Escalas de medicion:

En estadística, las escalas de medición sirven para clasificar datos, es decir, organizarlos en categorías según sus características, y para cuantificarlos, asignando valores que permitan medir y comparar según el tipo de información que presentan. Hay cuatro tipos de escalas: la nominal, que clasifica datos en categorías sin un orden específico, como los colores o las nacionalidades. El segundo tipo de escala es la ordinal, que además de clasificar, ordena las categorías, por ejemplo de menor a mayor o de peor a mejor, y sin mostrar exactamente las diferencias entre ellas, como lo son los niveles de satisfacción. Por otro lado, está la escala de intervalo, que permite medir distancias iguales entre valores, pero no tiene un cero absoluto, como en el caso de la temperatura en °C, donde 0° no significa ausencia de temperatura. Por último, está la escala de razón, que también mide intervalos iguales y sí posee un cero absoluto, lo que permite comparaciones de proporción, como el peso o la altura.

#Creación de muestra

library("datos")
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)

View(datos_credito)
set.seed(8126)
datos.c<-datos_credito
datos.credi<- sample_n(datos.c,size = 120,replace = FALSE)

#Tabla de vivienda

Frec_vivienda<-table(datos.credi$Vivienda); Frec_vivienda
## 
##     ignorar        otra propietario      padres     privado     alquila 
##           0           7          53          20           7          33
barplot(Frec_vivienda,col = c("#FF7F50","coral1","#EE6A50","#CD5B45","coral1","coral1"),
        horiz=FALSE, density= 45,ylab= "Frecuencia " , border = TRUE,
        ylim=c(0,60),xlab="Tipo de propiedad",main=" Gráfico de barras para vivienda")

#Interpretación Vivienda: El gráfico de barras muestra la distribución de la vivienda según el tipo de propiedad. Como se puede observar, la mayoría de las personas son propietarias de su vivienda, con una frecuencia cercana a 55 de 120. Les siguen las personas que viven en alquiler, con una frecuencia entre 30 y 40. Después están quienes viven con sus padres, con una frecuencia de alrededor de 20, es decir, menos de la mitad de quienes son propietarios. Por último, las dos frecuencias más bajas corresponden a las personas que registraron vivir en otro tipo de propiedad (con menos de 10 casos) y quienes viven en propiedad privada, con una frecuencia de 10. La opción “ignorar” no cuenta con respuestas. La gráfica evidencia que, aunque la propiedad de vivienda es la modalidad con mayor frecuencia en la muestra, en general, un poco más de la mitad de los encuestados vive bajo otras condiciones, como el arriendo (segunda más frecuente), viviendo con los padres u otras. Reflejando la diversidad en las formas de acceso a la vivienda.

#Pie de trabajos

Frec_Trabajo<-table(datos.credi$Trabajo); Frec_Trabajo
## 
##           fijo      freelance          otros tiempo parcial 
##             68             28              6             18
pie(Frec_Trabajo,labels = names(Frec_Trabajo),
    density=NULL,edges = 500, radius = 0.8,
    col=c("cadetblue1","cadetblue2", "cadetblue3","cadetblue4"),
    clockwise = TRUE, main = "Distribucion de trabajos",
    border = "blue")

#Interpretación Trabajo: El gráfico de torta muestra la distribución de los encuestados según su tipo de trabajo. Se observa que la mayoría cuenta con un empleo fijo, ya que esta categoría representa más de la mitad del diagrama. En segundo lugar, se encuentran quienes trabajan como freelance, con una proporción menor, aunque cercana a una cuarta parte del total. Les sigue el trabajo a tiempo parcial, que ocupa el tercer lugar en frecuencia. Y, finalmente, la categoría “otros” que presenta la menor participación, con una porción visiblemente más pequeña que las demás

#Conclusion: A través de los datos presentados, podemos concluir varias cosas, primero que la mayoría de los encuestados al ser propietarios de viviendas podemos inferir que el lugar donde se encuentra la población puede tener una cultura que facilite la adquisición de vivienda o provea una efectiva inversión para inmuebles; sin embargo también es posible inferir que no todo el mundo tiene como preferencia adquirir una vivienda ya que la segunda más frecuente es alquiler de vivienda, es probable que esa parte de la población tenga preferencias por vivir en otro lugar o no tienen la estabilidad suficiente para adquirir; y la tercera más frecuente vive con sus papas, se puede inferir que esta población todavía es joven o en transición para independizarse. Continuando con el segundo gráfico de torta, primero podemos concluir que al ser la mayoría de las personas con un trabajo fijo, existe gran estabilidad laboral y contratos que ayudan a empleado a mantenerse a largo plazo; el segundo mas frecuente es trabajo por freelance, esto nos indica que la población esta empezando a digitalizarse y a darle mas valor a los trabajos remotos e independiente; el tercero es trabajo de tiempo parcial, este sector puede interpretarse como los jóvenes o estudiantes que quieren empezar a ingresar al mundo laboral. Finalmente, gracias a la herramienta de R pudimos sacar datos precisos y convertirlos en graficas de diferentes tipos, además de poder sacar una muestra y sus respectivas variables