Tarea 1

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(datos)



View(datos_credito)

datos.c <- datos_credito

# ESTABLECER SEMILLA

set.seed(4495) #sembrar semilla

#TOMAR MUESTRA ALEATORIA 120 REGISTROS

datos.c <- datos_credito

muestra_credito <- sample_n(datos.c, size = 120, replace = FALSE)
View(muestra_credito)

#Diagrma de barras
#datos.m$ muestra todas las variables de la base de datos.m
tabla_frec <- table(muestra_credito$Vivienda) #TABLA DE FRECUENCIAS PARA VIVIENDA

tabla_frec

## 
##     ignorar        otra propietario      padres     privado     alquila 
##           1           7          64          23           4          21

barplot(tabla_frec , col = c("#32f002","cadetblue1","#000","#ff2004","#f29","#ff2"),
        horiz=FALSE, density=NULL,ylab= "Personas" , border = TRUE,
        ylim=c(0,60),xlab="Tipo de persona",main="Vivienda")

tabla_frec_1 <- table(muestra_credito$Trabajo) #TABLA DE FRECUENCIAS PARA VIVIENDA

tabla_frec_1

## 
##           fijo      freelance          otros tiempo parcial 
##             80             28              5              7

pie(tabla_frec_1,labels = names(tabla_frec_1),
    density=NULL,edges = 500, radius = 0.8,
    col=c("aquamarine1","antiquewhite2", "purple","darkseagreen2","#f29","#ff2"),
    clockwise = TRUE, main = "Tipo de personas",
    border="black")

#Podemos decir de la tabla de barras que la mayoría de las personas son propietarias de sus viviendas
#Además gracias a la función de barplot hemos podido identificar que hay más personas siendo propietarias, seguido de alguilados y seguido de padres
#En cuanto a la gráfica de torta podemos observar que muchas personas prefieren el fijo, seguido de freelance y seguido de otros.


#CONCLUSIONES
#PRIMERA CONCLUSION
#Diagrama de barras (Vivienda)
#La mayoría de las personas viven con sus padres, superando notablemente a las demás categorías. Aqui, se encuentran quienes alquilan su vivienda, seguidos por aquellos clasificados como padres (posiblemente hogares propios con familia). Las categorías otra y ignorar presentan frecuencias mucho menores, siendo la última prácticamente inexistente. Esta distribución sugiere que, en la base de datos, predomina un perfil de personas que no poseen vivienda propia y dependen de un hogar familiar, lo cual puede estar relacionado con su nivel de ingresos y estabilidad económica.

  
#SEGUNDA CONCLUSION 
#Diagrama de torta (Trabajo)
#El gráfico evidencia que la mayoría de las personas de la muestra tienen un empleo fijo, representando más de la mitad del total. En segundo lugar, se encuentran los freelance, seguidos por quienes trabajan a tiempo parcial. La categoría otros es la menos representativa. Esta distribución muestra que la base de datos está compuesta principalmente por personas con empleo estable, lo cual puede influir en la evaluación de riesgo y capacidad de pago en estudios de crédito


#TERCERA CONCLUSION
#Se identificaron y describieron correctamente las escalas nominal, ordinal, de intervalos y de razón, lo cual permite clasificar y entender el tipo de datos que se analizan en estadística.


#CUARTA CONCLUSION 
#La selección de 120 registros aleatorios a partir de la base de datos datos_credito asegura que los análisis no estén sesgados por un orden específico de los datos lo que garantizo representatividad en las gráficas.