A continuación se presenta la solución a la prueba de conocimientos para la selección de Estudiante Auxiliar en la convocatoria de Análisis de datos en la UNAL

#Instalación de las librerias necesarias
load.libraries <- c('readxl','dplyr', 'lubridate','ggplot2','tidyr','knitr','DT','kableExtra','stringr')
options(warn=-1)
suppressPackageStartupMessages({install.lib <- load.libraries[!load.libraries %in% installed.packages()]
for(libs in install.lib) install.packages(libs, dependences = TRUE)
sapply(load.libraries, require, character = TRUE)
options(warn=0) })
#carga de la base de datos
path = "E:/Angel_M/Universidad Nacional/zSemestre IX/Convocatorias/BaseDeDatosPruebaDeConocimientos-Marzo21De2024.xlsx"
df <- read_excel(path)

Dataset a analizar:

datatable(df)
tipos_clase <- lapply(df, class)
tipos_clase_vector <- unlist(tipos_clase, use.names = TRUE)
print(tipos_clase_vector)
##         NOMBRECARGO         NOMBRETURNO        ESTADOPUESTO          NOMVINCULA 
##         "character"         "character"         "character"         "character" 
##     SITUACIONPUESTO              GENERO       FECHA_INGRESO          NIVELCARGO 
##         "character"         "character"         "character"         "character" 
##      NOMBRELINEAEML MAXNIVELACADPUBLICA          TIPOUNIDAD 
##         "character"         "character"         "character"

Vemos que el contenido de algunas columnas no corresponde con el tipo de variable (Class), por lo que es lo primero que se debe modificar.

df$FECHA_INGRESO <- as.Date(df$FECHA_INGRESO, format = "%d/%m/%Y")
df[1, "FECHA_INGRESO"] <- as.Date("2012/02/13") #Correcion manual de un dato mal interpretado por R

1. Exploración de datos

Primero creo una columna con la información de los años de antiguedad de cada puesto

#df$ANOS_INGRESO <- 2024-year(df$FECHA_INGRESO)
fecha_actual <- as.Date("2024-03-22")
diferencia <- difftime(fecha_actual, df$FECHA_INGRESO, units = "days")
df$ANOS_INGRESO <- as.integer(floor(as.numeric(diferencia) / 365.25)) 

Cálculo de algunas estadísticas descriptivas para variables numericas

numericas <- as.data.frame(apply(df %>% select_if(is.numeric), 2, summary))
colnames(numericas) <- "Año de Ingreso"
tabla_anos <- numericas %>%
  kable("html", digits=3) %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE) %>%
  row_spec(0, bold = TRUE)

tabla_anos
Año de Ingreso
Min. 0.000
1st Qu. 4.000
Median 13.000
Mean 17.199
3rd Qu. 28.000
Max. 53.000

A continuación se muestran tablas de frecuencia para tres variables categóricas.

generar_tabla_frecuencia <- function(df, variable) {
 tabla <- df %>%
    count(!!sym(variable)) %>%
    mutate(
      Frecuencia_Acumulada = cumsum(n),
      Frecuencia_Relativa = n / sum(n)
    )
  
 kable(tabla, caption = paste("Tabla de frecuencia para variable", variable), col.names = c(variable, "Frecuencia", "Frecuencia Acumulada", "Frecuencia Relativa"), align = "c") %>%
    kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE) %>%
    row_spec(0, bold = TRUE)
}
generar_tabla_frecuencia(df, "ESTADOPUESTO")
Tabla de frecuencia para variable ESTADOPUESTO
ESTADOPUESTO Frecuencia Frecuencia Acumulada Frecuencia Relativa
OCUPADO Y DISPONIBLE 43 43 0.0265268
OCUPADO Y NO DISPONIBLE 1320 1363 0.8143122
VACANTE Y DISPONIBLE 61 1424 0.0376311
VACANTE Y NO DISPONIBLE 197 1621 0.1215299
generar_tabla_frecuencia(df, "GENERO")
Tabla de frecuencia para variable GENERO
GENERO Frecuencia Frecuencia Acumulada Frecuencia Relativa
. 61 61 0.0376311
F 800 861 0.4935225
M 760 1621 0.4688464
generar_tabla_frecuencia(df, "TIPOUNIDAD")
Tabla de frecuencia para variable TIPOUNIDAD
TIPOUNIDAD Frecuencia Frecuencia Acumulada Frecuencia Relativa
APOYO 852 852 0.5256015
MISIONAL 769 1621 0.4743985

Ahora genero algunas visualizaciones adecuadas para las variables categoricas anteriormente mostradas.

tabla_genero <- table(df$GENERO)
df_genero <- as.data.frame(tabla_genero)
colnames(df_genero) <- c("Genero", "Frecuencia")
pie_plot <- ggplot(df_genero, aes(x = "", y = Frecuencia, fill = Genero)) +
  geom_bar(stat = "identity", width = 1) +
  coord_polar(theta = "y") +
  theme_minimal() + 
  theme(axis.text = element_blank(),
        axis.title = element_blank(),
        panel.grid = element_blank()) +
  scale_fill_brewer(palette = "Set2") +  
  ggtitle("Distribución del género de los empleados")  

print(pie_plot)

tabla_unidad <- table(df$TIPOUNIDAD)
df_genero <- as.data.frame(tabla_unidad)
colnames(df_genero) <- c("Genero", "Frecuencia")
pie_plot <- ggplot(df_genero, aes(x = "", y = Frecuencia, fill = Genero)) +
  geom_bar(stat = "identity", width = 1) +
  coord_polar(theta = "y") +
  theme_minimal() + 
  theme(axis.text = element_blank(),
        axis.title = element_blank(),
        panel.grid = element_blank()) +
  scale_fill_brewer(palette = "Set2") +  
  ggtitle("Distribución del tipo de unidad de los empleados")  

print(pie_plot)

df_summarized <- df %>%
  group_by(ESTADOPUESTO) %>%
  summarise(Cantidad_Puestos = n())

# Ordenar estados de puesto en función de la cantidad de puestos
df_summarized <- df_summarized[order(df_summarized$Cantidad_Puestos, decreasing = TRUE), ]
df$ESTADOPUESTO <- factor(df$ESTADOPUESTO, levels = df_summarized$ESTADOPUESTO)

# Gráfico
bar_plot <- ggplot(df, aes(x = ESTADOPUESTO)) +
  geom_bar(fill = "#4FCB9D", color = "black", alpha = 0.7) +
  labs(x = "Estado del puesto", y = "Cantidad de puestos", title = "Distribución de los estados de puesto") +
  theme_minimal() + 
  theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
  theme(plot.title = element_text(hjust = 0.5, face = "bold", size = 14),
        axis.title.x = element_text(face = "bold", size = 12),
        axis.title.y = element_text(face = "bold", size = 12))

print(bar_plot)

2. Análisis de género y años de servicio

Analicemos la distribución de años de servicio separando por genero de los empleados, debido a que la categoria “.” en género corresponde a puestos vacantes no se tomara en cuenta su distribución de años de servicio.

df_filtered <- df[df$GENERO %in% c("F", "M"), ]

ggplot(df_filtered, aes(x=GENERO, y=ANOS_INGRESO,))+
  geom_boxplot(fill = "#4FCB9D", color = "black", alpha = 0.7)+
  labs(x = "Género", y = "Años de servicio", title = "Relación de los años de servicio y género") +
  theme_minimal() +  
  theme(plot.title = element_text(hjust = 0.5, face = "bold", size = 14),  
        axis.title.x = element_text(face = "bold", size = 12),  
        axis.title.y = element_text(face = "bold", size = 12), 
        axis.text = element_text(size = 10)) 

Por otra parte veamos como se comporta el promedio y otros estadísticos asociados de los años de servicio separando por género.

media_genero <- df_filtered %>%
 group_by(GENERO) %>%
 summarise(
    Media = mean(ANOS_INGRESO),
    Desv.Estándar = sd(ANOS_INGRESO),
    Coef.Variación = (sd(ANOS_INGRESO,) / mean(ANOS_INGRESO)) * 100
 )
kable(media_genero, caption = "Media y otros estadisticos de los años de servicio", col.names = c("Género", "Media", "Desviavión Estándar", "Coeficiente de Variación"), align = "c") %>%
    kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE) %>%
    row_spec(0, bold = TRUE)
Media y otros estadisticos de los años de servicio
Género Media Desviavión Estándar Coeficiente de Variación
F 16.30875 12.88705 79.01923
M 18.30000 12.51600 68.39346

De donde podemos ver que en promedio los empleados de género masculino tienen más años de servicio en la institución. Sin embargo, como para ambos generos el coeficiente de variación es alto no debemos sacar conclusiones apresuradas, puesto que datos atípicos podrían estar afectando fuertemente el valor del promedio.

3. Análisis de fechas de ingreso

La variable ANOS_SERVICIO fue creada anteriormente a partir del tiempo que ha pasado entre la fecha de ingreso del empleado y la fecha actual (22/03/2024). Dado que la variable años de servicio es discreta es conveniente usar un histograma para ver su distribución.

ggplot()+geom_histogram(data=df,
  aes(x=ANOS_INGRESO), fill = "#8da0cb", color = "#4A5F8B", binwidth=5) +
  labs(x ="Años de servicio",y="Número de empleados", title = "Histograma del número de años de servicio")+
  theme(plot.title = element_text(hjust = 0.5, face = "bold", size = 14),  
        axis.title.x = element_text(face = "bold", size = 12),  
        axis.title.y = element_text(face = "bold", size = 12), 
        axis.text = element_text(size = 10)) 

4. Relaciones entre variables

Veamos si existe algún tipo de relación entre el nombre del cargo y la cantidad de años de servicio, para ello; agrupando por nomre del cargo se calculó varios estadísticos, se ordeno por mediana y media y se mostraron los primeros datos para apreciar que cargos tiene más años de servicio.

nombre_cargo <- df_filtered %>%
 group_by(NOMBRECARGO) %>%
 summarise(
    Mediana = median(ANOS_INGRESO),
    Media = mean(ANOS_INGRESO),
    Desv.Estándar = ifelse(n() == 1, 0, round(sd(ANOS_INGRESO), 3)),
    Coef.Variación = ifelse(n() == 1, 0, round((sd(ANOS_INGRESO) / mean(ANOS_INGRESO)) * 100, 3))
 )%>%  arrange(desc(Mediana)) %>%  slice(1:10)

kable(nombre_cargo, caption = "Estadisticos de los años de servicio agrupados por nombre del cargo y ordenados por la mediana", col.names = c("Nombre del Cargo","Mediana", "Media", "Desviavión Estándar", "Coeficiente de Variación"), align = "c",digits=3) %>%
    kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE) %>%
    row_spec(0, bold = TRUE)
Estadisticos de los años de servicio agrupados por nombre del cargo y ordenados por la mediana
Nombre del Cargo Mediana Media Desviavión Estándar Coeficiente de Variación
SECRETARIO ACADÉMICO 36 36.000 0.000 0.000
ESCOLTA 34 34.000 0.000 0.000
AUXILIAR DE SERVICIOS GENERALES 33 29.632 7.239 24.430
PROGRAMADOR DE SISTEMAS 33 32.600 2.074 6.361
AUXILIAR EN SALUD ORAL 30 24.500 11.100 45.305
CELADOR 30 22.706 14.734 64.891
JEFE DE GRUPO 28 24.800 14.873 59.971
ENFERMERO AUXILIAR 26 21.111 15.870 75.174
OFICIAL DE JARDINERÍA 26 28.500 4.403 15.450
DECANO 25 21.727 8.088 37.226
nombre_cargo <- nombre_cargo %>%
  arrange(desc(Media)) %>%  slice(1:10)

kable(nombre_cargo, caption = "Estadisticos de los años de servicio agrupados por nombre del cargo y ordenados por la mediana", col.names = c("Nombre del Cargo","Mediana", "Media", "Desviavión Estándar", "Coeficiente de Variación"), align = "c",digits=3) %>%
    kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE) %>%
    row_spec(0, bold = TRUE)
Estadisticos de los años de servicio agrupados por nombre del cargo y ordenados por la mediana
Nombre del Cargo Mediana Media Desviavión Estándar Coeficiente de Variación
SECRETARIO ACADÉMICO 36 36.000 0.000 0.000
ESCOLTA 34 34.000 0.000 0.000
PROGRAMADOR DE SISTEMAS 33 32.600 2.074 6.361
AUXILIAR DE SERVICIOS GENERALES 33 29.632 7.239 24.430
OFICIAL DE JARDINERÍA 26 28.500 4.403 15.450
JEFE DE GRUPO 28 24.800 14.873 59.971
AUXILIAR EN SALUD ORAL 30 24.500 11.100 45.305
CELADOR 30 22.706 14.734 64.891
DECANO 25 21.727 8.088 37.226
ENFERMERO AUXILIAR 26 21.111 15.870 75.174

Como vemos tomando los criterios de mediana o media hay varios cargos que se repiten como secretario académico y escolta. Aún así como podemos ver su desviación estaándar es cero pues solo hay un empleado en ese cargo.

En cargos con más empleados vemos que también hay algunos que tienen particularmente más años de servivio que los demás como por ejemplo el cargo de Programador de sistemas o Auxiliar de servicios generales.

5. Análisis temporal

Observemos si existe algún tipo de tendencia temporal en la contratación a lo largo de los años, para ello veamos el siguiente gráfico de dispersión.

datos_por_anio <- df %>%
 mutate(Año = format(FECHA_INGRESO, "%Y")) %>%
 group_by(Año) %>%
 summarise(count = n())

# Crear un gráfico de dispersión con ggplot2, usando los datos agrupados y contados
ggplot(datos_por_anio, aes(x = Año, y = count)) +
 geom_point(size = 3, color = "#4FCB9D") +
 theme_minimal()+
 labs(x = "Año de Ingreso", y = "Cantidad de contrataciones", title = "Número de contrataciones a lo largo de los años") +
 theme(plot.title = element_text(hjust = 0.5, face = "bold", size = 14),
       axis.title.x = element_text(face = "bold", size = 12), 
       axis.title.y = element_text(face = "bold", size = 12),
       legend.position = "none")+
 scale_x_discrete(guide = guide_axis(check.overlap = TRUE))

De la gráfica se puede evidenciar que tenemos un cierto comportamiento de crecimiento, o de relación directamente proporcional entre el número de contrataciones y el paso del tiempo. También, cabe destacar el alto número de contrataciones en ciertos años específicos como se puede apreciar en la figura.

Para verificar qué tan fuerte es este comportamiento el comportamiento visto y realizar análisis a más profundidad sobre estos datos sería necesario realizar cálculos estadísticos y numéricos para complementar la información de la gráfica.

6. Agrupación y resumen de datos

Analicemos el comportamiento de los datos agrupados por nivel del cargo, caclulando sus principales estadísticas relacionadas con los años de servicio y realizando una visualización de los datos.

df <- df %>%
 mutate(NIVELCARGO = str_replace(NIVELCARGO, "NIVEL EDUCADOR ENSEÑANZA BASICA Y MEDIA", "NIVEL EDUCADOR (B. Y M.)"))


nivelcargo_est <- df %>%
 group_by(NIVELCARGO) %>%
 summarise(
    Media = mean(ANOS_INGRESO),
    Desv.Estándar = sd(ANOS_INGRESO),
    Coef.Variación = (sd(ANOS_INGRESO,) / mean(ANOS_INGRESO)) * 100 ,
    Mediana = median(ANOS_INGRESO),
    Maximo = max(ANOS_INGRESO),
    Mínimo = min(ANOS_INGRESO)
 )
kable(nivelcargo_est, caption = "Estadisticos principales de los años de servicio agrupados por nivel del cargo", col.names = c("Nivel del cargo", "Media", "Desviavión Estándar", "Coeficiente de Variación","Mediana","Máximo","Mínimo"), align = "c") %>%
    kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE) %>%
    row_spec(0, bold = TRUE)
Estadisticos principales de los años de servicio agrupados por nivel del cargo
Nivel del cargo Media Desviavión Estándar Coeficiente de Variación Mediana Máximo Mínimo
NIVEL ASESOR 11.03226 9.195955 83.35515 10 33 0
NIVEL ASISTENCIAL 18.15654 13.224336 72.83510 19 49 0
NIVEL DIRECTIVO 20.16667 9.106456 45.15598 19 37 0
NIVEL EDUCADOR (B. Y M.) 12.16949 9.247838 75.99198 13 36 0
NIVEL EJECUTIVO 15.13433 11.721381 77.44897 13 40 0
NIVEL OPERATIVO 21.03509 7.230799 34.37494 23 35 0
NIVEL PROFESIONAL 13.22835 11.082293 83.77686 12 45 0
NIVEL TECNICO 19.12088 12.903062 67.48153 15 53 0
# Filtro de datos
df_filtrado <- df %>% 
  filter(GENERO %in% c("F", "M"))

df_summarized <- df_filtrado %>%
  group_by(NIVELCARGO) %>%
  summarise(Cantidad_Puestos = n())

df_summarized <- df_summarized[order(df_summarized$Cantidad_Puestos, decreasing = TRUE), ]
df_filtrado$NIVELCARGO <- factor(df_filtrado$NIVELCARGO, levels = df_summarized$NIVELCARGO)

nivelcargo_plot <- ggplot(df_filtrado, aes(x = NIVELCARGO, fill = GENERO)) +
  geom_bar(color = "black", alpha = 0.7) +
  labs(x = "Nivel del cargo", y = "Cantidad de puestos", title = "Distribución de los cargos por nivel separados por género", fill = "Género") +
  theme_minimal() + 
  theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
  theme(plot.title = element_text(hjust = 0.5, face = "bold", size = 14),
        axis.title.x = element_text(face = "bold", size = 12),
        axis.title.y = element_text(face = "bold", size = 12)) +
  scale_fill_manual(values = c("F" = "#4FCB9D", "M" = "#FF6347"))

print(nivelcargo_plot)

De allí podemos realizar el siguiente resumen ejecutivo:

1. El nivel asistencial concentra la mayoría de los puestos, si a estos puestos le sumamos los niveles técnico y profesional obtendremos un porcentaje grande de todos los puestos.

2. La distribución de género es equilibrada en la mayoría de niveles, excepto en el nivel asistencial y profesional, donde hay una ligera predominancia femenina. En contraposición, el nivel técnico y operativo muestran una mayor presencia masculina, especialmente en el nivel operativo.

3. En todos los cargos, excepto en el nivel operativo, se observa una alta dispersión en la cantidad de años de servicio. Esto sugiere una amplia variabilidad, endonde algunos empleados llevan muchos años en servicio mientras que otros han sido recién contratados.

4. En el nivel operativo, los puestos tienen mayor antigüedad, donde la mayoría tienen entre 20 y 24 años de servicio. Le siguen los niveles asistenciales y directivos, con un promedio de aproximadamente 19 años de servicio. En los otros niveles, el promedio es alrededor de 14 años de servicio.