EDA
Daniela Hernández y Valeria Incer
2024-08-26
Recursos/Librerías
library(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.5
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ ggplot2 3.5.1 ✔ tibble 3.2.1
## ✔ lubridate 1.9.3 ✔ tidyr 1.3.1
## ✔ purrr 1.0.2
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorslibrary(ggplot2)
library(readxl)
require(tibble)
library(readr)
library(dplyr)
library(Amelia)## Cargando paquete requerido: Rcpp
## ##
## ## Amelia II: Multiple Imputation
## ## (Version 1.8.2, built: 2024-04-10)
## ## Copyright (C) 2005-2024 James Honaker, Gary King and Matthew Blackwell
## ## Refer to http://gking.harvard.edu/amelia/ for more information
## ##library(Rcpp)
library(knitr)
library(kableExtra)##
## Adjuntando el paquete: 'kableExtra'
##
## The following object is masked from 'package:dplyr':
##
## group_rowslibrary(scales) ##
## Adjuntando el paquete: 'scales'
##
## The following object is masked from 'package:purrr':
##
## discard
##
## The following object is masked from 'package:readr':
##
## col_factorlibrary(viridis)## Cargando paquete requerido: viridisLite
##
## Adjuntando el paquete: 'viridis'
##
## The following object is masked from 'package:scales':
##
## viridis_pallibrary(nortest)##Importar base de datos
#Cargar la base de datos en la variable "bd"
bd <- read.csv(file.choose(),
sep=",",
header=TRUE,
fileEncoding = "UTF-8")##Visualización del data frame:
kable(bd[1:20, ], caption = "Tabla 1: Colombianos en el exterior") %>%
kable_styling(full_width = F) %>%
column_spec(2, width = "20em") %>%
scroll_box(width = "900px", height = "450px")| País | Código.ISO.país | Oficina.de.registro | Grupo.edad | Edad..años. | Área.Conocimiento | Sub.Area.Conocimiento | Nivel.Académico | Estado.civil | Género | Etnia.de.la.persona | Estatura..CM. | Localización | Cantidad.de.personas |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| ARGENTINA | ARG | C. BUENOS AIRES | ADOLESCENTE | 14 | INGENIERÍA, ARQUITECTURA Y AFINES | INGENIERÍA ELÉCTRICA Y AFINES | NO INDICA | SOLTERO | FEMENINO | NINGUNA | -1 | (-38.416097, -63.616672) | 1 |
| ECUADOR | ECU | C. QUITO | ADULTO | 57 | CIENCIAS DE LA SALUD | INSTRUMENTACIÓN QUIRÚRGICA | PREGRADO - TECNOLÓGICO | CASADO | FEMENINO | OTRO | -1 | (-1.831239, -78.183406) | 1 |
| ESPAÑA | ESP | C. LAS PALMAS DE G.C | ADULTO JOVEN | 28 | NO INDICA | NO INDICA | BACHILLERATO | SOLTERO | MASCULINO | NINGUNA | 164 | (40.463667, -3.74922) | 1 |
| ESTADOS UNIDOS | USA | C. ORLANDO | ADULTO MAYOR | 66 | ECONOMÍA, ADMINISTRACIÓN CONTADURIA Y AFINES | ADMINISTRACIÓN | PREGRADO - PROFESIONAL | CASADO | FEMENINO | OTRO | -1 | (37.09024, -95.712891) | 1 |
| CHILE | CHL | C. ANTOFAGASTA | ADULTO | 57 | NINGUNA | NINGUNA | PRIMARIA | SOLTERO | FEMENINO | AFRODESCENDIENTE | 159 | (-35.675147, -71.542969) | 1 |
| REPUBLICA DOMINICANA | DOM | C. SANTO DOMINGO | ADULTO | 43 | ECONOMÍA, ADMINISTRACIÓN CONTADURIA Y AFINES | ADMINISTRACIÓN | NO INDICA | CASADO | FEMENINO | NINGUNA | -1 | (18.735693, -70.162651) | 1 |
| DINAMARCA | DNK | C. ESTOCOLMO | ADULTO JOVEN | 27 | CIENCIAS DE LA EDUCACIÓN | EDUCACIÓN | NO INDICA | SOLTERO | MASCULINO | NINGUNA | -1 | (56.26392, 9.501785) | 1 |
| CANADA | CAN | C. MONTREAL | ADULTO | 51 | NO INDICA | NO INDICA | PREGRADO - PROFESIONAL | VIUDO | FEMENINO | NINGUNA | 154 | (56.130366, -106.346771) | 1 |
| VENEZUELA | VEN | C. BARINAS | ADULTO | 39 | NO INDICA | NO INDICA | PRIMARIA | CASADO | MASCULINO | NINGUNA | 185 | (6.42375, -66.58973) | 1 |
| VENEZUELA | VEN | C. MERIDA VEN | ADULTO MAYOR | 94 | NO INDICA | NO INDICA | PRIMARIA | CASADO | MASCULINO | OTRO | -1 | (6.42375, -66.58973) | 1 |
| AUSTRALIA | AUS | C. SYDNEY | ADULTO | 35 | CIENCIAS DE LA EDUCACIÓN | EDUCACIÓN | PREGRADO - TÉCNICO PROFESIONAL | DESCONOCIDO | MASCULINO | OTRO | -1 | (-25.274398, 133.775136) | 1 |
| AUSTRIA | AUT | C. VIENA | ADULTO | 46 | MATEMÁTICAS Y CIENCIAS NATURALES | BIOLOGÍA, MICROBIOLOGÍA Y AFINES | NO INDICA | CASADO | MASCULINO | OTRO | -1 | (47.516231, 14.550072) | 1 |
| ESPAÑA | ESP | C. VALENCIA ESP | ADULTO | 56 | NO INDICA | NO INDICA | PREGRADO - PROFESIONAL | CASADO | MASCULINO | NINGUNA | 170 | (40.463667, -3.74922) | 1 |
| VENEZUELA | VEN | C. VALENCIA VEN | ADULTO | 43 | CIENCIAS SOCIALES Y HUMANAS | PERIODISMO, COMUNICACIÓN SOCIAL Y AFINES | PREGRADO - TECNOLÓGICO | SOLTERO | FEMENINO | NINGUNA | 158 | (6.42375, -66.58973) | 1 |
| SINGAPUR | SGP | C. SINGAPUR | ADULTO | 56 | INGENIERÍA, ARQUITECTURA Y AFINES | INGENIERÍA EN SISTEMAS, TELEMÁTICA Y AFINES | POSTGRADO - MAESTRIA | CASADO | MASCULINO | NINGUNA | -1 | (1.352083, 103.819836) | 1 |
| ESTADOS UNIDOS | USA | C. ORLANDO | ADULTO MAYOR | 85 | NO INDICA | NO INDICA | PRIMARIA | SOLTERO | FEMENINO | OTRO | 148 | (37.09024, -95.712891) | 1 |
| SUIZA | CHE | C. BERNA | ADULTO | 54 | NINGUNA | NINGUNA | BACHILLERATO | DIVORCIADO | MASCULINO | NINGUNA | 163 | (46.818188, 8.227512) | 1 |
| ESTADOS UNIDOS | USA | C. HOUSTON | ADULTO | 42 | BELLAS ARTES | DISEÑO | NO INDICA | UNION_LIBRE | FEMENINO | NINGUNA | -1 | (37.09024, -95.712891) | 1 |
| REINO UNIDO | GBR | C. LONDRES | ADULTO | 40 | INGENIERÍA, ARQUITECTURA Y AFINES | INGENIERÍA ELÉCTRICA Y AFINES | NO INDICA | SOLTERO | MASCULINO | OTRO | -1 | (55.378051, -3.435973) | 1 |
| REINO UNIDO | GBR | C. LONDRES | ADULTO | 44 | NO INDICA | NO INDICA | POSTGRADO - MAESTRIA | CASADO | MASCULINO | NINGUNA | 194 | (55.378051, -3.435973) | 1 |
CONTENIDO
1. Contextualización:
Descripción de la Base de Datos: La base de datos “Colombianos registrados en el exterior” es un conjunto de datos abiertos, suministrado por el Ministerio de relaciones exteriores y publicado a través del portal de datos abiertos de Colombia (datos.gov.co). Este dataset recoge información detallada acerca de la población colombiana residente y registrada en las diferentes misiones consulares en el exterior que incluye el género, la edad, el nivel de estudios, la ocupación, lugar de residencia, el consulado de la circunscripción que lo atiende, entre otros.
Estos datos son recolectados con el propósito de mantener un registro actualizado de los colombianos que residen fuera del país, siendo útil para entender la distribución geográfica de la diáspora colombiana y para asuntos electorales y de servicios consulares. Además, el registro en consulados permite a los ciudadanos acceder a diversos servicios, como la renovación de documentos de identidad y la realización de trámites legales.
Es importante destacar que la base de datos solo incluye a aquellos ciudadanos que se han registrado voluntariamente en los consulados, por lo que no refleja la totalidad de la población colombiana en el exterior. Sin embargo, proporciona una valiosa fuente de información para estudios sobre la diáspora colombiana y su impacto en la política y la economía del país.
Las variables descritas son:
• País:Indica el país en el cual se encuentra
registrado y reside el ciudadano colombiano. Cuando no se tienen datos
registrados se presenta el texto (NO REGISTRA).
• Código ISO país: Es el código alfanumérico de tres
letras que representa el país según el estándar ISO 3166-1. Cuando no se
tienen datos registrados se presenta el texto (NO REGISTRA).
• Oficina de resgistro:Especifica el consulado o
embajada donde el ciudadano realizó su registro. Cuando no se tienen
datos registrados se presenta el texto (NO REGISTRA).
• Grupo de edad:Categorización de la edad de los
ciudadanos registrados en intervalos.Primera infancia: Entre 0 y 5 años;
Infante: Entre 6 y 11 años; Adolescente: Entre 12 y 18 años; Adulto
joven: Entre 19 y 28 años; Adulto: Entre 29 y 59 años; Adulto mayor:
Entre 60 en adelante.
• Edad (años):La edad exacta del ciudadano al momento
del registro. Cuando no se tienen datos registrados se el valor
-1.
• Área de conocimiento:Indica la disciplina o campo
principal en el que la persona tiene formación o experiencia. Cuando no
se tienen datos registrados se presenta el texto (NO REGISTRA).
• Sub área de conocimiento:Es una categoría más
específica dentro del área de conocimiento, que detalla la
especialización del individuo. Cuando no se tienen datos registrados se
presenta el texto (NO REGISTRA).
• Nivel académico:Representa el grado máximo de
educación alcanzado por el ciudadano. Cuando no se tienen datos
registrados se presenta el texto (NO REGISTRA).
• Estado civil: Indica el estado civil del ciudadano en
el momento del registro. Cuando no se tienen datos registrados se
presenta el texto (NO REGISTRA).
• Género:Especifica el género del ciudadano,
generalmente categorizado como masculino o femenino. Cuando no se tienen
datos registrados se presenta el texto (DESCONOCIDO).
• Etnia de la persona:Clasifica al ciudadano según su
pertenencia a grupos étnicos reconocidos en Colombia. Cuando no se
tienen datos registrados se presenta el texto (NO REGISTRA).
• Estatura (CM):Altura del ciudadano en centímetros. El
valor -1 indica que no se encuentra una estatura registrada.
• Localización:Detalla la ubicación geográfica
específica dentro del país de residencia, como ciudad o región. •
Cantidad de personas:Indica la cantidad de personas
residentes en el exterior que cumplen con las condiciones
demográficas.
2.Características de la base de datos
Dimensiones:
dim(bd)## [1] 782250 14- Número de filas: 782250
- Número de columnas: 14
Nombres de las variables:
names(bd)## [1] "País" "Código.ISO.país" "Oficina.de.registro"
## [4] "Grupo.edad" "Edad..años." "Área.Conocimiento"
## [7] "Sub.Area.Conocimiento" "Nivel.Académico" "Estado.civil"
## [10] "Género" "Etnia.de.la.persona" "Estatura..CM."
## [13] "Localización" "Cantidad.de.personas"Tipo de dato(estructura):
sapply(bd, class)## País Código.ISO.país Oficina.de.registro
## "character" "character" "character"
## Grupo.edad Edad..años. Área.Conocimiento
## "character" "integer" "character"
## Sub.Area.Conocimiento Nivel.Académico Estado.civil
## "character" "character" "character"
## Género Etnia.de.la.persona Estatura..CM.
## "character" "character" "integer"
## Localización Cantidad.de.personas
## "character" "integer"table(str(bd))## 'data.frame': 782250 obs. of 14 variables:
## $ País : chr "ARGENTINA" "ECUADOR" "ESPAÑA" "ESTADOS UNIDOS" ...
## $ Código.ISO.país : chr "ARG" "ECU" "ESP" "USA" ...
## $ Oficina.de.registro : chr "C. BUENOS AIRES" "C. QUITO" "C. LAS PALMAS DE G.C" "C. ORLANDO" ...
## $ Grupo.edad : chr "ADOLESCENTE" "ADULTO" "ADULTO JOVEN" "ADULTO MAYOR" ...
## $ Edad..años. : int 14 57 28 66 57 43 27 51 39 94 ...
## $ Área.Conocimiento : chr "INGENIERÍA, ARQUITECTURA Y AFINES" "CIENCIAS DE LA SALUD" "NO INDICA" "ECONOMÍA, ADMINISTRACIÓN CONTADURIA Y AFINES" ...
## $ Sub.Area.Conocimiento: chr "INGENIERÍA ELÉCTRICA Y AFINES" "INSTRUMENTACIÓN QUIRÚRGICA" "NO INDICA" "ADMINISTRACIÓN" ...
## $ Nivel.Académico : chr "NO INDICA" "PREGRADO - TECNOLÓGICO" "BACHILLERATO" "PREGRADO - PROFESIONAL" ...
## $ Estado.civil : chr "SOLTERO" "CASADO" "SOLTERO" "CASADO" ...
## $ Género : chr "FEMENINO" "FEMENINO" "MASCULINO" "FEMENINO" ...
## $ Etnia.de.la.persona : chr "NINGUNA" "OTRO" "NINGUNA" "OTRO" ...
## $ Estatura..CM. : int -1 -1 164 -1 159 -1 -1 154 185 -1 ...
## $ Localización : chr "(-38.416097, -63.616672)" "(-1.831239, -78.183406)" "(40.463667, -3.74922)" "(37.09024, -95.712891)" ...
## $ Cantidad.de.personas : int 1 1 1 1 1 1 1 1 1 1 ...## < table of extent 0 >#En esta subsección, se realiza un cambio en el formato de dos variables para cumplir con los lineamientos y mejorar la coherencia del análisis. La variable “Estatura (CM)”, originalmente registrada en centimetros, se cambiará a metros para convertise en cuantitativa-continua. De manera similar, la variable “Localización”, que está registrada como carácter, será transformada a cuantitativa-continua. Tocará especificar que no es necesario el cambio de formato.
3. Análisis detallado de las variables:
Clasificación de las variables:
Categóricas/cualitativas:
• Nominales: País, Código ISO, Oficina de registro, Área de
conocimiento, Sub área de conocimiento, Estado civil, Género, Etnia,
Localización. • Ordinales: Grupo edad, Nivel académico.
Numéricas/cuantitativas:
• Discretas: Edad(años), Estatura (CM), Cantidad de personas.
• Continuas: NA
A continuación se representa a traves de una tabla utilizando el paquete knitr, que organiza la clasificación de las variables según su tipo y subtipo:
# Creación del data frame
clasificacion_variables <- data.frame(
Tipo = c("Categóricas/cualitativas", "Categóricas/cualitativas",
"Numéricas/cuantitativas", "Numéricas/cuantitativas"),
Subtipo = c("Nominales", "Ordinales", "Discretas", "Continuas"),
Variables = c(
"País, Código ISO, Oficina de registro, Área de conocimiento, Sub área de conocimiento, Estado civil, Género, Etnia, Localización",
"Grupo edad, Nivel académico",
"Edad (años), Estatura (CM), Cantidad de personas",
"NA"
)
)
# Crear la tabla con kable y mostrar
clasificacion_variables %>%
kable(col.names = c("Tipo", "Subtipo", "Variables"),
caption = "Clasificación de las Variables") %>%
kable_styling(full_width = FALSE) %>%
row_spec(0, background = "#DCE6F1") | Tipo | Subtipo | Variables |
|---|---|---|
| Categóricas/cualitativas | Nominales | País, Código ISO, Oficina de registro, Área de conocimiento, Sub área de conocimiento, Estado civil, Género, Etnia, Localización |
| Categóricas/cualitativas | Ordinales | Grupo edad, Nivel académico |
| Numéricas/cuantitativas | Discretas | Edad (años), Estatura (CM), Cantidad de personas |
| Numéricas/cuantitativas | Continuas | NA |
Resumen individual de las variables:
NÚMERICAS/CUANTITATIVAS: Hago uso de la función summary():
##Realizo un vector para listar todas las variables de tipo cuantitativa
v_n <- c("Edad..años.", "Estatura..CM.", "Cantidad.de.personas")
summary(bd[v_n])## Edad..años. Estatura..CM. Cantidad.de.personas
## Min. : -1.00 Min. : -1 Min. : 1.000
## 1st Qu.: 34.00 1st Qu.: -1 1st Qu.: 1.000
## Median : 44.00 Median : -1 Median : 1.000
## Mean : 45.79 Mean : 59 Mean : 1.983
## 3rd Qu.: 57.00 3rd Qu.: 160 3rd Qu.: 1.000
## Max. :140.00 Max. :163163 Max. :408.000bd3 <- bd %>%
mutate(Edad_Rango = case_when(
`Edad..años.` >= 0 & `Edad..años.` <= 10 ~ "(0-10)",
`Edad..años.` >= 11 & `Edad..años.` <= 18 ~ "(11-18)",
`Edad..años.` >= 19 & `Edad..años.` <= 35 ~ "(19-35)",
`Edad..años.` >= 36 & `Edad..años.` <= 50 ~ "(36-50)",
`Edad..años.` > 50 ~ "(50+)",
TRUE ~ "Desconocido"
))
edad_rango_count <- bd3 %>%
count(Edad_Rango) %>%
arrange(Edad_Rango)
ggplot(edad_rango_count, aes(x = reorder(Edad_Rango, n), y = n, fill = Edad_Rango)) +
geom_bar(stat = "identity", color = "black") + # Colorear las barras por rango de edad
labs(title = "Distribución de Edades de Colombianos en el Exterior",
x = "Rango de Edad",
y = "Cantidad de Personas") +
theme_minimal() +
theme(
plot.title = element_text(hjust = 0.5, face = "bold", size = 16),
axis.title.x = element_text(face = "bold", size = 14),
axis.title.y = element_text(face = "bold", size = 14),
legend.position = "none", # Eliminar la leyenda
axis.text.x = element_text(angle = 0, hjust = 1) # Mejorar la legibilidad de las etiquetas
) +
scale_fill_brewer(palette = "Set3") + # Usar una paleta de colores con suficiente contraste
scale_y_continuous(labels = scales::comma)
##Análisis estadístico y pruebas de normalidad:
# Calcular media y mediana para Edad
media_edad <- mean(bd$Edad..años., na.rm = TRUE)
mediana_edad <- median(bd$Edad..años., na.rm = TRUE)
# Calcular media y mediana para Estatura
media_estatura <- mean(bd$Estatura..CM., na.rm = TRUE)
mediana_estatura <- median(bd$Estatura..CM., na.rm = TRUE)
# Calcular media y mediana para Cantidad de personas
media_cantidad_personas <- mean(bd$Cantidad.de.personas, na.rm = TRUE)
mediana_cantidad_personas <- median(bd$Cantidad.de.personas, na.rm = TRUE)
# Crear un data frame con los resultados
resultados <- data.frame(
Variable = c("Edad", "Estatura (CM)", "Cantidad de Personas"),
Media = c(media_edad, media_estatura, media_cantidad_personas),
Mediana = c(mediana_edad, mediana_estatura, mediana_cantidad_personas)
)
# Mostrar la tabla utilizando kableExtra
kable(resultados, col.names = c("Variable", "Media", "Mediana")) %>%
kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive"), full_width = F) %>%
row_spec(0, bold = TRUE, color = "white", background = "#4CAF50") %>%
row_spec(1:3, background = "#f5f5f5")| Variable | Media | Mediana |
|---|---|---|
| Edad | 45.790231 | 44 |
| Estatura (CM) | 59.001006 | -1 |
| Cantidad de Personas | 1.983135 | 1 |
# Definir los percentiles que deseas calcular
percentiles <- c(0.25, 0.50, 0.75, 0.90, 0.95)
# Calcular los percentiles para Edad
percentiles_edad <- quantile(bd$Edad..años., percentiles, na.rm = TRUE)
# Calcular los percentiles para Estatura
percentiles_estatura <- quantile(bd$Estatura..CM., percentiles, na.rm = TRUE)
# Calcular los percentiles para Cantidad de Personas
percentiles_cantidad_personas <- quantile(bd$Cantidad.de.personas, percentiles, na.rm = TRUE)
# Crear un data frame con los resultados
percentiles_df <- data.frame(
Percentil = names(percentiles_edad),
`Edad (años)` = percentiles_edad,
`Estatura (CM)` = percentiles_estatura,
`Cantidad de Personas` = percentiles_cantidad_personas
)
# Mostrar la tabla utilizando kableExtra
kable(percentiles_df, col.names = c("Percentil", "Edad (años)", "Estatura (CM)", "Cantidad de Personas")) %>%
kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive"), full_width = F) %>%
row_spec(0, bold = TRUE, color = "white", background = "#2196F3") %>%
row_spec(1:5, background = "#e0f7fa")| Percentil | Edad (años) | Estatura (CM) | Cantidad de Personas | |
|---|---|---|---|---|
| 25% | 25% | 34 | -1 | 1 |
| 50% | 50% | 44 | -1 | 1 |
| 75% | 75% | 57 | 160 | 1 |
| 90% | 90% | 68 | 170 | 3 |
| 95% | 95% | 74 | 175 | 5 |
# Calcular desviación estándar y coeficiente de variación
estadisticas <- bd %>%
summarise(
`Desviación Estándar (Edad)` = sd(Edad..años., na.rm = TRUE),
`Coeficiente de Variación (Edad)` = (sd(Edad..años., na.rm = TRUE) / mean(Edad..años., na.rm = TRUE))*100,
`Desviación Estándar (Estatura)` = sd(Estatura..CM., na.rm = TRUE),
`Coeficiente de Variación (Estatura)` = (sd(Estatura..CM., na.rm = TRUE) / mean(Estatura..CM., na.rm = TRUE))*100,
`Desviación Estándar (Cantidad de Personas)` = sd(Cantidad.de.personas, na.rm = TRUE),
`Coeficiente de Variación (Cantidad de Personas)` = (sd(Cantidad.de.personas, na.rm = TRUE) / mean(Cantidad.de.personas, na.rm = TRUE))*100
)
# Convertir los resultados en un data frame para mostrar en tabla
estadisticas_df <- as.data.frame(t(estadisticas))
colnames(estadisticas_df) <- c("Valor")
# Mostrar los resultados en una tabla con kableExtra
kable(estadisticas_df, caption = "Desviación Estándar y Coeficiente de Variación para Variables Cuantitativas") %>%
kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive"))| Valor | |
|---|---|
| Desviación Estándar (Edad) | 16.166519 |
| Coeficiente de Variación (Edad) | 35.305606 |
| Desviación Estándar (Estatura) | 265.885143 |
| Coeficiente de Variación (Estatura) | 450.645101 |
| Desviación Estándar (Cantidad de Personas) | 5.938355 |
| Coeficiente de Variación (Cantidad de Personas) | 299.442885 |
# Convertir los resultados en un data frame adecuado para la gráfica
estadisticas_graf <- estadisticas_df %>%
rownames_to_column("Métrica") %>%
separate(Métrica, into = c("Métrica", "Variable"), sep = " \\(") %>%
mutate(Variable = gsub("\\)", "", Variable))
# Crear la gráfica
ggplot(estadisticas_graf, aes(x = Variable, y = Valor, fill = Métrica)) +
geom_bar(stat = "identity", position = "dodge", color = "black") +
labs(title = "Desviación Estándar y Coeficiente de Variación",
x = "Variable",
y = "Valor") +
theme_minimal() +
theme(
plot.title = element_text(hjust = 0.5, face = "bold", size = 16),
axis.title.x = element_text(face = "bold", size = 14),
axis.title.y = element_text(face = "bold", size = 14)
) +
scale_fill_brewer(palette = "Set3")
Realización de la prueba de Anderson-Darling:
ad_edad <- ad.test(bd$Edad..años.)
ad_estatura <- ad.test(bd$Estatura..CM.)
ad_cantidad_personas <- ad.test(bd$Cantidad.de.personas)
# Crear una tabla con los resultados
ad_results <- data.frame(
Variable = c("Edad", "Estatura", "Cantidad de Personas"),
Statistic = c(ad_edad$statistic, ad_estatura$statistic, ad_cantidad_personas$statistic),
P_value = c(ad_edad$p.value, ad_estatura$p.value, ad_cantidad_personas$p.value)
)
# Mostrar los resultados en formato kable
kable(ad_results, caption = "Resultados de la Prueba de Normalidad (Anderson-Darling)", col.names = c("Variable", "Estadístico A", "Valor P")) %>%
kable_styling(bootstrap_options = c("striped", "hover", "condensed"))| Variable | Estadístico A | Valor P |
|---|---|---|
| Edad | 3487.775 | 0 |
| Estatura | 163264.780 | 0 |
| Cantidad de Personas | 230171.745 | 0 |
Implicaciones: -Rechazo de la Normalidad: El valor P igual a 0 sugiere que las diferencias entre los datos y una distribución normal son tan grandes que la probabilidad de que los datos sean normales es extremadamente baja.
Análisis de la distribución normal a través de pruebas gráficas: Histogramas:
# Histograma de Edad
hist_edad <- ggplot(bd, aes(x = Edad..años.)) +
geom_histogram(aes(y = ..density..), binwidth = 5, color = "black", fill = "lightblue") +
geom_density(color = "red", size = 1) + # Curva de densidad
labs(title = "Distribución de Edad", x = "Edad (años)", y = "Densidad") +
theme_minimal()## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.# Mostrar el histograma de Edad
hist_edad## Warning: The dot-dot notation (`..density..`) was deprecated in ggplot2 3.4.0.
## ℹ Please use `after_stat(density)` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
# Histograma de Estatura
hist_estatura <- ggplot(bd, aes(x = Estatura..CM.)) +
geom_histogram(aes(y = ..density..), binwidth = 5, color = "black", fill = "lightgreen") +
geom_density(color = "blue", size = 1) + # Curva de densidad
labs(title = "Distribución de Estatura", x = "Estatura (cm)", y = "Densidad") +
theme_minimal()
# Mostrar el histograma de Estatura
hist_estatura
Restringimos el rango del eje X, para visualizar mejor la distribución
de los datos sin que los valores extremos distorsionen la escala.
# Histograma de Estatura con ajuste del rango del eje X
hist_estatura <- ggplot(bd, aes(x = Estatura..CM.)) +
geom_histogram(aes(y = ..density..), binwidth = 5, color = "black", fill = "lightgreen") +
geom_density(color = "blue", size = 1) + # Curva de densidad
labs(title = "Distribución de Estatura", x = "Estatura (cm)", y = "Densidad") +
xlim(140, 200) + # Ajustar el rango del eje X
theme_minimal()
# Mostrar el histograma de Estatura
hist_estatura## Warning: Removed 504880 rows containing non-finite outside the scale range
## (`stat_bin()`).## Warning: Removed 504880 rows containing non-finite outside the scale range
## (`stat_density()`).## Warning: Removed 2 rows containing missing values or values outside the scale range
## (`geom_bar()`).
# Histograma de Cantidad de Personas
hist_cantidad <- ggplot(bd, aes(x = Cantidad.de.personas)) +
geom_histogram(aes(y = ..density..), binwidth = 1, color = "black", fill = "lightcoral") +
geom_density(color = "purple", size = 1) + # Curva de densidad
labs(title = "Distribución de Cantidad de Personas", x = "Cantidad de Personas", y = "Densidad") +
theme_minimal()
# Mostrar el histograma de Cantidad de Personas
hist_cantidad
Restringimos el rango del eje X, para visualizar mejor la distribución
de los datos sin que los valores extremos distorsionen la escala.
# Histograma de Cantidad de Personas con ajuste del rango del eje X
hist_cantidad <- ggplot(bd, aes(x = Cantidad.de.personas)) +
geom_histogram(aes(y = ..density..), binwidth = 1, color = "black", fill = "lightcoral") +
geom_density(color = "purple", size = 1) + # Curva de densidad
labs(title = "Distribución de Cantidad de Personas", x = "Cantidad de Personas", y = "Densidad") +
xlim(0, 10) + # Ajustar el rango del eje X
theme_minimal()
# Mostrar el histograma de Cantidad de Personas
hist_cantidad## Warning: Removed 16334 rows containing non-finite outside the scale range
## (`stat_bin()`).## Warning: Removed 16334 rows containing non-finite outside the scale range
## (`stat_density()`).## Warning: Removed 2 rows containing missing values or values outside the scale range
## (`geom_bar()`).
Los histogramas de las variables Edad, Estatura y Cantidad de Personas
muestran distribuciones claramente sesgadas, con picos concentrados en
los valores bajos y una rápida disminución en la frecuencia. Estos
patrones indican que las variables no siguen una distribución
normal.
Diagrama Q-Q (Quantile-Quantile):
# Crear los diagramas Q-Q
qq_edad <- ggplot(bd, aes(sample = Edad..años.)) +
stat_qq() +
stat_qq_line() +
labs(title = "Diagrama Q-Q para Edad",
x = "Cuantiles teóricos",
y = "Cuantiles de la muestra") +
theme_minimal()
qq_estatura <- ggplot(bd, aes(sample = Estatura..CM.)) +
stat_qq() +
stat_qq_line() +
labs(title = "Diagrama Q-Q para Estatura",
x = "Cuantiles teóricos",
y = "Cuantiles de la muestra") +
theme_minimal()
qq_cantidad_personas <- ggplot(bd, aes(sample = Cantidad.de.personas)) +
stat_qq() +
stat_qq_line() +
labs(title = "Diagrama Q-Q para Cantidad de Personas",
x = "Cuantiles teóricos",
y = "Cuantiles de la muestra") +
theme_minimal()
# Mostrar los diagramas Q-Q por separado
print(qq_edad)
print(qq_estatura)
print(qq_cantidad_personas)
Observamos como las tres variables presentan desviaciones significativas
de la línea recta, lo que indica sesgos o kurtosis en los
datos.sugeririendo una distribución no normal.
CATEGÓRICAS/CUALITATIVAS: Para hacer las tabla de frecuencias de las variables categóricas es necesario transformar primero las variables en factor:
pa_factor <- as.factor(bd$País)
pa_summary <- summary(pa_factor)
if (length(pa_summary) > 15) {
pa_summary <- head(sort(pa_summary, decreasing = TRUE), 15)
}
print(pa_summary)## ESTADOS UNIDOS ESPAÑA VENEZUELA ECUADOR CANADA
## 215007 147742 105125 40791 35378
## CHILE ARGENTINA MEXICO REINO UNIDO AUSTRALIA
## 24012 18100 17031 17017 16782
## FRANCIA PANAMA ITALIA BRASIL COSTA RICA
## 16391 14148 12955 12572 10639# Crear un data frame a partir del resumen de frecuencia
pa_df <- data.frame(País = names(pa_summary), Frecuencia = as.numeric(pa_summary))
# Graficar la tabla de frecuencias usando ggplot2
ggplot(pa_df, aes(x = reorder(País, Frecuencia), y = Frecuencia)) +
geom_bar(stat = "identity", fill = "skyblue", color = "black") +
coord_flip() + # Girar el gráfico para que los nombres se lean más fácilmente
theme_minimal() + # Tema limpio y minimalista
labs(title = "Concentración de colomianos por país",
x = "País",
y = "Concentración") +
theme(plot.title = element_text(hjust = 0.5), # Centrar el título
axis.text.y = element_text(size = 10), # Ajustar tamaño de los nombres de los países
axis.text.x = element_text(size = 10)) # Ajustar tamaño de los valores de frecuencia
cod_factor <- as.factor(bd$Código.ISO.país)
cod_summary <- summary(cod_factor)
if (length(cod_summary) > 15) {
cod_summary <- head(sort(cod_summary, decreasing = TRUE), 15)
}
print(cod_summary)## USA ESP VEN ECU CAN CHL ARG MEX GBR AUS FRA
## 215007 147742 105125 40791 35378 24012 18100 17031 17017 16782 16391
## PAN ITA BRA CRI
## 14148 12955 12572 10639of_factor <- as.factor(bd$Oficina.de.registro)
of_summary <- summary(of_factor)
if (length(of_summary) > 15) {
of_summary <- head(sort(of_summary, decreasing = TRUE), 15)
}
print(of_summary)## C. MADRID C. MIAMI C. NUEVA YORK C. BARCELONA C. ORLANDO
## 52771 37197 30079 26862 24034
## C. NEWARK C. MARACAIBO C. HOUSTON C. SEVILLA C. BUENOS AIRES
## 23806 20964 20635 19324 18100
## C. CARACAS C. VALENCIA ESP C. ATLANTA C. LONDRES C. PARIS
## 17802 17586 17148 17142 16448area_factor <- as.factor(bd$Área.Conocimiento)
area_summary <- summary(area_factor)
if (length(area_summary) > 15) {
area_summary <- head(sort(area_summary, decreasing = TRUE), 15)
}
print(area_summary)## (NO REGISTRA)
## 713
## AGRONOMÍA, VETERINARIA Y AFINES
## 5047
## AGRONOMÍA, VETERINARIA Y ZOOTECNIA
## 2725
## AVIACIÓN
## 1892
## BELLAS ARTES
## 28818
## CIENCIAS DE LA EDUCACIÓN
## 23230
## CIENCIAS DE LA SALUD
## 60672
## CIENCIAS SOCIALES Y HUMANAS
## 60682
## COCINA Y CULINARIA
## 3588
## ECONOMÍA, ADMINISTRACIÓN CONTADURIA Y AFINES
## 88555
## INGENIERÍA, ARQUITECTURA Y AFINES
## 95939
## MATEMÁTICAS Y CIENCIAS NATURALES
## 10962
## NINGUNA
## 190204
## NO INDICA
## 209223suba_factor <- as.factor(bd$Sub.Area.Conocimiento)
sarea_summary <- summary (suba_factor)
if (length(sarea_summary) > 15) {
sarea_summary <- head(sort(sarea_summary, decreasing = TRUE), 15)
}
print(sarea_summary)## NO INDICA
## 202404
## NINGUNA
## 190197
## ADMINISTRACIÓN
## 56023
## EDUCACIÓN
## 23231
## CONTADURÍA PÚBLICA
## 18436
## INGENIERÍA EN SISTEMAS, TELEMÁTICA Y AFINES
## 17540
## ENFERMERÍA
## 16205
## ECONOMÍA
## 14096
## DERECHO Y AFINES
## 13823
## INGENIERÍA INDUSTRIAL Y AFINES
## 13567
## MEDICINA
## 12796
## DISEÑO
## 11762
## OTRO PROGRAMA DE SALUD
## 10570
## INGENIERÍA MECÁNICA Y AFINES
## 9424
## PERIODISMO, COMUNICACIÓN SOCIAL Y AFINES
## 9267ec_factor <- as.factor(bd$Estado.civil)
ec_summary <- summary(ec_factor)
if (length(ec_summary) > 15) {
ec_summary <- head(sort(ec_summary, decreasing = TRUE), 15)
}
print(ec_summary)## CASADO DESCONOCIDO DIVORCIADO
## 265168 56712 48731
## SEPARADO_MATRIMONIO SEPARADO_UNION_LIBRE SOLTERO
## 2042 1014 325863
## UNION_LIBRE VIUDO
## 65410 17310# Crear un data frame con los resultados del resumen de Estado civil
ec_bd <- data.frame(Estado_civil = names(ec_summary), Frecuencia = as.numeric(ec_summary))
# Crear la gráfica
ggplot(ec_bd, aes(x = reorder(Estado_civil, Frecuencia), y = Frecuencia, fill = Estado_civil)) +
geom_bar(stat = "identity", width = 0.7, color = "white") +
coord_flip() + # Cambiar la orientación de la gráfica
scale_fill_brewer(palette = "Set2") + # Paleta de colores llamativos
theme_minimal() +
scale_y_continuous(labels = comma) + # Mostrar las frecuencias sin notación científica
labs(title = "Distribución del Estado Civil",
x = "Estado Civil",
y = "Frecuencia",
fill = "Estado Civil") +
theme(plot.title = element_text(hjust = 0.5, face = "bold", size = 16),
axis.text.x = element_text(face = "bold", color = "#4f4f4f"),
axis.text.y = element_text(face = "bold", color = "#4f4f4f"),
legend.position = "none") # Ocultar la leyenda
gen_factor <- as.factor(bd$Género)
gen_summary <- summary(gen_factor)
if (length(gen_summary) > 15) {
gen_summary <- head(sort(gen_summary, decreasing = TRUE), 15)
}
print(gen_summary)## DESCONOCIDO FEMENINO MASCULINO NO_BINARIO
## 1613 430898 349732 7gen_filtered <- gen_summary[names(gen_summary) != "DESCONOCIDO"]
# Crear un data frame con los resultados del resumen de Género filtrado
gen_df <- data.frame(Género = names(gen_filtered), Frecuencia = as.numeric(gen_filtered))
# Crear la gráfica de torta
ggplot(gen_df, aes(x = "", y = Frecuencia, fill = Género)) +
geom_bar(width = 1, stat = "identity", color = "white") +
coord_polar(theta = "y") +
scale_fill_brewer(palette = "Pastel1") +
theme_void() +
labs(title = "Distribución de Género",
fill = "Género") +
theme(plot.title = element_text(hjust = 0.5, face = "bold", size = 16)) +
geom_text(aes(label = ifelse(Género == "NO_BINARIO" & Frecuencia/sum(Frecuencia) < 0.01, "",
scales::percent(Frecuencia/sum(Frecuencia), accuracy = 0.1))),
position = position_stack(vjust = 0.5), size = 4, color = "black")
etnia_factor <- as.factor(bd$Etnia.de.la.persona)
etnia_summary <- summary(etnia_factor)
if (length(etnia_summary) > 15) {
etnia_summary <- head(sort(etnia_summary, decreasing = TRUE), 15)
}
print(etnia_summary)## AFRODESCENDIENTE GITANO
## 17162 422
## INDÍGENA NINGUNA
## 3503 394827
## OTRO PALENQUERO DE SAN BASILIO
## 323110 149
## RAIZAL DEL ARCHIPIELAGO DE SAN ANDRES SIN ETNIA REGISTRADA
## 435 42642loca_factor <- as.factor(bd$Localización)
loca_summary <- summary(loca_factor)
if (length(loca_summary) > 15) {
loca_summary <- head(sort(loca_summary, decreasing = TRUE), 15)
}
print(loca_summary)## (37.09024, -95.712891) (40.463667, -3.74922) (6.42375, -66.58973)
## 215007 147742 105125
## (-1.831239, -78.183406) (56.130366, -106.346771) (-35.675147, -71.542969)
## 40791 35378 24012
## (-38.416097, -63.616672) (23.634501, -102.552784) (55.378051, -3.435973)
## 18100 17031 17017
## (-25.274398, 133.775136) (46.227638, 2.213749) (8.537981, -80.782127)
## 16782 16391 14148
## (41.87194, 12.56738) (-14.235004, -51.92528) (9.748917, -83.753428)
## 12955 12572 10639gedad_factor <- as.factor(bd$Grupo.edad)
gedad_summary <- summary(gedad_factor)
if (length(gedad_summary) > 15) {
gedad_summary <- head(sort(gedad_summary, decreasing = TRUE), 15)
}
print(gedad_summary)## ADOLESCENTE ADULTO ADULTO JOVEN ADULTO MAYOR
## 9780 533179 68714 159445
## DESCONOCIDO INFANTE PRIMERA INFANCIA
## 1018 7238 2876naca_factor <- as.factor(bd$Nivel.Académico)
naca_summary <- summary(naca_factor)
if (length(naca_summary) > 15) {
naca_summary <- head(sort(naca_summary, decreasing = TRUE), 15)
}
print(naca_summary)## (NO REGISTRA) BACHILLERATO
## 713 148056
## NINGUNO NO INDICA
## 17062 271466
## POSTGRADO - DOCTORADO POSTGRADO - ESPECIALIZACIÓN
## 7468 20619
## POSTGRADO - MAESTRIA PREGRADO - PROFESIONAL
## 32865 137517
## PREGRADO - TÉCNICO PROFESIONAL PREGRADO - TECNOLÓGICO
## 52792 28101
## PRIMARIA SIN PROFESIÓN
## 65411 180naca_filtered <- naca_summary[names(naca_summary) != "(NO REGISTRA)"]
naca_df <- data.frame(NivelAcadémico = names(naca_filtered), Frecuencia = as.numeric(naca_filtered))
# Crear la gráfica de barras
ggplot(naca_df, aes(x = reorder(NivelAcadémico, -Frecuencia), y = Frecuencia, fill = NivelAcadémico)) +
geom_bar(stat = "identity", color = "black", width = 0.7) +
scale_fill_brewer(palette = "Paired") + # Usar una paleta vibrante
labs(title = "Distribución del Nivel Académico",
x = "Nivel Académico",
y = "Frecuencia") +
geom_text(aes(label = Frecuencia), vjust = -0.3, color = "black", size = 4.5) + # Añadir etiquetas de frecuencia
scale_y_continuous(labels = comma) +
theme_minimal(base_size = 15) + # Tema minimalista con tamaño de texto ajustado
theme(
plot.title = element_text(hjust = 0.5, face = "bold", size = 18), # Centrar y aumentar el tamaño del título
axis.title.x = element_text(face = "bold", size = 14),
axis.title.y = element_text(face = "bold", size = 14),
axis.text.x = element_text(angle = 30, hjust = 1, size = 8), # Girar etiquetas del eje X a 45 grados
legend.position = "none", # Quitar la leyenda
plot.margin = margin(t = 20, r = 20, b = 20, l = 20, unit = "pt") # Ajustar los márgenes
)+
coord_cartesian(clip = "off") # Evitar que las etiquetas se corten
4. Aplicación de filtros:
fbd1 <- bd %>% filter(`País` %in% c("CANADA", "FRANCIA", "ALEMANIA", "ITALIA", "JAPON", "REINO UNIDO", "ESTADOS UNIDOS"))
ggplot(fbd1, aes(x = `País`)) +
geom_bar(aes(fill = `País`), color = "black", width = 0.7) +
scale_fill_brewer(palette = "Set1") + # Usar una paleta vibrante como "Set1"
labs(title = "Concentración de Colombianos en Países del G7",
x = "País",
y = "Cantidad") +
geom_text(stat='count', aes(label=..count..), vjust=-0.5, color="black", size=4.5) + # Añadir etiquetas
theme_minimal(base_size = 15) + # Tema minimalista con tamaño de texto ajustado
theme(
plot.title = element_text(hjust = 0.5, face = "bold", size = 18), # Centrar y aumentar el tamaño del título
axis.title.x = element_text(face = "bold", size = 14),
axis.title.y = element_text(face = "bold", size = 14),
legend.position = "none", # Quitar la leyenda
axis.text.x = element_text(angle = 45, hjust = 1, vjust = 1), # Girar etiquetas del eje X a 45 grados
plot.margin = margin(t = 20, r = 20, b = 30, l = 20, unit = "pt") # Aumentar los márgenes superior e inferior
) +
coord_cartesian(clip = "off") # Evitar que las etiquetas de las barras se corten
fbd5 <- bd %>% filter(`País` %in% c(
"ARGENTINA", "BOLIVIA", "BRASIL", "CHILE", "ECUADOR",
"GUYANA", "PARAGUAY", "PERÚ", "SURINAM", "URUGUAY", "VENEZUELA",
"BELICE", "COSTA RICA", "EL SALVADOR", "GUATEMALA", "HONDURAS",
"NICARAGUA", "PANAMÁ", "ANTIGUA Y BARBUDA", "BAHAMAS", "BARBADOS",
"CUBA", "DOMINICA", "GRANADA", "HAITÍ", "JAMAICA",
"REPÚBLICA DOMINICANA", "SAINT KITTS Y NEVIS", "SANTA LUCÍA",
"SAN VICENTE Y LAS GRANADINAS", "TRINIDAD Y TOBAGO"
))
# Contar la cantidad de colombianos por país
fbd5_count <- fbd5 %>%
count(`País`) %>%
arrange(desc(n))
# Crear la gráfica
ggplot(fbd5_count, aes(x = reorder(`País`, -n), y = n)) +
geom_bar(stat = "identity", fill = "steelblue", color = "black", width = 0.7) + # Color único para las barras
labs(title = "Concentración de Colombianos en Latinoamérica",
x = "País",
y = "Cantidad de Colombianos") +
theme_minimal() +
theme(
axis.text.x = element_text(angle = 60, hjust = 1, vjust = 1, size = 8),
plot.title = element_text(hjust = 0.5, face = "bold", size = 16),
axis.title.x = element_text(face = "bold", size = 14),
axis.title.y = element_text(face = "bold", size = 10),
legend.position = "none", # Quitar la leyenda
plot.margin = margin(t = 10, r = 10, b = 10, l = 10) # Ajustar márgenes
) +
scale_y_continuous(expand = expansion(mult = c(0, 0.1))) 
# Filtrar datos para el rango de edad entre 20 y 35 años
fbd2_20_35 <- bd %>% filter(`Edad..años.` >= 20 & `Edad..años.` <= 35)
# Contar las frecuencias por estado civil
fbd2_20_35_count <- fbd2_20_35 %>%
count(`Estado.civil`) %>%
arrange(desc(n))
# Crear la gráfica
ggplot(fbd2_20_35_count, aes(x = reorder(`Estado.civil`, -n), y = n, fill = `Estado.civil`)) +
geom_bar(stat = "identity", color = "black") + # Colorear las barras por estado civil
labs(title = "Estado Civil de Adultos (20-35 años)",
x = "Estado Civil",
y = "Cantidad de Personas") +
theme_minimal() +
theme(
axis.text.x = element_blank(), # Quitar etiquetas del eje X
axis.title.x = element_blank(), # Quitar título del eje X
plot.title = element_text(hjust = 0.5, face = "bold", size = 16),
axis.title.y = element_text(face = "bold", size = 14),
legend.position = "right", # Mantener la leyenda a la derecha
plot.margin = margin(t = 10, r = 20, b = 10, l = 10) # Ajustar márgenes para dar espacio a la leyenda
) +
scale_fill_brewer(palette = "Set3") + # Usar una paleta de colores con suficiente contraste
scale_y_continuous(labels = scales::comma) 
#Estado civil en Colombianos inmigrantes adultos a partir de los 45+
fbd2<- bd %>%filter(`Edad..años.`>= 45)
fbd2_count <- fbd2 %>%
count(`Estado.civil`) %>%
arrange(desc(n))
# Crear la gráfica
ggplot(fbd2_count, aes(x = reorder(`Estado.civil`, -n), y = n, fill = `Estado.civil`)) +
geom_bar(stat = "identity", color = "black") + # Colorear las barras por estado civil
labs(title = "Estado Civil de Adultos (45+)",
x = "Estado Civil",
y = "Cantidad de Personas") +
theme_minimal() +
theme(
axis.text.x = element_blank(), # Quitar etiquetas del eje X
axis.title.x = element_blank(), # Quitar título del eje X
plot.title = element_text(hjust = 0.5, face = "bold", size = 16),
axis.title.y = element_text(face = "bold", size = 14),
legend.position = "right", # Mantener la leyenda a la derecha
plot.margin = margin(t = 10, r = 20, b = 10, l = 10) # Ajustar márgenes para dar espacio a la leyenda
) +
scale_fill_brewer(palette = "Set3") + # Usar una paleta de colores con suficiente contraste
scale_y_continuous(labels = scales::comma)
# Filtrar los 8 países con mayor concentración de colombianos
top_paises <- c("ESTADOS UNIDOS", "ESPAÑA", "VENEZUELA", "ECUADOR", "CANADA", "CHILE", "ARGENTINA", "MEXICO")
fbd_filtered <- bd %>%
filter(`País` %in% top_paises)
# Filtrar el nivel académico más predominante, excluyendo "NO INDICA"
fbd_filtered <- fbd_filtered %>%
filter(`Nivel.Académico` != "NO INDICA") %>%
count(`País`, `Nivel.Académico`) %>%
group_by(`País`) %>%
slice_max(n, n = 1) %>%
ungroup()
# Crear el gráfico
ggplot(fbd_filtered, aes(x = reorder(`País`, -n), y = n, fill = `Nivel.Académico`)) +
geom_bar(stat = "identity") +
labs(title = "Nivel Académico predominante por país",
x = "País",
y = "Cantidad de Colombianos") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1, size = 10),
plot.title = element_text(hjust = 0.5, face = "bold", size = 16),
axis.title.x = element_text(face = "bold", size = 10),
axis.title.y = element_text(face = "bold", size = 10)) +
scale_fill_brewer(palette = "Set3") 
areas_interes <- c("INGENIERÍA, ARQUITECTURA Y AFINES", "ECONOMÍA, ADMINISTRACIÓN CONTADURIA Y AFINES",
"CIENCIAS SOCIALES Y HUMANAS", "CIENCIAS DE LA SALUD", "CIENCIAS DE LA EDUCACIÓN",
"BELLAS ARTES")
generos_interes <- c("MASCULINO", "FEMENINO")
bd_filtered_areas_generos <- bd %>%
filter(`Área.Conocimiento` %in% areas_interes, `Género` %in% generos_interes) %>%
count(`Área.Conocimiento`, `Género`)
# Crear el gráfico
ggplot(bd_filtered_areas_generos, aes(x = `Área.Conocimiento`, y = n, fill = `Género`)) +
geom_bar(stat = "identity", position = "stack") +
labs(title = "Área de Conocimiento y Género",
x = "Área de Conocimiento",
y = "Cantidad de Colombianos") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1, size = 10),
plot.title = element_text(hjust = 0.5, face = "bold", size = 16),
axis.title.x = element_text(face = "bold", size = 14),
axis.title.y = element_text(face = "bold", size = 14)) +
scale_fill_viridis_d(option = "plasma") + # Paleta de colores para distinguir géneros
coord_flip()
##5. Exploración de la base de datos con la función table:: En este inciso, aplicaré la función table de manera diferente, enfocándome en las frecuencias combinadas para analizar las variables numéricas a través de tablas. Este enfoque me permitirá explorar las relaciones entre las variables categóricas y las numéricas en el conjunto de datos.
PAÍS:
freq_table <- table(bd$País)
# Este bloque de código se aplica para las variables extensas, mostrando solo una cantidad máxima de 15 categorías con mayor frecuencia
if (length(freq_table) > 15) {
freq_table <- head(sort(freq_table, decreasing = TRUE), 15)
}
print(freq_table)##
## ESTADOS UNIDOS ESPAÑA VENEZUELA ECUADOR CANADA
## 215007 147742 105125 40791 35378
## CHILE ARGENTINA MEXICO REINO UNIDO AUSTRALIA
## 24012 18100 17031 17017 16782
## FRANCIA PANAMA ITALIA BRASIL COSTA RICA
## 16391 14148 12955 12572 10639CÓDIGO ISO:
freq_table <- table(bd$Código.ISO.país)
# Este bloque de código se aplica para las variables extensas, mostrando solo una cantidad máxima de 15 categorías con mayor frecuencia
if (length(freq_table) > 15) {
freq_table <- head(sort(freq_table, decreasing = TRUE), 15)
}
print(freq_table)##
## USA ESP VEN ECU CAN CHL ARG MEX GBR AUS FRA
## 215007 147742 105125 40791 35378 24012 18100 17031 17017 16782 16391
## PAN ITA BRA CRI
## 14148 12955 12572 10639OFICINA DE REGISTRO:
freq_table <- table(bd$Oficina.de.registro)
# Este bloque de código se aplica para las variables extensas, mostrando solo una cantidad máxima de 15 categorías con mayor frecuencia
if (length(freq_table) > 15) {
freq_table <- head(sort(freq_table, decreasing = TRUE), 15)
}
print(freq_table)##
## C. MADRID C. MIAMI C. NUEVA YORK C. BARCELONA C. ORLANDO
## 52771 37197 30079 26862 24034
## C. NEWARK C. MARACAIBO C. HOUSTON C. SEVILLA C. BUENOS AIRES
## 23806 20964 20635 19324 18100
## C. CARACAS C. VALENCIA ESP C. ATLANTA C. LONDRES C. PARIS
## 17802 17586 17148 17142 16448ÁREA DE CONOCIMIENTO:
freq_table <- table(bd$Área.Conocimiento)
# Este bloque de código se aplica para las variables extensas, mostrando solo una cantidad máxima de 15 categorías con mayor frecuencia
if (length(freq_table) > 15) {
freq_table <- head(sort(freq_table, decreasing = TRUE), 15)
}
print(freq_table)##
## (NO REGISTRA)
## 713
## AGRONOMÍA, VETERINARIA Y AFINES
## 5047
## AGRONOMÍA, VETERINARIA Y ZOOTECNIA
## 2725
## AVIACIÓN
## 1892
## BELLAS ARTES
## 28818
## CIENCIAS DE LA EDUCACIÓN
## 23230
## CIENCIAS DE LA SALUD
## 60672
## CIENCIAS SOCIALES Y HUMANAS
## 60682
## COCINA Y CULINARIA
## 3588
## ECONOMÍA, ADMINISTRACIÓN CONTADURIA Y AFINES
## 88555
## INGENIERÍA, ARQUITECTURA Y AFINES
## 95939
## MATEMÁTICAS Y CIENCIAS NATURALES
## 10962
## NINGUNA
## 190204
## NO INDICA
## 209223SUB-ÁREA:
freq_table <- table(bd$Sub.Area.Conocimiento)
# Este bloque de código se aplica para las variables extensas, mostrando solo una cantidad máxima de 15 categorías con mayor frecuencia
if (length(freq_table) > 15) {
freq_table <- head(sort(freq_table, decreasing = TRUE), 15)
}
print(freq_table)##
## NO INDICA
## 202404
## NINGUNA
## 190197
## ADMINISTRACIÓN
## 56023
## EDUCACIÓN
## 23231
## CONTADURÍA PÚBLICA
## 18436
## INGENIERÍA EN SISTEMAS, TELEMÁTICA Y AFINES
## 17540
## ENFERMERÍA
## 16205
## ECONOMÍA
## 14096
## DERECHO Y AFINES
## 13823
## INGENIERÍA INDUSTRIAL Y AFINES
## 13567
## MEDICINA
## 12796
## DISEÑO
## 11762
## OTRO PROGRAMA DE SALUD
## 10570
## INGENIERÍA MECÁNICA Y AFINES
## 9424
## PERIODISMO, COMUNICACIÓN SOCIAL Y AFINES
## 9267ESTADO CIVIL:
table(bd$Estado.civil)##
## CASADO DESCONOCIDO DIVORCIADO
## 265168 56712 48731
## SEPARADO_MATRIMONIO SEPARADO_UNION_LIBRE SOLTERO
## 2042 1014 325863
## UNION_LIBRE VIUDO
## 65410 17310GÉNERO:
table(bd$Género)##
## DESCONOCIDO FEMENINO MASCULINO NO_BINARIO
## 1613 430898 349732 7ETNIA:
table(bd$Etnia.de.la.persona)##
## AFRODESCENDIENTE GITANO
## 17162 422
## INDÍGENA NINGUNA
## 3503 394827
## OTRO PALENQUERO DE SAN BASILIO
## 323110 149
## RAIZAL DEL ARCHIPIELAGO DE SAN ANDRES SIN ETNIA REGISTRADA
## 435 42642LOCALIZACIÓN:
freq_table <- table(bd$Localización)
# Este bloque de código se aplica para las variables extensas, mostrando solo una cantidad máxima de 15 categorías con mayor frecuencia
if (length(freq_table) > 15) {
freq_table <- head(sort(freq_table, decreasing = TRUE), 15)
}
print(freq_table)##
## (37.09024, -95.712891) (40.463667, -3.74922) (6.42375, -66.58973)
## 215007 147742 105125
## (-1.831239, -78.183406) (56.130366, -106.346771) (-35.675147, -71.542969)
## 40791 35378 24012
## (-38.416097, -63.616672) (23.634501, -102.552784) (55.378051, -3.435973)
## 18100 17031 17017
## (-25.274398, 133.775136) (46.227638, 2.213749) (8.537981, -80.782127)
## 16782 16391 14148
## (41.87194, 12.56738) (-14.235004, -51.92528) (9.748917, -83.753428)
## 12955 12572 10639GRUPO EDAD:
table(bd$Grupo.edad)##
## ADOLESCENTE ADULTO ADULTO JOVEN ADULTO MAYOR
## 9780 533179 68714 159445
## DESCONOCIDO INFANTE PRIMERA INFANCIA
## 1018 7238 2876NIVEL ACADÉMICO:
table(bd$Nivel.Académico)##
## (NO REGISTRA) BACHILLERATO
## 713 148056
## NINGUNO NO INDICA
## 17062 271466
## POSTGRADO - DOCTORADO POSTGRADO - ESPECIALIZACIÓN
## 7468 20619
## POSTGRADO - MAESTRIA PREGRADO - PROFESIONAL
## 32865 137517
## PREGRADO - TÉCNICO PROFESIONAL PREGRADO - TECNOLÓGICO
## 52792 28101
## PRIMARIA SIN PROFESIÓN
## 65411 180EDAD(AÑOS):
freq_table <- table(bd$Edad..años.)
# Este bloque de código se aplica para las variables extensas, mostrando solo una cantidad máxima de 15 categorías con mayor frecuencia
if (length(freq_table) > 15) {
freq_table <- head(sort(freq_table, decreasing = TRUE), 15)
}
print(freq_table)##
## 35 39 38 37 34 36 40 42 41 43 44 33 45
## 21054 20832 20600 20529 20305 20259 20247 20207 19998 19983 19899 19858 19184
## 32 31
## 19120 18044ESTATURA(CM):
freq_table <- table(bd$Estatura..CM.)
# Este bloque de código se aplica para las variables extensas, mostrando solo una cantidad máxima de 15 categorías con mayor frecuencia
if (length(freq_table) > 15) {
freq_table <- head(sort(freq_table, decreasing = TRUE), 15)
}
print(freq_table)##
## -1 160 170 165 155 168 175 158 163 162 167
## 499997 23751 19815 19769 12247 12052 11034 10204 9948 9909 9289
## 172 164 156 157
## 8537 8127 7686 7576CANTIDAD DE PERSONAS:
freq_table <- table(bd$Cantidad.de.personas)
# Este bloque de código se aplica para las variables extensas, mostrando solo una cantidad máxima de 15 categorías con mayor frecuencia
if (length(freq_table) > 15) {
freq_table <- head(sort(freq_table, decreasing = TRUE), 15)
}
print(freq_table)##
## 1 2 3 4 5 6 7 8 9 10 11
## 625801 76474 26222 13354 7887 5465 3775 2856 2275 1807 1545
## 12 13 14 15
## 1278 1134 936 7796. Valores NA (Not Available) en la base de datos:
Antes de poderidentificar los datos NA´s se modifican el formato de algunas variables para que sigan un mismo lineamiento:
# Reemplazar "NO REGISTRA" con NA en cada columna individualmente
# País
bd$País[bd$País == "NO REGISTRA"] <- NA
# Código ISO país
bd$Código.ISO.país[bd$Código.ISO.país == "NO REGISTRA"] <- NA
# Oficina de registro
bd$Oficina.de.registro[bd$Oficina.de.registro == "NO REGISTRA"] <- NA
# Área de conocimiento
bd$Área.Conocimiento[bd$Área.Conocimiento == "NO REGISTRA"] <- NA
# Sub área de conocimiento
bd$Sub.Area.Conocimiento[bd$Sub.Area.Conocimiento == "NO REGISTRA"] <- NA
# Nivel académico
bd$Nivel.Académico[bd$Nivel.académico == "NO REGISTRA"] <- NA
# Estado civil
bd$Estado.civil[bd$Estado.civil == "NO REGISTRA"] <- NA
# Etnia de la persona
bd$Etnia.de.la.persona[bd$Etnia.de.la.persona == "NO REGISTRA"] <- NA
# Reemplazar "DESCONOCIDO" con NA en Grupo edad y Género
# Grupo edad
bd$Grupo.edad[bd$Grupo.edad == "DESCONOCIDO"] <- NA
# Género
bd$Género[bd$Género == "DESCONOCIDO"] <- NA
# Reemplazar "-1" con NA en Edad y Estatura
# Edad
bd$Edad..años.[bd$Edad..años. == -1] <- NA
# Estatura
bd$Estatura..CM.[bd$Estatura..CM. == -1] <- NAAhora sí podemos identificar los valores NA:
#Identificar cantidad de valores NA en la base de datos
total_na <- sum(is.na(bd))
cat("Cantidad total de valores NA en la base de datos:", total_na, "\n")## Cantidad total de valores NA en la base de datos: 503646#Identificar la cantidad de valores NA por cada columna
na_por_columna <- colSums(is.na(bd))
cat("Cantidad de valores NA por columna:\n")## Cantidad de valores NA por columna:print(na_por_columna)## País Código.ISO.país Oficina.de.registro
## 0 0 0
## Grupo.edad Edad..años. Área.Conocimiento
## 1018 1018 0
## Sub.Area.Conocimiento Nivel.Académico Estado.civil
## 0 0 0
## Género Etnia.de.la.persona Estatura..CM.
## 1613 0 499997
## Localización Cantidad.de.personas
## 0 0#Identificar columnas que contienen valores NA
columnas_con_na <- names(na_por_columna[na_por_columna > 0])
cat("Columnas que contienen valores NA:", paste(columnas_con_na, collapse = ", "), "\n")## Columnas que contienen valores NA: Grupo.edad, Edad..años., Género, Estatura..CM.Ahora, creamos un gráficoque nos permita visualizar los valores faltantes(NA):
# Cargar la librería Amelia
suppressWarnings(require(Amelia))
# Crear el gráfico de missmap
suppressWarnings(missmap(bd))
#7. Analisis de posibles valores atípicos:
Caracterización:
#Función para contar valores atípicos
contar_atipicos <- function(x) {
iqr <- IQR(x, na.rm = TRUE)
cuartil1 <- quantile(x, 0.25, na.rm = TRUE)
cuartil3 <- quantile(x, 0.75, na.rm = TRUE)
lim_inferior <- cuartil1 - 1.5 * iqr
lim_superior <- cuartil3 + 1.5 * iqr
atipicos <- x[x < lim_inferior | x > lim_superior]
return(length(atipicos))
}
#Contar valores atípicos para cada variable numérica
num_edad <- contar_atipicos(bd$Edad..años.)
num_esta <- contar_atipicos(bd$Estatura..CM.)
num_cp <- contar_atipicos(bd$Cantidad.de.personas)
cat("Cantidad de valores atípicos en la variables Edad es:", num_edad, "\n")## Cantidad de valores atípicos en la variables Edad es: 4525cat("Cantidad de valores atípicos en la variable Estatura es:", num_esta, "\n")## Cantidad de valores atípicos en la variable Estatura es: 505470cat("Cantidad de valores atípicos en la variables cantidad de personas es:", num_cp, "\n")## Cantidad de valores atípicos en la variables cantidad de personas es: 156449A continuación se manejan los valores atípicos, y se visualizan las distribuciones de tres variables específicas(numéricas) a través de diagramas de caja (boxplots).
require(dplyr)
# Visualizar los boxplots
par(mfrow=c(1,3))
boxplot(bd$Edad..años., main="Edad(años)")
boxplot(bd$Estatura..CM., main="Estatura(CM)")
boxplot(bd$Cantidad.de.personas, main="Cantidad de personas")
Observamos como los tres gráficos evidencian valores atípicos muy altos que deben ser procesados.
Ahora, reemplazamos los valores atípicos por valores NA (lo cual es equivalente a eliminarlos):
# Reemplazar valores atípicos con NA
bd$Edad..años.[bd$Edad..años. > 90] <- NA
bd$Estatura..CM.[bd$Estatura..CM. > 200] <- NA
bd$Estatura..CM.[bd$Estatura..CM. < 40] <- NA
bd$Cantidad.de.personas[bd$Cantidad.de.personas > 8 ] <- NA # Repetimos los boxplots
par(mfrow=c(1,3))
boxplot(bd$Edad..años., main="Edad(años)")
boxplot(bd$Estatura..CM., main="Estatura(CM)")
boxplot(bd$Cantidad.de.personas, main="Cantidad de personas")
Debido a que las variables analizadas no siguen una distribución normal, los valores atípicos fueron identificados y posteriormente imputados utilizando la mediana de cada variable, con el fin de reducir el sesgo en los análisis subsecuentes. La mediana es una opción robusta para reemplazar los valores faltantes, ya que no se ve afectada por valores extremos y proporciona una representación central de los datos.
bd$Edad..años.[is.na(bd$Edad..años.)] <- median(bd$Edad..años., na.rm = TRUE)
bd$Estatura..CM.[is.na(bd$Estatura..CM.)] <- median(bd$Estatura..CM., na.rm = TRUE)
bd$Cantidad.de.personas[is.na(bd$Cantidad.de.personas)] <- median(bd$Cantidad.de.personas, na.rm = TRUE)Finalmente se realiza el esquema de los Datos y se verifica que no se encuentren NAS:
# Cargar el paquete Amelia
suppressWarnings(library(Amelia))
# Crear el gráfico de missmap
suppressWarnings(missmap(bd))