Este portafolio se actualizará constantemente para la presentación de los trabajos realizados en el curso de TÉCNICAS ESTADÍSTICAS MULTIVARIADAS ofrecido por la “Facultad de Ingeniería Estadística e Información” - FINESI en la Universidad Nacional del Altiplano (UNAP). El curso se enfoca en aplicar técnicas estadísticas avanzadas para analizar datos multivariados.

Heart_Disease_Prediction Contexto: La principal causa de muerte en el mundo desarrollado es la enfermedad cardíaca. Por lo tanto, es necesario trabajar para ayudar a prevenir los riesgos de sufrir un ataque cardíaco o un derrame cerebral. Contenido: utilice este conjunto de datos para predecir qué pacientes tienen más probabilidades de sufrir una enfermedad cardíaca en un futuro próximo utilizando las funciones proporcionadas. Reconocimiento: estos datos provienen del repositorio de aprendizaje automático de la Universidad de California en Irvine en: https://archive.ics.uci.edu/ml/datasets/Heart+Disease. Peter Turney), consulte la carpeta "Costos Attribute Information: Only 14 attributes used: (age) edad en años (sex) sexo (1 = masculino; 0 = femenino) (cp) tipo de dolor en el pecho - Valor 1: angina típica - Valor 2: angina atípica - Valor 3: dolor no anginoso - Valor 4: asintomático (trestbps) presión arterial en reposo (en mm Hg al ingreso en el hospital) (chol) colesterol sérico en mg / dl (fbs) (azúcar en sangre en ayunas> 120 mg / dl) (1 = verdadero; 0 = falso) (EKG) resultados electrocardiográficos en reposo - Valor 0: normal - Valor 1: tener anomalía de la onda ST-T (inversiones de la onda T y / o elevación o depresión del ST> 0,05 mV) - Valor 2: muestra hipertrofia ventricular izquierda probable o definitiva según los criterios de Estes (thalach) frecuencia cardíaca máxima alcanzada (exang) angina inducida por ejercicio (1 = sí; 0 = no) (oldpeak) depresión del ST inducida por el ejercicio en relación con el reposo (slope) pendiente: la pendiente del segmento ST de ejercicio pico - Valor 1: pendiente ascendente - Valor 2: plano - Valor 3: descendente (ca) número de vasos principales (0-3) coloreados por la floración (thal) 3 = normal; 6 = defecto fijo; 7 = defecto reversible (Heart_Disease) diagnóstico de enfermedad cardíaca (estado de enfermedad angiográfica) - Valor 0: <50% de estrechamiento del diámetro - Valor 1:> 50% de estrechamiento del diámetro (en cualquier buque importante: los atributos 59 a 68 son recipientes)

cod r estruct basic of curva_operaciones entre lotes

cod r de Curva de Operaciones

class of: ANALSIS DE DISCRIMIANANTE CUADRATICO

EN_DESARROLLO "Clusterización de Empresas Farmacéuticas Basada en el Vencimiento de sus Registros Sanitarios y Características de sus Productos"

" **Diseño de un plan de incentivos para vendedores** El director de ventas de una cadena de tiendas de electrodomésticos a nivel nacional está revisando el plan de incentivos para sus vendedores. Reconociendo las variaciones en las condiciones de venta en diferentes regiones geográficas, busca ajustar los incentivos de manera que reflejen las dificultades particulares que enfrentan los vendedores en cada zona. Para lograr esto, se propone segmentar las comunidades autónomas en grupos homogéneos basados en el equipamiento de los hogares de sus habitantes. El objetivo es identificar similitudes y diferencias en la penetración de diversos electrodomésticos y dispositivos tecnológicos en los hogares de distintas regiones. A continuación se presentan los porcentajes de hogares que cuentan con varios electrodomésticos y dispositivos tecnológicos en cada comunidad autónoma: " # Creamos el data frame con los datos proporcionados datos <- data.frame( CCAA = c("España", "Andalucía", "Aragón", "Asturias", "Baleares", "Canarias", "Cantabria", "Cast. y León", "C.-La Mancha", "Cataluña", "Com. Valenciana", "Extremadura", "Galicia", "Madrid", "Murcia", "Navarra", "País Vasco", "La Rioja"), Automóvil = c(69.0, 66.7, 67.2, 63.7, 71.9, 72.7, 63.4, 65.8, 61.5, 70.4, 72.7, 60.5, 65.5, 74.0, 69.0, 76.4, 71.3, 64.9), TV_color = c(97.6, 98.0, 97.5, 95.2, 98.8, 96.8, 94.9, 97.1, 97.3, 98.1, 98.4, 97.7, 91.3, 99.4, 98.7, 99.3, 98.3, 98.6), Video = c(62.4, 62.7, 56.8, 52.1, 62.4, 68.4, 48.9, 47.7, 53.6, 71.1, 68.2, 43.7, 42.7, 76.3, 59.3, 60.6, 61.6, 54.4), Micro_ondas = c(32.3, 24.1, 43.4, 24.4, 29.8, 27.9, 36.5, 28.1, 21.7, 36.8, 26.6, 20.7, 13.5, 53.9, 19.5, 44.0, 45.7, 44.4), Lava_vajillas = c(17.0, 12.7, 20.6, 13.3, 10.1, 5.8, 11.2, 14.0, 7.1, 19.8, 12.1, 11.7, 14.6, 32.3, 12.1, 20.6, 23.7, 17.6), Teléfono = c(85.2, 74.7, 88.4, 88.1, 87.9, 75.4, 80.5, 85.0, 72.9, 92.2, 84.4, 67.1, 85.9, 95.7, 81.4, 87.4, 94.3, 83.4) )

Desarrollo de clase dirigida para el tema de cartas de control de proceso

# Esta investigación, además de VERIFICAR RESULTADOS PREVIAMENTE YA PUBLICADOS, tiene un propósito educativo y motivacional. Su objetivo es inspirar a estudiantes y profesionales a seguir sus estudios e investigaciones, al proporcionarles una práctica valiosa en la adquisición de nuevos conocimientos. # https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0285138 # Mauricio Carvache-Franco,Otto Regalado-Pezúa,Gabriela Sirkis,Orly Carvache-Franco,Wilmer Carvache-Franco # # División de la Demanda del Turismo Urbano en Ciudades Latinoamericanas # El estudio se centró en analizar la demanda del turismo urbano en cuatro importantes ciudades de América Latina: Ciudad de México, Lima, Buenos Aires y Bogotá. Para llevar a cabo este análisis, se utilizó el método K-medias, una técnica de agrupamiento que permite identificar patrones en los datos y segmentar a los turistas en grupos con características similares.

Paso 1: Cargar los datos Paso 2: Distancias y Clustering Jerárquico Paso 3: K-Means Clustering Paso 4: PAM Clustering Paso 5: CLARA Clustering Paso 6: Visualización de Clusters con PCA Paso 7: Comparación de Clusters Paso 8: Evaluación de Clustering Paso 9: Guardar los Resultados Paso 10: Visualización Avanzada (Opcional)