Análisis de Indicadores Globales de Desarrollo
La base de datos gapminder ofrece una perspectiva única sobre la evolución del desarrollo mundial durante más de cinco décadas, registrando indicadores clave como expectativa de vida, población y PIB per cápita. Este análisis tiene como objetivo explorar las disparidades y similitudes entre países y continentes, identificando casos de éxito y áreas de oportunidad en el desarrollo socioeconómico global.
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.5
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ ggplot2 3.5.1 ✔ tibble 3.2.1
## ✔ lubridate 1.9.4 ✔ tidyr 1.3.1
## ✔ purrr 1.0.2
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorslibrary(readxl)
# Importamos datos
gapminder <- read_excel("C:/Users/ALEXIS/Documents/Curso_R_CF/gapminder.xlsx")Observamos la estructura de los datos
## # A tibble: 6 × 7
## ID country continent year lifeExp pop gdpPercap
## <dbl> <chr> <chr> <dbl> <dbl> <dbl> <dbl>
## 1 1 Afghanistan Asia 1952 28.8 8425333 779.
## 2 2 Afghanistan Asia 1957 30.3 9240934 821.
## 3 3 Afghanistan Asia 1962 32.0 10267083 853.
## 4 4 Afghanistan Asia 1967 34.0 11537966 836.
## 5 5 Afghanistan Asia 1972 36.1 13079460 740.
## 6 6 Afghanistan Asia 1977 38.4 14880372 786.## # A tibble: 6 × 7
## ID country continent year lifeExp pop gdpPercap
## <dbl> <chr> <chr> <dbl> <dbl> <dbl> <dbl>
## 1 1699 Zimbabwe Africa 1982 60.4 7636524 789.
## 2 1700 Zimbabwe Africa 1987 62.4 9216418 706.
## 3 1701 Zimbabwe Africa 1992 60.4 10704340 693.
## 4 1702 Zimbabwe Africa 1997 46.8 11404948 792.
## 5 1703 Zimbabwe Africa 2002 40.0 11926563 672.
## 6 1704 Zimbabwe Africa 2007 43.5 12311143 470.## tibble [1,704 × 7] (S3: tbl_df/tbl/data.frame)
## $ ID : num [1:1704] 1 2 3 4 5 6 7 8 9 10 ...
## $ country : chr [1:1704] "Afghanistan" "Afghanistan" "Afghanistan" "Afghanistan" ...
## $ continent: chr [1:1704] "Asia" "Asia" "Asia" "Asia" ...
## $ year : num [1:1704] 1952 1957 1962 1967 1972 ...
## $ lifeExp : num [1:1704] 28.8 30.3 32 34 36.1 ...
## $ pop : num [1:1704] 8425333 9240934 10267083 11537966 13079460 ...
## $ gdpPercap: num [1:1704] 779 821 853 836 740 ...## Rows: 1,704
## Columns: 7
## $ ID <dbl> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 1…
## $ country <chr> "Afghanistan", "Afghanistan", "Afghanistan", "Afghanistan", …
## $ continent <chr> "Asia", "Asia", "Asia", "Asia", "Asia", "Asia", "Asia", "Asi…
## $ year <dbl> 1952, 1957, 1962, 1967, 1972, 1977, 1982, 1987, 1992, 1997, …
## $ lifeExp <dbl> 28.801, 30.332, 31.997, 34.020, 36.088, 38.438, 39.854, 40.8…
## $ pop <dbl> 8425333, 9240934, 10267083, 11537966, 13079460, 14880372, 12…
## $ gdpPercap <dbl> 779.4453, 820.8530, 853.1007, 836.1971, 739.9811, 786.1134, …ii. ¿Cuáles son las expectativas de vida de United States?
# Filtramos para United States y seleccionamos año y expectativa de vida
expectativa_usa <- gapminder %>%
filter(country == "United States") %>%
select(year, lifeExp)
expectativa_usa## # A tibble: 12 × 2
## year lifeExp
## <dbl> <dbl>
## 1 1952 68.4
## 2 1957 69.5
## 3 1962 70.2
## 4 1967 70.8
## 5 1972 71.3
## 6 1977 73.4
## 7 1982 74.6
## 8 1987 75.0
## 9 1992 76.1
## 10 1997 76.8
## 11 2002 77.3
## 12 2007 78.2iii. ¿Cuáles son las poblaciones de Japan en los diferentes años?
# Filtramos para Japan y seleccionamos año y población
poblacion_japon <- gapminder %>%
filter(country == "Japan") %>%
select(year, pop)
poblacion_japon## # A tibble: 12 × 2
## year pop
## <dbl> <dbl>
## 1 1952 86459025
## 2 1957 91563009
## 3 1962 95831757
## 4 1967 100825279
## 5 1972 107188273
## 6 1977 113872473
## 7 1982 118454974
## 8 1987 122091325
## 9 1992 124329269
## 10 1997 125956499
## 11 2002 127065841
## 12 2007 127467972iv. ¿Cuáles son los PIB per cápita de México?
# Filtramos para México y seleccionamos año y PIB per cápita
pib_mexico <- gapminder %>%
filter(country == "Mexico") %>%
select(year, gdpPercap)
pib_mexico## # A tibble: 12 × 2
## year gdpPercap
## <dbl> <dbl>
## 1 1952 3478.
## 2 1957 4132.
## 3 1962 4582.
## 4 1967 5755.
## 5 1972 6809.
## 6 1977 7675.
## 7 1982 9611.
## 8 1987 8688.
## 9 1992 9472.
## 10 1997 9767.
## 11 2002 10742.
## 12 2007 11978.v. ¿Cuál es el país de mayor expectativa de vida en el 2007?
# Filtramos para el año 2007 y encontramos el máximo de expectativa de vida
mayor_expectativa_2007 <- gapminder %>%
filter(year == 2007) %>%
filter(lifeExp == max(lifeExp)) %>%
select(country, lifeExp)
mayor_expectativa_2007## # A tibble: 1 × 2
## country lifeExp
## <chr> <dbl>
## 1 Japan 82.6vi. ¿Cuál es el país de menor PIB per cápita?
# Encontramos el mínimo PIB per cápita en toda la base
menor_pib <- gapminder %>%
filter(gdpPercap == min(gdpPercap)) %>%
select(country, year, gdpPercap)
menor_pib## # A tibble: 1 × 3
## country year gdpPercap
## <chr> <dbl> <dbl>
## 1 Congo 2002 241.vii. ¿Cuál era la población de Argentina en 1992?
# Filtramos para Argentina en el año específico 1992
poblacion_argentina_1992 <- gapminder %>%
filter(country == "Argentina", year == 1992) %>%
select(country, year, pop)
poblacion_argentina_1992## # A tibble: 1 × 3
## country year pop
## <chr> <dbl> <dbl>
## 1 Argentina 1992 33958947viii. Agrupe por continente y obtenga la media de la población, expectativa de vida y PIB per cápita
# Agrupamos por continente y calculamos promedios
estadisticas_continentes <- gapminder %>%
group_by(continent) %>%
summarise(
poblacion_promedio = mean(pop),
expectativa_vida_promedio = mean(lifeExp),
pib_percapita_promedio = mean(gdpPercap)
)
estadisticas_continentes## # A tibble: 5 × 4
## continent poblacion_promedio expectativa_vida_promedio pib_percapita_promedio
## <chr> <dbl> <dbl> <dbl>
## 1 Africa 9916003. 48.9 2194.
## 2 Americas 24504795. 64.7 7136.
## 3 Asia 77038722. 60.1 7902.
## 4 Europe 17169765. 71.9 14469.
## 5 Oceania 8874672. 74.3 18622.ix. Lo mismo del punto anterior, pero filtre para el año 2007
# Filtramos primero para 2007 y luego agrupamos por continente
estadisticas_continentes_2007 <- gapminder %>%
filter(year == 2007) %>%
group_by(continent) %>%
summarise(
poblacion_promedio = mean(pop),
expectativa_vida_promedio = mean(lifeExp),
pib_percapita_promedio = mean(gdpPercap)
)
estadisticas_continentes_2007## # A tibble: 5 × 4
## continent poblacion_promedio expectativa_vida_promedio pib_percapita_promedio
## <chr> <dbl> <dbl> <dbl>
## 1 Africa 17875763. 54.8 3089.
## 2 Americas 35954847. 73.6 11003.
## 3 Asia 115513752. 70.7 12473.
## 4 Europe 19536618. 77.6 25054.
## 5 Oceania 12274974. 80.7 29810.Conclusión del análisis:
El análisis de la base gapminder nos permite identificar patrones importantes en el desarrollo de los países a lo largo del tiempo. A través de las funciones de tidyverse como filter, select, group_by y summarise, hemos podido extraer información específica sobre expectativas de vida, población y PIB per cápita para diferentes países y continentes.
Este tipo de análisis es fundamental para comprender las tendencias globales en desarrollo económico y social, y puede servir como base para la toma de decisiones en políticas públicas internacionales.