Resultados de la encuesta

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"       "Region"       "NivelEstudio" "Estatura"    
 [5] "Edad"         "Sexo"         "Peso"         "Hermanos"    
 [9] "Hijos"        "Estrato"      "EstadoCivil"  "Matricula"   

#install.packages("ggplot2") #1- Instalar el paquete ggplot2
library(ggplot2) #2- Cargar el paquete en memoria

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.

regiones<-M$Region
options(digits=4)
EP <- table(regiones)
EP <- round(prop.table(EP)*100)
lbls<- c("Valle del Cauca","Cauca","Quindio","Nariño","Bogotá")
lbls <- paste(lbls, EP) # add percents to labels 
lbls <- paste(lbls,"%",sep=" ") # ad % to labels
library(ggplot2)
library(plotrix)
 pie3D(EP, labels =lbls, col=c("blue","red","purple","cornflowerblue","yellow"), main = "Regiones", cex.main= 1)
par(cex.axis= 0.7, cex.lab= 0.5, cex.sub= 0.7, las=1)   

color<-c("blue","red","purple","cornflowerblue","yellow")
 legend( "topright",c("Valle del Cauca","Cauca","Quindio","Nariño","Bogotá"),cex = 0.6,fill = color)

NA
NA

Entre los integrantes del curso también se observa que el 62% se encuetran realizando un estudio de pregrado, 33% de postgrado y solo un 4% maestria.

nivelEstudio<-M$NivelEstudio
EP <- table(nivelEstudio)
EP <- round(prop.table(EP)*100)
options(digits=4)
lbls<- c("Pregrado","Postgrado","Maestria")
lbls <- paste(lbls, EP) # add percents to labels 
lbls <- paste(lbls,"%",sep=" ") # ad % to labels
library(ggplot2)
library(plotrix)
 
  pie3D(EP, labels =lbls, col=c("blue","red","yellow"), main = "NIVEL DE ESTUDIO")
 par(cex.axis= 0.7, cex.lab= 0.5, cex.sub= 0.7, las=1) 

 color<-c("blue","red","yellow")
 legend("topright",c("Pregrado","Postgrado","Maestria"),cex = 0.7,fill = color)

sexo<-M$Sexo
options(digits=4)#nos dice el numero de  digitos que queremos tomar
myvar2 <- ordered(sexo<-M$Sexo, levels = c(1,2),labels = c("HOMBRE","MUJER")) 
myvar2

 [1] MUJER  HOMBRE HOMBRE MUJER  MUJER  HOMBRE HOMBRE MUJER  MUJER 
[10] MUJER  MUJER  MUJER  HOMBRE MUJER  MUJER  MUJER  MUJER  HOMBRE
[19] HOMBRE MUJER  HOMBRE HOMBRE HOMBRE HOMBRE
Levels: HOMBRE < MUJER

EP <- table(myvar2)
EP <- prop.table(EP)*100
#Barplots
par(cex.axis= 0.7, cex.lab= 0.5, cex.sub= 0.7, las=1) 
bp1<- barplot(EP, main="SEXO", col=c("blue","pink"),  ylim=c(0,60), cex.main=0.8 )
text(bp1, EP+2,format(EP), cex=0.7)

M<-read.csv("datos codificados.csv")
hermanos<-M$Hermanos
myvar2 <- ordered(hermanos<-M$Hermanos, levels = c(0,1,2,3,4,5,6)) 
EP <- table(myvar2)
EP <- prop.table(EP)*100
#Barplots
par(cex.axis= 0.7, cex.lab= 0.5, cex.sub= 0.7, las=1)   
bp1<- barplot(EP, main="NÚMERO DE HERMANOS", ylim=c(0,35), cex.main=0.8, col=c("coral","chartreuse4") )
text(bp1, EP+2,format(EP), cex=0.7)

Con respecto al estado civil de los encuestados se puede observar que el 83.3% se encuentran solteros y solo el 16.7% casados

 
estadocivil<-M$Estado.Civil
options(digits=2)#nos dice el numero de  digitos que queremos tomar
myvar2 <- ordered(estadocivil<-M$EstadoCivil, levels = c(1,2),labels = c("Solteros","Casados")) 
myvar2

 [1] Solteros Solteros Casados  Solteros Solteros Solteros Solteros
 [8] Solteros Casados  Solteros Solteros Solteros Solteros Solteros
[15] Solteros Solteros Casados  Solteros Solteros Solteros Casados 
[22] Solteros Solteros Solteros
Levels: Solteros < Casados

EP <- table(myvar2)
EP <- prop.table(EP)*100
color<-c("bisque2","cadetblue3")
pie(EP,labels = label,clockwise = TRUE,main = "Estado Civil", col = color)
legend("topright",c("Solteros","Casados"),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):

1. 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] 67.25

median(peso)

[1] 67.5

var(peso)

[1] 164.2

sd(peso)

[1] 12.81

library("modeest")
mlv(peso,method="discrete")

Mode (most frequent value): 57 
Bickel's modal skewness: 0.5 
Call: mlv.integer(x = peso, method = "discrete") 

2. 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
mis.colores.3 <- colorRampPalette(c("#ff9999", "#99ff99", "#9999ff"))
hist(edad, breaks = 3,main = "Edad",col = mis.colores.3(12))

mean(edad)

[1] 28.58

median(edad)

[1] 25

var(edad)

[1] 78.17

sd(edad)

[1] 8.841

library("modeest")
mlv(edad,method="discrete")

Mode (most frequent value): 23 
Bickel's modal skewness: 0.4167 
Call: mlv.integer(x = edad, method = "discrete")