Actividad 3 Multivariado
Christian Figueroa
1/3/2022
base1 <- read.csv("C:/Users/christian.figueroa/Desktop/aCTIVIDAD 1 MULTIVARIADO/Actividad 3/base1.csv", row.names=1, sep=";")Descripción base de datos
Variable Programa
AE: ADMINISTRACIÓN DE EMPRESAS
AEV: ADMINISTRACIÓN DE EMPRESAS VIRTUAL
ARQ: ARQUITECTURA
CYT: CINE Y TV
CP: CONTADURÌA PUBLICA
GE: ESPECIALIZACIÓN EN GERENCIA DE EMPRESAS
GC: ESPECIALIZACIÓN EN GERENCIA DE LA CALIDAD
GEM: ESPECIALIZACIÓN EN GERENCIA ESTRATÉGICA DE MARKETING
GETH: ESPECIALIZACIÓN EN GERENCIA ESTRATÉGICA DEL TALENTO HUMANO
GA: ESPECIALIZACIÓN EN GESTIÓN AMBIENTAL
P: ESPECIALIZACIÓN EN PEDAGOGÍA
PT: ESPECIALIZACIÓN EN PLANEACIÓN TRIBUTARIA
HYT: HOTELERÍA Y TURISMO
IT: INGENIERÍA EN TELECOMUNICACIONES
II: INGENIERÍA INDUSTRIAL
IM: INGENIERÍA MECATRÓNICA
LF: LICENCIATURA EN FILOSOFÍA
LLE: LICENCIATURA EN LENGUAS EXTRANJERAS
M: MERCADEO
NI: NEGOCIOS INTERNACIONALES
NIV: NEGOCIOS INTERNACIONALES VIRTUAL
TDS: TECNOLOGÍA EN DESARROLLO DE SOFTWARE
TG: TECNOLOGÍA EN GASTRONOMÍA
T: TEOLOGÍA
Variable Estrato: Esta variable va de 0 a 6.
Tabla de contingencia.
dt <- as.table(as.matrix(base1))
addmargins(dt,c(1,2))## X0 X1 X2 X3 X4 X5 X6 Sum
## AE 0 30 353 195 21 0 0 599
## AEV 2 11 134 104 5 1 0 257
## ARQ 0 13 158 106 7 0 0 284
## CP 2 54 347 138 8 1 0 550
## CS 1 15 166 128 14 0 0 324
## CYT 0 10 152 172 21 0 1 356
## GA 0 1 1 5 0 0 0 7
## GC 0 1 16 17 3 0 0 37
## GE 1 9 30 20 0 0 0 60
## GEM 2 12 82 56 1 1 0 154
## GETH 4 26 162 143 22 1 0 358
## HYT 2 23 222 149 18 0 0 414
## II 3 21 241 139 8 0 0 412
## IM 0 11 183 137 9 0 0 340
## IT 1 13 75 23 4 0 0 116
## LF 0 3 21 6 0 0 0 30
## LLE 0 8 88 39 1 0 0 136
## M 0 11 166 99 10 0 0 286
## NI 6 55 642 433 27 0 0 1163
## NIV 0 4 49 35 2 0 0 90
## P 1 7 16 20 2 1 0 47
## PT 0 4 53 35 2 0 0 94
## SSI 0 0 4 5 0 0 0 9
## T 0 9 5 0 2 0 0 16
## TDS 0 11 124 65 4 0 0 204
## TG 0 18 208 176 20 2 0 424
## Sum 25 380 3698 2445 211 7 1 6767Tabla de frecuencias relativas por columnas
round(prop.table(dt,2)*100,2)## X0 X1 X2 X3 X4 X5 X6
## AE 0.00 7.89 9.55 7.98 9.95 0.00 0.00
## AEV 8.00 2.89 3.62 4.25 2.37 14.29 0.00
## ARQ 0.00 3.42 4.27 4.34 3.32 0.00 0.00
## CP 8.00 14.21 9.38 5.64 3.79 14.29 0.00
## CS 4.00 3.95 4.49 5.24 6.64 0.00 0.00
## CYT 0.00 2.63 4.11 7.03 9.95 0.00 100.00
## GA 0.00 0.26 0.03 0.20 0.00 0.00 0.00
## GC 0.00 0.26 0.43 0.70 1.42 0.00 0.00
## GE 4.00 2.37 0.81 0.82 0.00 0.00 0.00
## GEM 8.00 3.16 2.22 2.29 0.47 14.29 0.00
## GETH 16.00 6.84 4.38 5.85 10.43 14.29 0.00
## HYT 8.00 6.05 6.00 6.09 8.53 0.00 0.00
## II 12.00 5.53 6.52 5.69 3.79 0.00 0.00
## IM 0.00 2.89 4.95 5.60 4.27 0.00 0.00
## IT 4.00 3.42 2.03 0.94 1.90 0.00 0.00
## LF 0.00 0.79 0.57 0.25 0.00 0.00 0.00
## LLE 0.00 2.11 2.38 1.60 0.47 0.00 0.00
## M 0.00 2.89 4.49 4.05 4.74 0.00 0.00
## NI 24.00 14.47 17.36 17.71 12.80 0.00 0.00
## NIV 0.00 1.05 1.33 1.43 0.95 0.00 0.00
## P 4.00 1.84 0.43 0.82 0.95 14.29 0.00
## PT 0.00 1.05 1.43 1.43 0.95 0.00 0.00
## SSI 0.00 0.00 0.11 0.20 0.00 0.00 0.00
## T 0.00 2.37 0.14 0.00 0.95 0.00 0.00
## TDS 0.00 2.89 3.35 2.66 1.90 0.00 0.00
## TG 0.00 4.74 5.62 7.20 9.48 28.57 0.00De esta tabla se puede evidenciar que en la mayoria de estratos prevalecen los programas de NI y CP
Tabla de frecuencias relativas por filas
round(prop.table(dt,1)*100,2)## X0 X1 X2 X3 X4 X5 X6
## AE 0.00 5.01 58.93 32.55 3.51 0.00 0.00
## AEV 0.78 4.28 52.14 40.47 1.95 0.39 0.00
## ARQ 0.00 4.58 55.63 37.32 2.46 0.00 0.00
## CP 0.36 9.82 63.09 25.09 1.45 0.18 0.00
## CS 0.31 4.63 51.23 39.51 4.32 0.00 0.00
## CYT 0.00 2.81 42.70 48.31 5.90 0.00 0.28
## GA 0.00 14.29 14.29 71.43 0.00 0.00 0.00
## GC 0.00 2.70 43.24 45.95 8.11 0.00 0.00
## GE 1.67 15.00 50.00 33.33 0.00 0.00 0.00
## GEM 1.30 7.79 53.25 36.36 0.65 0.65 0.00
## GETH 1.12 7.26 45.25 39.94 6.15 0.28 0.00
## HYT 0.48 5.56 53.62 35.99 4.35 0.00 0.00
## II 0.73 5.10 58.50 33.74 1.94 0.00 0.00
## IM 0.00 3.24 53.82 40.29 2.65 0.00 0.00
## IT 0.86 11.21 64.66 19.83 3.45 0.00 0.00
## LF 0.00 10.00 70.00 20.00 0.00 0.00 0.00
## LLE 0.00 5.88 64.71 28.68 0.74 0.00 0.00
## M 0.00 3.85 58.04 34.62 3.50 0.00 0.00
## NI 0.52 4.73 55.20 37.23 2.32 0.00 0.00
## NIV 0.00 4.44 54.44 38.89 2.22 0.00 0.00
## P 2.13 14.89 34.04 42.55 4.26 2.13 0.00
## PT 0.00 4.26 56.38 37.23 2.13 0.00 0.00
## SSI 0.00 0.00 44.44 55.56 0.00 0.00 0.00
## T 0.00 56.25 31.25 0.00 12.50 0.00 0.00
## TDS 0.00 5.39 60.78 31.86 1.96 0.00 0.00
## TG 0.00 4.25 49.06 41.51 4.72 0.47 0.00De esta tabla se puede evidenciar que los estratos que prevalecen en todos los programas son el estrato 2 y 3.
Tabla de frecuencias relativas total.
round(prop.table(dt)*100,2)## X0 X1 X2 X3 X4 X5 X6
## AE 0.00 0.44 5.22 2.88 0.31 0.00 0.00
## AEV 0.03 0.16 1.98 1.54 0.07 0.01 0.00
## ARQ 0.00 0.19 2.33 1.57 0.10 0.00 0.00
## CP 0.03 0.80 5.13 2.04 0.12 0.01 0.00
## CS 0.01 0.22 2.45 1.89 0.21 0.00 0.00
## CYT 0.00 0.15 2.25 2.54 0.31 0.00 0.01
## GA 0.00 0.01 0.01 0.07 0.00 0.00 0.00
## GC 0.00 0.01 0.24 0.25 0.04 0.00 0.00
## GE 0.01 0.13 0.44 0.30 0.00 0.00 0.00
## GEM 0.03 0.18 1.21 0.83 0.01 0.01 0.00
## GETH 0.06 0.38 2.39 2.11 0.33 0.01 0.00
## HYT 0.03 0.34 3.28 2.20 0.27 0.00 0.00
## II 0.04 0.31 3.56 2.05 0.12 0.00 0.00
## IM 0.00 0.16 2.70 2.02 0.13 0.00 0.00
## IT 0.01 0.19 1.11 0.34 0.06 0.00 0.00
## LF 0.00 0.04 0.31 0.09 0.00 0.00 0.00
## LLE 0.00 0.12 1.30 0.58 0.01 0.00 0.00
## M 0.00 0.16 2.45 1.46 0.15 0.00 0.00
## NI 0.09 0.81 9.49 6.40 0.40 0.00 0.00
## NIV 0.00 0.06 0.72 0.52 0.03 0.00 0.00
## P 0.01 0.10 0.24 0.30 0.03 0.01 0.00
## PT 0.00 0.06 0.78 0.52 0.03 0.00 0.00
## SSI 0.00 0.00 0.06 0.07 0.00 0.00 0.00
## T 0.00 0.13 0.07 0.00 0.03 0.00 0.00
## TDS 0.00 0.16 1.83 0.96 0.06 0.00 0.00
## TG 0.00 0.27 3.07 2.60 0.30 0.03 0.00De esta tabla se puede evidenciar que la combianción que más prevalece es NI con estrato 2.
Grafico de balones.
library(gplots)##
## Attaching package: 'gplots'## The following object is masked from 'package:stats':
##
## lowessballoonplot(t(dt), main ="Base 1", xlab ="", ylab="",
label = FALSE, show.margins = FALSE, label.size = 1)
Gráfico de barras de los perfiles
library(reshape)
library(lattice)
datosf <- melt(prop.table(dt))
barchart(value ~ X1|X2, data = datosf, layout=c(4,1), xlab="Programa", main="Perfiles Fila")
Gráfico de barras de los perfiles
library(reshape)
library(lattice)
datosf <- melt(prop.table(dt))
barchart(value ~ X2|X1, data = datosf, layout=c(4,1), xlab="Estrato", main="Perfiles Columna")
Biplot
library("FactoMineR")
library("factoextra")
res.ca <- CA(base1, graph = FALSE)
fviz_ca_biplot(res.ca, repel = TRUE)
fviz_ca_biplot(res.ca,
map="rowprincipal", arrow=c(TRUE,TRUE),
repel=TRUE)
Análisis de los resultados
De acuerdo a los resultados se evidencia que hay una marcada tendencia a que los individuos se situen en lso estratos 2 y 3 en todos los programas esto se evidencia en la gráfica biplot, ya que la mayoría de datos se encuentra en el origen y lo que demuestra en algunos casos muy puntuales son algunos datos atípicos.
Respecto al análisis se evidencia una relación entre el programa T y el estrato 1, esta como la unica aosciación que se puede evidenciar claramente con los resultados.
Prueba de chi cuadrado
Teneindo en cuenta el resultado se rechaza la hipotesis teniendo en cuenta que el Pvalor es menor al 5%, por lo tanto las variables son dependientes.
chisq <- chisq.test(base1)
chisq##
## Pearson's Chi-squared test
##
## data: base1
## X-squared = 392.99, df = 150, p-value < 2.2e-16