actualizacion practico4

assignment/03-practico.qmd

@@ -1,6 +1,6 @@
 ---
 title: "Práctica 3. Procesamiento, limpieza y manipulación de datos en R"
-date: "2023-05-11"
+date: "2024-05-11"
 lang: es
 output:
   number_sections: true
@@ -404,7 +404,7 @@ select(proc_elsoc, ingreso, ingreso_minimo) #veamosla!
 Este último paso es bastante sencillo, solo debemos especificar la base que queremos guadar y su ruta:
 
 ```{r collapse=FALSE}
-saveRDS(proc_elsoc, file = "output/datos_proc.Rdata")
+save(proc_elsoc,file="output/proc_elsoc.Rdata")
 ```
 
 

assignment/04-practico.qmd

@@ -1,6 +1,6 @@
 ---
 title: "Práctica 4. Análisis descriptivo de datos en R"
-date: "2024-05-05"
+date: "2024-05-15"
 lang: es
 output:
   number_sections: true
@@ -75,15 +75,13 @@ En este práctico utilizaremos los siguientes paquetes:
 6.  `sjPlot`: para tablas cruzadas o de contingencia
 
 
-
 ```{r echo=TRUE}
 pacman::p_load(tidyverse, # colección de paquetes para manipulación de datos
                dplyr, # para manipular datos
                psych, # para analizar datos
                sjmisc, # para analizar datos
                sjPlot) # para tablas de contingencia
 
-
 options(scipen = 999) # para desactivar notacion cientifica
 rm(list = ls()) # para limpiar el entorno de trabajo
 ```
@@ -93,17 +91,20 @@ rm(list = ls()) # para limpiar el entorno de trabajo
 Usamos los datos creados en el procesamiento que se encuentran guardados en la carpeta output.
 
 ```{r collapse=FALSE}
-datos_proc <- readRDS("output/datos_proc.Rdata")
+load("output/proc_elsoc.Rdata")
 ```
 
+```{r eval=FALSE}
+load(url("https://github.com/cursos-metodos-facso/descriptiva/raw/main/assignment/output/proc_elsoc.Rdata"))
+```
 
 ## 3 Explorar datos 
 
 ```{r eval = F}
-View(datos_proc) # Ver datos
-names(datos_proc) # Nombre de columnas
-dim(datos_proc) # Dimensiones
-str(datos_proc) # Estructura de los datos (las clases y categorias de repuesta)
+View(proc_elsoc) # Ver datos
+names(proc_elsoc) # Nombre de columnas
+dim(proc_elsoc) # Dimensiones
+str(proc_elsoc) # Estructura de los datos (las clases y categorias de repuesta)
 ```
 En este caso, nuestra base de datos procesada tiene 496 casos y 9 variables.
 
@@ -120,19 +121,18 @@ Cuando tenemos variables catégoricas, sean nominales u ordinales, podemos utili
 Para las variables nominales podemos usar tablas de frecuencias absolutas y relativas, y con ellas conocer la moda, es dedir, el valor con mayor cantidad de observaciones. Para ello, una manera sencilla de hacerlo es mediante la función `table` de R.
 
 ```{r eval=TRUE, collapse=FALSE}
-table(datos_proc$sexo)
+table(proc_elsoc$sexo)
 
-table(datos_proc$ingreso_minimo)
+table(proc_elsoc$ingreso_minimo)
 
-table(datos_proc$autor_democ)
+table(proc_elsoc$autor_democ)
 ```
 
 Lo anterior nos entrega la frecuencia absoluta de las variables. Con ello, podemos observar que, en cuanto la preferencias entre autoritarismo y democracia, la mayoría de nuestros casos se concentran en "La democracia es preferible a cualquier otra forma de gobierno". Para conocer la frecuencia relativa o porcentual de estas podemos utilizar el comando `prop.table`.
 
 ```{r eval=TRUE, include=TRUE, collapse=FALSE}
-(freq_table1 <-table(datos_proc$autor_democ))
+(freq_table1 <-table(proc_elsoc$autor_democ))
 prop.table(freq_table1)*100 
-
 ```
 Así, podemos sostener que un 57,9% de los casos concideran que la democracia es preferible a cualquier otra forma de gobierno.
 
@@ -141,7 +141,7 @@ Así, podemos sostener que un 57,9% de los casos concideran que la democracia es
 Mientras que si trabajamos con variables ordinales, podemos usar también la frecuencia acumulada:
 
 ```{r eval=TRUE, include=TRUE, collapse=FALSE}
-(freq_table2 <- table(datos_proc$tramo_ingreso))
+(freq_table2 <- table(proc_elsoc$tramo_ingreso))
 (freq_table3 <- prop.table(freq_table2)*100)
 cumsum(freq_table3)
 
@@ -153,7 +153,7 @@ A partir de este estadístico, podemos ver que un 55% de los casos se ubican deb
 También podemos unir todas estas frecuencias en una sola tabla:
 
 ```{r eval=TRUE, include=TRUE, collapse=FALSE}
-tbl3 <- table(datos_proc$tramo_ingreso)
+tbl3 <- table(proc_elsoc$tramo_ingreso)
 cbind(Freq=tbl3, relat = prop.table(tbl3)*100, Cum = cumsum(tbl3))
 ```
 
@@ -162,7 +162,7 @@ Otra manera de calcular frecuencias (absolutas, relativas y acumuladas) en R, es
 
 ```{r eval=TRUE, include=TRUE, collapse=FALSE}
 
-sjmisc::frq(datos_proc$tramo_ingreso)
+sjmisc::frq(proc_elsoc$tramo_ingreso)
 
 ```
 
@@ -172,17 +172,17 @@ También podemos cruzar dos variables mediante las llamadas tablas de contingenc
 
 ```{r eval=TRUE, include=TRUE, collapse=FALSE}
 
-sjt.xtab(datos_proc$sexo, datos_proc$tramo_edad)
+sjt.xtab(proc_elsoc$sexo, proc_elsoc$tramo_edad)
 
-sjt.xtab(datos_proc$sexo, datos_proc$tramo_edad,
+sjt.xtab(proc_elsoc$sexo, proc_elsoc$tramo_edad,
          show.cell.prc = TRUE, #fila y columna
          show.summary = FALSE) 
 
-sjt.xtab(datos_proc$sexo, datos_proc$tramo_edad,
+sjt.xtab(proc_elsoc$sexo, proc_elsoc$tramo_edad,
          show.row.prc = TRUE, #solo fila
          show.summary = FALSE) 
 
-sjt.xtab(datos_proc$sexo, datos_proc$tramo_edad,
+sjt.xtab(proc_elsoc$sexo, proc_elsoc$tramo_edad,
          show.col.prc=TRUE, #solo columna
          show.summary=FALSE) 
 
@@ -219,7 +219,7 @@ En R existen distintas formas de cálcular este tipo de estadísticos descriptiv
 Podemos obtener rapidamente un resumen de los datos con la funcion `summary` de R
 
 ```{r eval=TRUE}
-summary(datos_proc$ingreso)
+summary(proc_elsoc$ingreso)
 ```
 
 Con esto podemos ver que el promedio o media aritmética del ingreso individual de los entrevistados de nuestra base es de $679.514, mientras que la mediana es de 500.000 pesos. 
@@ -232,7 +232,7 @@ Sin embargo, aunque es informativo, no nos entrega toda la información que quis
 
 ```{r eval=TRUE}
 
-psych::describe(datos_proc$ingreso,
+psych::describe(proc_elsoc$ingreso,
                 quant = c(.25,.75),
                 IQR = T)
 
@@ -255,7 +255,7 @@ Otra manera de obtener todos los estadísticos que necesitamos es utilizando `dp
 
 ```{r eval=TRUE}
 
-datos_proc %>% 
+proc_elsoc %>% 
   summarise(media = mean(ingreso),
             mediana = median(ingreso),
             q1 = quantile(ingreso, probs = .25),