Aguilar Quispe Fabricio David

¿Que es el AED? El Análisis Económico del Derecho es la aplicación métodos científicos y estudios sistemáticos, usuales en la ciencia económica (que incluyen la estadística, análisis costo-beneficio, estudio de costos de transacción, teoría de juegos, economía del comportamiento, entre otras) al análisis y explicación del sistema jurídico. ¿Cual es su objetivo? Es ayudan a organizar la información que nos dan los datos de manera de detectar algún patrón de comportamiento así como también apartamientos importantes al modelo.

Extraemos los datos de Github y le podre el nombre que nos guste, en este caso será Mineria_8chito

Mineria_8chito =read.csv("https://raw.githubusercontent.com/VictorGuevaraP/Mineria-de-datos/master/MarketingDirecto.csv", sep = ",")

En esta parte se muestran los nombres de las variables

names(Mineria_8chito)
##  [1] "Edad"      "Genero"    "Vivienda"  "Ecivil"    "Ubicacion"
##  [6] "Salario"   "Hijos"     "Historial" "Catalogos" "Monto"

Se muestran los 6 primeros datos

head(Mineria_8chito)

Se observará la estructura de los datos

str(Mineria_8chito)
## 'data.frame':    1000 obs. of  10 variables:
##  $ Edad     : Factor w/ 3 levels "Adulta","Joven",..: 1 3 2 3 3 2 3 3 3 1 ...
##  $ Genero   : Factor w/ 2 levels "Femenino","Masculino": 1 2 1 2 1 2 1 2 1 2 ...
##  $ Vivienda : Factor w/ 2 levels "Alquilada","Propia": 2 1 1 2 2 2 1 2 2 2 ...
##  $ Ecivil   : Factor w/ 2 levels "Casado","Soltero": 2 2 2 1 2 1 2 2 1 1 ...
##  $ Ubicacion: Factor w/ 2 levels "Cerca","Lejos": 2 1 1 1 1 1 1 1 1 2 ...
##  $ Salario  : int  47500 63600 13500 85600 68400 30400 48100 68400 51900 80700 ...
##  $ Hijos    : int  0 0 0 1 0 0 0 0 3 0 ...
##  $ Historial: Factor w/ 3 levels "Alto","Bajo",..: 1 1 2 1 1 2 3 1 2 NA ...
##  $ Catalogos: int  6 6 18 18 12 6 12 18 6 18 ...
##  $ Monto    : int  755 1318 296 2436 1304 495 782 1155 158 3034 ...

Realizaremos un análisis univariado

table(Mineria_8chito$Edad)
## 
## Adulta  Joven  Media 
##    205    287    508
table(Mineria_8chito$Vivienda)
## 
## Alquilada    Propia 
##       484       516
table(Mineria_8chito$Ecivil)
## 
##  Casado Soltero 
##     502     498
table(Mineria_8chito$Genero)
## 
##  Femenino Masculino 
##       506       494
table(Mineria_8chito$Historial)
## 
##  Alto  Bajo Medio 
##   255   230   212
table(Mineria_8chito$Ubicacion)
## 
## Cerca Lejos 
##   710   290

Usamos la libreria DMwR para imputar los datos faltantes (NA), usando un promedio de los datos más cercanos, a su vez se crea una nueva variable para poder mostrar los gráficos|

library(DMwR)
## Loading required package: lattice
## Loading required package: grid
## Registered S3 method overwritten by 'xts':
##   method     from
##   as.zoo.xts zoo
## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo
Mineria_8chito1 <- knnImputation(Mineria_8chito)
table(Mineria_8chito1$Historial)
## 
##  Alto  Bajo Medio 
##   462   303   235
Historial<-table(Mineria_8chito1$Historial)

barplot(Historial)

Al ver el gráfico se da a entender de que hay un mayor porcentaje de personas que con el historial alta.}

Realizamos una tabla de resumen con la libreria gmodels

library(gmodels)
CrossTable(Mineria_8chito1$Historial, format = "SPSS")
## 
##    Cell Contents
## |-------------------------|
## |                   Count |
## |             Row Percent |
## |-------------------------|
## 
## Total Observations in Table:  1000 
## 
##           |     Alto  |     Bajo  |    Medio  | 
##           |-----------|-----------|-----------|
##           |      462  |      303  |      235  | 
##           |   46.200% |   30.300% |   23.500% | 
##           |-----------|-----------|-----------|
## 
##

Análisis Bivariado y multivariado Realizamos gráficos con la libreria ggplot2

library(ggplot2)
ggplot(data=Mineria_8chito1)+
  geom_bar(mapping = aes(x=Salario, color=Historial))

library(ggplot2)
ggplot(data=Mineria_8chito1)+
  geom_bar(mapping = aes(x=Genero, color=Edad))

library(ggplot2)
ggplot(data=Mineria_8chito1)+
  geom_bar(mapping = aes(x=Vivienda, color=Ubicacion))

library(ggplot2)
  ggplot(data=Mineria_8chito1)+
  geom_histogram(mapping = aes(x=Salario, color=Ecivil))
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

```