Informe sobre los puntajes de Inglés del año 2019 en la Región Caribe.


Aprendices: Carlos Armando Verbel García, Johan Barrios, Ian David Iglesias Arrieta, Juan Sebastián cabrera Aguilar y Jesus David Barrios Montes


12/06/2024

Contenido


  1. Introducción

  2. Base de datos


  3. Ejercicios


  4. Gráficos









Introducción

En este informe vamos a utilizar una base de datos llamada ‘base de datos.csv’ que contiene información sobre los puntajes de inglés del año 2019 en la Región Caribe. Esta base de datos incluye diversos registros y variables relevantes para el análisis de los resultados en la materia de inglés. Utilizaremos el lenguaje de programación R en formato R Markdown en Documento HTML para analizar estos datos y presentar los resultados mediante gráficos. Este análisis nos permitirá comprender mejor el rendimiento académico en inglés en esta región durante el año 2019 y detectar posibles tendencias y áreas de mejora.






1. Primero importaremos la base de datos



#Datos
#Cargamos la librería

library(readxl)
DATA<-"C:\\Users\\PC\\OneDrive\\Documents\\Tareas SENA\\Estudio R\\Rmarkdown\\Rmarkdown Final\\Base de datos\\base de datos.csv"

datos_data<- read.csv(DATA)



2. Ejercicios Aplicados.




  • Este código muestra cuantas personas hay en cada categoria de nivel de ingles. 


    • reporte_ingles<- c(datos_data$DESEMP_INGLES)
reporte_org <- as.factor(reporte_ingles)
summary(reporte_org)


    ##     A-     A1     A2     B+     B1 
## 271183 153405  79450   7321  34853




  • Este código muestra un resumen de los datos de los puntajes de las personas ubicadas en la region caribe. 


    • R_CARIBE= c("MAGDALENA", "ATLANTICO","BOLIVAR","LA GUAJIRA","CESAR","CORDOBA","SUCRE")

Puntaje_I_caribe<- datos_data$PUNT_INGLES[datos_data$ESTU_DEPTO_RESIDE %in% R_CARIBE]
summary(Puntaje_I_caribe)


    ##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##    0.00   37.00   44.00   45.34   53.00  100.00       3




  • Este código muestra un resumen de los datos de los puntajes de las personas por departamento. 


    • promedios_por_ciudad <- matrix(nrow = length(R_CARIBE), ncol = 1)
rownames(promedios_por_ciudad) <- R_CARIBE

for (i in 1:length(R_CARIBE)) {
  ciudad <- R_CARIBE[i]
  puntajes_ciudad <- datos_data$PUNT_INGLES[datos_data$ESTU_DEPTO_RESIDE == ciudad]
  promedio_ciudad <- mean(puntajes_ciudad, na.rm = TRUE)
  promedios_por_ciudad[i, 1] <- promedio_ciudad
  #aca asigna el promedio en la matrix en la celda i en la columna 1
}

colnames(promedios_por_ciudad) <- c("Promedio Puntaje Inglés")
print(promedios_por_ciudad)


    ##            Promedio Puntaje Inglés
## MAGDALENA                 42.32305
## ATLANTICO                 48.26312
## BOLIVAR                   44.29015
## LA GUAJIRA                41.75359
## CESAR                     46.41458
## CORDOBA                   45.45598
## SUCRE                     45.12750




  • Mostramos el promedio puntaje de Inglés por estrato. 


    • estratos<- c("Estrato 1","Estrato 2","Estrato 3","Estrato 4", "Estrato 5","Estrato 6")

Promedio_p_E_A<- matrix(nrow = length(estratos),ncol = 1)
rownames(Promedio_p_E_A) <- estratos

for(e in 1:length(estratos)) {
  puntaje<- datos_data$PUNT_INGLES[datos_data$FAMI_ESTRATOVIVIENDA == estratos[e]]
  p_puntaje<- mean(puntaje , na.rm = TRUE)
  Promedio_p_E_A[e,1]<- p_puntaje
}

colnames(Promedio_p_E_A) <- c("Promedio Puntaje Inglés")
print(Promedio_p_E_A)


    ##           Promedio Puntaje Inglés
## Estrato 1                44.78906
## Estrato 2                48.89160
## Estrato 3                53.25653
## Estrato 4                57.08594
## Estrato 5                56.53764
## Estrato 6                52.96712




  • y por último mostramos el promedio puntaje de Inglés por Género. 


    • p_ingles_masculino<- datos_data$PUNT_INGLES[datos_data$ESTU_GENERO == "M"]
p_ingles_femenino<- datos_data$PUNT_INGLES[datos_data$ESTU_GENERO == "F"]
generos<- c("masculino","femenino")
pu_genero<- c(mean(p_ingles_femenino, na.rm = TRUE), mean(p_ingles_masculino , na.rm = TRUE))
pu_genero<- matrix(pu_genero)
rownames(pu_genero) <- generos
colnames(pu_genero) <- "promedio puntaje ingles"
print(pu_genero)


    ##           promedio puntaje ingles
## masculino                47.91955
## femenino                 49.00488



    3. Gráficos



  • Promedio puntaje de Inglés por estrato. 


    • barplot(as.numeric(Promedio_p_E_A[,"Promedio Puntaje Inglés"]), 
        names.arg = rownames(Promedio_p_E_A), 
        main = "Promedio de Puntaje de Inglés por Estrato",
        xlab = "Estrato",
        ylab = "Promedio Puntaje de Inglés",
        col = "green")




  • El siguiente muestra el promedio de Inglés por género. 


    • boxplot(list(Femenino = p_ingles_femenino, Masculino = p_ingles_masculino),
        main = "Comparación de Puntajes de Inglés por Género",
        ylab = "Puntaje de Inglés",
        col = c("red", "yellow"))




  • Por ultimo la distribución de los puntajes en la Región Caribe. 


    • hist(Puntaje_I_caribe, 
     main = "Distribución de Puntajes de Inglés en la Región Caribe", 
     xlab = "Puntaje de Inglés", 
     ylab = "Frecuencia", 
     col = "orange", 
     breaks = 10)










    :::