library(lsm) # Para acceder a la base de datos survey
library(knitr) # Para construir tablas
library(kableExtra) # Para mejorar la presentación de las tablas# ============================================================
# 1. Intervalo Z para una media con sigma conocida
# ============================================================
ic_media_z <- function(media, sigma, n, conf = 0.95,
digitos = 4) {
alpha <- 1 - conf
z <- qnorm(1 - alpha / 2)
error_estandar <- sigma / sqrt(n)
margen_error <- z * error_estandar
inferior <- media - margen_error
superior <- media + margen_error
resultado <- data.frame(
Medida = c(
"Media",
"\u03c3",
"Error estándar",
"n",
"Grado de confianza",
"Valor crítico",
"Margen de error",
"Extremo inferior",
"Extremo superior",
"Intervalo"
),
Resultado = c(
round(media, digitos),
round(sigma, digitos),
round(error_estandar, digitos),
n,
round(conf, digitos),
round(z, digitos),
round(margen_error, digitos),
round(inferior, digitos),
round(superior, digitos),
paste0(
round(media, digitos),
" ± ",
round(margen_error, digitos)
)
),
check.names = FALSE
)
knitr::kable(
resultado,
format = "html",
col.names = c("Medida", "Valor"),
align = c("l", "r")
)
}
# ============================================================
# 2. Intervalo t para una media con sigma desconocida
# ============================================================
ic_media_t <- function(media, s, n, conf = 0.95,
digitos = 4) {
alpha <- 1 - conf
gl <- n - 1
t_critico <- qt(1 - alpha / 2, df = gl)
error_estandar <- s / sqrt(n)
margen_error <- t_critico * error_estandar
inferior <- media - margen_error
superior <- media + margen_error
resultado <- data.frame(
Medida = c(
"Media",
"s",
"Error estándar",
"n",
"Grados de libertad",
"Grado de confianza",
"Valor crítico",
"Margen de error",
"Extremo inferior",
"Extremo superior",
"Intervalo"
),
Resultado = c(
round(media, digitos),
round(s, digitos),
round(error_estandar, digitos),
n,
gl,
round(conf, digitos),
round(t_critico, digitos),
round(margen_error, digitos),
round(inferior, digitos),
round(superior, digitos),
paste0(
round(media, digitos),
" ± ",
round(margen_error, digitos)
)
),
check.names = FALSE
)
knitr::kable(
resultado,
format = "html",
col.names = c("Medida", "Valor"),
align = c("l", "r")
)
}
# ============================================================
# 3. Intervalo Z para una proporción
# ============================================================
ic_proporcion <- function(exitos, n, conf = 0.95,
digitos = 4) {
if (exitos < 0 || exitos > n) {
stop("El número de éxitos debe estar entre 0 y n.")
}
alpha <- 1 - conf
z <- qnorm(1 - alpha / 2)
proporcion <- exitos / n
error_estandar <- sqrt(proporcion * (1 - proporcion) / n)
margen_error <- z * error_estandar
inferior <- max(0, proporcion - margen_error)
superior <- min(1, proporcion + margen_error)
resultado <- data.frame(
Medida = c(
"Éxitos",
"n",
"Proporción",
"Error estándar",
"Grado de confianza",
"Valor crítico",
"Margen de error",
"Extremo inferior",
"Extremo superior",
"Intervalo"
),
Resultado = c(
exitos,
n,
round(proporcion, digitos),
round(error_estandar, digitos),
round(conf, digitos),
round(z, digitos),
round(margen_error, digitos),
round(inferior, digitos),
round(superior, digitos),
paste0(
round(proporcion, digitos),
" ± ",
round(margen_error, digitos)
)
),
check.names = FALSE
)
knitr::kable(
resultado,
format = "html",
col.names = c("Medida", "Valor"),
align = c("l", "r")
)
}#Base de datos
datosCompleto <- lsm::survey
# Para algunos ejemplos de esta sección utilizaremos únicamente las primeras 100 observaciones
df1 <- datosCompleto[1:100,]
# Para otros ejemplos de esta sección utilizaremos únicamente las primeras 29 observaciones
df2 <- datosCompleto[1:29,]
# Dimensión de las dos bases de datos (observaciones, variables)
dim(datosCompleto)## [1] 800 66dim(df1)## [1] 100 66dim(df2)## [1] 29 66# Elimina los valores perdidos (NA)
peso <- df1$Weight[!is.na(df1$Weight)]
# Calcula media y tamaño
media_peso <- mean(peso)
n_peso <- length(peso)
# Calcula el intervalo
resultado <- ic_media_z(
media = media_peso,
sigma = 6,
n = n_peso,
conf = 0.95
)
resultado| Medida | Valor |
|---|---|
| Media | 73.708 |
| σ | 6 |
| Error estándar | 0.6 |
| n | 100 |
| Grado de confianza | 0.95 |
| Valor crítico | 1.96 |
| Margen de error | 1.176 |
| Extremo inferior | 72.532 |
| Extremo superior | 74.884 |
| Intervalo | 73.708 ± 1.176 |
Con una confianza del 95%, se puede concluir que el peso medio esta entre 72.532kg y 74.884kg.
# Elimina los valores perdidos (NA)
edadp <- df2$FatherAge[!is.na(df2$FatherAge)]
# Calcula media y tamaño
media_edad <- mean(edadp)
s_edad <- sd(edadp)
n_edad <- length(edadp)
# Calcula el intervalo
resultado <- ic_media_t(
media = media_edad,
s = s_edad,
n = n_edad,
conf = 0.95
)
resultado| Medida | Valor |
|---|---|
| Media | 50.2069 |
| s | 4.2374 |
| Error estándar | 0.7869 |
| n | 29 |
| Grados de libertad | 28 |
| Grado de confianza | 0.95 |
| Valor crítico | 2.0484 |
| Margen de error | 1.6118 |
| Extremo inferior | 48.5951 |
| Extremo superior | 51.8187 |
| Intervalo | 50.2069 ± 1.6118 |
Con una confianza del 95%, se puede concluir que la edad de los padres está entre 48.5951 (48) y 51.8187 (51)
# Elimina los valores perdidos (NA)
genero <- df1$Gender[!is.na(df1$Gender)]
# Calcula número de estudiantes de género male (éxitos) y tamaño total de la muestra.
total_masc <- sum(genero == "Male")
n_masc <- length(genero)
# Calcula el intervalo
resultado <- ic_proporcion(
exitos = total_masc,
n = n_masc,
conf = 0.95
)
resultado| Medida | Valor |
|---|---|
| Éxitos | 51 |
| n | 100 |
| Proporción | 0.51 |
| Error estándar | 0.05 |
| Grado de confianza | 0.95 |
| Valor crítico | 1.96 |
| Margen de error | 0.098 |
| Extremo inferior | 0.412 |
| Extremo superior | 0.608 |
| Intervalo | 0.51 ± 0.098 |
Con una confianza del 95%, se puede afirmar que la proporción de hombres en la población esta entre 41.2% y 60.8%.