Analisis del Desarrollo y Sostenibilidad a nivel mundial 2023
Luis Mariño y Juan Esteban
2024-08-28
library(readr)
library(dplyr)##
## Adjuntando el paquete: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(ggplot2)
library(psych)##
## Adjuntando el paquete: 'psych'## The following objects are masked from 'package:ggplot2':
##
## %+%, alphaContexto de la Base de Datos
La constante evolución de la sociedad a lo largo de los años ha traído consigo una serie de cambios profundos , los cuales las naciones deben saber gestionar inteligentemente ya que esto genera bastante oportunidad para seguir creciendo. Históricamente, se ha asumido que los países con mayor poder a nivel mundial son aquellos con los mayores niveles de desarrollo, pero esta incompleta esa idea , ya que el verdadero progreso no solo se mide en términos de influencia política o expansión territorial,sino que entran en juego otros factores tanto ambientales, sociales, humanitarios, educacion entre otros. Asimismo, los países más vulnerables y subdesarrollados a nivel mundial han sido históricamente afectados no solo por factores económicos, sino también por una combinación de elementos políticos y sociales,limitando las oportunidades de desarrollo sostenible A continuacion, desde una base de datos vamos a analizar como influyen las distintas variables frente al desarrollo y sostenibilidad de los paises.
datos <- read_csv("C:\\Users\\leste\\OneDrive\\Escritorio\\data.csv")## Rows: 167 Columns: 14
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (1): Country
## dbl (13): AveragScore, SafetySecurity, PersonelFreedom, Governance, SocialCa...
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.View(datos)
summary(datos)## Country AveragScore SafetySecurity PersonelFreedom
## Length:167 Min. :30.40 Min. :16.54 Min. :16.16
## Class :character 1st Qu.:47.77 1st Qu.:59.29 1st Qu.:39.65
## Mode :character Median :57.53 Median :68.93 Median :57.17
## Mean :58.06 Mean :67.24 Mean :56.83
## 3rd Qu.:66.86 3rd Qu.:80.56 3rd Qu.:72.86
## Max. :84.55 Max. :96.32 Max. :94.10
## Governance SocialCapital InvestmentEnvironment EnterpriseConditions
## Min. :13.09 Min. :23.01 Min. :21.69 Min. :20.50
## 1st Qu.:37.47 1st Qu.:47.82 1st Qu.:40.77 1st Qu.:45.83
## Median :47.51 Median :54.39 Median :51.25 Median :53.52
## Mean :50.36 Mean :54.47 Mean :53.01 Mean :54.79
## 3rd Qu.:60.97 3rd Qu.:60.61 3rd Qu.:64.64 3rd Qu.:62.76
## Max. :90.41 Max. :82.56 Max. :84.99 Max. :83.84
## MarketAccessInfrastructure EconomicQuality LivingConditions Health
## Min. :24.23 Min. :24.46 Min. :19.21 Min. :31.95
## 1st Qu.:40.05 1st Qu.:41.30 1st Qu.:55.83 1st Qu.:60.59
## Median :56.59 Median :50.06 Median :74.77 Median :71.38
## Mean :55.02 Mean :51.57 Mean :69.80 Mean :68.62
## 3rd Qu.:69.06 3rd Qu.:62.55 3rd Qu.:86.97 3rd Qu.:77.34
## Max. :85.75 Max. :80.10 Max. :95.86 Max. :86.89
## Education NaturalEnvironment
## Min. :16.78 Min. :33.67
## 1st Qu.:44.35 1st Qu.:50.27
## Median :61.93 Median :55.54
## Mean :58.72 Mean :56.23
## 3rd Qu.:74.13 3rd Qu.:61.94
## Max. :91.44 Max. :78.74names(datos)## [1] "Country" "AveragScore"
## [3] "SafetySecurity" "PersonelFreedom"
## [5] "Governance" "SocialCapital"
## [7] "InvestmentEnvironment" "EnterpriseConditions"
## [9] "MarketAccessInfrastructure" "EconomicQuality"
## [11] "LivingConditions" "Health"
## [13] "Education" "NaturalEnvironment"head(datos)## # A tibble: 6 × 14
## Country AveragScore SafetySecurity PersonelFreedom Governance SocialCapital
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Denmark 84.6 92.6 94.1 89.4 82.6
## 2 Sweden 83.7 91.0 91.9 86.4 78.3
## 3 Norway 83.6 93.3 94.1 89.7 79.0
## 4 Finland 83.5 89.6 92.0 90.4 77.3
## 5 Switzer… 83.4 95.7 87.5 87.7 69.1
## 6 Netherla… 82.3 91.2 90.1 87.3 74.0
## # ℹ 8 more variables: InvestmentEnvironment <dbl>, EnterpriseConditions <dbl>,
## # MarketAccessInfrastructure <dbl>, EconomicQuality <dbl>,
## # LivingConditions <dbl>, Health <dbl>, Education <dbl>,
## # NaturalEnvironment <dbl>tail(datos)## # A tibble: 6 × 14
## Country AveragScore SafetySecurity PersonelFreedom Governance SocialCapital
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Chad 34.7 47.0 38.3 23.0 42.1
## 2 Somalia 34.4 31.9 34.3 23.8 43.5
## 3 Afghanis… 34.2 20.9 31.0 29.5 31.2
## 4 Central … 32.8 35.3 36.8 28.4 36.7
## 5 Yemen 32.6 22.6 25.3 18.2 38.4
## 6 South Su… 30.4 16.5 27.0 22.2 36.1
## # ℹ 8 more variables: InvestmentEnvironment <dbl>, EnterpriseConditions <dbl>,
## # MarketAccessInfrastructure <dbl>, EconomicQuality <dbl>,
## # LivingConditions <dbl>, Health <dbl>, Education <dbl>,
## # NaturalEnvironment <dbl>#Lista de Variables a Usar en la Base de Datos
En la base de datos se consideran un total de 14 variables, de las cuales una se dedica a identificar los países. En lugar de evaluar cada una de las 13 variables de forma independiente, se utilizará una variable que representa el promedio de las restantes 12 variables. Estas variables incluyen factores de seguridad, libertad humanitaria, gobernanza, aspectos ambientales, económicos, calidad de vida, condiciones empresariales, salud y educación.
# Filtrar datos por continentes
paises_america <- c("Argentina", "Bolivia", "Brazil", "Canada", "Chile", "Colombia",
"Costa Rica", "Cuba", "Dominican Republic", "Ecuador", "El Salvador",
"Guatemala", "Haiti", "Honduras", "Jamaica", "Mexico", "Nicaragua",
"Panama", "Paraguay", "Peru", "United States", "Uruguay", "Venezuela")
america <- datos %>% filter(grepl(paste(paises_america, collapse = "|"), Country, ignore.case = TRUE))
View(america)
datos <- read.csv("data.csv", sep = ",", header = TRUE)# Filtrar los países de europa en el dataset
paises_europa <- c("Albania", "Andorra", "Armenia", "Austria", "Azerbaijan", "Belarus", "Belgium",
"Bosnia and Herzegovina", "Bulgaria", "Croatia", "Cyprus", "Czech Republic",
"Denmark", "Estonia", "Finland", "France", "Georgia", "Germany", "Greece",
"Hungary", "Iceland", "Ireland", "Italy", "Kazakhstan", "Kosovo", "Latvia",
"Liechtenstein", "Lithuania", "Luxembourg", "Malta", "Moldova", "Monaco",
"Montenegro", "Netherlands", "North Macedonia", "Norway", "Poland", "Portugal",
"Romania", "Russia", "San Marino", "Serbia", "Slovakia", "Slovenia", "Spain",
"Sweden", "Switzerland", "Turkey", "Ukraine", "United Kingdom")
europa <- datos %>% filter(grepl(paste(paises_europa, collapse = "|"), Country, ignore.case = TRUE))
View(europa)
datos <- read.csv("data.csv", sep = ",", header = TRUE)# Filtrar los países de africa en el dataset
paises_africa <- c("Algeria", "Angola", "Benin", "Botswana", "Burkina Faso", "Burundi", "Cabo Verde",
"Cameroon", "Central African Republic", "Chad", "Comoros", "Democratic Republic of the Congo",
"Djibouti", "Egypt", "Equatorial Guinea", "Eritrea", "Eswatini", "Ethiopia",
"Gabon", "Gambia", "Ghana", "Guinea", "Guinea-Bissau", "Ivory Coast",
"Kenya", "Lesotho", "Liberia", "Libya", "Madagascar", "Malawi", "Mali",
"Mauritania", "Mauritius", "Morocco", "Mozambique", "Namibia", "Niger",
"Nigeria", "Republic of the Congo", "Rwanda", "Sao Tome and Principe",
"Senegal", "Seychelles", "Sierra Leone", "Somalia", "South Africa",
"South Sudan", "Sudan", "Tanzania", "Togo", "Tunisia", "Uganda", "Zambia", "Zimbabwe")
africa <- datos %>% filter(grepl(paste(paises_africa, collapse = "|"), Country, ignore.case = TRUE))
View(africa)
datos <- read.csv("data.csv", sep = ",", header = TRUE)# Filtrar los países de africa en el dataset
paises_asia <- c("Afghanistan", "Armenia", "Azerbaijan", "Bahrain", "Bangladesh", "Bhutan", "Brunei",
"Cambodia", "China", "Cyprus", "Georgia", "India", "Indonesia", "Iran",
"Iraq", "Israel", "Japan", "Jordan", "Kazakhstan", "Kuwait", "Kyrgyzstan",
"Laos", "Lebanon", "Malaysia", "Maldives", "Mongolia", "Myanmar", "Nepal",
"North Korea", "Oman", "Pakistan", "Palestine", "Philippines", "Qatar",
"Saudi Arabia", "Singapore", "South Korea", "Sri Lanka", "Syria", "Tajikistan",
"Thailand", "Timor-Leste", "Turkey", "Turkmenistan", "United Arab Emirates", "Uzbekistan",
"Vietnam", "Yemen")
Asia <- datos %>% filter(grepl(paste(paises_asia, collapse = "|"), Country, ignore.case = TRUE))
View(Asia)Histogramas por filtro de continente
La tabla a continuación muestra la distribución normal de los puntajes para todos los países en la base de datos. Se observa que la mayor concentración de puntajes se encuentra en el rango de 55 a 60, mientras que el intervalo con la menor frecuencia de puntajes está entre 30 y 40.
# Histograma de distribución normal global
hist(datos$AveragScore,
main = "Histograma de Distribución Normal",
xlab = "Puntaje Promedio",
ylab = "Frecuencia",
col = "lightgreen")
# Histograma de distribución normal para América
hist(america$AveragScore,
main = "Histograma de Distribución Normal América",
xlab = "Puntaje Promedio",
ylab = "Frecuencia",
col = "lightgreen")
# Histograma de distribución normal para Europa
hist(europa$AveragScore,
main = "Histograma de Distribución Normal Europa",
xlab = "Puntaje Promedio",
ylab = "Frecuencia",
col = "lightgreen")
#histograma de histograma de africa : Este histograma representa la distribución de los puntajes en África, dando a conocer un ligero sesgo hacia la derecha. Esto indica una alta frecuencia en bajos puntajes y una menor frecuencia en los puntajes más altos.
# Histograma de distribución normal para África
hist(africa$AveragScore,
main = "Histograma de Distribución Normal África",
xlab = "Puntaje Promedio",
ylab = "Frecuencia",
col = "lightgreen")
# Histograma de distribución normal para Asia
hist(Asia$AveragScore,
main = "Histograma de Distribución Normal Asia",
xlab = "Puntaje Promedio",
ylab = "Frecuencia",
col = "lightgreen")
# Boxplot 2: Europa
boxplot(europa$AveragScore,
main = "Europa",
ylab = "Puntaje Promedio",
col = "lightgreen")
boxplot(america$AveragScore,
main = "America",
ylab = "Puntaje Promedio",
col = "lightgreen")
boxplot(Asia$AveragScore,
main = "Asia",
ylab = "Puntaje Promedio",
col = "lightgreen")
boxplot(africa$AveragScore,
main = "Africa",
ylab = "Puntaje Promedio",
col = "lightgreen")
# Cálculo de cuartiles para cada región
Quantiles <- quantile(datos$AveragScore, probs = c(0.25, 0.5, 0.75), na.rm = TRUE)
print(Quantiles)## 25% 50% 75%
## 47.77 57.53 66.86Cuartiles_america <- quantile(america$AveragScore, probs = c(0.25, 0.5, 0.75), na.rm = TRUE)
print(Cuartiles_america)## 25% 50% 75%
## 53.585 59.300 62.855Cuartiles_europa <- quantile(europa$AveragScore, probs = c(0.25, 0.5, 0.75), na.rm = TRUE)
print(Cuartiles_europa)## 25% 50% 75%
## 62.6325 72.7650 79.5225Cuartiles_asia <- quantile(Asia$AveragScore, probs = c(0.25, 0.5, 0.75), na.rm = TRUE)
print(Cuartiles_asia)## 25% 50% 75%
## 51.29 57.14 61.54Cuartiles_africa <- quantile(africa$AveragScore, probs = c(0.25, 0.5, 0.75), na.rm = TRUE)
print(Cuartiles_africa)## 25% 50% 75%
## 42.720 46.105 51.195subset_datos <- datos[c(1:10, (nrow(datos)-9):nrow(datos)), ]
# Gráfico de barras para 'SocialCapital'
barplot(subset_datos$SocialCapital,
main = "Capital Social",
xlab = "Países",
ylab = "Índice de Capital Social",
names.arg = subset_datos$Country, las = 2)
# Gráfico de barras para 'LivingConditions'
barplot(subset_datos$LivingConditions,
main = "Condiciones de Vida",
xlab = "Países",
ylab = "Índice de Condiciones de Vida",
names.arg = subset_datos$Country, las = 2)
# Gráfico de barras para 'Health'
barplot(subset_datos$Health,
main = "Salud",
xlab = "Países",
ylab = "Índice de Salud",
names.arg = subset_datos$Country, las = 2)
# Gráfico de barras para 'Education'
barplot(subset_datos$Education,
main = "Educación",
xlab = "Países",
ylab = "Índice de Educación",
names.arg = subset_datos$Country, las = 2)
En conclusión, ser una potencia mundial no garantiza necesariamente el desarrollo y la sostenibilidad. Aunque este factor es importante, no es decisivo, ya que se consideran fundamentales los aspectos sociales, ambientales y de seguridad, que aportan más al crecimiento que el poder político. Asimismo, se pudo evidenciar que los países más subdesarrollados son aquellos con la peor calidad de vida, educación deficiente y escaso acceso a servicios de salud, lo que resulta en condiciones de vida poco óptimas para sus habitantes. Como factor común, los países que priorizan el bienestar de su población muestran mayor desarrollo , por lo que los gobiernos deben trabajar de manera inteligente para asegurar condiciones optimas para el crecimiento de la nacion.
Note that the echo = FALSE parameter was added to the
code chunk to prevent printing of the R code that generated the
plot.