diff --git a/assignment/03-practico.qmd b/assignment/03-practico.qmd
index 762e281..fe7cc39 100644
--- a/assignment/03-practico.qmd
+++ b/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")
```
diff --git a/assignment/04-practico.qmd b/assignment/04-practico.qmd
index 78a3961..deaa060 100644
--- a/assignment/04-practico.qmd
+++ b/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
@@ -75,7 +75,6 @@ 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
@@ -83,7 +82,6 @@ pacman::p_load(tidyverse, # colección de paquetes para manipulación de 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),
diff --git a/assignment/output/proc_elsoc.Rdata b/assignment/output/proc_elsoc.Rdata
new file mode 100644
index 0000000..3e9c776
Binary files /dev/null and b/assignment/output/proc_elsoc.Rdata differ
diff --git a/docs/404.html b/docs/404.html
index d956ac2..956d408 100644
--- a/docs/404.html
+++ b/docs/404.html
@@ -2,7 +2,7 @@
-
+
@@ -47,13 +47,7 @@
"collapse-after": 3,
"panel-placement": "end",
"type": "overlay",
- "limit": 50,
- "keyboard-shortcut": [
- "f",
- "/",
- "s"
- ],
- "show-item-context": false,
+ "limit": 20,
"language": {
"search-no-results-text": "No results",
"search-matching-documents-text": "matching documents",
@@ -62,7 +56,6 @@
"search-more-match-text": "more match in this document",
"search-more-matches-text": "more matches in this document",
"search-clear-button-title": "Clear",
- "search-text-placeholder": "",
"search-detached-cancel-button-title": "Cancel",
"search-submit-button-title": "Submit",
"search-label": "Search"
@@ -73,7 +66,7 @@
-
+
@@ -91,9 +84,9 @@