# Verificar, instalar y activar el paquete "tidyverse"
if (!require(tidyverse)) {
install.packages("tidyverse")
}
library(tidyverse)
# Verificar, instalar y activar el paquete "kableExtra"
if (!require(kableExtra)) {
install.packages("kableExtra")
}
library(kableExtra)
# Verificar, instalar y activar el paquete "readxl"
if (!require(readxl)) {
install.packages("readxl")
}
library(readxl)
pregunta #1 Ilustrar con ejemplos lo que se entiende por población, población finita, población infinita, muestra, característica, variable.
Población: Todos los estudiantes de un colegio.
Población finita: Los 600 estudiantes matriculados en ese colegio.
Población infinita: Las estrellas que existen en el universo.
Muestra: 50 estudiantes seleccionados al azar del colegio.
Característica: La estatura de los estudiantes. Variable: La estatura medida en centímetros de cada estudiante.
Pregunta #2 Mediante ejemplos, explicar la diferencia entre la estadística descriptiva y la estadística inductiva.
Estadística descriptiva: En una encuesta a 100 estudiantes, se calcula que la edad promedio es de 20 años. Solo describe los datos obtenidos.
Estadística inductiva (inferencial): A partir de esos 100 estudiantes, se concluye que la edad promedio de todos los estudiantes de la universidad es aproximadamente 20 años. Usa la muestra para sacar conclusiones sobre toda la población.
pregunta#3 ¿Por qué es útil la estadística en el campo para el cual se está preparando? La estadística es útil porque permite analizar datos, tomar decisiones basadas en evidencia y comprender mejor los fenómenos relacionados con el campo de estudio. Ayuda a identificar tendencias, comparar resultados, evaluar proyectos y prever situaciones futuras, lo que mejora la precisión y la eficiencia en el trabajo profesional
pregunta #4 Dar como mínimo tres ejemplos de fenómenos económicos, considerados dentro del campo de la investigación estadística.
El nivel de desempleo en una ciudad durante un año. La variación mensual del precio de los alimentos. El crecimiento del producto interno bruto (PIB) de un país.
pregunta #5 Dar tres ejemplos de fenómenos no considerados dentro del campo de la estadística.
• La formación de las nubes en el cielo. • El proceso de fotosíntesis en las plantas. • La rotación de la Tierra sobre su eje.
pregunta #6 La estadística estudia el comportamiento de fenómenos colectivos y nunca de una observación individual”. Comentar este principio.
Este principio significa que la estadística se ocupa de analizar grupos o conjuntos de datos, no casos aislados. Una sola observación no permite identificar patrones ni sacar conclusiones generales, mientras que al estudiar muchas observaciones se pueden detectar tendencias, promedios o relaciones que describen el comportamiento del conjunto. Por eso, la estadística busca entender fenómenos colectivos para obtener conclusiones más representativas y confiables.
pregunta #7- Señalar el literal que más concuerde con cada una de las siguientes aseveraciones:
7.1- Una buena muestra industrial debe ser: a) Pequeña. b) Grande. c) Representativa de la población objetivo. d) Incluir sólo los establecimientos grandes.
7.2- La clasificación de los establecimientos dedicados al comercio al detal se hace teniendo en cuenta: a) Su función.
7.3- Una población infinita es aquélla en donde:
pregunta #8 Contestar verdadero o falso, según el caso:
La palabra población, significa en la metodología estadística lo mismo que en cualquier otra disciplina. falso
La teoría estadística es de naturaleza general y puede aplicarse a cualquier campo del conocimiento. verdadero
A las medidas que se obtienen de una muestra, se les da el nombre de parámetros, mientras que a las obtenidas de una población se les denomina estadígrafos. falso
Se conoce como fuente primaria, aquella información que se obtuvo inicialmente, es decir directamente de la persona, empresa o entidad investigada. verdadero
Una muestra aleatoria, es aquélla en la cual ciertos elementos tienen mayor posibilidad de otros de ser seleccionados. falso
pregunta #9 Señalar el literal más adecuado para las siguientes observaciones:
a.1 La investigación preliminar permite:
Establecer la hipótesis.
Determinar la muestra.
Coordinar el personal de campo.
Ninguna de las anteriores.
b.1 Antes que nada, la investigación estadística requiere:
c.1 El costo de una encuesta, por correo, es generalmente:
pregunta #10 Contestar verdadero o falso, según el caso:
Código es la representación cualitativa de un hecho cuantitativo. falso
Después de elaborar el formulario se define el objetivo de la investigación. falso
Al recolectar información por medio de entrevistadores se tiene la ventaja de que estos pueden observar el sitio de la operación que se está llevando a cabo. verdadero
Se conoce como fuente primaria, aquella que obtuvo inicialmente la información directamente de la persona o entidad. verdadero
Al diseñar un cuestionario no es de gran importancia la forma de hacer la pregunta, siempre que ésta sea clara. falso
No hay posibilidad alguna de que, en una encuesta, por correo, se interpreten mal las preguntas de un cuestionario, siempre y cuando la persona que la reciba sepa leer. Falso
El examen de la documentación y metodología se efectúa después de tabulada la información. falso
pregunta #11 Se ha dicho que en una investigación se consideran tres etapas; las que a su vez se subdividen en otras fases. ¿Cuáles son? ¿Podría usted reagrupar los titulares de este capítulo en un índice de temas de acuerdo con estas etapas? Planeación:
definición del problema, objetivos, hipótesis, diseño muestral, presupuesto.
Recolección de datos: selección de la muestra, capacitación de encuestadores, aplicación de formularios, control de calidad.
Procesamiento y análisis: codificación, tabulación, análisis estadístico, interpretación, informe y conclusiones.
pregunta #12 Mencionar algunos aspectos técnicos y materiales que deben tenerse en cuenta en el diseño de un formulario.
Claridad y lenguaje sencillo; preguntas directas y no tendenciosas. Orden lógico: filtros, preguntas fáciles primero, preguntas sensibles al final. Tipos de preguntas claras (cerradas, abiertas, escala). Codificación y espacio para respuestas; instrucciones para el encuestador. Prueba piloto y ajustes. Materiales: papel/formato digital, impresora, bolígrafos, tabletas, consentimiento informado, logística de campo.
pregunta #13 Un ejemplo de características cualitativa pueden ser datos sobre:
pregunta #14 Una muestra es aleatoria cuando las unidades se seleccionan:
pregunta #15 Por población o universo se entiende:
pregunta #16 Cualquier medida aplicada a la característica de las unidades en la población se denomina:
pregunta #17 Dentro de los hechos o fenómenos que no caen dentro del campo de la estadística están:
pregunta #18 La estadística descriptiva tiene como objetivo:
pregunta #19 Se debe responder verdadero o falso, según el enunciado:
pregunta #20 Explique brevemente los siguientes puntos:
• Costo elevado de censar a toda la población. • Falta de tiempo suficiente. • Dificultad de acceso o dispersión geográfica de las unidades. • Destructividad del examen (si la medición destruye la unidad). • Recursos humanos o técnicos limitados.
pregunta #21 En los tres (3) ejemplos siguientes, determinar en cada uno de ellos ¿cuál es la población? ¿cuál es la muestra? ¿cuál es la unidad? ¿cuál es la característica? ¿cuál es cualitativa o cuantitativa? ¿cuál de las variables es discreta o continua?
• Población: todos los hogares de la clase media de la ciudad Bellavista. • Muestra: los 350 hogares estudiados. • Unidad: el hogar. • Característica: tipo de aceite o grasa usada. • Cualitativa o cuantitativa: cualitativa (nominal). • Variable discreta/continua: categórica (no aplica discreta/continua).
• Población: plantas infestadas del universo relevante (por ejemplo, todas las plantas del invernadero o lote).
• Muestra: las 50 plantas sometidas al test. • Unidad: la planta. • Característica: número de plantas totalmente libres de plaga en cada periodo / tiempo hasta eliminación de plaga. • Cualitativa o cuantitativa: cuantitativa (conteo de plantas ibres; tiempo es cuantitativo).
• Variable discreta/continua: el conteo es discreta; el tiempo es continua (aunque registrado en horas enteras en el ejemplo).
• oblación: los 800 niños del plantel. • Muestra: los 20 niños evaluados. • Unidad: el niño. • Característica: puntuación de aceptación en escala de 1 a 10. • Cualitativa o cuantitativa: cuantitativa ordinal (escala). • Variable discreta/continua: discreta (valores enteros 1–10)
La distribución de frecuencias es una forma de organizar datos para mostrar cuántas veces ocurre cada valor o grupo de valores en un conjunto de información.
Se utiliza para:
-resumir datos de forma ordenada
-detectar patrones, tendencias o variaciones
-facilitar la construcción de gráficos (histograma, ojiva, polígonos de frecuencia)
-Es una base fundamental de la estadística descriptiva.
Concepto General
La distribución de frecuencias es una herramienta fundamental en estadística descriptiva que permite organizar y resumir un conjunto de datos de manera que se pueda observar con claridad la forma en que los valores se distribuyen dentro de una muestra o población.
Consiste en agrupar los datos en categorías (o clases) y contar el número de observaciones que pertenece a cada una de ellas. Este conteo se denomina frecuencia.
Tipos de Frecuencias
f_i = \text{X} i
F_i = f_1 + f_2 + \cdots + f_i 3. Frecuencia Relativa (hᵢ): Representa la proporción o porcentaje que corresponde a cada clase respecto al total de observaciones.
h_i = \frac{f_i}{n} donde ( h ) es el tamaño total de la muestra.
H_i = h_1 + h_2 + \cdots + h_i ## .bajar dataset
library(readxl)
encuesta <- read_excel("encuesta_administracion.xlsx")Mostrar algunas filas
head(encuesta,4)# A tibble: 4 × 10
Sector_Laboral Nivel_Ingresos Satisfaccion_Servicio Frecuencia_Participacion
<chr> <chr> <chr> <chr>
1 Educación Baja Satisfecho Siempre
2 Seguridad Alta Satisfecho Siempre
3 Transporte Baja Insatisfecho Rara vez
4 Seguridad Alta Satisfecho Nunca
# ℹ 6 more variables: Anos_Experiencia <dbl>, Numero_Hijos <dbl>,
# Salario <dbl>, Satisfaccion_Laboral <dbl>, Edad <dbl>,
# Participacion_Programas <dbl>Estructuras de las variablaes
glimpse(encuesta)Rows: 200
Columns: 10
$ Sector_Laboral <chr> "Educación", "Seguridad", "Transporte", "Segu…
$ Nivel_Ingresos <chr> "Baja", "Alta", "Baja", "Alta", "Alta", "Baja…
$ Satisfaccion_Servicio <chr> "Satisfecho", "Satisfecho", "Insatisfecho", "…
$ Frecuencia_Participacion <chr> "Siempre", "Siempre", "Rara vez", "Nunca", "A…
$ Anos_Experiencia <dbl> 17, 18, 19, 20, 7, 18, 8, 8, 18, 6, 3, 5, 6, …
$ Numero_Hijos <dbl> 5, 4, 2, 4, 4, 3, 4, 2, 5, 1, 4, 1, 2, 5, 3, …
$ Salario <dbl> 4541, 2077, 3376, 4273, 4520, 4715, 4660, 269…
$ Satisfaccion_Laboral <dbl> 2.03, 1.95, 0.74, 1.35, 2.14, 0.78, 2.45, 1.7…
$ Edad <dbl> 56, 27, 31, 46, 36, 46, 49, 46, 58, 23, 56, 3…
$ Participacion_Programas <dbl> 0.347, 0.125, 0.484, 0.436, 0.142, 0.742, 0.4…número de variables
encuesta %>% names %>% length[1] 10Nombre de las variables
names(encuesta) [1] "Sector_Laboral" "Nivel_Ingresos"
[3] "Satisfaccion_Servicio" "Frecuencia_Participacion"
[5] "Anos_Experiencia" "Numero_Hijos"
[7] "Salario" "Satisfaccion_Laboral"
[9] "Edad" "Participacion_Programas" transformar variables
encuesta <- encuesta %>%
mutate(Nivel_ingresos = parse_factor(Nivel_Ingresos,
levels= c('Baja', 'Media', 'Alta'), ordered = T)) %>%
mutate(Frecuencia_Participacion = parse_factor(Frecuencia_Participacion,
levels= c('Nunca', 'Rara vez', 'A veces', 'Frecuentemente'), ordered = T)) %>%
mutate(Satisfaccion_Servicio = parse_factor(Satisfaccion_Servicio,
levels= c('Insatisfecho', 'Neutral', 'Satisfecho','Muy Satisfecho'), ordered = T))Nueva estructura de las variables
glimpse(encuesta)Rows: 200
Columns: 11
$ Sector_Laboral <chr> "Educación", "Seguridad", "Transporte", "Segu…
$ Nivel_Ingresos <chr> "Baja", "Alta", "Baja", "Alta", "Alta", "Baja…
$ Satisfaccion_Servicio <ord> Satisfecho, Satisfecho, Insatisfecho, Satisfe…
$ Frecuencia_Participacion <ord> NA, NA, Rara vez, Nunca, A veces, Rara vez, A…
$ Anos_Experiencia <dbl> 17, 18, 19, 20, 7, 18, 8, 8, 18, 6, 3, 5, 6, …
$ Numero_Hijos <dbl> 5, 4, 2, 4, 4, 3, 4, 2, 5, 1, 4, 1, 2, 5, 3, …
$ Salario <dbl> 4541, 2077, 3376, 4273, 4520, 4715, 4660, 269…
$ Satisfaccion_Laboral <dbl> 2.03, 1.95, 0.74, 1.35, 2.14, 0.78, 2.45, 1.7…
$ Edad <dbl> 56, 27, 31, 46, 36, 46, 49, 46, 58, 23, 56, 3…
$ Participacion_Programas <dbl> 0.347, 0.125, 0.484, 0.436, 0.142, 0.742, 0.4…
$ Nivel_ingresos <ord> Baja, Alta, Baja, Alta, Alta, Baja, Alta, Alt…set.seed(123)
color <- sample(c("Azul", "Rojo", "Verde", "Naranja"),
size = 40, replace = TRUE)
table(color)color
Azul Naranja Rojo Verde
10 6 11 13 tibble(Color = color) %>%
group_by(Color) %>%
summarise(fi = n()) %>%
mutate(hi = round(fi/sum(fi), 4),
Porcentaje = paste0(hi*100, "%")) %>%
knitr::kable(
col.names = c("Color", "fi", "hi",
"Porcentaje"), align = c("l", "c", "c", "c")
)| Color | fi | hi | Porcentaje |
|---|---|---|---|
| Azul | 10 | 0.250 | 25% |
| Naranja | 6 | 0.150 | 15% |
| Rojo | 11 | 0.275 | 27.5% |
| Verde | 13 | 0.325 | 32.5% |
tabla por colores
library(dplyr)
library(kableExtra)
tibble(Color = color) %>%
group_by(Color) %>%
summarise(fi = n()) %>%
mutate(hi = round(fi / sum(fi), 4),
Porcentaje = paste0(hi * 100, "%")) %>%
knitr::kable(
col.names = c("Color", "fi", "hi", "Porcentaje"),
align = c("l", "c", "c", "c")
) %>%
kable_styling(full_width = F, bootstrap_options = c("striped", "hover", "condensed", "responsive")) %>%
row_spec(0, bold = T, color = "white", background = "#4CAF50") %>% # Encabezado con fondo verde
column_spec(1, background = "#f2f2f2") %>% # Columna de colores con fondo gris claro
column_spec(2, color = "#2E86C1") %>% # Columna 'fi' en color azul
column_spec(3, color = "#D68910") %>% # Columna 'hi' en color naranja
column_spec(4, color = "#16A085") # Columna 'Porcentaje' en color verde| Color | fi | hi | Porcentaje |
|---|---|---|---|
| Azul | 10 | 0.250 | 25% |
| Naranja | 6 | 0.150 | 15% |
| Rojo | 11 | 0.275 | 27.5% |
| Verde | 13 | 0.325 | 32.5% |
set.seed(456)
Salario <- sample(
c("E", "B", "R", "M"),
size = 250, replace = TRUE)
table(Salario)Salario
B E M R
58 74 63 55 Salario <- factor(
Salario,
levels = c("M", "R", "B", "E"),
labels = c("Insatisfecho", "Neutral", "Satisfecho", "Muy Satisfecho"),
ordered = TRUE
)Salario[1:10] [1] Muy Satisfecho Muy Satisfecho Neutral Satisfecho Muy Satisfecho
[6] Insatisfecho Neutral Muy Satisfecho Satisfecho Neutral
Levels: Insatisfecho < Neutral < Satisfecho < Muy Satisfechotibble(Salario = Salario) %>%
group_by(Salario) %>%
summarise(fi = n()) %>%
#arrange(desc(Servicio)) %>%
mutate(
hi = round(fi/sum(fi), 4),
Porcentaje = paste0(hi*100, "%"),
Fi = cumsum(fi),
Hi = cumsum(hi)
) %>%
knitr::kable(
col.names = c("Calificación", "$f_i$", "$h_i$",
"Porcentaje", "$F_i$", "$H_i$"), align = c("l", "r", "r", "r", "r", "r")
)| Calificación | f_i | h_i | Porcentaje | F_i | H_i |
|---|---|---|---|---|---|
| Insatisfecho | 63 | 0.252 | 25.2% | 63 | 0.252 |
| Neutral | 55 | 0.220 | 22% | 118 | 0.472 |
| Satisfecho | 58 | 0.232 | 23.2% | 176 | 0.704 |
| Muy Satisfecho | 74 | 0.296 | 29.6% | 250 | 1.000 |
library(ggplot2)
# Datos simulados
datos_servicio <- data.frame(
Servicio = c("Bueno", "Excelente", "Regular", "Malo"),
fi = c(58, 74, 55, 63)
)
# Cálculo de porcentajes
datos_servicio$Percentage <- (datos_servicio$fi / sum(datos_servicio$fi)) * 100
# Gráfico de barras horizontales con porcentajes
ggplot(datos_servicio, aes(x = fi, y = reorder(Servicio, fi))) +
geom_bar(stat = "identity", fill = "#D68910") +
labs(
title = "Distribución de Calificaciones del Servicio",
x = "Frecuencia Absoluta (fi)",
y = "Calificación del Servicio"
) +
geom_text(aes(label = paste0(round(Percentage, 1), "%")), hjust = -0.1) +
theme_minimal()
set.seed(987)
personas <- round(rnorm(400, mean = 5, sd = 1))
table(personas)personas
2 3 4 5 6 7 8
2 21 98 149 99 30 1 tibble(Personas = personas) %>%
group_by(Personas) %>%
summarise(fi = n()) %>%
mutate(
hi = round(fi/sum(fi), 4),
Porcentaje = paste0(hi*100, "%"),
Fi = cumsum(fi),
Hi = cumsum(hi)
) %>%
knitr::kable(
col.names = c("Personas", "$f_i$", "$h_i$",
"Porcentaje", "$F_i$", "$H_i$"), align = c("l", "r", "r", "r", "r", "r")
)| Personas | f_i | h_i | Porcentaje | F_i | H_i |
|---|---|---|---|---|---|
| 2 | 2 | 0.0050 | 0.5% | 2 | 0.0050 |
| 3 | 21 | 0.0525 | 5.25% | 23 | 0.0575 |
| 4 | 98 | 0.2450 | 24.5% | 121 | 0.3025 |
| 5 | 149 | 0.3725 | 37.25% | 270 | 0.6750 |
| 6 | 99 | 0.2475 | 24.75% | 369 | 0.9225 |
| 7 | 30 | 0.0750 | 7.5% | 399 | 0.9975 |
| 8 | 1 | 0.0025 | 0.25% | 400 | 1.0000 |
tabla <- tibble(Personas = personas) %>%
group_by(Personas) %>%
summarise(fi = n()) %>%
mutate(
hi = round(fi/sum(fi), 4),
Porcentaje = paste0(hi*100, "%"),
Fi = cumsum(fi),
Hi = cumsum(hi)
)
# Convertir las columnas Personas, Fi, y Hi a character para evitar conflictos
tabla <- tabla %>% mutate(
Personas = as.character(Personas),
Fi = as.character(Fi),
Hi = as.character(Hi)
)
# Añadir la fila de totales, dejando Fi y Hi vacíos
totales <- tibble(
Personas = "Total",
fi = sum(tabla$fi),
hi = round(sum(tabla$hi), 4),
Porcentaje = paste0(round(sum(tabla$hi) * 100, 2), "%"),
Fi = "", # Puedes dejar en blanco o usar un valor numérico
Hi = "" # Puedes dejar en blanco o usar un valor numérico
)
# Combinar la tabla con los totales
tabla_final <- bind_rows(tabla, totales)
# Mostrar la tabla final con kable
tabla_final %>%
knitr::kable(
col.names = c("Personas", "$f_i$", "$h_i$", "Porcentaje", "$F_i$", "$H_i$"),
align = c("l", "r", "r", "r", "r", "r")
)| Personas | f_i | h_i | Porcentaje | F_i | H_i |
|---|---|---|---|---|---|
| 2 | 2 | 0.0050 | 0.5% | 2 | 0.005 |
| 3 | 21 | 0.0525 | 5.25% | 23 | 0.0575 |
| 4 | 98 | 0.2450 | 24.5% | 121 | 0.3025 |
| 5 | 149 | 0.3725 | 37.25% | 270 | 0.675 |
| 6 | 99 | 0.2475 | 24.75% | 369 | 0.9225 |
| 7 | 30 | 0.0750 | 7.5% | 399 | 0.9975 |
| 8 | 1 | 0.0025 | 0.25% | 400 | 1 |
| Total | 400 | 1.0000 | 100% |
set.seed(555)
anos <- round(rnorm(200, mean = 60, sd = 5), 1)
min(anos)[1] 44.4max(peso)
max(anos)[1] 77.1diff(range(anos))[1] 32.71+log2(200)[1] 8.6438561+3.322*log10(200)[1] 8.64402232.7/9[1] 3.6333333.7*9[1] 33.333.3-32.7[1] 0.6interv = cut(x = anos, breaks = seq(44.1, 77.4, by = 3.7)
, include.lowest = TRUE)
tibble(anos = interv) %>%
group_by(anos) %>%
summarise(fi = n()) %>%
mutate(mi = seq(45.95, 75.55, by = 3.7)) %>%
relocate(anos, mi, fi) %>%
mutate(
hi = fi/sum(fi),
Fi = cumsum(fi),
Hi = cumsum(hi)
) %>%
knitr::kable(
col.names = c("anos", "mi", "fi", "hi",
"Fi", "Hi"), align = c("c", "c", "c", "c", "c", "c")
) %>%
kableExtra::kable_styling(full_width = FALSE) %>%
kableExtra::add_header_above(c("Distribuciones de frecuencias para la variable años" = 6))| anos | mi | fi | hi | Fi | Hi |
|---|---|---|---|---|---|
| [44.1,47.8] | 45.95 | 1 | 0.005 | 1 | 0.005 |
| (47.8,51.5] | 49.65 | 5 | 0.025 | 6 | 0.030 |
| (51.5,55.2] | 53.35 | 28 | 0.140 | 34 | 0.170 |
| (55.2,58.9] | 57.05 | 42 | 0.210 | 76 | 0.380 |
| (58.9,62.6] | 60.75 | 64 | 0.320 | 140 | 0.700 |
| (62.6,66.3] | 64.45 | 41 | 0.205 | 181 | 0.905 |
| (66.3,70] | 68.15 | 12 | 0.060 | 193 | 0.965 |
| (70,73.7] | 71.85 | 6 | 0.030 | 199 | 0.995 |
| (73.7,77.4] | 75.55 | 1 | 0.005 | 200 | 1.000 |
hasta aqui ## .Variable cuantitativa continua con totales
library(dplyr)
library(kableExtra)
interv = cut(x = anos, breaks = seq(44.1, 77.4, by = 3.7), include.lowest = TRUE)
tabla <- tibble(anos = interv) %>%
group_by(anos) %>%
summarise(fi = n()) %>%
mutate(hi = fi / sum(fi)) %>%
mutate(
mi = seq(45.95, 75.55, by = 3.7) %>% as.character(), # Convertir `mi` a carácter
Fi = cumsum(fi) %>% as.character(), # Convertir `Fi` a carácter
Hi = cumsum(fi / sum(fi)) %>% as.character() # Convertir `Hi` a carácter
) %>%
relocate(anos, mi, fi)
# Agregar la fila total con casillas en blanco
tabla <- tabla %>%
add_row(anos = "Total", mi = "", fi = sum(tabla$fi), hi = sum(tabla$hi), Fi = "", Hi = "")
# Generar la tabla con knitr::kable y agregar título
tabla %>%
knitr::kable(
col.names = c("anos", "mi", "fi", "hi", "Fi", "Hi"),
align = c("l", "r", "r", "r", "r", "r")
) %>%
kableExtra::kable_styling(full_width = FALSE) %>%
kableExtra::add_header_above(c("Distribuciones de frecuencias para la variable años" = 6))| anos | mi | fi | hi | Fi | Hi |
|---|---|---|---|---|---|
| [44.1,47.8] | 45.95 | 1 | 0.005 | 1 | 0.005 |
| (47.8,51.5] | 49.65 | 5 | 0.025 | 6 | 0.03 |
| (51.5,55.2] | 53.35 | 28 | 0.140 | 34 | 0.17 |
| (55.2,58.9] | 57.05 | 42 | 0.210 | 76 | 0.38 |
| (58.9,62.6] | 60.75 | 64 | 0.320 | 140 | 0.7 |
| (62.6,66.3] | 64.45 | 41 | 0.205 | 181 | 0.905 |
| (66.3,70] | 68.15 | 12 | 0.060 | 193 | 0.965 |
| (70,73.7] | 71.85 | 6 | 0.030 | 199 | 0.995 |
| (73.7,77.4] | 75.55 | 1 | 0.005 | 200 | 1 |
| Total | 200 | 1.000 |
Tabla No. 1: Distribución de frecuencias participacion
tibble(Sector = encuesta$Sector_Laboral) %>%
group_by(Sector) %>%
summarise(fi = n()) %>%
mutate(
hi = round(fi/sum(fi), 4),
Porcentaje = paste0(hi*100, "%")) %>%
knitr::kable(
col.names = c("Sector", "$f_i$", "$h_i$",
"Porcentaje"), align = c("l", "r", "r", "r")
)| Sector | f_i | h_i | Porcentaje |
|---|---|---|---|
| Administrativo | 34 | 0.17 | 17% |
| Educación | 44 | 0.22 | 22% |
| Sector Salud | 40 | 0.20 | 20% |
| Seguridad | 46 | 0.23 | 23% |
| Transporte | 36 | 0.18 | 18% |
# 1. Tabla de frecuencias relativas (Nivel de ingresos vs Frecuencia de participación)
tabla_relativa <- encuesta %>%
count(Nivel_Ingresos, Frecuencia_Participacion) %>% # Frecuencia absoluta
group_by(Nivel_Ingresos) %>% # Agrupación por fila
mutate(
total_fila = sum(n),
frecuencia_relativa = n / total_fila # Frecuencia relativa
) %>%
ungroup()
# 2. Tabla para gráficar
data_porcentaje <- encuesta %>%
count(Nivel_Ingresos, Frecuencia_Participacion) %>%
group_by(Nivel_Ingresos) %>%
mutate(porcentaje = n / sum(n) * 100) %>%
ungroup()
# 3. Gráfico de barras con porcentajes
ggplot(data_porcentaje, aes(x = Nivel_Ingresos,
y = porcentaje,
fill = Frecuencia_Participacion)) +
geom_bar(stat = "identity", position = "dodge") +
labs(
title = "Distribución porcentual de Frecuencia de Participación por Nivel de Ingresos",
x = "Nivel de Ingresos",
y = "Porcentaje (%)",
fill = "Frecuencia de Participación"
) +
theme_minimal() +
geom_text(
aes(label = sprintf("%.1f%%", porcentaje)),
position = position_dodge(0.9),
vjust = -0.5,
size = 3
)
tibble(Sector = encuesta$Sector_Laboral) %>%
group_by(Sector) %>%
summarise(fi = n()) %>%
mutate(
hi = round(fi/sum(fi), 4),
Porcentaje = paste0(hi*100, "%")) %>%
knitr::kable(
col.names = c("Sector", "$f_i$", "$h_i$",
"Porcentaje"), align = c("l", "r", "r", "r")
)| Sector | f_i | h_i | Porcentaje |
|---|---|---|---|
| Administrativo | 34 | 0.17 | 17% |
| Educación | 44 | 0.22 | 22% |
| Sector Salud | 40 | 0.20 | 20% |
| Seguridad | 46 | 0.23 | 23% |
| Transporte | 36 | 0.18 | 18% |
Grafica No 1:Diagrama de barras
# Calcular los porcentajes de cada categoría en la variable ESTADO
sector_counts <- encuesta %>%
dplyr::count(Sector_Laboral) %>%
mutate(porcentaje = n / sum(n) * 100)
# Crear el diagrama de barras
ggplot(sector_counts, aes(x = Sector_Laboral , y = porcentaje, fill = Sector_Laboral)) +
geom_bar(stat = "identity") +
labs(title = "Distribución porcentual del Sector_Laboral",
x = "Sector_Laboral",
y = "Porcentaje") +
theme_minimal() +
theme(legend.position = "none") +
geom_text(aes(label = sprintf("%.1f%%", porcentaje)),
vjust = -0.5,
color = "black",
size = 3.5)
# Calcular los porcentajes de cada categoría en la variable frecuencia
estado_counts <- encuesta %>%
dplyr::count(Anos_Experiencia) %>%
mutate(porcentaje = n / sum(n) * 100)
# Crear el diagrama circular
ggplot(estado_counts, aes(x = "", y = porcentaje, fill = Anos_Experiencia)) +
geom_bar(stat = "identity", width = 1) +
coord_polar("y") +
labs(title = "Distribución porcentual del Años de experiencia") +
theme_minimal() +
theme(axis.title.x = element_blank(),
axis.title.y = element_blank(),
panel.grid = element_blank(),
axis.text.x = element_blank()) +
geom_text(aes(label = sprintf("%.1f%%", porcentaje)),
position = position_stack(vjust = 0.5),
color = "white",
size = 4)
# Calcular los porcentajes de cada categoría en la variable frecuencia
estado_counts <- encuesta %>%
dplyr::count(Frecuencia_Participacion) %>%
mutate(porcentaje = n / sum(n) * 100)
# Crear el diagrama circular
ggplot(estado_counts, aes(x = "", y = porcentaje, fill = Frecuencia_Participacion)) +
geom_bar(stat = "identity", width = 1) +
coord_polar("y") +
labs(title = "Distribución porcentual del frecuencia de participación") +
theme_minimal() +
theme(axis.title.x = element_blank(),
axis.title.y = element_blank(),
panel.grid = element_blank(),
axis.text.x = element_blank()) +
geom_text(aes(label = sprintf("%.1f%%", porcentaje)),
position = position_stack(vjust = 0.5),
color = "white",
size = 4)
tra
# 1. Tabla de frecuencias relativas (Nivel de ingresos vs Frecuencia de participación)
tabla_relativa <- encuesta %>%
count(Nivel_Ingresos, Frecuencia_Participacion) %>% # Frecuencia absoluta
group_by(Nivel_Ingresos) %>% # Agrupación por fila
mutate(
total_fila = sum(n),
frecuencia_relativa = n / total_fila # Frecuencia relativa
) %>%
ungroup()
# 2. Tabla para gráficar
data_porcentaje <- encuesta %>%
count(Nivel_Ingresos, Frecuencia_Participacion) %>%
group_by(Nivel_Ingresos) %>%
mutate(porcentaje = n / sum(n) * 100) %>%
ungroup()
# 3. Gráfico de barras con porcentajes
ggplot(data_porcentaje, aes(x = Nivel_Ingresos,
y = porcentaje,
fill = Frecuencia_Participacion)) +
geom_bar(stat = "identity", position = "dodge") +
labs(
title = "Distribución porcentual de Frecuencia de Participación por Nivel de Ingresos",
x = "Nivel de Ingresos",
y = "Porcentaje (%)",
fill = "Frecuencia de Participación"
) +
theme_minimal() +
geom_text(
aes(label = sprintf("%.1f%%", porcentaje)),
position = position_dodge(0.9),
vjust = -0.5,
size = 3
)
estado_counts <- encuesta %>%
dplyr::count(Nivel_Ingresos) %>%
mutate(porcentaje = n / sum(n) * 100)ggplot(data_porcentaje, aes(x = Nivel_Ingresos,
y = porcentaje,
fill = Frecuencia_Participacion)) +
geom_bar(stat = "identity", position = "stack") +
labs(
title = "Distribución porcentual de Frecuencia de Participación por Nivel de Ingresos",
x = "Nivel de Ingresos",
y = "Porcentaje (%)",
fill = "Frecuencia de Participación"
) +
theme_minimal() +
geom_text(
aes(label = sprintf("%.1f%%", porcentaje)),
position = position_stack(vjust = 0.5),
color = "white",
size = 3
) +
coord_flip()