---
title: "ggplotly geoms"
author: "Carson Sievert"
output:
flexdashboard::flex_dashboard:
orientation: rows
social: menu
source_code: embed
---
```{r setup, include=FALSE}
library(ggplot2)
library(plotly)
library(plyr)
library(flexdashboard)
library(gridExtra)
library(dplyr)
library(readxl)
BasedeDatos_TProbabilidad <- read_excel("BasedeDatos_TProbabilidad.xlsx")
Datos_nuevos <- read_excel("Datos nuevos.xlsx")
Datos_new2 <- read_excel("Datos_new2.xlsx")
```
Primer Avance del Proyecto
=======================================================================
Row
-----------------------------------------------------------------------
### 1. Conjunto de datos, tamaño de muestra y número de variables:
El conjunto de datos corresponde al análisis del índice de pobreza monetaria y extrema en Colombia. Tomamos la muestra con un intervalo de 5 años (2019- 2023) analizando las 13 principales ciudades del país y el total nacional:
Barranquilla A.M., Bogotá, Bucaramanga A.M., Cali A.M., Cartagena, Cúcuta A.M., Ibagué, Manizales A.M., Medellín A.M., Montería, Pasto, Pereira A.M., Villavicencio y el total que seria el Nacional.
El estudio contiene un total de 9 variables: 3 cualitativas y 6 cuantitativas.
### Descripción de variables:
*Variables Cualitativas:*
Ciudad: Variable nominal que identifica cada una de las 13 ciudades principales
Región: Variable nominal que indica la región geográfica de Colombia a la que pertenece cada ciudad
Año: Variable ordinal que especifica el período temporal del registro
*Variables Cuantitativas:*
Incidencia en la pobreza monetaria: Variable de razón medida en porcentaje (%) que indica el nivel de pobreza monetaria
Coeficiente Gini: Variable de razón que mide la desigualdad en la distribución del ingreso (escala de 0 a 1)
Pobreza extrema: Variable de razón medida en porcentaje (%) que indica el nivel de pobreza extrema
Ingreso per cápita: Variable de razón medida en pesos colombianos (COP) que representa el ingreso promedio por persona
Ingreso per cápita Pobreza Monetaria: Variable de razón medida en pesos colombianos (COP) que representa el ingreso promedio por persona en situación de pobreza monetaria
Ingreso Per cápita Pobreza Extrema: Variable de razón medida en pesos colombianos (COP) que representa el ingreso promedio por persona en situación de pobreza extrema
### Análisis de conjunto de datos
Al realizar la búsqueda de nuestros datos, descubrimos que la información se encontraba distribuida en diferentes archivos del DANE, clasificada por años. Por lo tanto, fue necesario descargar todos estos documentos y depurar las variables de interés. Posteriormente, revisamos la digitación de los datos y observamos que algunos valores tenían los decimales separados por coma, mientras que otros los utilizaban con punto. Como resultado, tuvimos que unificar el símbolo decimal en todos los casos. Aparte de esto, no encontramos ningún otro problema, ya que no había espacios en blanco ni errores adicionales.
Row
-------------------------------------------------------
### Estadística descriptiva
Comparación Ingreso per Cápita por Regiones
=======================================================================
Row
-------------------------------
### Ingreso per Cápita por Regiones
```{r cajas1}
Datosnew = filter(BasedeDatos_TProbabilidad, Region %in% c("Caribe", "Pacifica", "Andina", "Orinoquia"))
ggplot(Datosnew, aes(y=Ingreso_per_capita, x=Region))+geom_boxplot(fill=c("#bef7ff", "#a7b0ff", "#8168ff", "#3700ff"))+ labs(x = "", y = "Ing.per.Cap (pesos colombianos)") + theme_minimal()
```
### Ingreso per Cápita por Regiones en Pobreza Monetaria
```{r cajas2}
Datosnew = filter(BasedeDatos_TProbabilidad, Region %in% c("Caribe", "Pacifica", "Andina", "Orinoquia"))
ggplot(Datosnew, aes(y=Ingreso_per_capita_Pobreza_M, x=Region))+geom_boxplot(fill=c("#bef7ff", "#a7b0ff", "#8168ff", "#3700ff"))+ labs( x = "", y = "Ing.per.Cap Pobreza M (pesos colombianos)") + coord_cartesian(ylim = c(300000, 600000)) + theme_minimal()
```
### Ingreso per Cápita por Regiones en Pobreza Extrema
```{r cajas3}
Datosnew = filter(BasedeDatos_TProbabilidad, Region %in% c("Caribe", "Pacifica", "Andina", "Orinoquia"))
ggplot(Datosnew, aes(y=Ingreso_Per_capita_Pobreza_E, x=Region))+geom_boxplot(fill=c("#bef7ff", "#a7b0ff", "#8168ff", "#3700ff"))+ labs( x = "", y = "Ing.per.Cap Pobreza Extrema (pesos colombianos)") + theme_minimal()
```
Row
-------------------------
### Conclusiones:
En el nivel normal de PIB per cápita, se observa un mayor rango en los datos, lo que refleja una alta variación en los ingresos entre las distintas ciudades. Esto sugiere una desigualdad significativa en la distribución de los ingresos a nivel urbano.
Tanto en la región Orinoquía como en la Caribe, todos los ingresos se sitúan en una escala más baja en comparación con otras regiones. Esto indica un nivel de pobreza más pronunciado, lo que evidencia las dificultades económicas que enfrentan estas zonas.
En la región Andina, se identifica que algunas familias del 25% con menor PIB per cápita reciben ingresos similares a aquellos en condición de pobreza monetaria. Esto sugiere que, a diferencia de otras regiones, las brechas económicas son menos pronunciadas, lo que podría indicar una mayor facilidad para superar la condición de pobreza en esta zona.
Niveles Ingresos per Cápita por Regiones
====================================================
Row
-------------------------------------------------------
### Ingreso per Cápita en el Caribe (pesos colombianos)
```{r cajas4}
Datosnew = filter(BasedeDatos_TProbabilidad, Region %in% c("Caribe"))
t1 = ggplot(Datosnew, aes(x=Ingreso_per_capita, y=Region))+geom_boxplot(fill=c("#ffb1b1"))+ coord_cartesian(xlim = c(140000, 1200000))+ theme_minimal()+ labs(x = "", y = "Normal")
t2 = ggplot(Datosnew, aes(x=Ingreso_per_capita_Pobreza_M, y=Region))+geom_boxplot(fill=c("#c86255"))+ coord_cartesian(xlim = c(140000, 1200000))+ theme_minimal()+ labs(x = "", y = "Pobreza M")
t3 = ggplot(Datosnew, aes(x=Ingreso_Per_capita_Pobreza_E, y= Region))+geom_boxplot(fill=c("#890000"))+ coord_cartesian(xlim = c(140000, 1200000))+ theme_minimal()+ labs(x = "", y = "Pobreza E")
grid.arrange(t1,t2,t3)
```
### Ingreso per Cápita en la Andina (pesos colombianos)
```{r cajas5}
Datosnew = filter(BasedeDatos_TProbabilidad, Region %in% c("Andina"))
t1 = ggplot(Datosnew, aes(x=Ingreso_per_capita, y=Region))+geom_boxplot(fill=c("#ffb1b1"))+ coord_cartesian(xlim = c(140000, 1600000))+ theme_minimal()+ labs(x = "", y = "Normal")
t2 = ggplot(Datosnew, aes(x=Ingreso_per_capita_Pobreza_M, y=Region))+geom_boxplot(fill=c("#c86255"))+ coord_cartesian(xlim = c(140000, 1600000))+ theme_minimal()+ labs(x = "", y = "obreza M")
t3 = ggplot(Datosnew, aes(x=Ingreso_Per_capita_Pobreza_E, y= Region))+geom_boxplot(fill=c("#890000"))+ coord_cartesian(xlim = c(140000, 1600000))+ theme_minimal()+ labs(x = "", y = "Pobreza E")
grid.arrange(t1,t2,t3)
```
Row
---------------------------------------------------------------
### Ingreso per Cápita en el Pacífico (pesos colombianos)
```{r cajas6}
Datosnew = filter(BasedeDatos_TProbabilidad, Region %in% c("Pacifica"))
t1 = ggplot(Datosnew, aes(x=Ingreso_per_capita, y=Region))+geom_boxplot(fill=c("#ffb1b1"))+ coord_cartesian(xlim = c(140000, 1500000))+ theme_minimal()+ labs(x = "", y = "Normal")
t2 = ggplot(Datosnew, aes(x=Ingreso_per_capita_Pobreza_M, y=Region))+geom_boxplot(fill=c("#c86255"))+ coord_cartesian(xlim = c(140000, 1500000))+ theme_minimal()+ labs(x = "", y = "Pobreza M")
t3 = ggplot(Datosnew, aes(x=Ingreso_Per_capita_Pobreza_E, y= Region))+geom_boxplot(fill=c("#890000"))+ coord_cartesian(xlim = c(140000, 1500000))+ theme_minimal()+ labs(x = "", y = "Pobreza E")
grid.arrange(t1,t2,t3)
```
### Ingreso per Cápita en la Orinoquia (pesos colombianos)
```{r cajas7}
Datosnew = filter(BasedeDatos_TProbabilidad, Region %in% c("Orinoquia"))
t1 = ggplot(Datosnew, aes(x=Ingreso_per_capita, y=Region))+geom_boxplot(fill=c("#ffb1b1"))+ coord_cartesian(xlim = c(140000, 1200000))+ theme_minimal()+ labs(x = "", y = "Normal")
t2 = ggplot(Datosnew, aes(x=Ingreso_per_capita_Pobreza_M, y=Region))+geom_boxplot(fill=c("#c86255"))+ coord_cartesian(xlim = c(140000, 1200000))+ theme_minimal()+ labs(x = "", y = "Pobreza M")
t3 = ggplot(Datosnew, aes(x=Ingreso_Per_capita_Pobreza_E, y= Region))+geom_boxplot(fill=c("#890000"))+ coord_cartesian(xlim = c(140000, 1200000))+ theme_minimal()+ labs(x = "", y = "Pobreza E")
grid.arrange(t1,t2,t3)
```
Línea de tiempo
==========================================================
Row
--------------------------------
### Avance en el tiempo de los ingresos per cápita Normal (2019 - 2023)
```{r lineatiempo1}
Datosnewnacional = filter(BasedeDatos_TProbabilidad, Ciudades %in% c("Nacional"))
ggplot(Datosnewnacional, aes(x=Ano, y=Ingreso_per_capita))+geom_line(color = "#d8a3a3") +
geom_point(color = "red") +
labs(title = "", x = "", y = "Ingreso per Cápita Normal") +
theme_minimal()+ coord_cartesian(ylim = c(140000, 1200000))
```
### Avance en el tiempo de los ingresos per cápita Pobreza Monetaria (2019 - 2023)
```{r lineatiempo2}
Datosnewnacional = filter(BasedeDatos_TProbabilidad, Ciudades %in% c("Nacional"))
ggplot(Datosnewnacional, aes(x=Ano, y=Ingreso_per_capita_Pobreza_M))+geom_line(color = "#c65252") +
geom_point(color = "red") +
labs(title= "", x = "", y = "Ingreso per Cápita Pobreza M") +
theme_minimal()+ coord_cartesian(ylim = c(140000, 1200000))
```
### Avance en el tiempo de los ingresos per cápita Pobreza Extrema (2019 - 2023)
```{r lineatiempo3}
Datosnewnacional = filter(BasedeDatos_TProbabilidad, Ciudades %in% c("Nacional"))
ggplot(Datosnewnacional, aes(x=Ano, y=Ingreso_Per_capita_Pobreza_E))+geom_line(color = "#b40000") + geom_point(color = "red") +
labs(title = "", x = "", y = "Ingreso per Cápita Pobreza E") +
theme_minimal()+ coord_cartesian(ylim = c(140000, 1200000))
```
Row
----------------------------
### Conclusiones
Las gráficas revelan que, entre 2019 y 2023, el ingreso per cápita nacional en Colombia muestra una tendencia general al alza para la población normal, pero un estancamiento o leve aumento para las poblaciones en pobreza monetaria (M) y extrema (E). A nivel regional, la Andina y la Orinoquía presentan los mayores ingresos per cápita para la población normal (con un promedio de un millon de pesos), mientras que el Caribe (promedio de 750,000 pesos) y el Pacífico (promedio de 900,000 pesos) tienen niveles más bajos. Sin embargo, las poblaciones en pobreza extrema de todas las regiones tienen ingresos muy similares y bajos (alrededor de 250,000 pesos), indicando una persistente desigualdad. Esto sugiere que, pese al crecimiento económico general, las políticas deben enfocarse en reducir la brecha de ingresos para los sectores más pobres, especialmente en regiones como el Caribe y el Pacífico.
Correlación entre las variables
===========================================================================
Row
----------------------------------------------------------------------------
### 1. Matriz de Correlación
En esta matriz, se presentan los índices de correlación entre las variables cuantitativas que hemos trabajado, con el fin de analizar si existe una posible conexión entre ellas que permita explicar de manera más clara el fenómeno de la pobreza en la ciudad de Cali.
```{r, matriz_correlacion}
datos_matriz <- Datos_new2 %>%
select(
I_PobrezaM=`Incidencia_en_la_pobreza_monetaria%`,
Gini=Coeficiente_Gini,
PobrezaE=`Pobreza_extrema_%`,
IngresoPC=Ingreso_per_capita,
Ingresopc_PM=Ingreso_per_capita_Pobreza_M,
Ingresopc_PE=Ingreso_Per_capita_Pobreza_E
)
matriz_cor <- cor(datos_matriz)
library(knitr)
kable(round(matriz_cor,2),
aling='c',
caption = "Matriz de correlación para la ciudad de Cali(2012-2023)",
format = "html")
```
Row
----------------------------------------
### Conclusiones
En los resultados obtenidos, podemos observar que existen ciertas variables que están estrechamente relacionadas entre sí. Este hallazgo sugiere la presencia de posibles patrones o conexiones que podrían ser fundamentales para comprender mejor el fenómeno que estamos analizando.Procederemos a elaborar gráficos de dispersión que nos permitirán visualizar de manera más clara cómo se interrelacionan y cómo influyen unas en otras.
Gráficas de disperción
========================================
Row
--------------------------------
### Relación entre Ingreso per cápita de pobreza Monetaria y Coeficiente de Gini (Cali, 2012-2023)
```{r,Gráfica}
Valor_Correlacion<-0.86
ggplot(datos_matriz, aes(x = I_PobrezaM, y = Gini))+
geom_point(color = "steelblue", size = 3)+
geom_smooth(method = "lm", se = FALSE, color = "red", linetype = "dashed") +
labs(
title = "",
x = "Ingreso per cápita P.M",
y = "Coeficiente de Gini"
) +
annotate("text",
x = Inf, y = Inf,
label = paste("Correlación =", Valor_Correlacion),
hjust = 1.5, vjust = 1.5, # Ajusta para moverlo un poco adentro del gráfico
size = 6, color = "black")+
theme_minimal()
```
### Relación entre Ingreso per cápita de pobreza Extrema e Ingreso per cápita de Pobreza Monetaria (Cali, 2012-2023)
```{r, Grafico_dispersion_2}
Valor_Correlacion<-0.99
ggplot(datos_matriz, aes(x = Ingresopc_PE, y = Ingresopc_PM))+
geom_point(color = "steelblue", size = 3)+
geom_smooth(method = "lm", se = FALSE, color = "red", linetype = "dashed") +
labs(
title = "",
x = "Ingreso per cápita P.E",
y = "Ingreso per cápita P.M"
) +
annotate("text",
x = Inf, y = Inf,
label = paste("Correlación =", Valor_Correlacion),
hjust = 1.5, vjust = 1.5, # Ajusta para moverlo un poco adentro del gráfico
size = 5, color = "black")+
theme_minimal()
```
### Relación entre Ingreso per cápita e Ingreso per cápita de Pobreza Extrema (Cali, 2012-2023)
```{r, Grafico_3}
Valor_Correlacion<-0.96
ggplot(datos_matriz, aes(x = IngresoPC, y = Ingresopc_PE))+
geom_point(color = "steelblue", size = 3)+
geom_smooth(method = "lm", se = FALSE, color = "red", linetype = "dashed") +
labs(
title = "",
x = "Ingreso per cápita ",
y = "Ingreso per cápita P E"
) +
annotate("text",
x = Inf, y = Inf,
label = paste("Correlación =", Valor_Correlacion),
hjust = 1.3, vjust = 1.5, # Ajusta para moverlo un poco adentro del gráfico
size = 6, color = "black")+
theme_minimal()
```
Row
------------------------------------
### Conclusión
El análisis de los gráficos revela que en Cali, a medida que aumenta el ingreso per cápita de la población pobre, la desigualdad (coeficiente de Gini) también crece, evidenciando fallos en la distribución de la riqueza. Sin embargo, existe una relación positiva entre el ingreso de la población en pobreza monetaria y extrema, lo que sugiere que mejorar el bienestar de un grupo beneficia al otro. Asimismo, el desarrollo económico, reflejado en el ingreso per cápita general, puede impulsar significativamente el bienestar de los más pobres. En conjunto, estos hallazgos destacan la necesidad de políticas públicas que combinen un crecimiento económico inclusivo con una distribución equitativa de la riqueza para reducir efectivamente la pobreza y la desigualdad.
Coeficiente de gini por ciudades.
===================================
Row
---------------------------
### Coeficiente de Gini por Ciudades (2019 - 2023)
```{r}
# Calcular el promedio del coeficiente de Gini por ciudad
datos_coloreados <- BasedeDatos_TProbabilidad %>%
group_by(Ciudades) %>%
summarise(Gini_promedio = mean(Coeficiente_Gini, na.rm = TRUE)) %>%
# Normalizamos entre 0 y 1 para que la escala sea uniforme
mutate(Gini_norm = (Gini_promedio - min(Gini_promedio)) /
(max(Gini_promedio) - min(Gini_promedio))) %>%
right_join(BasedeDatos_TProbabilidad, by = "Ciudades")
# Graficar usando la columna normalizada como base del color
ggplot(datos_coloreados, aes(y = Ciudades, x = Coeficiente_Gini, fill = Gini_norm)) +
geom_boxplot() +
scale_fill_gradient(low = "#00fbff", high = "#00307c", name = "Promedio Normalizado") +
labs(
title = "",
x = "Índice de Coeficiente de Gini",
) +
theme_minimal()
```
### Conclusión
La gráfica muestra la distribución del Coeficiente de Gini entre 2019 y 2023 en las principales ciudades de Colombia. El Coeficiente de Gini es un indicador que mide la desigualdad en la distribución de ingresos, donde valores más cercanos a 1 indican mayor desigualdad.
Se observa que ciudades como Bogotá, Nacional (promedio país) e Ibagué presentan los índices más altos (tonos azul oscuro), indicando mayor desigualdad. En contraste, Manizales, Pereira y Villavicencio muestran coeficientes más bajos (tonos turquesa claro), señalando una distribución de ingresos relativamente más equitativa.
Esta desigualdad se relaciona directamente con la pobreza monetaria en Colombia, pues las ciudades con mayor Coeficiente de Gini tienden a presentar bolsones de pobreza más pronunciados, a pesar de que algunas, como Bogotá, tengan mayor riqueza total. Las ciudades intermedias como Manizales y Pereira parecen lograr una distribución más equilibrada de los recursos, lo que podría traducirse en menores niveles de pobreza extrema, aunque el país en general (Nacional) mantiene un alto nivel de desigualdad que dificulta la reducción efectiva de la pobreza monetaria.
