Escalas de medición estadística

PROBABILIDAD Capítulo 2, 3, 4, 5 y 6

En la estadística estas escalas de medición son maneras de asignar los valores a las variables, tienen números, incrementos subdivididos y unidades de medida, y existen cuatro tipos principales, los cuales son:
Escala nominal: cualitativos o categóricos como por ejemplo nombres, colores, etiquetas, junto con las respuestas de sí o no. Estos datos NO están ordenados, y aunque las personas encuestadas tengan preferencias sobre ellos, los datos de escala nominal no se pueden usar en cálculos.
Escala ordinal: son parecidos a los nominales, pero la diferencia está en que estos datos sí pueden ordenarse. Por ejemplo, una lista de las 5 mejores marcas de ropa en Colombia se puede clasificar del uno al cinco, pero no se puede medir la diferencia entre datos. Otro ejemplo son las encuestas de satisfacción.
Escala de intervalos: tienen un orden definido y también se pueden medir, aunque los datos no tengan un punto de partida. Por ejemplo, la temperatura, cuando la medimos, tiene ciertas escalas. Estos datos se pueden utilizar en cálculos, pero no se pueden comparar proporcionalmente.
Escala de razones o ratios: se encargan del problema de las proporciones y ofrecen más información. Son como la escala de intervalos, pero tienen un punto 0 y se pueden calcular cocientes. Por ejemplo, los datos de las notas en los exámenes que, por encima o debajo de un número, tienen algún significado.
Bibliografía
https://openstax.org/books/introducci%C3%B3n-estad%C3%ADstica-empresarial/pages/1-3-niveles-de-medicion#:~:text=Los%20datos%20se%20pueden%20clasificar,Nivel%20de%20escala%20ordinal 
library(dplyr)
## 
## Adjuntando el paquete: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
library(descriptr)
library(ggplot2)
library(datos)
View(datos_credito)
base_tarea<- as.data.frame(datos_credito)
base_tarea <-sample_n(datos_credito,size = 120,replace = FALSE)
tabla_frec <- table(base_tarea$Vivienda)

barplot(tabla_frec, col = c("#FFB6C1","#FFAEB9","#FFF0F5","#FFE4E1"),
        horiz=FALSE, density= NULL,ylab="Frecuencia" , border = TRUE,
        ylim=c(0,90),xlab="Tipo de propiedad",main="DATOS DE VIVIENDA")

tabla_frec <- table(base_tarea$Trabajo)
pie(tabla_frec,labels = names(tabla_frec),
    density=NULL,edges = 300, radius = 1,
    col=c("#87CEEB","#E0FFFF", "#C6E2FF","#6CA6CD"),
    clockwise = TRUE, main = "Tipos de Trabajo",
    border = "#030303")

Conclusiones

1.En este trabajo se aplicaron los conceptos básicos de estadística tales como las escalas de medición en este caso la nóminal para “vivienda” y “trabajo” ya que representan categorías sin un orden específico, determinando el tipo de análisis y visualización a utilizar optando por gráficos de barras y torta donde se observó que la mayoría de los encuestados son propietarios de su vivienda y en el tipo de trabajo predominó el empleo fijo.
2.⁠ ⁠La elaboración de gráficos permitió interpretar de forma clara la distribución de las variables categóricas, facilitando la identificación de tendencias y patrones y Al analizar los resultados de los gráficos se observa una estabilidad habitacional y laboral en la muestra analizada, lo que puede influir en el perfil socioeconómico de la población estudiada.
3.⁠ ⁠A lo largo de esta tarea, aprendimos un poco más de la herramienta R, una herramienta poderosa para el análisis de datos, desde la carga de paquetes y la importación de bases de datos hasta la generación de muestras aleatorias y la creación de gráficos interpretativos fortaleciendo nuestras habilidades en estadística aplicada y la comunicación e interpretación de resultados”.