Código
library(readxl)
library(tidyverse)
library(knitr)
library(kableExtra)
library(dplyr)
library(ggplot2)Librerias
Base de datos
Código
df <- read_excel("C:/Users/Usuario/Desktop/Miguel/seguros.xlsx")
head(df)# A tibble: 6 × 8
EDAD SEXO IMC HIJOS FUMA REGION PRECIO CALIFICACION
<dbl> <chr> <dbl> <dbl> <chr> <chr> <dbl> <chr>
1 19 female 27.9 0 yes southwest 16885. excellent
2 18 male 33.8 1 no southeast 1726. bad
3 28 male 33 3 no southeast 4449. bad
4 33 male 22.7 0 no northwest 21984. regular
5 32 male 28.9 0 no northwest 3867. regular
6 31 female 25.7 0 no southeast 3757. bad Código
str(df)tibble [1,338 × 8] (S3: tbl_df/tbl/data.frame)
$ EDAD : num [1:1338] 19 18 28 33 32 31 46 37 37 60 ...
$ SEXO : chr [1:1338] "female" "male" "male" "male" ...
$ IMC : num [1:1338] 27.9 33.8 33 22.7 28.9 ...
$ HIJOS : num [1:1338] 0 1 3 0 0 0 1 3 2 0 ...
$ FUMA : chr [1:1338] "yes" "no" "no" "no" ...
$ REGION : chr [1:1338] "southwest" "southeast" "southeast" "northwest" ...
$ PRECIO : num [1:1338] 16885 1726 4449 21984 3867 ...
$ CALIFICACION: chr [1:1338] "excellent" "bad" "bad" "regular" ...Código
summary(df) EDAD SEXO IMC HIJOS
Min. :18.00 Length:1338 Min. :15.96 Min. :0.000
1st Qu.:27.00 Class :character 1st Qu.:26.30 1st Qu.:0.000
Median :39.00 Mode :character Median :30.40 Median :1.000
Mean :39.21 Mean :30.66 Mean :1.095
3rd Qu.:51.00 3rd Qu.:34.69 3rd Qu.:2.000
Max. :64.00 Max. :53.13 Max. :5.000
FUMA REGION PRECIO CALIFICACION
Length:1338 Length:1338 Min. : 1122 Length:1338
Class :character Class :character 1st Qu.: 4740 Class :character
Mode :character Mode :character Median : 9382 Mode :character
Mean :13270
3rd Qu.:16640
Max. :63770 Distribución de frecuencia
Distribución cualitativa
Distribución nominal
Código
tabla_region <- df %>%
count(REGION, name = "Frecuencia_absoluta") %>%
mutate(
Frecuencia_relativa = Frecuencia_absoluta / sum(Frecuencia_absoluta),
Porcentaje = round(Frecuencia_relativa * 100, 2)
) %>%
rename(Región = REGION)
tabla_region %>%
kable(format = "html", digits = 2, align = "c",
caption = "Tabla 1. Frecuencias de la variable Región") %>%
kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive"),
full_width = FALSE, position = "center",
font_size = 14)| Región | Frecuencia_absoluta | Frecuencia_relativa | Porcentaje |
|---|---|---|---|
| northeast | 324 | 0.24 | 24.22 |
| northwest | 325 | 0.24 | 24.29 |
| southeast | 364 | 0.27 | 27.20 |
| southwest | 325 | 0.24 | 24.29 |
Código
df_calif <- df %>%
count(REGION)
ggplot(df_calif, aes(x = REGION, y = n)) +
geom_bar(stat = "identity", fill = "#4C72B0") +
labs(title = "Cantidad de personas por calificación",
x = "Calificación",
y = "Frecuencia") +
theme_minimal()
Código
df_calif <- df %>%
count(REGION) %>%
mutate(porcentaje = n / sum(n) * 100,
etiqueta = paste0(round(porcentaje, 1), "%"))
ggplot(df_calif, aes(x = "", y = n, fill = REGION)) +
geom_bar(stat = "identity", width = 1) +
coord_polar("y") +
labs(title = "Distribución de calificación") +
theme_void() +
theme(legend.title = element_blank()) +
geom_text(aes(label = etiqueta), position = position_stack(vjust = 0.5))
La región southeast presenta la mayor frecuencia absoluta (364 casos) y relativa (27%), representando el 27.20% del total, lo que la convierte en la región con mayor representación. Las regiones northeast, northwest y southwest tienen frecuencias similares, con aproximadamente 324-325 casos cada una (24% de frecuencia relativa y 24.22%-24.29% en porcentaje). Esto sugiere que, aunque hay una ligera predominancia del southeast, las demás regiones mantienen una distribución equilibrada, sin diferencias extremas entre ellas.
Distribución ordinal
Código
tabla_clasificacion <- df %>%
count(CALIFICACION, name = "Frecuencia_absoluta") %>%
mutate(
Frecuencia_relativa = Frecuencia_absoluta / sum(Frecuencia_absoluta),
Porcentaje = round(Frecuencia_relativa * 100, 2)
) %>%
rename(Clasificación = CALIFICACION)
tabla_clasificacion %>%
kable(format = "html", digits = 2, align = "c",
caption = "Tabla 1. Frecuencias de la variable Calificación") %>%
kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive"),
full_width = FALSE, position = "center",
font_size = 14)| Clasificación | Frecuencia_absoluta | Frecuencia_relativa | Porcentaje |
|---|---|---|---|
| bad | 343 | 0.26 | 25.64 |
| excellent | 323 | 0.24 | 24.14 |
| good | 345 | 0.26 | 25.78 |
| regular | 327 | 0.24 | 24.44 |
Código
df_calif <- df %>%
count(CALIFICACION)
ggplot(df_calif, aes(x = CALIFICACION, y = n)) +
geom_bar(stat = "identity", fill = "#4C72B0") +
labs(title = "Cantidad de personas por calificación",
x = "Calificación",
y = "Frecuencia") +
theme_minimal()
Código
df_calif <- df %>%
count(CALIFICACION) %>%
mutate(porcentaje = n / sum(n) * 100,
etiqueta = paste0(round(porcentaje, 1), "%"))
ggplot(df_calif, aes(x = "", y = n, fill = CALIFICACION)) +
geom_bar(stat = "identity", width = 1) +
coord_polar("y") +
labs(title = "Distribución de calificación") +
theme_void() +
theme(legend.title = element_blank()) +
geom_text(aes(label = etiqueta), position = position_stack(vjust = 0.5))
Las clasificaciones bad y good presentan las frecuencias absolutas más altas (343 y 345 casos, respectivamente), cada una con una frecuencia relativa del 26% y porcentajes cercanos al 25-26% (25.64% para “bad” y 25.78% para “good”). Por otro lado, las categorías excellent y regular muestran frecuencias ligeramente menores (323 y 327 casos), ambas con una frecuencia relativa del 24% y porcentajes similares (24.14% y 24.44%). Esto indica que no hay diferencias marcadas entre las categorías, aunque good es la más frecuente por un margen mínimo, seguida de cerca por bad, mientras que excellent y regular tienen una representación ligeramente inferior. La distribución sugiere que las evaluaciones tienden a concentrarse en los rangos intermedios (“good” y “bad”) en comparación con los extremos (“excellent” y “regular”).
Dicotomica
Código
tabla_region <- df %>%
count(SEXO, name = "Frecuencia_absoluta") %>%
mutate(
Frecuencia_relativa = Frecuencia_absoluta / sum(Frecuencia_absoluta),
Porcentaje = round(Frecuencia_relativa * 100, 2)
) %>%
rename(Región = SEXO)
tabla_region %>%
kable(format = "html", digits = 2, align = "c",
caption = "Tabla 1. Frecuencias de la variable Sexo") %>%
kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive"),
full_width = FALSE, position = "center",
font_size = 14)| Región | Frecuencia_absoluta | Frecuencia_relativa | Porcentaje |
|---|---|---|---|
| female | 662 | 0.49 | 49.48 |
| male | 676 | 0.51 | 50.52 |
Código
df_calif <- df %>%
count(SEXO)
ggplot(df_calif, aes(x = SEXO, y = n)) +
geom_bar(stat = "identity", fill = "#4C72B0") +
labs(title = "Cantidad de personas por calificación",
x = "Calificación",
y = "Frecuencia") +
theme_minimal()
Código
df_calif <- df %>%
count(SEXO) %>%
mutate(porcentaje = n / sum(n) * 100,
etiqueta = paste0(round(porcentaje, 1), "%"))
ggplot(df_calif, aes(x = "", y = n, fill = SEXO)) +
geom_bar(stat = "identity", width = 1) +
coord_polar("y") +
labs(title = "Distribución de calificación") +
theme_void() +
theme(legend.title = element_blank()) +
geom_text(aes(label = etiqueta), position = position_stack(vjust = 0.5))
La frecuencia absoluta para male (676 casos) es ligeramente mayor que para female (662 casos), con una diferencia de solo 14 observaciones. En términos relativos, male representa el 51% (frecuencia relativa de 0.51) de los datos, mientras que female constituye el 49% (frecuencia relativa de 0.49). Esta mínima diferencia (1.04 puntos porcentuales) sugiere que la muestra está balanceada en cuanto al género, sin predominancias significativas de uno sobre el otro. Tal equilibrio podría indicar una representación proporcional en el conjunto de datos analizado, lo que es relevante para evitar sesgos en análisis posteriores.
Distribución cuantitativa
Distribición discreta
Código
tabla_hijos <- df %>%
count(HIJOS, name = "Frecuencia_Absoluta") %>%
arrange(HIJOS) %>%
mutate(
Frecuencia_Relativa = round(Frecuencia_Absoluta / sum(Frecuencia_Absoluta), 4),
Frecuencia_Abs_Acum = cumsum(Frecuencia_Absoluta),
Frecuencia_Rel_Acum = cumsum(Frecuencia_Relativa)
)
tabla_hijos %>%
kbl(caption = "Tabla 2
Distribución de frecuencias del número de hijos",
align = "c",
col.names = c("Número de hijos",
"Frecuencia absoluta",
"Frecuencia relativa",
"Frecuencia absoluta acumulada",
"Frecuencia relativa acumulada"),
format = "html", digits = 4) %>%
kable_styling(full_width = FALSE,
bootstrap_options = c("striped", "hover", "condensed"),
font_size = 13,
position = "center") %>%
row_spec(0, bold = TRUE)| Número de hijos | Frecuencia absoluta | Frecuencia relativa | Frecuencia absoluta acumulada | Frecuencia relativa acumulada |
|---|---|---|---|---|
| 0 | 574 | 0.4290 | 574 | 0.4290 |
| 1 | 324 | 0.2422 | 898 | 0.6712 |
| 2 | 240 | 0.1794 | 1138 | 0.8506 |
| 3 | 157 | 0.1173 | 1295 | 0.9679 |
| 4 | 25 | 0.0187 | 1320 | 0.9866 |
| 5 | 18 | 0.0135 | 1338 | 1.0001 |
Código
df_calif <- df %>%
count(HIJOS)
ggplot(df_calif, aes(x = HIJOS, y = n)) +
geom_bar(stat = "identity", fill = "#4C72B0") +
labs(title = "Cantidad de personas por calificación",
x = "Calificación",
y = "Frecuencia") +
theme_minimal()
Código
df_hijos <- df %>%
count(HIJOS) %>%
mutate(
porcentaje = round(n / sum(n) * 100, 1),
etiqueta = paste0(porcentaje, "%")
)
ggplot(df_hijos, aes(x = "", y = n, fill = factor(HIJOS))) +
geom_bar(stat = "identity", width = 1) +
coord_polar("y") +
labs(title = "Distribución porcentual del número de hijos") +
theme_void() +
theme(legend.title = element_blank()) 
La categoría 0 hijos es la más frecuente, con 574 casos (42.9% del total), lo que indica que casi la mitad de la población analizada no tiene hijos. Le siguen 1 hijo (24.2% de los casos) y 2 hijos (17.9%), que en conjunto representan el 85.1% de la distribución acumulada. A partir de 3 hijos, las frecuencias disminuyen notablemente, con solo el 11.7% para 3 hijos, 1.9% para 4 hijos y 1.4% para 5 hijos.
El análisis acumulado revela que:
El 67.1% de la población tiene 1 hijo o menos.
El 85.1% tiene 2 hijos o menos.
Solo el 1.4% supera los 4 hijos.
Esta distribución refleja un patrón común en estudios demográficos, donde la mayoría de las familias tienen entre 0 y 2 hijos, con una proporción significativamente menor en hogares con 3 o más hijos. La presencia marginal de casos con 5 hijos (solo 18 observaciones) sugiere que las familias numerosas son poco frecuentes en esta muestra.
Distribución continua
Código
rango <- max(df$EDAD) - min(df$EDAD)
k <- ceiling(1 + 3.322 * log10(nrow(df)))
amplitud <- ceiling(rango / k)
rango; k; amplitud[1] 46[1] 12[1] 4Código
breaks <- seq(from = min(df$EDAD),
to = max(df$EDAD) + amplitud,
by = amplitud)
clases <- cut(df$EDAD, breaks = breaks, right = FALSE, include.lowest = TRUE)
tabla_frec <- as.data.frame(table(clases))
colnames(tabla_frec) <- c("Intervalo", "Frecuencia_Absoluta")
tabla_frec$Frecuencia_Relativa <- round(tabla_frec$Frecuencia_Absoluta / sum(tabla_frec$Frecuencia_Absoluta), 4)
tabla_frec$Frecuencia_Abs_Acum <- cumsum(tabla_frec$Frecuencia_Absoluta)
tabla_frec$Frecuencia_Rel_Acum <- cumsum(tabla_frec$Frecuencia_Relativa)
tabla_frec %>%
kbl(caption = "Tabla 1
Distribución de frecuencias de la variable PRECIO",
align = "c",
col.names = c("Intervalo",
"Frecuencia absoluta",
"Frecuencia relativa",
"Frecuencia absoluta acumulada",
"Frecuencia relativa acumulada"),
format = "html", digits = 4) %>%
kable_styling(full_width = FALSE,
bootstrap_options = c("striped", "hover", "condensed"),
font_size = 13,
position = "center") %>%
row_spec(0, bold = TRUE)| Intervalo | Frecuencia absoluta | Frecuencia relativa | Frecuencia absoluta acumulada | Frecuencia relativa acumulada |
|---|---|---|---|---|
| [18,22) | 194 | 0.1450 | 194 | 0.1450 |
| [22,26) | 112 | 0.0837 | 306 | 0.2287 |
| [26,30) | 111 | 0.0830 | 417 | 0.3117 |
| [30,34) | 106 | 0.0792 | 523 | 0.3909 |
| [34,38) | 101 | 0.0755 | 624 | 0.4664 |
| [38,42) | 104 | 0.0777 | 728 | 0.5441 |
| [42,46) | 110 | 0.0822 | 838 | 0.6263 |
| [46,50) | 115 | 0.0859 | 953 | 0.7122 |
| [50,54) | 115 | 0.0859 | 1068 | 0.7981 |
| [54,58) | 106 | 0.0792 | 1174 | 0.8773 |
| [58,62) | 96 | 0.0717 | 1270 | 0.9490 |
| [62,66] | 68 | 0.0508 | 1338 | 0.9998 |
Código
ggplot(df, aes(x = EDAD)) +
geom_histogram(aes(y = ..density..),
breaks = breaks,
fill = "steelblue",
color = "white",
alpha = 0.8) +
geom_density(color = "red", linewidth = 1) +
labs(title = "Histograma de EDAD con curva de densidad",
x = "Edad",
y = "Densidad") +
theme_minimal() +
theme(plot.title = element_text(hjust = 0.5, face = "bold"))
La distribución de frecuencias de la variable PRECIO revela un comportamiento multimodal, donde el intervalo más frecuente es [18,22) con 194 casos (14.5%), seguido de los rangos [46,50) y [50,54) con 115 casos cada uno (8.6%). Aunque los precios bajos (≤26) concentran el 22.9% de los datos, la distribución no sigue un patrón uniforme, mostrando picos en rangos intermedios (46-54) y una disminución progresiva en los valores superiores (≥54), donde el intervalo [62,66) solo registra 68 casos (5.1%). El 71.2% de los precios se ubican por debajo de 50, y el 94.9% bajo 62, lo que sugiere una mayor concentración en rangos medios-bajos y una demanda limitada en precios elevados. Esta variabilidad podría indicar la presencia de categorías diferenciadas (como productos estándar y premium) o factores externos que segmentan el mercado, recomendándose un análisis más detallado para identificar las causas detrás de estos patrones.