Punto 1

Punto 1.1

1. Determine el nivel educativo promedio de la muestra. ¿Cuáles son los niveles de educación menor y mayor?

Respuesta:

library(wooldridge)
library(tidyverse)
library(ggplot2)
library(plotly)
library(dplyr)
library(agricolae)
#library(MASS)
library(treemapify)


Base1<- wage1

PromEduc= round(mean(wage1$educ),2)
MinimoEdu = min(wage1$educ)
MaximoEdu = max(wage1$educ)

GraficoEdu <- ggplot(wage1, aes(x = educ)) +
  geom_histogram(fill = "#118f40", 
                 color = "white") + 
  scale_x_continuous(
    breaks = seq(
      from = min(wage1$educ),
      to = max(wage1$educ),
      by = 1)
  )+
  labs(title="Frecuancia Niveles de Educación",
       x = "Niveles de Educación",
       y = "Frecuencia")+
    geom_vline(xintercept = PromEduc, linetype=1, col="blue", size=0.5)

ggplotly(GraficoEdu)

El promedio de la muestra es: 12.56

El nivel de educación menor es: 0

El nivel de educación mayor es: 18

Punto 1.2

2. Determine el salario promedio por hora (wage) en la muestra. ¿Parece ser alto o bajo?

Respuesta:

library(agricolae)
PromHora<-mean(wage1$wage)
MedHora<-median(wage1$wage)

datos1 <- data.frame(SalarioProm=c(Base1$wage), Salario=rep(1, each=526))
boxplot(SalarioProm ~ Salario, data=datos1, las=1,
        xlab='SalarioProm', ylab='Salario')

El salario promedio por hora es: 5.8961027, al compararlo con la mediana del salario por hora (4.6500001), evidenciamos que el promedio es mayor a la mediana, en consecuencia, se puede indicar que el salario promedio es alto.

Punto 1.3

3. ¿Cuántas mujeres (females) hay en la muestra? ¿Cuántos hombres?

Genero <- Base1 %>% 
  count(female)

Genero<-mutate(Genero, 
       female = ifelse(female>0, "Mujer", "Hombre"), 
       Part = round(n/sum(Genero$n),2))
Genero
##   female   n Part
## 1 Hombre 274 0.52
## 2  Mujer 252 0.48
Mujer <- Genero %>% 
      filter(female=="Mujer") %>% 
          select(n)

Hombre <- Genero %>% 
      filter(female=="Hombre") %>% 
          select(n)

Grafico1.3 <- ggplot(Genero, aes(x= female, 
                                y= n))+
              geom_bar(stat = "identity",
                       fill = "#118f40",
                       color = "black")+
              scale_y_continuous(
                    breaks = seq(
                      from = 0,
                      to = 280,
                      by = 20))+
              geom_text(aes(label=n),
                        size= 3,
                        position= position_stack(vjust=0.5))+
              labs(x="Género",
                   y= "Conteo",
                   title= "Conteo de Género")
ggplotly(Grafico1.3)

En la muestra hay 252 mujeres y 274 hombres.

Punto 2

Punto 2.1

¿Cuántas mujeres hay en la muestra (male = 0) y cuántas de las informantes fumaron durante un embarazo?

Base2 <- bwght

# Hombre y mujeres

Genero2 <- Base2 %>% 
      count(male)
Genero2 <- mutate(Genero2, 
         female = ifelse(male==0, "Mujer", "Hombre"))
Genero2
##   male   n female
## 1    0 665  Mujer
## 2    1 723 Hombre
Mujeres <- Genero2 %>% 
      filter(female=="Mujer") %>% 
          select(n)

###--- Fuma
Base2<-mutate(Base2, 
       cigs2 = ifelse(cigs==0, "No", "Si"))

Cigarrillos <- Base2 %>% 
  count(male, cigs2) 

Cigarrillos<- filter(Cigarrillos, male==0) %>% 
       mutate( Part = n/sum(Cigarrillos$n))

fumadoras <- Cigarrillos %>% 
      filter(cigs2=="Si") %>% 
          select(n)

Grafica2.1<-ggplot(Cigarrillos, 
       aes(x = cigs2, 
           y = n)) + 
  geom_bar(stat = "identity",
           fill = "#118f40",
           color = "black") +
  geom_text(aes(label=n),
            size= 3,
            position= position_stack(vjust=0.5))+
  labs(x = "Fumo?", 
       y = "Frequency", 
       title  = "Mujeres que fumaron durante el embarazo")
ggplotly(Grafica2.1)

En la muestra hay 665 mujeres, de las cuales 112 fumaron durante el embarazo.

Punto 2.2

¿Cuál es la cantidad promedio de cigarros consumidos por día (cigs)? ¿Es el promedio, en este caso, una medida representativa de la mujer “típica”? Explique.

PromCiga<-round(mean(Base2$cigs),2)
MedCiga<-median(Base2$cigs)

fumadoras2 <- filter (Base2, cigs2== "Si")
PromFumadoras <- mean(fumadoras2$cigs)
PromFumadoras
## [1] 13.66509

La cantidad promedio de cigarrillos consumidos por día es: 2.09, que al compararlo con la mediana 0, se observa que no es una medida representativa de la mujer típica.

Punto 2.3

Entre las mujeres que fumaron durante el embarazo, ¿cuál es la cantidad promedio de cigarros consumidos por día? ¿Cuál es la relación de esto con su respuesta al inciso ii) y por qué?

Cigs3 <- filter(Base2, cigs2=="Si")
mean(Cigs3$cigs)
## [1] 13.66509
Cigs4<-Cigs3 %>% 
      count(Cigs3$cigs)
names(Cigs4)[names(Cigs4)=="Cigs3$cigs"]<- "Nro_Cigarrillos"

Grafico2.3 <-ggplot(Cigs4, 
       aes(x = Nro_Cigarrillos, 
           y = n)) +
  geom_point(stat = "identity",
         color = "#118f40")
ggplotly(Grafico2.3)

De la base se obtiene que sólo 212 mujeres (15.27%) fumaron durante el embarazo, de una muestra de 1.388 encuestadas. El promedio de cigarrillos consumidos durante el embarazo de estas 212 mujeres es de 13.66 cigarrillos por día.

Punto 2.4

Determine el promedio de fatheduc (años de educación del padre) en la muestra. ¿Por qué se emplean sólo 1 192 observaciones para calcular este promedio?

Nulos <- Base2 %>% 
    count(Base2$fatheduc)
Nulos
##    Base2$fatheduc   n
## 1               1   1
## 2               2   2
## 3               3   4
## 4               4   3
## 5               5   4
## 6               6  10
## 7               7  10
## 8               8  22
## 9               9  17
## 10             10  49
## 11             11  64
## 12             12 443
## 13             13  87
## 14             14 115
## 15             15  43
## 16             16 189
## 17             17  32
## 18             18  97
## 19             NA 196
PromEduFha<-round(mean(Base2$fatheduc, na.rm=T),2)

La base contiene 196 datos nulos (NA), en consecuencia, el promedio de los años de educación del padre se debe realizar con 1.192 observaciones.

El promedio de los años de educación del padre es: 13.19 años.

Punto 2.5

Dé el ingreso familiar promedio (famine) y su desviación estándar en dólares.

PromIng<-round(mean(Base2$faminc),2)
DesvEsta<-round(sd(Base2$faminc),2)

El ingreso familiar promedio es 29.03 USD y su desviación estándar es 18.74 USD.

Punto 3

Punto 3.1

Determine los valores mayor y menor de math4. ¿Es lógico este intervalo? Explique.

Base3 <- meap01
MaxMat<-max(Base3$math4)
MinMat<-min(Base3$math4)

El valor máximo de la variable math4 es 100 y el valor mínimo es 0. Este intevalo es lógico entendiendo que la variable está expresada en términos de porcentajes.

Punto 3.2

¿Cuántas escuelas tienen una tasa perfecta de aprobados en el examen de matemáticas? ¿A qué porcentaje del total de la muestra corresponde esta cantidad?

Escuela <- Base3 %>% 
        count(math4) 
Escuela <-mutate(Escuela, Porcentaje = round(n/sum(n)*100,2)) 

filter(Escuela, math4== 100 )
##   math4  n Porcentaje
## 1   100 38       2.08
ggplotly(ggplot(Escuela,
       aes(x = math4,
           y = n)) +
  geom_bar(stat = "identity",
                       fill = "#118f40") +
  labs(title = "Marriages by officiate") +
  theme(legend.position = "none"))

En la base 38 escuelas tienen una tasa perfecta de aprobados (100), que equivalen al 2.08% del total de la muestra.

Punto 3.3

¿En cuántas escuelas la tasa de aprobados en matemáticas es exactamente 50%?

filter(Escuela, math4== 50 )
##   math4  n Porcentaje
## 1    50 17       0.93

17 escuelas tienen una tasa de aprobados en matemáticas del 50% y corresponden al 0.93% de la muestra.

Punto 3.4

Compare el promedio de las tasas de aprobados en matemáticas y en lectura. ¿Cuál de estas pruebas es más difícil de aprobar?

#Ho = MM - ML = 0
#H1 = MM - ML > 0
datos <- data.frame(materias=c(Base3$math4, Base3$read4), tasas=rep(1:2, each=1823))
boxplot(materias ~ tasas, data=datos, las=1,
        xlab='Asignatura', ylab='Promedio Tasas')

t.test(x=Base3$math4, y=Base3$read4, alternative="greater", mu=0, 
       paired=FALSE, var.equal=TRUE, conf.level=0.95)
## 
##  Two Sample t-test
## 
## data:  Base3$math4 and Base3$read4
## t = 18.291, df = 3644, p-value < 2.2e-16
## alternative hypothesis: true difference in means is greater than 0
## 95 percent confidence interval:
##  10.78147      Inf
## sample estimates:
## mean of x mean of y 
##  71.90900  60.06188

Al evaluar los promedios observamos que las Matemáticas (71.90%) tienen un promedio de calificación mas alto que Lecturas (60.06%). en consecuencia se puede afirmar que la asignatura de Lectura es más difícil de aprobar que las Matemáticas.

Punto 3.5

Encuentre la correlación entre math4 y read4. ¿Qué concluye?

cor(x=Base3$math4, y=Base3$read4)
## [1] 0.8427281
ggplot(Base3, aes(x=math4, y=read4))+
  geom_point()

Tiene una correlación positiva muy fuerte.

Punto 3.6

La variable exppp es gasto por alumno. Determine el promedio y la desviación estándar de exppp. ¿Parece haber una gran variación en el gasto por alumno?

PromAlum<-mean(Base3$exppp)
SDAlum<-sd(Base3$exppp)
MedianAlum<-median(Base3$exppp)


datos2 <- data.frame(alumnos=c(Base3$exppp), gasto=rep(1, each=1823))

Grafica3.6 <-ggplot(datos2, 
       aes(x = gasto, 
           y = alumnos)) +
  geom_boxplot() +
  labs(title = "Gasto por alumno")
ggplotly(Grafica3.6)

La variable tiene gasto por alumno un pomedio de 5194.8654783, una media de 5078.2529297, y una desviación estandar de 1091.8895972. De acuerdo con el gráfico de cajas esta variable tiene una gran variación en los datos.