Base_Estadistica_Descriptiva_2_ <- read_excel("C:/Users/maria/Downloads/Base_Estadistica_Descriptiva (2).xlsx")
set.seed(83)
datos_b <- sample_n(Base_Estadistica_Descriptiva_2_, size = 160, replace = FALSE)

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

Pregunta 1

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

tabla_genero <- table(datos_b$Genero, datos_b$NivelEducativo)
tabla_genero <- addmargins(tabla_genero)
tabla_genero
##            
##             Primaria Secundaria Técnico Universitario Sum
##   Femenino        10         17      13            10  50
##   Masculino       13         18      12            15  58
##   Otro            12         17       9            14  52
##   Sum             35         52      34            39 160

En la muestra participaron 52 mujeres, mientras que el porcentaje de hombres con estudios universitarios corresponde al 6,25%.(se uso la calculadora)

#### Pregunta 2

 boxplot(datos_b$Estatura ~ datos_b$Genero, horizontal = TRUE, 
          xlab= "Estatura" , ylab= "Género",
      main="Funcion de genero", col=c("pink", 
                                            "blue", "red") )

#### Pregumta 3a

tabla_hermanos <- table (datos_b$Hermanos)

tabla_hermanos
## 
##  0  1  2  3  4  5  6 
## 31 27 15 24 23 21 19
is.data.frame(tabla_hermanos)
## [1] FALSE
df_hermanos <- as.data.frame(tabla_hermanos)

is.data.frame(df_hermanos)
## [1] TRUE
df_hermanos
##   Var1 Freq
## 1    0   31
## 2    1   27
## 3    2   15
## 4    3   24
## 5    4   23
## 6    5   21
## 7    6   19
df_hermanos <- rename(df_hermanos, Hermanos = Var1, Frecuencia= Freq)

kable(df_hermanos)
Hermanos Frecuencia
0 31
1 27
2 15
3 24
4 23
5 21
6 19 
diag_barras <- ggplot(df_hermanos, aes(x = Hermanos , y=Frecuencia, fill = Hermanos)) +
  geom_bar(stat = "identity", color = "blue") +
  scale_fill_manual(values = c("green", "red", "pink", "skyblue", "yellow","purple", "grey" ))+
  geom_text(aes(label = Hermanos), vjust = -1, colour = "orange") +
  ylim(c(0,50))
diag_barras

6 hermanos

pregunta 3b

tabla_nivel_educativo <- table (datos_b$NivelEducativo)
tabla_nivel_educativo
## 
##      Primaria    Secundaria       Técnico Universitario 
##            35            52            34            39
is.data.frame(tabla_nivel_educativo)
## [1] FALSE
df_nivel_educativo <- as.data.frame(tabla_nivel_educativo)

is.data.frame(df_nivel_educativo)
## [1] TRUE
df_nivel_educativo
##            Var1 Freq
## 1      Primaria   35
## 2    Secundaria   52
## 3       Técnico   34
## 4 Universitario   39
df_nivel_educativo <- rename(df_nivel_educativo, Nivel_Educativo = Var1, Frecuencia= Freq)

kable(df_nivel_educativo)
Nivel_Educativo Frecuencia
Primaria 35
Secundaria 52
Técnico 34
Universitario 39 
pie3D(tabla_nivel_educativo, radius = 1.1, theta = pi/4, explode=0.2, labels = c("Primaria", "Secundaria", "Técnico", "Universitario"),col= c("orange", "red", "yellow", "green"),
      border = "blue", main= "Grafica torta 3D", )

Pregunta 3c

tabla_horast <- fdt(x =datos_b$HorasDeTrabajo,k =10)

kable(tabla_horast)
Class limits f rf rf(%) cf cf(%)
[7.326,13.744) 1 0.00625 0.625 1 0.625
[13.744,20.162) 3 0.01875 1.875 4 2.500
[20.162,26.581) 10 0.06250 6.250 14 8.750
[26.581,32.999) 25 0.15625 15.625 39 24.375
[32.999,39.417) 32 0.20000 20.000 71 44.375
[39.417,45.835) 44 0.27500 27.500 115 71.875
[45.835,52.253) 27 0.16875 16.875 142 88.750
[52.253,58.672) 10 0.06250 6.250 152 95.000
[58.672,65.09) 5 0.03125 3.125 157 98.125
[65.09,71.508) 3 0.01875 1.875 160 100.000
x
start 7.3260
end 71.5080
h 6.4182
right 0.0000 
plot(tabla_horast, col=c("red","orange","yellow","green", "blue",
                          "purple","pink", "gray",
                          "hotpink", "royalblue4"),
     type = "fh", main = "Histograma horas t")

plot(tabla_horast, col=c("red","orange","yellow","green", "blue",
                          "purple","pink", "gray",
                          "hotpink", "royalblue4"),
     type = "fp", main = "poligono de frecuencias horas t")

#### Pregunta 3d

media_i <- mean(datos_b$IngresoMensual)
mediana_i <-  median(datos_b$IngresoMensual)
moda_i <- mlv1(datos_b$IngresoMensual)

df_tc <- data.frame (media_i, mediana_i, moda_i)
kable(df_tc, caption = "Medidas tendencia central")
Medidas tendencia central
media_i mediana_i moda_i
2019.806 2055.715 1836.513 
rango_i <- max(datos_b$IngresoMensual) -min(datos_b$IngresoMensual)
varianza_i <-  var(datos_b$IngresoMensual)
ds_i <- sqrt(var(datos_b$IngresoMensual))
CV_i <-  (sd(datos_b$IngresoMensual) / mean(datos_b$IngresoMensual))*100

df_v <- data.frame (rango_i, varianza_i, ds_i, CV_i)
kable(df_v, caption = "Medidas Variabilidad")
Medidas Variabilidad
rango_i varianza_i ds_i CV_i
4441.96 633594.7 795.9866 39.40906 
percentil_i <- quantile(datos_b$IngresoMensual, 
                              probs = c(0.25, 0.75), type= 6)
percentil_i
##      25%      75% 
## 1478.530 2549.993
asim_i <- ds_skewness(datos_b$IngresoMensual)
curt_i <- ds_kurtosis(datos_b$IngresoMensual)

df_f <- data.frame (asim_i, curt_i)
kable(df_f, caption = "Medidas Forma")
Medidas Forma
asim_i curt_i
-0.2669729 0.3473592 
resumen_i <- ds_tidy_stats(datos_b, IngresoMensual)
kable(resumen_i)
vars min max mean t_mean median mode range variance stdev skew kurtosis coeff_var q1 q3 iqrange
IngresoMensual -509.91 3932.05 2019.806 2038.484 2055.715 -509.91 4441.96 633594.7 795.9866 -0.2669729 0.3473592 39.40906 1484.93 2537.718 1052.787