- data.frame(matrix(tabla, nrow = length(unique(a)))) nombresV1 <- as.factor(unique(sort(a))) nombresV2 <- as.factor(unique(sort(datasetInput2()[,1]))) tabla <- cbind(c(levels(nombresV1)),tabla) colnames(tabla) <- c(" ",levels(nombresV2)) tabla } else{NULL} }) output$condY <- renderTable({ if(input$tipoNumerica1 == "Discreta" && input$tipoNumerica2 == "Discreta"){ tabla <- ftable(datasetInput1()[,1],datasetInput2()[,1]) tabla <- prop.table(tabla,1) tabla <- data.frame(matrix(tabla, nrow = length(unique(datasetInput1()[,1])))) nombresV1 <- as.factor(unique(sort(datasetInput1()[,1]))) nombresV2 <- as.factor(unique(sort(datasetInput2()[,1]))) tabla <- cbind(c(levels(nombresV1)),tabla) colnames(tabla) <- c(" ",levels(nombresV2)) tabla }else if(input$tipoNumerica1 == "Continua" && input$tipoNumerica2 == "Continua"){ a <- factor(cut(datasetInput1()[,1],breaks = input$particionV1)) b <- factor(cut(datasetInput2()[,1],breaks = input$particionV2)) 73 tabla <- ftable(a,b) tabla <- prop.table(tabla,1) tabla <- data.frame(matrix(tabla, nrow = length(unique(a)))) nombresV1 <- as.factor(unique(sort(a))) nombresV2 <- as.factor(unique(sort(b))) tabla <- cbind(c(levels(nombresV1)),tabla) colnames(tabla) <- c(" ",levels(nombresV2)) tabla }else if(input$tipoNumerica1 == "Discreta" && input$tipoNumerica2 == "Continua"){ b <- factor(cut(datasetInput2()[,1],breaks = input$particionV2)) tabla <- ftable(datasetInput1()[,1],b) tabla <- prop.table(tabla,1) tabla <- data.frame(matrix(tabla, nrow = length(unique(datasetInput1()[,1])))) nombresV1 <- as.factor(unique(sort(datasetInput1()[,1]))) nombresV2 <- as.factor(unique(sort(b))) tabla <- cbind(c(levels(nombresV1)),tabla) colnames(tabla) <- c(" ",levels(nombresV2)) tabla } else if(input$tipoNumerica1 == "Continua" && input$tipoNumerica2 == "Discreta"){ a <- factor(cut(datasetInput1()[,1],breaks = input$particionV1)) tabla <- ftable(a,datasetInput2()[,1]) tabla <- prop.table(tabla,1) tabla <- data.frame(matrix(tabla, nrow = length(unique(a)))) nombresV1 <- as.factor(unique(sort(a))) nombresV2 <- as.factor(unique(sort(datasetInput2()[,1]))) tabla <- cbind(c(levels(nombresV1)),tabla) colnames(tabla) <- c(" ",levels(nombresV2)) tabla } else{NULL} }) output$tablaIntermedia <- renderTable({ if(input$resultados == "Mostrar"){ Xi <- datasetInput1()[,1] Yi <- datasetInput2()[,1] Xi2 <- Xi^2 Yi2 <- Yi^2 XiYi <- Xi*Yi tabla <- data.frame(cbind(Xi,Yi,Xi2,Yi2,XiYi)) names(tabla) <- c("X","Y","Cuadrado de X","Cuadrado de Y","Producto X por Y") tabla }else{NULL} }) output$mediaX <- renderPrint({ 80 column(1,br(),strong(" éxitos")) ), verbatimTextOutput("probabilidadAlMenos"),br(), fluidRow(column(6,br(),strong("Probabilidad de obtener un maximo de ")), column(3, numericInput(inputId = "exitos2",label = " ", value = 0,min = 0)), column(1,br(),strong(" éxitos")) ), verbatimTextOutput("probabilidadMucho"),br(), fluidRow(column(5,br(),strong("Probabilidad de obtener entre ")), column(2, numericInput(inputId = "exitosP",label = " ", value = 0,min = 0)), column(1,br(),strong(" y")), column(2, numericInput(inputId = "exitosS",label = " ", value = 1,min = 0)), column(1,br(),strong(" éxitos")) ), verbatimTextOutput("probabilidadIntervalo"),br(), fluidRow(column(6,br(),strong("Valor de la variable que deja a su derecha la probabilidad de ")), column(2, numericInput(inputId = "porcentaje",label = " ", value = 0,min = 0, max = 1,step = 0.05)) ), verbatimTextOutput("PorcentajeObs"),br(), fluidRow(column(6,br(),strong("Generación de una muestra aleatoria de tamaño ")), column(2, numericInput(inputId = "valores",label = " ", value = 5,min = 0)) ), verbatimTextOutput("muestra"),br() ) ) ) }) ########################### NORMAL -- COMPONENTE 3 ########################################################## output$component3 <- renderUI({ sidebarLayout( sidebarPanel( wellPanel(style= "background:grey", h3("Distribución normal"), h4(em("Parámetros de la distrubución normal: ")), numericInput(inputId = "mu", label = "Media", value = 0), numericInput(inputId = "sigma",label = "Desviación TÃ-pica", value = 1), br(), img(src = "normal.gif", height = 200, width = 200), br(),br() ) 81 ), mainPanel( wellPanel(style= "background:grey", h3("La distribución normal"),br(), strong("Representación de la función de densidad "),br(),br(), plotOutput("graficoNormal"), fluidRow(column(6,br(),strong("Probabilidad de que la variable aleatoria sea menor que ")), column(2, numericInput(inputId = "menor",label = " ", value = 1, step = 0.1)) ), verbatimTextOutput("Pmenor"),br(), plotOutput("graficoNormalMenor"),br(), fluidRow(column(6,br(),strong("Probabilidad de que la variable aleatoria sea mayor que ")), column(2, numericInput(inputId = "mayor",label = " ", value =0,step = 0.1)) ), verbatimTextOutput("Pmayor"),br(), plotOutput("graficoNormalMayor"),br(), fluidRow(column(5,br(),strong("Probabilidad de que la variable aleatoria se encuentre entre ")), column(2, numericInput(inputId = "menorI",label = " ", value = 0, step = 0.1)), column(1,br(),strong(" y")), column(2, numericInput(inputId = "mayorI",label = " ", value = 1,step = 0.1)) ), verbatimTextOutput("probabilidadIntervaloN"),br(), strong("Representación de la probabilidad calculada anteriormente"),br(),br(), plotOutput("graficoNormalProbabilidad"),br(), fluidRow(column(7,br(),strong("Valor de la variable que deja a su derecha una probabilidad de ")), column(2, numericInput(inputId = "porcentajeN",label = " ", value = 0.1,min = 0, max = 1, step = 0.05)) ), verbatimTextOutput("PorcentajeObsN"),br(), fluidRow(column(8,br(),strong("Generación de una muestra aleatoria de tamaño ")), column(2, numericInput(inputId = "valoresN",label = " ", value = 5,min = 0)) ), verbatimTextOutput("muestraN") ) ) ) }) ########################### APROXIMACION -- COMPONENTE 4 ########################################################## 82 output$component4 <- renderUI({ sidebarLayout( sidebarPanel( wellPanel(style= "background:grey", h4("Aproximación de la distribución binomial a la Normal"), p("Parámetros de la distrubución binomial: "), numericInput(inputId = "n1", label = "Número de repeticiones, n", min = 0, value = 50), numericInput(inputId = "p1",label = "Probabilidad de éxito, p",min = 0,max = 1, value = 0.5,step = 0.05), br(),img(src = "dado.gif", height = 200, width = 200),br(),br() ) ), mainPanel( wellPanel(style= "background:grey", h4("Aproximación de la distribución binomial a la Normal"),br(), strong("Gráfico de aproximación"),br(),br(), textOutput("NoAprox"),br(), plotOutput("graficoBinomialNormal") ) ) ) }) ########################### PROBABILIDAD -- COMPONENTE 1 ########################################################## output$graficoDados <- renderPlot({ dice(rolls = input$rolls, ndice = input$ndice ,plot.it = T) }) output$mediaDados <- renderPrint({ tmp <- dice(rolls = input$rolls, ndice = input$ndice) colMeans(tmp) }) ########################### BINOMIAL -- COMPONENTE 2 ########################################################## output$esperanza <- renderPrint({ cat(input$n*input$p) }) output$varianza <- renderPrint({ cat(input$n*input$p*(1-input$p)) }) output$probabilidad <- renderPrint({ cat(dbinom(input$exitos,input$n,input$p)) }) output$probabilidadAlMenos <- renderPrint({ 83 cat(1-pbinom(input$exitos1-1,input$n,input$p)) }) output$probabilidadMucho <- renderPrint({ cat(pbinom(input$exitos2-1,input$n,input$p,lower.tail = T)) }) output$probabilidadIntervalo <- renderPrint({ if(input$exitosS >= input$exitosP){ IC <- pbinom(c(input$exitosP-1,input$exitosS),input$n,input$p) cat(IC[2]-IC[1]) }else{NULL} }) output$PorcentajeObs <- renderPrint({ cat(qbinom(1-input$porcentaje, input$n,input$p)) }) output$muestra <- renderPrint({ cat(rbinom(input$valores,input$n,input$p)) }) output$graficoBinomial <- renderPlot({ plot(dbinom(0:input$n,input$n,input$p),type = "h",xlab="x",ylab="P(X=x)",main=expression(paste("Funcion de probabilidad B(", n, ",",p,")"))) }) ########################### NORMAL -- COMPONENTE 3 ############################################################ output$Pmenor <- renderPrint({ cat(pnorm(input$menor,input$mu,input$sigma)) }) output$graficoNormalMenor <- renderPlot({ curve(dnorm(x,input$mu,input$sigma),input$mu- (input$mu+10)/2,input$mu+(input$mu+10)/2,lwd=2, ylab = "f(x)",main=expression(paste("Densidad de la Normal N(", mu, ",", sigma^2,")"))) t<-seq(input$mu-(input$mu+10)/2,input$menor,by=0.01) x <- c(-100000000000,t,input$menor) y <- c(0,dnorm(t,input$mu,input$sigma),0) polygon(x,y,col="orange1") }) output$Pmayor <- renderPrint({ cat(1-pnorm(input$mayor,input$mu,input$sigma)) }) output$probabilidadIntervaloN <- renderPrint({ if(input$mayorI >= input$menorI){ IC <- pnorm(c(input$mayorI,input$menorI),input$mu,input$sigma) 84 cat(IC[1]-IC[2]) }else{NULL} }) output$graficoNormalProbabilidad <- renderPlot({ if(input$menorI <=input$mayorI){ curve(dnorm(x,input$mu,input$sigma),input$mu- (input$mu+10)/2,input$mu+(input$mu+10)/2,lwd=2, ylab = "f(x)",main=expression(paste("Densidad de la Normal N(", mu, ",", sigma^2,")"))) t<-seq(input$menorI,input$mayorI,by=0.01) x <- c(input$menorI,t,input$mayorI) y <- c(0,dnorm(t,input$mu,input$sigma),0) polygon(x,y,col="orange1") }else{NULL} }) output$graficoNormalMayor <- renderPlot({ curve(dnorm(x,input$mu,input$sigma),input$mu- (input$mu+10)/2,input$mu+(input$mu+10)/2,lwd=2, ylab = "f(x)",main=expression(paste("Densidad de la Normal N(", mu, ",", sigma^2,")"))) t<-seq(input$mayor,input$mu+(input$mu+10)/2,by=0.01) x <- c(input$mayor,t,100000000000) y <- c(0,dnorm(t,input$mu,input$sigma),0) polygon(x,y,col="orange1") }) output$PorcentajeObsN <- renderPrint({ cat(qnorm(1-input$porcentajeN, input$mu,input$sigma)) }) output$muestraN <- renderPrint({ cat(rnorm(input$valoresN,input$mu,input$sigma)) }) output$graficoNormal <- renderPlot({ x <- seq(1,1) a <- input$mu curve(dnorm(x, input$mu, input$sigma),xlim=c(input$mu- (input$mu+10)/2,input$mu+(input$mu+10)/2),col="blue",lwd=2,xlab="x",ylab="f(x)",main=ex pression(paste("Densidad de la Normal N(", mu, ",", sigma^2,")"))) }) ########################### APROXIMACION BINOMIAL A NORMAL -- COMPONENTE 4 #################################### output$NoAprox <- renderText({ if(input$n1*input$p1 < 3){ "Esta binomial no aproxima bien a la normal. Modifica el valor de las repeticiones, n, o de la probabilidad, p" } }) 85 output$graficoBinomialNormal <- renderPlot({ plot(dbinom(0:(input$n1+input$n1/2),input$n1,input$p1),type = "h",xlab="x",ylab="P(X=x)") lines(dnorm(0:(input$n1+input$n1/2),input$n1*input$p1,sqrt(input$n1*input$p1*(1- input$p1))),col=2) }) } shinyApp(ui = ui, server = server) 86 BIBLIOGRAFIA Y/O REFERENCIAS Boletín Oficial de Castilla y León Núm. 86, 8 de mayo de 2015, ref. “CV: BOCYL-D- 08052015-5”. Boletín Oficial del Estado Núm. 295, 10 de diciembre de 2013, ref. “BOE-A-2013- 12886”. Boletín Oficial del Estado Núm. 3, 3 de enero de 2015, ref. “BOE-A- 2015- 37”. Boletín Oficial del Estado Núm. 104, 1 de mayo de 2015, ref. “BOE-A- 2015- 4782”. Boletín Oficial del Estado Núm. 25, 29 de enero de 2015, ref. “BOE-A- 2015- 738”. Boletín Oficial del Estado Núm.1835, 30 de julio de 2016, ref. “BOE- A-2016- 7337”. Learn Shiny [sitio web]. [Consulta 26-04-2019]. Disponible en: https://Shiny.rstudio.com/ Shiny-examples [sitio web]. [Consulta 25-04-2019]. Disponible en: https://github.com/rstudio/Shiny-examples RStudio [sitio web]. [Consulta 26-04-2019]. Disponible en: https://www.rstudio.com/ The R Project for Statistical Computing. [Sitio web]. [Consulta 13-04-2019]. Disponible en: https://www.r-project.org/ Colera, J., Oliveira, M.J. and Colera, R. (2016). Matemáticas Aplicadas a las Ciencias Sociales II. Editorial Anaya. ISBN: 978-84-1280-8. Colera, J., Oliveira, M.J., García, R. and Santaella, E. (2008). Matemáticas I. Editorial Anaya. ISBN: 978-84-667-7283-9. Contreras, I., Lobo, B., Pérez, J., Uriondo, J. and Fernández, I. (2011). Matemáticas, 1º ESO. Editorial Oxford Educación. ISBN: 978-84-673-6288-6. Contreras, I., Fernández, I., Pérez, J. and Uriondo, J. (2012). Matemáticas, 2º ESO. Editorial Oxford Educación. ISBN: 978-84-673-6288-6. Contreras, I., Lobo, B., Pérez, S., Pérez, J., Santaella, E. and Fernández, I. (2011). Matemáticas, 3º ESO. Editorial Oxford Educación. ISBN: 978-84-673-6289-3. 87 Contreras, I., Fernández, I., Lobo, B., Pérez, S. and Pérez, J. (2012). Matemáticas, 4º ESO. Editorial Oxford Educación. ISBN: 978-84-673-7376-9. R package engsoccerdata [sitio web]. [Consulta 10-05-2019]. Disponible en: https://cran.r-project.org/web/packages/engsoccerdata/README.html Rdatasets [sitio web]. [Consulta 14-05-2019]. Disponible en: https://vincentarelbundock.github.io/Rdatasets/datasets.html Beeley, C. (2013). Web application development with R using Shiny. Editorial Packt Publishing. ISBN: 978-1-78328-447-4 Oviedo, M. (2015). [en línea] Shiny: crear una aplicación web interactiva desde R. Disponible en: https://rpubs.com/moviedo/Shiny Introducción a R, R-commander y Shiny [sitio web]. [Consulta 19-04-2019]. Disponible en: http://knuth.uca.es/moodle/mod/lesson/view.php?id=2904&pageid=3662&startlastse en=no Revuelta, A. (2017). R como herramienta de apoyo a la ensenanza de Estadistica en Bachillerato. Disponible en: http://uvadoc.uva.es/handle/10324/31138. CrohnD function | R Documentation. [sitio web]. [Consulta 16-05-2019]. Disponible en: https://www.rdocumentation.org/packages/robustbase/versions/0.93- 4/topics/CrohnD Ruiz, M. (2004). Manual de Estadísticas. Disponible en: http://www.eumed.net/cursecon/libreria/drm/drm-estad.pdf Referencias de las imágenes Dado imagen animada [imagen]. [Consulta 09-05-2019]. Recuperado de: http://www.gifsanimados.org/img-dado-imagen-animada-0092-120792.htm Goma de borrar imagen animada [imagen]. [Consulta 09-05-2019]. Recuperado de: https://www.pinterest.com.mx/pin/299278337716208592/?autologin=true Grafico de sectores imagen animada [imagen]. [Consulta 09-05-2019]. Recuperado de: https://www.gifmania.com/Gif-Animados-Objetos/Imagenes-Material-de- Oficina/Graficos/ 88 Lanzamiento dados imagen animada [imagen]. [Consulta 09-05-2019] Recuperado de: http://4.bp.blogspot.com/- x8xgpNOMieQ/Vaj6VivTP4I/AAAAAAAAABY/9qEM_leRvw8/s1600/3a346b536b6a6f5d e274bbbff7908ec0.jpg Matriz números imagen animada [imagen]. [Consulta 09-05-2019]. Recuperado de: http://es.phoneky.com/gif-animations/?id=s2s165144 Pato Donald Probabilidad imagen animada [imagen]. [Consulta 09-05-2019]. Recuperado de: https://www.pinterest.es/pin/561120434805976182/ Probabilidad Normal imagen animada [imagen]. [Consulta 09-05-2019]. Recuperado de: https://www.google.es/search?biw=1517&bih=694&tbm=isch&sa=1&ei=RXveXKDODs rUgwe967- wBQ&q=gif+probabilidad+normal&oq=gif+probabilidad+normal&gs_l=img.3...4330.84 04..8612...0.0..0.120.2322.4j18......1....1..gws-wiz- img.......0j0i67j35i39j0i30j0i8i30.WEPpB5pddos#imgrc=u3nFJCbDNGVt-M: 89 FIGURAS Figura 1: Pagina web principal de descarga R .......................................................................... 17 Figura 2: Ventana principal RStudio ......................................................................................... 18 Figura 3: Widgets básicos de Shiny .......................................................................................... 20 Figura 4: Aplicación Shiny mínima ........................................................................................... 21 Figura 5: Encabezado Aplicación Shiny Descripción Univariante .............................................. 23 Figura 6: Aplicación Shiny Descripción Univariante, Ventana elección archivo ......................... 24 Figura 7: Selección de datos externos...................................................................................... 24 Figura 8: Nombre de la variable .............................................................................................. 25 Figura 9: Separación observaciones......................................................................................... 25 Figura 10: Observaciones a mostrar ........................................................................................ 25 Figura 11: Aplicación Shiny Descripción Univariante, Ventana elección de variable ................. 26 Figura 12: Selección de variable .............................................................................................. 26 Figura 13: Selección tipo de variable ....................................................................................... 26 Figura 14: Observaciones a mostrar ........................................................................................ 27 Figura 15: Aplicación Shiny Descripción Univariante, Ventana Tabla de frecuencias ............... 27 Figura 16: Número de intervalos ............................................................................................. 27 Figura 17: Definiciones tabla de frecuencias ............................................................................ 28 Figura 18: Aplicación Shiny Descripción Univariante, Ventana Estadísticos .............................. 28 Figura 19: Aplicación Shiny Descripción Univariante, Ventana Gráficos ................................... 29 Figura 20: Numero clases del histograma ................................................................................ 29 Figura 21: Encabezado Aplicación Shiny Descripción Bivariante ............................................... 30 Figura 22: Aplicación Shiny Descripción Bivariante, Ventana Elección de Archivo .................... 30 Figura 23: Aplicación Shiny Descripción Bivariante, Ventana Elección Variables ...................... 31 Figura 24: Aplicación Shiny Descripción Bivariante, Ventana Dos variables categóricas ........... 32 Figura 25: Aplicación Shiny Descripción Bivariante, Ventana Dos variables numéricas ............. 33 Figura 26: Selectores del número de intervalos ....................................................................... 33 Figura 27: Opción mostrar tabla .............................................................................................. 34 Figura 28: Recta de regresión .................................................................................................. 34 Figura 29: Aplicación Shiny Descripción Bivariante, Ventana Una variable numérica y una categórica ............................................................................................................................... 35 Figura 30: Opción orientación grafico de cajas ........................................................................ 35 Figura 31: Encabezado Aplicación Shiny Probabilidad .............................................................. 36 Figura 32: Aplicación Shiny Probabilidad, Ventana Probabilidad .............................................. 36 Figura 33: Aplicación Shiny Probabilidad, Ventana binomial panel izquierdo ........................... 37 Figura 34: Aplicación Shiny Probabilidad, Ventana Binomial, panel principal 1 ........................ 38 Figura 35: Aplicación Shiny Probabilidad, Ventana Binomial, panel principal 2 ........................ 38 Figura 36: Aplicación Shiny Probabilidad, Ventana Binomial, panel principal 3 ....................... 38 Figura 37: Aplicación Shiny Probabilidad, Ventana Binomial, panel principal 4 ........................ 39 Figura 38: Aplicación Shiny Probabilidad, Ventana Binomial, panel principal 5 ........................ 39 Figura 39: Aplicación Shiny Probabilidad, Ventana binomial, panel principal 6........................ 39 Figura 40: Aplicación Shiny Probabilidad, Ventana Binomial, panel principal 7 ........................ 39 Figura 41: Aplicación Shiny Probabilidad, Ventana Normal, panel izquierdo ............................ 40 Figura 42: Aplicación Shiny Probabilidad, Ventana Normal, panel principal 1.......................... 41 Figura 43: Aplicación Shiny Probabilidad, Ventana Normal, panel principal 2 .......................... 41 Figura 44: Aplicación Shiny Probabilidad, Ventana Normal, panel principal 3 .......................... 42 Figura 45: Aplicación Shiny Probabilidad, Ventana Normal, panel principal 4 .......................... 42 Figura 46: Aplicación Shiny Probabilidad, Ventana Normal, panel principal 5 .......................... 43 Figura 47: Aplicación Shiny Probabilidad, Ventana Normal, panel principal 6 .......................... 43 Figura 48: Aplicación Shiny Probabilidad, Ventana Aproximación Binomial a Normal.............. 44