Primero se cargan las librerias a usar:

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 (ggplot2)
library(descriptr)
library(knitr)
library(modeest)
library(fdth)
## 
## Adjuntando el paquete: 'fdth'
## The following object is masked from 'package:modeest':
## 
##     mfv
## The following objects are masked from 'package:stats':
## 
##     sd, var
library(readxl)
library(plotrix)

##Lo primero es cargar la base de datos del parcial, después tomar una muestra aleatoria de 160 registro de esa base

Base_Estadistica_Descriptiva_1_ <- read_excel("C:/Users/Usuario/Downloads/Base_Estadistica_Descriptiva (1).xlsx")

set.seed(94)
datos_p <- Base_Estadistica_Descriptiva_1_
datos_p <- sample_n(Base_Estadistica_Descriptiva_1_, size = 160, replace = FALSE)

is.data.frame(datos_p)
## [1] TRUE

##1.Determine el porcentaje de hombres que tienen estudios universitarios y muestre cuál es la cantidad total de mujeres participantes.

t1 <- table(datos_p$NivelEducativo, datos_p$Genero)
t1 <- addmargins(t1)
kable(t1)
Femenino Masculino Otro Sum
Primaria 7 11 9 27
Secundaria 17 18 18 53
Técnico 11 16 13 40
Universitario 10 10 20 40
Sum 45 55 60 160

#Respuesta: la cantidad total de mujeres participantes es 45 y el porcentaje de hombres que tienen estudios universitarios es del 18,18%

##2.Elabore un diagrama de caja y bigotes para la variable estatura en función del género y analice la gráfica

boxplot(datos_p$Estatura ~ datos_p$Genero, xlab= "Genero", horizontal = TRUE,
        ylab = "Estatura", main="Diagrama de caja P2", col=c("lightblue", "blue4", "blue3") )

##3.a Elabore un diagrama de barras para la variable Hermanos y determine qué cantidad es la más frecuente.

table_Hermanos <- table(datos_p$Hermanos)

barplot(table_Hermanos,col = c("cadetblue", "darkblue", "red", "purple" ),
        xlab = "Hermanos",
        ylab = "Frecuencia",
        main = "Diagrama de Barras para la Variable Hermanos",
        ylim = c(0,100),
        density=(125),
        space = NULL,)

#Respuesta: La frecuencia que mas se repite es un hermano

##3.b Elabore un diagrama de torta en 3D para la variable NivelEducativo.

t2 <- table(datos_p$NivelEducativo, datos_p$Genero)
t2 <- addmargins(t2)
kable(t2)
Femenino Masculino Otro Sum
Primaria 7 11 9 27
Secundaria 17 18 18 53
Técnico 11 16 13 40
Universitario 10 10 20 40
Sum 45 55 60 160 
frec_NivelEducativo <- c(40, 25, 20, 15)
etiquetas <- c("Universitario", "Técnico", "Primaria", "Secundaria")


pie3D(frec_NivelEducativo, radius=1.1, theta=pi/4,
      labels=etiquetas, border="purple",
      main="Diagrama de torta en 3D")

##3.c Elabore una tabla de frecuencias, el histograma y el polígono de frecuencias para la variable HorasDeTrabajo

tabla_HorasDeTrabajo <- fdt(x =datos_p$HorasDeTrabajo,k =10)

kable(tabla_HorasDeTrabajo)
Class limits f rf rf(%) cf cf(%)
[15.939,20.678) 4 0.02500 2.500 4 2.500
[20.678,25.417) 5 0.03125 3.125 9 5.625
[25.417,30.155) 16 0.10000 10.000 25 15.625
[30.155,34.894) 18 0.11250 11.250 43 26.875
[34.894,39.633) 23 0.14375 14.375 66 41.250
[39.633,44.372) 32 0.20000 20.000 98 61.250
[44.372,49.111) 34 0.21250 21.250 132 82.500
[49.111,53.849) 16 0.10000 10.000 148 92.500
[53.849,58.588) 9 0.05625 5.625 157 98.125
[58.588,63.327) 3 0.01875 1.875 160 100.000
x
start 15.9390
end 63.3270
h 4.7388
right 0.0000 
plot(tabla_HorasDeTrabajo, col=c("red","orange","yellow","blue", "deepskyblue2",
                          "green","darkgreen", "purple",
                          "pink", "pink4"),
     type = "fh", main = "Histograma de Horas de Trabajo")

plot(tabla_HorasDeTrabajo, col=c("red","orange","yellow","blue", "deepskyblue2",
                          "green","darkgreen", "purple",
                          "pink", "pink4"),
     type = "fp", main = "Histograma de Horas de Trabajo")

##3.d Elabore un dataframe con las medidas de tendencia central, de variabilidad, Q1 ,Q3 y las medidas de forma para la variable IingresoMensual.

##Medidas de tendencia central
media_ingreso <- mean(datos_p$IngresoMensual)
mediana_ingreso <-  median(datos_p$IngresoMensual)
moda_ingreso <- mlv1(datos_p$IngresoMensual)
## Warning: argument 'method' is missing. Data are supposed to be continuous. 
##             Default method 'shorth' is used
df_tc <- data.frame (media_ingreso, mediana_ingreso, moda_ingreso)
kable(df_tc, caption = "Medidas de Tendencia Central")
Medidas de Tendencia Central
media_ingreso mediana_ingreso moda_ingreso
1947.96 1911.61 1848.375 
##Medidas de variabilidad
rango_ingreso <- max(datos_p$IngresoMensual) -min(datos_p$IngresoMensual)
varianza_ingreso <-  var(datos_p$IngresoMensual)
ds_ingreso <- sqrt(var(datos_p$IngresoMensual))
CV_ingreso <-  (sd(datos_p$IngresoMensual) / mean(datos_p$IngresoMensual))*100

df_v <- data.frame (rango_ingreso, varianza_ingreso, ds_ingreso, CV_ingreso)
kable(df_v, caption = "Medidas de Variabilidad")
Medidas de Variabilidad
rango_ingreso varianza_ingreso ds_ingreso CV_ingreso
5191.3 654443.5 808.9768 41.52943 
##Medidas de posición 
percentil_ingreso <- quantile(datos_p$IngresoMensual, 
                              probs = c(0.25, 0.75), type= 6)
percentil_ingreso
##      25%      75% 
## 1481.023 2472.342
#Medidas de Forma
asim_ingreso <- ds_skewness(datos_p$IngresoMensual)
curt_ingreso <- ds_kurtosis(datos_p$IngresoMensual)

df_f <- data.frame (asim_ingreso, curt_ingreso)
kable(df_f, caption = "Medidas de Forma")
Medidas de Forma
asim_ingreso curt_ingreso
0.1251171 0.9279549 
#Resumen
resumen_ingreso <- ds_tidy_stats(datos_p, IngresoMensual)
kable(resumen_ingreso)
vars min max mean t_mean median mode range variance stdev skew kurtosis coeff_var q1 q3 iqrange
IngresoMensual -434.51 4756.79 1947.96 1946.122 1911.61 -434.51 5191.3 654443.5 808.9768 0.1251171 0.9279549 41.52943 1492.408 2457.307 964.9