Taller 1 Estadística Exploratoria
Punto 1
|
Concepto
|
Explicación
|
|
Universo
|
Población civil no
institucional entre 14 y 29 años de edad, residente en las 13
principales ciudades del país
|
|
Población Objetivo
|
Población civil no institucional entre
los 14 y 29 años de edad, residente en las 13 principales ciudades del
país
|
|
Fuente de datos
|
Encuesta por muestreo probabilístico,
multietápico, estratificado, de conglomerados desiguales y
autoponderado.
|
Cobertura y desagregación geográfica
|
Tiene cobertura para el
total de las 13 principales ciudades del país: Bogotá,
Medellín,
Cali, Barranquilla,
Bucaramanga, Manizales, Pasto, Pereira, Ibagué, Cúcuta, Villavicencio,
Montería y Cartagena
|
Punto 2
|
Variable
|
Naturaleza
|
Escala de medición
|
|
EP6450
|
Cualitativa
|
Nominal
|
|
EP6460
|
Cualitativa
|
Nominal
|
|
EP6422
|
Cualitativa
|
Nominal
|
|
EP6500
|
Cuantitativa Continua
|
Nivel de razón
|
Punto 3
El siguiente bloque de comandos, muestra como se llamaron los datos
desde un directorio y se creó un dataframe, con las cuatro variables de
interés, finalmente podemos observar la estructura de los datos.
jo15=read.csv("JO15.csv", sep=",")
jo15a<-data.frame(jo15$EP6450, jo15$EP6460, jo15$EP6422, jo15$EP6500)
Para obtener datos faltantes se tiene
sum(as.numeric(!complete.cases(jo15a)))
## [1] 948
Para eliminarlos
jo151<-jo15a[complete.cases(jo15a),]
str(jo15a)
## 'data.frame': 3273 obs. of 4 variables:
## $ jo15.EP6450: int 2 2 2 2 2 1 1 NA 2 NA ...
## $ jo15.EP6460: int 1 1 2 1 1 1 1 NA 2 NA ...
## $ jo15.EP6422: int 1 1 1 1 1 2 1 NA 2 NA ...
## $ jo15.EP6500: int 350000 400000 1200000 800000 650000 590000 650000 NA 1500000 NA ...
Punto 4
Para el año 2013
jo13=read.csv("JO13.csv",sep = ",")
jo13a <-data.frame(jo13$EP6450,jo13$EP6460,jo13$EP6422,jo13$EP6500)
sum(as.numeric(!complete.cases(jo13a)))
## [1] 1244
jo131<-jo13a[complete.cases(jo13a),]
str(jo131)
## 'data.frame': 2048 obs. of 4 variables:
## $ jo13.EP6450: int 2 2 1 2 2 1 2 1 1 2 ...
## $ jo13.EP6460: int 1 1 1 1 1 1 2 1 1 2 ...
## $ jo13.EP6422: int 1 2 1 1 1 1 1 1 1 1 ...
## $ jo13.EP6500: int 589500 800000 240000 600000 586700 250000 2000000 280000 500000 650000 ...
El comando str() se puede utilizar para saber la
estructura de los datos, es decir saber el tipo de variable, y ver
algunos de los datos de las variables de los data frame indicados dentro
del paréntesis.
Punto 5
Para crear una columna nueva indicando el año usamos la libreria
dplyr y la función mutate, para instalar la
libreria usar install.packages(dplyr)
library(dplyr)
jo131<-mutate(jo131, year=2013)
jo151<-mutate(jo151, year=2015)
Podemos observar que se agregó la columna year a las bases de datos
así
data.frame(jo131=colnames(jo131),jo151=colnames(jo151))
## jo131 jo151
## 1 jo13.EP6450 jo15.EP6450
## 2 jo13.EP6460 jo15.EP6460
## 3 jo13.EP6422 jo15.EP6422
## 4 jo13.EP6500 jo15.EP6500
## 5 year year
Compruebe que para las dos bases de datos al depurarlas y obtener
solo varialbes de interés quedaron con títulos diferentes (por esta
razón es importante visualizar la estructura de los datos), entonces hay
que renombrar las columnas de manera identica para unir las bases de
datos. Para cambiar nombres podemos usar la funcion rename
y para unir dos bases de datos con las mismas columnas la función
rbin
jo131<-rename(jo131,
EP6450=jo13.EP6450, EP6460=jo13.EP6460,
EP6422=jo13.EP6422, EP6500=jo13.EP6500 )
jo151<-rename(jo151,
EP6450=jo15.EP6450, EP6460=jo15.EP6460,EP6422=jo15.EP6422,
EP6500=jo15.EP6500)
datos=rbind(jo131,jo151)
Punto 6
Usamos la función factor indicando los valores actuales
de la variable cualitativa y renombrando
datos$EP6450<-factor(datos$EP6450, levels = c("1","2","9"),
labels = c("Verbal","Escrito","No tiene"))
datos$EP6460<-factor(datos$EP6460, levels = c("1","2","9"),
labels=c("A término indefinido",
"A término fijo", "No sabe, no informa"))
datos$EP6422<-factor(datos$EP6422, levels=c("1","2"),
labels = c("Si", "No"))
datos$year<-factor(datos$year)
Punto 7
Organizando los datos respesto a EP6500 con la función
arrange
datosor<-arrange(datos, datos$EP6500)
Punto 8
Se puede observar que hay datos que corresponden a 0, 98, 99 que no
tienen un sentido lógico para ingresos, además el salario mínimo para
los años 2013 y 2015 era 589.500 pesos y 644.350 respectivamente lo que
me hace dudar de salarios menores a 200.000 pesos ya que se tiene por
sentado que son las 13 principales ciudades de Colombia, asi que por
esta razón se justifica un filtro para dejar de salarios iguales o
mayores a 200.000 pesos colombianos.
Por el lado de valores altos hay un valor de 42.500.000 pesos puede
ser un error de digitación, así que se tendrán en cuenta valores de
iguales o menores a 9.000.000 pesos, aunque sigue siento una cifra alta
considerando que es una encuestra de transición de la escuela al
trabajo, considero que podría darse casos de: empresas privadas con
salarios altos, carreras universitarias muy bien pagadas, más años de
formación por ende un mejor salario y/o un relacionamiento con un
conjunto de personas de altos ingresos.
Para filtrar los valores utilizamos la función filter
del paquete dplyr
dinglog <-filter(datosor, datosor$EP6500>=200000)
dinglog<-filter(dinglog, dinglog$EP6500<=9000000)
Podemos guardar esta base de datos limpia, organizada y filtrada de
la siguiente manera
write.csv(dinglog, file = "joinglog")
Punto 9
Con el paquete base
boxplot(formula = dinglog$EP6500 ~ dinglog$year, boxwex = 0.3, horizontal = TRUE,
xlab= "Ingresos mensuales", ylab= "Año",
main= "Ingresos de jóvenes por año",
col = c("red", "green"), border =c("darkred","darkgreen"))
grid()
legend("right", legend= c("2015","2013"), fill=c("darkgreen","darkred"))

Para acompañar el análisis vamos a mostrar el resumen de los 6 datos
para la variable EP6500 por separado de los años 2013 y 2015 de esta
manera
ing2013<-dinglog$EP6500[dinglog$year == "2013"]
ing2015<-dinglog$EP6500[dinglog$year=="2015"]
summary(ing2013)
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 200000 589500 700000 857037 975000 7800000
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 200000 637000 713650 880207 1000000 9000000
En el gráfico de caja se observa que hay gran cantidad de datos
atípicos en la zona de valores de altos ingresos, para el año 2015 la
mediana es de 713.650 y en 2013 de 700.000 aunque las cajas son pequeñas
están traslapadas, es decir, que el ingreso tiene la misma variabilidad
para los años 2013 y 2015. Por otro lado el 25% de los jóvenes tienen un
ingreso igual o inferior a 637.000 para el año 2015 y de 589.500 para el
año 2013, también el 75% de los jóvenes tuvieron un salario igual o
inferior a 975.000 en el año 2013 y de 1.000.000 para el año 2015. El
salario promedio de los jóvenes es de 880.207 para el año 2015 y de
857.037 para el año 2013.
Los valores máximo no atípicos son de 1.500.000 aproximadamente para
ambos años y mínimos de 200.000 para ambos años. La mediana es muy
parecida y el promedio también de esta manera se podrían comparar
medidas de dispersión para los dos años diferentes aunque unicamente
sera un referente.
Punto 10
Para saber valores atípicos extremos se utiliza la siguiente regla
\(x<(q1-3*iqr) | x>(q3+3*iqr)\),
en R tenemos para el 2013
q1.13<-589500
q3.13<-975000
ri.2013<-975000-589500
i1.2013<-q1.13-3*ri.2013
i1.2013
## [1] -567000
i2.2013<-q3.13+3*ri.2013
i2.2013
## [1] 2131500
Notese que a partir de la regla de valores atípicos tenemos: \([-567.000,2.131.500]\)
Para filtrar los datos, se filtrará unicamente por encima ya que no
hay valores menores a -567.000 se hace la aclaración, ya que si hubiera
datos por debajo se deberían filtrar
dingatipi13<- filter(dinglog, dinglog$EP6500>2131500, year=="2013")
Punto 11
Para el año 2015
q1.15<-637000
q3.15<-1000000
ri.15<-(q3.15)-(q1.15)
i1.15<-q1.15-3*ri.15
i1.15
## [1] -452000
i2.15<-q3.15+3*ri.15
i2.15
## [1] 2089000
Tenemos \([-452.000,2.089.000]\)
dingatipi15<- filter(dinglog, dinglog$EP6500>2089000, year=="2015")
Punto 12
Para realizar un resumen de los individuos unimos los datos de los
dos años nuevamente.
datosatipicos <-rbind(dingatipi13, dingatipi15)
Resumen descriptivo
## EP6450 EP6460 EP6422 EP6500 year
## Verbal : 7 A término indefinido:111 Si:131 Min. :2100000 2013:71
## Escrito :142 A término fijo : 36 No: 18 1st Qu.:2500000 2015:78
## No tiene: 0 No sabe, no informa : 2 Median :2686000
## Mean :3046014
## 3rd Qu.:3146000
## Max. :9000000
El ingresos medios para los valores atípicos es de 2.356.368 pesos,
para el año 2013 y 2015 son 71 y 78 observaciones respectivamente, la
mayoria tienen contrato a término indefinido, la mayoría tienen
modalidad de contrato escrito y la mayoría están conformes con su
contrato. Por otro lado, la mitad de los jovenes tienen ingresos iguales
o superiores a 2.686.000 y el 75% tienen ingresos iguales o menores a
3.146.000, el máximo ingreso fue de 9.000.000 y el mínimo de
2.100.000.
Note que la gran mayoría de los ingresos atípicos corresponden a
contratos escritos a término indefinido y además están conformes con su
contrato. Estan balanceado la cantidad por año con 71 y 78 observaciones
(jovenes) para el año 2013 y 2015 respectivamente.
El siguiente histograma muestra la distribución de los datos.
hist(datosatipicos$EP6500,
xlab = "Ingresos",
ylab = "Frecuancia", col="darkgreen",
main = "Histograma de la variable EP6500 Ingreso mensual")

A partir del histograma y el resumen descriptivo podemos decir que el
coeficiente de asimetria es positivo ya que la media es mayor a la
mediana, sin embargo podemos calcular el coeficiente de la siguiente
manera \(\alpha_{3}=\frac{\sum_{i=1}^{n}(x-\overline{x})^{3}}{n.S^{3}}\)
y en R tenemos
library(moments)
skewness(datosatipicos$EP6500)
## [1] 2.68131
Tenemos \(\alpha_{3}>0\) por lo
cual tenemos asimetría positiva, en el mismo sentido podemos calcular el
coeficiente de curtosis de la siguiente manera, \(\alpha_{4}=\frac{\sum_{i=1}^{n}(x-\overline{x})^{4}}{n.S^{4}}\)
y en R tenemos
kurtosis(datosatipicos$EP6500)
## [1] 11.56442
Tenemos \(\alpha_{4}>3\) por lo
cual concluimos que es “Leptocúrtica” la distribución de los ingresos
atípicos, es decir, que los datos estan concentrados alrededor de la
media.
Punto 13
Para la variable EP6450 ¿El contrato es verbal o escrito?, hacemos un
gráfico de barras con el paquete ggplot2
library(ggplot2)
ggplot(dinglog, aes(dinglog$EP6450, fill=year))+
geom_bar(width = 0.4, position = "dodge", alpha=0.7)+
xlab("Tipo de contrato")+
ylab("Número de jóvenes")+
labs("Tipo de contrato por año")+
theme(legend.title ="red")+
scale_fill_brewer("Año", palette = "Set1")+
theme_minimal()

Obseverve que la mayoría de jóvenes tiene contrato de tipo escrito,
ahora podemos cruzar con la variable si esta conforme con su contrato en
una tabla de frecuencias de la siguiente manera
library(janitor)
dinglog %>%
tabyl(EP6450, EP6422) %>%
adorn_totals(where =c("row", "col")) %>%
adorn_percentages(denominator = "row") %>%
adorn_pct_formatting(digits = 1)
## EP6450 Si No Total
## Verbal 76.1% 23.9% 100.0%
## Escrito 85.4% 14.6% 100.0%
## No tiene 64.1% 35.9% 100.0%
## Total 82.2% 17.8% 100.0%
Observe que el tipo de contrato Escrito tiene el mayor porcentaje de
aprobación por parte de los jóvenes con un 85.4% comparado con Verbal
que tiene 76.1% de conformidad y por último los jóvenes que No tiene
contrato con 64.1%, en términos generales los jóvenes están conformes
con su contrato con un 82.2% comparado con los que no estan conformes
que son 17.8%
Para la variable EP6460, nuevamente se mostrará un gráfico de cajas o
boxplot pero esta vez con el paquete ggplot2y cruzado con
la variable EP6500
ggplot(data=dinglog, aes(x= EP6460, y= EP6500))+
geom_boxplot(fill="lightgreen", color="darkgreen",
outlier.colour = "darkred", outlier.shape = 1)+
labs(title="Diagrama de cajas")+
xlab("Ingreso mensual de los jóvenes")+
ylab("Término de contrato")+
coord_flip()+
theme_minimal()

Observe que los jóvenes que no saben o no informan el tipo de término
que tiene el contrato tienen ingresos inferiores ralativamente comparado
con los jovenes que tienen contrato a término fijo o término indefinido.
Incluso se puede evidenciar que el Cuartil 3 o Q3 de los jóvenes que no
saben o no informan de su contrato esta traslapado con la mediana de las
otras dos cajas, es decir, el 75% de estos jóvenes tienen ingresos
iguales o menores que el 50% de los jóvenes con contrato a término fijo
e indefinido.
ggplot(dinglog, aes(dinglog$EP6500, fill= dinglog$EP6460))+
geom_histogram(alpha=0.9, bins = 39)+
xlab("Ingreso mensual")+
ylab("Número de jóvenes")+
labs(title = "Histograma Ingreso mensual por término de contrato")+
theme(legend.title = element_blank())+
scale_fill_brewer("Término de contrato",palette = "Set1")+
theme_minimal()

El anterior histograma, muestra cómo están distribuidos los jóvenes y
sus ingresos mensuales por término de contrato, note que el mayor número
de jóvenes tiene un contrato a término indefinido, seguido de término
fijo y por último No sabe no informa, las distribuciones son parecidas
en cuanto a la forma del histograma.
Por último tenemos la variable de conformidad con el contrato,
EP6422. Haciendo uso de la función tabyl se mostrará una
tabla de información cruzada con la variable EP6460
dinglog %>%
tabyl(EP6460, EP6422) %>%
adorn_totals(where = c("row","col")) %>%
adorn_percentages(denominator = "col") %>%
adorn_pct_formatting(digits = 1)
## EP6460 Si No Total
## A término indefinido 78.2% 58.1% 74.7%
## A término fijo 19.6% 37.5% 22.8%
## No sabe, no informa 2.2% 4.4% 2.6%
## Total 100.0% 100.0% 100.0%
La tabla anterior muestra que los jóvenes que Si estan conformes con
su contrato en su mayoría tienen contrato a término indefinido con un
78.2%, pero de los jóvenes que No estan conformes en su mayoría también
tienen contrato a término indefinido con un 58.1%.
ggplot(dinglog, aes(EP6460, fill=dinglog$EP6422))+
geom_bar(width = 0.5, alpha=0.9, position = "dodge")+
xlab("Término del contrato")+
ylab("Número de jovenes")+
labs(title ="Término de contrato por conformidad")+
theme_minimal()+
theme(legend.title = element_blank())+
scale_fill_brewer(palette = "Set1")

El gráfico de barras anterior describe la cantidad de jóvenes y su
término de contrato y la conformidad con este, fijese que la mayoría de
jóvenes Si están conformes con su contrato, este gráfico ilustra y
complementa la tabla de frecuencias anterior.
Punto 14
Para encontrar las medidas descriptivas de cada variable tenemos que
filtrar por categoría usando la función filter en este caso
se usará la variable EP6450 ¿El contrato es verbal o escrito? la
siguiente tabla resume la información.
|
Medida
|
Verbal
|
No tiene
|
Escrito
|
Mínimo
|
$200.000
|
$200.000
|
$200.000
|
|
Máximo
|
$4.000.000
|
$1.400.000
|
$9.000.000
|
|
Cuartil 1
|
$400.000
|
$400.000
|
$644.350
|
|
Mediana
|
$600.000
|
$600.000
|
$800.000
|
|
Cuartil 3
|
$700.000
|
$710.000
|
$1.137.000
|
|
Media
|
$605.971
|
$609.564
|
$995.443
|
|
Rango
|
[$200.000,$4.000.000]
|
[$200.000,$1.400.000]
|
[$2.000.000,$9.000.000]
|
Rango Intercuartílico
|
$300.000
|
$310.000
|
$492.650
|
|
Desv. Estándar
|
$330.312
|
$298.630
|
$649.643
|
|
Coef Variación
|
54,5
|
49
|
65,3
|
|
Asimetría
|
2,9
|
1
|
3,9
|
|
Curtosis
|
21,3
|
3,5
|
29,6
|
---
title: "Taller 1 Estadistica Exploratoria"
author: "David Remolina Amortegui"
date: "2024-02-12"
output:
  html_document:
    toc_float: true
    theme: simplex
    toc: true
    code_download: true
    highlight: tango
  word_document:
    toc: true
  pdf_document:
    toc: true
---
```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE)
```

```{css echo=FALSE}
.columns{display: flex;}
h2 {color:red;
text-align:center;
font-family: "Lucida Console", "Courier New", monospace;
 text-decoration-line: overline;
  text-decoration-color: lightblue;}
h3 {color:red;
 text-decoration-line: overline;
  text-decoration-color: lightblue;}
 p{font-size: 16px;
 text-align: justify;
} 
code.r{font-size: 16px;
}
pre{font-size:16px;
}
body{background-color: #ffffff; 
background-image: url("lous.jpg");
  background-position: right top;
    background-repeat: no-repeat;
     background-size: 200px 200px;}
}

```

##### Universidad Santo Tomás 
##### Facultad de Estadística
##### Programa Maestría en Estadística Aplicada
##### Profesora Edna Carolina Moreno

## **Taller 1 Estadística Exploratoria** 

### Punto 1 

<style type="text/css">
.tg  {border-collapse:collapse;border-color:#aaa;border-spacing:0;border-style:solid;border-width:1px;}
.tg td{background-color:#fff;border-color:#aaa;border-style:solid;border-width:0px;color:#333;
  font-family:Arial, sans-serif;font-size:14px;overflow:hidden;padding:10px 5px;word-break:normal;}
.tg th{background-color:#f38630;border-color:#aaa;border-style:solid;border-width:0px;color:#fff;
  font-family:Arial, sans-serif;font-size:14px;font-weight:normal;overflow:hidden;padding:10px 5px;word-break:normal;}
.tg .tg-1wig{font-weight:bold;text-align:left;vertical-align:top}
.tg .tg-p0kl{background-color:#FCFBE3;font-weight:bold;text-align:left;vertical-align:top}
.tg .tg-8w4c{background-color:#fe0000;font-weight:bold;text-align:left;vertical-align:top}
</style>
<table class="tg">
<thead>
  <tr>
    <th class="tg-8w4c">Concepto</th>
    <th class="tg-8w4c">Explicación</th>
  </tr>
</thead>
<tbody>
  <tr>
    <td class="tg-p0kl">Universo</td>
    <td class="tg-p0kl"><span style="font-weight:700;font-style:normal">Población civil no institucional entre 14 y 29 años de edad, residente en las 13 principales ciudades del país</span> </td>
  </tr>
  <tr>
    <td class="tg-1wig">Población Objetivo</td>
    <td class="tg-1wig"><span style="font-weight:bold">Población civil no institucional entre los 14 y 29 años de edad, residente en las 13 principales ciudades del país</span></td>
  </tr>
  <tr>
    <td class="tg-p0kl">Fuente de datos</td>
    <td class="tg-p0kl"><span style="font-weight:bold">Encuesta por muestreo probabilístico, multietápico, estratificado, de conglomerados desiguales y autoponderado.</span></td>
  </tr>
  <tr>
    <td class="tg-1wig">Cobertura y <br>desagregación geográfica<br></td>
    <td class="tg-1wig"><span style="font-weight:700;font-style:normal">Tiene cobertura para el total de las 13 principales ciudades del país: Bogotá, Medellín,</span><br><br><span style="font-weight:700;font-style:normal">Cali, Barranquilla, Bucaramanga, Manizales, Pasto, Pereira, Ibagué, Cúcuta, Villavicencio, Montería y Cartagena</span></td>
  </tr>
</tbody>
</table>

### Punto 2 

<center><style type="text/css">
.tg  {border-collapse:collapse;border-color:#aaa;border-spacing:0;border-style:solid;border-width:1px;}
.tg td{background-color:#fff;border-color:#aaa;border-style:solid;border-width:0px;color:#333;
  font-family:Arial, sans-serif;font-size:14px;overflow:hidden;padding:10px 5px;word-break:normal;}
.tg th{background-color:#f38630;border-color:#aaa;border-style:solid;border-width:0px;color:#fff;
  font-family:Arial, sans-serif;font-size:14px;font-weight:normal;overflow:hidden;padding:10px 5px;word-break:normal;}
.tg .tg-1wig{font-weight:bold;text-align:left;vertical-align:top}
.tg .tg-p0kl{background-color:#FCFBE3;font-weight:bold;text-align:left;vertical-align:top}
.tg .tg-8w4c{background-color:#fe0000;font-weight:bold;text-align:left;vertical-align:top}
</style>
<table class="tg">
<thead>
  <tr>
    <th class="tg-8w4c">Variable</th>
    <th class="tg-8w4c">Naturaleza</th>
    <th class="tg-8w4c">Escala de medición</th>
  </tr>
</thead>
<tbody>
  <tr>
    <td class="tg-p0kl">EP6450</td>
    <td class="tg-p0kl">Cualitativa</td>
    <td class="tg-p0kl">Nominal</td>
  </tr>
  <tr>
    <td class="tg-1wig">EP6460</td>
    <td class="tg-1wig">Cualitativa</td>
    <td class="tg-1wig">Nominal</td>
  </tr>
  <tr>
    <td class="tg-p0kl">EP6422</td>
    <td class="tg-p0kl">Cualitativa</td>
    <td class="tg-p0kl">Nominal</td>
  </tr>
  <tr>
    <td class="tg-1wig">EP6500</td>
    <td class="tg-1wig">Cuantitativa Continua</td>
    <td class="tg-1wig">Nivel de razón</td>
  </tr>
</tbody>
</table></center>

### Punto 3 

El siguiente bloque de comandos, muestra como se llamaron los datos desde un directorio y se creó un dataframe, con las cuatro variables de interés, finalmente podemos observar la estructura de los datos. 
```{r }
jo15=read.csv("JO15.csv", sep=",")
jo15a<-data.frame(jo15$EP6450, jo15$EP6460, jo15$EP6422, jo15$EP6500)

```

Para obtener datos faltantes se tiene
```{r}
sum(as.numeric(!complete.cases(jo15a)))
```
Para eliminarlos
```{r}
jo151<-jo15a[complete.cases(jo15a),]
str(jo15a)
```

### Punto 4 

Para el año 2013 
```{r}
jo13=read.csv("JO13.csv",sep = ",")
jo13a <-data.frame(jo13$EP6450,jo13$EP6460,jo13$EP6422,jo13$EP6500) 
sum(as.numeric(!complete.cases(jo13a)))
jo131<-jo13a[complete.cases(jo13a),]
str(jo131)
```

El comando `str()` se puede utilizar para saber la estructura de los datos, es decir saber el tipo de variable, y ver algunos de los datos de las variables de los data frame indicados dentro del paréntesis.

### Punto 5 
Para crear una columna nueva indicando el año usamos la libreria `dplyr` y la función `mutate`, para instalar la libreria usar `install.packages(dplyr)`
```{r message=FALSE}
library(dplyr)
jo131<-mutate(jo131, year=2013)
jo151<-mutate(jo151, year=2015)
```
Podemos observar que se agregó la columna year a las bases de datos así
```{r}
data.frame(jo131=colnames(jo131),jo151=colnames(jo151))
```
Compruebe que para las dos bases de datos al depurarlas y obtener solo varialbes de interés quedaron con títulos diferentes (por esta razón es importante visualizar la estructura de los datos), entonces hay que renombrar las columnas de manera identica para unir las bases de datos. Para cambiar nombres podemos usar la funcion `rename` y para unir dos bases de datos con las mismas columnas la función `rbin`
```{r}
jo131<-rename(jo131, 
              EP6450=jo13.EP6450, EP6460=jo13.EP6460, 
              EP6422=jo13.EP6422, EP6500=jo13.EP6500 )
jo151<-rename(jo151, 
              EP6450=jo15.EP6450, EP6460=jo15.EP6460,EP6422=jo15.EP6422,
              EP6500=jo15.EP6500)
datos=rbind(jo131,jo151)
```
### Punto 6 
Usamos la función `factor` indicando los valores actuales de la variable cualitativa y renombrando 
```{r}
datos$EP6450<-factor(datos$EP6450, levels = c("1","2","9"), 
                     labels = c("Verbal","Escrito","No tiene"))
datos$EP6460<-factor(datos$EP6460, levels = c("1","2","9"),
                     labels=c("A término indefinido",
                              "A término fijo", "No sabe, no informa"))
datos$EP6422<-factor(datos$EP6422, levels=c("1","2"),
                     labels = c("Si", "No")) 
datos$year<-factor(datos$year)
```
### Punto 7
Organizando los datos respesto a EP6500 con la función `arrange`
```{r}
datosor<-arrange(datos, datos$EP6500)
```

### Punto 8 

Se puede observar que hay datos que corresponden a 0, 98, 99 que no tienen un sentido lógico para ingresos, además el salario mínimo para los años 2013 y 2015 era 589.500 pesos y 644.350 respectivamente lo que me hace dudar de salarios menores a 200.000 pesos ya que se tiene por sentado que son las 13 principales ciudades de Colombia, asi que por esta razón se justifica un filtro para dejar  de salarios iguales o mayores a 200.000 pesos colombianos. 

Por el lado de valores altos hay un valor de 42.500.000 pesos puede ser un error de digitación, así que se tendrán en cuenta valores de iguales o menores a 9.000.000 pesos, aunque sigue siento una cifra alta considerando que es una encuestra de transición de la escuela al trabajo, considero que podría darse casos de: empresas privadas con salarios altos, carreras universitarias muy bien pagadas, más años de formación por ende un mejor salario y/o un relacionamiento con un conjunto de personas de altos ingresos. 

Para filtrar los valores utilizamos la función `filter` del paquete `dplyr`
```{r}
dinglog <-filter(datosor, datosor$EP6500>=200000)
dinglog<-filter(dinglog, dinglog$EP6500<=9000000)
```
Podemos guardar esta base de datos limpia, organizada y filtrada de la siguiente manera
```{r}
write.csv(dinglog, file = "joinglog")
```
### Punto 9
Con el paquete base

```{r}
boxplot(formula = dinglog$EP6500 ~ dinglog$year, boxwex = 0.3, horizontal = TRUE,
        xlab= "Ingresos mensuales", ylab= "Año",
        main= "Ingresos de jóvenes por año",
        col = c("red", "green"), border =c("darkred","darkgreen"))
grid()
legend("right", legend= c("2015","2013"), fill=c("darkgreen","darkred"))
```

Para acompañar el análisis vamos a mostrar el resumen de los 6 datos para la variable EP6500 por separado de los años 2013 y 2015 de esta manera
```{r}
ing2013<-dinglog$EP6500[dinglog$year == "2013"]
ing2015<-dinglog$EP6500[dinglog$year=="2015"]
summary(ing2013)
summary(ing2015)
```
En el gráfico de caja se observa que hay gran cantidad de datos atípicos en la zona de valores de altos ingresos, para el año 2015 la mediana es de 713.650 y en 2013 de 700.000 aunque las cajas son pequeñas están traslapadas, es decir, que el ingreso tiene la misma variabilidad para los años 2013 y 2015. Por otro lado el 25% de los jóvenes tienen un ingreso igual o inferior a 637.000 para el año 2015 y de 589.500 para el año 2013, también el 75% de los jóvenes tuvieron un salario igual o inferior a 975.000 en el año 2013 y de 1.000.000 para el año 2015. El salario promedio de los jóvenes es de 880.207 para el año 2015 y de 857.037 para el año 2013. 

Los valores máximo no atípicos son de 1.500.000 aproximadamente para ambos años y mínimos de 200.000 para ambos años. La mediana es muy parecida y el promedio también de esta manera se podrían comparar medidas de dispersión para los dos años diferentes aunque unicamente sera un referente. 

### Punto 10 

Para saber valores atípicos extremos se utiliza la siguiente regla $x<(q1-3*iqr) | x>(q3+3*iqr)$, en R tenemos para el 2013
```{r}
q1.13<-589500
q3.13<-975000
ri.2013<-975000-589500
i1.2013<-q1.13-3*ri.2013
i1.2013
i2.2013<-q3.13+3*ri.2013
i2.2013
```
Notese que a partir de la regla de valores atípicos tenemos: $[-567.000,2.131.500]$ 

Para filtrar los datos, se filtrará unicamente por encima ya que no hay valores menores a -567.000 se hace la aclaración, ya que si hubiera datos por debajo se deberían filtrar 
```{r}
dingatipi13<- filter(dinglog, dinglog$EP6500>2131500, year=="2013")
```
### Punto 11

Para el año 2015 
```{r}
q1.15<-637000
q3.15<-1000000
ri.15<-(q3.15)-(q1.15)
i1.15<-q1.15-3*ri.15
i1.15
i2.15<-q3.15+3*ri.15
i2.15
```
Tenemos $[-452.000,2.089.000]$
```{r}
dingatipi15<- filter(dinglog, dinglog$EP6500>2089000, year=="2015")
```
### Punto 12 

Para realizar un resumen de los individuos unimos los datos de los dos años nuevamente. 
```{r}
datosatipicos <-rbind(dingatipi13, dingatipi15)
```
Resumen descriptivo
```{r}
summary(datosatipicos)
```

El ingresos medios para los valores atípicos es de 2.356.368 pesos, para el año 2013 y 2015 son 71 y 78 observaciones respectivamente, la mayoria tienen contrato a término indefinido, la mayoría tienen modalidad de contrato escrito y la mayoría están conformes con su contrato. Por otro lado, la mitad de los jovenes tienen ingresos iguales o superiores a 2.686.000 y el 75% tienen ingresos iguales o menores a 3.146.000, el máximo ingreso fue de 9.000.000 y el mínimo de 2.100.000. 

Note que la gran mayoría de los ingresos atípicos corresponden a contratos escritos a término indefinido y además están conformes con su contrato. Estan balanceado la cantidad por año con 71 y 78 observaciones (jovenes) para el año 2013 y 2015 respectivamente.

El siguiente histograma muestra la distribución de los datos. 

```{r}
  hist(datosatipicos$EP6500, 
       xlab = "Ingresos", 
       ylab = "Frecuancia", col="darkgreen", 
       main = "Histograma de la variable EP6500 Ingreso mensual")
```

A partir del histograma y el resumen descriptivo podemos decir que el coeficiente de asimetria es positivo ya que la media es mayor a la mediana, sin embargo podemos calcular el coeficiente de la siguiente manera $\alpha_{3}=\frac{\sum_{i=1}^{n}(x-\overline{x})^{3}}{n.S^{3}}$ y en R tenemos
```{r}
library(moments)
skewness(datosatipicos$EP6500)
```
Tenemos $\alpha_{3}>0$ por lo cual tenemos asimetría positiva, en el mismo sentido podemos calcular el coeficiente de curtosis de la siguiente manera, $\alpha_{4}=\frac{\sum_{i=1}^{n}(x-\overline{x})^{4}}{n.S^{4}}$ y en R tenemos
```{r}
kurtosis(datosatipicos$EP6500)
```
Tenemos $\alpha_{4}>3$ por lo cual concluimos que es "Leptocúrtica" la distribución de los ingresos atípicos, es decir, que los datos estan concentrados alrededor de la media. 

### Punto 13

Para la variable EP6450 ¿El contrato es verbal o escrito?, hacemos un gráfico de barras con el paquete `ggplot2`
```{r}
library(ggplot2)
ggplot(dinglog, aes(dinglog$EP6450, fill=year))+
  geom_bar(width = 0.4, position = "dodge", alpha=0.7)+
  xlab("Tipo de contrato")+
  ylab("Número de jóvenes")+
  labs("Tipo de contrato por año")+
  theme(legend.title ="red")+
    scale_fill_brewer("Año", palette = "Set1")+
  theme_minimal()

  
```

Obseverve que la mayoría de jóvenes tiene contrato de tipo escrito, ahora podemos cruzar con la variable si esta conforme con su contrato en una tabla de frecuencias de la siguiente manera
```{r message=FALSE}
library(janitor)

dinglog %>% 
  tabyl(EP6450, EP6422) %>% 
  adorn_totals(where =c("row", "col")) %>% 
  adorn_percentages(denominator = "row") %>% 
  adorn_pct_formatting(digits = 1)
```
Observe que el tipo de contrato Escrito tiene el mayor porcentaje de aprobación por parte de los jóvenes con un 85.4% comparado con Verbal que tiene 76.1% de conformidad y por último los jóvenes que No tiene contrato con 64.1%, en términos generales los jóvenes están conformes con su contrato con un 82.2% comparado con los que no estan conformes que son 17.8%

Para la variable EP6460, nuevamente se mostrará un gráfico de cajas o boxplot pero esta vez con el paquete `ggplot2`y cruzado con la variable EP6500
```{r}
ggplot(data=dinglog, aes(x= EP6460, y= EP6500))+
  geom_boxplot(fill="lightgreen", color="darkgreen",
               outlier.colour = "darkred", outlier.shape = 1)+
  labs(title="Diagrama de cajas")+
  xlab("Ingreso mensual de los jóvenes")+
  ylab("Término de contrato")+
  coord_flip()+
  theme_minimal()
```

Observe que los jóvenes que no saben o no informan el tipo de término que tiene el contrato tienen ingresos inferiores ralativamente comparado con los jovenes que tienen contrato a término fijo o término indefinido. Incluso se puede evidenciar que el Cuartil 3 o Q3 de los jóvenes que no saben o no informan de su contrato esta traslapado con la mediana de las otras dos cajas, es decir, el 75% de estos jóvenes tienen ingresos iguales o menores que el 50% de los jóvenes con contrato a término fijo e indefinido. 

```{r}
ggplot(dinglog, aes(dinglog$EP6500, fill= dinglog$EP6460))+
  geom_histogram(alpha=0.9, bins = 39)+
  xlab("Ingreso mensual")+
  ylab("Número de jóvenes")+
  labs(title = "Histograma Ingreso mensual por término de contrato")+
  theme(legend.title = element_blank())+
  scale_fill_brewer("Término de contrato",palette = "Set1")+
  theme_minimal()
```

El anterior histograma, muestra cómo están distribuidos los jóvenes y sus ingresos mensuales por término de contrato, note que el mayor número de jóvenes tiene un contrato a término indefinido, seguido de término fijo y por último No sabe no informa, las distribuciones son parecidas en cuanto a la forma del histograma.

Por último tenemos la variable de conformidad con el contrato, EP6422. Haciendo uso de la función `tabyl` se mostrará una tabla de información cruzada con la variable EP6460
```{r}
dinglog %>% 
  tabyl(EP6460, EP6422) %>% 
  adorn_totals(where = c("row","col")) %>% 
  adorn_percentages(denominator = "col") %>% 
  adorn_pct_formatting(digits = 1) 

```

La tabla anterior muestra que los jóvenes que Si estan conformes con su contrato en su mayoría tienen contrato a término indefinido con un 78.2%, pero de los jóvenes que No estan conformes en su mayoría también tienen contrato a término indefinido con un 58.1%.

```{r}
ggplot(dinglog, aes(EP6460, fill=dinglog$EP6422))+
  geom_bar(width = 0.5, alpha=0.9, position = "dodge")+
  xlab("Término del contrato")+
  ylab("Número de jovenes")+
  labs(title ="Término de contrato por conformidad")+
  theme_minimal()+
  theme(legend.title = element_blank())+
  scale_fill_brewer(palette = "Set1")
```

El gráfico de barras anterior describe la cantidad de jóvenes y su término de contrato y la conformidad con este, fijese que la mayoría de jóvenes Si están conformes con su contrato, este gráfico ilustra y complementa la tabla de frecuencias anterior. 

### Punto 14

Para encontrar las medidas descriptivas de cada variable tenemos que filtrar por categoría usando la función `filter` en este caso se usará la variable EP6450 ¿El contrato es verbal o escrito? la siguiente tabla resume la información. 
```{r results=FALSE, echo=FALSE}
library(moments)
verbal <-filter(dinglog, dinglog$EP6450=="Verbal")
summary(verbal$EP6500)
min(verbal$EP6500)
max(verbal$EP6500)
quantile(verbal$EP6500, 0.25)
median(verbal$EP6500)
quantile(verbal$EP6500, 0.75)
mean(verbal$EP6500)
range(verbal$EP6500)
IQR(verbal$EP6500)
sd(verbal$EP6500)
CVverb<-(sd(verbal$EP6500)/mean(verbal$EP6500)*100)
CVverb
skewness(verbal$EP6500)
kurtosis(verbal$EP6500)

notiene <-filter(dinglog, dinglog$EP6450=="No tiene")
summary(notiene$EP6500)
min(notiene$EP6500)
max(notiene$EP6500)
quantile(notiene$EP6500, 0.25)
median(notiene$EP6500)
quantile(notiene$EP6500, 0.75)
mean(notiene$EP6500)
range(notiene$EP6500)
IQR(notiene$EP6500)
sd(notiene$EP6500)
CVnt<-(sd(notiene$EP6500)/mean(notiene$EP6500)*100)
CVnt
skewness(notiene$EP6500)
kurtosis(notiene$EP6500)

esc <-filter(dinglog, dinglog$EP6450=="Escrito")
summary(esc$EP6500)
min(esc$EP6500)
max(esc$EP6500)
quantile(esc$EP6500, 0.25)
median(esc$EP6500)
quantile(esc$EP6500, 0.75)
mean(esc$EP6500)
range(esc$EP6500)
IQR(esc$EP6500)
sd(esc$EP6500)
CVes<-(sd(esc$EP6500)/mean(esc$EP6500)*100)
CVes
skewness(esc$EP6500)
kurtosis(esc$EP6500)
```

<center>
<style type="text/css">
.tg  {border-collapse:collapse;border-color:#aaa;border-spacing:0;border-style:solid;border-width:1px;}
.tg td{background-color:#fff;border-color:#aaa;border-style:solid;border-width:0px;color:#333;
  font-family:Arial, sans-serif;font-size:14px;overflow:hidden;padding:10px 5px;word-break:normal;}
.tg th{background-color:#f38630;border-color:#aaa;border-style:solid;border-width:0px;color:#fff;
  font-family:Arial, sans-serif;font-size:14px;font-weight:normal;overflow:hidden;padding:10px 5px;word-break:normal;}
.tg .tg-c7df{background-color:#fe0000;border-color:inherit;font-weight:bold;text-align:center;vertical-align:top}
.tg .tg-hvpc{background-color:#FCFBE3;border-color:inherit;font-weight:bold;text-align:left;vertical-align:top}
.tg .tg-fymr{border-color:inherit;font-weight:bold;text-align:left;vertical-align:top}
</style>
<table class="tg">
<thead>
  <tr>
    <th class="tg-c7df">Medida</th>
    <th class="tg-c7df">Verbal</th>
    <th class="tg-c7df">No tiene</th>
    <th class="tg-c7df">Escrito</th>
  </tr>
</thead>
<tbody>
  <tr>
    <td class="tg-hvpc"><br>Mínimo</td>
    <td class="tg-hvpc">$200.000</td>
    <td class="tg-hvpc">$200.000</td>
    <td class="tg-hvpc">$200.000</td>
  </tr>
  <tr>
    <td class="tg-fymr">Máximo</td>
    <td class="tg-fymr">$4.000.000</td>
    <td class="tg-fymr">$1.400.000</td>
    <td class="tg-fymr">$9.000.000</td>
  </tr>
  <tr>
    <td class="tg-hvpc">Cuartil 1</td>
    <td class="tg-hvpc">$400.000</td>
    <td class="tg-hvpc">$400.000</td>
    <td class="tg-hvpc">$644.350</td>
  </tr>
  <tr>
    <td class="tg-fymr">Mediana</td>
    <td class="tg-fymr">$600.000</td>
    <td class="tg-fymr">$600.000</td>
    <td class="tg-fymr">$800.000</td>
  </tr>
  <tr>
    <td class="tg-hvpc">Cuartil 3 </td>
    <td class="tg-hvpc">$700.000</td>
    <td class="tg-hvpc">$710.000</td>
    <td class="tg-hvpc">$1.137.000</td>
  </tr>
  <tr>
    <td class="tg-fymr">Media</td>
    <td class="tg-fymr">$605.971</td>
    <td class="tg-fymr">$609.564</td>
    <td class="tg-fymr">$995.443</td>
  </tr>
  <tr>
    <td class="tg-hvpc">Rango</td>
    <td class="tg-hvpc">[$200.000,$4.000.000]</td>
    <td class="tg-hvpc">[$200.000,$1.400.000]</td>
    <td class="tg-hvpc">[$2.000.000,$9.000.000]</td>
  </tr>
  <tr>
    <td class="tg-fymr">Rango <br>Intercuartílico</td>
    <td class="tg-fymr">$300.000</td>
    <td class="tg-fymr">$310.000</td>
    <td class="tg-fymr">$492.650</td>
  </tr>
  <tr>
    <td class="tg-hvpc">Desv. Estándar</td>
    <td class="tg-hvpc">$330.312</td>
    <td class="tg-hvpc">$298.630</td>
    <td class="tg-hvpc">$649.643</td>
  </tr>
  <tr>
    <td class="tg-fymr">Coef Variación</td>
    <td class="tg-fymr">54,5</td>
    <td class="tg-fymr">49</td>
    <td class="tg-fymr">65,3</td>
  </tr>
  <tr>
    <td class="tg-hvpc">Asimetría</td>
    <td class="tg-hvpc">2,9</td>
    <td class="tg-hvpc">1</td>
    <td class="tg-hvpc">3,9</td>
  </tr>
  <tr>
    <td class="tg-fymr">Curtosis</td>
    <td class="tg-fymr">21,3</td>
    <td class="tg-fymr">3,5</td>
    <td class="tg-fymr">29,6</td>
  </tr>
</tbody>
</table>
</center>


