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

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
summary(ing2015)
##    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

summary(datosatipicos)
##       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>


