Laboratorio11

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-20, 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

barp3<-barplot(table_3,
        main = "Gráfico de barras CURSO vs SEXO",
        xlab = "CURSO", ylab = "Frecuencia",
        col = c("pink", "blue"),
        legend.text = rownames(table_3),
        beside = TRUE) # Barras agrupadas
text(barp3, table_3-5, labels = table_3)

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

barp3<-barplot(table_5,
        main = "Gráfico de barras CURSO vs ESTRATO",
        xlab = "CURSO", ylab = "Frecuencia",
        col = rainbow(5),
        legend.text = rownames(table_5),
        beside = TRUE) # Barras agrupadas
text(barp3, table_5-1, labels = table_3)

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

barp3<-barplot(table_6,
        main = "Gráfico de barras CURSO vs ESTRATO",
        xlab = "CURSO", ylab = "Frecuencia",
        col = rainbow(5),
        legend.text = rownames(table_6),
        beside = TRUE) # Barras agrupadas
text(barp3, table_6-1, labels = table_6)

Laboratorio 11 Para Estadística 1 Por Nina Pacheco

Objetivo del laboratorio 11

El Laboratorio 11 de Estadística 1 tuvo como propósito aplicar los conocimientos adquiridos en la asignatura sobre estadística descriptiva y estadística descriptiva bivariada. Durante esta práctica en Posit Cloud, se trabajó con datos reales para realizar análisis exploratorios, construir tablas, calcular medidas descriptivas y representar los resultados mediante diagramas de barras. El objetivo principal fue fortalecer la comprensión del comportamiento de los datos cualitativos y cuantitativos dentro de un contexto real de investigación. Este laboratorio además, hizo que mejoráramos los conocimientos adquiridos sobre estadística descriptiva univariante y bivariada. Durante el proceso aprendimos a integrar código, resultados y análisis en un solo documento reproducible. Es decir, comprendimos cómo las medidas descriptivas y las representaciones gráficas permiten describir, comparar y analizar la información contenida en un conjunto de datos reales de estudiantes.

Estadística descriptiva univariante

En la primera parte del laboratorio se analizaron variables individuales, tanto cualitativas como cuantitativas. Para las variables cuantitativas (como edad o puntaje), se calcularon medidas de tendencia central como la media y la mediana, junto con medidas de dispersión como el rango y la desviación estándar. Por otro lado, en las variables cualitativas (como estrato o curso), se elaboraron tablas de frecuencia y diagramas de barras que permitieron observar las categorías más representativas. Estos resultados ayudaron a identificar patrones de comportamiento dentro del conjunto de datos. Para las variables cualitativas se construyeron tablas de frecuencia y gráficos de barras que permitieron visualizar las categorías más comunes y menos representadas.

Por ejemplo, al analizar la variable estrato socioeconómico, se identificó que la mayoría de los estudiantes pertenecían a los estratos II y III. En cuanto a las variables cuantitativas, se calcularon medidas de tendencia central (media, mediana y moda) y de dispersión (rango y desviación estándar), evidenciando la variabilidad existente entre los datos. Estos análisis iniciales fueron fundamentales para entender la estructura básica del conjunto de datos.

Estadística descriptiva bivariada

En la segunda parte se aplicaron los conceptos de estadística descriptiva bivariada, los cuales permiten comparar dos variables al mismo tiempo. Por ejemplo, en el laboratorio se estudió la relación entre CURSO y ESTRATO para identificar si existían diferencias en los niveles socioeconómicos de los estudiantes según su nivel académico. A través del uso de tablas cruzadas y representaciones gráficas, fue posible evidenciar que algunos cursos concentraban un mayor número de estudiantes en determinados estratos, lo que sugiere la existencia de implicaciones demográficas dentro de los grupos. En el laboratorio, se cruzaron las variables CURSO y ESTRATO mediante una tabla de contingencia y un gráfico de barras agrupado.

Esta comparación permitió observar si existían patrones en la distribución de los estudiantes según su nivel socioeconómico y curso académico. El análisis bivariado es esencial porque ofrece una visión más profunda del comportamiento de los datos y ayuda a formular hipótesis sobre posibles relaciones entre las variables.

Diagrama de barras en R (Análisis del gráfico CURSO vs ESTRATO)

Durante el laboratorio se elaboró un diagrama de barras utilizando el lenguaje R. Este tipo de gráfico es ideal para representar variables cualitativas y comparar frecuencias entre categorías.

El gráfico de barras generado mostró la distribución de los estudiantes según su estrato socioeconómico y curso. Se observó mayor concentración de estudiantes en los estratos II y III, mientras que el curso VI tiene una distribución más uniforme, que incluye estratos II, III, IV y V. Este análisis permitió identificar diferencias entre los grupos y evidenciar cómo las variables categóricas pueden relacionarse visualmente. Además, el uso del color y la agrupación de barras facilitó la interpretación de manera inmediata e intuitiva. Durante el laboratorio, se trabajó con los datos importados en R, transformándolos en tablas de frecuencia antes de graficar. Este proceso permitió comprender la importancia de limpiar y preparar adecuadamente la información antes de realizar cualquier representación gráfica.

Conclusión

El Laboratorio 11 permitió aplicar los conocimientos teóricos de estadística descriptiva a un contexto práctico, integrando tanto el análisis univariante como bivariado de los datos. Mediante el uso de RMarkdown y las herramientas estadísticas de R, se logró crear un entorno de trabajo dinámico, reproducible y visualmente atractivo, en el que los resultados podían interpretarse de manera clara y precisa.

Esta experiencia no solo fortaleció las habilidades técnicas, sino también las competencias analíticas y comunicativas necesarias para interpretar los resultados de manera crítica. La combinación de medidas numéricas, tablas de frecuencia y representaciones gráficas permitió reconocer patrones, relaciones y tendencias dentro del conjunto de datos, contribuyendo a una comprensión más profunda del comportamiento de las variables estudiadas.

Además, el laboratorio resaltó la importancia de la limpieza, organización y presentación de los datos antes de realizar cualquier análisis, recordando que la calidad de las conclusiones depende directamente de la calidad de la información utilizada. También se reforzó el valor de la estadística como una herramienta esencial en la investigación científica, la educación y la toma de decisiones informadas.

En conclusión, este laboratorio reafirmó que la estadística descriptiva va más allá de los cálculos numéricos: se trata de comprender la realidad a través de los datos y comunicar hallazgos de forma efectiva. Así, el uso de R y RMarkdown no solo facilitó el proceso analítico, sino que promovió una práctica más profesional, estructurada y orientada al análisis riguroso de la información en cualquier campo de estudio.