En el curso de Seminario de Contrucciones integrado por 24 personas de los cuales 11 son hombres y 13 son mujeres se realizó una encuesta en la cual se propuso algunas preguntas deacuerdo a la informacion básica de cada integrante y a partir de las cuales se identificaron las siguientes variables:
M<-read.csv("datos codificados.csv")
colnames(M)
[1] "Nombre" "Región" "Ocupación" "Estatura"
[5] "Edad" "Sexo" "Peso" "X..Hermanos"
[9] "X..Hijos" "Estrato" "Estado.Civil" "Matricula"
Se analizó algunas de las variables mencionadas mediante los siguientes gráficos: 1. Para la variable Región se observó que en su gran mayoría los encuestados provienen del Valle del Cauca.
M<-read.csv("datos codificados.csv")
región<-M$Región
hist(región, breaks = 4,main = "Región",col = "cadetblue2")

Con respecto al estado civil de los encuestados se puede observar que el 83.3% se encuentran solteros y solo el 16.7% casados
M<-read.csv("datos codificados.csv")
estadocivil<-M$Estado.Civil
porcentaje<-c(83.3,16.7)
label<-paste(porcentaje,"%",sep = "")
color<-c("bisque2","cadetblue3")
pie(porcentaje,labels = label,clockwise = TRUE,main = "Estado Civil", col = color)
legend("topright",c("Solteros","Casados"),cex = 0.8,fill = color)

Entre los integrantes del curso también se observa que el 62.2% se encuetran realizando un estudio de pregrado, 33.3% de postgrado y solo un 4.2% doctorado.
M<-read.csv("datos codificados.csv")
nivelestudios<-M$NivelEstudio
porcentaje<-c(62.5,33.3,4.2)
label<-paste(porcentaje,"%",sep = "")
color<-c("bisque2","cadetblue3","darkolivegreen2")
pie(porcentaje,labels = label,clockwise = TRUE,main = "Nivel de Estudio", col = color)
legend("topright",c("Pregrado","Postgrado","PhD"),cex = 0.8,fill = color)

Para las variables Peso, Hermanos y Edad se calculó las medidas de tendencia central(media, mediana y moda) y de dispersión(varianza y desviación estandar):
- Peso: El promedio del peso de los integrantes del curso de Seminario de Estructuras correspondiente es de 67.04348 kg. La mitad de los integrantes tienen un peso correspondiente a 65 kg. La varianza correspondiente al peso de los integrantes es de 179.5889 La desviación estandar de la muestra trabajada corresponde a 13.06097 La mayoria de los integrantes pesan 57 kg.
M<-read.csv("datos codificados.csv")
peso<-M$Peso
mean(peso)
[1] 67.04348
median(peso)
[1] 65
var(peso)
[1] 170.5889
sd(peso)
[1] 13.06097
library("modeest")
mlv(peso,method="discrete")
Mode (most frequent value): 57
Bickel's modal skewness: 0.4782609
Call: mlv.integer(x = peso, method = "discrete")
- Estatura: El promedio del número de hermanos de los integrantes del curso de Seminario de Estructuras correspondiente es de 2.5 . La mitad de los integrantes tienen 2 hermanos. La varianza correspondiente al peso de los integrantes es de 3.5 La desviación estandar de la muestra trabajada corresponde a 1.88 La mayoria de los integrantes tienen 1 hermano.
M<-read.csv("datos codificados.csv")
hermanos<-M$X..Hermanos
mean(hermanos)
[1] 2.478261
median(hermanos)
[1] 2
var(hermanos)
[1] 3.533597
sd(hermanos)
[1] 1.879786
library("modeest")
mlv(hermanos,method="discrete")
Mode (most frequent value): 1
Bickel's modal skewness: 0.4782609
Call: mlv.integer(x = hermanos, method = "discrete")
- Edad: El promedio de edad de los integrantes del curso de Seminario de Estructuras correspondiente es de 28.74 años. La mitad de los integrantes tienen un peso correspondiente a 25. La varianza correspondiente al peso de los integrantes es de 81.11 La desviación estandar de la muestra trabajada corresponde a 9.006 La mayoria de los integrantes tienen 23 años.
Para la variable Edad se puede observar en el siguiente gráfico del histograma que la edad de la mayoría de los encuestados se encuentra entre los 20 y 30 años
M<-read.csv("datos codificados.csv")
edad<-M$Edad
hist(edad, breaks = 3,main = "Edad",col = "darkolivegreen2")

mean(edad)
[1] 28.73913
median(edad)
[1] 25
var(edad)
[1] 81.11067
sd(edad)
[1] 9.006146
library("modeest")
mlv(edad,method="discrete")
Mode (most frequent value): 23
Bickel's modal skewness: 0.3913043
Call: mlv.integer(x = edad, method = "discrete")
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