LABORATORIO 11

library(readxl)
DATOS2024 <- read_excel("DATOS2024.xls")
DATOS2024

table_sexo<-table(DATOS2024$SEXO)
table_sexo

## 
##  F  M 
## 81 99

pie_1<-pie(table_sexo, col=c("lightblue","pink"),
        main="Estudio de Pastel.\n Distribución por sexos.", labels = table_sexo)

barp<-barplot(table_sexo, col = rainbow(5), border = "darkred",main = "Gráfico de Barras",sub = "UTB",xlab = "SEXO", ylab = "Conteo")
text(barp, table_sexo-30, labels = table_sexo)

table_sexo2<-round(table(DATOS2024$SEXO)/121*100)
table_sexo2

## 
##  F  M 
## 67 82

barp2<-barplot(table_sexo2, col = rainbow(5), border = "darkred",main = "Gráfico de Barras",sub = "UTB",xlab = "SEXO", ylab = "Porcentaje")
text(barp2, table_sexo2-10, labels = table_sexo2)

pie_1<-pie(table_sexo2, col=c("lightblue","pink"),
        main="Estudio de Pastel.\n Distribución por sexos.", labels = table_sexo2)

table_3<-table(DATOS2024$SEXO, DATOS2024$CURSO)
table_3

##    
##     ESTADISTICA I PROBABILIDAD
##   F            62           19
##   M            61           38

table_4<-round(table(DATOS2024$SEXO, DATOS2024$CURSO)/121*100)
table_4

##    
##     ESTADISTICA I PROBABILIDAD
##   F            51           16
##   M            50           31

barp4<-barplot(table_4,
        main = "Gráfico de barras CURSO vs SEXO en porcentajes",
        xlab = "CURSO", ylab = "Frecuencia",
        col = c("pink", "blue"),
        legend.text = rownames(table_4),
        beside = TRUE) # Barras agrupadas
text(barp4, table_4-5, labels = table_4)

table_5<-table(DATOS2024$ESTRATO, DATOS2024$CURSO)
table_5

##      
##       ESTADISTICA I PROBABILIDAD
##   I              36           10
##   II             36           24
##   III            29           16
##   IV             13            5
##   V               4            2
##   VI              5            0

table_6<-table(DATOS2024$ESTRATO, DATOS2024$SEXO)
table_6

##      
##        F  M
##   I   17 29
##   II  32 28
##   III 18 27
##   IV   8 10
##   V    3  3
##   VI   3  2

#Ensayo de laboratorio 11

El aprendizaje de la estadística descriptiva y su implementación en RStudio

En el ámbito académico, la estadística descriptiva se presenta como una herramienta fundamental para organizar, analizar y representar datos de manera comprensible. A través del uso de software como RStudio, los estudiantes universitarios tienen la oportunidad de explorar y aplicar conceptos estadísticos de manera práctica, lo que enriquece su comprensión y habilidades analíticas. Este ensayo reflexiona sobre los aprendizajes obtenidos al trabajar con códigos en RStudio para el análisis de datos.

• Uno de los primeros aprendizajes clave es la importancia de organizar los datos antes de analizarlos. En el documento, se observa cómo se importan datos desde un archivo Excel utilizando la función read_excel, lo que permite estructurar la información de manera eficiente. Este paso inicial es crucial, ya que garantiza que los datos estén listos para ser manipulados y analizados.

• Posteriormente, se exploran diversas técnicas para analizar variables cualitativas, como el sexo de los estudiantes. A través de códigos como table() y pie(), se generan tablas de frecuencias y gráficos de torta que facilitan la visualización de la distribución de los datos. Por ejemplo, se observa que el 51% de los estudiantes son mujeres y el 49% son hombres, lo que se representa de manera clara en gráficos. Este proceso no solo refuerza el entendimiento de las frecuencias absolutas y relativas, sino que también destaca la utilidad de las representaciones gráficas para comunicar información de manera efectiva.

• Otro aspecto relevante es el análisis de dos variables simultáneamente, como el sexo y el curso. Mediante el uso de tablas cruzadas y gráficos de barras agrupadas, se puede observar cómo se distribuyen los estudiantes entre los cursos de “Estadística I” y “Probabilidad”. Este enfoque permite identificar patrones y relaciones entre variables, lo que es esencial en el análisis estadístico.

• Además, el documento introduce el concepto de frecuencias relativas aproximadas, lo que añade una capa de interpretación al análisis. Al redondear los porcentajes al entero más cercano, se facilita la comprensión de los datos, especialmente para audiencias no especializadas. Este detalle subraya la importancia de adaptar la presentación de los resultados según el contexto y el público objetivo.

• Finalmente, el uso de gráficos para representar la relación entre variables, como el curso y el estrato socioeconómico, demuestra cómo la estadística descriptiva puede ser aplicada para explorar desigualdades y tendencias en diferentes contextos. Los gráficos de barras agrupadas, generados con códigos como barplot(), son herramientas visuales poderosas que complementan las tablas de datos.

• En conclusión, el aprendizaje de los códigos en RStudio para la estadística descriptiva no solo permite a los estudiantes organizar y analizar datos, sino que también desarrolla habilidades críticas para interpretar y comunicar resultados. Este proceso fomenta un pensamiento analítico y una comprensión más profunda de los datos, habilidades esenciales en el mundo académico y profesional. La combinación de teoría estadística y práctica en RStudio representa una oportunidad invaluable para los estudiantes universitarios, preparándolos para enfrentar desafíos en un mundo cada vez más impulsado por los datos.