Datos Personales

  • Nombre: Fatima Maria Barrera Orellana
  • Carné: BO21003
  • Asignatura: Métodos para el Análisis Económico
  • Docente: MsF. Carlos Ademir Pérez Alas

Paquetes

library(dplyr)
library(knitr)
library(kableExtra)
## Warning: package 'kableExtra' was built under R version 4.4.3
library(DT)
## Warning: package 'DT' was built under R version 4.4.3
# Mostrar números completos (sin notación científica)
options(scipen=999)

Ejercicio 1: Uso del dataframe mtcars

Variables del dataset

El dataset mtcars contiene 32 observaciones de automóviles y las siguientes variables:

Variable Descripción Unidad
mpg Consumo: millas por galón mpg
cyl Número de cilindros entero
disp Desplazamiento del motor pulgadas³
hp Potencia caballos de fuerza
drat Relación eje trasero —
wt Peso del automóvil miles de libras
qsec Tiempo 1/4 milla segundos
vs Motor (0 = V, 1 = recto) categórico
am Transmisión (0 = auto, 1 = manual) categórico
gear Número de marchas entero
carb Número de carburadores entero

a) Autos con mpg > 25 y wt < 2.5

ej1_a <- mtcars %>% filter(mpg > 25, wt < 2.5)

ej1_a %>%
  kable(caption = "Autos con consumo > 25 mpg y peso < 2.5") %>%
  kable_styling(bootstrap_options = c("striped", "hover", "condensed"), full_width = FALSE)
Autos con consumo > 25 mpg y peso < 2.5
mpg cyl disp hp drat wt qsec vs am gear carb
Fiat 128 32.4 4 78.7 66 4.08 2.200 19.47 1 1 4 1
Honda Civic 30.4 4 75.7 52 4.93 1.615 18.52 1 1 4 2
Toyota Corolla 33.9 4 71.1 65 4.22 1.835 19.90 1 1 4 1
Fiat X1-9 27.3 4 79.0 66 4.08 1.935 18.90 1 1 4 1
Porsche 914-2 26.0 4 120.3 91 4.43 2.140 16.70 0 1 5 2
Lotus Europa 30.4 4 95.1 113 3.77 1.513 16.90 1 1 5 2

b) Ordenar autos por hp y mostrar mpg, hp y wt

ej1_b <- mtcars %>%
  arrange(hp) %>%
  select(mpg, hp, wt)

datatable(head(ej1_b, 10),
          caption = "Autos ordenados por potencia (primeras 10 filas)",
          options = list(pageLength = 10))

c) Nueva columna kpl

ej1_c <- mtcars %>% mutate(kpl = mpg * 0.4251)

ej1_c %>%
  select(mpg, kpl) %>%
  head() %>%
  kable(caption = "Consumo en millas por galón y en km/L (primeras filas)") %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
Consumo en millas por galón y en km/L (primeras filas)
mpg kpl
Mazda RX4 21.0 8.92710
Mazda RX4 Wag 21.0 8.92710
Datsun 710 22.8 9.69228
Hornet 4 Drive 21.4 9.09714
Hornet Sportabout 18.7 7.94937
Valiant 18.1 7.69431

d) Estadísticos descriptivos de mpg

ej1_d <- mtcars %>%
  summarise(
    media_mpg = mean(mpg),
    mediana_mpg = median(mpg),
    sd_mpg = sd(mpg)
  )

ej1_d %>%
  kable(caption = "Media, Mediana y Desviación Estándar de mpg") %>%
  kable_styling(full_width = FALSE, position = "center")
Media, Mediana y Desviación Estándar de mpg
media_mpg mediana_mpg sd_mpg
20.09062 19.2 6.026948

e) Media y desviación estándar de mpg por cilindros

ej1_e <- mtcars %>%
  group_by(cyl) %>%
  summarise(
    media_mpg = mean(mpg),
    sd_mpg = sd(mpg)
  )

ej1_e %>%
  kable(caption = "Consumo promedio y desviación estándar por número de cilindros") %>%
  kable_styling(bootstrap_options = c("striped", "hover"), full_width = FALSE)
Consumo promedio y desviación estándar por número de cilindros
cyl media_mpg sd_mpg
4 26.66364 4.509828
6 19.74286 1.453567
8 15.10000 2.560048

Ejercicio 2: Uso del dataframe pwt

# install.packages("pwt10") # si no está instalado
library(pwt10)

pwt <- pwt10.01

a) Seleccionar países de América Latina

latam_iso <- c("ARG","BOL","BRA","CHL","COL","CRI","CUB","DOM","ECU","SLV",
               "GTM","HND","MEX","NIC","PAN","PRY","PER","URY","VEN")

pwt_latam <- pwt %>% filter(isocode %in% latam_iso)

datatable(head(pwt_latam, 10),
          caption = "Primeras filas de pwt_latam",
          options = list(pageLength = 10))

b) Ingreso per cápita y capital humano promedio en 2019

ej2_b <- pwt_latam %>%
  filter(year == 2019) %>%
  summarise(
    ingreso_pc = mean(rgdpe/pop, na.rm = TRUE),
    hc_prom = mean(hc, na.rm = TRUE)
  )

ej2_b %>%
  kable(caption = "Ingreso per cápita promedio y capital humano en 2019") %>%
  kable_styling(full_width = FALSE)
Ingreso per cápita promedio y capital humano en 2019
ingreso_pc hc_prom
14035.52 2.718799

c) Clasificación por nivel de ingreso (Banco Mundial)

ej2_c <- pwt_latam %>%
  filter(year == 2019) %>%
  mutate(
    ingreso_pc = rgdpe/pop,
    nivel_ingreso = case_when(
      ingreso_pc < 1026 ~ "Bajo",
      ingreso_pc >= 1026 & ingreso_pc <= 3995 ~ "Bajo-Medio",
      ingreso_pc >= 3996 & ingreso_pc <= 12375 ~ "Medio-Alto",
      ingreso_pc > 12375 ~ "Alto"
    )
  ) %>%
  group_by(nivel_ingreso) %>%
  summarise(paises = n_distinct(isocode))

ej2_c %>%
  kable(caption = "Número de países latinoamericanos por nivel de ingreso") %>%
  kable_styling(full_width = FALSE, bootstrap_options = c("hover", "condensed"))
Número de países latinoamericanos por nivel de ingreso
nivel_ingreso paises
Alto 10
Bajo 1
Medio-Alto 7

d) Crecimiento promedio del PIB real (2015-2019) por grupo de ingreso

ej2_d <- pwt_latam %>%
  filter(year %in% 2015:2019) %>%
  mutate(
    ingreso_pc = rgdpe/pop,
    nivel_ingreso = case_when(
      ingreso_pc < 1026 ~ "Bajo",
      ingreso_pc >= 1026 & ingreso_pc <= 3995 ~ "Bajo-Medio",
      ingreso_pc >= 3996 & ingreso_pc <= 12375 ~ "Medio-Alto",
      ingreso_pc > 12375 ~ "Alto"
    )
  ) %>%
  group_by(nivel_ingreso, year) %>%
  summarise(rgdpe_prom = mean(rgdpe, na.rm = TRUE), .groups = "drop") %>%
  group_by(nivel_ingreso) %>%
  summarise(crec_promedio = mean((rgdpe_prom/lag(rgdpe_prom)-1)*100, na.rm=TRUE))

ej2_d %>%
  kable(caption = "Crecimiento promedio del PIB real (2015-2019) por nivel de ingreso") %>%
  kable_styling(full_width = FALSE, bootstrap_options = c("striped", "hover"))
Crecimiento promedio del PIB real (2015-2019) por nivel de ingreso
nivel_ingreso crec_promedio
Alto -0.1406012
Bajo -18.4635665
Bajo-Medio NaN
Medio-Alto -5.4379694