1. Estadisticas de medicion :)

Son herramientas utilizadas para cuantificar y clasificar atributos o variables en una investigación. Estas escalas permiten #asignar valores numéricos o simbólicos a las caracteristicas que se estan midiendo, #facilitando así su análisis y comprension. Estos son los tipos de escalas:

#NOMINAL: Clasifica los elementos de categorías o grupos distintas, sin un orden o #jerarquia establecida, Ejemplo: sexo (masculino, femenino), tipo de vivienda (casa, apartamento).

#ORDINAL: Clasifica datos en categorías con un orden lógico, pero sin distancias iguales #entre las categorias. Ejemplo: Niveles educativos.

#DE INTERVALO: Los valores tienen un ordeny las diferencias entre ellos son iguales, #pero no existe un cero absoluto. Ejemplo: Temperatura en grados Celsius.

#DE RAZON: Igual que la de intervalo, pero con un cero absoluto. Ejemplo: Ingreso #mensuales, peso corporal.

install.packages(‘dplyr’)

install.packages(‘descriptr’)

install.packages(‘ggplot2’)

install.packages(“datos”)

library(dplyr)

library(descriptr)

library(ggplot2)

library(datos)

View(datos_credito)

set.seed(9690) # sembrar una semilla

credito <- datos_credito

datos.c <- sample_n(credito, size = 120, replace = TRUE) # se obtiene una mezcla aleatoria

2. Elaborar e interpretar un diagrama de barras para la variable “Vivienda” de “datos_credito”

Tabla de frecuencias

tabla_frec <- table(datos.c$Vivienda) #TABLA DE FRECUENCIAS PARA VIVIENDA

tabla_frec

3. Elaborar e interpretar un diagrama de barras para la variable “Vivienda” de “datos_credito”

barplot(tabla_frec)

barplot(tabla_frec , col = c(“#E0FFFF”,“#D1EEEE”,“#B4CDCD”,“#7A8B8B”), horiz = FALSE, density= 80,ylab= “Frecuencia absoluta” , border = FALSE, ylim=c(0,89),xlab=“Categorías de vivienda”,main= “Gráfico de barras para vivienda”)

Interpretación

En la encuesta se ve que la mayoría de la gente vive en casa propia (62), que es la opción más común con mucha diferencia. Después, la segunda forma más frecuente de vivienda es alquilar (29), y en tercer lugar están los que viven con sus papás (19). Las opciones como “privado” o “otra” casi no aparecen, y prácticamente nadie dejó la pregunta en blanco. Esto muestra que, en general, la mayoría tiene vivienda propia y que el arriendo es lo que sigue en popularidad, mientras que las demás formas son muy poco usadas.

4. Elaborar e interpretar un diagrama de torta para la variable “Trabajo” de “datos_credito”

tabla_frec_trabajo <- table(datos.c$Trabajo) #TABLA DE FRECUENCIAS PARA TRABAJO

tabla_frec_trabajo

pie (tabla_frec_trabajo, labels = names(tabla_frec_trabajo), density=NULL,edges = 500, radius = 1.0, col=c(“#8B7B8B”,“#EED2EE”,“#EECBAD”,“#FF6A6A”), clockwise = TRUE, main = “Diagrama de torta: Trabajo”, border = “white”, cex = 0.9)

Interpretacion

En este gráfico se ve que la mayoría de las personas tienen trabajo fijo, ya que ocupa más de la mitad de la torta. En segundo lugar están los que trabajan como freelance, que son una parte importante pero mucho menor que los fijos. Los empleos de tiempo parcial y la categoría “otros” son los menos comunes, con una proporción pequeña en comparación. Esto muestra que, en general, el empleo estable es lo más común, mientras que las demás modalidades son minoritarias.

5. Conclusiones

En general, tanto en vivienda como en trabajo, la mayoría de las personas encuestadas se inclina por opciones más estables: en vivienda predomina la propiedad de la casa, y en trabajo el empleo fijo. Las alternativas como alquilar, vivir con los padres, trabajar freelance o a tiempo parcial aparecen como opciones secundarias, mientras que las demás categorías son poco frecuentes. Esto sugiere que en el grupo encuestado hay una tendencia marcada hacia la estabilidad y permanencia, tanto en el lugar donde viven como en la forma en que trabajan.