3.2 ¿Qué tipos de datos encontramos en R?
-Para responder esta pregunta, ¡metamos nuestras manos en los datos!. En esta oportunidad trabajaremos sobre un subset de datos del Modulo de Desigualdad Social de la encuesta International Social Survey Programme del 2019. Esta base la descargaremos directamente desde internet por esta vez (en futuras sesiones aprenderemos cómo cargar bases de datos).
+Para responder esta pregunta, exploremos algunos datos. En esta oportunidad trabajaremos con el Estudio Longitudinal Social de Chile, que es una encuesta desarrollada para analizar intertemporalmente la evolución del conflicto y cohesión en la sociedad chilena, basándose en modelos conceptuales descritos en la literatura nacional e internacional que abordan dichas materias. Se orienta a examinar los principales antecedentes, factores moderadores y mediadores, así como las principales consecuencias asociadas al desarrollo de distintas formas de conflicto y cohesión social en Chile. Su objetivo fundamental es constituirse en un insumo empírico para la comprensión de las creencias, actitudes y percepciones de los chilenos hacia las distintas dimensiones de la convivencia y el conflicto, y como éstas cambian a lo largo del tiempo.
+
+
+
+Importar datos
+En R es es posible importar y exportar datos que se encuentren en cualquier formato: ya sea .csv, .dta, .sav, .xlsx y, por supuesto, .rds y .RData. Sin embargo, para poder hacerlo, lo primero es instalar y cargar las librerías que contienen las funciones necesarias para la importación de distintos tipos de archivos.
+Pero, ¿dónde están mis datos? Como hemos mencionado, nuestros datos los dejaremos en la carpeta input/data de nuestro proyecto. La base con la que trabajaremos en este práctico pueden encontrarla en la página oficial de ELSOC en este enlace.
+Luego de descargar la base de datos, asegurate de dejar el archivo .sav en la carpeta input/data de tu proyecto. Nota: Los datos tendrán distinto nombre según su formato (.sav, .csv, .dta, etc.).
+Una vez descargados los datos, procedemos a importar nuestra base de datos. Para ello, en nuestro script, dejamos indicado que a partir de la lectura de los datos con load(), crearemos un objeto que contiene la base de datos. Fijate en el Enviroment, ya que si lo anterior se logra, el objeto aparecerá allí.
+La estructura general para importar datos es la siguiente:
+read_*("ruta_hacia_archivo/nombre_archivo.*")
+Sin embargo, por esta vez podemos descargar la base desde internet
-
#cargamos la base de datos desde internet
-
-load(url("https://github.com/Andreas-Lafferte/descriptiva/blob/main/data/db-proc.RData?raw=true"))
-
-head(rand_df) # ver primeros casos de la base
-
-
pais edad sexo ideologia percepcion_conflictos
-1 Suiza 23 Hombre Izquierda 2
-2 Chile 27 Mujer Sin identificación 2
-3 Rusia 43 Mujer Sin identificación 1
-4 Finlandia 71 Mujer Sin identificación 1
-5 Japon 54 Mujer Izquierda 2
-6 Lituania 67 Mujer Sin identificación 1
+
load(url(("https://github.com/cursos-metodos-facso/metod1-MCS/raw/main/resource/files/ELSOC_W05_v1.0_R.RData"))
+
+
+
+
+
Para importar los datos en R debemos tener en consideración tres cosas:
+
+Cómo se llaman los datos (en nuestro caso ELSOC_W05_v1.0_SPSS)
El formato de nuestros datos (en nuestro caso .sav)
El lugar de donde están alojados nuestros datos
+
+
+
+
+
+Explorar datos
+Lo más probable es que no trabajemos con todos los datos que importamos, por lo que debemos seleccionar aquellas variables con las que trabajaremos para nuestro problema de investigación (cualquiera sea).
+Pero, para ello primero debemos explorar nuestros datos. En R, las funciones más comunes para explorar datos son:
+
+
View(elsoc_2021) # Ver datos
+names(elsoc_2021) # Nombre de columnas
+dim(elsoc_2021) # Dimensiones
+
Tenemos una base de datos con 2740 casos o filas y con 311 variables o columnas.
+
+
+Cargar librerías
+En R se trabaja a partir de paquetes (packages). ¿Qué son? De forma resumida, los paquetes son un conjunto de funciones o herramientas que pueden ser usadas en R. Los directorios de R donde se almacenan los paquetes se denominan librerías. La lógica es instalar paquetes y luego cargar (o llamar) las librerías cada vez que es necesario usarlas.
+Usualmente para cargar paquetes lo hacemos de la siguiente manera:
+
+
install.packages("paquete")
+library(paquete)
Pero en esta ocasión utilizaremos un paquete llamado pacman, que facilita y agiliza la lectura (instalación y carga) de los paquetes a utilizar en R. De esta forma lo instalamos 1 única vez así:
+
+
install.packages("pacman")
+library(pacman)
Luego instalaremos y cargaremos los paquetes de R de la siguiente manera, volviendo más eficiente el procedimiento de carga de paquetes.
+En este práctico utilizaremos seis paquetes
+
+pacman: este facilita y agiliza la lectura de los paquetes a utilizar en R
tidyverse: colección de paquetes, de la cual utilizaremos dplyr y haven
dplyr: nos permite seleccionar variables de un set de datos
haven: cargar y exportar bases de datos en formatos .sav y .dta
car: para recodificar/agrupar valores de variables
+
+
pacman::p_load(dplyr, # para manipular datos
+ car # para recodificar datos
+ )
+
Como se puede ver, antes de la función p_load hay un ::, esto se refiere a que se “fuerza” que esa función provenga de ese paquete (en este caso del paquete pacman).
+
+
+Tipos de datos
I) Character
Los datos character están directamente asociados a las variables cualitativas (o categóricas). Generalmente suelen ser variables de texto abierto, como es el caso de la variable pais, que detalla el país de procedencia de la persona encuestada.
Para conocer cuál es el tipo de variable en R, utilizamos el comando class(), y para detallar dentro de la base de datos cuál es la variable de interés, utilizamos el símbolo $ posterior a la base de datos:
-
class(rand_df$pais) # siempre es la misma estructura = base$variable
+
class(elsoc_2021$comuna) # siempre es la misma estructura = base$variable
@@ -505,11 +601,11 @@
I) Character
II) Factor
Las variables de tipo factor son ideales para trabajar con variables de tipo nominal u ordinal. Esto es así debido a que permiten establecer un orden entre las categorías de la variable, lo cual es fundamental si trabajamos, por ejemplo, con variables nominales como el sexo de los encuestados, o si trabajamos con variables ordinales como su ideología política.
-
+
class(elsoc_2021$m0_sexo)
-
+
class(elsoc_2021$m38) #religion
@@ -519,7 +615,7 @@
II) Factor
III) Numeric
Las variables de tipo numeric son variables de tipo númerica, las cuales pueden ser intervales o de razón. Así, por ejemplo, cuando trabajamos con variables de razón trabajamos con variables como el número de hijos o la edad (aunque sería extraño encuestar a alguien con 0 años).
-
+
class(elsoc_2021$m0_edad)
@@ -527,41 +623,6 @@
III) Numeric
-
-4. Cargar librerías
-En R se trabaja a partir de paquetes (packages). ¿Qué son? De forma resumida, los paquetes son un conjunto de funciones o herramientas que pueden ser usadas en R. Los directorios de R donde se almacenan los paquetes se denominan librerías. La lógica es instalar paquetes y luego cargar (o llamar) las librerías cada vez que es necesario usarlas.
-Usualmente para cargar paquetes lo hacemos de la siguiente manera:
-
-
install.packages("paquete")
-library(paquete)
-
Pero en esta ocasión utilizaremos un paquete llamado pacman, que facilita y agiliza la lectura (instalación y carga) de los paquetes a utilizar en R. De esta forma lo instalamos 1 única vez así:
-
-
install.packages("pacman")
-library(pacman)
-
Luego instalaremos y cargaremos los paquetes de R de la siguiente manera, volviendo más eficiente el procedimiento de carga de paquetes.
-En este práctico utilizaremos seis paquetes
-
-pacman: este facilita y agiliza la lectura de los paquetes a utilizar en R
tidyverse: colección de paquetes, de la cual utilizaremos dplyr y haven
dplyr: nos permite seleccionar variables de un set de datos
haven: cargar y exportar bases de datos en formatos .sav y .dta
car: para recodificar/agrupar valores de variables
-
-
pacman::p_load(tidyverse, # colección de paquetes para manipulación de datos
- dplyr, # para manipular datos
- haven, # para importar datos
- car # para recodificar datos
- )
-
-options(scipen = 999) # para desactivar notacion cientifica
-rm(list = ls()) # para limpiar el entorno de trabajo
-
Como se puede ver, antes de la función p_load hay un ::, esto se refiere a que se “fuerza” que esa función provenga de ese paquete (en este caso del paquete pacman).
-
-
Resumen
Hoy aprendimos distintas herramientas básicas para utilizar el lenguaje y ambiente R. Como resumen:
@@ -602,9 +663,23 @@ Resumen
icon: icon
};
anchorJS.add('.anchored');
+ const isCodeAnnotation = (el) => {
+ for (const clz of el.classList) {
+ if (clz.startsWith('code-annotation-')) {
+ return true;
+ }
+ }
+ return false;
+ }
const clipboard = new window.ClipboardJS('.code-copy-button', {
- target: function(trigger) {
- return trigger.previousElementSibling;
+ text: function(trigger) {
+ const codeEl = trigger.previousElementSibling.cloneNode(true);
+ for (const childEl of codeEl.children) {
+ if (isCodeAnnotation(childEl)) {
+ childEl.remove();
+ }
+ }
+ return codeEl.innerText;
}
});
clipboard.on('success', function(e) {
@@ -669,6 +744,92 @@ Resumen
return note.innerHTML;
});
}
+ let selectedAnnoteEl;
+ const selectorForAnnotation = ( cell, annotation) => {
+ let cellAttr = 'data-code-cell="' + cell + '"';
+ let lineAttr = 'data-code-annotation="' + annotation + '"';
+ const selector = 'span[' + cellAttr + '][' + lineAttr + ']';
+ return selector;
+ }
+ const selectCodeLines = (annoteEl) => {
+ const doc = window.document;
+ const targetCell = annoteEl.getAttribute("data-target-cell");
+ const targetAnnotation = annoteEl.getAttribute("data-target-annotation");
+ const annoteSpan = window.document.querySelector(selectorForAnnotation(targetCell, targetAnnotation));
+ const lines = annoteSpan.getAttribute("data-code-lines").split(",");
+ const lineIds = lines.map((line) => {
+ return targetCell + "-" + line;
+ })
+ let top = null;
+ let height = null;
+ let parent = null;
+ if (lineIds.length > 0) {
+ //compute the position of the single el (top and bottom and make a div)
+ const el = window.document.getElementById(lineIds[0]);
+ top = el.offsetTop;
+ height = el.offsetHeight;
+ parent = el.parentElement.parentElement;
+ if (lineIds.length > 1) {
+ const lastEl = window.document.getElementById(lineIds[lineIds.length - 1]);
+ const bottom = lastEl.offsetTop + lastEl.offsetHeight;
+ height = bottom - top;
+ }
+ if (top !== null && height !== null && parent !== null) {
+ // cook up a div (if necessary) and position it
+ let div = window.document.getElementById("code-annotation-line-highlight");
+ if (div === null) {
+ div = window.document.createElement("div");
+ div.setAttribute("id", "code-annotation-line-highlight");
+ div.style.position = 'absolute';
+ parent.appendChild(div);
+ }
+ div.style.top = top - 2 + "px";
+ div.style.height = height + 4 + "px";
+ let gutterDiv = window.document.getElementById("code-annotation-line-highlight-gutter");
+ if (gutterDiv === null) {
+ gutterDiv = window.document.createElement("div");
+ gutterDiv.setAttribute("id", "code-annotation-line-highlight-gutter");
+ gutterDiv.style.position = 'absolute';
+ const codeCell = window.document.getElementById(targetCell);
+ const gutter = codeCell.querySelector('.code-annotation-gutter');
+ gutter.appendChild(gutterDiv);
+ }
+ gutterDiv.style.top = top - 2 + "px";
+ gutterDiv.style.height = height + 4 + "px";
+ }
+ selectedAnnoteEl = annoteEl;
+ }
+ };
+ const unselectCodeLines = () => {
+ const elementsIds = ["code-annotation-line-highlight", "code-annotation-line-highlight-gutter"];
+ elementsIds.forEach((elId) => {
+ const div = window.document.getElementById(elId);
+ if (div) {
+ div.remove();
+ }
+ });
+ selectedAnnoteEl = undefined;
+ };
+ // Attach click handler to the DT
+ const annoteDls = window.document.querySelectorAll('dt[data-target-cell]');
+ for (const annoteDlNode of annoteDls) {
+ annoteDlNode.addEventListener('click', (event) => {
+ const clickedEl = event.target;
+ if (clickedEl !== selectedAnnoteEl) {
+ unselectCodeLines();
+ const activeEl = window.document.querySelector('dt[data-target-cell].code-annotation-active');
+ if (activeEl) {
+ activeEl.classList.remove('code-annotation-active');
+ }
+ selectCodeLines(clickedEl);
+ clickedEl.classList.add('code-annotation-active');
+ } else {
+ // Unselect the line
+ unselectCodeLines();
+ clickedEl.classList.remove('code-annotation-active');
+ }
+ });
+ }
const findCites = (el) => {
const parentEl = el.parentElement;
if (parentEl) {
@@ -712,6 +873,9 @@ Resumen
diff --git a/docs/resource/04-resource.html b/docs/resource/04-resource.html
index 24b105d..d0f8ffe 100644
--- a/docs/resource/04-resource.html
+++ b/docs/resource/04-resource.html
@@ -2,7 +2,7 @@
-
+
@@ -17,9 +17,10 @@
ul.task-list{list-style: none;}
ul.task-list li input[type="checkbox"] {
width: 0.8em;
- margin: 0 0.8em 0.2em -1.6em;
+ margin: 0 0.8em 0.2em -1em; /* quarto-specific, see https://github.com/quarto-dev/quarto-cli/issues/4556 */
vertical-align: middle;
}
+/* CSS for syntax highlighting */
pre > code.sourceCode { white-space: pre; position: relative; }
pre > code.sourceCode > span { display: inline-block; line-height: 1.25; }
pre > code.sourceCode > span:empty { height: 1.2em; }
@@ -46,43 +47,13 @@
-khtml-user-select: none; -moz-user-select: none;
-ms-user-select: none; user-select: none;
padding: 0 4px; width: 4em;
- color: #aaaaaa;
}
-pre.numberSource { margin-left: 3em; border-left: 1px solid #aaaaaa; padding-left: 4px; }
+pre.numberSource { margin-left: 3em; padding-left: 4px; }
div.sourceCode
{ }
@media screen {
pre > code.sourceCode > span > a:first-child::before { text-decoration: underline; }
}
-code span.al { color: #ff0000; font-weight: bold; } /* Alert */
-code span.an { color: #60a0b0; font-weight: bold; font-style: italic; } /* Annotation */
-code span.at { color: #7d9029; } /* Attribute */
-code span.bn { color: #40a070; } /* BaseN */
-code span.bu { color: #008000; } /* BuiltIn */
-code span.cf { color: #007020; font-weight: bold; } /* ControlFlow */
-code span.ch { color: #4070a0; } /* Char */
-code span.cn { color: #880000; } /* Constant */
-code span.co { color: #60a0b0; font-style: italic; } /* Comment */
-code span.cv { color: #60a0b0; font-weight: bold; font-style: italic; } /* CommentVar */
-code span.do { color: #ba2121; font-style: italic; } /* Documentation */
-code span.dt { color: #902000; } /* DataType */
-code span.dv { color: #40a070; } /* DecVal */
-code span.er { color: #ff0000; font-weight: bold; } /* Error */
-code span.ex { } /* Extension */
-code span.fl { color: #40a070; } /* Float */
-code span.fu { color: #06287e; } /* Function */
-code span.im { color: #008000; font-weight: bold; } /* Import */
-code span.in { color: #60a0b0; font-weight: bold; font-style: italic; } /* Information */
-code span.kw { color: #007020; font-weight: bold; } /* Keyword */
-code span.op { color: #666666; } /* Operator */
-code span.ot { color: #007020; } /* Other */
-code span.pp { color: #bc7a00; } /* Preprocessor */
-code span.sc { color: #4070a0; } /* SpecialChar */
-code span.ss { color: #bb6688; } /* SpecialString */
-code span.st { color: #4070a0; } /* String */
-code span.va { color: #19177c; } /* Variable */
-code span.vs { color: #4070a0; } /* VerbatimString */
-code span.wa { color: #60a0b0; font-weight: bold; font-style: italic; } /* Warning */
@@ -120,7 +91,8 @@
"search-more-matches-text": "resultados adicionales en este documento",
"search-clear-button-title": "Borrar",
"search-detached-cancel-button-title": "Cancelar",
- "search-submit-button-title": "Enviar"
+ "search-submit-button-title": "Enviar",
+ "search-label": "Buscar"
}
}
@@ -153,33 +125,35 @@
Metodología I - MCS
-
@@ -323,185 +297,750 @@
Descriptivos
valid.col = T, # n valido
col.widths = c(1000,10,10,10,10,10)), method="render")
-
-
-
-
-
-
-
-
-
-
-
-
- | Variable |
- Label |
- Stats / Values |
- Freqs (% of Valid) |
- Valid |
- Missing |
-
-
-
-
- | apoyo_autoritarismo
-[numeric] |
- |
- | Mean (sd) : 2.2 (0.9) | | min ≤ med ≤ max: | | 1 ≤ 2 ≤ 4 | | IQR (CV) : 2 (0.4) |
|
- | 1 | : | 289 | ( | 26.2% | ) | | 2 | : | 453 | ( | 41.1% | ) | | 3 | : | 265 | ( | 24.0% | ) | | 4 | : | 96 | ( | 8.7% | ) |
|
- 1103
-(91.9%) |
- 97
-(8.1%) |
-
-
- | conf_fa
-[numeric] |
- Confianza: Fuerzas armadas |
- | Mean (sd) : 2.1 (1) | | min ≤ med ≤ max: | | 1 ≤ 2 ≤ 4 | | IQR (CV) : 2 (0.5) |
|
- | 1 | : | 372 | ( | 31.7% | ) | | 2 | : | 412 | ( | 35.1% | ) | | 3 | : | 278 | ( | 23.7% | ) | | 4 | : | 113 | ( | 9.6% | ) |
|
- 1175
-(97.9%) |
- 25
-(2.1%) |
-
-
- | conf_pol
-[numeric] |
- Confianza: Policías |
- | Mean (sd) : 2 (0.9) | | min ≤ med ≤ max: | | 1 ≤ 2 ≤ 4 | | IQR (CV) : 2 (0.5) |
|
- | 1 | : | 457 | ( | 38.8% | ) | | 2 | : | 363 | ( | 30.8% | ) | | 3 | : | 280 | ( | 23.8% | ) | | 4 | : | 77 | ( | 6.5% | ) |
|
- 1177
-(98.1%) |
- 23
-(1.9%) |
-
-
- | conf_iglesia
-[numeric] |
- Confianza: Iglesia |
- | Mean (sd) : 2 (1) | | min ≤ med ≤ max: | | 1 ≤ 2 ≤ 4 | | IQR (CV) : 2 (0.5) |
|
- | 1 | : | 463 | ( | 40.2% | ) | | 2 | : | 339 | ( | 29.5% | ) | | 3 | : | 263 | ( | 22.8% | ) | | 4 | : | 86 | ( | 7.5% | ) |
|
- 1151
-(95.9%) |
- 49
-(4.1%) |
-
-
- | conf_cong
-[numeric] |
- Confianza: Congreso |
- | Mean (sd) : 1.6 (0.7) | | min ≤ med ≤ max: | | 1 ≤ 1 ≤ 4 | | IQR (CV) : 1 (0.4) |
|
- | 1 | : | 628 | ( | 53.3% | ) | | 2 | : | 408 | ( | 34.6% | ) | | 3 | : | 134 | ( | 11.4% | ) | | 4 | : | 8 | ( | 0.7% | ) |
|
- 1178
-(98.2%) |
- 22
-(1.8%) |
-
-
- | conf_gob
-[numeric] |
- Confianza: Gobierno |
- | Mean (sd) : 1.7 (0.8) | | min ≤ med ≤ max: | | 1 ≤ 1 ≤ 4 | | IQR (CV) : 1 (0.5) |
|
- | 1 | : | 624 | ( | 52.8% | ) | | 2 | : | 358 | ( | 30.3% | ) | | 3 | : | 176 | ( | 14.9% | ) | | 4 | : | 23 | ( | 1.9% | ) |
|
- 1181
-(98.4%) |
- 19
-(1.6%) |
-
-
- | conf_jud
-[numeric] |
- Confianza: Poder judicial |
- | Mean (sd) : 1.7 (0.8) | | min ≤ med ≤ max: | | 1 ≤ 2 ≤ 4 | | IQR (CV) : 1 (0.5) |
|
- | 1 | : | 556 | ( | 46.9% | ) | | 2 | : | 438 | ( | 36.9% | ) | | 3 | : | 164 | ( | 13.8% | ) | | 4 | : | 28 | ( | 2.4% | ) |
|
- 1186
-(98.8%) |
- 14
-(1.2%) |
-
-
- | conf_partpol
-[numeric] |
- Confianza: Partidos politicos |
- | Mean (sd) : 1.5 (0.7) | | min ≤ med ≤ max: | | 1 ≤ 1 ≤ 4 | | IQR (CV) : 1 (0.5) |
|
- | 1 | : | 760 | ( | 64.5% | ) | | 2 | : | 313 | ( | 26.6% | ) | | 3 | : | 97 | ( | 8.2% | ) | | 4 | : | 8 | ( | 0.7% | ) |
|
- 1178
-(98.2%) |
- 22
-(1.8%) |
-
-
- | conf_presi
-[numeric] |
- Confianza: Presidente |
- | Mean (sd) : 1.7 (0.8) | | min ≤ med ≤ max: | | 1 ≤ 1 ≤ 4 | | IQR (CV) : 1 (0.5) |
|
- | 1 | : | 639 | ( | 54.2% | ) | | 2 | : | 337 | ( | 28.6% | ) | | 3 | : | 173 | ( | 14.7% | ) | | 4 | : | 29 | ( | 2.5% | ) |
|
- 1178
-(98.2%) |
- 22
-(1.8%) |
-
-
- | reeduc_1
-[numeric] |
- |
- | Mean (sd) : 5.1 (1.2) | | min ≤ med ≤ max: | | 1 ≤ 5 ≤ 7 | | IQR (CV) : 0 (0.2) |
|
- | 1 | : | 8 | ( | 0.7% | ) | | 2 | : | 53 | ( | 4.4% | ) | | 3 | : | 36 | ( | 3.0% | ) | | 4 | : | 161 | ( | 13.4% | ) | | 5 | : | 643 | ( | 53.6% | ) | | 6 | : | 109 | ( | 9.1% | ) | | 7 | : | 190 | ( | 15.8% | ) |
|
- 1200
-(100.0%) |
- 0
-(0.0%) |
-
-
- | sexo
-[numeric] |
- Sexo |
- |
- |
- 1200
-(100.0%) |
- 0
-(0.0%) |
-
-
- | edad
-[numeric] |
- Edad |
- | Mean (sd) : 44.5 (17) | | min ≤ med ≤ max: | | 18 ≤ 43 ≤ 89 | | IQR (CV) : 28 (0.4) |
|
- 69 distinct values |
- 1200
-(100.0%) |
- 0
-(0.0%) |
-
-
- | idenpa
-[numeric] |
- |
- 1 distinct value |
- |
- 1200
-(100.0%) |
- 0
-(0.0%) |
-
-
- | educacion
-[character] |
- Educación |
- | 1. Educacion basica | | 2. Educacion media | | 3. Educacion superior |
|
- | 97 | ( | 8.1% | ) | | 804 | ( | 67.0% | ) | | 299 | ( | 24.9% | ) |
|
- 1200
-(100.0%) |
- 0
-(0.0%) |
-
-
+
+
+
+
+
+
+
+| apoyo_autoritarismo [numeric] |
+ |
+
+
+
+| Mean (sd) : 2.2 (0.9) |
+
+
+| min ≤ med ≤ max: |
+
+
+| 1 ≤ 2 ≤ 4 |
+
+
+| IQR (CV) : 2 (0.4) |
+
+
+ |
+
+
+
+| 1 |
+: |
+289 |
+( |
+26.2% |
+) |
+
+
+| 2 |
+: |
+453 |
+( |
+41.1% |
+) |
+
+
+| 3 |
+: |
+265 |
+( |
+24.0% |
+) |
+
+
+| 4 |
+: |
+96 |
+( |
+8.7% |
+) |
+
+
+ |
+1103 (91.9%) |
+97 (8.1%) |
+
+
+| conf_fa [numeric] |
+Confianza: Fuerzas armadas |
+
+
+
+| Mean (sd) : 2.1 (1) |
+
+
+| min ≤ med ≤ max: |
+
+
+| 1 ≤ 2 ≤ 4 |
+
+
+| IQR (CV) : 2 (0.5) |
+
+
+ |
+
+
+
+| 1 |
+: |
+372 |
+( |
+31.7% |
+) |
+
+
+| 2 |
+: |
+412 |
+( |
+35.1% |
+) |
+
+
+| 3 |
+: |
+278 |
+( |
+23.7% |
+) |
+
+
+| 4 |
+: |
+113 |
+( |
+9.6% |
+) |
+
+
+ |
+1175 (97.9%) |
+25 (2.1%) |
+
+
+| conf_pol [numeric] |
+Confianza: Policías |
+
+
+
+| Mean (sd) : 2 (0.9) |
+
+
+| min ≤ med ≤ max: |
+
+
+| 1 ≤ 2 ≤ 4 |
+
+
+| IQR (CV) : 2 (0.5) |
+
+
+ |
+
+
+
+| 1 |
+: |
+457 |
+( |
+38.8% |
+) |
+
+
+| 2 |
+: |
+363 |
+( |
+30.8% |
+) |
+
+
+| 3 |
+: |
+280 |
+( |
+23.8% |
+) |
+
+
+| 4 |
+: |
+77 |
+( |
+6.5% |
+) |
+
+
+ |
+1177 (98.1%) |
+23 (1.9%) |
+
+
+| conf_iglesia [numeric] |
+Confianza: Iglesia |
+
+
+
+| Mean (sd) : 2 (1) |
+
+
+| min ≤ med ≤ max: |
+
+
+| 1 ≤ 2 ≤ 4 |
+
+
+| IQR (CV) : 2 (0.5) |
+
+
+ |
+
+
+
+| 1 |
+: |
+463 |
+( |
+40.2% |
+) |
+
+
+| 2 |
+: |
+339 |
+( |
+29.5% |
+) |
+
+
+| 3 |
+: |
+263 |
+( |
+22.8% |
+) |
+
+
+| 4 |
+: |
+86 |
+( |
+7.5% |
+) |
+
+
+ |
+1151 (95.9%) |
+49 (4.1%) |
+
+
+| conf_cong [numeric] |
+Confianza: Congreso |
+
+
+
+| Mean (sd) : 1.6 (0.7) |
+
+
+| min ≤ med ≤ max: |
+
+
+| 1 ≤ 1 ≤ 4 |
+
+
+| IQR (CV) : 1 (0.4) |
+
+
+ |
+
+
+
+| 1 |
+: |
+628 |
+( |
+53.3% |
+) |
+
+
+| 2 |
+: |
+408 |
+( |
+34.6% |
+) |
+
+
+| 3 |
+: |
+134 |
+( |
+11.4% |
+) |
+
+
+| 4 |
+: |
+8 |
+( |
+0.7% |
+) |
+
+
+ |
+1178 (98.2%) |
+22 (1.8%) |
+
+
+| conf_gob [numeric] |
+Confianza: Gobierno |
+
+
+
+| Mean (sd) : 1.7 (0.8) |
+
+
+| min ≤ med ≤ max: |
+
+
+| 1 ≤ 1 ≤ 4 |
+
+
+| IQR (CV) : 1 (0.5) |
+
+
+ |
+
+
+
+| 1 |
+: |
+624 |
+( |
+52.8% |
+) |
+
+
+| 2 |
+: |
+358 |
+( |
+30.3% |
+) |
+
+
+| 3 |
+: |
+176 |
+( |
+14.9% |
+) |
+
+
+| 4 |
+: |
+23 |
+( |
+1.9% |
+) |
+
+
+ |
+1181 (98.4%) |
+19 (1.6%) |
+
+
+| conf_jud [numeric] |
+Confianza: Poder judicial |
+
+
+
+| Mean (sd) : 1.7 (0.8) |
+
+
+| min ≤ med ≤ max: |
+
+
+| 1 ≤ 2 ≤ 4 |
+
+
+| IQR (CV) : 1 (0.5) |
+
+
+ |
+
+
+
+| 1 |
+: |
+556 |
+( |
+46.9% |
+) |
+
+
+| 2 |
+: |
+438 |
+( |
+36.9% |
+) |
+
+
+| 3 |
+: |
+164 |
+( |
+13.8% |
+) |
+
+
+| 4 |
+: |
+28 |
+( |
+2.4% |
+) |
+
+
+ |
+1186 (98.8%) |
+14 (1.2%) |
+
+
+| conf_partpol [numeric] |
+Confianza: Partidos politicos |
+
+
+
+| Mean (sd) : 1.5 (0.7) |
+
+
+| min ≤ med ≤ max: |
+
+
+| 1 ≤ 1 ≤ 4 |
+
+
+| IQR (CV) : 1 (0.5) |
+
+
+ |
+
+
+
+| 1 |
+: |
+760 |
+( |
+64.5% |
+) |
+
+
+| 2 |
+: |
+313 |
+( |
+26.6% |
+) |
+
+
+| 3 |
+: |
+97 |
+( |
+8.2% |
+) |
+
+
+| 4 |
+: |
+8 |
+( |
+0.7% |
+) |
+
+
+ |
+1178 (98.2%) |
+22 (1.8%) |
+
+
+| conf_presi [numeric] |
+Confianza: Presidente |
+
+
+
+| Mean (sd) : 1.7 (0.8) |
+
+
+| min ≤ med ≤ max: |
+
+
+| 1 ≤ 1 ≤ 4 |
+
+
+| IQR (CV) : 1 (0.5) |
+
+
+ |
+
+
+
+| 1 |
+: |
+639 |
+( |
+54.2% |
+) |
+
+
+| 2 |
+: |
+337 |
+( |
+28.6% |
+) |
+
+
+| 3 |
+: |
+173 |
+( |
+14.7% |
+) |
+
+
+| 4 |
+: |
+29 |
+( |
+2.5% |
+) |
+
+
+ |
+1178 (98.2%) |
+22 (1.8%) |
+
+
+| reeduc_1 [numeric] |
+ |
+
+
+
+| Mean (sd) : 5.1 (1.2) |
+
+
+| min ≤ med ≤ max: |
+
+
+| 1 ≤ 5 ≤ 7 |
+
+
+| IQR (CV) : 0 (0.2) |
+
+
+ |
+
+
+
+| 1 |
+: |
+8 |
+( |
+0.7% |
+) |
+
+
+| 2 |
+: |
+53 |
+( |
+4.4% |
+) |
+
+
+| 3 |
+: |
+36 |
+( |
+3.0% |
+) |
+
+
+| 4 |
+: |
+161 |
+( |
+13.4% |
+) |
+
+
+| 5 |
+: |
+643 |
+( |
+53.6% |
+) |
+
+
+| 6 |
+: |
+109 |
+( |
+9.1% |
+) |
+
+
+| 7 |
+: |
+190 |
+( |
+15.8% |
+) |
+
+
+ |
+1200 (100.0%) |
+0 (0.0%) |
+
+
+| sexo [numeric] |
+Sexo |
+
+
+
+| Min : 0 |
+
+
+| Mean : 0.5 |
+
+
+| Max : 1 |
+
+
+ |
+
+
+
+| 0 |
+: |
+555 |
+( |
+46.2% |
+) |
+
+
+| 1 |
+: |
+645 |
+( |
+53.8% |
+) |
+
+
+ |
+1200 (100.0%) |
+0 (0.0%) |
+
+
+| edad [numeric] |
+Edad |
+
+
+
+| Mean (sd) : 44.5 (17) |
+
+
+| min ≤ med ≤ max: |
+
+
+| 18 ≤ 43 ≤ 89 |
+
+
+| IQR (CV) : 28 (0.4) |
+
+
+ |
+69 distinct values |
+1200 (100.0%) |
+0 (0.0%) |
+
+
+| idenpa [numeric] |
+ |
+1 distinct value |
+
+
+
+| 152 |
+: |
+1200 |
+( |
+100.0% |
+) |
+
+
+ |
+1200 (100.0%) |
+0 (0.0%) |
+
+
+| educacion [character] |
+Educación |
+
+
+
+| 1. Educacion basica |
+
+
+| 2. Educacion media |
+
+
+| 3. Educacion superior |
+
+
+ |
+
+
+
+| 97 |
+( |
+8.1% |
+) |
+
+
+| 804 |
+( |
+67.0% |
+) |
+
+
+| 299 |
+( |
+24.9% |
+) |
+
+
+ |
+1200 (100.0%) |
+0 (0.0%) |
+
+
-Generated by summarytools 1.0.1 (R version 4.2.2)
2023-06-23
+
+Generated by summarytools 1.0.1 (R version 4.3.2)
2024-04-04
@@ -551,112 +1090,112 @@ Reporte en tabla
select(conf_fa, conf_pol, conf_iglesia, conf_gob, conf_cong, conf_jud, conf_partpol, conf_presi) %>%
tab_corr(triangle = "lower")
-
-
-
-| |
-Confianza: Fuerzas armadas |
-Confianza: Policías |
-Confianza: Iglesia |
-Confianza: Gobierno |
-Confianza: Congreso |
-Confianza: Poder judicial |
-Confianza: Partidos politicos |
-Confianza: Presidente |
+
+
+
+| |
+Confianza: Fuerzas armadas |
+Confianza: Policías |
+Confianza: Iglesia |
+Confianza: Gobierno |
+Confianza: Congreso |
+Confianza: Poder judicial |
+Confianza: Partidos politicos |
+Confianza: Presidente |
-
-| Confianza: Fuerzas armadas |
- |
- |
- |
- |
- |
- |
- |
- |
+
+| Confianza: Fuerzas armadas |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
-
-| Confianza: Policías |
-0.790*** |
- |
- |
- |
- |
- |
- |
- |
+
+| Confianza: Policías |
+0.790*** |
+ |
+ |
+ |
+ |
+ |
+ |
+ |
-
-| Confianza: Iglesia |
-0.512*** |
-0.580*** |
- |
- |
- |
- |
- |
- |
+
+| Confianza: Iglesia |
+0.512*** |
+0.580*** |
+ |
+ |
+ |
+ |
+ |
+ |
-
-| Confianza: Gobierno |
-0.599*** |
-0.641*** |
-0.571*** |
- |
- |
- |
- |
- |
+
+| Confianza: Gobierno |
+0.599*** |
+0.641*** |
+0.571*** |
+ |
+ |
+ |
+ |
+ |
-
-| Confianza: Congreso |
-0.437*** |
-0.464*** |
-0.495*** |
-0.652*** |
- |
- |
- |
- |
+
+| Confianza: Congreso |
+0.437*** |
+0.464*** |
+0.495*** |
+0.652*** |
+ |
+ |
+ |
+ |
-
-| Confianza: Poder judicial |
-0.492*** |
-0.503*** |
-0.431*** |
-0.600*** |
-0.535*** |
- |
- |
- |
+
+| Confianza: Poder judicial |
+0.492*** |
+0.503*** |
+0.431*** |
+0.600*** |
+0.535*** |
+ |
+ |
+ |
-
-| Confianza: Partidos politicos |
-0.335*** |
-0.373*** |
-0.422*** |
-0.576*** |
-0.670*** |
-0.552*** |
- |
- |
+
+| Confianza: Partidos politicos |
+0.335*** |
+0.373*** |
+0.422*** |
+0.576*** |
+0.670*** |
+0.552*** |
+ |
+ |
-
-| Confianza: Presidente |
-0.597*** |
-0.634*** |
-0.538*** |
-0.801*** |
-0.547*** |
-0.524*** |
-0.520*** |
- |
+
+| Confianza: Presidente |
+0.597*** |
+0.634*** |
+0.538*** |
+0.801*** |
+0.547*** |
+0.524*** |
+0.520*** |
+ |
-
-| Computed correlation used pearson-method with listwise-deletion. |
+
+| Computed correlation used pearson-method with listwise-deletion. |
-
-
+
+
Extracción
Mean item complexity = 1.2
Test of the hypothesis that 3 factors are sufficient.
-The degrees of freedom for the null model are 28 and the objective function was 5 with Chi Square of 6017
-The degrees of freedom for the model are 7 and the objective function was 0.03
+df null model = 28 with the objective function = 5 with Chi Square = 6017
+df of the model are 7 and the objective function was 0.03
The root mean square of the residuals (RMSR) is 0.01
The df corrected root mean square of the residuals is 0.02
-The harmonic number of observations is 1163 with the empirical chi square 8.1 with prob < 0.32
-The total number of observations was 1200 with Likelihood Chi Square = 38 with prob < 3.7e-06
+The harmonic n.obs is 1163 with the empirical chi square 8.1 with prob < 0.32
+The total n.obs was 1200 with Likelihood Chi Square = 38 with prob < 3.7e-06
Tucker Lewis Index of factoring reliability = 0.98
RMSEA index = 0.06 and the 90 % confidence intervals are 0.042 0.08
@@ -892,14 +1431,14 @@ Rotación
Mean item complexity = 1.9
Test of the hypothesis that 3 factors are sufficient.
-The degrees of freedom for the null model are 28 and the objective function was 5 with Chi Square of 6017
-The degrees of freedom for the model are 7 and the objective function was 0.03
+df null model = 28 with the objective function = 5 with Chi Square = 6017
+df of the model are 7 and the objective function was 0.03
The root mean square of the residuals (RMSR) is 0.01
The df corrected root mean square of the residuals is 0.02
-The harmonic number of observations is 1163 with the empirical chi square 9.3 with prob < 0.23
-The total number of observations was 1200 with Likelihood Chi Square = 32 with prob < 3.4e-05
+The harmonic n.obs is 1163 with the empirical chi square 9.3 with prob < 0.23
+The total n.obs was 1200 with Likelihood Chi Square = 32 with prob < 3.4e-05
Tucker Lewis Index of factoring reliability = 0.98
RMSEA index = 0.055 and the 90 % confidence intervals are 0.037 0.075
@@ -946,14 +1485,14 @@ Rotación
Mean item complexity = 1.2
Test of the hypothesis that 3 factors are sufficient.
-The degrees of freedom for the null model are 28 and the objective function was 5 with Chi Square of 6017
-The degrees of freedom for the model are 7 and the objective function was 0.03
+df null model = 28 with the objective function = 5 with Chi Square = 6017
+df of the model are 7 and the objective function was 0.03
The root mean square of the residuals (RMSR) is 0.01
The df corrected root mean square of the residuals is 0.02
-The harmonic number of observations is 1163 with the empirical chi square 9.3 with prob < 0.23
-The total number of observations was 1200 with Likelihood Chi Square = 32 with prob < 3.4e-05
+The harmonic n.obs is 1163 with the empirical chi square 9.3 with prob < 0.23
+The total n.obs was 1200 with Likelihood Chi Square = 32 with prob < 3.4e-05
Tucker Lewis Index of factoring reliability = 0.98
RMSEA index = 0.055 and the 90 % confidence intervals are 0.037 0.075
@@ -975,86 +1514,86 @@ Casi automáti
Parallel analysis suggests that the number of factors = 3 and the number of components = NA
-
-
-Análisis factorial confianza instituciones
-
-| |
-Factor 1 |
-Factor 2 |
-Factor 3 |
-Communality |
+
+Análisis factorial confianza instituciones
+
+
+| |
+Factor 1 |
+Factor 2 |
+Factor 3 |
+Communality |
-
-| Confianza: Fuerzas armadas |
-0.80 |
-0.20 |
-0.24 |
-0.73 |
+
+| Confianza: Fuerzas armadas |
+0.80 |
+0.20 |
+0.24 |
+0.73 |
-
-| Confianza: Policías |
-0.86 |
-0.22 |
-0.25 |
-0.85 |
+
+| Confianza: Policías |
+0.86 |
+0.22 |
+0.25 |
+0.85 |
-
-| Confianza: Iglesia |
-0.49 |
-0.33 |
-0.28 |
-0.44 |
+
+| Confianza: Iglesia |
+0.49 |
+0.33 |
+0.28 |
+0.44 |
-
-| Confianza: Gobierno |
-0.40 |
-0.41 |
-0.82 |
-0.99 |
+
+| Confianza: Gobierno |
+0.40 |
+0.41 |
+0.82 |
+0.99 |
-
-| Confianza: Congreso |
-0.28 |
-0.66 |
-0.32 |
-0.61 |
+
+| Confianza: Congreso |
+0.28 |
+0.66 |
+0.32 |
+0.61 |
-
-| Confianza: Poder judicial |
-0.37 |
-0.52 |
-0.29 |
-0.49 |
+
+| Confianza: Poder judicial |
+0.37 |
+0.52 |
+0.29 |
+0.49 |
-
-| Confianza: Partidos politicos |
-0.15 |
-0.87 |
-0.19 |
-0.81 |
+
+| Confianza: Partidos politicos |
+0.15 |
+0.87 |
+0.19 |
+0.81 |
-
-| Confianza: Presidente |
-0.48 |
-0.38 |
-0.56 |
-0.68 |
+
+| Confianza: Presidente |
+0.48 |
+0.38 |
+0.56 |
+0.68 |
-
-| Total Communalities |
- |
-5.60 |
+
+| Total Communalities |
+ |
+5.60 |
-
-| Cronbach's α |
-0.83 |
-0.81 |
-0.89 |
- |
-
-
-
+
+| Cronbach's α |
+0.83 |
+0.81 |
+0.89 |
+ |
+
+
+
Luego de realizar el Análisis factorial exploratorio existen varias alternativas sobre los pasos a seguir. Por ejemplo, es posible estimar un promedio simple entre cada una de las variables de los factores. Otra opción es estimar puntajes factoriales.
@@ -1100,14 +1639,14 @@ Puntajes factoriales<
Mean item complexity = 1.3
Test of the hypothesis that 3 factors are sufficient.
-The degrees of freedom for the null model are 28 and the objective function was 5 with Chi Square of 6017
-The degrees of freedom for the model are 7 and the objective function was 0.03
+df null model = 28 with the objective function = 5 with Chi Square = 6017
+df of the model are 7 and the objective function was 0.03
The root mean square of the residuals (RMSR) is 0.01
The df corrected root mean square of the residuals is 0.02
-The harmonic number of observations is 1163 with the empirical chi square 9.3 with prob < 0.23
-The total number of observations was 1200 with Likelihood Chi Square = 32 with prob < 3.4e-05
+The harmonic n.obs is 1163 with the empirical chi square 9.3 with prob < 0.23
+The total n.obs was 1200 with Likelihood Chi Square = 32 with prob < 3.4e-05
Tucker Lewis Index of factoring reliability = 0.98
RMSEA index = 0.055 and the 90 % confidence intervals are 0.037 0.075
@@ -1726,9 +2265,23 @@ Visualizar en un
icon: icon
};
anchorJS.add('.anchored');
+ const isCodeAnnotation = (el) => {
+ for (const clz of el.classList) {
+ if (clz.startsWith('code-annotation-')) {
+ return true;
+ }
+ }
+ return false;
+ }
const clipboard = new window.ClipboardJS('.code-copy-button', {
- target: function(trigger) {
- return trigger.previousElementSibling;
+ text: function(trigger) {
+ const codeEl = trigger.previousElementSibling.cloneNode(true);
+ for (const childEl of codeEl.children) {
+ if (isCodeAnnotation(childEl)) {
+ childEl.remove();
+ }
+ }
+ return codeEl.innerText;
}
});
clipboard.on('success', function(e) {
@@ -1793,6 +2346,92 @@ Visualizar en un
return note.innerHTML;
});
}
+ let selectedAnnoteEl;
+ const selectorForAnnotation = ( cell, annotation) => {
+ let cellAttr = 'data-code-cell="' + cell + '"';
+ let lineAttr = 'data-code-annotation="' + annotation + '"';
+ const selector = 'span[' + cellAttr + '][' + lineAttr + ']';
+ return selector;
+ }
+ const selectCodeLines = (annoteEl) => {
+ const doc = window.document;
+ const targetCell = annoteEl.getAttribute("data-target-cell");
+ const targetAnnotation = annoteEl.getAttribute("data-target-annotation");
+ const annoteSpan = window.document.querySelector(selectorForAnnotation(targetCell, targetAnnotation));
+ const lines = annoteSpan.getAttribute("data-code-lines").split(",");
+ const lineIds = lines.map((line) => {
+ return targetCell + "-" + line;
+ })
+ let top = null;
+ let height = null;
+ let parent = null;
+ if (lineIds.length > 0) {
+ //compute the position of the single el (top and bottom and make a div)
+ const el = window.document.getElementById(lineIds[0]);
+ top = el.offsetTop;
+ height = el.offsetHeight;
+ parent = el.parentElement.parentElement;
+ if (lineIds.length > 1) {
+ const lastEl = window.document.getElementById(lineIds[lineIds.length - 1]);
+ const bottom = lastEl.offsetTop + lastEl.offsetHeight;
+ height = bottom - top;
+ }
+ if (top !== null && height !== null && parent !== null) {
+ // cook up a div (if necessary) and position it
+ let div = window.document.getElementById("code-annotation-line-highlight");
+ if (div === null) {
+ div = window.document.createElement("div");
+ div.setAttribute("id", "code-annotation-line-highlight");
+ div.style.position = 'absolute';
+ parent.appendChild(div);
+ }
+ div.style.top = top - 2 + "px";
+ div.style.height = height + 4 + "px";
+ let gutterDiv = window.document.getElementById("code-annotation-line-highlight-gutter");
+ if (gutterDiv === null) {
+ gutterDiv = window.document.createElement("div");
+ gutterDiv.setAttribute("id", "code-annotation-line-highlight-gutter");
+ gutterDiv.style.position = 'absolute';
+ const codeCell = window.document.getElementById(targetCell);
+ const gutter = codeCell.querySelector('.code-annotation-gutter');
+ gutter.appendChild(gutterDiv);
+ }
+ gutterDiv.style.top = top - 2 + "px";
+ gutterDiv.style.height = height + 4 + "px";
+ }
+ selectedAnnoteEl = annoteEl;
+ }
+ };
+ const unselectCodeLines = () => {
+ const elementsIds = ["code-annotation-line-highlight", "code-annotation-line-highlight-gutter"];
+ elementsIds.forEach((elId) => {
+ const div = window.document.getElementById(elId);
+ if (div) {
+ div.remove();
+ }
+ });
+ selectedAnnoteEl = undefined;
+ };
+ // Attach click handler to the DT
+ const annoteDls = window.document.querySelectorAll('dt[data-target-cell]');
+ for (const annoteDlNode of annoteDls) {
+ annoteDlNode.addEventListener('click', (event) => {
+ const clickedEl = event.target;
+ if (clickedEl !== selectedAnnoteEl) {
+ unselectCodeLines();
+ const activeEl = window.document.querySelector('dt[data-target-cell].code-annotation-active');
+ if (activeEl) {
+ activeEl.classList.remove('code-annotation-active');
+ }
+ selectCodeLines(clickedEl);
+ clickedEl.classList.add('code-annotation-active');
+ } else {
+ // Unselect the line
+ unselectCodeLines();
+ clickedEl.classList.remove('code-annotation-active');
+ }
+ });
+ }
const findCites = (el) => {
const parentEl = el.parentElement;
if (parentEl) {
@@ -1836,6 +2475,9 @@ Visualizar en un
diff --git a/docs/resource/04-resource_files/figure-html/unnamed-chunk-13-1.png b/docs/resource/04-resource_files/figure-html/unnamed-chunk-13-1.png
index fc800ca..db5e430 100644
Binary files a/docs/resource/04-resource_files/figure-html/unnamed-chunk-13-1.png and b/docs/resource/04-resource_files/figure-html/unnamed-chunk-13-1.png differ
diff --git a/docs/resource/04-resource_files/figure-html/unnamed-chunk-14-1.png b/docs/resource/04-resource_files/figure-html/unnamed-chunk-14-1.png
index 6f26ccd..a61013f 100644
Binary files a/docs/resource/04-resource_files/figure-html/unnamed-chunk-14-1.png and b/docs/resource/04-resource_files/figure-html/unnamed-chunk-14-1.png differ
diff --git a/docs/resource/05-resource.html b/docs/resource/05-resource.html
index 33db8bd..326b6dc 100644
--- a/docs/resource/05-resource.html
+++ b/docs/resource/05-resource.html
@@ -2,7 +2,7 @@
-
+
@@ -17,9 +17,10 @@
ul.task-list{list-style: none;}
ul.task-list li input[type="checkbox"] {
width: 0.8em;
- margin: 0 0.8em 0.2em -1.6em;
+ margin: 0 0.8em 0.2em -1em; /* quarto-specific, see https://github.com/quarto-dev/quarto-cli/issues/4556 */
vertical-align: middle;
}
+/* CSS for syntax highlighting */
pre > code.sourceCode { white-space: pre; position: relative; }
pre > code.sourceCode > span { display: inline-block; line-height: 1.25; }
pre > code.sourceCode > span:empty { height: 1.2em; }
@@ -46,43 +47,13 @@
-khtml-user-select: none; -moz-user-select: none;
-ms-user-select: none; user-select: none;
padding: 0 4px; width: 4em;
- color: #aaaaaa;
}
-pre.numberSource { margin-left: 3em; border-left: 1px solid #aaaaaa; padding-left: 4px; }
+pre.numberSource { margin-left: 3em; padding-left: 4px; }
div.sourceCode
{ }
@media screen {
pre > code.sourceCode > span > a:first-child::before { text-decoration: underline; }
}
-code span.al { color: #ff0000; font-weight: bold; } /* Alert */
-code span.an { color: #60a0b0; font-weight: bold; font-style: italic; } /* Annotation */
-code span.at { color: #7d9029; } /* Attribute */
-code span.bn { color: #40a070; } /* BaseN */
-code span.bu { color: #008000; } /* BuiltIn */
-code span.cf { color: #007020; font-weight: bold; } /* ControlFlow */
-code span.ch { color: #4070a0; } /* Char */
-code span.cn { color: #880000; } /* Constant */
-code span.co { color: #60a0b0; font-style: italic; } /* Comment */
-code span.cv { color: #60a0b0; font-weight: bold; font-style: italic; } /* CommentVar */
-code span.do { color: #ba2121; font-style: italic; } /* Documentation */
-code span.dt { color: #902000; } /* DataType */
-code span.dv { color: #40a070; } /* DecVal */
-code span.er { color: #ff0000; font-weight: bold; } /* Error */
-code span.ex { } /* Extension */
-code span.fl { color: #40a070; } /* Float */
-code span.fu { color: #06287e; } /* Function */
-code span.im { color: #008000; font-weight: bold; } /* Import */
-code span.in { color: #60a0b0; font-weight: bold; font-style: italic; } /* Information */
-code span.kw { color: #007020; font-weight: bold; } /* Keyword */
-code span.op { color: #666666; } /* Operator */
-code span.ot { color: #007020; } /* Other */
-code span.pp { color: #bc7a00; } /* Preprocessor */
-code span.sc { color: #4070a0; } /* SpecialChar */
-code span.ss { color: #bb6688; } /* SpecialString */
-code span.st { color: #4070a0; } /* String */
-code span.va { color: #19177c; } /* Variable */
-code span.vs { color: #4070a0; } /* VerbatimString */
-code span.wa { color: #60a0b0; font-weight: bold; font-style: italic; } /* Warning */
@@ -120,10 +91,12 @@
"search-more-matches-text": "resultados adicionales en este documento",
"search-clear-button-title": "Borrar",
"search-detached-cancel-button-title": "Cancelar",
- "search-submit-button-title": "Enviar"
+ "search-submit-button-title": "Enviar",
+ "search-label": "Buscar"
}
}
+
@@ -154,33 +127,35 @@
Metodología I - MCS
-