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
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")
| 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")
| 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")
| 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)
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)
| 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.
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))
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)
| 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)
| 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.
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.
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)
| 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.