GUAINIA Taller_Componentes Estáticos de la Demografía
Paula Español
2024-10-02
Este trabajo fue elaborado con el propósito de analisar el departamento de Guainia y los principales indicadores demográficos de su población, tomando como base el censo nacional del año 2018. De manera que podamos visualizar e interpretar asertivamente su estructura poblacional.
Para este estudio tendremos en cuenta los siguientes índices:
Índice de envejecimiento: proporción de adultos mayores que encontramos en la población total. Índice de sobreenvejecimiento:proporción de personas de 80 años o más dentro del grupo de adultos mayores. Índice de feminización: población femenina por grupo de edad. relación de dependencia de vejez: proporción de población mayor, frente a la población económicamente activa. Índice de dependencia, que abarca tanto a jóvenes como a mayores en relación con la población económicamente activa. Relación de masculinidad y relación femenina: Distribución de la población por sexo en el departamento de Guainía.
A lo largo del análisis de población se profundizará en indicadores adicionales que resuten valiosos para el estudio.
######CARGAMOS LAS LIBRERÍAS
#####CARGAMOS LA BASE DE DATOS Y LOS MICRODATOS
Estas líneas de código están enfocadas en la carga de datos censales (personas, hogares, viviendas) del departamento de Guainía. Una vez cargados, se organizan los nombres de las columnas de cada archivo para inspeccionar qué variables están disponibles en los datasets. Esta es una parte inicial del análisis, donde podremos revisar los datos y prepararlos para ser utilizados en las estimaciones demográficas.
setwd("C:/Users/mpaul/Downloads/94_Guainia_CSV")
# Se cargan los microdatos Cundinamarca
CNPV2018_1VIV_A2_94 <- read_csv("CNPV2018_1VIV_A2_94.CSV")## Rows: 11506 Columns: 30
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (1): U_MPIO
## dbl (29): TIPO_REG, U_DPTO, UA_CLASE, U_EDIFICA, COD_ENCUESTAS, U_VIVIENDA, ...
##
## 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.CNPV2018_5PER_A2_94 <- read_csv("CNPV2018_5PER_A2_94.CSV")## Warning: One or more parsing issues, call `problems()` on your data frame for details,
## e.g.:
## dat <- vroom(...)
## problems(dat)## Rows: 44431 Columns: 48
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (1): U_MPIO
## dbl (44): TIPO_REG, U_DPTO, UA_CLASE, COD_ENCUESTAS, U_VIVIENDA, P_NROHOG, P...
## lgl (3): PA12_CLAN, PA21_COD_VITSA, PA22_COD_KUMPA
##
## 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.CNPV2018_2HOG_A2_94 <- read_csv("CNPV2018_2HOG_A2_94.CSV")## Rows: 10055 Columns: 13
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (1): U_MPIO
## dbl (12): TIPO_REG, U_DPTO, UA_CLASE, COD_ENCUESTAS, U_VIVIENDA, H_NROHOG, H...
##
## 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.CNPV2018_MGN_A2_94 <- read_csv("CNPV2018_MGN_A2_94.CSV")## Rows: 11506 Columns: 14
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (7): U_MPIO, U_SECT_RUR, U_SECC_RUR, UA2_CPOB, U_SECT_URB, U_SECC_URB, U...
## dbl (7): U_DPTO, UA_CLASE, UA1_LOCALIDAD, U_EDIFICA, COD_ENCUESTAS, U_VIVIEN...
##
## 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.# Variables
names(CNPV2018_5PER_A2_94)## [1] "TIPO_REG" "U_DPTO" "U_MPIO" "UA_CLASE"
## [5] "COD_ENCUESTAS" "U_VIVIENDA" "P_NROHOG" "P_NRO_PER"
## [9] "P_SEXO" "P_EDADR" "P_PARENTESCOR" "PA1_GRP_ETNIC"
## [13] "PA11_COD_ETNIA" "PA12_CLAN" "PA21_COD_VITSA" "PA22_COD_KUMPA"
## [17] "PA_HABLA_LENG" "PA1_ENTIENDE" "PB_OTRAS_LENG" "PB1_QOTRAS_LENG"
## [21] "PA_LUG_NAC" "PA_VIVIA_5ANOS" "PA_VIVIA_1ANO" "P_ENFERMO"
## [25] "P_QUEHIZO_PPAL" "PA_LO_ATENDIERON" "PA1_CALIDAD_SERV" "CONDICION_FISICA"
## [29] "P_ALFABETA" "PA_ASISTENCIA" "P_NIVEL_ANOSR" "P_TRABAJO"
## [33] "P_EST_CIVIL" "PA_HNV" "PA1_THNV" "PA2_HNVH"
## [37] "PA3_HNVM" "PA_HNVS" "PA1_THSV" "PA2_HSVH"
## [41] "PA3_HSVM" "PA_HFC" "PA1_THFC" "PA2_HFCH"
## [45] "PA3_HFCM" "PA_UHNV" "PA1_MES_UHNV" "PA2_ANO_UHNV"names(CNPV2018_2HOG_A2_94)## [1] "TIPO_REG" "U_DPTO" "U_MPIO" "UA_CLASE"
## [5] "COD_ENCUESTAS" "U_VIVIENDA" "H_NROHOG" "H_NRO_CUARTOS"
## [9] "H_NRO_DORMIT" "H_DONDE_PREPALIM" "H_AGUA_COCIN" "HA_NRO_FALL"
## [13] "HA_TOT_PER"names(CNPV2018_MGN_A2_94)## [1] "U_DPTO" "U_MPIO" "UA_CLASE" "UA1_LOCALIDAD"
## [5] "U_SECT_RUR" "U_SECC_RUR" "UA2_CPOB" "U_SECT_URB"
## [9] "U_SECC_URB" "U_MZA" "U_EDIFICA" "COD_ENCUESTAS"
## [13] "U_VIVIENDA" "COD_DANE_ANM"names(CNPV2018_1VIV_A2_94)## [1] "TIPO_REG" "U_DPTO" "U_MPIO"
## [4] "UA_CLASE" "U_EDIFICA" "COD_ENCUESTAS"
## [7] "U_VIVIENDA" "UVA_ESTATER" "UVA1_TIPOTER"
## [10] "UVA2_CODTER" "UVA_ESTA_AREAPROT" "UVA1_COD_AREAPROT"
## [13] "UVA_USO_UNIDAD" "V_TIPO_VIV" "V_CON_OCUP"
## [16] "V_TOT_HOG" "V_MAT_PARED" "V_MAT_PISO"
## [19] "VA_EE" "VA1_ESTRATO" "VB_ACU"
## [22] "VC_ALC" "VD_GAS" "VE_RECBAS"
## [25] "VE1_QSEM" "VF_INTERNET" "V_TIPO_SERSA"
## [28] "L_TIPO_INST" "L_EXISTEHOG" "L_TOT_PERL"######PARA EL ANÁLISIS DE LOS INDÍCADORES DEMOGRÁFICOS DEBEMOS FILTRAR Y SELECCIONAR LA INFORMACIÓN DE LOS MUNICIPIOS DE GUAINÍA
En el siguiente espacio esperamos seleccionar y etiquetar los datos de personas, hogares y áreas geográficas de los municipios de Guainía. Este paso es clave para asegurar que el análisis se limite a las áreas de interés y que los resultados puedan ser más claros, precisos y fáciles de interpretar. Las etiquetas asignadas a los municipios también mejoran la legibilidad de los datos.
# Selección Mcpios AM en la tabla Personas
censo18per_AM94 = CNPV2018_5PER_A2_94 %>%
filter(U_DPTO == "94" & U_MPIO %in% c("001", "883","343", "888", "884"))
# Asignación Iniciales Mcpios AM
censo18per_AM94$nmpio <- factor(censo18per_AM94$U_MPIO, labels = c("PTINI","SANFE","BMINS","MCHAL",
"PTCOL"))
# Selección Mcpios AM en la tabla Hogares
censo18hog_AM94 = CNPV2018_2HOG_A2_94 %>%
filter(U_DPTO == "94" & U_MPIO %in% c("001", "883","343", "888", "884"))
# Selección Mcpios AM en la tabla MGN
censo18mgn_AM94 = CNPV2018_MGN_A2_94 %>%
filter(U_DPTO == "94" & U_MPIO %in% c("001", "883","343", "888", "884"))######CREAMOS EL IDENTIFICADOR ÚNICO
Se crea un identificador único para cada sección geográfica combinando el código de departamento y municipio. Se genera un identificador único para cada hogar mediante la concatenación de códigos de encuesta y número de hogar. Se crea un identificador único para cada persona combinando códigos de encuesta y número de persona en el hogar.
# Se crea el identificador único de la sección MGN
censo18mgn_AM94$ID_DPMP <- paste(censo18mgn_AM94$U_DPTO,
censo18mgn_AM94$U_MPIO, sep = "")
censo18mgn_AM94 <- censo18mgn_AM94[, -c(1:11, 13:14)]
censo18mgn_AM94$ID_DPMP <- as.character(censo18mgn_AM94$ID_DPMP)
# Creación de un identificador único por Hogares (concatena cod_encuesta y h_nrohog)
censo18hog_AM94$ID_HOG_UNIC <- paste(censo18hog_AM94$COD_ENCUESTAS,
censo18hog_AM94$H_NROHOG, sep = "-")
# Creación de un identificador único por persona (concatena cod_encuesta y p_nrohog)
censo18per_AM94$ID_HOG_UNIC <- paste(censo18per_AM94$COD_ENCUESTAS,
censo18per_AM94$P_NROHOG, sep = "-")Se unen las tablas de personas y geografía (censo18mgn_AM94 y censo18per_AM94) por el código de encuesta. Se eliminan columnas duplicadas tras la unión. Se unen las tablas de personas-geografía con la de hogares (censo18hog_AM94) usando el identificador único del hogar. Se genera un identificador único para cada persona dentro del hogar.
# Unión entre las tablas censo18mgn_AM94 y censo18per_AM94
Per_Mgn <- merge(censo18mgn_AM94, censo18per_AM94, by = "COD_ENCUESTAS")
Per_Mgn$ID_HOG_UNIC <- as.character(Per_Mgn$ID_HOG_UNIC)
# Elimina las columnas comunes entre Per_Mgn y censo18hog_AM94
Per_Mgn <- Per_Mgn[, -c(1, 3:7)]
# Unión entre las tablas Per_Mgn y censo18hog_AM94
Per_Mgn_Hog <- merge(Per_Mgn, censo18hog_AM94, by = "ID_HOG_UNIC")
Per_Mgn_Hog$ID_PER_UNIC <- paste(Per_Mgn_Hog$ID_HOG_UNIC,
Per_Mgn_Hog$P_NRO_PER, sep = "-")#####IDENTIFICADOR DE DATOS FALTANTES
Cuenta los valores faltantes por columna. Calcula el porcentaje de datos faltantes por columna. Ordena las columnas según el porcentaje de datos faltantes.
colSums(is.na(Per_Mgn_Hog))## ID_HOG_UNIC ID_DPMP P_NROHOG P_NRO_PER
## 0 0 6056 0
## P_SEXO P_EDADR P_PARENTESCOR PA1_GRP_ETNIC
## 0 0 6056 0
## PA11_COD_ETNIA PA12_CLAN PA21_COD_VITSA PA22_COD_KUMPA
## 10453 41177 41176 41177
## PA_HABLA_LENG PA1_ENTIENDE PB_OTRAS_LENG PB1_QOTRAS_LENG
## 15328 36575 15328 39735
## PA_LUG_NAC PA_VIVIA_5ANOS PA_VIVIA_1ANO P_ENFERMO
## 0 6056 6056 6056
## P_QUEHIZO_PPAL PA_LO_ATENDIERON PA1_CALIDAD_SERV CONDICION_FISICA
## 37305 38627 38842 6056
## P_ALFABETA PA_ASISTENCIA P_NIVEL_ANOSR P_TRABAJO
## 3923 9974 3923 14130
## P_EST_CIVIL PA_HNV PA1_THNV PA2_HNVH
## 10186 28044 33223 33223
## PA3_HNVM PA_HNVS PA1_THSV PA2_HSVH
## 33223 33223 33364 33364
## PA3_HSVM PA_HFC PA1_THFC PA2_HFCH
## 33364 33223 39463 39463
## PA3_HFCM PA_UHNV PA1_MES_UHNV PA2_ANO_UHNV
## 39463 33223 35152 35152
## nmpio TIPO_REG U_DPTO U_MPIO
## 0 0 0 0
## UA_CLASE COD_ENCUESTAS U_VIVIENDA H_NROHOG
## 0 0 0 6056
## H_NRO_CUARTOS H_NRO_DORMIT H_DONDE_PREPALIM H_AGUA_COCIN
## 6056 6056 6056 6514
## HA_NRO_FALL HA_TOT_PER ID_PER_UNIC
## 40375 6056 0porcentajeMiss <- function(x) {sum(is.na(x)) / length(x) * 100}
sort(apply(Per_Mgn_Hog, 2, porcentajeMiss))## ID_HOG_UNIC ID_DPMP P_NRO_PER P_SEXO
## 0.000000 0.000000 0.000000 0.000000
## P_EDADR PA1_GRP_ETNIC PA_LUG_NAC nmpio
## 0.000000 0.000000 0.000000 0.000000
## TIPO_REG U_DPTO U_MPIO UA_CLASE
## 0.000000 0.000000 0.000000 0.000000
## COD_ENCUESTAS U_VIVIENDA ID_PER_UNIC P_ALFABETA
## 0.000000 0.000000 0.000000 9.527163
## P_NIVEL_ANOSR P_NROHOG P_PARENTESCOR PA_VIVIA_5ANOS
## 9.527163 14.707239 14.707239 14.707239
## PA_VIVIA_1ANO P_ENFERMO CONDICION_FISICA H_NROHOG
## 14.707239 14.707239 14.707239 14.707239
## H_NRO_CUARTOS H_NRO_DORMIT H_DONDE_PREPALIM HA_TOT_PER
## 14.707239 14.707239 14.707239 14.707239
## H_AGUA_COCIN PA_ASISTENCIA P_EST_CIVIL PA11_COD_ETNIA
## 15.819511 24.222260 24.737111 25.385531
## P_TRABAJO PA_HABLA_LENG PB_OTRAS_LENG PA_HNV
## 34.315273 37.224664 37.224664 68.105981
## PA1_THNV PA2_HNVH PA3_HNVM PA_HNVS
## 80.683391 80.683391 80.683391 80.683391
## PA_HFC PA_UHNV PA1_THSV PA2_HSVH
## 80.683391 80.683391 81.025815 81.025815
## PA3_HSVM PA1_MES_UHNV PA2_ANO_UHNV PA1_ENTIENDE
## 81.025815 85.368045 85.368045 88.823858
## P_QUEHIZO_PPAL PA_LO_ATENDIERON PA1_CALIDAD_SERV PA1_THFC
## 90.596692 93.807222 94.329359 95.837482
## PA2_HFCH PA3_HFCM PB1_QOTRAS_LENG HA_NRO_FALL
## 95.837482 95.837482 96.498045 98.052311
## PA21_COD_VITSA PA12_CLAN PA22_COD_KUMPA
## 99.997571 100.000000 100.000000#####SELECCIÓN DE VARIABLES Se eliminan columnas específicas del dataset Per_Mgn_Hog para simplificar y dejar solo las variables necesarias para el análisis.
Per_Mgn_Hog <- Per_Mgn_Hog[, -c(9:16,21:23,30:44,57:58)]######CALCULAR INDICADORES DE DEPARTAMENTO, MUNICIPIO Y VIVIENDA Este bloque de código realiza el cálculo de varios índicadores demográficos y educativos a nivel de departamento y municipio usando una consulta sobre el dataset Per_Mgn_Hog. Entre los indicadores calculados están:
Distribución por edad y sexo: Se suman las personas por rangos de edad y sexo (Hombres y Mujeres) usando condiciones IIF. Nivel educativo: Se agrupan por los distintos niveles de escolaridad alcanzados. Estado civil: Se calcula la cantidad de personas por estado civil. Relación con el jefe de hogar: Se identifican los miembros del hogar en función de su parentesco con el jefe del hogar. Número de viviendas: Se cuenta el número total de viviendas.
################### CONTEOS PERSONA - HOGAR - VIVIENDA #########################
#------ Calculo de los indicadores a nivel de departamento -----#
consulta_PersonaHogar= "select U_DPTO, U_MPIO, UA_CLASE,
sum(IIF(P_SEXO = 1 and P_EDADR=1, 1.0,0)) as H_00_04,
sum(IIF(P_SEXO = 1 and P_EDADR=2, 1.0,0)) as H_05_09,
sum(IIF(P_SEXO = 1 and P_EDADR=3, 1.0,0)) as H_10_14,
sum(IIF(P_SEXO = 1 and P_EDADR=4, 1.0,0)) as H_15_19,
sum(IIF(P_SEXO = 1 and P_EDADR=5, 1.0,0)) as H_20_24,
sum(IIF(P_SEXO = 1 and P_EDADR=6, 1.0,0)) as H_25_29,
sum(IIF(P_SEXO = 1 and P_EDADR=7, 1.0,0)) as H_30_34,
sum(IIF(P_SEXO = 1 and P_EDADR=8, 1.0,0)) as H_35_39,
sum(IIF(P_SEXO = 1 and P_EDADR=9, 1.0,0)) as H_40_44,
sum(IIF(P_SEXO = 1 and P_EDADR=10, 1.0,0)) as H_45_49,
sum(IIF(P_SEXO = 1 and P_EDADR=11, 1.0,0)) as H_50_54,
sum(IIF(P_SEXO = 1 and P_EDADR=12, 1.0,0)) as H_55_59,
sum(IIF(P_SEXO = 1 and P_EDADR=13, 1.0,0)) as H_60_64,
sum(IIF(P_SEXO = 1 and P_EDADR=14, 1.0,0)) as H_65_69,
sum(IIF(P_SEXO = 1 and P_EDADR=15, 1.0,0)) as H_70_74,
sum(IIF(P_SEXO = 1 and P_EDADR=16, 1.0,0)) as H_75_79,
sum(IIF(P_SEXO = 1 and P_EDADR=17, 1.0,0)) as H_80_84,
sum(IIF(P_SEXO = 1 and P_EDADR=18, 1.0,0)) as H_85_89,
sum(IIF(P_SEXO = 1 and P_EDADR=19, 1.0,0)) as H_90_94,
sum(IIF(P_SEXO = 1 and P_EDADR=20, 1.0,0)) as H_95_99,
sum(IIF(P_SEXO = 1 and P_EDADR=21, 1.0,0)) as H_100_104,
sum(IIF(P_SEXO = 2 and P_EDADR=1, 1.0,0)) as M_00_04,
sum(IIF(P_SEXO = 2 and P_EDADR=2, 1.0,0)) as M_05_09,
sum(IIF(P_SEXO = 2 and P_EDADR=3, 1.0,0)) as M_10_14,
sum(IIF(P_SEXO = 2 and P_EDADR=4, 1.0,0)) as M_15_19,
sum(IIF(P_SEXO = 2 and P_EDADR=5, 1.0,0)) as M_20_24,
sum(IIF(P_SEXO = 2 and P_EDADR=6, 1.0,0)) as M_25_29,
sum(IIF(P_SEXO = 2 and P_EDADR=7, 1.0,0)) as M_30_34,
sum(IIF(P_SEXO = 2 and P_EDADR=8, 1.0,0)) as M_35_39,
sum(IIF(P_SEXO = 2 and P_EDADR=9, 1.0,0)) as M_40_44,
sum(IIF(P_SEXO = 2 and P_EDADR=10, 1.0,0)) as M_45_49,
sum(IIF(P_SEXO = 2 and P_EDADR=11, 1.0,0)) as M_50_54,
sum(IIF(P_SEXO = 2 and P_EDADR=12, 1.0,0)) as M_55_59,
sum(IIF(P_SEXO = 2 and P_EDADR=13, 1.0,0)) as M_60_64,
sum(IIF(P_SEXO = 2 and P_EDADR=14, 1.0,0)) as M_65_69,
sum(IIF(P_SEXO = 2 and P_EDADR=15, 1.0,0)) as M_70_74,
sum(IIF(P_SEXO = 2 and P_EDADR=16, 1.0,0)) as M_75_79,
sum(IIF(P_SEXO = 2 and P_EDADR=17, 1.0,0)) as M_80_84,
sum(IIF(P_SEXO = 2 and P_EDADR=18, 1.0,0)) as M_85_89,
sum(IIF(P_SEXO = 2 and P_EDADR=19, 1.0,0)) as M_90_94,
sum(IIF(P_SEXO = 2 and P_EDADR=20, 1.0,0)) as M_95_99,
sum(IIF(P_SEXO = 2 and P_EDADR=21, 1.0,0)) as M_100_104,
sum(IIF(P_SEXO = 1,1.0,0)) as Hombres,
sum(IIF(P_SEXO = 2,1.0,0)) as Mujeres,
sum(IIF(P_NIVEL_ANOSR = 1, 1.0,0)) as Prescolar,
sum(IIF(P_NIVEL_ANOSR = 2, 1.0,0)) as BPrimaria,
sum(IIF(P_NIVEL_ANOSR = 3, 1.0,0)) as BSecundaria,
sum(IIF(P_NIVEL_ANOSR = 4, 1.0,0)) as MAcademica,
sum(IIF(P_NIVEL_ANOSR = 5, 1.0,0)) as MTecnica,
sum(IIF(P_NIVEL_ANOSR = 6, 1.0,0)) as Normalista,
sum(IIF(P_NIVEL_ANOSR = 7, 1.0,0)) as TProfesional,
sum(IIF(P_NIVEL_ANOSR = 8, 1.0,0)) as Universitario,
sum(IIF(P_NIVEL_ANOSR = 9, 1.0,0)) as EspMaesDoc,
sum(IIF(P_NIVEL_ANOSR = 10, 1.0,0)) as SinNE,
sum(IIF(P_NIVEL_ANOSR = 99, 1.0,0)) as NSNR,
sum(IIF(P_EST_CIVIL = 1, 1.0,0)) as UnionLibre,
sum(IIF(P_EST_CIVIL = 2, 1.0,0)) as Casado,
sum(IIF(P_EST_CIVIL = 3, 1.0,0)) as Divorciado,
sum(IIF(P_EST_CIVIL = 4 OR P_EST_CIVIL = 5, 1.0,0)) as Separado,
sum(IIF(P_EST_CIVIL = 6, 1.0,0)) as Viudo,
sum(IIF(P_EST_CIVIL = 7, 1.0,0)) as Soltero,
sum(IIF(P_EST_CIVIL = 9, 1.0,0)) as NSNR,
sum(IIF(P_PARENTESCOR = 1, 1.0,0)) as JefeHogar,
sum(IIF(P_PARENTESCOR = 2, 1.0,0)) as Pareja,
sum(IIF(P_PARENTESCOR = 3, 1.0,0)) as Hijo,
sum(IIF(P_PARENTESCOR = 4, 1.0,0)) as OParientes,
sum(IIF(P_PARENTESCOR = 5, 1.0,0)) as NParientes,
count(U_VIVIENDA) as Viviendas
from Per_Mgn_Hog
group by U_DPTO, U_MPIO,UA_CLASE
"#####TABLA PERSONA HOGAR Ejecuta la consulta SQL y guarda los resultados en tabla_PersonaHogar. Muestra la estructura de la tabla para verificar tipos de datos y contenido.
tabla_PersonaHogar es la siguiente:
Número de Observaciones: 11 Número de Variables: 71
Las variables más relevantes que se pueden sacar con respecto a la tabla de personas hogares son:
Identificadores: - U_DPTO: Código del
departamento (numérico). - U_MPIO: Código del municipio
(numérico). - UA_CLASE: Clasificación de área
(numérico).
Indicadores por Edad y Sexo: - H_0_4,
H_5_9, …, H_100_104: Cantidad de hombres en
rangos de edad específicos. - M_0_4, M_5_9, …,
M_100_104: Cantidad de mujeres en rangos de edad
específicos.
Total de Hombres y Mujeres: Hombres:
Total de hombres. Mujeres: Total de mujeres.
Nivel Educativo:
Prescolar, BPrimaria,
BSecundaria, …, NSNR: Número de personas según
su nivel educativo.
Estado Civil:
UnionLibre, Casado,
Divorciado, Separado, Viudo,
Soltero, NSNR: Cantidad de personas según su
estado civil.
Rol en el Hogar:
JefeHogar, Pareja, Hijo,
OParientes, NParientes: Cantidad de personas
según su rol en el hogar.
Número de Viviendas:
Viviendas: Total de viviendas.
Cada fila en tabla_PersonaHogar representa un conjunto
de datos agrupados por departamento (GUAINÍA), municipio y clasificación
de área, con diversos indicadores demográficos .
tabla_PersonaHogar=sqldf(consulta_PersonaHogar)
str(tabla_PersonaHogar)## 'data.frame': 11 obs. of 71 variables:
## $ U_DPTO : num 94 94 94 94 94 94 94 94 94 94 ...
## $ U_MPIO : chr "001" "001" "001" "343" ...
## $ UA_CLASE : num 1 2 3 2 3 2 3 2 3 2 ...
## $ H_00_04 : num 949 140 343 54 357 5 48 0 68 7 ...
## $ H_05_09 : num 994 162 879 65 708 17 111 0 152 9 ...
## $ H_10_14 : num 995 136 895 48 662 36 93 0 129 13 ...
## $ H_15_19 : num 1062 116 685 55 555 ...
## $ H_20_24 : num 1091 109 451 60 343 ...
## $ H_25_29 : num 818 79 250 40 166 8 36 0 40 7 ...
## $ H_30_34 : num 726 72 226 28 114 4 30 1 44 4 ...
## $ H_35_39 : num 637 91 232 19 102 3 38 1 37 8 ...
## $ H_40_44 : num 528 56 162 25 79 2 37 0 43 6 ...
## $ H_45_49 : num 520 55 112 17 90 4 27 1 35 3 ...
## $ H_50_54 : num 415 43 113 19 67 3 20 0 33 3 ...
## $ H_55_59 : num 368 44 117 22 55 6 11 0 22 1 ...
## $ H_60_64 : num 225 30 71 12 17 1 15 0 17 1 ...
## $ H_65_69 : num 155 15 51 9 25 1 9 0 13 3 ...
## $ H_70_74 : num 140 14 34 7 19 2 5 0 13 1 ...
## $ H_75_79 : num 91 7 22 3 7 0 5 0 2 1 ...
## $ H_80_84 : num 32 2 12 2 5 1 2 0 4 0 ...
## $ H_85_89 : num 21 2 5 0 3 0 1 0 2 0 ...
## $ H_90_94 : num 3 1 1 0 2 0 1 0 0 0 ...
## $ H_95_99 : num 3 1 0 1 0 0 0 0 1 0 ...
## $ H_100_104 : num 2 0 1 0 1 0 0 0 0 0 ...
## $ M_00_04 : num 913 134 321 52 320 6 66 0 61 11 ...
## $ M_05_09 : num 962 137 869 58 722 17 99 0 175 12 ...
## $ M_10_14 : num 973 128 705 42 634 28 90 0 134 6 ...
## $ M_15_19 : num 1002 152 555 53 386 ...
## $ M_20_24 : num 978 104 263 54 212 4 41 2 53 3 ...
## $ M_25_29 : num 852 100 223 39 143 10 37 2 45 8 ...
## $ M_30_34 : num 725 64 184 26 110 3 37 0 36 4 ...
## $ M_35_39 : num 711 70 143 22 90 7 20 0 39 5 ...
## $ M_40_44 : num 593 40 140 24 81 5 25 1 30 3 ...
## $ M_45_49 : num 495 45 87 13 68 2 23 0 36 2 ...
## $ M_50_54 : num 425 38 100 17 46 2 22 0 18 1 ...
## $ M_55_59 : num 326 25 96 15 42 3 10 0 14 4 ...
## $ M_60_64 : num 200 20 40 2 15 1 12 0 11 1 ...
## $ M_65_69 : num 153 12 42 4 19 0 6 0 16 4 ...
## $ M_70_74 : num 105 11 33 1 16 0 5 0 14 1 ...
## $ M_75_79 : num 81 9 22 4 7 0 3 0 8 0 ...
## $ M_80_84 : num 30 4 12 0 4 2 1 0 2 0 ...
## $ M_85_89 : num 18 0 5 0 2 0 1 0 2 0 ...
## $ M_90_94 : num 8 0 1 0 1 0 1 0 0 0 ...
## $ M_95_99 : num 1 2 3 0 0 0 0 0 0 0 ...
## $ M_100_104 : num 0 1 1 0 0 0 0 0 2 0 ...
## $ Hombres : num 9775 1175 4662 486 3377 ...
## $ Mujeres : num 9551 1096 3845 426 2918 ...
## $ Prescolar : num 581 94 576 30 472 10 62 0 103 14 ...
## $ BPrimaria : num 6044 953 4125 314 2968 ...
## $ BSecundaria : num 3676 428 1583 170 1157 ...
## $ MAcademica : num 2408 147 318 98 276 ...
## $ MTecnica : num 320 24 34 49 51 2 16 0 21 0 ...
## $ Normalista : num 64 4 16 8 8 1 1 0 8 0 ...
## $ TProfesional : num 1455 36 141 25 25 ...
## $ Universitario: num 947 18 68 30 33 4 4 0 4 2 ...
## $ EspMaesDoc : num 404 4 18 8 18 2 2 0 1 0 ...
## $ SinNE : num 1017 148 598 19 275 ...
## $ NSNR : num 548 141 366 55 335 17 64 8 127 8 ...
## $ UnionLibre : num 5800 565 1661 236 1161 ...
## $ Casado : num 1582 303 745 70 219 ...
## $ Divorciado : num 42 1 8 0 1 2 4 1 4 0 ...
## $ Separado : num 816 44 109 29 79 7 6 1 20 4 ...
## $ Viudo : num 363 40 113 8 60 2 19 0 35 1 ...
## $ Soltero : num 6442 643 1559 276 1094 ...
## $ NSNR : num 463 102 1900 64 1574 ...
## $ JefeHogar : num 5575 554 1542 226 793 ...
## $ Pareja : num 3106 396 1095 135 628 ...
## $ Hijo : num 7946 1080 2603 416 2307 ...
## $ OParientes : num 2270 223 395 131 496 10 100 0 94 28 ...
## $ NParientes : num 180 18 19 4 20 1 2 2 4 3 ...
## $ Viviendas : int 19326 2271 8507 912 6295 249 1162 11 1632 152 ...Muestra los nombres de las columnas. Renombra la columna 65 como “NSNR2”.
colnames(tabla_PersonaHogar)## [1] "U_DPTO" "U_MPIO" "UA_CLASE" "H_00_04"
## [5] "H_05_09" "H_10_14" "H_15_19" "H_20_24"
## [9] "H_25_29" "H_30_34" "H_35_39" "H_40_44"
## [13] "H_45_49" "H_50_54" "H_55_59" "H_60_64"
## [17] "H_65_69" "H_70_74" "H_75_79" "H_80_84"
## [21] "H_85_89" "H_90_94" "H_95_99" "H_100_104"
## [25] "M_00_04" "M_05_09" "M_10_14" "M_15_19"
## [29] "M_20_24" "M_25_29" "M_30_34" "M_35_39"
## [33] "M_40_44" "M_45_49" "M_50_54" "M_55_59"
## [37] "M_60_64" "M_65_69" "M_70_74" "M_75_79"
## [41] "M_80_84" "M_85_89" "M_90_94" "M_95_99"
## [45] "M_100_104" "Hombres" "Mujeres" "Prescolar"
## [49] "BPrimaria" "BSecundaria" "MAcademica" "MTecnica"
## [53] "Normalista" "TProfesional" "Universitario" "EspMaesDoc"
## [57] "SinNE" "NSNR" "UnionLibre" "Casado"
## [61] "Divorciado" "Separado" "Viudo" "Soltero"
## [65] "NSNR" "JefeHogar" "Pareja" "Hijo"
## [69] "OParientes" "NParientes" "Viviendas"colnames(tabla_PersonaHogar)[65] <- "NSNR2"Cálculo de Indicadores Demográficos y Resultados
Cálculos demográficos:
Se calculan indicadores clave como el total de población, desglosado por sexo y rangos de edad. Se calculan índices demográficos, como el porcentaje de ancianos, el índice de envejecimiento, el índice de feminización, la relación de dependencia de vejez, entre otros. Resultados en tabla:
Los resultados de los cálculos se organizan en una tabla que incluye indicadores como la relación de masculinidad y la dependencia juvenil, proporcionando una vista resumida de los datos demográficos.
# Total de población (hombres + mujeres)
total_poblacion <- tabla_PersonaHogar %>%
summarise(Total_Poblacion = sum(Hombres + Mujeres))
# Total de población hombres +60
total_hombres_mas_60 <- tabla_PersonaHogar %>%
summarise(Total_Hombres_Mas_60 = sum(H_60_64 + H_65_69 + H_70_74 + H_75_79 + H_80_84 + H_85_89 + H_90_94 + H_95_99 + H_100_104))
# Total de población hombres +80
total_hombres_mas_80 <- tabla_PersonaHogar %>%
summarise(Total_Hombres_Mas_80 = sum(H_80_84 + H_85_89 + H_90_94 + H_95_99 + H_100_104))
# Total de población hombres entre 0 y 14
total_hombres_0_14 <- tabla_PersonaHogar %>%
summarise(Total_Hombres_0_14 = sum(H_00_04 + H_05_09 + H_10_14))
# Total de población hombres entre 15 y 59
total_hombres_15_59 <- tabla_PersonaHogar %>%
summarise(Total_Hombres_15_59 = sum(H_15_19 + H_20_24 + H_25_29 + H_30_34 + H_35_39 + H_40_44 + H_45_49 + H_50_54 + H_55_59))
# Total de población mujeres +60
total_mujeres_mas_60 <- tabla_PersonaHogar %>%
summarise(Total_Mujeres_Mas_60 = sum(M_60_64 + M_65_69 + M_70_74 + M_75_79 + M_80_84 + M_85_89 + M_90_94 + M_95_99 + M_100_104))
# Total de población mujeres +80
total_mujeres_mas_80 <- tabla_PersonaHogar %>%
summarise(Total_Mujeres_Mas_80 = sum(M_80_84 + M_85_89 + M_90_94 + M_95_99 + M_100_104))
# Total de población mujeres entre 0 y 14
total_mujeres_0_14 <- tabla_PersonaHogar %>%
summarise(Total_Mujeres_0_14 = sum(M_00_04 + M_05_09 + M_10_14))
# Total de población mujeres entre 15 y 59
total_mujeres_15_59 <- tabla_PersonaHogar %>%
summarise(Total_Mujeres_15_59 = sum(M_15_19 + M_20_24 + M_25_29 + M_30_34 + M_35_39 + M_40_44 + M_45_49 + M_50_54 + M_55_59))
# Total de población hombres
total_hombres <- tabla_PersonaHogar %>%
summarise(Total_Hombres = sum(Hombres))
# Total de población mujeres
total_mujeres <- tabla_PersonaHogar %>%
summarise(Total_Mujeres = sum(Mujeres))
# Calculando indicadores demográficos
# Porcentaje de ancianos (+60)
porcentaje_ancianos <- (total_hombres_mas_60$Total_Hombres_Mas_60 + total_mujeres_mas_60$Total_Mujeres_Mas_60) / total_poblacion$Total_Poblacion * 100
# Índice de envejecimiento (Población +60 / Población 0-14)
indice_envejecimiento <- (total_hombres_mas_60$Total_Hombres_Mas_60 + total_mujeres_mas_60$Total_Mujeres_Mas_60) / (total_hombres_0_14$Total_Hombres_0_14 + total_mujeres_0_14$Total_Mujeres_0_14)*100
# Índice de sobreenvejecimiento (Población +80 / Población +60)
indice_sobreenvejecimiento <- (total_hombres_mas_80$Total_Hombres_Mas_80 + total_mujeres_mas_80$Total_Mujeres_Mas_80) / (total_hombres_mas_60$Total_Hombres_Mas_60 + total_mujeres_mas_60$Total_Mujeres_Mas_60)*100
# Índice de feminización (Población de mujeres +60 / Población de hombres +60)
indice_feminizacion <- (total_mujeres_mas_60$Total_Mujeres_Mas_60 / total_hombres_mas_60$Total_Hombres_Mas_60)*100
# Relación de dependencia de vejez ((Población +60 / Población 15-59) * 100)
relacion_dependencia_vejez <- (total_hombres_mas_60$Total_Hombres_Mas_60 + total_mujeres_mas_60$Total_Mujeres_Mas_60) / (total_hombres_15_59$Total_Hombres_15_59 + total_mujeres_15_59$Total_Mujeres_15_59) * 100
# Índice de dependencia ((Población 0-14 + Población +60) / Población 15-59)
indice_dependencia <- (total_hombres_0_14$Total_Hombres_0_14 + total_mujeres_0_14$Total_Mujeres_0_14 + total_hombres_mas_60$Total_Hombres_Mas_60 + total_mujeres_mas_60$Total_Mujeres_Mas_60) / (total_hombres_15_59$Total_Hombres_15_59 + total_mujeres_15_59$Total_Mujeres_15_59)*100
# Total de población juvenil (0-14)
total_juvenil_0_14 <- tabla_PersonaHogar %>%
summarise(Total_Juvenil_0_14 = sum(H_00_04 + H_05_09 + H_10_14 + M_00_04 + M_05_09 + M_10_14))
# Índice de dependencia juvenil ((Población 0-14 / Población 15-59) * 100)
indice_dependencia_juvenil<-(total_juvenil_0_14$Total_Juvenil_0_14) / (total_hombres_15_59$Total_Hombres_15_59+total_mujeres_15_59$Total_Mujeres_15_59) * 100
# Relación de masculinidad (Población de hombres / Población de mujeres)
relacion_masculinidad <- (total_hombres$Total_Hombres / total_mujeres$Total_Mujeres)*100
# Relación de femenina (Población de mujeres / Población de hombres)
relacion_femenina <- (total_mujeres$Total_Mujeres /total_hombres$Total_Hombres )*100Resultados
Este código realiza lo siguiente:
Cálculos demográficos: Suma la población total por grupos de edad y sexo, y calcula índices importantes como envejecimiento y dependencia.
Creación de tabla: Organiza estos cálculos en una tabla (data.frame).
Reorganización: La tabla se coloca en formato vertical para que cada indicador esté en una fila, facilitando su lectura.
Formateo y visualización: Usa librerías para darle un estilo visual atractivo a la tabla, ideal para informes o presentaciones.
resultados <- data.frame(
Total_Poblacion = total_poblacion$Total_Poblacion,
Total_Hombres_Mas_60 = total_hombres_mas_60$Total_Hombres_Mas_60,
Total_Hombres_Mas_80 = total_hombres_mas_80$Total_Hombres_Mas_80,
Total_Hombres_0_14 = total_hombres_0_14$Total_Hombres_0_14,
Total_Hombres_15_59 = total_hombres_15_59$Total_Hombres_15_59,
Total_Mujeres_Mas_60 = total_mujeres_mas_60$Total_Mujeres_Mas_60,
Total_Mujeres_Mas_80 = total_mujeres_mas_80$Total_Mujeres_Mas_80,
Total_Mujeres_0_14 = total_mujeres_0_14$Total_Mujeres_0_14,
Total_Mujeres_15_59 = total_mujeres_15_59$Total_Mujeres_15_59,
Porcentaje_Ancianos = porcentaje_ancianos,
Indice_Envejecimiento = indice_envejecimiento,
Indice_Sobreenvejecimiento = indice_sobreenvejecimiento,
Indice_Feminizacion = indice_feminizacion,
Relacion_Dependencia_Vejez = relacion_dependencia_vejez,
Indice_Dependencia = indice_dependencia,
Relacion_Masculinidad = relacion_masculinidad,
Relacion_Femenina = relacion_femenina,
Indice_Dependencia_Juvenil = indice_dependencia_juvenil
)
library(knitr)
library(kableExtra)
# Transponer la tabla de resultados para que quede en formato vertical
resultados_transpuestos <- as.data.frame(t(resultados))
# Crear la tabla de resultados formateada
tabla_resultados <- resultados_transpuestos %>%
kable(format = "html", caption = "Tabla de Resultados Demográficos (Transpuesta)") %>%
kable_styling(bootstrap_options = c("striped", "hover", "condensed", "responsive"),
full_width = F,
position = "center") %>%
row_spec(0, bold = T, color = "white", background = "#4CAF50") # Personalización del encabezado
# Mostrar la tabla
print(tabla_resultados)## <table class="table table-striped table-hover table-condensed table-responsive" style="width: auto !important; margin-left: auto; margin-right: auto;">
## <caption>Tabla de Resultados Demográficos (Transpuesta)</caption>
## <thead>
## <tr>
## <th style="text-align:left;font-weight: bold;color: white !important;background-color: rgba(76, 175, 80, 255) !important;"> </th>
## <th style="text-align:right;font-weight: bold;color: white !important;background-color: rgba(76, 175, 80, 255) !important;"> V1 </th>
## </tr>
## </thead>
## <tbody>
## <tr>
## <td style="text-align:left;"> Total_Poblacion </td>
## <td style="text-align:right;"> 41177.000000 </td>
## </tr>
## <tr>
## <td style="text-align:left;"> Total_Hombres_Mas_60 </td>
## <td style="text-align:right;"> 1167.000000 </td>
## </tr>
## <tr>
## <td style="text-align:left;"> Total_Hombres_Mas_80 </td>
## <td style="text-align:right;"> 114.000000 </td>
## </tr>
## <tr>
## <td style="text-align:left;"> Total_Hombres_0_14 </td>
## <td style="text-align:right;"> 8219.000000 </td>
## </tr>
## <tr>
## <td style="text-align:left;"> Total_Hombres_15_59 </td>
## <td style="text-align:right;"> 12108.000000 </td>
## </tr>
## <tr>
## <td style="text-align:left;"> Total_Mujeres_Mas_60 </td>
## <td style="text-align:right;"> 994.000000 </td>
## </tr>
## <tr>
## <td style="text-align:left;"> Total_Mujeres_Mas_80 </td>
## <td style="text-align:right;"> 107.000000 </td>
## </tr>
## <tr>
## <td style="text-align:left;"> Total_Mujeres_0_14 </td>
## <td style="text-align:right;"> 7836.000000 </td>
## </tr>
## <tr>
## <td style="text-align:left;"> Total_Mujeres_15_59 </td>
## <td style="text-align:right;"> 10853.000000 </td>
## </tr>
## <tr>
## <td style="text-align:left;"> Porcentaje_Ancianos </td>
## <td style="text-align:right;"> 5.248075 </td>
## </tr>
## <tr>
## <td style="text-align:left;"> Indice_Envejecimiento </td>
## <td style="text-align:right;"> 13.459981 </td>
## </tr>
## <tr>
## <td style="text-align:left;"> Indice_Sobreenvejecimiento </td>
## <td style="text-align:right;"> 10.226747 </td>
## </tr>
## <tr>
## <td style="text-align:left;"> Indice_Feminizacion </td>
## <td style="text-align:right;"> 85.175664 </td>
## </tr>
## <tr>
## <td style="text-align:left;"> Relacion_Dependencia_Vejez </td>
## <td style="text-align:right;"> 9.411611 </td>
## </tr>
## <tr>
## <td style="text-align:left;"> Indice_Dependencia </td>
## <td style="text-align:right;"> 79.334524 </td>
## </tr>
## <tr>
## <td style="text-align:left;"> Relacion_Masculinidad </td>
## <td style="text-align:right;"> 109.200833 </td>
## </tr>
## <tr>
## <td style="text-align:left;"> Relacion_Femenina </td>
## <td style="text-align:right;"> 91.574393 </td>
## </tr>
## <tr>
## <td style="text-align:left;"> Indice_Dependencia_Juvenil </td>
## <td style="text-align:right;"> 69.922913 </td>
## </tr>
## </tbody>
## </table>Porcentaje de Anciano: El 5.24% de la población de GUAINÍA tiene 60 años o más. Podemos suponer que la población de Guainía es realtivamente joven.
Índice de Envejecimiento: Con un índice de envejecimiento de 13.45%, hay aproximadamente 13 ancianos por cada 100 jóvenes. Esto indica una carga baja de los ancianos sobre la población joven.
Índice de Sobreenvejecimiento: El 10.23% de la población de 60 años o más tiene 80 años o más. Esto muestra que una parte significativa pero moderada de los ancianos está en una etapa avanzada de vejez, lo que puede requerir atención y servicios específicos.
Índice de Feminización: El índice de feminización en la población de 60 años o más es del 85.18%, lo que indica que hay más mujeres que hombres en este grupo etario.
Relación de Dependencia de Vejez: La relación de dependencia de vejez es del 9.4%%, lo que significa que hay aproximadamente 9 ancianos por cada 100 personas en edad económicamente activa, lo que indica quer la carga de de los ancianos sobre esta última población, es baja.
Índice de Dependencia: Con un índice de dependencia de 79.3%, hay aproximadamente 79 personas (jóvenes y ancianos) que dependen de cada 100 personas en edad laboral. Esto sugiere una carga moderada en términos de dependencia sobre la población econímicamente activa.
Relación de Masculinidad: La relación de masculinidad es de 109.2, lo que significa que hay 109 hombres por cada 100 mujeres en la población total. Esto indíca que en la población del departamento de Guainía predomina la presencia de los hombres.
Relación Femenina: Con una relación femenina de 91.6%, hay aproximadamente 92 mujeres por cada 100 hombres. Lo que podemos contrastar con el indicador anterior, donde pese a que la presencia de hombres es mayor, no es una diferencia significativa.
El Índice de Dependencia Juvenil: El 69.9%% indica que por cada 100 personas en edad de trabajar, hay aproximadamente 70 jóvenes que dependen de ellos. Este valor sugiere una estructura demográfica relativamente joven, donde podemos sugerir que se debe generar mayor inversión enfocada al desarrollo y bienestar de los jovenes de este departamento.
#####PORCENTAJE DE CABECERAS URBANAS
Cálculo de población total:
Suma el total de hombres y mujeres de la tabla tabla_PersonaHogar y los almacena en total_poblacional. Cálculo de población en cabecera urbana:
Filtra los datos para obtener solo la población de áreas urbanas (donde UA_CLASE == 1), y luego suma hombres y mujeres de esas zonas en poblacion_cabecera_urbana. Cálculo de totales:
Se calcula el total de personas en cabeceras urbanas (total_cabecera_urbana) y el total general de la población (poblacion_total). Porcentaje de población urbana:
Se calcula el porcentaje de personas que viven en cabeceras urbanas respecto al total de la población, y se imprime el resultado.
total_poblacional <- tabla_PersonaHogar %>%
summarise(Total_Hombres = sum(Hombres), Total_Mujeres = sum(Mujeres))
poblacion_cabecera_urbana <- tabla_PersonaHogar %>%
filter(UA_CLASE == 1) %>%
summarise(Total_Hombres = sum(Hombres), Total_Mujeres = sum(Mujeres))
total_cabecera_urbana <- sum(poblacion_cabecera_urbana$Total_Hombres + poblacion_cabecera_urbana$Total_Mujeres)
poblacion_total <- sum(total_poblacional$Total_Hombres + total_poblacional$Total_Mujeres)
porcentaje_cabecera_urbana <- (total_cabecera_urbana / poblacion_total) * 100
print(paste("El porcentaje de población en Cabeceras Urbanas es:", porcentaje_cabecera_urbana))## [1] "El porcentaje de población en Cabeceras Urbanas es: 46.9339679918401"Este resultado sugiere que la población en el área urbana es significativa, con casi la mitad de la población ubicada en la cabecera urbana.
Porcentaje de Población en Centros Poblados
Calcula la población en centros poblados: Filtra la población de centros poblados y suma hombres y mujeres.
Suma total de la población en centros poblados: Suma el total de personas en estos centros.
Calcula el porcentaje: Calcula qué porcentaje de la población total vive en centros poblados.
Muestra el porcentaje: Imprime el porcentaje de personas que viven en centros poblados.
poblacion_centros_poblados <- tabla_PersonaHogar %>%
filter(UA_CLASE == 2) %>%
summarise(across(starts_with("H_"), sum),
across(starts_with("M_"), sum))
total_centros_poblados <- sum(poblacion_centros_poblados)
porcentaje_centros_poblados <- (total_centros_poblados / poblacion_total) * 100
# Mostrar el resultado
porcentaje_centros_poblados## [1] 8.730602Este resultado 8.73 que una parte muy pequeña de la población ha decidido vivir en los centros poblados, lo que a comparación de la población ubicada en las cabeceras urbana, es baja.
Porcentaje de Población en Áreas Rurales Dispersas
Calcula la población en áreas rurales dispersas: Filtra los datos para obtener la población en áreas rurales dispersas (donde UA_CLASE == 3), y suma las columnas que contienen la población de hombres y mujeres.
Suma total de la población en áreas rurales dispersas: Calcula el total de personas que viven en estas zonas.
Calcula el porcentaje: Determina qué porcentaje de la población total vive en áreas rurales dispersas.
Muestra el porcentaje: Imprime el porcentaje de personas que viven en áreas rurales dispersas.
poblacion_rural_disperso <- tabla_PersonaHogar %>%
filter(UA_CLASE == 3) %>%
summarise(across(starts_with("H_"), sum),
across(starts_with("M_"), sum))
total_rural_disperso <- sum(poblacion_rural_disperso)
porcentaje_rural_disperso <- (total_rural_disperso / poblacion_total) * 100
# Mostrar el resultado
porcentaje_rural_disperso## [1] 44.33543La población ubicada en las áreas rurales dispersas es de 44.3 lo que demuestra que casi la mitad de la población del municipio de Guainía esta proporcionalmente distribuida entre los diferentes centros rurales y urbanos, sin embargo, es necesario tener en cuenta el área que conforma el departamento para establecer si la población se encuentra uniformemente distribuida en el departamento, y así establecer políticas públicas a favor de la población.
Densidad Poblacional
Define el área en km²: Se establece que el área total es de 72,238 km².
Calcula la densidad poblacional: Divide la población total entre el área para obtener la densidad poblacional (personas por km²).
Muestra la densidad poblacional: Imprime el resultado de la densidad poblacional.
area_ET_km2 <- 72238
# Calcular la densidad poblacional (población total / área en km²)
densidad_poblacional <- poblacion_total / area_ET_km2
# Mostrar el resultado
densidad_poblacional## [1] 0.5700185Densidad poblacional = 0.57 habitantes/km² significa que, en promedio, menos de una persona habita por cada kilómetro cuadrado en el departamento de Guainía. Este valor indica una densidad poblacional extremadamente baja, esto suele suceder en áreas rurales, selváticas o poco desarrolladas, como es el caso de Guainía, que es un departamento caracterizado por grandes extensiones de territorio y baja población.
#####PIRÁMIDE POBLACIONAL Este código realiza un análisis detallado de la población y la organiza en una pirámide poblacional, presentando los resultados por grupos de edad (quinquenios) y sexo (hombres y mujeres). A continuación te explico cada parte de forma simple:
Selección de columnas: Se seleccionan las columnas necesarias del dataframe tabla_PersonaHogar y se filtran las filas donde UA_CLASE es 1, 2 o 3, que corresponden a diferentes áreas de población (urbana, centros poblados y rural).
Eliminación y reestructuración de columnas: Se eliminan columnas innecesarias y se reorganiza el dataframe en formato largo, lo que facilita el manejo de los datos, con la creación de nuevas columnas para clasificar por sexo y grupo de edad.
Agrupación y suma de la población: Los datos se agrupan por quinquenios y sexo, sumando la población correspondiente a cada grupo de edad y sexo.
Reorganización y conversión de datos: Se reestructura el dataframe para separar hombres y mujeres en columnas diferentes y se calcula la población total por quinquenios.
Cálculo de proporciones: Se calcula el porcentaje de población de hombres y mujeres respecto al total, pero sin multiplicar por 100 (en proporciones).
Creación de la pirámide poblacional: Se utiliza ggplot para crear un gráfico de pirámide poblacional que muestra la proporción de hombres y mujeres por quinquenio, con los hombres representados en valores negativos para hacer más visual la comparación.
Estilo y presentación: El gráfico se ajusta para mostrar una pirámide horizontal, con etiquetas y formato personalizado, mostrando claramente la distribución de la población por edad y sexo.
# Seleccionar columnas de la 2 a la 45
poblacion_comb <- tabla_PersonaHogar[, 2:45]
print(poblacion_comb) # Verifica el dataframe## U_MPIO UA_CLASE H_00_04 H_05_09 H_10_14 H_15_19 H_20_24 H_25_29 H_30_34
## 1 001 1 949 994 995 1062 1091 818 726
## 2 001 2 140 162 136 116 109 79 72
## 3 001 3 343 879 895 685 451 250 226
## 4 343 2 54 65 48 55 60 40 28
## 5 343 3 357 708 662 555 343 166 114
## 6 883 2 5 17 36 33 12 8 4
## 7 883 3 48 111 93 59 49 36 30
## 8 884 2 0 0 0 0 2 0 1
## 9 884 3 68 152 129 148 54 40 44
## 10 888 2 7 9 13 8 7 7 4
## 11 888 3 33 58 53 59 31 16 22
## H_35_39 H_40_44 H_45_49 H_50_54 H_55_59 H_60_64 H_65_69 H_70_74 H_75_79
## 1 637 528 520 415 368 225 155 140 91
## 2 91 56 55 43 44 30 15 14 7
## 3 232 162 112 113 117 71 51 34 22
## 4 19 25 17 19 22 12 9 7 3
## 5 102 79 90 67 55 17 25 19 7
## 6 3 2 4 3 6 1 1 2 0
## 7 38 37 27 20 11 15 9 5 5
## 8 1 0 1 0 0 0 0 0 0
## 9 37 43 35 33 22 17 13 13 2
## 10 8 6 3 3 1 1 3 1 1
## 11 13 13 6 13 11 3 2 2 3
## H_80_84 H_85_89 H_90_94 H_95_99 H_100_104 M_00_04 M_05_09 M_10_14 M_15_19
## 1 32 21 3 3 2 913 962 973 1002
## 2 2 2 1 1 0 134 137 128 152
## 3 12 5 1 0 1 321 869 705 555
## 4 2 0 0 1 0 52 58 42 53
## 5 5 3 2 0 1 320 722 634 386
## 6 1 0 0 0 0 6 17 28 21
## 7 2 1 1 0 0 66 99 90 66
## 8 0 0 0 0 0 0 0 0 1
## 9 4 2 0 1 0 61 175 134 79
## 10 0 0 0 0 0 11 12 6 5
## 11 1 1 0 0 0 35 57 69 40
## M_20_24 M_25_29 M_30_34 M_35_39 M_40_44 M_45_49 M_50_54 M_55_59 M_60_64
## 1 978 852 725 711 593 495 425 326 200
## 2 104 100 64 70 40 45 38 25 20
## 3 263 223 184 143 140 87 100 96 40
## 4 54 39 26 22 24 13 17 15 2
## 5 212 143 110 90 81 68 46 42 15
## 6 4 10 3 7 5 2 2 3 1
## 7 41 37 37 20 25 23 22 10 12
## 8 2 2 0 0 1 0 0 0 0
## 9 53 45 36 39 30 36 18 14 11
## 10 3 8 4 5 3 2 1 4 1
## 11 30 17 15 17 14 1 9 4 2
## M_65_69 M_70_74 M_75_79 M_80_84 M_85_89 M_90_94 M_95_99 M_100_104
## 1 153 105 81 30 18 8 1 0
## 2 12 11 9 4 0 0 2 1
## 3 42 33 22 12 5 1 3 1
## 4 4 1 4 0 0 0 0 0
## 5 19 16 7 4 2 1 0 0
## 6 0 0 0 2 0 0 0 0
## 7 6 5 3 1 1 1 0 0
## 8 0 0 0 0 0 0 0 0
## 9 16 14 8 2 2 0 0 2
## 10 4 1 0 0 0 0 0 0
## 11 3 4 0 1 1 0 1 0# Filtrar solo donde UA_CLASE es 1, 2 o 3 (Centros Municipales, Menores y Otros)
poblacion_comb <- poblacion_comb %>%
filter(UA_CLASE %in% c(1, 2, 3))
print(poblacion_comb) # Verifica los datos después de filtrar## U_MPIO UA_CLASE H_00_04 H_05_09 H_10_14 H_15_19 H_20_24 H_25_29 H_30_34
## 1 001 1 949 994 995 1062 1091 818 726
## 2 001 2 140 162 136 116 109 79 72
## 3 001 3 343 879 895 685 451 250 226
## 4 343 2 54 65 48 55 60 40 28
## 5 343 3 357 708 662 555 343 166 114
## 6 883 2 5 17 36 33 12 8 4
## 7 883 3 48 111 93 59 49 36 30
## 8 884 2 0 0 0 0 2 0 1
## 9 884 3 68 152 129 148 54 40 44
## 10 888 2 7 9 13 8 7 7 4
## 11 888 3 33 58 53 59 31 16 22
## H_35_39 H_40_44 H_45_49 H_50_54 H_55_59 H_60_64 H_65_69 H_70_74 H_75_79
## 1 637 528 520 415 368 225 155 140 91
## 2 91 56 55 43 44 30 15 14 7
## 3 232 162 112 113 117 71 51 34 22
## 4 19 25 17 19 22 12 9 7 3
## 5 102 79 90 67 55 17 25 19 7
## 6 3 2 4 3 6 1 1 2 0
## 7 38 37 27 20 11 15 9 5 5
## 8 1 0 1 0 0 0 0 0 0
## 9 37 43 35 33 22 17 13 13 2
## 10 8 6 3 3 1 1 3 1 1
## 11 13 13 6 13 11 3 2 2 3
## H_80_84 H_85_89 H_90_94 H_95_99 H_100_104 M_00_04 M_05_09 M_10_14 M_15_19
## 1 32 21 3 3 2 913 962 973 1002
## 2 2 2 1 1 0 134 137 128 152
## 3 12 5 1 0 1 321 869 705 555
## 4 2 0 0 1 0 52 58 42 53
## 5 5 3 2 0 1 320 722 634 386
## 6 1 0 0 0 0 6 17 28 21
## 7 2 1 1 0 0 66 99 90 66
## 8 0 0 0 0 0 0 0 0 1
## 9 4 2 0 1 0 61 175 134 79
## 10 0 0 0 0 0 11 12 6 5
## 11 1 1 0 0 0 35 57 69 40
## M_20_24 M_25_29 M_30_34 M_35_39 M_40_44 M_45_49 M_50_54 M_55_59 M_60_64
## 1 978 852 725 711 593 495 425 326 200
## 2 104 100 64 70 40 45 38 25 20
## 3 263 223 184 143 140 87 100 96 40
## 4 54 39 26 22 24 13 17 15 2
## 5 212 143 110 90 81 68 46 42 15
## 6 4 10 3 7 5 2 2 3 1
## 7 41 37 37 20 25 23 22 10 12
## 8 2 2 0 0 1 0 0 0 0
## 9 53 45 36 39 30 36 18 14 11
## 10 3 8 4 5 3 2 1 4 1
## 11 30 17 15 17 14 1 9 4 2
## M_65_69 M_70_74 M_75_79 M_80_84 M_85_89 M_90_94 M_95_99 M_100_104
## 1 153 105 81 30 18 8 1 0
## 2 12 11 9 4 0 0 2 1
## 3 42 33 22 12 5 1 3 1
## 4 4 1 4 0 0 0 0 0
## 5 19 16 7 4 2 1 0 0
## 6 0 0 0 2 0 0 0 0
## 7 6 5 3 1 1 1 0 0
## 8 0 0 0 0 0 0 0 0
## 9 16 14 8 2 2 0 0 2
## 10 4 1 0 0 0 0 0 0
## 11 3 4 0 1 1 0 1 0# Eliminar la segunda columna
poblacion_comb <- poblacion_comb[,-c(2)]
print(poblacion_comb) # Verifica el dataframe sin la columna## U_MPIO H_00_04 H_05_09 H_10_14 H_15_19 H_20_24 H_25_29 H_30_34 H_35_39
## 1 001 949 994 995 1062 1091 818 726 637
## 2 001 140 162 136 116 109 79 72 91
## 3 001 343 879 895 685 451 250 226 232
## 4 343 54 65 48 55 60 40 28 19
## 5 343 357 708 662 555 343 166 114 102
## 6 883 5 17 36 33 12 8 4 3
## 7 883 48 111 93 59 49 36 30 38
## 8 884 0 0 0 0 2 0 1 1
## 9 884 68 152 129 148 54 40 44 37
## 10 888 7 9 13 8 7 7 4 8
## 11 888 33 58 53 59 31 16 22 13
## H_40_44 H_45_49 H_50_54 H_55_59 H_60_64 H_65_69 H_70_74 H_75_79 H_80_84
## 1 528 520 415 368 225 155 140 91 32
## 2 56 55 43 44 30 15 14 7 2
## 3 162 112 113 117 71 51 34 22 12
## 4 25 17 19 22 12 9 7 3 2
## 5 79 90 67 55 17 25 19 7 5
## 6 2 4 3 6 1 1 2 0 1
## 7 37 27 20 11 15 9 5 5 2
## 8 0 1 0 0 0 0 0 0 0
## 9 43 35 33 22 17 13 13 2 4
## 10 6 3 3 1 1 3 1 1 0
## 11 13 6 13 11 3 2 2 3 1
## H_85_89 H_90_94 H_95_99 H_100_104 M_00_04 M_05_09 M_10_14 M_15_19 M_20_24
## 1 21 3 3 2 913 962 973 1002 978
## 2 2 1 1 0 134 137 128 152 104
## 3 5 1 0 1 321 869 705 555 263
## 4 0 0 1 0 52 58 42 53 54
## 5 3 2 0 1 320 722 634 386 212
## 6 0 0 0 0 6 17 28 21 4
## 7 1 1 0 0 66 99 90 66 41
## 8 0 0 0 0 0 0 0 1 2
## 9 2 0 1 0 61 175 134 79 53
## 10 0 0 0 0 11 12 6 5 3
## 11 1 0 0 0 35 57 69 40 30
## M_25_29 M_30_34 M_35_39 M_40_44 M_45_49 M_50_54 M_55_59 M_60_64 M_65_69
## 1 852 725 711 593 495 425 326 200 153
## 2 100 64 70 40 45 38 25 20 12
## 3 223 184 143 140 87 100 96 40 42
## 4 39 26 22 24 13 17 15 2 4
## 5 143 110 90 81 68 46 42 15 19
## 6 10 3 7 5 2 2 3 1 0
## 7 37 37 20 25 23 22 10 12 6
## 8 2 0 0 1 0 0 0 0 0
## 9 45 36 39 30 36 18 14 11 16
## 10 8 4 5 3 2 1 4 1 4
## 11 17 15 17 14 1 9 4 2 3
## M_70_74 M_75_79 M_80_84 M_85_89 M_90_94 M_95_99 M_100_104
## 1 105 81 30 18 8 1 0
## 2 11 9 4 0 0 2 1
## 3 33 22 12 5 1 3 1
## 4 1 4 0 0 0 0 0
## 5 16 7 4 2 1 0 0
## 6 0 0 2 0 0 0 0
## 7 5 3 1 1 1 0 0
## 8 0 0 0 0 0 0 0
## 9 14 8 2 2 0 0 2
## 10 1 0 0 0 0 0 0
## 11 4 0 1 1 0 1 0# Convertir el dataframe a formato largo
poblacion_comb <- melt(poblacion_comb, id.vars = "U_MPIO")
print(poblacion_comb)## U_MPIO variable value
## 1 001 H_00_04 949
## 2 001 H_00_04 140
## 3 001 H_00_04 343
## 4 343 H_00_04 54
## 5 343 H_00_04 357
## 6 883 H_00_04 5
## 7 883 H_00_04 48
## 8 884 H_00_04 0
## 9 884 H_00_04 68
## 10 888 H_00_04 7
## 11 888 H_00_04 33
## 12 001 H_05_09 994
## 13 001 H_05_09 162
## 14 001 H_05_09 879
## 15 343 H_05_09 65
## 16 343 H_05_09 708
## 17 883 H_05_09 17
## 18 883 H_05_09 111
## 19 884 H_05_09 0
## 20 884 H_05_09 152
## 21 888 H_05_09 9
## 22 888 H_05_09 58
## 23 001 H_10_14 995
## 24 001 H_10_14 136
## 25 001 H_10_14 895
## 26 343 H_10_14 48
## 27 343 H_10_14 662
## 28 883 H_10_14 36
## 29 883 H_10_14 93
## 30 884 H_10_14 0
## 31 884 H_10_14 129
## 32 888 H_10_14 13
## 33 888 H_10_14 53
## 34 001 H_15_19 1062
## 35 001 H_15_19 116
## 36 001 H_15_19 685
## 37 343 H_15_19 55
## 38 343 H_15_19 555
## 39 883 H_15_19 33
## 40 883 H_15_19 59
## 41 884 H_15_19 0
## 42 884 H_15_19 148
## 43 888 H_15_19 8
## 44 888 H_15_19 59
## 45 001 H_20_24 1091
## 46 001 H_20_24 109
## 47 001 H_20_24 451
## 48 343 H_20_24 60
## 49 343 H_20_24 343
## 50 883 H_20_24 12
## 51 883 H_20_24 49
## 52 884 H_20_24 2
## 53 884 H_20_24 54
## 54 888 H_20_24 7
## 55 888 H_20_24 31
## 56 001 H_25_29 818
## 57 001 H_25_29 79
## 58 001 H_25_29 250
## 59 343 H_25_29 40
## 60 343 H_25_29 166
## 61 883 H_25_29 8
## 62 883 H_25_29 36
## 63 884 H_25_29 0
## 64 884 H_25_29 40
## 65 888 H_25_29 7
## 66 888 H_25_29 16
## 67 001 H_30_34 726
## 68 001 H_30_34 72
## 69 001 H_30_34 226
## 70 343 H_30_34 28
## 71 343 H_30_34 114
## 72 883 H_30_34 4
## 73 883 H_30_34 30
## 74 884 H_30_34 1
## 75 884 H_30_34 44
## 76 888 H_30_34 4
## 77 888 H_30_34 22
## 78 001 H_35_39 637
## 79 001 H_35_39 91
## 80 001 H_35_39 232
## 81 343 H_35_39 19
## 82 343 H_35_39 102
## 83 883 H_35_39 3
## 84 883 H_35_39 38
## 85 884 H_35_39 1
## 86 884 H_35_39 37
## 87 888 H_35_39 8
## 88 888 H_35_39 13
## 89 001 H_40_44 528
## 90 001 H_40_44 56
## 91 001 H_40_44 162
## 92 343 H_40_44 25
## 93 343 H_40_44 79
## 94 883 H_40_44 2
## 95 883 H_40_44 37
## 96 884 H_40_44 0
## 97 884 H_40_44 43
## 98 888 H_40_44 6
## 99 888 H_40_44 13
## 100 001 H_45_49 520
## 101 001 H_45_49 55
## 102 001 H_45_49 112
## 103 343 H_45_49 17
## 104 343 H_45_49 90
## 105 883 H_45_49 4
## 106 883 H_45_49 27
## 107 884 H_45_49 1
## 108 884 H_45_49 35
## 109 888 H_45_49 3
## 110 888 H_45_49 6
## 111 001 H_50_54 415
## 112 001 H_50_54 43
## 113 001 H_50_54 113
## 114 343 H_50_54 19
## 115 343 H_50_54 67
## 116 883 H_50_54 3
## 117 883 H_50_54 20
## 118 884 H_50_54 0
## 119 884 H_50_54 33
## 120 888 H_50_54 3
## 121 888 H_50_54 13
## 122 001 H_55_59 368
## 123 001 H_55_59 44
## 124 001 H_55_59 117
## 125 343 H_55_59 22
## 126 343 H_55_59 55
## 127 883 H_55_59 6
## 128 883 H_55_59 11
## 129 884 H_55_59 0
## 130 884 H_55_59 22
## 131 888 H_55_59 1
## 132 888 H_55_59 11
## 133 001 H_60_64 225
## 134 001 H_60_64 30
## 135 001 H_60_64 71
## 136 343 H_60_64 12
## 137 343 H_60_64 17
## 138 883 H_60_64 1
## 139 883 H_60_64 15
## 140 884 H_60_64 0
## 141 884 H_60_64 17
## 142 888 H_60_64 1
## 143 888 H_60_64 3
## 144 001 H_65_69 155
## 145 001 H_65_69 15
## 146 001 H_65_69 51
## 147 343 H_65_69 9
## 148 343 H_65_69 25
## 149 883 H_65_69 1
## 150 883 H_65_69 9
## 151 884 H_65_69 0
## 152 884 H_65_69 13
## 153 888 H_65_69 3
## 154 888 H_65_69 2
## 155 001 H_70_74 140
## 156 001 H_70_74 14
## 157 001 H_70_74 34
## 158 343 H_70_74 7
## 159 343 H_70_74 19
## 160 883 H_70_74 2
## 161 883 H_70_74 5
## 162 884 H_70_74 0
## 163 884 H_70_74 13
## 164 888 H_70_74 1
## 165 888 H_70_74 2
## 166 001 H_75_79 91
## 167 001 H_75_79 7
## 168 001 H_75_79 22
## 169 343 H_75_79 3
## 170 343 H_75_79 7
## 171 883 H_75_79 0
## 172 883 H_75_79 5
## 173 884 H_75_79 0
## 174 884 H_75_79 2
## 175 888 H_75_79 1
## 176 888 H_75_79 3
## 177 001 H_80_84 32
## 178 001 H_80_84 2
## 179 001 H_80_84 12
## 180 343 H_80_84 2
## 181 343 H_80_84 5
## 182 883 H_80_84 1
## 183 883 H_80_84 2
## 184 884 H_80_84 0
## 185 884 H_80_84 4
## 186 888 H_80_84 0
## 187 888 H_80_84 1
## 188 001 H_85_89 21
## 189 001 H_85_89 2
## 190 001 H_85_89 5
## 191 343 H_85_89 0
## 192 343 H_85_89 3
## 193 883 H_85_89 0
## 194 883 H_85_89 1
## 195 884 H_85_89 0
## 196 884 H_85_89 2
## 197 888 H_85_89 0
## 198 888 H_85_89 1
## 199 001 H_90_94 3
## 200 001 H_90_94 1
## 201 001 H_90_94 1
## 202 343 H_90_94 0
## 203 343 H_90_94 2
## 204 883 H_90_94 0
## 205 883 H_90_94 1
## 206 884 H_90_94 0
## 207 884 H_90_94 0
## 208 888 H_90_94 0
## 209 888 H_90_94 0
## 210 001 H_95_99 3
## 211 001 H_95_99 1
## 212 001 H_95_99 0
## 213 343 H_95_99 1
## 214 343 H_95_99 0
## 215 883 H_95_99 0
## 216 883 H_95_99 0
## 217 884 H_95_99 0
## 218 884 H_95_99 1
## 219 888 H_95_99 0
## 220 888 H_95_99 0
## 221 001 H_100_104 2
## 222 001 H_100_104 0
## 223 001 H_100_104 1
## 224 343 H_100_104 0
## 225 343 H_100_104 1
## 226 883 H_100_104 0
## 227 883 H_100_104 0
## 228 884 H_100_104 0
## 229 884 H_100_104 0
## 230 888 H_100_104 0
## 231 888 H_100_104 0
## 232 001 M_00_04 913
## 233 001 M_00_04 134
## 234 001 M_00_04 321
## 235 343 M_00_04 52
## 236 343 M_00_04 320
## 237 883 M_00_04 6
## 238 883 M_00_04 66
## 239 884 M_00_04 0
## 240 884 M_00_04 61
## 241 888 M_00_04 11
## 242 888 M_00_04 35
## 243 001 M_05_09 962
## 244 001 M_05_09 137
## 245 001 M_05_09 869
## 246 343 M_05_09 58
## 247 343 M_05_09 722
## 248 883 M_05_09 17
## 249 883 M_05_09 99
## 250 884 M_05_09 0
## 251 884 M_05_09 175
## 252 888 M_05_09 12
## 253 888 M_05_09 57
## 254 001 M_10_14 973
## 255 001 M_10_14 128
## 256 001 M_10_14 705
## 257 343 M_10_14 42
## 258 343 M_10_14 634
## 259 883 M_10_14 28
## 260 883 M_10_14 90
## 261 884 M_10_14 0
## 262 884 M_10_14 134
## 263 888 M_10_14 6
## 264 888 M_10_14 69
## 265 001 M_15_19 1002
## 266 001 M_15_19 152
## 267 001 M_15_19 555
## 268 343 M_15_19 53
## 269 343 M_15_19 386
## 270 883 M_15_19 21
## 271 883 M_15_19 66
## 272 884 M_15_19 1
## 273 884 M_15_19 79
## 274 888 M_15_19 5
## 275 888 M_15_19 40
## 276 001 M_20_24 978
## 277 001 M_20_24 104
## 278 001 M_20_24 263
## 279 343 M_20_24 54
## 280 343 M_20_24 212
## 281 883 M_20_24 4
## 282 883 M_20_24 41
## 283 884 M_20_24 2
## 284 884 M_20_24 53
## 285 888 M_20_24 3
## 286 888 M_20_24 30
## 287 001 M_25_29 852
## 288 001 M_25_29 100
## 289 001 M_25_29 223
## 290 343 M_25_29 39
## 291 343 M_25_29 143
## 292 883 M_25_29 10
## 293 883 M_25_29 37
## 294 884 M_25_29 2
## 295 884 M_25_29 45
## 296 888 M_25_29 8
## 297 888 M_25_29 17
## 298 001 M_30_34 725
## 299 001 M_30_34 64
## 300 001 M_30_34 184
## 301 343 M_30_34 26
## 302 343 M_30_34 110
## 303 883 M_30_34 3
## 304 883 M_30_34 37
## 305 884 M_30_34 0
## 306 884 M_30_34 36
## 307 888 M_30_34 4
## 308 888 M_30_34 15
## 309 001 M_35_39 711
## 310 001 M_35_39 70
## 311 001 M_35_39 143
## 312 343 M_35_39 22
## 313 343 M_35_39 90
## 314 883 M_35_39 7
## 315 883 M_35_39 20
## 316 884 M_35_39 0
## 317 884 M_35_39 39
## 318 888 M_35_39 5
## 319 888 M_35_39 17
## 320 001 M_40_44 593
## 321 001 M_40_44 40
## 322 001 M_40_44 140
## 323 343 M_40_44 24
## 324 343 M_40_44 81
## 325 883 M_40_44 5
## 326 883 M_40_44 25
## 327 884 M_40_44 1
## 328 884 M_40_44 30
## 329 888 M_40_44 3
## 330 888 M_40_44 14
## 331 001 M_45_49 495
## 332 001 M_45_49 45
## 333 001 M_45_49 87
## 334 343 M_45_49 13
## 335 343 M_45_49 68
## 336 883 M_45_49 2
## 337 883 M_45_49 23
## 338 884 M_45_49 0
## 339 884 M_45_49 36
## 340 888 M_45_49 2
## 341 888 M_45_49 1
## 342 001 M_50_54 425
## 343 001 M_50_54 38
## 344 001 M_50_54 100
## 345 343 M_50_54 17
## 346 343 M_50_54 46
## 347 883 M_50_54 2
## 348 883 M_50_54 22
## 349 884 M_50_54 0
## 350 884 M_50_54 18
## 351 888 M_50_54 1
## 352 888 M_50_54 9
## 353 001 M_55_59 326
## 354 001 M_55_59 25
## 355 001 M_55_59 96
## 356 343 M_55_59 15
## 357 343 M_55_59 42
## 358 883 M_55_59 3
## 359 883 M_55_59 10
## 360 884 M_55_59 0
## 361 884 M_55_59 14
## 362 888 M_55_59 4
## 363 888 M_55_59 4
## 364 001 M_60_64 200
## 365 001 M_60_64 20
## 366 001 M_60_64 40
## 367 343 M_60_64 2
## 368 343 M_60_64 15
## 369 883 M_60_64 1
## 370 883 M_60_64 12
## 371 884 M_60_64 0
## 372 884 M_60_64 11
## 373 888 M_60_64 1
## 374 888 M_60_64 2
## 375 001 M_65_69 153
## 376 001 M_65_69 12
## 377 001 M_65_69 42
## 378 343 M_65_69 4
## 379 343 M_65_69 19
## 380 883 M_65_69 0
## 381 883 M_65_69 6
## 382 884 M_65_69 0
## 383 884 M_65_69 16
## 384 888 M_65_69 4
## 385 888 M_65_69 3
## 386 001 M_70_74 105
## 387 001 M_70_74 11
## 388 001 M_70_74 33
## 389 343 M_70_74 1
## 390 343 M_70_74 16
## 391 883 M_70_74 0
## 392 883 M_70_74 5
## 393 884 M_70_74 0
## 394 884 M_70_74 14
## 395 888 M_70_74 1
## 396 888 M_70_74 4
## 397 001 M_75_79 81
## 398 001 M_75_79 9
## 399 001 M_75_79 22
## 400 343 M_75_79 4
## 401 343 M_75_79 7
## 402 883 M_75_79 0
## 403 883 M_75_79 3
## 404 884 M_75_79 0
## 405 884 M_75_79 8
## 406 888 M_75_79 0
## 407 888 M_75_79 0
## 408 001 M_80_84 30
## 409 001 M_80_84 4
## 410 001 M_80_84 12
## 411 343 M_80_84 0
## 412 343 M_80_84 4
## 413 883 M_80_84 2
## 414 883 M_80_84 1
## 415 884 M_80_84 0
## 416 884 M_80_84 2
## 417 888 M_80_84 0
## 418 888 M_80_84 1
## 419 001 M_85_89 18
## 420 001 M_85_89 0
## 421 001 M_85_89 5
## 422 343 M_85_89 0
## 423 343 M_85_89 2
## 424 883 M_85_89 0
## 425 883 M_85_89 1
## 426 884 M_85_89 0
## 427 884 M_85_89 2
## 428 888 M_85_89 0
## 429 888 M_85_89 1
## 430 001 M_90_94 8
## 431 001 M_90_94 0
## 432 001 M_90_94 1
## 433 343 M_90_94 0
## 434 343 M_90_94 1
## 435 883 M_90_94 0
## 436 883 M_90_94 1
## 437 884 M_90_94 0
## 438 884 M_90_94 0
## 439 888 M_90_94 0
## 440 888 M_90_94 0
## 441 001 M_95_99 1
## 442 001 M_95_99 2
## 443 001 M_95_99 3
## 444 343 M_95_99 0
## 445 343 M_95_99 0
## 446 883 M_95_99 0
## 447 883 M_95_99 0
## 448 884 M_95_99 0
## 449 884 M_95_99 0
## 450 888 M_95_99 0
## 451 888 M_95_99 1
## 452 001 M_100_104 0
## 453 001 M_100_104 1
## 454 001 M_100_104 1
## 455 343 M_100_104 0
## 456 343 M_100_104 0
## 457 883 M_100_104 0
## 458 883 M_100_104 0
## 459 884 M_100_104 0
## 460 884 M_100_104 2
## 461 888 M_100_104 0
## 462 888 M_100_104 0# Crear columna 'Sexo' a partir de los primeros caracteres de la columna 'variable'
poblacion_comb$Sexo <- as.factor(substr(poblacion_comb$variable, start = 1, stop = 1))
# Crear columna 'Gquinquenal' a partir de los caracteres 3 a 8 de la columna 'variable'
poblacion_comb$Gquinquenal <- substr(poblacion_comb$variable, start = 3, stop = 9)
# Verificar si la columna 'Gquinquenal' existe antes de convertirla en factor
if("Gquinquenal" %in% colnames(poblacion_comb)) {
poblacion_comb$Gquinquenal <- factor(poblacion_comb$Gquinquenal,
levels = c("00_04", "05_09", "10_14", "15_19", "20_24",
"25_29", "30_34", "35_39", "40_44", "45_49",
"50_54", "55_59", "60_64", "65_69", "70_74",
"75_79", "80_84", "85_89", "90_94", "95_99",
"100_104"),
ordered = TRUE)
} else {
stop("La columna 'Gquinquenal' no existe en el dataframe.")
}
# Asegúrate de que la columna 'value' sea numérica
poblacion_comb$value <- as.numeric(as.character(poblacion_comb$value))
# Agrupar y sumar
pop_comb <- poblacion_comb %>%
group_by(Gquinquenal, Sexo) %>%
summarise(value = sum(value, na.rm = TRUE)) %>% # Sumar los valores numéricos
select(Gquinquenal, Sexo, value)## `summarise()` has grouped output by 'Gquinquenal'. You can override using the
## `.groups` argument.# Verifica el resultado
print(pop_comb)## # A tibble: 42 × 3
## # Groups: Gquinquenal [21]
## Gquinquenal Sexo value
## <ord> <fct> <dbl>
## 1 00_04 H 2004
## 2 00_04 M 1919
## 3 05_09 H 3155
## 4 05_09 M 3108
## 5 10_14 H 3060
## 6 10_14 M 2809
## 7 15_19 H 2780
## 8 15_19 M 2360
## 9 20_24 H 2209
## 10 20_24 M 1744
## # ℹ 32 more rowspoblacion_comb <- poblacion_comb[, c(3:5)] # Seleccionar solo las columnas 3 a 5
poblacion_comb <- poblacion_comb[, c(3, 2, 1)] # Reorganizar el orden de las columnas
print(poblacion_comb)## Gquinquenal Sexo value
## 1 00_04 H 949
## 2 00_04 H 140
## 3 00_04 H 343
## 4 00_04 H 54
## 5 00_04 H 357
## 6 00_04 H 5
## 7 00_04 H 48
## 8 00_04 H 0
## 9 00_04 H 68
## 10 00_04 H 7
## 11 00_04 H 33
## 12 05_09 H 994
## 13 05_09 H 162
## 14 05_09 H 879
## 15 05_09 H 65
## 16 05_09 H 708
## 17 05_09 H 17
## 18 05_09 H 111
## 19 05_09 H 0
## 20 05_09 H 152
## 21 05_09 H 9
## 22 05_09 H 58
## 23 10_14 H 995
## 24 10_14 H 136
## 25 10_14 H 895
## 26 10_14 H 48
## 27 10_14 H 662
## 28 10_14 H 36
## 29 10_14 H 93
## 30 10_14 H 0
## 31 10_14 H 129
## 32 10_14 H 13
## 33 10_14 H 53
## 34 15_19 H 1062
## 35 15_19 H 116
## 36 15_19 H 685
## 37 15_19 H 55
## 38 15_19 H 555
## 39 15_19 H 33
## 40 15_19 H 59
## 41 15_19 H 0
## 42 15_19 H 148
## 43 15_19 H 8
## 44 15_19 H 59
## 45 20_24 H 1091
## 46 20_24 H 109
## 47 20_24 H 451
## 48 20_24 H 60
## 49 20_24 H 343
## 50 20_24 H 12
## 51 20_24 H 49
## 52 20_24 H 2
## 53 20_24 H 54
## 54 20_24 H 7
## 55 20_24 H 31
## 56 25_29 H 818
## 57 25_29 H 79
## 58 25_29 H 250
## 59 25_29 H 40
## 60 25_29 H 166
## 61 25_29 H 8
## 62 25_29 H 36
## 63 25_29 H 0
## 64 25_29 H 40
## 65 25_29 H 7
## 66 25_29 H 16
## 67 30_34 H 726
## 68 30_34 H 72
## 69 30_34 H 226
## 70 30_34 H 28
## 71 30_34 H 114
## 72 30_34 H 4
## 73 30_34 H 30
## 74 30_34 H 1
## 75 30_34 H 44
## 76 30_34 H 4
## 77 30_34 H 22
## 78 35_39 H 637
## 79 35_39 H 91
## 80 35_39 H 232
## 81 35_39 H 19
## 82 35_39 H 102
## 83 35_39 H 3
## 84 35_39 H 38
## 85 35_39 H 1
## 86 35_39 H 37
## 87 35_39 H 8
## 88 35_39 H 13
## 89 40_44 H 528
## 90 40_44 H 56
## 91 40_44 H 162
## 92 40_44 H 25
## 93 40_44 H 79
## 94 40_44 H 2
## 95 40_44 H 37
## 96 40_44 H 0
## 97 40_44 H 43
## 98 40_44 H 6
## 99 40_44 H 13
## 100 45_49 H 520
## 101 45_49 H 55
## 102 45_49 H 112
## 103 45_49 H 17
## 104 45_49 H 90
## 105 45_49 H 4
## 106 45_49 H 27
## 107 45_49 H 1
## 108 45_49 H 35
## 109 45_49 H 3
## 110 45_49 H 6
## 111 50_54 H 415
## 112 50_54 H 43
## 113 50_54 H 113
## 114 50_54 H 19
## 115 50_54 H 67
## 116 50_54 H 3
## 117 50_54 H 20
## 118 50_54 H 0
## 119 50_54 H 33
## 120 50_54 H 3
## 121 50_54 H 13
## 122 55_59 H 368
## 123 55_59 H 44
## 124 55_59 H 117
## 125 55_59 H 22
## 126 55_59 H 55
## 127 55_59 H 6
## 128 55_59 H 11
## 129 55_59 H 0
## 130 55_59 H 22
## 131 55_59 H 1
## 132 55_59 H 11
## 133 60_64 H 225
## 134 60_64 H 30
## 135 60_64 H 71
## 136 60_64 H 12
## 137 60_64 H 17
## 138 60_64 H 1
## 139 60_64 H 15
## 140 60_64 H 0
## 141 60_64 H 17
## 142 60_64 H 1
## 143 60_64 H 3
## 144 65_69 H 155
## 145 65_69 H 15
## 146 65_69 H 51
## 147 65_69 H 9
## 148 65_69 H 25
## 149 65_69 H 1
## 150 65_69 H 9
## 151 65_69 H 0
## 152 65_69 H 13
## 153 65_69 H 3
## 154 65_69 H 2
## 155 70_74 H 140
## 156 70_74 H 14
## 157 70_74 H 34
## 158 70_74 H 7
## 159 70_74 H 19
## 160 70_74 H 2
## 161 70_74 H 5
## 162 70_74 H 0
## 163 70_74 H 13
## 164 70_74 H 1
## 165 70_74 H 2
## 166 75_79 H 91
## 167 75_79 H 7
## 168 75_79 H 22
## 169 75_79 H 3
## 170 75_79 H 7
## 171 75_79 H 0
## 172 75_79 H 5
## 173 75_79 H 0
## 174 75_79 H 2
## 175 75_79 H 1
## 176 75_79 H 3
## 177 80_84 H 32
## 178 80_84 H 2
## 179 80_84 H 12
## 180 80_84 H 2
## 181 80_84 H 5
## 182 80_84 H 1
## 183 80_84 H 2
## 184 80_84 H 0
## 185 80_84 H 4
## 186 80_84 H 0
## 187 80_84 H 1
## 188 85_89 H 21
## 189 85_89 H 2
## 190 85_89 H 5
## 191 85_89 H 0
## 192 85_89 H 3
## 193 85_89 H 0
## 194 85_89 H 1
## 195 85_89 H 0
## 196 85_89 H 2
## 197 85_89 H 0
## 198 85_89 H 1
## 199 90_94 H 3
## 200 90_94 H 1
## 201 90_94 H 1
## 202 90_94 H 0
## 203 90_94 H 2
## 204 90_94 H 0
## 205 90_94 H 1
## 206 90_94 H 0
## 207 90_94 H 0
## 208 90_94 H 0
## 209 90_94 H 0
## 210 95_99 H 3
## 211 95_99 H 1
## 212 95_99 H 0
## 213 95_99 H 1
## 214 95_99 H 0
## 215 95_99 H 0
## 216 95_99 H 0
## 217 95_99 H 0
## 218 95_99 H 1
## 219 95_99 H 0
## 220 95_99 H 0
## 221 100_104 H 2
## 222 100_104 H 0
## 223 100_104 H 1
## 224 100_104 H 0
## 225 100_104 H 1
## 226 100_104 H 0
## 227 100_104 H 0
## 228 100_104 H 0
## 229 100_104 H 0
## 230 100_104 H 0
## 231 100_104 H 0
## 232 00_04 M 913
## 233 00_04 M 134
## 234 00_04 M 321
## 235 00_04 M 52
## 236 00_04 M 320
## 237 00_04 M 6
## 238 00_04 M 66
## 239 00_04 M 0
## 240 00_04 M 61
## 241 00_04 M 11
## 242 00_04 M 35
## 243 05_09 M 962
## 244 05_09 M 137
## 245 05_09 M 869
## 246 05_09 M 58
## 247 05_09 M 722
## 248 05_09 M 17
## 249 05_09 M 99
## 250 05_09 M 0
## 251 05_09 M 175
## 252 05_09 M 12
## 253 05_09 M 57
## 254 10_14 M 973
## 255 10_14 M 128
## 256 10_14 M 705
## 257 10_14 M 42
## 258 10_14 M 634
## 259 10_14 M 28
## 260 10_14 M 90
## 261 10_14 M 0
## 262 10_14 M 134
## 263 10_14 M 6
## 264 10_14 M 69
## 265 15_19 M 1002
## 266 15_19 M 152
## 267 15_19 M 555
## 268 15_19 M 53
## 269 15_19 M 386
## 270 15_19 M 21
## 271 15_19 M 66
## 272 15_19 M 1
## 273 15_19 M 79
## 274 15_19 M 5
## 275 15_19 M 40
## 276 20_24 M 978
## 277 20_24 M 104
## 278 20_24 M 263
## 279 20_24 M 54
## 280 20_24 M 212
## 281 20_24 M 4
## 282 20_24 M 41
## 283 20_24 M 2
## 284 20_24 M 53
## 285 20_24 M 3
## 286 20_24 M 30
## 287 25_29 M 852
## 288 25_29 M 100
## 289 25_29 M 223
## 290 25_29 M 39
## 291 25_29 M 143
## 292 25_29 M 10
## 293 25_29 M 37
## 294 25_29 M 2
## 295 25_29 M 45
## 296 25_29 M 8
## 297 25_29 M 17
## 298 30_34 M 725
## 299 30_34 M 64
## 300 30_34 M 184
## 301 30_34 M 26
## 302 30_34 M 110
## 303 30_34 M 3
## 304 30_34 M 37
## 305 30_34 M 0
## 306 30_34 M 36
## 307 30_34 M 4
## 308 30_34 M 15
## 309 35_39 M 711
## 310 35_39 M 70
## 311 35_39 M 143
## 312 35_39 M 22
## 313 35_39 M 90
## 314 35_39 M 7
## 315 35_39 M 20
## 316 35_39 M 0
## 317 35_39 M 39
## 318 35_39 M 5
## 319 35_39 M 17
## 320 40_44 M 593
## 321 40_44 M 40
## 322 40_44 M 140
## 323 40_44 M 24
## 324 40_44 M 81
## 325 40_44 M 5
## 326 40_44 M 25
## 327 40_44 M 1
## 328 40_44 M 30
## 329 40_44 M 3
## 330 40_44 M 14
## 331 45_49 M 495
## 332 45_49 M 45
## 333 45_49 M 87
## 334 45_49 M 13
## 335 45_49 M 68
## 336 45_49 M 2
## 337 45_49 M 23
## 338 45_49 M 0
## 339 45_49 M 36
## 340 45_49 M 2
## 341 45_49 M 1
## 342 50_54 M 425
## 343 50_54 M 38
## 344 50_54 M 100
## 345 50_54 M 17
## 346 50_54 M 46
## 347 50_54 M 2
## 348 50_54 M 22
## 349 50_54 M 0
## 350 50_54 M 18
## 351 50_54 M 1
## 352 50_54 M 9
## 353 55_59 M 326
## 354 55_59 M 25
## 355 55_59 M 96
## 356 55_59 M 15
## 357 55_59 M 42
## 358 55_59 M 3
## 359 55_59 M 10
## 360 55_59 M 0
## 361 55_59 M 14
## 362 55_59 M 4
## 363 55_59 M 4
## 364 60_64 M 200
## 365 60_64 M 20
## 366 60_64 M 40
## 367 60_64 M 2
## 368 60_64 M 15
## 369 60_64 M 1
## 370 60_64 M 12
## 371 60_64 M 0
## 372 60_64 M 11
## 373 60_64 M 1
## 374 60_64 M 2
## 375 65_69 M 153
## 376 65_69 M 12
## 377 65_69 M 42
## 378 65_69 M 4
## 379 65_69 M 19
## 380 65_69 M 0
## 381 65_69 M 6
## 382 65_69 M 0
## 383 65_69 M 16
## 384 65_69 M 4
## 385 65_69 M 3
## 386 70_74 M 105
## 387 70_74 M 11
## 388 70_74 M 33
## 389 70_74 M 1
## 390 70_74 M 16
## 391 70_74 M 0
## 392 70_74 M 5
## 393 70_74 M 0
## 394 70_74 M 14
## 395 70_74 M 1
## 396 70_74 M 4
## 397 75_79 M 81
## 398 75_79 M 9
## 399 75_79 M 22
## 400 75_79 M 4
## 401 75_79 M 7
## 402 75_79 M 0
## 403 75_79 M 3
## 404 75_79 M 0
## 405 75_79 M 8
## 406 75_79 M 0
## 407 75_79 M 0
## 408 80_84 M 30
## 409 80_84 M 4
## 410 80_84 M 12
## 411 80_84 M 0
## 412 80_84 M 4
## 413 80_84 M 2
## 414 80_84 M 1
## 415 80_84 M 0
## 416 80_84 M 2
## 417 80_84 M 0
## 418 80_84 M 1
## 419 85_89 M 18
## 420 85_89 M 0
## 421 85_89 M 5
## 422 85_89 M 0
## 423 85_89 M 2
## 424 85_89 M 0
## 425 85_89 M 1
## 426 85_89 M 0
## 427 85_89 M 2
## 428 85_89 M 0
## 429 85_89 M 1
## 430 90_94 M 8
## 431 90_94 M 0
## 432 90_94 M 1
## 433 90_94 M 0
## 434 90_94 M 1
## 435 90_94 M 0
## 436 90_94 M 1
## 437 90_94 M 0
## 438 90_94 M 0
## 439 90_94 M 0
## 440 90_94 M 0
## 441 95_99 M 1
## 442 95_99 M 2
## 443 95_99 M 3
## 444 95_99 M 0
## 445 95_99 M 0
## 446 95_99 M 0
## 447 95_99 M 0
## 448 95_99 M 0
## 449 95_99 M 0
## 450 95_99 M 0
## 451 95_99 M 1
## 452 100_104 M 0
## 453 100_104 M 1
## 454 100_104 M 1
## 455 100_104 M 0
## 456 100_104 M 0
## 457 100_104 M 0
## 458 100_104 M 0
## 459 100_104 M 0
## 460 100_104 M 2
## 461 100_104 M 0
## 462 100_104 M 0# Reestructuración para tener 'Hombres' y 'Mujeres' en columnas separadas
poblacion_comb <- reshape(data = poblacion_comb,
idvar = "Gquinquenal",
v.names = c("value"),
timevar = "Sexo",
direction = "wide")## Warning in reshapeWide(data, idvar = idvar, timevar = timevar, varying =
## varying, : multiple rows match for Sexo=H: first taken## Warning in reshapeWide(data, idvar = idvar, timevar = timevar, varying =
## varying, : multiple rows match for Sexo=M: first taken# Verificar el nombre de las columnas
print(colnames(poblacion_comb))## [1] "Gquinquenal" "value.H" "value.M"# Renombrar columnas
poblacion_comb <- poblacion_comb %>%
rename(Hombres = value.H, Mujeres = value.M)
# Calcular la población total
poblacion_comb$Poblacion <- poblacion_comb$Hombres + poblacion_comb$Mujeres
print(poblacion_comb)## Gquinquenal Hombres Mujeres Poblacion
## 1 00_04 949 913 1862
## 12 05_09 994 962 1956
## 23 10_14 995 973 1968
## 34 15_19 1062 1002 2064
## 45 20_24 1091 978 2069
## 56 25_29 818 852 1670
## 67 30_34 726 725 1451
## 78 35_39 637 711 1348
## 89 40_44 528 593 1121
## 100 45_49 520 495 1015
## 111 50_54 415 425 840
## 122 55_59 368 326 694
## 133 60_64 225 200 425
## 144 65_69 155 153 308
## 155 70_74 140 105 245
## 166 75_79 91 81 172
## 177 80_84 32 30 62
## 188 85_89 21 18 39
## 199 90_94 3 8 11
## 210 95_99 3 1 4
## 221 100_104 2 0 2# Calcular la población total para obtener proporciones sin multiplicar por 100
pop_comb <- poblacion_comb %>%
group_by(Gquinquenal) %>%
summarise_all(sum, na.rm = TRUE) %>%
mutate(totH = sum(Hombres), totM = sum(Mujeres)) %>%
mutate(Hombres = (Hombres / totH), # Sin multiplicar por 100
Mujeres = (Mujeres / totM)) %>%
select(-totH, -totM) %>%
pivot_longer(cols = c("Hombres", "Mujeres"),
names_to = "Sexo",
values_to = "Poblacion por Sexo") %>%
select(Gquinquenal, Sexo, Poblacion, `Poblacion por Sexo`)
# Gráfico de pirámide poblacional combinando clases en proporciones
ggplot(pop_comb, aes(x = Gquinquenal, y = `Poblacion por Sexo`, fill = Sexo)) +
# Sección de HOMBRES (en proporciones negativas)
geom_bar(data = subset(pop_comb, Sexo == "Hombres") %>%
mutate(`Poblacion por Sexo` = -`Poblacion por Sexo`),
stat = "identity", width = 0.5, fill = "blue") +
# Sección de MUJERES
geom_bar(data = subset(pop_comb, Sexo == "Mujeres"),
stat = "identity", width = 0.5, fill = "pink") +
# Cambio de coordenadas para hacer horizontal
coord_flip() +
# Tema y estilos gráficos
ggthemes::theme_tufte() +
theme(plot.title = element_text(hjust = 0.5, size = 20),
axis.text.x = element_text(),
axis.text.y = element_text()) +
# Etiquetas del gráfico
labs(title = "Pirámide Poblacional General, 2018",
x = "",
y = "Hombres Mujeres",
caption = "Fuente: DANE. \nCNPV 2018. Tabulados de Población") +
# Escala de proporciones en el eje Y, ajustada en intervalos de 0.02
scale_y_continuous(breaks = seq(-0.12, 0.12, by = 0.02), # Proporciones en vez de porcentajes
labels = paste0(c(seq(0.12, 0, by = -0.02), seq(0.02, 0.12, by = 0.02))))
La pirámide poblacional muestra una distribución por sexo y edad, con una base amplia que indica una población mayoritariamente joven, especialmente en los grupos de 0 a 29 años. El grupo más numeroso es el de 20 a 24 años, lo que refleja una alta natalidad reciente. Notamos un incremento de la población femenina frente a los hombres desde la edad de 25 a 29 años, sin embargo, en edades más avanzadas se mantiene un comportamiendo de una población donde ambos sexos tienen una presencia relativamente uniforme, hasta la vejez.
Pirámide porcentual Cabecera Urbana
# Seleccionar columnas de la 2 a la 45
poblacioncm <- tabla_PersonaHogar[, 2:45]
print(poblacioncm) # Verifica el dataframe## U_MPIO UA_CLASE H_00_04 H_05_09 H_10_14 H_15_19 H_20_24 H_25_29 H_30_34
## 1 001 1 949 994 995 1062 1091 818 726
## 2 001 2 140 162 136 116 109 79 72
## 3 001 3 343 879 895 685 451 250 226
## 4 343 2 54 65 48 55 60 40 28
## 5 343 3 357 708 662 555 343 166 114
## 6 883 2 5 17 36 33 12 8 4
## 7 883 3 48 111 93 59 49 36 30
## 8 884 2 0 0 0 0 2 0 1
## 9 884 3 68 152 129 148 54 40 44
## 10 888 2 7 9 13 8 7 7 4
## 11 888 3 33 58 53 59 31 16 22
## H_35_39 H_40_44 H_45_49 H_50_54 H_55_59 H_60_64 H_65_69 H_70_74 H_75_79
## 1 637 528 520 415 368 225 155 140 91
## 2 91 56 55 43 44 30 15 14 7
## 3 232 162 112 113 117 71 51 34 22
## 4 19 25 17 19 22 12 9 7 3
## 5 102 79 90 67 55 17 25 19 7
## 6 3 2 4 3 6 1 1 2 0
## 7 38 37 27 20 11 15 9 5 5
## 8 1 0 1 0 0 0 0 0 0
## 9 37 43 35 33 22 17 13 13 2
## 10 8 6 3 3 1 1 3 1 1
## 11 13 13 6 13 11 3 2 2 3
## H_80_84 H_85_89 H_90_94 H_95_99 H_100_104 M_00_04 M_05_09 M_10_14 M_15_19
## 1 32 21 3 3 2 913 962 973 1002
## 2 2 2 1 1 0 134 137 128 152
## 3 12 5 1 0 1 321 869 705 555
## 4 2 0 0 1 0 52 58 42 53
## 5 5 3 2 0 1 320 722 634 386
## 6 1 0 0 0 0 6 17 28 21
## 7 2 1 1 0 0 66 99 90 66
## 8 0 0 0 0 0 0 0 0 1
## 9 4 2 0 1 0 61 175 134 79
## 10 0 0 0 0 0 11 12 6 5
## 11 1 1 0 0 0 35 57 69 40
## M_20_24 M_25_29 M_30_34 M_35_39 M_40_44 M_45_49 M_50_54 M_55_59 M_60_64
## 1 978 852 725 711 593 495 425 326 200
## 2 104 100 64 70 40 45 38 25 20
## 3 263 223 184 143 140 87 100 96 40
## 4 54 39 26 22 24 13 17 15 2
## 5 212 143 110 90 81 68 46 42 15
## 6 4 10 3 7 5 2 2 3 1
## 7 41 37 37 20 25 23 22 10 12
## 8 2 2 0 0 1 0 0 0 0
## 9 53 45 36 39 30 36 18 14 11
## 10 3 8 4 5 3 2 1 4 1
## 11 30 17 15 17 14 1 9 4 2
## M_65_69 M_70_74 M_75_79 M_80_84 M_85_89 M_90_94 M_95_99 M_100_104
## 1 153 105 81 30 18 8 1 0
## 2 12 11 9 4 0 0 2 1
## 3 42 33 22 12 5 1 3 1
## 4 4 1 4 0 0 0 0 0
## 5 19 16 7 4 2 1 0 0
## 6 0 0 0 2 0 0 0 0
## 7 6 5 3 1 1 1 0 0
## 8 0 0 0 0 0 0 0 0
## 9 16 14 8 2 2 0 0 2
## 10 4 1 0 0 0 0 0 0
## 11 3 4 0 1 1 0 1 0# Filtrar solo donde UA_CLASE == 1 (Centros Municipales)
poblacioncm <- poblacioncm %>%
filter(UA_CLASE == 1)
print(poblacioncm) # Verifica los datos después de filtrar## U_MPIO UA_CLASE H_00_04 H_05_09 H_10_14 H_15_19 H_20_24 H_25_29 H_30_34
## 1 001 1 949 994 995 1062 1091 818 726
## H_35_39 H_40_44 H_45_49 H_50_54 H_55_59 H_60_64 H_65_69 H_70_74 H_75_79
## 1 637 528 520 415 368 225 155 140 91
## H_80_84 H_85_89 H_90_94 H_95_99 H_100_104 M_00_04 M_05_09 M_10_14 M_15_19
## 1 32 21 3 3 2 913 962 973 1002
## M_20_24 M_25_29 M_30_34 M_35_39 M_40_44 M_45_49 M_50_54 M_55_59 M_60_64
## 1 978 852 725 711 593 495 425 326 200
## M_65_69 M_70_74 M_75_79 M_80_84 M_85_89 M_90_94 M_95_99 M_100_104
## 1 153 105 81 30 18 8 1 0# Eliminar la segunda columna
poblacioncm <- poblacioncm[,-c(2)]
print(poblacioncm) # Verifica el dataframe sin la columna## U_MPIO H_00_04 H_05_09 H_10_14 H_15_19 H_20_24 H_25_29 H_30_34 H_35_39
## 1 001 949 994 995 1062 1091 818 726 637
## H_40_44 H_45_49 H_50_54 H_55_59 H_60_64 H_65_69 H_70_74 H_75_79 H_80_84
## 1 528 520 415 368 225 155 140 91 32
## H_85_89 H_90_94 H_95_99 H_100_104 M_00_04 M_05_09 M_10_14 M_15_19 M_20_24
## 1 21 3 3 2 913 962 973 1002 978
## M_25_29 M_30_34 M_35_39 M_40_44 M_45_49 M_50_54 M_55_59 M_60_64 M_65_69
## 1 852 725 711 593 495 425 326 200 153
## M_70_74 M_75_79 M_80_84 M_85_89 M_90_94 M_95_99 M_100_104
## 1 105 81 30 18 8 1 0# Convertir el dataframe a formato largo
poblacioncm <- melt(poblacioncm, id.vars = "U_MPIO")
print(poblacioncm)## U_MPIO variable value
## 1 001 H_00_04 949
## 2 001 H_05_09 994
## 3 001 H_10_14 995
## 4 001 H_15_19 1062
## 5 001 H_20_24 1091
## 6 001 H_25_29 818
## 7 001 H_30_34 726
## 8 001 H_35_39 637
## 9 001 H_40_44 528
## 10 001 H_45_49 520
## 11 001 H_50_54 415
## 12 001 H_55_59 368
## 13 001 H_60_64 225
## 14 001 H_65_69 155
## 15 001 H_70_74 140
## 16 001 H_75_79 91
## 17 001 H_80_84 32
## 18 001 H_85_89 21
## 19 001 H_90_94 3
## 20 001 H_95_99 3
## 21 001 H_100_104 2
## 22 001 M_00_04 913
## 23 001 M_05_09 962
## 24 001 M_10_14 973
## 25 001 M_15_19 1002
## 26 001 M_20_24 978
## 27 001 M_25_29 852
## 28 001 M_30_34 725
## 29 001 M_35_39 711
## 30 001 M_40_44 593
## 31 001 M_45_49 495
## 32 001 M_50_54 425
## 33 001 M_55_59 326
## 34 001 M_60_64 200
## 35 001 M_65_69 153
## 36 001 M_70_74 105
## 37 001 M_75_79 81
## 38 001 M_80_84 30
## 39 001 M_85_89 18
## 40 001 M_90_94 8
## 41 001 M_95_99 1
## 42 001 M_100_104 0# Crear columna 'Sexo' a partir de los primeros caracteres de la columna 'variable'
poblacioncm$Sexo <- as.factor(substr(poblacioncm$variable, start = 1, stop = 1))
# Crear columna 'Gquinquenal' a partir de los caracteres 3 a 8 de la columna 'variable'
poblacioncm$Gquinquenal <- substr(poblacioncm$variable, start = 3, stop = 9)
# Verificar si la columna 'Gquinquenal' existe antes de convertirla en factor
if("Gquinquenal" %in% colnames(poblacioncm)) {
poblacioncm$Gquinquenal <- factor(poblacioncm$Gquinquenal,
levels = c("00_04", "05_09", "10_14", "15_19", "20_24",
"25_29", "30_34", "35_39", "40_44", "45_49",
"50_54", "55_59", "60_64", "65_69", "70_74",
"75_79", "80_84", "85_89", "90_94", "95_99",
"100_104"),
ordered = TRUE)
} else {
stop("La columna 'Gquinquenal' no existe en el dataframe.")
}
# Asegúrate de que la columna 'value' sea numérica
poblacioncm$value <- as.numeric(as.character(poblacioncm$value))
# Agrupar y sumar
pop_cm <- poblacioncm %>%
group_by(Gquinquenal, Sexo) %>%
summarise(value = sum(value, na.rm = TRUE)) %>% # Sumar los valores numéricos
select(Gquinquenal, Sexo, value)## `summarise()` has grouped output by 'Gquinquenal'. You can override using the
## `.groups` argument.# Verifica el resultado
print(pop_cm)## # A tibble: 42 × 3
## # Groups: Gquinquenal [21]
## Gquinquenal Sexo value
## <ord> <fct> <dbl>
## 1 00_04 H 949
## 2 00_04 M 913
## 3 05_09 H 994
## 4 05_09 M 962
## 5 10_14 H 995
## 6 10_14 M 973
## 7 15_19 H 1062
## 8 15_19 M 1002
## 9 20_24 H 1091
## 10 20_24 M 978
## # ℹ 32 more rowspoblacioncm <- poblacioncm[, c(3:5)] # Seleccionar solo las columnas 3 a 5
poblacioncm <- poblacioncm[, c(3, 2, 1)] # Reorganizar el orden de las columnas
print(poblacioncm)## Gquinquenal Sexo value
## 1 00_04 H 949
## 2 05_09 H 994
## 3 10_14 H 995
## 4 15_19 H 1062
## 5 20_24 H 1091
## 6 25_29 H 818
## 7 30_34 H 726
## 8 35_39 H 637
## 9 40_44 H 528
## 10 45_49 H 520
## 11 50_54 H 415
## 12 55_59 H 368
## 13 60_64 H 225
## 14 65_69 H 155
## 15 70_74 H 140
## 16 75_79 H 91
## 17 80_84 H 32
## 18 85_89 H 21
## 19 90_94 H 3
## 20 95_99 H 3
## 21 100_104 H 2
## 22 00_04 M 913
## 23 05_09 M 962
## 24 10_14 M 973
## 25 15_19 M 1002
## 26 20_24 M 978
## 27 25_29 M 852
## 28 30_34 M 725
## 29 35_39 M 711
## 30 40_44 M 593
## 31 45_49 M 495
## 32 50_54 M 425
## 33 55_59 M 326
## 34 60_64 M 200
## 35 65_69 M 153
## 36 70_74 M 105
## 37 75_79 M 81
## 38 80_84 M 30
## 39 85_89 M 18
## 40 90_94 M 8
## 41 95_99 M 1
## 42 100_104 M 0# Reestructuración para tener 'Hombres' y 'Mujeres' en columnas separadas
poblacioncm <- reshape(data = poblacioncm,
idvar = "Gquinquenal",
v.names = c("value"),
timevar = "Sexo",
direction = "wide")
# Verificar el nombre de las columnas
print(colnames(poblacioncm))## [1] "Gquinquenal" "value.H" "value.M"# Renombrar columnas
poblacioncm <- poblacioncm %>%
rename(Hombres = value.H, Mujeres = value.M)
# Calcular la población total
poblacioncm$Poblacion <- poblacioncm$Hombres + poblacioncm$Mujeres
print(poblacioncm)## Gquinquenal Hombres Mujeres Poblacion
## 1 00_04 949 913 1862
## 2 05_09 994 962 1956
## 3 10_14 995 973 1968
## 4 15_19 1062 1002 2064
## 5 20_24 1091 978 2069
## 6 25_29 818 852 1670
## 7 30_34 726 725 1451
## 8 35_39 637 711 1348
## 9 40_44 528 593 1121
## 10 45_49 520 495 1015
## 11 50_54 415 425 840
## 12 55_59 368 326 694
## 13 60_64 225 200 425
## 14 65_69 155 153 308
## 15 70_74 140 105 245
## 16 75_79 91 81 172
## 17 80_84 32 30 62
## 18 85_89 21 18 39
## 19 90_94 3 8 11
## 20 95_99 3 1 4
## 21 100_104 2 0 2# Procesar los datos para el gráfico
pop_cm <- poblacioncm %>%
group_by(Gquinquenal) %>%
summarise_all(sum, na.rm = TRUE) %>%
mutate(totH = sum(Hombres), totM = sum(Mujeres)) %>%
mutate(Hombres = (Hombres / totH) * 100,
Mujeres = (Mujeres / totM) * 100) %>%
select(-totH, -totM) %>%
pivot_longer(cols = c("Hombres", "Mujeres"),
names_to = "Sexo",
values_to = "Poblacion por Sexo") %>%
select(Gquinquenal, Sexo, Poblacion, `Poblacion por Sexo`)
# Calcular la población total para obtener proporciones sin multiplicar por 100
pop_cm <- poblacioncm %>%
group_by(Gquinquenal) %>%
summarise_all(sum, na.rm = TRUE) %>%
mutate(totH = sum(Hombres), totM = sum(Mujeres)) %>%
mutate(Hombres = (Hombres / totH), # Sin multiplicar por 100
Mujeres = (Mujeres / totM)) %>%
select(-totH, -totM) %>%
pivot_longer(cols = c("Hombres", "Mujeres"),
names_to = "Sexo",
values_to = "Poblacion por Sexo") %>%
select(Gquinquenal, Sexo, Poblacion, `Poblacion por Sexo`)
# Gráfico de pirámide poblacional centros municipales en proporciones
ggplot(pop_cm, aes(x = Gquinquenal, y = `Poblacion por Sexo`, fill = Sexo)) +
# Sección de HOMBRES (en proporciones negativas)
geom_bar(data = subset(pop_cm, Sexo == "Hombres") %>%
mutate(`Poblacion por Sexo` = -`Poblacion por Sexo`),
stat = "identity", width = 0.5, fill = "blue") +
# Sección de MUJERES
geom_bar(data = subset(pop_cm, Sexo == "Mujeres"),
stat = "identity", width = 0.5, fill = "pink") +
# Cambio de coordenadas para hacer horizontal
coord_flip() +
# Tema y estilos gráficos
ggthemes::theme_tufte() +
theme(plot.title = element_text(hjust = 0.5, size = 20),
axis.text.x = element_text(),
axis.text.y = element_text()) +
# Etiquetas del gráfico
labs(title = "Pirámide Poblacional Cabecera Urbana, 2018",
x = "",
y = "Hombres Mujeres",
caption = "Fuente: DANE. \nCNPV 2018. Tabulados de Población") +
# Escala de proporciones en el eje Y, ajustada en intervalos de 0.02
scale_y_continuous(breaks = seq(-0.12, 0.12, by = 0.02), # Proporciones en vez de porcentajes
labels = paste0(c(seq(0.12, 0, by = -0.02), seq(0.02, 0.12, by = 0.02))))
La pirámide poblacional del municipio del departamento de Guainía en 2018, podemos observar que la población se distribuye uniformemente en los primeros años de vida, sin embargo la presencia de los hombres es mayor desde el grupo etareo de 20 a 24 años. Después se vuelve a distribuir casi uniformemente la población, sin embargo en los grupos etareos más longevos se aprecia la presencia de la población masculina principalmente.
Pirámide porcentual Centro Poblacional
Este código realiza un análisis y visualización de la población en centros municipales, enfocándose en la creación de una pirámide poblacional que muestra la proporción de hombres y mujeres por grupos de edad (quinquenios). A continuación se resume cada paso:
Selección y filtrado de datos:
Se seleccionan las columnas relevantes del dataframe y se filtran los registros que corresponden a centros municipales (UA_CLASE == 1). Reestructuración de datos:
El dataframe se convierte a formato largo, donde cada fila representa un grupo de edad y sexo. Se crean nuevas columnas para identificar el sexo y el grupo de edad (quinquenios). Agrupación y suma:
Se agrupa la población por quinquenio y sexo, sumando el total de personas en cada categoría. Reestructuración para hombres y mujeres en columnas separadas:
El dataframe se reestructura nuevamente para tener las columnas “Hombres” y “Mujeres” separadas. Se calcula la población total y las proporciones de hombres y mujeres. Cálculo de proporciones:
Se calculan las proporciones de hombres y mujeres respecto al total de la población en cada grupo de edad, expresadas en forma de proporción (sin multiplicar por 100). Generación del gráfico de pirámide poblacional:
Utilizando ggplot, se crea una pirámide poblacional que muestra las proporciones de hombres y mujeres por grupo de edad, con los hombres representados en valores negativos para facilitar la comparación visual. Estilo y presentación del gráfico:
El gráfico se presenta con estilo personalizado, utilizando colores diferentes para hombres y mujeres, y mostrando una escala de proporciones ajustada.
## Pirámide porcentual Rural Centros Poblados
# Seleccionar columnas de la 2 a la 45
poblacioncp <- tabla_PersonaHogar[, 2:45]
print(poblacioncp) # Verifica el dataframe## U_MPIO UA_CLASE H_00_04 H_05_09 H_10_14 H_15_19 H_20_24 H_25_29 H_30_34
## 1 001 1 949 994 995 1062 1091 818 726
## 2 001 2 140 162 136 116 109 79 72
## 3 001 3 343 879 895 685 451 250 226
## 4 343 2 54 65 48 55 60 40 28
## 5 343 3 357 708 662 555 343 166 114
## 6 883 2 5 17 36 33 12 8 4
## 7 883 3 48 111 93 59 49 36 30
## 8 884 2 0 0 0 0 2 0 1
## 9 884 3 68 152 129 148 54 40 44
## 10 888 2 7 9 13 8 7 7 4
## 11 888 3 33 58 53 59 31 16 22
## H_35_39 H_40_44 H_45_49 H_50_54 H_55_59 H_60_64 H_65_69 H_70_74 H_75_79
## 1 637 528 520 415 368 225 155 140 91
## 2 91 56 55 43 44 30 15 14 7
## 3 232 162 112 113 117 71 51 34 22
## 4 19 25 17 19 22 12 9 7 3
## 5 102 79 90 67 55 17 25 19 7
## 6 3 2 4 3 6 1 1 2 0
## 7 38 37 27 20 11 15 9 5 5
## 8 1 0 1 0 0 0 0 0 0
## 9 37 43 35 33 22 17 13 13 2
## 10 8 6 3 3 1 1 3 1 1
## 11 13 13 6 13 11 3 2 2 3
## H_80_84 H_85_89 H_90_94 H_95_99 H_100_104 M_00_04 M_05_09 M_10_14 M_15_19
## 1 32 21 3 3 2 913 962 973 1002
## 2 2 2 1 1 0 134 137 128 152
## 3 12 5 1 0 1 321 869 705 555
## 4 2 0 0 1 0 52 58 42 53
## 5 5 3 2 0 1 320 722 634 386
## 6 1 0 0 0 0 6 17 28 21
## 7 2 1 1 0 0 66 99 90 66
## 8 0 0 0 0 0 0 0 0 1
## 9 4 2 0 1 0 61 175 134 79
## 10 0 0 0 0 0 11 12 6 5
## 11 1 1 0 0 0 35 57 69 40
## M_20_24 M_25_29 M_30_34 M_35_39 M_40_44 M_45_49 M_50_54 M_55_59 M_60_64
## 1 978 852 725 711 593 495 425 326 200
## 2 104 100 64 70 40 45 38 25 20
## 3 263 223 184 143 140 87 100 96 40
## 4 54 39 26 22 24 13 17 15 2
## 5 212 143 110 90 81 68 46 42 15
## 6 4 10 3 7 5 2 2 3 1
## 7 41 37 37 20 25 23 22 10 12
## 8 2 2 0 0 1 0 0 0 0
## 9 53 45 36 39 30 36 18 14 11
## 10 3 8 4 5 3 2 1 4 1
## 11 30 17 15 17 14 1 9 4 2
## M_65_69 M_70_74 M_75_79 M_80_84 M_85_89 M_90_94 M_95_99 M_100_104
## 1 153 105 81 30 18 8 1 0
## 2 12 11 9 4 0 0 2 1
## 3 42 33 22 12 5 1 3 1
## 4 4 1 4 0 0 0 0 0
## 5 19 16 7 4 2 1 0 0
## 6 0 0 0 2 0 0 0 0
## 7 6 5 3 1 1 1 0 0
## 8 0 0 0 0 0 0 0 0
## 9 16 14 8 2 2 0 0 2
## 10 4 1 0 0 0 0 0 0
## 11 3 4 0 1 1 0 1 0# Filtrar solo donde UA_CLASE == 2 (Centros Poblados)
poblacioncp <- poblacioncp %>%
filter(UA_CLASE == 2)
print(poblacioncp) # Verifica los datos después de filtrar## U_MPIO UA_CLASE H_00_04 H_05_09 H_10_14 H_15_19 H_20_24 H_25_29 H_30_34
## 1 001 2 140 162 136 116 109 79 72
## 2 343 2 54 65 48 55 60 40 28
## 3 883 2 5 17 36 33 12 8 4
## 4 884 2 0 0 0 0 2 0 1
## 5 888 2 7 9 13 8 7 7 4
## H_35_39 H_40_44 H_45_49 H_50_54 H_55_59 H_60_64 H_65_69 H_70_74 H_75_79
## 1 91 56 55 43 44 30 15 14 7
## 2 19 25 17 19 22 12 9 7 3
## 3 3 2 4 3 6 1 1 2 0
## 4 1 0 1 0 0 0 0 0 0
## 5 8 6 3 3 1 1 3 1 1
## H_80_84 H_85_89 H_90_94 H_95_99 H_100_104 M_00_04 M_05_09 M_10_14 M_15_19
## 1 2 2 1 1 0 134 137 128 152
## 2 2 0 0 1 0 52 58 42 53
## 3 1 0 0 0 0 6 17 28 21
## 4 0 0 0 0 0 0 0 0 1
## 5 0 0 0 0 0 11 12 6 5
## M_20_24 M_25_29 M_30_34 M_35_39 M_40_44 M_45_49 M_50_54 M_55_59 M_60_64
## 1 104 100 64 70 40 45 38 25 20
## 2 54 39 26 22 24 13 17 15 2
## 3 4 10 3 7 5 2 2 3 1
## 4 2 2 0 0 1 0 0 0 0
## 5 3 8 4 5 3 2 1 4 1
## M_65_69 M_70_74 M_75_79 M_80_84 M_85_89 M_90_94 M_95_99 M_100_104
## 1 12 11 9 4 0 0 2 1
## 2 4 1 4 0 0 0 0 0
## 3 0 0 0 2 0 0 0 0
## 4 0 0 0 0 0 0 0 0
## 5 4 1 0 0 0 0 0 0# Eliminar la segunda columna
poblacioncp <- poblacioncp[,-c(2)]
print(poblacioncp) # Verifica el dataframe sin la columna## U_MPIO H_00_04 H_05_09 H_10_14 H_15_19 H_20_24 H_25_29 H_30_34 H_35_39
## 1 001 140 162 136 116 109 79 72 91
## 2 343 54 65 48 55 60 40 28 19
## 3 883 5 17 36 33 12 8 4 3
## 4 884 0 0 0 0 2 0 1 1
## 5 888 7 9 13 8 7 7 4 8
## H_40_44 H_45_49 H_50_54 H_55_59 H_60_64 H_65_69 H_70_74 H_75_79 H_80_84
## 1 56 55 43 44 30 15 14 7 2
## 2 25 17 19 22 12 9 7 3 2
## 3 2 4 3 6 1 1 2 0 1
## 4 0 1 0 0 0 0 0 0 0
## 5 6 3 3 1 1 3 1 1 0
## H_85_89 H_90_94 H_95_99 H_100_104 M_00_04 M_05_09 M_10_14 M_15_19 M_20_24
## 1 2 1 1 0 134 137 128 152 104
## 2 0 0 1 0 52 58 42 53 54
## 3 0 0 0 0 6 17 28 21 4
## 4 0 0 0 0 0 0 0 1 2
## 5 0 0 0 0 11 12 6 5 3
## M_25_29 M_30_34 M_35_39 M_40_44 M_45_49 M_50_54 M_55_59 M_60_64 M_65_69
## 1 100 64 70 40 45 38 25 20 12
## 2 39 26 22 24 13 17 15 2 4
## 3 10 3 7 5 2 2 3 1 0
## 4 2 0 0 1 0 0 0 0 0
## 5 8 4 5 3 2 1 4 1 4
## M_70_74 M_75_79 M_80_84 M_85_89 M_90_94 M_95_99 M_100_104
## 1 11 9 4 0 0 2 1
## 2 1 4 0 0 0 0 0
## 3 0 0 2 0 0 0 0
## 4 0 0 0 0 0 0 0
## 5 1 0 0 0 0 0 0# Convertir el dataframe a formato largo
poblacioncp <- melt(poblacioncp, id.vars = "U_MPIO")
print(poblacioncp)## U_MPIO variable value
## 1 001 H_00_04 140
## 2 343 H_00_04 54
## 3 883 H_00_04 5
## 4 884 H_00_04 0
## 5 888 H_00_04 7
## 6 001 H_05_09 162
## 7 343 H_05_09 65
## 8 883 H_05_09 17
## 9 884 H_05_09 0
## 10 888 H_05_09 9
## 11 001 H_10_14 136
## 12 343 H_10_14 48
## 13 883 H_10_14 36
## 14 884 H_10_14 0
## 15 888 H_10_14 13
## 16 001 H_15_19 116
## 17 343 H_15_19 55
## 18 883 H_15_19 33
## 19 884 H_15_19 0
## 20 888 H_15_19 8
## 21 001 H_20_24 109
## 22 343 H_20_24 60
## 23 883 H_20_24 12
## 24 884 H_20_24 2
## 25 888 H_20_24 7
## 26 001 H_25_29 79
## 27 343 H_25_29 40
## 28 883 H_25_29 8
## 29 884 H_25_29 0
## 30 888 H_25_29 7
## 31 001 H_30_34 72
## 32 343 H_30_34 28
## 33 883 H_30_34 4
## 34 884 H_30_34 1
## 35 888 H_30_34 4
## 36 001 H_35_39 91
## 37 343 H_35_39 19
## 38 883 H_35_39 3
## 39 884 H_35_39 1
## 40 888 H_35_39 8
## 41 001 H_40_44 56
## 42 343 H_40_44 25
## 43 883 H_40_44 2
## 44 884 H_40_44 0
## 45 888 H_40_44 6
## 46 001 H_45_49 55
## 47 343 H_45_49 17
## 48 883 H_45_49 4
## 49 884 H_45_49 1
## 50 888 H_45_49 3
## 51 001 H_50_54 43
## 52 343 H_50_54 19
## 53 883 H_50_54 3
## 54 884 H_50_54 0
## 55 888 H_50_54 3
## 56 001 H_55_59 44
## 57 343 H_55_59 22
## 58 883 H_55_59 6
## 59 884 H_55_59 0
## 60 888 H_55_59 1
## 61 001 H_60_64 30
## 62 343 H_60_64 12
## 63 883 H_60_64 1
## 64 884 H_60_64 0
## 65 888 H_60_64 1
## 66 001 H_65_69 15
## 67 343 H_65_69 9
## 68 883 H_65_69 1
## 69 884 H_65_69 0
## 70 888 H_65_69 3
## 71 001 H_70_74 14
## 72 343 H_70_74 7
## 73 883 H_70_74 2
## 74 884 H_70_74 0
## 75 888 H_70_74 1
## 76 001 H_75_79 7
## 77 343 H_75_79 3
## 78 883 H_75_79 0
## 79 884 H_75_79 0
## 80 888 H_75_79 1
## 81 001 H_80_84 2
## 82 343 H_80_84 2
## 83 883 H_80_84 1
## 84 884 H_80_84 0
## 85 888 H_80_84 0
## 86 001 H_85_89 2
## 87 343 H_85_89 0
## 88 883 H_85_89 0
## 89 884 H_85_89 0
## 90 888 H_85_89 0
## 91 001 H_90_94 1
## 92 343 H_90_94 0
## 93 883 H_90_94 0
## 94 884 H_90_94 0
## 95 888 H_90_94 0
## 96 001 H_95_99 1
## 97 343 H_95_99 1
## 98 883 H_95_99 0
## 99 884 H_95_99 0
## 100 888 H_95_99 0
## 101 001 H_100_104 0
## 102 343 H_100_104 0
## 103 883 H_100_104 0
## 104 884 H_100_104 0
## 105 888 H_100_104 0
## 106 001 M_00_04 134
## 107 343 M_00_04 52
## 108 883 M_00_04 6
## 109 884 M_00_04 0
## 110 888 M_00_04 11
## 111 001 M_05_09 137
## 112 343 M_05_09 58
## 113 883 M_05_09 17
## 114 884 M_05_09 0
## 115 888 M_05_09 12
## 116 001 M_10_14 128
## 117 343 M_10_14 42
## 118 883 M_10_14 28
## 119 884 M_10_14 0
## 120 888 M_10_14 6
## 121 001 M_15_19 152
## 122 343 M_15_19 53
## 123 883 M_15_19 21
## 124 884 M_15_19 1
## 125 888 M_15_19 5
## 126 001 M_20_24 104
## 127 343 M_20_24 54
## 128 883 M_20_24 4
## 129 884 M_20_24 2
## 130 888 M_20_24 3
## 131 001 M_25_29 100
## 132 343 M_25_29 39
## 133 883 M_25_29 10
## 134 884 M_25_29 2
## 135 888 M_25_29 8
## 136 001 M_30_34 64
## 137 343 M_30_34 26
## 138 883 M_30_34 3
## 139 884 M_30_34 0
## 140 888 M_30_34 4
## 141 001 M_35_39 70
## 142 343 M_35_39 22
## 143 883 M_35_39 7
## 144 884 M_35_39 0
## 145 888 M_35_39 5
## 146 001 M_40_44 40
## 147 343 M_40_44 24
## 148 883 M_40_44 5
## 149 884 M_40_44 1
## 150 888 M_40_44 3
## 151 001 M_45_49 45
## 152 343 M_45_49 13
## 153 883 M_45_49 2
## 154 884 M_45_49 0
## 155 888 M_45_49 2
## 156 001 M_50_54 38
## 157 343 M_50_54 17
## 158 883 M_50_54 2
## 159 884 M_50_54 0
## 160 888 M_50_54 1
## 161 001 M_55_59 25
## 162 343 M_55_59 15
## 163 883 M_55_59 3
## 164 884 M_55_59 0
## 165 888 M_55_59 4
## 166 001 M_60_64 20
## 167 343 M_60_64 2
## 168 883 M_60_64 1
## 169 884 M_60_64 0
## 170 888 M_60_64 1
## 171 001 M_65_69 12
## 172 343 M_65_69 4
## 173 883 M_65_69 0
## 174 884 M_65_69 0
## 175 888 M_65_69 4
## 176 001 M_70_74 11
## 177 343 M_70_74 1
## 178 883 M_70_74 0
## 179 884 M_70_74 0
## 180 888 M_70_74 1
## 181 001 M_75_79 9
## 182 343 M_75_79 4
## 183 883 M_75_79 0
## 184 884 M_75_79 0
## 185 888 M_75_79 0
## 186 001 M_80_84 4
## 187 343 M_80_84 0
## 188 883 M_80_84 2
## 189 884 M_80_84 0
## 190 888 M_80_84 0
## 191 001 M_85_89 0
## 192 343 M_85_89 0
## 193 883 M_85_89 0
## 194 884 M_85_89 0
## 195 888 M_85_89 0
## 196 001 M_90_94 0
## 197 343 M_90_94 0
## 198 883 M_90_94 0
## 199 884 M_90_94 0
## 200 888 M_90_94 0
## 201 001 M_95_99 2
## 202 343 M_95_99 0
## 203 883 M_95_99 0
## 204 884 M_95_99 0
## 205 888 M_95_99 0
## 206 001 M_100_104 1
## 207 343 M_100_104 0
## 208 883 M_100_104 0
## 209 884 M_100_104 0
## 210 888 M_100_104 0# Crear columna 'Sexo' a partir de los primeros caracteres de la columna 'variable'
poblacioncp$Sexo <- as.factor(substr(poblacioncp$variable, start = 1, stop = 1))
# Crear columna 'Gquinquenal' a partir de los caracteres 3 a 8 de la columna 'variable'
poblacioncp$Gquinquenal <- substr(poblacioncp$variable, start = 3, stop = 9)
# Verificar si la columna 'Gquinquenal' existe antes de convertirla en factor
if("Gquinquenal" %in% colnames(poblacioncp)) {
poblacioncp$Gquinquenal <- factor(poblacioncp$Gquinquenal,
levels = c("00_04", "05_09", "10_14", "15_19", "20_24",
"25_29", "30_34", "35_39", "40_44", "45_49",
"50_54", "55_59", "60_64", "65_69", "70_74",
"75_79", "80_84", "85_89", "90_94", "95_99",
"100_104"),
ordered = TRUE)
} else {
stop("La columna 'Gquinquenal' no existe en el dataframe.")
}
# Asegúrate de que la columna 'value' sea numérica
poblacioncp$value <- as.numeric(as.character(poblacioncp$value))
# Agrupar y sumar
pop_cp <- poblacioncp %>%
group_by(Gquinquenal, Sexo) %>%
summarise(value = sum(value, na.rm = TRUE)) %>% # Sumar los valores numéricos
select(Gquinquenal, Sexo, value)## `summarise()` has grouped output by 'Gquinquenal'. You can override using the
## `.groups` argument.# Verifica el resultado
print(pop_cp)## # A tibble: 42 × 3
## # Groups: Gquinquenal [21]
## Gquinquenal Sexo value
## <ord> <fct> <dbl>
## 1 00_04 H 206
## 2 00_04 M 203
## 3 05_09 H 253
## 4 05_09 M 224
## 5 10_14 H 233
## 6 10_14 M 204
## 7 15_19 H 212
## 8 15_19 M 232
## 9 20_24 H 190
## 10 20_24 M 167
## # ℹ 32 more rowspoblacioncp <- poblacioncp[, c(3:5)] # Seleccionar solo las columnas 3 a 5
poblacioncp <- poblacioncp[, c(3, 2, 1)] # Reorganizar el orden de las columnas
print(poblacioncp)## Gquinquenal Sexo value
## 1 00_04 H 140
## 2 00_04 H 54
## 3 00_04 H 5
## 4 00_04 H 0
## 5 00_04 H 7
## 6 05_09 H 162
## 7 05_09 H 65
## 8 05_09 H 17
## 9 05_09 H 0
## 10 05_09 H 9
## 11 10_14 H 136
## 12 10_14 H 48
## 13 10_14 H 36
## 14 10_14 H 0
## 15 10_14 H 13
## 16 15_19 H 116
## 17 15_19 H 55
## 18 15_19 H 33
## 19 15_19 H 0
## 20 15_19 H 8
## 21 20_24 H 109
## 22 20_24 H 60
## 23 20_24 H 12
## 24 20_24 H 2
## 25 20_24 H 7
## 26 25_29 H 79
## 27 25_29 H 40
## 28 25_29 H 8
## 29 25_29 H 0
## 30 25_29 H 7
## 31 30_34 H 72
## 32 30_34 H 28
## 33 30_34 H 4
## 34 30_34 H 1
## 35 30_34 H 4
## 36 35_39 H 91
## 37 35_39 H 19
## 38 35_39 H 3
## 39 35_39 H 1
## 40 35_39 H 8
## 41 40_44 H 56
## 42 40_44 H 25
## 43 40_44 H 2
## 44 40_44 H 0
## 45 40_44 H 6
## 46 45_49 H 55
## 47 45_49 H 17
## 48 45_49 H 4
## 49 45_49 H 1
## 50 45_49 H 3
## 51 50_54 H 43
## 52 50_54 H 19
## 53 50_54 H 3
## 54 50_54 H 0
## 55 50_54 H 3
## 56 55_59 H 44
## 57 55_59 H 22
## 58 55_59 H 6
## 59 55_59 H 0
## 60 55_59 H 1
## 61 60_64 H 30
## 62 60_64 H 12
## 63 60_64 H 1
## 64 60_64 H 0
## 65 60_64 H 1
## 66 65_69 H 15
## 67 65_69 H 9
## 68 65_69 H 1
## 69 65_69 H 0
## 70 65_69 H 3
## 71 70_74 H 14
## 72 70_74 H 7
## 73 70_74 H 2
## 74 70_74 H 0
## 75 70_74 H 1
## 76 75_79 H 7
## 77 75_79 H 3
## 78 75_79 H 0
## 79 75_79 H 0
## 80 75_79 H 1
## 81 80_84 H 2
## 82 80_84 H 2
## 83 80_84 H 1
## 84 80_84 H 0
## 85 80_84 H 0
## 86 85_89 H 2
## 87 85_89 H 0
## 88 85_89 H 0
## 89 85_89 H 0
## 90 85_89 H 0
## 91 90_94 H 1
## 92 90_94 H 0
## 93 90_94 H 0
## 94 90_94 H 0
## 95 90_94 H 0
## 96 95_99 H 1
## 97 95_99 H 1
## 98 95_99 H 0
## 99 95_99 H 0
## 100 95_99 H 0
## 101 100_104 H 0
## 102 100_104 H 0
## 103 100_104 H 0
## 104 100_104 H 0
## 105 100_104 H 0
## 106 00_04 M 134
## 107 00_04 M 52
## 108 00_04 M 6
## 109 00_04 M 0
## 110 00_04 M 11
## 111 05_09 M 137
## 112 05_09 M 58
## 113 05_09 M 17
## 114 05_09 M 0
## 115 05_09 M 12
## 116 10_14 M 128
## 117 10_14 M 42
## 118 10_14 M 28
## 119 10_14 M 0
## 120 10_14 M 6
## 121 15_19 M 152
## 122 15_19 M 53
## 123 15_19 M 21
## 124 15_19 M 1
## 125 15_19 M 5
## 126 20_24 M 104
## 127 20_24 M 54
## 128 20_24 M 4
## 129 20_24 M 2
## 130 20_24 M 3
## 131 25_29 M 100
## 132 25_29 M 39
## 133 25_29 M 10
## 134 25_29 M 2
## 135 25_29 M 8
## 136 30_34 M 64
## 137 30_34 M 26
## 138 30_34 M 3
## 139 30_34 M 0
## 140 30_34 M 4
## 141 35_39 M 70
## 142 35_39 M 22
## 143 35_39 M 7
## 144 35_39 M 0
## 145 35_39 M 5
## 146 40_44 M 40
## 147 40_44 M 24
## 148 40_44 M 5
## 149 40_44 M 1
## 150 40_44 M 3
## 151 45_49 M 45
## 152 45_49 M 13
## 153 45_49 M 2
## 154 45_49 M 0
## 155 45_49 M 2
## 156 50_54 M 38
## 157 50_54 M 17
## 158 50_54 M 2
## 159 50_54 M 0
## 160 50_54 M 1
## 161 55_59 M 25
## 162 55_59 M 15
## 163 55_59 M 3
## 164 55_59 M 0
## 165 55_59 M 4
## 166 60_64 M 20
## 167 60_64 M 2
## 168 60_64 M 1
## 169 60_64 M 0
## 170 60_64 M 1
## 171 65_69 M 12
## 172 65_69 M 4
## 173 65_69 M 0
## 174 65_69 M 0
## 175 65_69 M 4
## 176 70_74 M 11
## 177 70_74 M 1
## 178 70_74 M 0
## 179 70_74 M 0
## 180 70_74 M 1
## 181 75_79 M 9
## 182 75_79 M 4
## 183 75_79 M 0
## 184 75_79 M 0
## 185 75_79 M 0
## 186 80_84 M 4
## 187 80_84 M 0
## 188 80_84 M 2
## 189 80_84 M 0
## 190 80_84 M 0
## 191 85_89 M 0
## 192 85_89 M 0
## 193 85_89 M 0
## 194 85_89 M 0
## 195 85_89 M 0
## 196 90_94 M 0
## 197 90_94 M 0
## 198 90_94 M 0
## 199 90_94 M 0
## 200 90_94 M 0
## 201 95_99 M 2
## 202 95_99 M 0
## 203 95_99 M 0
## 204 95_99 M 0
## 205 95_99 M 0
## 206 100_104 M 1
## 207 100_104 M 0
## 208 100_104 M 0
## 209 100_104 M 0
## 210 100_104 M 0# Reestructuración para tener 'Hombres' y 'Mujeres' en columnas separadas
poblacioncp <- reshape(data = poblacioncp,
idvar = "Gquinquenal",
v.names = c("value"),
timevar = "Sexo",
direction = "wide")## Warning in reshapeWide(data, idvar = idvar, timevar = timevar, varying =
## varying, : multiple rows match for Sexo=H: first taken## Warning in reshapeWide(data, idvar = idvar, timevar = timevar, varying =
## varying, : multiple rows match for Sexo=M: first taken# Verificar el nombre de las columnas
print(colnames(poblacioncp))## [1] "Gquinquenal" "value.H" "value.M"# Renombrar columnas
poblacioncp <- poblacioncp %>%
rename(Hombres = value.H, Mujeres = value.M)
# Calcular la población total
poblacioncp$Poblacion <- poblacioncp$Hombres + poblacioncp$Mujeres
print(poblacioncp)## Gquinquenal Hombres Mujeres Poblacion
## 1 00_04 140 134 274
## 6 05_09 162 137 299
## 11 10_14 136 128 264
## 16 15_19 116 152 268
## 21 20_24 109 104 213
## 26 25_29 79 100 179
## 31 30_34 72 64 136
## 36 35_39 91 70 161
## 41 40_44 56 40 96
## 46 45_49 55 45 100
## 51 50_54 43 38 81
## 56 55_59 44 25 69
## 61 60_64 30 20 50
## 66 65_69 15 12 27
## 71 70_74 14 11 25
## 76 75_79 7 9 16
## 81 80_84 2 4 6
## 86 85_89 2 0 2
## 91 90_94 1 0 1
## 96 95_99 1 2 3
## 101 100_104 0 1 1# Procesar los datos para el gráfico
pop_cp <- poblacioncp %>%
group_by(Gquinquenal) %>%
summarise_all(sum, na.rm = TRUE) %>%
mutate(totH = sum(Hombres), totM = sum(Mujeres)) %>%
mutate(Hombres = (Hombres / totH) * 100,
Mujeres = (Mujeres / totM) * 100) %>%
select(-totH, -totM) %>%
pivot_longer(cols = c("Hombres", "Mujeres"),
names_to = "Sexo",
values_to = "Poblacion por Sexo") %>%
select(Gquinquenal, Sexo, Poblacion, `Poblacion por Sexo`)
# Calcular la población total para obtener proporciones sin multiplicar por 100
pop_cp <- poblacioncp %>%
group_by(Gquinquenal) %>%
summarise_all(sum, na.rm = TRUE) %>%
mutate(totH = sum(Hombres), totM = sum(Mujeres)) %>%
mutate(Hombres = (Hombres / totH), # Sin multiplicar por 100
Mujeres = (Mujeres / totM)) %>%
select(-totH, -totM) %>%
pivot_longer(cols = c("Hombres", "Mujeres"),
names_to = "Sexo",
values_to = "Poblacion por Sexo") %>%
select(Gquinquenal, Sexo, Poblacion, `Poblacion por Sexo`)
# Gráfico de pirámide poblacional centros poblados en proporciones
ggplot(pop_cp, aes(x = Gquinquenal, y = `Poblacion por Sexo`, fill = Sexo)) +
# Sección de HOMBRES (en proporciones negativas)
geom_bar(data = subset(pop_cp, Sexo == "Hombres") %>%
mutate(`Poblacion por Sexo` = -`Poblacion por Sexo`),
stat = "identity", width = 0.5, fill = "blue") +
# Sección de MUJERES
geom_bar(data = subset(pop_cp, Sexo == "Mujeres"),
stat = "identity", width = 0.5, fill = "pink") +
# Cambio de coordenadas para hacer horizontal
coord_flip() +
# Tema y estilos gráficos
ggthemes::theme_tufte() +
theme(plot.title = element_text(hjust = 0.5, size = 20),
axis.text.x = element_text(),
axis.text.y = element_text()) +
# Etiquetas del gráfico
labs(title = "Pirámide Poblacional Centros Poblados, 2018",
x = "",
y = "Hombres Mujeres",
caption = "Fuente: DANE. \nCNPV 2018. Tabulados de Población") +
# Escala de proporciones en el eje Y, ajustada en intervalos de 0.02
scale_y_continuous(breaks = seq(-0.12, 0.12, by = 0.02), # Proporciones en vez de porcentajes
labels = paste0(c(seq(0.12, 0, by = -0.02), seq(0.02, 0.12, by = 0.02))))
La pirámide poblacional de centros poblados del departamento de Guainía presenta un comportamiento diferente frente a las otras pirámides, debido a que se ve un incremento significativo de las mijeres frente a los hombres en edades económicamente activas, que cambia solo hasta el grupo etareo de 30 a 34 años, pues en adelante predomina principalmente la presencia de los hombres en los centros poblados.
Pirámide porcentual Rural Disperso
Este código analiza la población en zonas rurales dispersas y genera una pirámide poblacional, mostrando la proporción de hombres y mujeres por grupos de edad. A continuación te explico los pasos principales de manera simple:
Selección y filtrado de datos:
Se seleccionan las columnas relevantes del dataframe tabla_PersonaHogar y se filtran los registros que corresponden a áreas rurales dispersas (UA_CLASE == 3). Reestructuración de datos:
El dataframe se convierte a formato largo, con nuevas columnas creadas para identificar el sexo y los grupos de edad (quinquenios). Agrupación y suma:
La población se agrupa por quinquenios y sexo, sumando el total de personas en cada categoría. Reestructuración de hombres y mujeres en columnas separadas:
Se reorganiza el dataframe para que las columnas “Hombres” y “Mujeres” estén separadas, y se calcula la población total por quinquenio. Cálculo de proporciones:
Se calculan las proporciones de hombres y mujeres respecto al total de población en cada grupo de edad, expresadas como proporciones (sin multiplicar por 100). Creación de la pirámide poblacional:
Utilizando ggplot, se genera un gráfico de pirámide que muestra las proporciones de hombres y mujeres por quinquenios. Los hombres se representan con valores negativos para hacer más visual la comparación. Estilo y presentación del gráfico:
El gráfico se ajusta con estilo personalizado, utilizando colores diferentes para hombres y mujeres, con etiquetas claras y una escala de proporciones.
# Seleccionar columnas de la 2 a la 45
poblacionrd <- tabla_PersonaHogar[, 2:45]
print(poblacionrd) # Verifica el dataframe## U_MPIO UA_CLASE H_00_04 H_05_09 H_10_14 H_15_19 H_20_24 H_25_29 H_30_34
## 1 001 1 949 994 995 1062 1091 818 726
## 2 001 2 140 162 136 116 109 79 72
## 3 001 3 343 879 895 685 451 250 226
## 4 343 2 54 65 48 55 60 40 28
## 5 343 3 357 708 662 555 343 166 114
## 6 883 2 5 17 36 33 12 8 4
## 7 883 3 48 111 93 59 49 36 30
## 8 884 2 0 0 0 0 2 0 1
## 9 884 3 68 152 129 148 54 40 44
## 10 888 2 7 9 13 8 7 7 4
## 11 888 3 33 58 53 59 31 16 22
## H_35_39 H_40_44 H_45_49 H_50_54 H_55_59 H_60_64 H_65_69 H_70_74 H_75_79
## 1 637 528 520 415 368 225 155 140 91
## 2 91 56 55 43 44 30 15 14 7
## 3 232 162 112 113 117 71 51 34 22
## 4 19 25 17 19 22 12 9 7 3
## 5 102 79 90 67 55 17 25 19 7
## 6 3 2 4 3 6 1 1 2 0
## 7 38 37 27 20 11 15 9 5 5
## 8 1 0 1 0 0 0 0 0 0
## 9 37 43 35 33 22 17 13 13 2
## 10 8 6 3 3 1 1 3 1 1
## 11 13 13 6 13 11 3 2 2 3
## H_80_84 H_85_89 H_90_94 H_95_99 H_100_104 M_00_04 M_05_09 M_10_14 M_15_19
## 1 32 21 3 3 2 913 962 973 1002
## 2 2 2 1 1 0 134 137 128 152
## 3 12 5 1 0 1 321 869 705 555
## 4 2 0 0 1 0 52 58 42 53
## 5 5 3 2 0 1 320 722 634 386
## 6 1 0 0 0 0 6 17 28 21
## 7 2 1 1 0 0 66 99 90 66
## 8 0 0 0 0 0 0 0 0 1
## 9 4 2 0 1 0 61 175 134 79
## 10 0 0 0 0 0 11 12 6 5
## 11 1 1 0 0 0 35 57 69 40
## M_20_24 M_25_29 M_30_34 M_35_39 M_40_44 M_45_49 M_50_54 M_55_59 M_60_64
## 1 978 852 725 711 593 495 425 326 200
## 2 104 100 64 70 40 45 38 25 20
## 3 263 223 184 143 140 87 100 96 40
## 4 54 39 26 22 24 13 17 15 2
## 5 212 143 110 90 81 68 46 42 15
## 6 4 10 3 7 5 2 2 3 1
## 7 41 37 37 20 25 23 22 10 12
## 8 2 2 0 0 1 0 0 0 0
## 9 53 45 36 39 30 36 18 14 11
## 10 3 8 4 5 3 2 1 4 1
## 11 30 17 15 17 14 1 9 4 2
## M_65_69 M_70_74 M_75_79 M_80_84 M_85_89 M_90_94 M_95_99 M_100_104
## 1 153 105 81 30 18 8 1 0
## 2 12 11 9 4 0 0 2 1
## 3 42 33 22 12 5 1 3 1
## 4 4 1 4 0 0 0 0 0
## 5 19 16 7 4 2 1 0 0
## 6 0 0 0 2 0 0 0 0
## 7 6 5 3 1 1 1 0 0
## 8 0 0 0 0 0 0 0 0
## 9 16 14 8 2 2 0 0 2
## 10 4 1 0 0 0 0 0 0
## 11 3 4 0 1 1 0 1 0# Filtrar solo donde UA_CLASE == 3 (Rural disperso)
poblacionrd <- poblacionrd %>%
filter(UA_CLASE == 3)
print(poblacionrd) # Verifica los datos después de filtrar## U_MPIO UA_CLASE H_00_04 H_05_09 H_10_14 H_15_19 H_20_24 H_25_29 H_30_34
## 1 001 3 343 879 895 685 451 250 226
## 2 343 3 357 708 662 555 343 166 114
## 3 883 3 48 111 93 59 49 36 30
## 4 884 3 68 152 129 148 54 40 44
## 5 888 3 33 58 53 59 31 16 22
## H_35_39 H_40_44 H_45_49 H_50_54 H_55_59 H_60_64 H_65_69 H_70_74 H_75_79
## 1 232 162 112 113 117 71 51 34 22
## 2 102 79 90 67 55 17 25 19 7
## 3 38 37 27 20 11 15 9 5 5
## 4 37 43 35 33 22 17 13 13 2
## 5 13 13 6 13 11 3 2 2 3
## H_80_84 H_85_89 H_90_94 H_95_99 H_100_104 M_00_04 M_05_09 M_10_14 M_15_19
## 1 12 5 1 0 1 321 869 705 555
## 2 5 3 2 0 1 320 722 634 386
## 3 2 1 1 0 0 66 99 90 66
## 4 4 2 0 1 0 61 175 134 79
## 5 1 1 0 0 0 35 57 69 40
## M_20_24 M_25_29 M_30_34 M_35_39 M_40_44 M_45_49 M_50_54 M_55_59 M_60_64
## 1 263 223 184 143 140 87 100 96 40
## 2 212 143 110 90 81 68 46 42 15
## 3 41 37 37 20 25 23 22 10 12
## 4 53 45 36 39 30 36 18 14 11
## 5 30 17 15 17 14 1 9 4 2
## M_65_69 M_70_74 M_75_79 M_80_84 M_85_89 M_90_94 M_95_99 M_100_104
## 1 42 33 22 12 5 1 3 1
## 2 19 16 7 4 2 1 0 0
## 3 6 5 3 1 1 1 0 0
## 4 16 14 8 2 2 0 0 2
## 5 3 4 0 1 1 0 1 0# Eliminar la segunda columna
poblacionrd <- poblacionrd[,-c(2)]
print(poblacionrd) # Verifica el dataframe sin la columna## U_MPIO H_00_04 H_05_09 H_10_14 H_15_19 H_20_24 H_25_29 H_30_34 H_35_39
## 1 001 343 879 895 685 451 250 226 232
## 2 343 357 708 662 555 343 166 114 102
## 3 883 48 111 93 59 49 36 30 38
## 4 884 68 152 129 148 54 40 44 37
## 5 888 33 58 53 59 31 16 22 13
## H_40_44 H_45_49 H_50_54 H_55_59 H_60_64 H_65_69 H_70_74 H_75_79 H_80_84
## 1 162 112 113 117 71 51 34 22 12
## 2 79 90 67 55 17 25 19 7 5
## 3 37 27 20 11 15 9 5 5 2
## 4 43 35 33 22 17 13 13 2 4
## 5 13 6 13 11 3 2 2 3 1
## H_85_89 H_90_94 H_95_99 H_100_104 M_00_04 M_05_09 M_10_14 M_15_19 M_20_24
## 1 5 1 0 1 321 869 705 555 263
## 2 3 2 0 1 320 722 634 386 212
## 3 1 1 0 0 66 99 90 66 41
## 4 2 0 1 0 61 175 134 79 53
## 5 1 0 0 0 35 57 69 40 30
## M_25_29 M_30_34 M_35_39 M_40_44 M_45_49 M_50_54 M_55_59 M_60_64 M_65_69
## 1 223 184 143 140 87 100 96 40 42
## 2 143 110 90 81 68 46 42 15 19
## 3 37 37 20 25 23 22 10 12 6
## 4 45 36 39 30 36 18 14 11 16
## 5 17 15 17 14 1 9 4 2 3
## M_70_74 M_75_79 M_80_84 M_85_89 M_90_94 M_95_99 M_100_104
## 1 33 22 12 5 1 3 1
## 2 16 7 4 2 1 0 0
## 3 5 3 1 1 1 0 0
## 4 14 8 2 2 0 0 2
## 5 4 0 1 1 0 1 0# Convertir el dataframe a formato largo
poblacionrd <- melt(poblacionrd, id.vars = "U_MPIO")
print(poblacionrd)## U_MPIO variable value
## 1 001 H_00_04 343
## 2 343 H_00_04 357
## 3 883 H_00_04 48
## 4 884 H_00_04 68
## 5 888 H_00_04 33
## 6 001 H_05_09 879
## 7 343 H_05_09 708
## 8 883 H_05_09 111
## 9 884 H_05_09 152
## 10 888 H_05_09 58
## 11 001 H_10_14 895
## 12 343 H_10_14 662
## 13 883 H_10_14 93
## 14 884 H_10_14 129
## 15 888 H_10_14 53
## 16 001 H_15_19 685
## 17 343 H_15_19 555
## 18 883 H_15_19 59
## 19 884 H_15_19 148
## 20 888 H_15_19 59
## 21 001 H_20_24 451
## 22 343 H_20_24 343
## 23 883 H_20_24 49
## 24 884 H_20_24 54
## 25 888 H_20_24 31
## 26 001 H_25_29 250
## 27 343 H_25_29 166
## 28 883 H_25_29 36
## 29 884 H_25_29 40
## 30 888 H_25_29 16
## 31 001 H_30_34 226
## 32 343 H_30_34 114
## 33 883 H_30_34 30
## 34 884 H_30_34 44
## 35 888 H_30_34 22
## 36 001 H_35_39 232
## 37 343 H_35_39 102
## 38 883 H_35_39 38
## 39 884 H_35_39 37
## 40 888 H_35_39 13
## 41 001 H_40_44 162
## 42 343 H_40_44 79
## 43 883 H_40_44 37
## 44 884 H_40_44 43
## 45 888 H_40_44 13
## 46 001 H_45_49 112
## 47 343 H_45_49 90
## 48 883 H_45_49 27
## 49 884 H_45_49 35
## 50 888 H_45_49 6
## 51 001 H_50_54 113
## 52 343 H_50_54 67
## 53 883 H_50_54 20
## 54 884 H_50_54 33
## 55 888 H_50_54 13
## 56 001 H_55_59 117
## 57 343 H_55_59 55
## 58 883 H_55_59 11
## 59 884 H_55_59 22
## 60 888 H_55_59 11
## 61 001 H_60_64 71
## 62 343 H_60_64 17
## 63 883 H_60_64 15
## 64 884 H_60_64 17
## 65 888 H_60_64 3
## 66 001 H_65_69 51
## 67 343 H_65_69 25
## 68 883 H_65_69 9
## 69 884 H_65_69 13
## 70 888 H_65_69 2
## 71 001 H_70_74 34
## 72 343 H_70_74 19
## 73 883 H_70_74 5
## 74 884 H_70_74 13
## 75 888 H_70_74 2
## 76 001 H_75_79 22
## 77 343 H_75_79 7
## 78 883 H_75_79 5
## 79 884 H_75_79 2
## 80 888 H_75_79 3
## 81 001 H_80_84 12
## 82 343 H_80_84 5
## 83 883 H_80_84 2
## 84 884 H_80_84 4
## 85 888 H_80_84 1
## 86 001 H_85_89 5
## 87 343 H_85_89 3
## 88 883 H_85_89 1
## 89 884 H_85_89 2
## 90 888 H_85_89 1
## 91 001 H_90_94 1
## 92 343 H_90_94 2
## 93 883 H_90_94 1
## 94 884 H_90_94 0
## 95 888 H_90_94 0
## 96 001 H_95_99 0
## 97 343 H_95_99 0
## 98 883 H_95_99 0
## 99 884 H_95_99 1
## 100 888 H_95_99 0
## 101 001 H_100_104 1
## 102 343 H_100_104 1
## 103 883 H_100_104 0
## 104 884 H_100_104 0
## 105 888 H_100_104 0
## 106 001 M_00_04 321
## 107 343 M_00_04 320
## 108 883 M_00_04 66
## 109 884 M_00_04 61
## 110 888 M_00_04 35
## 111 001 M_05_09 869
## 112 343 M_05_09 722
## 113 883 M_05_09 99
## 114 884 M_05_09 175
## 115 888 M_05_09 57
## 116 001 M_10_14 705
## 117 343 M_10_14 634
## 118 883 M_10_14 90
## 119 884 M_10_14 134
## 120 888 M_10_14 69
## 121 001 M_15_19 555
## 122 343 M_15_19 386
## 123 883 M_15_19 66
## 124 884 M_15_19 79
## 125 888 M_15_19 40
## 126 001 M_20_24 263
## 127 343 M_20_24 212
## 128 883 M_20_24 41
## 129 884 M_20_24 53
## 130 888 M_20_24 30
## 131 001 M_25_29 223
## 132 343 M_25_29 143
## 133 883 M_25_29 37
## 134 884 M_25_29 45
## 135 888 M_25_29 17
## 136 001 M_30_34 184
## 137 343 M_30_34 110
## 138 883 M_30_34 37
## 139 884 M_30_34 36
## 140 888 M_30_34 15
## 141 001 M_35_39 143
## 142 343 M_35_39 90
## 143 883 M_35_39 20
## 144 884 M_35_39 39
## 145 888 M_35_39 17
## 146 001 M_40_44 140
## 147 343 M_40_44 81
## 148 883 M_40_44 25
## 149 884 M_40_44 30
## 150 888 M_40_44 14
## 151 001 M_45_49 87
## 152 343 M_45_49 68
## 153 883 M_45_49 23
## 154 884 M_45_49 36
## 155 888 M_45_49 1
## 156 001 M_50_54 100
## 157 343 M_50_54 46
## 158 883 M_50_54 22
## 159 884 M_50_54 18
## 160 888 M_50_54 9
## 161 001 M_55_59 96
## 162 343 M_55_59 42
## 163 883 M_55_59 10
## 164 884 M_55_59 14
## 165 888 M_55_59 4
## 166 001 M_60_64 40
## 167 343 M_60_64 15
## 168 883 M_60_64 12
## 169 884 M_60_64 11
## 170 888 M_60_64 2
## 171 001 M_65_69 42
## 172 343 M_65_69 19
## 173 883 M_65_69 6
## 174 884 M_65_69 16
## 175 888 M_65_69 3
## 176 001 M_70_74 33
## 177 343 M_70_74 16
## 178 883 M_70_74 5
## 179 884 M_70_74 14
## 180 888 M_70_74 4
## 181 001 M_75_79 22
## 182 343 M_75_79 7
## 183 883 M_75_79 3
## 184 884 M_75_79 8
## 185 888 M_75_79 0
## 186 001 M_80_84 12
## 187 343 M_80_84 4
## 188 883 M_80_84 1
## 189 884 M_80_84 2
## 190 888 M_80_84 1
## 191 001 M_85_89 5
## 192 343 M_85_89 2
## 193 883 M_85_89 1
## 194 884 M_85_89 2
## 195 888 M_85_89 1
## 196 001 M_90_94 1
## 197 343 M_90_94 1
## 198 883 M_90_94 1
## 199 884 M_90_94 0
## 200 888 M_90_94 0
## 201 001 M_95_99 3
## 202 343 M_95_99 0
## 203 883 M_95_99 0
## 204 884 M_95_99 0
## 205 888 M_95_99 1
## 206 001 M_100_104 1
## 207 343 M_100_104 0
## 208 883 M_100_104 0
## 209 884 M_100_104 2
## 210 888 M_100_104 0# Crear columna 'Sexo' a partir de los primeros caracteres de la columna 'variable'
poblacionrd$Sexo <- as.factor(substr(poblacionrd$variable, start = 1, stop = 1))
# Crear columna 'Gquinquenal' a partir de los caracteres 3 a 8 de la columna 'variable'
poblacionrd$Gquinquenal <- substr(poblacionrd$variable, start = 3, stop = 9)
# Verificar si la columna 'Gquinquenal' existe antes de convertirla en factor
if("Gquinquenal" %in% colnames(poblacionrd)) {
poblacionrd$Gquinquenal <- factor(poblacionrd$Gquinquenal,
levels = c("00_04", "05_09", "10_14", "15_19", "20_24",
"25_29", "30_34", "35_39", "40_44", "45_49",
"50_54", "55_59", "60_64", "65_69", "70_74",
"75_79", "80_84", "85_89", "90_94", "95_99",
"100_104"),
ordered = TRUE)
} else {
stop("La columna 'Gquinquenal' no existe en el dataframe.")
}
# Asegúrate de que la columna 'value' sea numérica
poblacionrd$value <- as.numeric(as.character(poblacionrd$value))
# Agrupar y sumar
pop_rd <- poblacionrd %>%
group_by(Gquinquenal, Sexo) %>%
summarise(value = sum(value, na.rm = TRUE)) %>% # Sumar los valores numéricos
select(Gquinquenal, Sexo, value)## `summarise()` has grouped output by 'Gquinquenal'. You can override using the
## `.groups` argument.# Verifica el resultado
print(pop_rd)## # A tibble: 42 × 3
## # Groups: Gquinquenal [21]
## Gquinquenal Sexo value
## <ord> <fct> <dbl>
## 1 00_04 H 849
## 2 00_04 M 803
## 3 05_09 H 1908
## 4 05_09 M 1922
## 5 10_14 H 1832
## 6 10_14 M 1632
## 7 15_19 H 1506
## 8 15_19 M 1126
## 9 20_24 H 928
## 10 20_24 M 599
## # ℹ 32 more rowspoblacionrd <- poblacionrd[, c(3:5)] # Seleccionar solo las columnas 3 a 5
poblacionrd <- poblacionrd[, c(3, 2, 1)] # Reorganizar el orden de las columnas
print(poblacionrd)## Gquinquenal Sexo value
## 1 00_04 H 343
## 2 00_04 H 357
## 3 00_04 H 48
## 4 00_04 H 68
## 5 00_04 H 33
## 6 05_09 H 879
## 7 05_09 H 708
## 8 05_09 H 111
## 9 05_09 H 152
## 10 05_09 H 58
## 11 10_14 H 895
## 12 10_14 H 662
## 13 10_14 H 93
## 14 10_14 H 129
## 15 10_14 H 53
## 16 15_19 H 685
## 17 15_19 H 555
## 18 15_19 H 59
## 19 15_19 H 148
## 20 15_19 H 59
## 21 20_24 H 451
## 22 20_24 H 343
## 23 20_24 H 49
## 24 20_24 H 54
## 25 20_24 H 31
## 26 25_29 H 250
## 27 25_29 H 166
## 28 25_29 H 36
## 29 25_29 H 40
## 30 25_29 H 16
## 31 30_34 H 226
## 32 30_34 H 114
## 33 30_34 H 30
## 34 30_34 H 44
## 35 30_34 H 22
## 36 35_39 H 232
## 37 35_39 H 102
## 38 35_39 H 38
## 39 35_39 H 37
## 40 35_39 H 13
## 41 40_44 H 162
## 42 40_44 H 79
## 43 40_44 H 37
## 44 40_44 H 43
## 45 40_44 H 13
## 46 45_49 H 112
## 47 45_49 H 90
## 48 45_49 H 27
## 49 45_49 H 35
## 50 45_49 H 6
## 51 50_54 H 113
## 52 50_54 H 67
## 53 50_54 H 20
## 54 50_54 H 33
## 55 50_54 H 13
## 56 55_59 H 117
## 57 55_59 H 55
## 58 55_59 H 11
## 59 55_59 H 22
## 60 55_59 H 11
## 61 60_64 H 71
## 62 60_64 H 17
## 63 60_64 H 15
## 64 60_64 H 17
## 65 60_64 H 3
## 66 65_69 H 51
## 67 65_69 H 25
## 68 65_69 H 9
## 69 65_69 H 13
## 70 65_69 H 2
## 71 70_74 H 34
## 72 70_74 H 19
## 73 70_74 H 5
## 74 70_74 H 13
## 75 70_74 H 2
## 76 75_79 H 22
## 77 75_79 H 7
## 78 75_79 H 5
## 79 75_79 H 2
## 80 75_79 H 3
## 81 80_84 H 12
## 82 80_84 H 5
## 83 80_84 H 2
## 84 80_84 H 4
## 85 80_84 H 1
## 86 85_89 H 5
## 87 85_89 H 3
## 88 85_89 H 1
## 89 85_89 H 2
## 90 85_89 H 1
## 91 90_94 H 1
## 92 90_94 H 2
## 93 90_94 H 1
## 94 90_94 H 0
## 95 90_94 H 0
## 96 95_99 H 0
## 97 95_99 H 0
## 98 95_99 H 0
## 99 95_99 H 1
## 100 95_99 H 0
## 101 100_104 H 1
## 102 100_104 H 1
## 103 100_104 H 0
## 104 100_104 H 0
## 105 100_104 H 0
## 106 00_04 M 321
## 107 00_04 M 320
## 108 00_04 M 66
## 109 00_04 M 61
## 110 00_04 M 35
## 111 05_09 M 869
## 112 05_09 M 722
## 113 05_09 M 99
## 114 05_09 M 175
## 115 05_09 M 57
## 116 10_14 M 705
## 117 10_14 M 634
## 118 10_14 M 90
## 119 10_14 M 134
## 120 10_14 M 69
## 121 15_19 M 555
## 122 15_19 M 386
## 123 15_19 M 66
## 124 15_19 M 79
## 125 15_19 M 40
## 126 20_24 M 263
## 127 20_24 M 212
## 128 20_24 M 41
## 129 20_24 M 53
## 130 20_24 M 30
## 131 25_29 M 223
## 132 25_29 M 143
## 133 25_29 M 37
## 134 25_29 M 45
## 135 25_29 M 17
## 136 30_34 M 184
## 137 30_34 M 110
## 138 30_34 M 37
## 139 30_34 M 36
## 140 30_34 M 15
## 141 35_39 M 143
## 142 35_39 M 90
## 143 35_39 M 20
## 144 35_39 M 39
## 145 35_39 M 17
## 146 40_44 M 140
## 147 40_44 M 81
## 148 40_44 M 25
## 149 40_44 M 30
## 150 40_44 M 14
## 151 45_49 M 87
## 152 45_49 M 68
## 153 45_49 M 23
## 154 45_49 M 36
## 155 45_49 M 1
## 156 50_54 M 100
## 157 50_54 M 46
## 158 50_54 M 22
## 159 50_54 M 18
## 160 50_54 M 9
## 161 55_59 M 96
## 162 55_59 M 42
## 163 55_59 M 10
## 164 55_59 M 14
## 165 55_59 M 4
## 166 60_64 M 40
## 167 60_64 M 15
## 168 60_64 M 12
## 169 60_64 M 11
## 170 60_64 M 2
## 171 65_69 M 42
## 172 65_69 M 19
## 173 65_69 M 6
## 174 65_69 M 16
## 175 65_69 M 3
## 176 70_74 M 33
## 177 70_74 M 16
## 178 70_74 M 5
## 179 70_74 M 14
## 180 70_74 M 4
## 181 75_79 M 22
## 182 75_79 M 7
## 183 75_79 M 3
## 184 75_79 M 8
## 185 75_79 M 0
## 186 80_84 M 12
## 187 80_84 M 4
## 188 80_84 M 1
## 189 80_84 M 2
## 190 80_84 M 1
## 191 85_89 M 5
## 192 85_89 M 2
## 193 85_89 M 1
## 194 85_89 M 2
## 195 85_89 M 1
## 196 90_94 M 1
## 197 90_94 M 1
## 198 90_94 M 1
## 199 90_94 M 0
## 200 90_94 M 0
## 201 95_99 M 3
## 202 95_99 M 0
## 203 95_99 M 0
## 204 95_99 M 0
## 205 95_99 M 1
## 206 100_104 M 1
## 207 100_104 M 0
## 208 100_104 M 0
## 209 100_104 M 2
## 210 100_104 M 0# Reestructuración para tener 'Hombres' y 'Mujeres' en columnas separadas
poblacionrd <- reshape(data = poblacionrd,
idvar = "Gquinquenal",
v.names = c("value"),
timevar = "Sexo",
direction = "wide")## Warning in reshapeWide(data, idvar = idvar, timevar = timevar, varying =
## varying, : multiple rows match for Sexo=H: first taken## Warning in reshapeWide(data, idvar = idvar, timevar = timevar, varying =
## varying, : multiple rows match for Sexo=M: first taken# Verificar el nombre de las columnas
print(colnames(poblacionrd))## [1] "Gquinquenal" "value.H" "value.M"# Renombrar columnas
poblacionrd <- poblacionrd %>%
rename(Hombres = value.H, Mujeres = value.M)
# Calcular la población total
poblacionrd$Poblacion <- poblacionrd$Hombres + poblacionrd$Mujeres
print(poblacionrd)## Gquinquenal Hombres Mujeres Poblacion
## 1 00_04 343 321 664
## 6 05_09 879 869 1748
## 11 10_14 895 705 1600
## 16 15_19 685 555 1240
## 21 20_24 451 263 714
## 26 25_29 250 223 473
## 31 30_34 226 184 410
## 36 35_39 232 143 375
## 41 40_44 162 140 302
## 46 45_49 112 87 199
## 51 50_54 113 100 213
## 56 55_59 117 96 213
## 61 60_64 71 40 111
## 66 65_69 51 42 93
## 71 70_74 34 33 67
## 76 75_79 22 22 44
## 81 80_84 12 12 24
## 86 85_89 5 5 10
## 91 90_94 1 1 2
## 96 95_99 0 3 3
## 101 100_104 1 1 2# Procesar los datos para el gráfico
pop_rd <- poblacionrd %>%
group_by(Gquinquenal) %>%
summarise_all(sum, na.rm = TRUE) %>%
mutate(totH = sum(Hombres), totM = sum(Mujeres)) %>%
mutate(Hombres = (Hombres / totH) * 100,
Mujeres = (Mujeres / totM) * 100) %>%
select(-totH, -totM) %>%
pivot_longer(cols = c("Hombres", "Mujeres"),
names_to = "Sexo",
values_to = "Poblacion por Sexo") %>%
select(Gquinquenal, Sexo, Poblacion, `Poblacion por Sexo`)
# Calcular la población total para obtener proporciones sin multiplicar por 100
pop_rd <- poblacionrd %>%
group_by(Gquinquenal) %>%
summarise_all(sum, na.rm = TRUE) %>%
mutate(totH = sum(Hombres), totM = sum(Mujeres)) %>%
mutate(Hombres = (Hombres / totH), # Sin multiplicar por 100
Mujeres = (Mujeres / totM)) %>%
select(-totH, -totM) %>%
pivot_longer(cols = c("Hombres", "Mujeres"),
names_to = "Sexo",
values_to = "Poblacion por Sexo") %>%
select(Gquinquenal, Sexo, Poblacion, `Poblacion por Sexo`)
# Gráfico de pirámide poblacional rural en proporciones
ggplot(pop_rd, aes(x = Gquinquenal, y = `Poblacion por Sexo`, fill = Sexo)) +
# Sección de HOMBRES (en proporciones negativas)
geom_bar(data = subset(pop_rd, Sexo == "Hombres") %>%
mutate(`Poblacion por Sexo` = -`Poblacion por Sexo`),
stat = "identity", width = 0.5, fill = "blue") +
# Sección de MUJERES
geom_bar(data = subset(pop_rd, Sexo == "Mujeres"),
stat = "identity", width = 0.5, fill = "pink") +
# Cambio de coordenadas para hacer horizontal
coord_flip() +
# Tema y estilos gráficos
ggthemes::theme_tufte() +
theme(plot.title = element_text(hjust = 0.5, size = 20),
axis.text.x = element_text(),
axis.text.y = element_text()) +
# Etiquetas del gráfico
labs(title = "Pirámide Poblacional Rural Disperso, 2018",
x = "",
y = "Hombres Mujeres",
caption = "Fuente: DANE. \nCNPV 2018. Tabulados de Población") +
# Escala de proporciones en el eje Y, ajustada en intervalos de 0.02
scale_y_continuous(breaks = seq(-0.12, 0.12, by = 0.02), # Proporciones en vez de porcentajes
labels = paste0(c(seq(0.12, 0, by = -0.02), seq(0.02, 0.12, by = 0.02))))
En la pirámide poblacional del área rural dispersa, podemos observar que el primer grupo estareo quinquenal de 0 a 4 años es uni de los grupos más pequeños, lo que debe ser considerado para establecer mejores políticas públicas que mejoren la salud y desarrollo de los niños en edades de vida temprana. Además podemos apreciar una tendencia en la que desde el grupo quinquenal de 25 a 29 años la población disminuye y esto se mantiene hasta los grupos etareos más longevos.
Conclusión
Podemos concluir que en el departamento de Guainía existen diferencias significativas en el comportamiento de la población en la cabecera municipal, los centros poblados y el área rural dispersa.
En la cabecera urbana, la pirámide poblacional del municipio del departamento de Guainía en 2018, nos premite observar que la población se distribuye uniformemente en los primeros años de vida, sin embargo la presencia de los hombres es mayor desde el grupo etareo de 20 a 24 años. Después se vuelve a distribuir casi uniformemente la población, sin embargo en los grupos etareos más longevos se aprecia la presencia de la población masculina principalmente.
En los centros poblados, la pirámide poblacional del departamento de Guainía presenta un comportamiento diferente frente a las otras pirámides, debido a que se ve un incremento significativo de las mijeres frente a los hombres en edades económicamente activas, que cambia solo hasta el grupo etareo de 30 a 34 años, pues en adelante predomina principalmente la presencia de los hombres en los centros poblados.
Finalmente, en el área rural dispersa la pirámide poblacional del área nos muestra que el primer grupo estareo quinquenal de 0 a 4 años es uno de los grupos más pequeños, lo que debe ser considerado para establecer mejores políticas públicas que mejoren la salud y desarrollo de los niños en edades de vida temprana. Además podemos apreciar una tendencia en la que desde el grupo quinquenal de 25 a 29 años la población disminuye y esto se mantiene hasta los grupos etareos más longevos.
En conjunto, las tres pirámides destacan una población en la que en los grupos etareos mayores prevalece la presencia de hombres, además de que cuentan con una población joven en crecimiento, lo que permite que se puedan establecer políticas públicas que permitan beneficiar a los jovenes del departamento y se insentive su permanencia para el desarrollo del territorio.