<!-- R Commander Markdown Template --> Credit Resic Return ======================= ### DR.Edirdiri Fadol Ibrahim Fadol Scientific Research Center) ### `r as.character(Sys.Date())` ```{r echo=FALSE} # include this code chunk as-is to set options knitr::opts_chunk$set(comment=NA, prompt=TRUE, out.width=750, fig.height=8, fig.width=8) library(Rcmdr) library(car) library(RcmdrMisc) ``` ```{r} # Load necessary libraries library(quantmod) library(ggplot2) ``` ```{r} # Step 1: Fetch historical stock prices using quantmod package ticker <- "AAPL" # Example: Apple Inc. start_date <- "2021-01-01" end_date <- "2021-12-31" ``` ```{r} getSymbols(ticker, from = start_date, to = end_date) ``` ```{r} # Step 2: Extract adjusted closing prices stock_prices <- Ad(get(ticker)) ``` ```{r} # Step 3: Calculate daily returns daily_returns <- diff(log(stock_prices)) ``` ```{r} # Step 4: Calculate key statistics mean_return <- mean(daily_returns, na.rm = TRUE) volatility <- sd(daily_returns, na.rm = TRUE) ``` ```{r} cat("Mean Daily Return:", mean_return, "\n") cat("Volatility (Standard Deviation of Daily Returns):", volatility, "\n") ``` ```{r} # Step 5: Visualize daily returns dates <- index(daily_returns) returns_data <- data.frame(Date = as.Date(dates), Daily_Return = as.numeric(daily_returns)) ``` ```{r} ggplot(returns_data, aes(x = Date, y = Daily_Return)) + geom_line(color = "blue") + labs(title = paste("Daily Returns of", ticker), x = "Date", y = "Daily Returns") + theme_minimal() ``` ```{r} ### Summarize Data Set: returns_data ``` ```{r} summary(returns_data) ``` ### Normality Test: ~Daily_Return ```{r} normalityTest(~Daily_Return, test="shapiro.test", data=returns_data) ``` ### Normality Test: ~Daily_Return ```{r} normalityTest(~Daily_Return, test="shapiro.test", data=returns_data) ``` ```{r} library(abind, pos=23) ``` ```{r} library(e1071, pos=24) ``` ### Numerical Summaries: returns_data ```{r} numSummary(returns_data[,"Daily_Return", drop=FALSE], statistics=c("mean", "sd", "IQR", "quantiles"), quantiles=c(0,.25,.5,.75,1)) ``` ### Numerical Summaries: returns_data ```{r} numSummary(returns_data[,"Daily_Return", drop=FALSE], statistics=c("mean", "sd", "IQR", "quantiles"), quantiles=c(0,.25,.5,.75,1)) ``` ### Single-Sample t-Test: Daily_Return ```{r} with(returns_data, (t.test(Daily_Return, alternative = "two.sided", mu = 0.0, conf.level = .95))) ``` ### Single-Sample t-Test: Daily_Return ```{r} with(returns_data, (t.test(Daily_Return, alternative = "two.sided", mu = 0.0, conf.level = .95))) ```

Este proyecto tiene como objetivo analizar las tasas de homicidios globales utilizando diferentes tipos de indicadores socioeconómicos recopilados de diversas fuentes como el Banco Mundial (World Bank), World Population Review y World Justice Project. Dada la limitación de datos recientes, este análisis se centrará en 66 países seleccionados.

Importing and Cleaning eammi2 data

Trabajo Estadistica 2

Importing and cleaning the EAMMi2 dataset

Proyecto final - Visualización de datos

First R Code Knit

El presente notebook muestra el código utilizado para realizar el estudio presentado en el artículo “Metodologías de estudio estadístico de bases de datos de biodiversidad: el caso de una base de datos de la biodiversidad de avifauna en la reserva Thomas van der Hammen.” y tiene como objetivo detallar los procedimientos y análisis estadísticos aplicados a la base de datos estudiada. Se describen los pasos seguidos desde la limpieza y preparación de los datos hasta la aplicación de técnicas estadísticas avanzadas y la visualización de resultados.