Aplicación de modelos de aprendizaje supervisado para el análisis de la formalidad laboral en Colombia para 2025
Maikol David sandoval Mayorga, Anna Isabella Rodríguez Romero, Fabián Urbano Cruz, Brehiner Andrés Valencia Puerta
Mayo de 2026
1 Introducción
La informalidad laboral constituye una de las principales
problemáticas del mercado laboral en Colombia, debido a sus
efectos negativos sobre la estabilidad económica de los trabajadores y
su acceso limitado a sistemas de protección social, como la seguridad
social en pensiones. De acuerdo con organismos internacionales como la
Organización Internacional del Trabajo (OIT), la informalidad
laboral continúa siendo una característica predominante en las economías
en desarrollo, donde una proporción considerable de la
población ocupada trabaja bajo condiciones de vulnerabilidad y sin
cobertura adecuada. De acuerdo con diversas estadísticas nacionales,
una proporción significativa de la población ocupada se
encuentra en condiciones de informalidad, lo que refleja
desigualdades estructurales asociadas a factores socioeconómicos y
demográficos. Para 2024 cerca del 48% de las personas ocupadas en
Colombia cotizaban a pensión, lo que representa una mejora gradual
frente a años anteriores, como en 2017 siendo del 35%, aunque aún
persisten amplias brechas en términos de formalidad laboral. E 2021 y
2024 la cobertura pensional en la población ocupada aumentó
aproximadamente cinco puntos porcentuales, pasando de 43% a 48%,
impulsada principalmente por la recuperación del empleo asalariado
formal tras la pandemia y por políticas como el Programa de Empleo
Formal (PAEF) y la reforma pensional en discusión (DANE, 2025; OIT,
2025).
En este contexto, resulta relevante analizar los determinantes que
inciden en la probabilidad de que un individuo se desempeñe en un empleo
formal o informal. La clasificación de los trabajadores en estas
categorías permite comprender mejor la dinámica del mercado laboral
colombiano y aporta evidencia empírica útil para el diseño de políticas
públicas orientadas a la formalización del empleo. Adicionalmente,
entender qué características sociodemográficas y laborales favorecen la
cotización pensional ayuda a focalizar los esfuerzos del Estado en
poblaciones específicas, como los jóvenes, las mujeres, los trabajadores
independientes o quienes habitan en zonas rurales del país.
El presente estudio se desarrolla a partir de la base de datos de la
Gran Encuesta Integrada de Hogares (GEIH) 2025 del DANE, considerando
una muestra de individuos mayores de edad en el territorio colombiano.
Se define como variable dependiente el tipo de empleo, clasificado de
forma binaria en formal e informal, utilizando como criterio la
cotización al sistema de pensiones: los individuos que cotizan se
consideran empleados formales, mientras que aquellos que no lo hacen se
clasifican como informales. Como variables explicativas se incluyen
características sociodemográficas y económicas tales como la edad, el
nivel educativo, el estrato socioeconómico, la ocupación, el ingreso, la
zona de residencia (urbana o rural) y el sexo. Estas variables han sido
ampliamente reconocidas como factores determinantes en la inserción
laboral y la calidad del empleo.
El análisis se enmarca dentro del aprendizaje supervisado, el cual,
según James et al. (2021), consiste en modelar la relación entre una o
más variables predictoras X Y una variable respuesta y, utilizando un
conjunto de datos etiquetados para predecir el comportamiento de nuevos
datos. Este enfoque permite estimar la probabilidad de pertenencia a
cada categoría de la variable dependiente (formal o informal). De esta
forma, el aprendizaje supervisado facilita la identificación de patrones
y la construcción de modelos predictivos con aplicaciones en el mercado
laboral colombiano.
Desde el punto de vista metodológico, se emplean técnicas de aprendizaje
supervisado para la clasificación de los individuos, específicamente los
modelos K-Nearest Neighbors (KNN) y regresión logística (Logit). El
objetivo es comparar el desempeño de ambos modelos en términos de su
capacidad predictiva y determinar cuál resulta más adecuado para
explicar la formalidad laboral en el contexto analizado.
2 Metodología
2.1 Fuente de datos
Para el desarrollo del presente estudio se utilizó la base de datos de
la Gran Encuesta Integrada de Hogares (GEIH) 2025, elaborada por el
DANE. Esta encuesta recopila información sociodemográfica y laboral de
los hogares colombianos, permitiendo analizar las condiciones de empleo
de la población.
La muestra analizada está compuesta por individuos mayores de edad
registrados en la GEIH 2025, seleccionados para el desarrollo del
presente estudio. A partir de esta información, se construyó una base
depurada enfocada en el análisis de la formalidad laboral en Colombia.
2.2 Definición de variables
La variable dependiente del estudio corresponde a la cotización a
pensión de las personas, definida de manera binaria, donde 1 representa
empleo formal y 0 empleo informal. Esta clasificación se construyó a
partir de la variable “cotiza pensión”, considerando como trabajadores
formales a aquellos individuos que realizan aportes al sistema
pensional, mientras que quienes no cotizan fueron clasificados como
trabajadores informales. Este criterio se utiliza como aproximación a la
formalidad laboral debido a su relación con el acceso a la seguridad
social y el cumplimiento de las condiciones laborales formales.
Como variables independientes se incluyeron la edad, el sexo, la zona de
residencia, el estrato socioeconómico, el nivel educativo, la antigüedad
laboral, tipo de empleo y los ingresos. Estas variables fueron
seleccionadas debido a su relevancia en el análisis del mercado laboral,
ya que permiten capturar características sociodemográficas y económicas
que pueden influir en la probabilidad de que un individuo pertenezca al
sector formal o informal de la economía.
2.3 Preprocesamiento y limpieza de datos
Inicialmente, la información proveniente de distintos archivos de la
GEIH fue organizada y consolidada utilizando ciclos for en R, lo que
permitió seleccionar y unificar las variables necesarias para el
análisis.Posteriormente, se realizó un proceso de depuración de la base
de datos mediante la identificación y eliminación de registros con
valores faltantes utilizando funciones como is.na(). Esto permitió
trabajar únicamente con observaciones completas y garantizar una mayor
consistencia en la estimación de los modelos.
Adicionalmente, se construyó una matriz de correlación con el fin de
analizar la relación existente entre algunas variables explicativas y
evaluar posibles problemas de multicolinealidad dentro del modelo.
Finalmente, se tomó una muestra aleatoria de 10.000 observaciones para
la construcción de la base de análisis, debido a que la base depurada
contaba con aproximadamente 200.000 registros. Esta reducción se realizó
con el propósito de mejorar la eficiencia computacional y facilitar el
procesamiento de los modelos de clasificación. Posteriormente, la
muestra fue dividida en un conjunto de entrenamiento de 7500
observaciones y un conjunto de prueba de 2500 observaciones.
2.4 Modelo de regresión logística (Logit)
El primer modelo implementado es el modelo de regresión logística
(Logit), ampliamente utilizado en problemas donde la variable
dependiente es de naturaleza binaria. En este caso, el modelo permite
estimar la probabilidad de que un individuo pertenezca a la categoría de
empleo formal a partir de un conjunto de variables sociodemográficas y
económicas. La regresión logística modela la relación entre las
variables explicativas y la probabilidad de ocurrencia del evento de
interés mediante una función logística, expresada de la siguiente
manera:
\[
P(Y = 1) = \frac{1}{1 + e^{-(\beta_0 + \beta_1 X_1 + \dots + \beta_n
X_n)}}
\]
Donde P(Y=1) representa la probabilidad de que un individuo tenga un
empleo formal y n los coeficientes asociados a las variables
explicativas del modelo.El modelo fue estimado utilizando la muestra de
entrenamiento y posteriormente evaluado sobre la muestra de prueba.
2.5 Modelo K-Nearest Neighbors (KNN)
Como segundo método de clasificación se implementó K-Nearest Neighbors
(KNN), un algoritmo de aprendizaje supervisado utilizado para problemas
de clasificación. Este método clasifica cada observación de acuerdo con
la categoría predominante entre sus vecinos más cercanos, utilizando
medidas de distancia entre individuos con características similares.
Para la implementación del modelo se utilizó un valor de K=3 y además se
buscó el mejor valor K, tomando como referencia el código guía
proporcionado para el desarrollo de la actividad. El modelo fue estimado
utilizando la muestra de entrenamiento y posteriormente evaluado sobre
la muestra de prueba.
2.6 Evaluación del desempeño
El desempeño de los modelos KNN y Logit fue evaluado utilizando la
muestra de prueba, con el fin de comparar su capacidad de clasificación
sobre observaciones no utilizadas durante el entrenamiento. Para ello,
se analizaron las predicciones obtenidas y la capacidad de los modelos
para identificar correctamente los tipos de empleo.
library(dplyr)
library(tidyverse)
library(gt)
library(scales)
library(caret)
library(pROC)
library(broom)
library(class)
library(ROCR)
library(corrplot)
library(DT)
library(ggplot2)
library(sf)
library(plotly)ruta_base <- "~/ESTUDIO/Semestres/2026-1/GESTION DE DATOS/Taller 2/Base taller 2/"
mis_variables <- c("DIRECTORIO", "SECUENCIA_P", "ORDEN", "HOGAR", "AREA", "CLASE",
"P6040", "P6220", "P6050", "P6430", "P6426", "P3271", "P6920",
"P6500", "P3042")
leer_y_filtrar <- function(ruta_archivo) {
df <- read_csv2(ruta_archivo, col_types = cols(.default = "c"), show_col_types = FALSE)
df_limpio <- df %>% select(any_of(mis_variables))
return(df_limpio)
}
meses_nombres <- c("Enero 2025", "Febrero 2025", "Marzo 2025", "Abril 2025",
"Mayo 2025", "Junio 2025", "Julio 2025", "Agosto 2025",
"Septiembre 2025", "Octubre 2025", "Noviembre 2025", "Diciembre 2025")
lista_anual <- list()
for (mes in meses_nombres) {
ruta_completa <- paste0(ruta_base, mes)
archivos <- list.files(path = ruta_completa, pattern = "\\.csv$", full.names = TRUE, ignore.case = TRUE)
if (length(archivos) > 0) {
message(paste("Leyendo:", mes))
base_mes <- archivos %>%
map(leer_y_filtrar) %>%
reduce(full_join, by = intersect(names(.), c("DIRECTORIO", "SECUENCIA_P", "ORDEN", "HOGAR"))) %>%
mutate(MES_ETIQUETA = mes)
lista_anual[[mes]] <- base_mes
rm(base_mes)
gc()
} else {
message(paste("No se encontraron archivos en:", mes))
}
}
base_final_2025 <- bind_rows(lista_anual)
base_final_2025 <- base_final_2025 %>%
rename(
Cotizando_Pension = P6920,
Tipo_de_empleo = P6430,
Cuanto_lleva_trabajando = P6426,
Ingresos_recibidos = P6500,
Edad = P6040,
Nivel_educativo = P3042,
Estrato_socioeconomico = P6050,
Zona = CLASE,
Area_metropolitana = AREA,
Sexo = P3271,
Mes = MES_ETIQUETA
) %>%
select(-DIRECTORIO, -SECUENCIA_P) %>%
relocate(Mes, .before = 1)
base_final_2025 <- base_final_2025 %>%
mutate(
Edad = as.numeric(Edad),
Cotizando_Pension = as.numeric(Cotizando_Pension),
Tipo_de_empleo = as.numeric(Tipo_de_empleo),
Cuanto_lleva_trabajando = as.numeric(Cuanto_lleva_trabajando),
Ingresos_recibidos = as.numeric(Ingresos_recibidos),
Nivel_educativo = as.numeric(Nivel_educativo),
Estrato_socioeconomico = as.numeric(Estrato_socioeconomico),
Zona = as.numeric(Zona),
Area_metropolitana = as.numeric(Area_metropolitana),
Sexo = as.numeric(Sexo)
)
base_final_2025 <- base_final_2025 %>%
mutate(Cotizando_Pension = ifelse(Cotizando_Pension == 1, 1, 0))
base_final_2025 <- base_final_2025 %>%
filter(rowSums(is.na(.)) <= 0)
write_csv(base_final_2025, "base_final_2025.csv")
base_muestra <- read_csv("base_muestra.csv")
write_csv(base_muestra, "base_muestra.csv")base_muestra %>%
slice_head(n = 1000) %>%
mutate(
Mes_num = match(str_extract(Mes, "^[^ ]+"),
c("Enero", "Febrero", "Marzo", "Abril", "Mayo", "Junio",
"Julio", "Agosto", "Septiembre", "Octubre", "Noviembre", "Diciembre"))
) %>%
arrange(Mes_num) %>%
select(-Mes_num) %>%
mutate(
Sexo = ifelse(Sexo == 1, "Masculino", ifelse(Sexo == 2, "Femenino", "ND")),
Zona = ifelse(Zona == 1, "Urbano", ifelse(Zona == 2, "Rural", "ND")),
Cotizando_Pension = ifelse(Cotizando_Pension == 1, "Si cotiza", ifelse(Cotizando_Pension == 0, "No cotiza", "ND")),
Tipo_de_empleo = case_when(
Tipo_de_empleo == 1 ~ "Obrero/empleado particular",
Tipo_de_empleo == 2 ~ "Obrero/empleado gobierno",
Tipo_de_empleo == 3 ~ "Empleado domestico",
Tipo_de_empleo == 4 ~ "Trabajador familiar",
Tipo_de_empleo == 5 ~ "Trabajador cuenta propia",
Tipo_de_empleo == 6 ~ "Patron/empleador",
Tipo_de_empleo == 7 ~ "Trabajador sin remuneracion",
TRUE ~ "ND"
),
Ingresos_recibidos = ifelse(is.na(Ingresos_recibidos), "ND",
paste0("$", format(Ingresos_recibidos, big.mark = ".", decimal.mark = ","))),
Nivel_educativo = case_when(
Nivel_educativo == 1 ~ "Ninguno",
Nivel_educativo == 2 ~ "Preescolar",
Nivel_educativo == 3 ~ "Primaria",
Nivel_educativo == 4 ~ "Secundaria",
Nivel_educativo == 5 ~ "Media academica",
Nivel_educativo == 6 ~ "Media tecnica",
Nivel_educativo == 7 ~ "Normalista",
Nivel_educativo == 8 ~ "Tecnica profesional",
Nivel_educativo == 9 ~ "Tecnologica",
Nivel_educativo == 10 ~ "Universitaria",
Nivel_educativo == 11 ~ "Especializacion",
Nivel_educativo == 12 ~ "Maestria",
Nivel_educativo == 13 ~ "Doctorado",
TRUE ~ "ND"
)
) %>%
select(Mes, Edad, Sexo, Zona, Nivel_educativo, Tipo_de_empleo, Ingresos_recibidos, Cotizando_Pension) %>%
gt() %>%
tab_header(
title = md("**Base de Datos GEIH 2025**"),
subtitle = md("Gran Encuesta Integrada de Hogares - DANE - Primeros 1,000 registros")
) %>%
cols_label(
Mes = "Mes",
Edad = "Edad",
Sexo = "Sexo",
Zona = "Zona",
Nivel_educativo = "Nivel educativo",
Tipo_de_empleo = "Tipo de empleo",
Ingresos_recibidos = "Ingresos",
Cotizando_Pension = "Cotiza pension"
) %>%
tab_style(
style = list(cell_fill(color = "#4A3F55"), cell_text(color = "white", weight = "bold")),
locations = cells_column_labels(everything())
) %>%
opt_row_striping() %>%
tab_options(
table.width = pct(100),
table.font.size = "small",
heading.title.font.size = "large",
heading.subtitle.font.size = "small",
table.border.top.color = "#4A3F55",
table.border.bottom.color = "#4A3F55"
) %>%
tab_source_note("Fuente: DANE - Gran Encuesta Integrada de Hogares (GEIH) 2025. Calculos grupo 2") %>%
htmltools::div(style = "max-height: 500px; overflow-y: auto;")| Base de Datos GEIH 2025 | |||||||
| Gran Encuesta Integrada de Hogares - DANE - Primeros 1,000 registros | |||||||
| Mes | Edad | Sexo | Zona | Nivel educativo | Tipo de empleo | Ingresos | Cotiza pension |
|---|---|---|---|---|---|---|---|
| Enero 2025 | 47 | Masculino | Urbano | Especializacion | Obrero/empleado gobierno | $ 4.500.000 | Si cotiza |
| Enero 2025 | 63 | Masculino | Rural | Secundaria | Obrero/empleado particular | $ 1.300.000 | Si cotiza |
| Enero 2025 | 24 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 4.000.000 | No cotiza |
| Enero 2025 | 50 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.300.000 | No cotiza |
| Enero 2025 | 57 | Femenino | Urbano | Primaria | Obrero/empleado particular | $ 900.000 | No cotiza |
| Enero 2025 | 50 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.500.000 | Si cotiza |
| Enero 2025 | 31 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 3.000.000 | Si cotiza |
| Enero 2025 | 50 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 480.000 | No cotiza |
| Enero 2025 | 35 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 8.000.000 | Si cotiza |
| Enero 2025 | 34 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.300.000 | Si cotiza |
| Enero 2025 | 25 | Femenino | Urbano | Media academica | Empleado domestico | $ 450.000 | No cotiza |
| Enero 2025 | 24 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 1.800.000 | Si cotiza |
| Enero 2025 | 36 | Masculino | Rural | Primaria | Obrero/empleado particular | $ 1.300.000 | No cotiza |
| Enero 2025 | 27 | Masculino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.560.000 | Si cotiza |
| Enero 2025 | 39 | Femenino | Rural | Primaria | Obrero/empleado particular | $ 300.000 | No cotiza |
| Enero 2025 | 29 | Masculino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.300.000 | Si cotiza |
| Enero 2025 | 20 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.200.000 | No cotiza |
| Enero 2025 | 40 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.420.000 | Si cotiza |
| Enero 2025 | 39 | Masculino | Urbano | Media tecnica | Obrero/empleado particular | $ 1.300.000 | Si cotiza |
| Enero 2025 | 44 | Masculino | Urbano | Primaria | Trabajador sin remuneracion | $ 960.000 | No cotiza |
| Enero 2025 | 22 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 1.000.000 | Si cotiza |
| Enero 2025 | 31 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.000 | Si cotiza |
| Enero 2025 | 23 | Femenino | Urbano | Secundaria | Obrero/empleado particular | $ 1.300.000 | Si cotiza |
| Enero 2025 | 40 | Masculino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.462.000 | No cotiza |
| Enero 2025 | 34 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 2.500.000 | No cotiza |
| Enero 2025 | 58 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 1.300.000 | Si cotiza |
| Enero 2025 | 54 | Masculino | Urbano | Normalista | Obrero/empleado gobierno | $ 2.600.000 | Si cotiza |
| Enero 2025 | 32 | Femenino | Urbano | Especializacion | Obrero/empleado particular | $ 2.000.000 | Si cotiza |
| Enero 2025 | 28 | Masculino | Urbano | Tecnologica | Obrero/empleado particular | $ 1.300.000 | Si cotiza |
| Enero 2025 | 21 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.300.000 | Si cotiza |
| Enero 2025 | 45 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 1.000.000 | No cotiza |
| Enero 2025 | 41 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.200.000 | No cotiza |
| Enero 2025 | 24 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.300.000 | Si cotiza |
| Enero 2025 | 21 | Femenino | Urbano | Universitaria | Obrero/empleado gobierno | $ 650.000 | Si cotiza |
| Enero 2025 | 45 | Femenino | Urbano | Primaria | Empleado domestico | $ 400.000 | No cotiza |
| Enero 2025 | 23 | Masculino | Urbano | Tecnologica | Obrero/empleado particular | $ 1.900.000 | Si cotiza |
| Enero 2025 | 45 | Masculino | Urbano | Tecnica profesional | Obrero/empleado gobierno | $ 3.500.000 | Si cotiza |
| Enero 2025 | 21 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 1.500.000 | No cotiza |
| Enero 2025 | 23 | Femenino | Urbano | Media academica | Empleado domestico | $ 400.000 | No cotiza |
| Enero 2025 | 19 | Femenino | Urbano | Tecnologica | Obrero/empleado particular | $ 1.500.000 | Si cotiza |
| Enero 2025 | 43 | Femenino | Urbano | Secundaria | Obrero/empleado particular | $ 120.000 | No cotiza |
| Enero 2025 | 56 | Masculino | Urbano | Media academica | Obrero/empleado gobierno | $ 3.993.410 | Si cotiza |
| Enero 2025 | 25 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.700.000 | Si cotiza |
| Enero 2025 | 44 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Enero 2025 | 49 | Masculino | Rural | Primaria | Trabajador sin remuneracion | $ 1.423.000 | No cotiza |
| Enero 2025 | 21 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 800.000 | No cotiza |
| Enero 2025 | 35 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 3.900.000 | Si cotiza |
| Enero 2025 | 29 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.200.000 | No cotiza |
| Enero 2025 | 29 | Masculino | Urbano | Media tecnica | Obrero/empleado particular | $ 1.300.000 | Si cotiza |
| Enero 2025 | 47 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.300.000 | Si cotiza |
| Enero 2025 | 54 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 2.000.000 | Si cotiza |
| Enero 2025 | 22 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 1.300.000 | Si cotiza |
| Enero 2025 | 48 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 1.400.000 | Si cotiza |
| Enero 2025 | 51 | Femenino | Urbano | Secundaria | Empleado domestico | $ 600.000 | No cotiza |
| Enero 2025 | 29 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 2.000.000 | No cotiza |
| Enero 2025 | 45 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 900.000 | No cotiza |
| Enero 2025 | 29 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.300.000 | Si cotiza |
| Enero 2025 | 30 | Masculino | Urbano | Media tecnica | Obrero/empleado particular | $ 1.300.000 | Si cotiza |
| Enero 2025 | 21 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 240.000 | No cotiza |
| Enero 2025 | 54 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.600.000 | Si cotiza |
| Enero 2025 | 23 | Femenino | Urbano | Secundaria | Obrero/empleado particular | $ 600.000 | No cotiza |
| Enero 2025 | 26 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 800.000 | No cotiza |
| Enero 2025 | 23 | Femenino | Urbano | Secundaria | Obrero/empleado particular | $ 1.200.000 | No cotiza |
| Enero 2025 | 24 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.300.000 | Si cotiza |
| Enero 2025 | 37 | Masculino | Urbano | Media academica | Obrero/empleado gobierno | $ 3.300.000 | Si cotiza |
| Enero 2025 | 25 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 2.000.000 | No cotiza |
| Enero 2025 | 41 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 1.300.000 | Si cotiza |
| Enero 2025 | 24 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 1.000.000 | No cotiza |
| Enero 2025 | 33 | Femenino | Urbano | Maestria | Obrero/empleado gobierno | $ 3.600.000 | Si cotiza |
| Enero 2025 | 23 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.450.000 | Si cotiza |
| Enero 2025 | 19 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.000.000 | No cotiza |
| Enero 2025 | 58 | Femenino | Rural | Maestria | Obrero/empleado gobierno | $ 6.000.000 | Si cotiza |
| Enero 2025 | 19 | Femenino | Rural | Media academica | Obrero/empleado particular | $ 1.520.000 | No cotiza |
| Enero 2025 | 28 | Masculino | Rural | Media academica | Trabajador sin remuneracion | $ 1.200.000 | No cotiza |
| Enero 2025 | 57 | Femenino | Urbano | Primaria | Obrero/empleado particular | $ 1.300.000 | Si cotiza |
| Enero 2025 | 29 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 2.000.000 | Si cotiza |
| Enero 2025 | 55 | Masculino | Rural | Primaria | Trabajador sin remuneracion | $ 1.200.000 | No cotiza |
| Enero 2025 | 32 | Femenino | Urbano | Especializacion | Obrero/empleado particular | $ 3.000.000 | Si cotiza |
| Enero 2025 | 50 | Masculino | Urbano | Primaria | Trabajador sin remuneracion | $ 850.000 | No cotiza |
| Enero 2025 | 49 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 1.300.000 | Si cotiza |
| Enero 2025 | 38 | Masculino | Urbano | Tecnologica | Obrero/empleado particular | $ 3.000.000 | Si cotiza |
| Enero 2025 | 49 | Femenino | Urbano | Primaria | Obrero/empleado particular | $ 300.000 | No cotiza |
| Febrero 2025 | 31 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Febrero 2025 | 45 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 2.900.000 | Si cotiza |
| Febrero 2025 | 18 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 1.423.000 | Si cotiza |
| Febrero 2025 | 45 | Femenino | Urbano | Media academica | Empleado domestico | $ 1.200.000 | No cotiza |
| Febrero 2025 | 54 | Femenino | Urbano | Maestria | Obrero/empleado gobierno | $ 4.000.000 | Si cotiza |
| Febrero 2025 | 40 | Masculino | Rural | Primaria | Obrero/empleado particular | $ 500.000 | No cotiza |
| Febrero 2025 | 25 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 2.400.000 | Si cotiza |
| Febrero 2025 | 50 | Femenino | Urbano | Media academica | Empleado domestico | $ 1.650.000 | Si cotiza |
| Febrero 2025 | 24 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 1.500.000 | Si cotiza |
| Febrero 2025 | 50 | Masculino | Urbano | Primaria | Obrero/empleado particular | $ 1.350.000 | Si cotiza |
| Febrero 2025 | 30 | Femenino | Urbano | Universitaria | Obrero/empleado gobierno | $ 3.600.000 | Si cotiza |
| Febrero 2025 | 28 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 2.800.000 | No cotiza |
| Febrero 2025 | 29 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Febrero 2025 | 42 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Febrero 2025 | 65 | Masculino | Rural | Secundaria | Empleado domestico | $ 900.000 | No cotiza |
| Febrero 2025 | 23 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.600.000 | No cotiza |
| Febrero 2025 | 37 | Femenino | Urbano | Tecnologica | Obrero/empleado particular | $ 840.000 | No cotiza |
| Febrero 2025 | 23 | Masculino | Rural | Primaria | Obrero/empleado particular | $ 600.000 | No cotiza |
| Febrero 2025 | 36 | Femenino | Urbano | Especializacion | Obrero/empleado particular | $ 5.000.000 | Si cotiza |
| Febrero 2025 | 26 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 2.900.000 | Si cotiza |
| Febrero 2025 | 38 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 4.500.000 | Si cotiza |
| Febrero 2025 | 52 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 4.000.000 | Si cotiza |
| Febrero 2025 | 22 | Masculino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.400.000 | Si cotiza |
| Febrero 2025 | 35 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.500.000 | No cotiza |
| Febrero 2025 | 57 | Masculino | Urbano | Especializacion | Obrero/empleado gobierno | $ 7.000.000 | Si cotiza |
| Febrero 2025 | 47 | Femenino | Urbano | Secundaria | Empleado domestico | $ 300.000 | No cotiza |
| Febrero 2025 | 51 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 1.200.000 | No cotiza |
| Febrero 2025 | 23 | Femenino | Urbano | Tecnica profesional | Empleado domestico | $ 500.000 | No cotiza |
| Febrero 2025 | 39 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.600.000 | No cotiza |
| Febrero 2025 | 56 | Femenino | Urbano | Universitaria | Obrero/empleado gobierno | $ 6.000.000 | Si cotiza |
| Febrero 2025 | 25 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.623.500 | Si cotiza |
| Febrero 2025 | 30 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.720.000 | Si cotiza |
| Febrero 2025 | 45 | Femenino | Urbano | Primaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Febrero 2025 | 44 | Femenino | Urbano | Tecnologica | Obrero/empleado particular | $ 1.600.000 | Si cotiza |
| Febrero 2025 | 60 | Masculino | Urbano | Normalista | Obrero/empleado gobierno | $ 3.000.000 | Si cotiza |
| Febrero 2025 | 50 | Masculino | Urbano | Tecnica profesional | Obrero/empleado gobierno | $ 2.800.000 | Si cotiza |
| Febrero 2025 | 30 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.800.000 | Si cotiza |
| Febrero 2025 | 60 | Femenino | Urbano | Especializacion | Obrero/empleado gobierno | $ 6.500.000 | Si cotiza |
| Febrero 2025 | 39 | Masculino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.800.000 | Si cotiza |
| Febrero 2025 | 41 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 2.200.000 | Si cotiza |
| Febrero 2025 | 69 | Femenino | Urbano | Media academica | Obrero/empleado gobierno | $ 1.420.000 | Si cotiza |
| Febrero 2025 | 33 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Febrero 2025 | 51 | Femenino | Urbano | Primaria | Obrero/empleado particular | $ 1.000.000 | No cotiza |
| Febrero 2025 | 61 | Masculino | Urbano | Primaria | Obrero/empleado particular | $ 1.500.000 | No cotiza |
| Febrero 2025 | 30 | Masculino | Rural | Secundaria | Obrero/empleado particular | $ 1.500.000 | No cotiza |
| Febrero 2025 | 38 | Femenino | Urbano | Secundaria | Obrero/empleado particular | $ 1.000.000 | No cotiza |
| Febrero 2025 | 59 | Masculino | Urbano | Primaria | Obrero/empleado particular | $ 1.600.000 | Si cotiza |
| Febrero 2025 | 37 | Masculino | Urbano | Media tecnica | Obrero/empleado particular | $ 1.950.000 | Si cotiza |
| Febrero 2025 | 35 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 1.400.000 | Si cotiza |
| Febrero 2025 | 24 | Femenino | Urbano | Tecnologica | Obrero/empleado particular | $ 2.200.000 | Si cotiza |
| Febrero 2025 | 33 | Femenino | Urbano | Tecnologica | Obrero/empleado particular | $ 1.700.000 | Si cotiza |
| Febrero 2025 | 77 | Femenino | Urbano | Primaria | Empleado domestico | $ 600.000 | No cotiza |
| Febrero 2025 | 31 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 300.000 | No cotiza |
| Febrero 2025 | 20 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 2.000.000 | Si cotiza |
| Febrero 2025 | 73 | Masculino | Urbano | Primaria | Obrero/empleado particular | $ 1.200.000 | No cotiza |
| Febrero 2025 | 35 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 3.700.000 | Si cotiza |
| Febrero 2025 | 53 | Femenino | Urbano | Tecnologica | Empleado domestico | $ 600.000 | No cotiza |
| Febrero 2025 | 27 | Femenino | Urbano | Especializacion | Obrero/empleado particular | $ 4.270.500 | Si cotiza |
| Febrero 2025 | 36 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Febrero 2025 | 58 | Femenino | Urbano | Universitaria | Obrero/empleado gobierno | $ 2.259.000 | Si cotiza |
| Febrero 2025 | 47 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Febrero 2025 | 26 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Febrero 2025 | 26 | Femenino | Urbano | Tecnica profesional | Empleado domestico | $ 1.000.000 | No cotiza |
| Febrero 2025 | 43 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 600.000 | No cotiza |
| Febrero 2025 | 23 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Febrero 2025 | 54 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 4.000.000 | Si cotiza |
| Febrero 2025 | 27 | Femenino | Urbano | Especializacion | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Febrero 2025 | 34 | Masculino | Urbano | Universitaria | Obrero/empleado gobierno | $ 3.500.000 | Si cotiza |
| Febrero 2025 | 30 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 2.800.000 | Si cotiza |
| Febrero 2025 | 35 | Masculino | Urbano | Especializacion | Obrero/empleado particular | $ 2.200.000 | Si cotiza |
| Febrero 2025 | 30 | Masculino | Rural | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Febrero 2025 | 46 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 3.000.000 | Si cotiza |
| Febrero 2025 | 36 | Masculino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Febrero 2025 | 20 | Masculino | Rural | Secundaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Febrero 2025 | 46 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Febrero 2025 | 50 | Masculino | Urbano | Primaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Febrero 2025 | 43 | Femenino | Urbano | Especializacion | Obrero/empleado particular | $ 4.000.000 | Si cotiza |
| Febrero 2025 | 52 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 3.500.000 | Si cotiza |
| Febrero 2025 | 54 | Masculino | Urbano | Primaria | Trabajador sin remuneracion | $ 1.300.000 | No cotiza |
| Febrero 2025 | 46 | Femenino | Urbano | Primaria | Empleado domestico | $ 400.000 | No cotiza |
| Febrero 2025 | 35 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Marzo 2025 | 39 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Marzo 2025 | 40 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.630.500 | Si cotiza |
| Marzo 2025 | 42 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 900.000 | No cotiza |
| Marzo 2025 | 63 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $10.000.000 | No cotiza |
| Marzo 2025 | 34 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 1.600.000 | Si cotiza |
| Marzo 2025 | 38 | Masculino | Urbano | Especializacion | Obrero/empleado gobierno | $10.000.000 | Si cotiza |
| Marzo 2025 | 47 | Femenino | Rural | Primaria | Trabajador sin remuneracion | $ 600.000 | No cotiza |
| Marzo 2025 | 38 | Masculino | Urbano | Primaria | Obrero/empleado particular | $ 1.423.500 | No cotiza |
| Marzo 2025 | 39 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Marzo 2025 | 54 | Masculino | Urbano | Tecnologica | Obrero/empleado particular | $ 1.500.000 | Si cotiza |
| Marzo 2025 | 31 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 2.750.000 | Si cotiza |
| Marzo 2025 | 63 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 1.600.000 | No cotiza |
| Marzo 2025 | 26 | Masculino | Urbano | Media tecnica | Obrero/empleado particular | $ 1.990.000 | Si cotiza |
| Marzo 2025 | 32 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 900.000 | No cotiza |
| Marzo 2025 | 21 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.200.000 | No cotiza |
| Marzo 2025 | 57 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 2.800.000 | Si cotiza |
| Marzo 2025 | 46 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.623.500 | Si cotiza |
| Marzo 2025 | 19 | Femenino | Urbano | Tecnica profesional | Obrero/empleado gobierno | $ 996.500 | Si cotiza |
| Marzo 2025 | 49 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.450.000 | Si cotiza |
| Marzo 2025 | 31 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Marzo 2025 | 69 | Masculino | Urbano | Maestria | Obrero/empleado gobierno | $ 6.000.000 | No cotiza |
| Marzo 2025 | 27 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 1.450.000 | Si cotiza |
| Marzo 2025 | 29 | Masculino | Urbano | Especializacion | Obrero/empleado particular | $ 8.000.000 | Si cotiza |
| Marzo 2025 | 69 | Masculino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 2.050.000 | No cotiza |
| Marzo 2025 | 53 | Masculino | Urbano | Tecnologica | Obrero/empleado particular | $ 1.800.000 | Si cotiza |
| Marzo 2025 | 45 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 2.000.000 | Si cotiza |
| Marzo 2025 | 27 | Femenino | Rural | Secundaria | Obrero/empleado particular | $ 600.000 | No cotiza |
| Marzo 2025 | 29 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 4.000.000 | Si cotiza |
| Marzo 2025 | 30 | Masculino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 4.200.000 | Si cotiza |
| Marzo 2025 | 48 | Masculino | Urbano | Primaria | Obrero/empleado particular | $ 2.500.000 | Si cotiza |
| Marzo 2025 | 58 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 2.200.000 | Si cotiza |
| Marzo 2025 | 38 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 1.800.000 | Si cotiza |
| Marzo 2025 | 34 | Femenino | Urbano | Tecnologica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Marzo 2025 | 53 | Femenino | Urbano | Maestria | Obrero/empleado gobierno | $ 4.000.000 | Si cotiza |
| Marzo 2025 | 44 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.625.000 | Si cotiza |
| Marzo 2025 | 38 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Marzo 2025 | 27 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 2.000.000 | Si cotiza |
| Marzo 2025 | 73 | Femenino | Rural | Primaria | Obrero/empleado particular | $ 280.000 | No cotiza |
| Marzo 2025 | 35 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.200.000 | No cotiza |
| Marzo 2025 | 62 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 1.500.000 | No cotiza |
| Marzo 2025 | 62 | Femenino | Urbano | Universitaria | Obrero/empleado gobierno | $ 2.500.000 | Si cotiza |
| Marzo 2025 | 46 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Marzo 2025 | 41 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 1.423.000 | Si cotiza |
| Marzo 2025 | 23 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.500.000 | Si cotiza |
| Marzo 2025 | 31 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Marzo 2025 | 51 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.000 | Si cotiza |
| Marzo 2025 | 21 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.400.000 | No cotiza |
| Marzo 2025 | 30 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.400.000 | No cotiza |
| Marzo 2025 | 38 | Femenino | Rural | Media academica | Obrero/empleado particular | $ 1.423.000 | Si cotiza |
| Marzo 2025 | 60 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 2.500.000 | Si cotiza |
| Marzo 2025 | 23 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.450.000 | Si cotiza |
| Marzo 2025 | 53 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.623.500 | Si cotiza |
| Marzo 2025 | 56 | Masculino | Urbano | Universitaria | Obrero/empleado gobierno | $ 3.200.000 | Si cotiza |
| Marzo 2025 | 33 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.423.000 | Si cotiza |
| Marzo 2025 | 42 | Femenino | Urbano | Secundaria | Empleado domestico | $ 600.000 | No cotiza |
| Marzo 2025 | 32 | Femenino | Urbano | Universitaria | Obrero/empleado gobierno | $ 2.800.000 | Si cotiza |
| Marzo 2025 | 32 | Masculino | Urbano | Media tecnica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Marzo 2025 | 53 | Femenino | Urbano | Primaria | Empleado domestico | $ 320.000 | No cotiza |
| Marzo 2025 | 45 | Masculino | Urbano | Especializacion | Obrero/empleado particular | $ 3.000.000 | Si cotiza |
| Marzo 2025 | 42 | Masculino | Urbano | Especializacion | Obrero/empleado particular | $ 4.000.000 | Si cotiza |
| Marzo 2025 | 45 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 2.400.000 | Si cotiza |
| Marzo 2025 | 59 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 2.500.000 | No cotiza |
| Marzo 2025 | 20 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 400.000 | No cotiza |
| Marzo 2025 | 55 | Masculino | Urbano | Primaria | Obrero/empleado particular | $ 1.400.000 | No cotiza |
| Marzo 2025 | 22 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Marzo 2025 | 42 | Masculino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.700.000 | Si cotiza |
| Marzo 2025 | 65 | Femenino | Urbano | Universitaria | Obrero/empleado gobierno | $ 3.300.000 | No cotiza |
| Marzo 2025 | 30 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Marzo 2025 | 46 | Masculino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 2.200.000 | Si cotiza |
| Marzo 2025 | 33 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 3.000.000 | Si cotiza |
| Marzo 2025 | 22 | Femenino | Rural | Media academica | Obrero/empleado particular | $ 1.200.000 | No cotiza |
| Marzo 2025 | 55 | Femenino | Urbano | Secundaria | Empleado domestico | $ 1.100.000 | No cotiza |
| Marzo 2025 | 40 | Femenino | Urbano | Media academica | Empleado domestico | $ 15.000 | No cotiza |
| Marzo 2025 | 53 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.800.000 | Si cotiza |
| Marzo 2025 | 17 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 800.000 | No cotiza |
| Marzo 2025 | 46 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.623.000 | No cotiza |
| Marzo 2025 | 35 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Marzo 2025 | 53 | Femenino | Urbano | Primaria | Empleado domestico | $ 1.423.500 | Si cotiza |
| Marzo 2025 | 43 | Femenino | Urbano | Secundaria | Empleado domestico | $ 1.585.000 | Si cotiza |
| Marzo 2025 | 25 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Marzo 2025 | 29 | Masculino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.600.000 | Si cotiza |
| Marzo 2025 | 18 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.400.000 | Si cotiza |
| Marzo 2025 | 55 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 3.300.000 | Si cotiza |
| Marzo 2025 | 39 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 2.600.000 | Si cotiza |
| Marzo 2025 | 43 | Femenino | Urbano | Primaria | Empleado domestico | $ 170.000 | No cotiza |
| Marzo 2025 | 59 | Masculino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Marzo 2025 | 29 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 2.600.000 | Si cotiza |
| Abril 2025 | 48 | Masculino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.900.000 | Si cotiza |
| Abril 2025 | 69 | Masculino | Urbano | Universitaria | Obrero/empleado gobierno | $ 5.000.000 | Si cotiza |
| Abril 2025 | 55 | Femenino | Urbano | Tecnologica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Abril 2025 | 53 | Masculino | Urbano | Maestria | Obrero/empleado particular | $ 3.500.000 | Si cotiza |
| Abril 2025 | 30 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.700.000 | Si cotiza |
| Abril 2025 | 29 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.623.500 | Si cotiza |
| Abril 2025 | 56 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Abril 2025 | 30 | Femenino | Urbano | Secundaria | Obrero/empleado particular | $ 360.000 | No cotiza |
| Abril 2025 | 57 | Femenino | Urbano | Secundaria | Empleado domestico | $ 800.000 | No cotiza |
| Abril 2025 | 54 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 1.456.300 | Si cotiza |
| Abril 2025 | 28 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Abril 2025 | 52 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 800.000 | Si cotiza |
| Abril 2025 | 36 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Abril 2025 | 63 | Femenino | Rural | Primaria | Empleado domestico | $ 600.000 | No cotiza |
| Abril 2025 | 35 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Abril 2025 | 27 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.300.000 | No cotiza |
| Abril 2025 | 59 | Femenino | Urbano | Primaria | Empleado domestico | $ 150.000 | No cotiza |
| Abril 2025 | 57 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Abril 2025 | 59 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.400.000 | Si cotiza |
| Abril 2025 | 23 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Abril 2025 | 29 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.000.000 | No cotiza |
| Abril 2025 | 40 | Femenino | Urbano | Media tecnica | Obrero/empleado particular | $ 840.000 | No cotiza |
| Abril 2025 | 41 | Masculino | Rural | Primaria | Empleado domestico | $ 1.000.000 | Si cotiza |
| Abril 2025 | 50 | Masculino | Rural | Primaria | Obrero/empleado particular | $ 1.500.000 | Si cotiza |
| Abril 2025 | 41 | Masculino | Urbano | Tecnica profesional | Obrero/empleado gobierno | $ 4.762.000 | Si cotiza |
| Abril 2025 | 33 | Femenino | Urbano | Media academica | Empleado domestico | $ 700.000 | No cotiza |
| Abril 2025 | 30 | Masculino | Rural | Media academica | Trabajador sin remuneracion | $ 1.423.500 | No cotiza |
| Abril 2025 | 57 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 3.200.000 | Si cotiza |
| Abril 2025 | 31 | Femenino | Urbano | Especializacion | Obrero/empleado particular | $ 5.000.000 | Si cotiza |
| Abril 2025 | 26 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $12.000.000 | Si cotiza |
| Abril 2025 | 39 | Femenino | Urbano | Especializacion | Obrero/empleado particular | $ 3.200.000 | Si cotiza |
| Abril 2025 | 20 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 1.200.000 | No cotiza |
| Abril 2025 | 47 | Masculino | Urbano | Maestria | Obrero/empleado gobierno | $ 7.000.000 | Si cotiza |
| Abril 2025 | 39 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.000.000 | No cotiza |
| Abril 2025 | 59 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 2.800.000 | No cotiza |
| Abril 2025 | 34 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 750.000 | No cotiza |
| Abril 2025 | 52 | Masculino | Urbano | Universitaria | Obrero/empleado gobierno | $ 2.500.000 | Si cotiza |
| Abril 2025 | 61 | Masculino | Urbano | Tecnologica | Obrero/empleado gobierno | $ 2.850.000 | Si cotiza |
| Abril 2025 | 21 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 1.423.000 | Si cotiza |
| Abril 2025 | 41 | Masculino | Urbano | Especializacion | Obrero/empleado gobierno | $ 4.400.000 | Si cotiza |
| Abril 2025 | 76 | Femenino | Urbano | Ninguno | Empleado domestico | $ 800.000 | No cotiza |
| Abril 2025 | 54 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 2.500.000 | Si cotiza |
| Abril 2025 | 51 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 1.500.000 | Si cotiza |
| Abril 2025 | 23 | Femenino | Urbano | Normalista | Obrero/empleado particular | $ 1.450.000 | Si cotiza |
| Abril 2025 | 52 | Masculino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.600.000 | Si cotiza |
| Abril 2025 | 42 | Femenino | Urbano | Universitaria | Obrero/empleado gobierno | $ 3.000.000 | Si cotiza |
| Abril 2025 | 42 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.409.000 | Si cotiza |
| Abril 2025 | 44 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.400.000 | Si cotiza |
| Abril 2025 | 40 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 6.500.000 | Si cotiza |
| Abril 2025 | 24 | Masculino | Rural | Primaria | Trabajador sin remuneracion | $ 1.423.500 | Si cotiza |
| Abril 2025 | 41 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Abril 2025 | 28 | Masculino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 2.000.000 | Si cotiza |
| Abril 2025 | 64 | Femenino | Urbano | Universitaria | Obrero/empleado gobierno | $ 4.000.000 | Si cotiza |
| Abril 2025 | 27 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 1.650.000 | No cotiza |
| Abril 2025 | 25 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Abril 2025 | 55 | Masculino | Urbano | Primaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Abril 2025 | 35 | Femenino | Urbano | Media tecnica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Abril 2025 | 50 | Femenino | Urbano | Tecnologica | Obrero/empleado particular | $ 2.400.000 | Si cotiza |
| Abril 2025 | 23 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Abril 2025 | 51 | Femenino | Urbano | Media academica | Empleado domestico | $ 700.000 | No cotiza |
| Abril 2025 | 51 | Femenino | Urbano | Universitaria | Obrero/empleado gobierno | $ 3.000.000 | Si cotiza |
| Abril 2025 | 28 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.400.000 | Si cotiza |
| Abril 2025 | 31 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Abril 2025 | 28 | Femenino | Urbano | Secundaria | Empleado domestico | $ 1.200.000 | No cotiza |
| Abril 2025 | 21 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 840.000 | No cotiza |
| Abril 2025 | 66 | Masculino | Urbano | Primaria | Obrero/empleado particular | $ 1.300.000 | No cotiza |
| Abril 2025 | 64 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Abril 2025 | 28 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.800.000 | Si cotiza |
| Abril 2025 | 40 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.400.000 | Si cotiza |
| Abril 2025 | 30 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 600.000 | No cotiza |
| Abril 2025 | 62 | Masculino | Urbano | Primaria | Obrero/empleado particular | $ 240.000 | No cotiza |
| Abril 2025 | 20 | Masculino | Rural | Media academica | Obrero/empleado particular | $ 1.423.500 | No cotiza |
| Abril 2025 | 39 | Femenino | Urbano | Media academica | Empleado domestico | $ 600.000 | No cotiza |
| Abril 2025 | 40 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Abril 2025 | 50 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Abril 2025 | 39 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.500.000 | No cotiza |
| Abril 2025 | 44 | Femenino | Urbano | Universitaria | Obrero/empleado gobierno | $ 3.000.000 | Si cotiza |
| Abril 2025 | 55 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 2.500.000 | Si cotiza |
| Abril 2025 | 55 | Femenino | Urbano | Universitaria | Obrero/empleado gobierno | $12.000.000 | Si cotiza |
| Abril 2025 | 55 | Femenino | Urbano | Especializacion | Obrero/empleado gobierno | $ 5.337.285 | Si cotiza |
| Abril 2025 | 57 | Femenino | Urbano | Tecnologica | Obrero/empleado particular | $ 1.900.000 | No cotiza |
| Abril 2025 | 23 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.623.500 | Si cotiza |
| Abril 2025 | 39 | Masculino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 3.200.000 | Si cotiza |
| Mayo 2025 | 52 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.400.000 | No cotiza |
| Mayo 2025 | 76 | Masculino | Urbano | Primaria | Obrero/empleado particular | $ 600.000 | No cotiza |
| Mayo 2025 | 66 | Masculino | Urbano | Universitaria | Obrero/empleado gobierno | $ 2.500.000 | Si cotiza |
| Mayo 2025 | 32 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 1.600.000 | Si cotiza |
| Mayo 2025 | 21 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.600.000 | Si cotiza |
| Mayo 2025 | 36 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 1.200.000 | No cotiza |
| Mayo 2025 | 36 | Femenino | Urbano | Secundaria | Empleado domestico | $ 700.000 | No cotiza |
| Mayo 2025 | 49 | Masculino | Urbano | Especializacion | Obrero/empleado particular | $10.000.000 | Si cotiza |
| Mayo 2025 | 53 | Femenino | Urbano | Secundaria | Empleado domestico | $ 240.000 | No cotiza |
| Mayo 2025 | 27 | Masculino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.900.000 | Si cotiza |
| Mayo 2025 | 25 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.000.000 | No cotiza |
| Mayo 2025 | 24 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 3.000.000 | Si cotiza |
| Mayo 2025 | 25 | Masculino | Urbano | Tecnologica | Obrero/empleado particular | $ 1.500.000 | No cotiza |
| Mayo 2025 | 43 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 2.000.000 | Si cotiza |
| Mayo 2025 | 18 | Femenino | Urbano | Media academica | Empleado domestico | $ 500.000 | No cotiza |
| Mayo 2025 | 34 | Femenino | Urbano | Especializacion | Obrero/empleado particular | $ 2.847.000 | Si cotiza |
| Mayo 2025 | 39 | Masculino | Urbano | Primaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Mayo 2025 | 38 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 2.000.000 | Si cotiza |
| Mayo 2025 | 22 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Mayo 2025 | 48 | Masculino | Urbano | Universitaria | Obrero/empleado gobierno | $ 3.400.000 | Si cotiza |
| Mayo 2025 | 74 | Masculino | Urbano | Doctorado | Obrero/empleado particular | $10.000.000 | No cotiza |
| Mayo 2025 | 35 | Femenino | Urbano | Tecnologica | Obrero/empleado particular | $ 2.800.000 | Si cotiza |
| Mayo 2025 | 34 | Masculino | Urbano | Tecnica profesional | Obrero/empleado gobierno | $ 2.600.000 | Si cotiza |
| Mayo 2025 | 39 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Mayo 2025 | 42 | Masculino | Urbano | Universitaria | Obrero/empleado gobierno | $ 3.000.000 | Si cotiza |
| Mayo 2025 | 54 | Masculino | Urbano | Especializacion | Obrero/empleado particular | $35.000.000 | Si cotiza |
| Mayo 2025 | 20 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 600.000 | No cotiza |
| Mayo 2025 | 24 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.000 | Si cotiza |
| Mayo 2025 | 59 | Femenino | Urbano | Maestria | Obrero/empleado gobierno | $ 6.000.000 | No cotiza |
| Mayo 2025 | 52 | Masculino | Urbano | Maestria | Obrero/empleado gobierno | $ 6.400.000 | Si cotiza |
| Mayo 2025 | 35 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 2.000.000 | Si cotiza |
| Mayo 2025 | 44 | Masculino | Urbano | Tecnologica | Obrero/empleado particular | $ 1.450.000 | Si cotiza |
| Mayo 2025 | 28 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Mayo 2025 | 29 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 2.500.000 | No cotiza |
| Mayo 2025 | 52 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Mayo 2025 | 40 | Femenino | Urbano | Maestria | Obrero/empleado gobierno | $ 6.458.000 | Si cotiza |
| Mayo 2025 | 43 | Masculino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Mayo 2025 | 21 | Masculino | Urbano | Tecnologica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Mayo 2025 | 51 | Masculino | Rural | Ninguno | Trabajador sin remuneracion | $ 600.000 | No cotiza |
| Mayo 2025 | 26 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Mayo 2025 | 32 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 1.400.000 | Si cotiza |
| Mayo 2025 | 48 | Femenino | Urbano | Primaria | Obrero/empleado particular | $ 650.000 | No cotiza |
| Mayo 2025 | 51 | Masculino | Rural | Primaria | Obrero/empleado particular | $ 1.200.000 | No cotiza |
| Mayo 2025 | 33 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 2.500.000 | No cotiza |
| Mayo 2025 | 49 | Femenino | Rural | Especializacion | Obrero/empleado particular | $ 5.694.000 | Si cotiza |
| Mayo 2025 | 52 | Masculino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.800.000 | Si cotiza |
| Mayo 2025 | 42 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 2.500.000 | Si cotiza |
| Mayo 2025 | 23 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 2.100.000 | Si cotiza |
| Mayo 2025 | 20 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 280.000 | No cotiza |
| Mayo 2025 | 51 | Masculino | Urbano | Tecnologica | Obrero/empleado particular | $ 2.000.000 | Si cotiza |
| Mayo 2025 | 25 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.200.000 | No cotiza |
| Mayo 2025 | 50 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 3.000.000 | Si cotiza |
| Mayo 2025 | 19 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 600.000 | No cotiza |
| Mayo 2025 | 54 | Masculino | Urbano | Maestria | Obrero/empleado gobierno | $ 5.000.000 | Si cotiza |
| Mayo 2025 | 24 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Mayo 2025 | 27 | Masculino | Urbano | Tecnologica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Mayo 2025 | 71 | Masculino | Urbano | Primaria | Obrero/empleado particular | $ 300.000 | No cotiza |
| Mayo 2025 | 21 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Mayo 2025 | 62 | Masculino | Urbano | Primaria | Obrero/empleado particular | $ 1.780.000 | Si cotiza |
| Mayo 2025 | 53 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 1.500.000 | No cotiza |
| Mayo 2025 | 59 | Femenino | Urbano | Media academica | Empleado domestico | $ 100.000 | Si cotiza |
| Mayo 2025 | 56 | Femenino | Urbano | Tecnologica | Obrero/empleado particular | $ 2.400.000 | Si cotiza |
| Mayo 2025 | 32 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 1.500.000 | No cotiza |
| Mayo 2025 | 22 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.800.000 | Si cotiza |
| Mayo 2025 | 61 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 728.000 | No cotiza |
| Mayo 2025 | 24 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 1.600.000 | Si cotiza |
| Mayo 2025 | 53 | Masculino | Urbano | Tecnica profesional | Obrero/empleado gobierno | $ 2.773.000 | Si cotiza |
| Mayo 2025 | 37 | Masculino | Rural | Media academica | Trabajador sin remuneracion | $ 600.000 | No cotiza |
| Mayo 2025 | 36 | Masculino | Rural | Primaria | Trabajador sin remuneracion | $ 1.300.000 | No cotiza |
| Mayo 2025 | 52 | Masculino | Urbano | Maestria | Obrero/empleado gobierno | $ 5.000.000 | Si cotiza |
| Mayo 2025 | 38 | Femenino | Urbano | Universitaria | Obrero/empleado gobierno | $ 1.800.000 | Si cotiza |
| Mayo 2025 | 27 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 960.000 | No cotiza |
| Mayo 2025 | 22 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 1.200.000 | No cotiza |
| Mayo 2025 | 36 | Femenino | Urbano | Media academica | Empleado domestico | $ 700.000 | No cotiza |
| Mayo 2025 | 26 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 2.100.000 | Si cotiza |
| Mayo 2025 | 51 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Mayo 2025 | 29 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 2.000.000 | Si cotiza |
| Mayo 2025 | 33 | Femenino | Urbano | Tecnologica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Mayo 2025 | 25 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 2.847.000 | Si cotiza |
| Mayo 2025 | 25 | Masculino | Urbano | Tecnologica | Obrero/empleado particular | $ 2.500.000 | Si cotiza |
| Mayo 2025 | 24 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Mayo 2025 | 51 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 1.500.000 | No cotiza |
| Mayo 2025 | 28 | Masculino | Rural | Secundaria | Obrero/empleado particular | $ 1.700.000 | No cotiza |
| Mayo 2025 | 29 | Femenino | Urbano | Tecnologica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Mayo 2025 | 32 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Mayo 2025 | 38 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.600.000 | Si cotiza |
| Mayo 2025 | 39 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Junio 2025 | 28 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.800.000 | Si cotiza |
| Junio 2025 | 27 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.500.000 | Si cotiza |
| Junio 2025 | 37 | Masculino | Urbano | Media tecnica | Obrero/empleado particular | $ 900.000 | No cotiza |
| Junio 2025 | 22 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 800.000 | No cotiza |
| Junio 2025 | 24 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 2.100.000 | Si cotiza |
| Junio 2025 | 43 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 1.400.000 | No cotiza |
| Junio 2025 | 36 | Femenino | Urbano | Primaria | Empleado domestico | $ 450.000 | No cotiza |
| Junio 2025 | 53 | Masculino | Urbano | Universitaria | Obrero/empleado gobierno | $ 2.400.000 | Si cotiza |
| Junio 2025 | 25 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.400.000 | No cotiza |
| Junio 2025 | 53 | Femenino | Urbano | Primaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Junio 2025 | 55 | Masculino | Urbano | Primaria | Obrero/empleado particular | $ 1.400.000 | Si cotiza |
| Junio 2025 | 38 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 2.300.000 | Si cotiza |
| Junio 2025 | 28 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.800.000 | Si cotiza |
| Junio 2025 | 62 | Masculino | Urbano | Primaria | Trabajador sin remuneracion | $ 1.200.000 | No cotiza |
| Junio 2025 | 45 | Femenino | Urbano | Primaria | Empleado domestico | $ 900.000 | No cotiza |
| Junio 2025 | 59 | Femenino | Urbano | Secundaria | Empleado domestico | $ 1.423.500 | Si cotiza |
| Junio 2025 | 45 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.623.000 | Si cotiza |
| Junio 2025 | 30 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.600.000 | Si cotiza |
| Junio 2025 | 27 | Masculino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.500.000 | No cotiza |
| Junio 2025 | 22 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.600.000 | Si cotiza |
| Junio 2025 | 51 | Masculino | Rural | Secundaria | Trabajador sin remuneracion | $ 640.000 | No cotiza |
| Junio 2025 | 35 | Masculino | Urbano | Primaria | Obrero/empleado particular | $ 1.500.000 | No cotiza |
| Junio 2025 | 29 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.600.000 | Si cotiza |
| Junio 2025 | 24 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Junio 2025 | 24 | Masculino | Urbano | Tecnologica | Obrero/empleado particular | $ 2.000.000 | Si cotiza |
| Junio 2025 | 34 | Masculino | Urbano | Tecnologica | Obrero/empleado particular | $ 2.600.000 | Si cotiza |
| Junio 2025 | 37 | Masculino | Urbano | Especializacion | Obrero/empleado gobierno | $ 3.800.000 | Si cotiza |
| Junio 2025 | 31 | Masculino | Urbano | Tecnologica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Junio 2025 | 39 | Femenino | Urbano | Secundaria | Obrero/empleado particular | $ 1.400.000 | No cotiza |
| Junio 2025 | 49 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 3.500.000 | Si cotiza |
| Junio 2025 | 40 | Femenino | Urbano | Primaria | Obrero/empleado particular | $ 1.700.000 | No cotiza |
| Junio 2025 | 64 | Masculino | Urbano | Primaria | Obrero/empleado particular | $ 1.400.000 | No cotiza |
| Junio 2025 | 43 | Femenino | Urbano | Especializacion | Obrero/empleado particular | $ 4.000.000 | Si cotiza |
| Junio 2025 | 29 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.000.000 | No cotiza |
| Junio 2025 | 40 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.426.000 | Si cotiza |
| Junio 2025 | 53 | Masculino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.400.000 | No cotiza |
| Junio 2025 | 51 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.200.000 | No cotiza |
| Junio 2025 | 40 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 3.000.000 | Si cotiza |
| Junio 2025 | 61 | Femenino | Urbano | Media tecnica | Obrero/empleado particular | $ 1.000.000 | No cotiza |
| Junio 2025 | 24 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 1.423.000 | Si cotiza |
| Junio 2025 | 43 | Masculino | Urbano | Primaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Junio 2025 | 34 | Femenino | Urbano | Especializacion | Obrero/empleado particular | $ 4.000.000 | Si cotiza |
| Junio 2025 | 29 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 300.000 | No cotiza |
| Junio 2025 | 22 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 1.900.000 | Si cotiza |
| Junio 2025 | 35 | Masculino | Urbano | Maestria | Obrero/empleado gobierno | $ 7.000.000 | Si cotiza |
| Junio 2025 | 17 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 680.000 | No cotiza |
| Junio 2025 | 24 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 320.000 | No cotiza |
| Junio 2025 | 21 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.000.000 | No cotiza |
| Junio 2025 | 29 | Masculino | Urbano | Media tecnica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Junio 2025 | 24 | Femenino | Urbano | Ninguno | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Junio 2025 | 22 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Junio 2025 | 36 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 1.500.000 | No cotiza |
| Junio 2025 | 53 | Femenino | Urbano | Universitaria | Obrero/empleado gobierno | $ 2.700.000 | Si cotiza |
| Junio 2025 | 50 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.400.000 | Si cotiza |
| Junio 2025 | 15 | Femenino | Urbano | Secundaria | Obrero/empleado particular | $ 980.000 | No cotiza |
| Junio 2025 | 64 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.000 | No cotiza |
| Junio 2025 | 35 | Femenino | Urbano | Tecnologica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Junio 2025 | 22 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 1.000.000 | No cotiza |
| Junio 2025 | 39 | Masculino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.950.000 | Si cotiza |
| Junio 2025 | 20 | Masculino | Rural | Secundaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Junio 2025 | 67 | Femenino | Urbano | Ninguno | Empleado domestico | $ 400.000 | No cotiza |
| Junio 2025 | 52 | Femenino | Urbano | Media academica | Empleado domestico | $ 450.000 | No cotiza |
| Junio 2025 | 42 | Masculino | Urbano | Primaria | Obrero/empleado particular | $ 1.200.000 | No cotiza |
| Junio 2025 | 39 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 1.423.500 | No cotiza |
| Junio 2025 | 23 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Junio 2025 | 36 | Femenino | Urbano | Maestria | Obrero/empleado particular | $ 5.000.000 | Si cotiza |
| Junio 2025 | 36 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 480.000 | No cotiza |
| Junio 2025 | 21 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 1.500.000 | Si cotiza |
| Junio 2025 | 19 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.000.000 | No cotiza |
| Junio 2025 | 49 | Masculino | Urbano | Media academica | Obrero/empleado gobierno | $ 2.100.000 | Si cotiza |
| Junio 2025 | 39 | Femenino | Urbano | Especializacion | Obrero/empleado particular | $ 2.600.000 | Si cotiza |
| Junio 2025 | 50 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.000.000 | No cotiza |
| Junio 2025 | 19 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 528.000 | No cotiza |
| Junio 2025 | 36 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.200.000 | No cotiza |
| Julio 2025 | 52 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Julio 2025 | 24 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Julio 2025 | 20 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Julio 2025 | 25 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Julio 2025 | 30 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Julio 2025 | 19 | Femenino | Urbano | Media tecnica | Empleado domestico | $ 1.450.000 | No cotiza |
| Julio 2025 | 40 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 3.000.000 | Si cotiza |
| Julio 2025 | 26 | Femenino | Urbano | Tecnologica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Julio 2025 | 66 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 750.000 | No cotiza |
| Julio 2025 | 19 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 2.000.000 | No cotiza |
| Julio 2025 | 37 | Masculino | Urbano | Tecnologica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Julio 2025 | 17 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 500.000 | No cotiza |
| Julio 2025 | 56 | Masculino | Urbano | Primaria | Obrero/empleado particular | $ 2.450.000 | Si cotiza |
| Julio 2025 | 25 | Femenino | Urbano | Media academica | Empleado domestico | $ 600.000 | No cotiza |
| Julio 2025 | 31 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.500.000 | No cotiza |
| Julio 2025 | 26 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 300.000 | No cotiza |
| Julio 2025 | 50 | Femenino | Urbano | Primaria | Obrero/empleado particular | $ 900.000 | No cotiza |
| Julio 2025 | 43 | Femenino | Urbano | Maestria | Obrero/empleado particular | $25.000.000 | Si cotiza |
| Julio 2025 | 67 | Femenino | Urbano | Universitaria | Obrero/empleado gobierno | $ 3.000.000 | No cotiza |
| Julio 2025 | 17 | Masculino | Rural | Secundaria | Obrero/empleado particular | $ 600.000 | No cotiza |
| Julio 2025 | 35 | Femenino | Urbano | Universitaria | Obrero/empleado gobierno | $ 2.000.000 | Si cotiza |
| Julio 2025 | 41 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Julio 2025 | 32 | Masculino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.600.000 | No cotiza |
| Julio 2025 | 30 | Masculino | Urbano | Universitaria | Obrero/empleado gobierno | $ 6.000.000 | Si cotiza |
| Julio 2025 | 33 | Masculino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Julio 2025 | 71 | Masculino | Urbano | Tecnologica | Obrero/empleado particular | $ 600.000 | No cotiza |
| Julio 2025 | 40 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.600.000 | No cotiza |
| Julio 2025 | 40 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.000 | Si cotiza |
| Julio 2025 | 20 | Masculino | Rural | Tecnica profesional | Obrero/empleado gobierno | $ 1.800.000 | Si cotiza |
| Julio 2025 | 27 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.500.000 | Si cotiza |
| Julio 2025 | 61 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 2.500.000 | Si cotiza |
| Julio 2025 | 29 | Femenino | Urbano | Especializacion | Obrero/empleado particular | $ 4.500.000 | Si cotiza |
| Julio 2025 | 42 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.460.000 | Si cotiza |
| Julio 2025 | 28 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.500.000 | Si cotiza |
| Julio 2025 | 50 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 8.000.000 | Si cotiza |
| Julio 2025 | 25 | Masculino | Rural | Media academica | Trabajador sin remuneracion | $ 1.423.500 | Si cotiza |
| Julio 2025 | 53 | Masculino | Urbano | Universitaria | Obrero/empleado gobierno | $15.000.000 | Si cotiza |
| Julio 2025 | 23 | Femenino | Urbano | Tecnologica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Julio 2025 | 19 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 160.000 | No cotiza |
| Julio 2025 | 59 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Julio 2025 | 23 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.400.000 | Si cotiza |
| Julio 2025 | 54 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 1.425.000 | Si cotiza |
| Julio 2025 | 31 | Femenino | Urbano | Especializacion | Obrero/empleado particular | $ 3.600.000 | Si cotiza |
| Julio 2025 | 62 | Femenino | Urbano | Primaria | Obrero/empleado particular | $ 1.423.500 | No cotiza |
| Julio 2025 | 37 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 3.200.000 | Si cotiza |
| Julio 2025 | 26 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 1.400.000 | Si cotiza |
| Julio 2025 | 63 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 2.300.000 | No cotiza |
| Julio 2025 | 62 | Masculino | Rural | Primaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Julio 2025 | 43 | Masculino | Urbano | Tecnologica | Obrero/empleado particular | $ 1.400.000 | No cotiza |
| Julio 2025 | 33 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.600.000 | Si cotiza |
| Julio 2025 | 23 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Julio 2025 | 67 | Femenino | Urbano | Especializacion | Obrero/empleado gobierno | $69.800.000 | No cotiza |
| Julio 2025 | 34 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 2.400.000 | Si cotiza |
| Julio 2025 | 44 | Femenino | Urbano | Secundaria | Obrero/empleado particular | $ 700.000 | No cotiza |
| Julio 2025 | 56 | Femenino | Urbano | Primaria | Obrero/empleado particular | $ 711.750 | Si cotiza |
| Julio 2025 | 21 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | No cotiza |
| Julio 2025 | 38 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Julio 2025 | 60 | Femenino | Urbano | Media academica | Empleado domestico | $ 400.000 | No cotiza |
| Julio 2025 | 44 | Masculino | Urbano | Especializacion | Obrero/empleado gobierno | $ 6.000.000 | Si cotiza |
| Julio 2025 | 62 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 1.400.000 | No cotiza |
| Julio 2025 | 33 | Femenino | Urbano | Doctorado | Obrero/empleado particular | $ 1.860.000 | Si cotiza |
| Julio 2025 | 23 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 500.000 | No cotiza |
| Julio 2025 | 51 | Femenino | Urbano | Media tecnica | Obrero/empleado particular | $ 1.800.000 | Si cotiza |
| Julio 2025 | 22 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 600.000 | No cotiza |
| Julio 2025 | 40 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 3.150.000 | Si cotiza |
| Julio 2025 | 82 | Masculino | Rural | Ninguno | Trabajador sin remuneracion | $ 600.000 | No cotiza |
| Julio 2025 | 39 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.500.000 | No cotiza |
| Julio 2025 | 31 | Masculino | Urbano | Tecnologica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Julio 2025 | 21 | Masculino | Rural | Media academica | Trabajador sin remuneracion | $ 1.400.000 | No cotiza |
| Julio 2025 | 36 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 3.000.000 | Si cotiza |
| Julio 2025 | 38 | Femenino | Urbano | Secundaria | Empleado domestico | $ 300.000 | No cotiza |
| Julio 2025 | 61 | Femenino | Urbano | Secundaria | Empleado domestico | $ 860.000 | No cotiza |
| Julio 2025 | 21 | Masculino | Urbano | Media tecnica | Obrero/empleado particular | $ 2.000.000 | No cotiza |
| Julio 2025 | 35 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 2.000.000 | Si cotiza |
| Julio 2025 | 38 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 900.000 | No cotiza |
| Julio 2025 | 51 | Femenino | Urbano | Primaria | Obrero/empleado particular | $ 1.623.500 | Si cotiza |
| Julio 2025 | 65 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 600.000 | No cotiza |
| Julio 2025 | 26 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 120.000 | No cotiza |
| Julio 2025 | 41 | Masculino | Rural | Media academica | Obrero/empleado particular | $ 1.500.000 | No cotiza |
| Julio 2025 | 33 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 2.000.000 | Si cotiza |
| Julio 2025 | 42 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 800.000 | No cotiza |
| Julio 2025 | 56 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.309.600 | Si cotiza |
| Agosto 2025 | 55 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $10.500.000 | Si cotiza |
| Agosto 2025 | 31 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Agosto 2025 | 47 | Femenino | Urbano | Universitaria | Obrero/empleado gobierno | $ 3.000.000 | Si cotiza |
| Agosto 2025 | 43 | Masculino | Urbano | Tecnologica | Obrero/empleado gobierno | $ 2.000.000 | Si cotiza |
| Agosto 2025 | 67 | Femenino | Urbano | Universitaria | Obrero/empleado gobierno | $ 3.000.000 | No cotiza |
| Agosto 2025 | 37 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.600.000 | No cotiza |
| Agosto 2025 | 41 | Masculino | Urbano | Primaria | Obrero/empleado particular | $ 1.050.000 | No cotiza |
| Agosto 2025 | 42 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 2.000.000 | Si cotiza |
| Agosto 2025 | 42 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 3.000.000 | No cotiza |
| Agosto 2025 | 26 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 2.200.000 | Si cotiza |
| Agosto 2025 | 41 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.766.900 | Si cotiza |
| Agosto 2025 | 25 | Masculino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.500.000 | Si cotiza |
| Agosto 2025 | 35 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 3.000.000 | Si cotiza |
| Agosto 2025 | 52 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Agosto 2025 | 46 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 4.000.000 | Si cotiza |
| Agosto 2025 | 58 | Masculino | Urbano | Especializacion | Obrero/empleado gobierno | $ 4.500.000 | No cotiza |
| Agosto 2025 | 39 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 2.500.000 | Si cotiza |
| Agosto 2025 | 64 | Femenino | Urbano | Universitaria | Obrero/empleado gobierno | $ 3.500.000 | Si cotiza |
| Agosto 2025 | 43 | Femenino | Urbano | Secundaria | Obrero/empleado particular | $ 1.200.000 | No cotiza |
| Agosto 2025 | 27 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.613.000 | Si cotiza |
| Agosto 2025 | 34 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.300.000 | Si cotiza |
| Agosto 2025 | 45 | Masculino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.650.000 | No cotiza |
| Agosto 2025 | 40 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.800.000 | No cotiza |
| Agosto 2025 | 42 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 1.700.000 | Si cotiza |
| Agosto 2025 | 50 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 360.000 | No cotiza |
| Agosto 2025 | 30 | Masculino | Rural | Secundaria | Empleado domestico | $ 1.423.500 | Si cotiza |
| Agosto 2025 | 29 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 1.623.000 | No cotiza |
| Agosto 2025 | 19 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 1.423.500 | No cotiza |
| Agosto 2025 | 28 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 1.423.500 | No cotiza |
| Agosto 2025 | 46 | Masculino | Urbano | Primaria | Obrero/empleado particular | $ 1.800.000 | No cotiza |
| Agosto 2025 | 43 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 2.000.000 | Si cotiza |
| Agosto 2025 | 39 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.700.000 | Si cotiza |
| Agosto 2025 | 41 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.400.000 | Si cotiza |
| Agosto 2025 | 42 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 3.000.000 | Si cotiza |
| Agosto 2025 | 57 | Masculino | Urbano | Tecnologica | Obrero/empleado particular | $ 2.600.000 | Si cotiza |
| Agosto 2025 | 50 | Masculino | Rural | Ninguno | Trabajador sin remuneracion | $ 1.000.000 | No cotiza |
| Agosto 2025 | 36 | Masculino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.500.000 | Si cotiza |
| Agosto 2025 | 32 | Femenino | Urbano | Tecnologica | Obrero/empleado particular | $ 2.200.000 | Si cotiza |
| Agosto 2025 | 35 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Agosto 2025 | 43 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.800.000 | Si cotiza |
| Agosto 2025 | 56 | Masculino | Urbano | Primaria | Trabajador sin remuneracion | $ 820.000 | No cotiza |
| Agosto 2025 | 32 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Agosto 2025 | 21 | Femenino | Rural | Universitaria | Obrero/empleado particular | $ 1.600.000 | Si cotiza |
| Agosto 2025 | 36 | Femenino | Urbano | Especializacion | Obrero/empleado particular | $ 2.800.000 | Si cotiza |
| Agosto 2025 | 61 | Masculino | Rural | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Agosto 2025 | 39 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.500.000 | Si cotiza |
| Agosto 2025 | 29 | Masculino | Rural | Universitaria | Obrero/empleado particular | $ 2.900.000 | Si cotiza |
| Agosto 2025 | 27 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.700.000 | Si cotiza |
| Agosto 2025 | 44 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 1.423.000 | Si cotiza |
| Agosto 2025 | 41 | Femenino | Urbano | Maestria | Obrero/empleado gobierno | $ 8.075.000 | Si cotiza |
| Agosto 2025 | 53 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 400.000 | No cotiza |
| Agosto 2025 | 33 | Femenino | Rural | Universitaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Agosto 2025 | 30 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | No cotiza |
| Agosto 2025 | 34 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.650.000 | Si cotiza |
| Agosto 2025 | 52 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Agosto 2025 | 36 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 800.000 | No cotiza |
| Agosto 2025 | 41 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 720.000 | Si cotiza |
| Agosto 2025 | 35 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Agosto 2025 | 61 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.500.000 | Si cotiza |
| Agosto 2025 | 55 | Masculino | Urbano | Primaria | Obrero/empleado particular | $ 1.000.000 | No cotiza |
| Agosto 2025 | 24 | Masculino | Urbano | Tecnologica | Obrero/empleado particular | $ 3.500.000 | Si cotiza |
| Agosto 2025 | 63 | Femenino | Urbano | Especializacion | Obrero/empleado gobierno | $ 6.000.000 | No cotiza |
| Agosto 2025 | 28 | Masculino | Rural | Secundaria | Trabajador sin remuneracion | $ 1.423.500 | Si cotiza |
| Agosto 2025 | 52 | Femenino | Urbano | Universitaria | Obrero/empleado gobierno | $ 3.969.092 | Si cotiza |
| Agosto 2025 | 33 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Agosto 2025 | 34 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 800.000 | No cotiza |
| Agosto 2025 | 68 | Masculino | Urbano | Especializacion | Obrero/empleado gobierno | $ 5.500.000 | Si cotiza |
| Agosto 2025 | 44 | Femenino | Urbano | Maestria | Obrero/empleado gobierno | $ 5.300.000 | Si cotiza |
| Agosto 2025 | 34 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 2.400.000 | Si cotiza |
| Agosto 2025 | 58 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 1.423.500 | No cotiza |
| Agosto 2025 | 31 | Masculino | Urbano | Media tecnica | Obrero/empleado gobierno | $ 2.500.000 | Si cotiza |
| Agosto 2025 | 50 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.800.000 | Si cotiza |
| Agosto 2025 | 47 | Masculino | Urbano | Tecnologica | Obrero/empleado particular | $ 2.414.000 | Si cotiza |
| Agosto 2025 | 41 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Agosto 2025 | 30 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 400.000 | No cotiza |
| Agosto 2025 | 27 | Femenino | Rural | Secundaria | Obrero/empleado particular | $ 1.600.000 | Si cotiza |
| Agosto 2025 | 39 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Agosto 2025 | 19 | Masculino | Rural | Secundaria | Trabajador sin remuneracion | $ 600.000 | No cotiza |
| Agosto 2025 | 33 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 2.200.000 | Si cotiza |
| Agosto 2025 | 47 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Septiembre 2025 | 43 | Masculino | Rural | Media academica | Obrero/empleado particular | $ 2.000.000 | Si cotiza |
| Septiembre 2025 | 55 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.000 | Si cotiza |
| Septiembre 2025 | 28 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Septiembre 2025 | 55 | Femenino | Urbano | Primaria | Obrero/empleado particular | $ 1.500.000 | No cotiza |
| Septiembre 2025 | 30 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 2.000.000 | Si cotiza |
| Septiembre 2025 | 51 | Masculino | Urbano | Primaria | Obrero/empleado particular | $ 1.560.000 | Si cotiza |
| Septiembre 2025 | 33 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.400.000 | Si cotiza |
| Septiembre 2025 | 48 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.800.000 | No cotiza |
| Septiembre 2025 | 49 | Femenino | Urbano | Especializacion | Obrero/empleado gobierno | $ 2.896.000 | Si cotiza |
| Septiembre 2025 | 75 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 2.000.000 | Si cotiza |
| Septiembre 2025 | 17 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 680.000 | No cotiza |
| Septiembre 2025 | 44 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 2.000.000 | Si cotiza |
| Septiembre 2025 | 17 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 720.000 | No cotiza |
| Septiembre 2025 | 36 | Masculino | Rural | Primaria | Obrero/empleado particular | $ 1.423.500 | No cotiza |
| Septiembre 2025 | 23 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | No cotiza |
| Septiembre 2025 | 21 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 1.900.000 | Si cotiza |
| Septiembre 2025 | 74 | Femenino | Urbano | Primaria | Empleado domestico | $ 1.423.000 | No cotiza |
| Septiembre 2025 | 68 | Femenino | Urbano | Especializacion | Obrero/empleado gobierno | $ 7.000.000 | No cotiza |
| Septiembre 2025 | 35 | Masculino | Urbano | Especializacion | Obrero/empleado particular | $ 7.000.000 | Si cotiza |
| Septiembre 2025 | 51 | Femenino | Urbano | Tecnica profesional | Empleado domestico | $ 1.423.500 | Si cotiza |
| Septiembre 2025 | 41 | Femenino | Urbano | Primaria | Obrero/empleado particular | $ 800.000 | No cotiza |
| Septiembre 2025 | 21 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 711.000 | Si cotiza |
| Septiembre 2025 | 44 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 2.600.000 | Si cotiza |
| Septiembre 2025 | 29 | Femenino | Urbano | Especializacion | Obrero/empleado particular | $ 2.100.000 | Si cotiza |
| Septiembre 2025 | 33 | Masculino | Urbano | Especializacion | Obrero/empleado gobierno | $ 2.500.000 | Si cotiza |
| Septiembre 2025 | 44 | Masculino | Urbano | Primaria | Obrero/empleado particular | $ 1.624.500 | Si cotiza |
| Septiembre 2025 | 43 | Femenino | Rural | Primaria | Empleado domestico | $ 1.700.000 | Si cotiza |
| Septiembre 2025 | 55 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.300.000 | No cotiza |
| Septiembre 2025 | 61 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 500.000 | No cotiza |
| Septiembre 2025 | 57 | Femenino | Urbano | Especializacion | Obrero/empleado gobierno | $ 6.300.000 | Si cotiza |
| Septiembre 2025 | 34 | Masculino | Urbano | Tecnologica | Obrero/empleado particular | $ 5.000.000 | Si cotiza |
| Septiembre 2025 | 37 | Femenino | Rural | Media tecnica | Obrero/empleado particular | $ 1.400.000 | Si cotiza |
| Septiembre 2025 | 19 | Masculino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Septiembre 2025 | 41 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.700.000 | Si cotiza |
| Septiembre 2025 | 42 | Masculino | Urbano | Primaria | Obrero/empleado particular | $ 1.120.000 | No cotiza |
| Septiembre 2025 | 24 | Femenino | Urbano | Universitaria | Obrero/empleado gobierno | $ 1.900.000 | Si cotiza |
| Septiembre 2025 | 22 | Masculino | Urbano | Media academica | Obrero/empleado gobierno | $ 1.423.500 | Si cotiza |
| Septiembre 2025 | 47 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Septiembre 2025 | 55 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 2.500.000 | Si cotiza |
| Septiembre 2025 | 41 | Femenino | Urbano | Secundaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Septiembre 2025 | 56 | Femenino | Rural | Tecnica profesional | Obrero/empleado particular | $ 2.860.000 | Si cotiza |
| Septiembre 2025 | 27 | Femenino | Urbano | Tecnologica | Obrero/empleado particular | $ 1.500.000 | Si cotiza |
| Septiembre 2025 | 58 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.300.000 | No cotiza |
| Septiembre 2025 | 44 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 2.400.000 | Si cotiza |
| Septiembre 2025 | 24 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 2.000.000 | Si cotiza |
| Septiembre 2025 | 35 | Masculino | Urbano | Tecnica profesional | Obrero/empleado gobierno | $ 2.500.000 | Si cotiza |
| Septiembre 2025 | 42 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.300.000 | Si cotiza |
| Septiembre 2025 | 48 | Femenino | Rural | Primaria | Trabajador sin remuneracion | $ 500.000 | No cotiza |
| Septiembre 2025 | 57 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.000.000 | No cotiza |
| Septiembre 2025 | 62 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Septiembre 2025 | 37 | Masculino | Rural | Primaria | Trabajador sin remuneracion | $ 1.450.000 | No cotiza |
| Septiembre 2025 | 24 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 2.500.000 | Si cotiza |
| Septiembre 2025 | 65 | Femenino | Urbano | Media academica | Empleado domestico | $ 1.500.000 | No cotiza |
| Septiembre 2025 | 25 | Masculino | Rural | Secundaria | Trabajador sin remuneracion | $ 1.423.500 | Si cotiza |
| Septiembre 2025 | 59 | Femenino | Urbano | Secundaria | Obrero/empleado particular | $ 1.800.000 | Si cotiza |
| Septiembre 2025 | 54 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 3.800.000 | Si cotiza |
| Septiembre 2025 | 58 | Femenino | Urbano | Primaria | Obrero/empleado particular | $ 600.000 | No cotiza |
| Septiembre 2025 | 33 | Masculino | Urbano | Maestria | Obrero/empleado gobierno | $ 5.000.000 | Si cotiza |
| Septiembre 2025 | 73 | Masculino | Rural | Primaria | Empleado domestico | $ 1.423.500 | Si cotiza |
| Septiembre 2025 | 57 | Masculino | Urbano | Media academica | Obrero/empleado gobierno | $ 6.000.000 | Si cotiza |
| Septiembre 2025 | 58 | Masculino | Urbano | Media tecnica | Obrero/empleado particular | $ 5.600.000 | Si cotiza |
| Septiembre 2025 | 20 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Septiembre 2025 | 20 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 2.500.000 | Si cotiza |
| Septiembre 2025 | 42 | Femenino | Urbano | Universitaria | Obrero/empleado gobierno | $ 3.600.000 | Si cotiza |
| Septiembre 2025 | 25 | Masculino | Rural | Primaria | Obrero/empleado particular | $ 900.000 | No cotiza |
| Septiembre 2025 | 39 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Septiembre 2025 | 33 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.300.000 | No cotiza |
| Septiembre 2025 | 71 | Masculino | Rural | Ninguno | Trabajador sin remuneracion | $ 600.000 | No cotiza |
| Septiembre 2025 | 41 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Septiembre 2025 | 40 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 1.200.000 | No cotiza |
| Septiembre 2025 | 28 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.623.500 | Si cotiza |
| Septiembre 2025 | 19 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Septiembre 2025 | 45 | Masculino | Urbano | Maestria | Obrero/empleado gobierno | $ 8.541.000 | Si cotiza |
| Septiembre 2025 | 20 | Masculino | Urbano | Tecnologica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Septiembre 2025 | 24 | Femenino | Urbano | Media academica | Empleado domestico | $ 120.000 | No cotiza |
| Septiembre 2025 | 42 | Masculino | Urbano | Primaria | Trabajador sin remuneracion | $ 1.600.000 | No cotiza |
| Septiembre 2025 | 27 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.700.000 | Si cotiza |
| Septiembre 2025 | 70 | Femenino | Urbano | Primaria | Empleado domestico | $ 900.000 | No cotiza |
| Septiembre 2025 | 38 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.400.000 | No cotiza |
| Septiembre 2025 | 49 | Femenino | Urbano | Ninguno | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Septiembre 2025 | 38 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Septiembre 2025 | 26 | Masculino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 2.300.000 | Si cotiza |
| Octubre 2025 | 54 | Femenino | Urbano | Universitaria | Obrero/empleado gobierno | $ 3.200.000 | Si cotiza |
| Octubre 2025 | 45 | Masculino | Rural | Primaria | Obrero/empleado particular | $ 1.400.000 | Si cotiza |
| Octubre 2025 | 54 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.300.000 | No cotiza |
| Octubre 2025 | 20 | Femenino | Urbano | Tecnologica | Obrero/empleado particular | $ 800.000 | No cotiza |
| Octubre 2025 | 28 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 3.000.000 | Si cotiza |
| Octubre 2025 | 26 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 1.400.000 | Si cotiza |
| Octubre 2025 | 27 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 3.700.000 | Si cotiza |
| Octubre 2025 | 39 | Femenino | Urbano | Doctorado | Obrero/empleado gobierno | $25.000.000 | Si cotiza |
| Octubre 2025 | 56 | Femenino | Urbano | Universitaria | Obrero/empleado gobierno | $ 4.500.000 | Si cotiza |
| Octubre 2025 | 59 | Masculino | Rural | Secundaria | Obrero/empleado particular | $ 1.500.000 | No cotiza |
| Octubre 2025 | 49 | Femenino | Urbano | Primaria | Obrero/empleado particular | $ 600.000 | No cotiza |
| Octubre 2025 | 36 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.500.000 | Si cotiza |
| Octubre 2025 | 43 | Masculino | Urbano | Primaria | Trabajador sin remuneracion | $ 1.200.000 | No cotiza |
| Octubre 2025 | 27 | Masculino | Rural | Tecnologica | Obrero/empleado gobierno | $ 1.800.000 | Si cotiza |
| Octubre 2025 | 39 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Octubre 2025 | 32 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Octubre 2025 | 21 | Femenino | Urbano | Secundaria | Obrero/empleado particular | $ 250.000 | No cotiza |
| Octubre 2025 | 42 | Masculino | Urbano | Tecnologica | Obrero/empleado particular | $ 5.000.000 | Si cotiza |
| Octubre 2025 | 68 | Masculino | Urbano | Especializacion | Obrero/empleado particular | $11.000.000 | Si cotiza |
| Octubre 2025 | 31 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Octubre 2025 | 41 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.500.000 | Si cotiza |
| Octubre 2025 | 35 | Masculino | Urbano | Media academica | Obrero/empleado particular | $30.000.000 | Si cotiza |
| Octubre 2025 | 51 | Masculino | Urbano | Media tecnica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Octubre 2025 | 67 | Femenino | Urbano | Maestria | Obrero/empleado gobierno | $ 7.000.000 | Si cotiza |
| Octubre 2025 | 26 | Femenino | Urbano | Secundaria | Obrero/empleado particular | $ 1.423.500 | No cotiza |
| Octubre 2025 | 46 | Masculino | Urbano | Primaria | Obrero/empleado particular | $ 1.200.000 | No cotiza |
| Octubre 2025 | 38 | Masculino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.423.000 | Si cotiza |
| Octubre 2025 | 47 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Octubre 2025 | 79 | Masculino | Urbano | Primaria | Obrero/empleado particular | $ 500.000 | No cotiza |
| Octubre 2025 | 38 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 2.000.000 | Si cotiza |
| Octubre 2025 | 55 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 950.000 | No cotiza |
| Octubre 2025 | 65 | Femenino | Urbano | Universitaria | Obrero/empleado gobierno | $ 6.200.000 | No cotiza |
| Octubre 2025 | 21 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.800.000 | No cotiza |
| Octubre 2025 | 53 | Masculino | Rural | Primaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Octubre 2025 | 33 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.300.000 | Si cotiza |
| Octubre 2025 | 40 | Masculino | Rural | Ninguno | Trabajador sin remuneracion | $ 800.000 | No cotiza |
| Octubre 2025 | 45 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 1.200.000 | No cotiza |
| Octubre 2025 | 36 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 2.310.000 | Si cotiza |
| Octubre 2025 | 48 | Masculino | Urbano | Primaria | Obrero/empleado particular | $ 1.500.000 | Si cotiza |
| Octubre 2025 | 41 | Masculino | Urbano | Media academica | Empleado domestico | $ 0 | No cotiza |
| Octubre 2025 | 16 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 600.000 | No cotiza |
| Octubre 2025 | 35 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 3.000.000 | Si cotiza |
| Octubre 2025 | 27 | Femenino | Urbano | Especializacion | Obrero/empleado particular | $ 2.500.000 | Si cotiza |
| Octubre 2025 | 57 | Femenino | Urbano | Media academica | Empleado domestico | $ 400.000 | No cotiza |
| Octubre 2025 | 30 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Octubre 2025 | 30 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 3.000.000 | Si cotiza |
| Octubre 2025 | 31 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Octubre 2025 | 31 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 5.800.000 | Si cotiza |
| Octubre 2025 | 25 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.600.000 | Si cotiza |
| Octubre 2025 | 35 | Femenino | Urbano | Tecnologica | Obrero/empleado particular | $ 1.700.000 | Si cotiza |
| Octubre 2025 | 41 | Masculino | Urbano | Primaria | Obrero/empleado particular | $ 1.600.000 | No cotiza |
| Octubre 2025 | 39 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.426.000 | Si cotiza |
| Octubre 2025 | 44 | Masculino | Urbano | Tecnologica | Obrero/empleado particular | $ 4.000.000 | Si cotiza |
| Octubre 2025 | 19 | Masculino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.200.000 | No cotiza |
| Octubre 2025 | 21 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 900.000 | No cotiza |
| Octubre 2025 | 43 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.500.000 | Si cotiza |
| Octubre 2025 | 62 | Masculino | Urbano | Primaria | Obrero/empleado particular | $ 1.000.000 | No cotiza |
| Octubre 2025 | 40 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.623.500 | Si cotiza |
| Octubre 2025 | 28 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 2.000.000 | Si cotiza |
| Octubre 2025 | 22 | Femenino | Urbano | Tecnologica | Obrero/empleado particular | $ 1.420.000 | Si cotiza |
| Octubre 2025 | 36 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 2.000.000 | Si cotiza |
| Octubre 2025 | 66 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | No cotiza |
| Octubre 2025 | 39 | Masculino | Urbano | Tecnologica | Obrero/empleado particular | $17.000.000 | Si cotiza |
| Octubre 2025 | 30 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 4.500.000 | Si cotiza |
| Octubre 2025 | 27 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Octubre 2025 | 30 | Masculino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 2.500.000 | Si cotiza |
| Octubre 2025 | 64 | Femenino | Urbano | Especializacion | Obrero/empleado gobierno | $ 3.000.000 | No cotiza |
| Octubre 2025 | 29 | Masculino | Rural | Tecnologica | Obrero/empleado particular | $ 700.000 | No cotiza |
| Octubre 2025 | 49 | Femenino | Urbano | Media academica | Empleado domestico | $ 1.800.000 | Si cotiza |
| Octubre 2025 | 64 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.400.000 | No cotiza |
| Octubre 2025 | 58 | Masculino | Urbano | Primaria | Trabajador sin remuneracion | $ 630.000 | No cotiza |
| Octubre 2025 | 42 | Masculino | Rural | Secundaria | Obrero/empleado particular | $ 1.423.500 | No cotiza |
| Octubre 2025 | 18 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 960.000 | No cotiza |
| Octubre 2025 | 37 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.400.000 | Si cotiza |
| Octubre 2025 | 54 | Masculino | Urbano | Primaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Octubre 2025 | 24 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 1.450.000 | Si cotiza |
| Octubre 2025 | 68 | Femenino | Urbano | Especializacion | Obrero/empleado gobierno | $ 5.000.000 | No cotiza |
| Octubre 2025 | 35 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.000.000 | Si cotiza |
| Octubre 2025 | 28 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.200.000 | No cotiza |
| Octubre 2025 | 37 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 2.000.000 | Si cotiza |
| Octubre 2025 | 45 | Femenino | Urbano | Especializacion | Obrero/empleado gobierno | $ 8.500.000 | Si cotiza |
| Octubre 2025 | 29 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.600.000 | No cotiza |
| Octubre 2025 | 36 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Octubre 2025 | 52 | Masculino | Urbano | Primaria | Obrero/empleado particular | $ 1.600.000 | Si cotiza |
| Octubre 2025 | 48 | Femenino | Urbano | Primaria | Obrero/empleado particular | $ 1.000.000 | No cotiza |
| Octubre 2025 | 61 | Femenino | Urbano | Tecnica profesional | Obrero/empleado gobierno | $ 3.110.000 | Si cotiza |
| Octubre 2025 | 41 | Femenino | Urbano | Maestria | Obrero/empleado gobierno | $ 2.500.000 | Si cotiza |
| Octubre 2025 | 41 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Octubre 2025 | 32 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Octubre 2025 | 28 | Masculino | Urbano | Universitaria | Obrero/empleado gobierno | $ 4.400.000 | Si cotiza |
| Octubre 2025 | 56 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Octubre 2025 | 41 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 7.939.000 | No cotiza |
| Octubre 2025 | 26 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.400.000 | No cotiza |
| Octubre 2025 | 28 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 600.000 | No cotiza |
| Octubre 2025 | 54 | Masculino | Urbano | Primaria | Obrero/empleado particular | $ 980.000 | Si cotiza |
| Octubre 2025 | 36 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Octubre 2025 | 54 | Masculino | Rural | Ninguno | Trabajador sin remuneracion | $ 400.000 | No cotiza |
| Octubre 2025 | 34 | Femenino | Urbano | Maestria | Obrero/empleado gobierno | $ 2.800.000 | Si cotiza |
| Octubre 2025 | 38 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Octubre 2025 | 27 | Masculino | Urbano | Primaria | Obrero/empleado particular | $ 500.000 | No cotiza |
| Octubre 2025 | 25 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 800.000 | No cotiza |
| Octubre 2025 | 27 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Octubre 2025 | 46 | Masculino | Rural | Secundaria | Obrero/empleado particular | $ 1.600.000 | Si cotiza |
| Octubre 2025 | 56 | Femenino | Urbano | Secundaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Octubre 2025 | 52 | Masculino | Rural | Secundaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Octubre 2025 | 63 | Masculino | Urbano | Primaria | Obrero/empleado particular | $ 560.000 | No cotiza |
| Octubre 2025 | 39 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.600.000 | Si cotiza |
| Octubre 2025 | 25 | Femenino | Rural | Primaria | Empleado domestico | $ 400.000 | No cotiza |
| Noviembre 2025 | 32 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 5.600.000 | Si cotiza |
| Noviembre 2025 | 30 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 3.100.000 | Si cotiza |
| Noviembre 2025 | 25 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Noviembre 2025 | 26 | Masculino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.400.000 | Si cotiza |
| Noviembre 2025 | 21 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.800.000 | Si cotiza |
| Noviembre 2025 | 32 | Masculino | Urbano | Tecnologica | Obrero/empleado particular | $ 1.600.000 | No cotiza |
| Noviembre 2025 | 55 | Masculino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 2.847.000 | Si cotiza |
| Noviembre 2025 | 27 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Noviembre 2025 | 63 | Masculino | Rural | Primaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Noviembre 2025 | 30 | Masculino | Urbano | Secundaria | Trabajador sin remuneracion | $ 1.800.000 | No cotiza |
| Noviembre 2025 | 63 | Femenino | Urbano | Primaria | Empleado domestico | $ 320.000 | No cotiza |
| Noviembre 2025 | 37 | Femenino | Urbano | Media academica | Empleado domestico | $ 800.000 | No cotiza |
| Noviembre 2025 | 31 | Masculino | Rural | Secundaria | Trabajador sin remuneracion | $ 1.600.000 | Si cotiza |
| Noviembre 2025 | 24 | Masculino | Urbano | Tecnologica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Noviembre 2025 | 55 | Masculino | Rural | Primaria | Obrero/empleado particular | $ 1.600.000 | No cotiza |
| Noviembre 2025 | 23 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.400.000 | No cotiza |
| Noviembre 2025 | 30 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 2.000.000 | Si cotiza |
| Noviembre 2025 | 47 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 2.800.000 | Si cotiza |
| Noviembre 2025 | 18 | Femenino | Urbano | Normalista | Empleado domestico | $ 350.000 | No cotiza |
| Noviembre 2025 | 33 | Masculino | Rural | Primaria | Obrero/empleado particular | $ 2.500.000 | No cotiza |
| Noviembre 2025 | 42 | Masculino | Rural | Media academica | Obrero/empleado particular | $ 800.000 | Si cotiza |
| Noviembre 2025 | 66 | Femenino | Urbano | Primaria | Obrero/empleado particular | $ 1.875.000 | No cotiza |
| Noviembre 2025 | 27 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 3.500.000 | Si cotiza |
| Noviembre 2025 | 22 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 400.000 | No cotiza |
| Noviembre 2025 | 24 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Noviembre 2025 | 37 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 2.450.000 | Si cotiza |
| Noviembre 2025 | 52 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 2.300.000 | Si cotiza |
| Noviembre 2025 | 38 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Noviembre 2025 | 26 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.200.000 | No cotiza |
| Noviembre 2025 | 30 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Noviembre 2025 | 29 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Noviembre 2025 | 33 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Noviembre 2025 | 55 | Femenino | Urbano | Especializacion | Obrero/empleado gobierno | $ 4.500.000 | Si cotiza |
| Noviembre 2025 | 45 | Masculino | Urbano | Universitaria | Obrero/empleado gobierno | $ 5.000.000 | Si cotiza |
| Noviembre 2025 | 36 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 2.400.000 | Si cotiza |
| Noviembre 2025 | 23 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Noviembre 2025 | 46 | Masculino | Urbano | Tecnologica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Noviembre 2025 | 63 | Masculino | Urbano | Tecnica profesional | Obrero/empleado gobierno | $ 3.500.000 | Si cotiza |
| Noviembre 2025 | 56 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 3.000.000 | Si cotiza |
| Noviembre 2025 | 28 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Noviembre 2025 | 25 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.420.000 | Si cotiza |
| Noviembre 2025 | 36 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 2.100.000 | Si cotiza |
| Noviembre 2025 | 32 | Femenino | Urbano | Media tecnica | Obrero/empleado particular | $ 1.650.000 | Si cotiza |
| Noviembre 2025 | 38 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 3.200.000 | Si cotiza |
| Noviembre 2025 | 52 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.600.000 | Si cotiza |
| Noviembre 2025 | 19 | Masculino | Rural | Primaria | Obrero/empleado particular | $ 1.200.000 | No cotiza |
| Noviembre 2025 | 30 | Masculino | Urbano | Tecnologica | Obrero/empleado particular | $ 1.623.000 | Si cotiza |
| Noviembre 2025 | 26 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Noviembre 2025 | 25 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 6.500.000 | Si cotiza |
| Noviembre 2025 | 48 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 2.000.000 | Si cotiza |
| Noviembre 2025 | 59 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 1.500.000 | Si cotiza |
| Noviembre 2025 | 64 | Masculino | Urbano | Primaria | Empleado domestico | $ 1.400.000 | No cotiza |
| Noviembre 2025 | 37 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 2.000.000 | Si cotiza |
| Noviembre 2025 | 46 | Femenino | Urbano | Especializacion | Obrero/empleado gobierno | $ 8.000.000 | Si cotiza |
| Noviembre 2025 | 48 | Femenino | Urbano | Secundaria | Empleado domestico | $ 200.000 | No cotiza |
| Noviembre 2025 | 28 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 1.500.000 | Si cotiza |
| Noviembre 2025 | 35 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.623.500 | Si cotiza |
| Noviembre 2025 | 35 | Masculino | Urbano | Primaria | Obrero/empleado particular | $ 500.000 | No cotiza |
| Noviembre 2025 | 44 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.423.000 | Si cotiza |
| Noviembre 2025 | 49 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.600.000 | Si cotiza |
| Noviembre 2025 | 48 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | No cotiza |
| Noviembre 2025 | 26 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 4.061.000 | Si cotiza |
| Noviembre 2025 | 48 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Noviembre 2025 | 38 | Femenino | Urbano | Tecnica profesional | Obrero/empleado gobierno | $ 3.400.000 | Si cotiza |
| Noviembre 2025 | 25 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.100.000 | No cotiza |
| Noviembre 2025 | 23 | Masculino | Urbano | Primaria | Obrero/empleado particular | $ 1.100.000 | No cotiza |
| Noviembre 2025 | 26 | Masculino | Urbano | Media academica | Trabajador sin remuneracion | $ 1.400.000 | No cotiza |
| Noviembre 2025 | 19 | Masculino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 650.000 | No cotiza |
| Noviembre 2025 | 36 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 3.000.000 | Si cotiza |
| Noviembre 2025 | 53 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.400.000 | No cotiza |
| Noviembre 2025 | 25 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Noviembre 2025 | 38 | Femenino | Urbano | Primaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Noviembre 2025 | 40 | Masculino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 800.000 | No cotiza |
| Noviembre 2025 | 39 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 1.800.000 | Si cotiza |
| Noviembre 2025 | 24 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Noviembre 2025 | 50 | Masculino | Urbano | Media tecnica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Noviembre 2025 | 65 | Masculino | Urbano | Primaria | Obrero/empleado particular | $ 1.200.000 | No cotiza |
| Noviembre 2025 | 34 | Femenino | Urbano | Maestria | Obrero/empleado gobierno | $ 2.400.000 | Si cotiza |
| Noviembre 2025 | 46 | Masculino | Rural | Primaria | Trabajador sin remuneracion | $ 1.000.000 | No cotiza |
| Noviembre 2025 | 42 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 4.500.000 | Si cotiza |
| Diciembre 2025 | 23 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.600.000 | No cotiza |
| Diciembre 2025 | 53 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 2.600.000 | Si cotiza |
| Diciembre 2025 | 20 | Femenino | Urbano | Media tecnica | Obrero/empleado particular | $ 740.000 | No cotiza |
| Diciembre 2025 | 52 | Femenino | Urbano | Maestria | Obrero/empleado gobierno | $ 4.270.500 | Si cotiza |
| Diciembre 2025 | 42 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 2.500.000 | Si cotiza |
| Diciembre 2025 | 22 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 5.500.000 | No cotiza |
| Diciembre 2025 | 26 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Diciembre 2025 | 39 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Diciembre 2025 | 16 | Femenino | Urbano | Secundaria | Empleado domestico | $ 250.000 | No cotiza |
| Diciembre 2025 | 22 | Masculino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Diciembre 2025 | 30 | Femenino | Urbano | Normalista | Obrero/empleado particular | $ 2.900.000 | Si cotiza |
| Diciembre 2025 | 28 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Diciembre 2025 | 40 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 4.000.000 | Si cotiza |
| Diciembre 2025 | 40 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 1.800.000 | Si cotiza |
| Diciembre 2025 | 56 | Femenino | Urbano | Maestria | Obrero/empleado gobierno | $ 4.000.000 | Si cotiza |
| Diciembre 2025 | 68 | Femenino | Urbano | Media academica | Obrero/empleado gobierno | $ 1.423.500 | Si cotiza |
| Diciembre 2025 | 32 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 1.200.000 | No cotiza |
| Diciembre 2025 | 42 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 2.000.000 | Si cotiza |
| Diciembre 2025 | 46 | Masculino | Urbano | Especializacion | Obrero/empleado gobierno | $ 6.000.000 | Si cotiza |
| Diciembre 2025 | 47 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.400.000 | Si cotiza |
| Diciembre 2025 | 20 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 2.026.000 | Si cotiza |
| Diciembre 2025 | 66 | Masculino | Urbano | Especializacion | Obrero/empleado gobierno | $ 6.700.000 | Si cotiza |
| Diciembre 2025 | 29 | Masculino | Urbano | Media tecnica | Obrero/empleado particular | $ 2.100.000 | Si cotiza |
| Diciembre 2025 | 35 | Masculino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.700.000 | No cotiza |
| Diciembre 2025 | 33 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 2.846.000 | Si cotiza |
| Diciembre 2025 | 35 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 700.000 | No cotiza |
| Diciembre 2025 | 46 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 320.000 | No cotiza |
| Diciembre 2025 | 47 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.600.000 | Si cotiza |
| Diciembre 2025 | 23 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 900.000 | No cotiza |
| Diciembre 2025 | 56 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.200.000 | No cotiza |
| Diciembre 2025 | 59 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 800.000 | No cotiza |
| Diciembre 2025 | 57 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 2.000.000 | No cotiza |
| Diciembre 2025 | 59 | Masculino | Rural | Primaria | Obrero/empleado particular | $ 1.400.000 | No cotiza |
| Diciembre 2025 | 35 | Masculino | Rural | Secundaria | Obrero/empleado particular | $ 1.000.000 | Si cotiza |
| Diciembre 2025 | 55 | Femenino | Urbano | Tecnologica | Obrero/empleado particular | $ 2.300.000 | Si cotiza |
| Diciembre 2025 | 36 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 2.000.000 | Si cotiza |
| Diciembre 2025 | 27 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.520.000 | No cotiza |
| Diciembre 2025 | 31 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 1.800.000 | Si cotiza |
| Diciembre 2025 | 40 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 1.200.000 | Si cotiza |
| Diciembre 2025 | 22 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Diciembre 2025 | 26 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 1.510.000 | Si cotiza |
| Diciembre 2025 | 23 | Femenino | Urbano | Universitaria | Obrero/empleado particular | $ 2.500.000 | Si cotiza |
| Diciembre 2025 | 26 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.500.000 | No cotiza |
| Diciembre 2025 | 27 | Masculino | Urbano | Tecnica profesional | Empleado domestico | $ 400.000 | No cotiza |
| Diciembre 2025 | 20 | Masculino | Urbano | Media tecnica | Obrero/empleado particular | $ 1.600.000 | Si cotiza |
| Diciembre 2025 | 40 | Masculino | Urbano | Tecnica profesional | Obrero/empleado gobierno | $ 3.700.000 | Si cotiza |
| Diciembre 2025 | 27 | Masculino | Urbano | Secundaria | Obrero/empleado particular | $ 1.200.000 | No cotiza |
| Diciembre 2025 | 29 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Diciembre 2025 | 24 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.625.000 | Si cotiza |
| Diciembre 2025 | 34 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 2.200.000 | Si cotiza |
| Diciembre 2025 | 17 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.000.000 | No cotiza |
| Diciembre 2025 | 43 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.600.000 | Si cotiza |
| Diciembre 2025 | 31 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 3.000.000 | Si cotiza |
| Diciembre 2025 | 22 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 300.000 | No cotiza |
| Diciembre 2025 | 31 | Femenino | Rural | Tecnica profesional | Obrero/empleado particular | $ 400.000 | No cotiza |
| Diciembre 2025 | 45 | Femenino | Urbano | Universitaria | Obrero/empleado gobierno | $15.000.000 | Si cotiza |
| Diciembre 2025 | 47 | Masculino | Urbano | Primaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Diciembre 2025 | 28 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Diciembre 2025 | 51 | Femenino | Urbano | Especializacion | Obrero/empleado gobierno | $11.000.000 | Si cotiza |
| Diciembre 2025 | 42 | Masculino | Urbano | Secundaria | Trabajador sin remuneracion | $ 1.423.500 | Si cotiza |
| Diciembre 2025 | 47 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 1.500.000 | No cotiza |
| Diciembre 2025 | 26 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.600.000 | No cotiza |
| Diciembre 2025 | 22 | Femenino | Urbano | Media academica | Empleado domestico | $ 800.000 | No cotiza |
| Diciembre 2025 | 49 | Femenino | Urbano | Media academica | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Diciembre 2025 | 27 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 1.500.000 | No cotiza |
| Diciembre 2025 | 31 | Masculino | Urbano | Media academica | Obrero/empleado particular | $ 2.000.000 | No cotiza |
| Diciembre 2025 | 52 | Femenino | Urbano | Primaria | Empleado domestico | $ 500.000 | No cotiza |
| Diciembre 2025 | 42 | Femenino | Urbano | Media academica | Empleado domestico | $ 500.000 | No cotiza |
| Diciembre 2025 | 45 | Femenino | Urbano | Tecnica profesional | Obrero/empleado particular | $ 1.200.000 | Si cotiza |
| Diciembre 2025 | 49 | Femenino | Urbano | Secundaria | Empleado domestico | $ 800.000 | No cotiza |
| Diciembre 2025 | 70 | Masculino | Urbano | Maestria | Obrero/empleado gobierno | $ 8.000.000 | Si cotiza |
| Diciembre 2025 | 28 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 2.500.000 | Si cotiza |
| Diciembre 2025 | 32 | Masculino | Urbano | Universitaria | Obrero/empleado particular | $ 1.423.500 | Si cotiza |
| Diciembre 2025 | 80 | Masculino | Rural | Secundaria | Empleado domestico | $ 1.300.000 | No cotiza |
| Fuente: DANE - Gran Encuesta Integrada de Hogares (GEIH) 2025. Calculos grupo 2 | |||||||
3 Análisis descriptivo
paleta <- list(
primary = "#4A3F55",
secondary = "#7C6A9C",
light = "#D6CDEA",
dark = "#2C1F3E",
bg = "#F9F9F9",
accent = "#F0EDF5"
)
colores_corr <- colorRampPalette(c(paleta$secondary, "#FFFFFF", paleta$primary))(100)
library(tidyverse)
datos_cor <- base_muestra %>%
select(Edad, Sexo, Zona, Tipo_de_empleo,
Nivel_educativo,
Ingresos_recibidos, Cotizando_Pension)
matriz_cor <- cor(datos_cor, use = "complete.obs")
colnames(matriz_cor) <- c("Edad", "Sexo", "Zona", "Trabajo",
"Nivel educ.",
"Ingresos", "Cotiza pensión")
rownames(matriz_cor) <- c("Edad", "Sexo", "Zona","Trabajo",
"Nivel educ.",
"Ingresos", "Cotiza pensión")
corrplot(matriz_cor, method = "color", type = "lower",
diag = FALSE, addCoef.col = paleta$dark, number.cex = 0.75,
tl.col = paleta$dark, tl.srt = 35, tl.cex = 0.75,
col = colores_corr, cl.pos = "b", cl.cex = 0.7, cl.length = 5,
mar = c(2, 0, 1, 0), bg = "white")
mtext("Fuente: DANE - Gran Encuesta Integrada de Hogares (GEIH) 2025",
side = 1, line = 4, cex = 0.7, col = paleta$secondary)
El resultado arroja que ninguna de las variables presenta correlaciones
excesivamente altas, lo que indica ausencia de problemas fuertes de
multicolinealidad dentro del modelo. Según James et al. (2021),
mantener relaciones moderadas entre variables explicativas
favorece una mejor interpretación y estabilidad en los modelos
predictivos.
3.1 Distribución de la pensión
base_muestra %>%
filter(!is.na(Cotizando_Pension), Cotizando_Pension %in% c(0, 1)) %>%
mutate(Cotizacion = ifelse(Cotizando_Pension == 1, "Si cotiza", "No cotiza")) %>%
ggplot(aes(x = Cotizacion, fill = Cotizacion)) +
geom_bar(width = 0.6) +
geom_text(stat = "count", aes(label = after_stat(count)),
vjust = -0.5, color = "#4A3F55", fontface = "bold", size = 5) +
scale_fill_manual(values = c("Si cotiza" = "#7C6A9C", "No cotiza" = "#D6CDEA")) +
labs(
title = "Distribucion de Cotizacion a Pension",
subtitle = "Poblacion ocupada que cotiza o no al sistema pensional",
x = "",
y = "Cantidad de Personas",
caption = "Fuente: DANE - GEIH 2025"
) +
theme_minimal() +
theme(
legend.position = "none",
plot.title = element_text(color = "#4A3F55", face = "bold", size = 14),
plot.subtitle = element_text(color = "#7C6A9C", size = 11),
plot.caption = element_text(color = "#7C6A9C", hjust = 0, size = 8),
panel.grid.major.x = element_blank(),
panel.grid.major.y = element_line(color = "#D6CDEA", linetype = "dashed"),
axis.text = element_text(size = 11)
)
La gráfica de cotización a pensión permite dimensionar el nivel de
informalidad laboral presente en la muestra analizada. Al diferenciar
entre quienes cotizan y quienes no cotizan al sistema pensional, se
evidencia la proporción de trabajadores vinculados al empleo formal
frente a aquellos asociados a condiciones de informalidad.
En la muestra de 10.000 observaciones analizadas, el 35,38% de las
personas ocupadas no cotiza al sistema pensional, lo que representa una
condición de informalidad laboral baja, por otro lado el 64,62%
sí realiza aportes a pensión, reflejando una mayor participación de
trabajadores asociados al empleo formal dentro de la muestra
La relevancia de esta variable radica en que la cotización a pensión se
utiliza como proxy de formalidad laboral, convirtiéndose en la variable
objetivo del modelo. En este sentido, variables como ingresos, nivel
educativo o zona de residencia buscan explicar la probabilidad de que un
individuo pertenezca a una u otra categoría.
url_colombia <- "https://geodata.ucdavis.edu/gadm/gadm4.1/json/gadm41_COL_1.json"
colombia_dept <- st_read(url_colombia, quiet = TRUE)
datos_mapa <- base_final_2025%>%
mutate(Area_metropolitana = as.character(Area_metropolitana)) %>%
filter(!is.na(Cotizando_Pension)) %>%
group_by(COD_DEPTO = Area_metropolitana) %>%
summarise(
total_personas = n(),
cotizantes = sum(Cotizando_Pension == 1, na.rm = TRUE),
pct_cotiza = (cotizantes / total_personas) * 100
) %>%
ungroup() %>%
mutate(NAME_1 = case_when(
COD_DEPTO == "5" ~ "Antioquia",
COD_DEPTO == "8" ~ "Atlántico",
COD_DEPTO == "11" ~ "BogotáD.C.",
COD_DEPTO == "13" ~ "Bolívar",
COD_DEPTO == "15" ~ "Boyacá",
COD_DEPTO == "17" ~ "Caldas",
COD_DEPTO == "18" ~ "Caquetá",
COD_DEPTO == "19" ~ "Cauca",
COD_DEPTO == "20" ~ "Cesar",
COD_DEPTO == "23" ~ "Córdoba",
COD_DEPTO == "27" ~ "Chocó",
COD_DEPTO == "41" ~ "Huila",
COD_DEPTO == "44" ~ "LaGuajira",
COD_DEPTO == "47" ~ "Magdalena",
COD_DEPTO == "50" ~ "Meta",
COD_DEPTO == "52" ~ "Nariño",
COD_DEPTO == "54" ~ "NortedeSantander",
COD_DEPTO == "63" ~ "Quindío",
COD_DEPTO == "66" ~ "Risaralda",
COD_DEPTO == "68" ~ "Santander",
COD_DEPTO == "70" ~ "Sucre",
COD_DEPTO == "73" ~ "Tolima",
COD_DEPTO == "76" ~ "ValledelCauca",
COD_DEPTO == "81" ~ "Arauca",
COD_DEPTO == "85" ~ "Casanare",
COD_DEPTO == "86" ~ "Putumayo",
COD_DEPTO == "88" ~ "SanAndrésyProvidencia",
COD_DEPTO == "91" ~ "Amazonas",
COD_DEPTO == "94" ~ "Guainía",
COD_DEPTO == "95" ~ "Guaviare",
COD_DEPTO == "97" ~ "Vaupés",
COD_DEPTO == "99" ~ "Vichada",
TRUE ~ NA_character_
)) %>%
filter(!is.na(NAME_1))
datos_mapa <- datos_mapa %>%
bind_rows(
datos_mapa %>%
filter(NAME_1 == "BogotáD.C.") %>%
mutate(NAME_1 = "Cundinamarca")
)
mapa_final <- colombia_dept %>%
left_join(datos_mapa, by = "NAME_1")
mapa_gg <- ggplot() +
geom_sf(data = mapa_final,
aes(fill = pct_cotiza,
text = paste0(NAME_1, ": ", round(pct_cotiza, 1), "%")),
color = "white", linewidth = 0.2) +
scale_fill_gradientn(
colors = c("white", "#7C6A9C", "#4A3F55", "#2C1F3E"),
name = "% Cotiza\nPensión",
na.value = "gray90",
limits = c(0, 100),
breaks = seq(0, 100, by = 25)
) +
labs(
title = "Concentración de Población que Cotiza a Pensión por Departamento",
subtitle = "Proporción de cotizantes en cada departamento - GEIH 2025",
caption = "Fuente: DANE - GEIH 2025"
) +
theme_minimal() +
theme(
panel.grid = element_blank(),
axis.title = element_blank(),
axis.text = element_blank(),
axis.ticks = element_blank(),
plot.title = element_text(color = "#2C1F3E", size = 14, face = "bold"),
plot.subtitle = element_text(color = "#4A3F55", size = 10),
plot.caption = element_text(color = "#7C6A9C", size = 8, hjust = 0)
)
ggplotly(mapa_gg, tooltip = "text")
Se observa que departamentos con menor desarrollo industrial absoluto
como el Amazonas o Putumayo presentan tasas de cotización más altas que
los grandes centros urbanos.Este fenómeno responde a la estructura del
empleo capturada por la GEIH. En regiones de baja densidad poblacional y
economía de enclave, el mercado laboral formal está dominado casi
exclusivamente por el empleo público como lo es docentes, fuerzas
militares, administrativo. Por el contrario, en Antioquia, Valle o
Cundinamarca (Cundinamarca refleja los datos del área metropolitana de
Bogotá D.C.), que a pesar de ser las regiones más desarrolladas la
muestra es heterogénea e incluye una mayor proporción de trabajadores
independientes, informales y de servicios privados, donde la cobertura
pensional es significativamente menor.Por ende la tasa de
cotización no mide la riqueza generada (PIB), sino la proporción de
trabajadores formales dentro de la población ocupada, que resulta
estructuralmente más alta en economías dependientes del sector
público.
3.2 Distribución de la edad
mediana_edad <- median(base_muestra$Edad, na.rm = TRUE)
p <- ggplot(base_muestra, aes(x = Edad)) +
geom_histogram(bins = 40, fill = "#7C6A9C", color = "#4A3F55", alpha = 0.8) +
geom_vline(xintercept = mediana_edad, color = "#4A3F55", size = 1.2, linetype = "dashed") +
scale_y_continuous(labels = label_comma(big.mark = ".")) +
labs(
title = paste("Distribución de la Edad | Mediana =", mediana_edad, "años"),
subtitle = "Población encuestada por grupos de edad",
x = "Edad (Años)",
y = "Cantidad de Personas",
caption = "Fuente: DANE - GEIH 2025"
) +
theme_minimal() +
theme(
plot.title = element_text(color = "#4A3F55", face = "bold", size = 14),
plot.subtitle = element_text(color = "#7C6A9C", size = 11),
plot.caption = element_text(color = "#7C6A9C", hjust = 0, size = 8),
panel.grid.major = element_line(color = "#D6CDEA", linetype = "dashed")
)
ggplotly(p, tooltip = c("x", "count")) %>%
config(displayModeBar = FALSE) %>%
layout(hoverlabel = list(bgcolor = "#4A3F55", font = list(color = "white")))
La mayor participación de individuos en edades económicamente activas
refleja que la muestra está compuesta principalmente por personas
vinculadas al mercado laboral, con una clara concentración en el rango
de 25 a 40 años, que corresponde a la etapa de mayor productividad y
estabilidad laboral, en relación con la informalidad laboral, la edad
puede influir en las condiciones de empleo y en el acceso a mecanismos
de protección social. Grupos de edades pueden presentar mayores
dificultades para acceder a empleos formales, especialmente en etapas
tempranas (menor a 20 años) o avanzadas de la vida laboral (60 años).
3.3 Distibución del sexo
base_muestra %>%
filter(Sexo %in% c(1, 2)) %>%
mutate(Sexo = ifelse(Sexo == 1, "Masculino", "Femenino")) %>%
ggplot(aes(x = Sexo, fill = Sexo)) +
geom_bar(width = 0.6) +
geom_text(stat = "count", aes(label = after_stat(count)),
vjust = -0.5, color = "#4A3F55", fontface = "bold") +
scale_fill_manual(values = c("Masculino" = "#7C6A9C", "Femenino" = "#D6CDEA")) +
labs(
title = "Distribucion por Sexo",
subtitle = "Comparacion hombres-mujeres",
x = "",
y = "Personas",
caption = "Fuente: DANE - GEIH 2025"
) +
theme_minimal() +
theme(
legend.position = "none",
plot.title = element_text(color = "#4A3F55", face = "bold", size = 14),
plot.subtitle = element_text(color = "#7C6A9C", size = 11),
plot.caption = element_text(color = "#7C6A9C", hjust = 0, size = 8)
)
La muestra presenta una distribución equilibrada entre hombres y
mujeres, con una ligera ventaja masculina cercana al 52% y una
participación femenina del 48%, lo que refleja adecuadamente la
estructura poblacional colombiana y evita sesgos de género en los
análisis posteriores, la OIT ha documentado que, más que una cuestión de
preferencias, existen barreras estructurales que afectan la inserción
laboral femenina, así para 2025, la tasa de participación de las mujeres
en la fuerza laboral de América Latina fue del 51,4%, mientras que la de
los hombres alcanzó el 74,6% (OIT, 2025). Esta brecha refleja
desigualdades en el acceso al empleo formal en cuanto a sexo de la
persona, aspecto que incide directamente en la menor probabilidad de
cotización pensional de las mujeres en comparación con los hombres.
3.4 Distribución del nivel educativo
base_muestra %>%
filter(!is.na(Nivel_educativo), Nivel_educativo %in% 1:13) %>%
mutate(Educacion = case_when(
Nivel_educativo == 1 ~ "Ninguno",
Nivel_educativo == 2 ~ "Preescolar",
Nivel_educativo == 3 ~ "Primaria",
Nivel_educativo == 4 ~ "Secundaria",
Nivel_educativo == 5 ~ "Media académica",
Nivel_educativo == 6 ~ "Media técnica",
Nivel_educativo == 7 ~ "Normalista",
Nivel_educativo == 8 ~ "Técnica profesional",
Nivel_educativo == 9 ~ "Tecnológica",
Nivel_educativo == 10 ~ "Universitaria",
Nivel_educativo == 11 ~ "Especialización",
Nivel_educativo == 12 ~ "Maestría",
Nivel_educativo == 13 ~ "Doctorado"
)) %>%
mutate(Educacion = factor(Educacion, levels = c(
"Ninguno", "Preescolar", "Primaria", "Secundaria",
"Media académica", "Media técnica", "Normalista",
"Técnica profesional", "Tecnológica", "Universitaria",
"Especialización", "Maestría", "Doctorado"
))) %>%
ggplot(aes(x = Educacion, fill = Educacion)) +
geom_bar(width = 0.7) +
geom_text(stat = "count", aes(label = after_stat(count)),
vjust = -0.2, color = "#4A3F55", fontface = "bold", size = 3) +
scale_fill_manual(values = c(
"Ninguno" = "#D6CDEA",
"Preescolar" = "#D6CDEA",
"Primaria" = "#D6CDEA",
"Secundaria" = "#D6CDEA",
"Media académica" = "#7C6A9C",
"Media técnica" = "#7C6A9C",
"Normalista" = "#7C6A9C",
"Técnica profesional" = "#7C6A9C",
"Tecnológica" = "#7C6A9C",
"Universitaria" = "#4A3F55",
"Especialización" = "#2C1F3E",
"Maestría" = "#2C1F3E",
"Doctorado" = "#2C1F3E"
)) +
labs(
title = "Nivel Educativo",
subtitle = "Distribución de la población por nivel educativo alcanzado",
x = "",
y = "Cantidad de Personas",
caption = "Fuente: DANE - GEIH 2025"
) +
theme_minimal() +
theme(
legend.position = "none",
plot.title = element_text(color = "#4A3F55", face = "bold", size = 14),
plot.subtitle = element_text(color = "#7C6A9C", size = 11),
plot.caption = element_text(color = "#7C6A9C", hjust = 0, size = 8),
axis.text.x = element_text(angle = 45, hjust = 1, size = 9),
panel.grid.major.x = element_blank(),
panel.grid.major.y = element_line(color = "#D6CDEA", linetype = "dashed")
)
Se puede observar una mayor participación de personas con niveles
educativos básicos y medios técnicos, representando alrededor del 52% de
la muestra, mientras que los niveles superiores presentan menor
frecuencia, sin embargo la titulación universitaria cuenta también con
un valor relativameente alto, lo cual refleja la estructura educativa
del país, para el año 2019 se reportaba que cerca del 35% de la
población contaba con educación secundaria completa y media
técnica (DANE, 2019), y hacia 2025 se proyectó que esta
proporción siga una tendencia al alza, con una mayor participación
relativa de los niveles medios y superiores en la fuerza laboral (DANE,
2025).
En términos de informalidad laboral, el nivel educativo es una variable
importante debido a que influye directamente en el acceso a
oportunidades laborales formales. Las personas con mayor formación
académica suelen tener mejores condiciones de empleo, mayor estabilidad
y mayor acceso a mecanismos de protección social, como la cotización a
pensión.
3.5 Distribución del empleo
base_muestra %>%
filter(!is.na(Tipo_de_empleo), Tipo_de_empleo %in% 1:7) %>%
mutate(Empleo = case_when(
Tipo_de_empleo == 1 ~ "Trabajador",
Tipo_de_empleo == 2 ~ "Trabajador gobierno",
Tipo_de_empleo == 3 ~ "Empleado domestico",
Tipo_de_empleo == 4 ~ "Trabajador familiar",
Tipo_de_empleo == 5 ~ "Trabajador cuenta propia",
Tipo_de_empleo == 6 ~ "Patron/empleador",
Tipo_de_empleo == 7 ~ "Trabajador sin remuneracion"
)) %>%
mutate(Empleo = factor(Empleo, levels = c(
"Trabajador",
"Trabajador gobierno",
"Empleado domestico",
"Trabajador familiar",
"Trabajador cuenta propia",
"Patron/empleador",
"Trabajador sin remuneracion"
))) %>%
ggplot(aes(x = Empleo, fill = Empleo)) +
geom_bar(width = 0.7) +
geom_text(stat = "count", aes(label = after_stat(count)),
vjust = -0.2, color = "#4A3F55", fontface = "bold", size = 3) +
scale_fill_manual(values = c(
"Trabajador" = "#7C6A9C",
"Trabajador gobierno" = "#7C6A9C",
"Empleado domestico" = "#D6CDEA",
"Trabajador familiar" = "#D6CDEA",
"Trabajador cuenta propia" = "#D6CDEA",
"Patron/empleador" = "#4A3F55",
"Trabajador sin remuneracion" = "#D6CDEA"
)) +
labs(
title = "Tipo de Empleo",
subtitle = "Distribución de la población por tipo de ocupación laboral",
x = "",
y = "Cantidad de Personas",
caption = "Fuente: DANE - GEIH 2025"
) +
theme_minimal() +
theme(
legend.position = "none",
plot.title = element_text(color = "#4A3F55", face = "bold", size = 14),
plot.subtitle = element_text(color = "#7C6A9C", size = 11),
plot.caption = element_text(color = "#7C6A9C", hjust = 0, size = 8),
axis.text.x = element_text(angle = 45, hjust = 1, size = 9),
panel.grid.major.x = element_blank(),
panel.grid.major.y = element_line(color = "#D6CDEA", linetype = "dashed")
)
Se observa que la mayor parte de la población ocupada de la muestra
corresponde a trabajadores particulares al rededor de casi el 80% de
personas, siendo la categoría laboral con mayor participación. En menor
proporción se encuentran los empleados domésticos y trabajadores sin
remuneración. Estos resultados evidencian una mayor presencia de
trabajadores vinculados a ocupaciones con mayor posibilidad de acceso a
mecanismos de protección social y afiliación al sistema de seguridad
social. las diferencias en los tipos de ocupación pueden
influir en las condiciones laborales y en la probabilidad de cotización
al sistema pensional (DANE, 2025).
3.6 Distribución de los ingresos
p <- base_muestra %>%
filter(Ingresos_recibidos > 0, Ingresos_recibidos < 15000000) %>%
mutate(Cotiza = ifelse(Cotizando_Pension == 1, "Si cotiza", "No cotiza")) %>%
ggplot(aes(x = Ingresos_recibidos, fill = Cotiza)) +
geom_density(alpha = 0.6) +
scale_fill_manual(values = c("Si cotiza" = "#7C6A9C", "No cotiza" = "#D6CDEA")) +
scale_x_continuous(labels = scales::label_comma(big.mark = "."),
limits = c(0, 10000000),
breaks = seq(0, 10000000, 2000000)) +
labs(
title = "Distribucion de ingresos segun cotizacion a pension",
x = "Ingresos (Pesos Colombianos)",
y = "Densidad",
caption = "Fuente: DANE - GEIH 2025") +
theme_minimal() +
theme(
plot.title = element_text(color = "#4A3F55", face = "bold", size = 14),
plot.caption = element_text(color = "#7C6A9C", hjust = 1, size = 8, face = "italic"),
legend.title = element_blank(),
legend.position = "bottom")
ggplotly(p, tooltip = c("x", "y", "fill")) %>%
config(displayModeBar = FALSE) %>%
layout(
hoverlabel = list(bgcolor = "#4A3F55", font = list(color = "white")),
legend = list(title = list(text = "")),
annotations = list(
text = "Fuente: DANE - GEIH 2025",
x = 1, y = 0, xref = "paper", yref = "paper",
xanchor = "right", yanchor = "bottom",
showarrow = FALSE, font = list(size = 10, color = "#7C6A9C")))
Los ingresos de la población analizada presentan una distribución
desigual, donde la mayoría de las personas se concentra en
niveles bajos y medios, principalmente inferiores a los 3 millones de
pesos colombianos, mientras que solo una pequeña proporción
alcanza ingresos altos. Esto refleja la presencia de una gran cantidad
de trabajadores con ingresos limitados dentro del mercado laboral
colombiano, de igual manera se observa que las personas que cotizan al
sistema pensional tienden a ubicarse en niveles de ingreso más altos,
mientras que quienes no cotizan se concentran principalmente en ingresos
bajos, evidenciando una relación entre ingresos y formalidad laboral, ya
que los trabajadores con mayores ingresos suelen tener mayor
acceso a empleos estables y mecanismos de protección social
(DANE, 2025).
Por ello, el ingreso se convierte en una variable relevante dentro del
modelo predictivo, ya que permite diferenciar con mayor precisión a los
individuos según su probabilidad de cotizar o no al sistema pensional.
mediana_ingresos <- median(base_muestra$Ingresos_recibidos[
base_muestra$Ingresos_recibidos > 0 &
base_muestra$Ingresos_recibidos < 10000000], na.rm = TRUE)
p_ingresos <- base_muestra %>%
filter(Ingresos_recibidos > 0, Ingresos_recibidos < 10000000) %>%
ggplot(aes(x = Ingresos_recibidos)) +
geom_histogram(bins = 40, fill = "#7C6A9C", color = "#4A3F55", alpha = 0.7) +
geom_vline(xintercept = mediana_ingresos,
color = "#2C1F3E", linetype = "dashed", linewidth = 1) +
annotate("text",
x = mediana_ingresos + 400000,
y = Inf,
label = paste0("Mediana: $", format(mediana_ingresos, big.mark = ".")),
color = "#2C1F3E", fontface = "bold", size = 3.5, vjust = 2) +
scale_x_continuous(labels = label_comma(big.mark = ".")) +
scale_y_continuous(labels = label_comma(big.mark = ".")) +
labs(
title = "Distribución de Ingresos",
subtitle = "Población ocupada con ingresos reportados",
x = "Pesos Colombianos",
y = "Frecuencia",
caption = "Fuente: DANE - GEIH 2025"
) +
theme_minimal() +
theme(
plot.title = element_text(color = "#4A3F55", face = "bold", size = 14),
plot.subtitle = element_text(color = "#7C6A9C", size = 11),
plot.caption = element_text(color = "#7C6A9C", hjust = 0, size = 8),
panel.grid.major = element_line(color = "#D6CDEA", linetype = "dashed"))
ggplotly(p_ingresos) %>%
config(displayModeBar = FALSE) %>%
layout(
annotations = list(
list(
text = "Fuente: DANE - Gran Encuesta Integrada de Hogares (GEIH) 2025",
x = 0, y = -0.12,
xref = "paper", yref = "paper",
showarrow = FALSE,
font = list(size = 9, color = "#7C6A9C"),
xanchor = "left")))
la distribución de ingresos revela que la mayoría de los encuestados se
concentra en el rango de un millón quinientos mil pesos, representando
cerca del 36% de la población analizada evidenciando que gran parte de
los colombianos vive con ingresos justos para cubrir sus necesidades
básicas, reflejando una marcada asimetría hacia la derecha en la que muy
pocas personas logran superar los tres millones de pesos. Esta
distribución muestra una profunda desigualdad económica dentro del
mercado laboral colombiano, de igual manera se observa que las personas
que cotizan al sistema pensional tienden a ubicarse en niveles de
ingreso más altos,donde muy pocas personas superan los tres millones de
pesos, reflejando una profunda desigualdad económica.
3.7 Distribución de la zona
base_muestra %>%
filter(!is.na(Zona), Zona %in% c(1, 2)) %>%
mutate(Zona_texto = ifelse(Zona == 1, "Urbano", "Rural")) %>%
ggplot(aes(x = Zona_texto, fill = Zona_texto)) +
geom_bar(width = 0.6) +
geom_text(stat = "count", aes(label = after_stat(count)),
vjust = -0.5, color = "#4A3F55", fontface = "bold", size = 5) +
scale_fill_manual(values = c("Urbano" = "#7C6A9C", "Rural" = "#D6CDEA")) +
labs(
title = "Distribucion por Zona",
subtitle = "Poblacion ocupada segun zona geografica (Urbana/Rural)",
x = "",
y = "Cantidad de Personas",
caption = "Fuente: DANE - GEIH 2025"
) +
theme_minimal() +
theme(
legend.position = "none",
plot.title = element_text(color = "#4A3F55", face = "bold", size = 14),
plot.subtitle = element_text(color = "#7C6A9C", size = 11),
plot.caption = element_text(color = "#7C6A9C", hjust = 0, size = 8),
panel.grid.major.x = element_blank(),
panel.grid.major.y = element_line(color = "#D6CDEA", linetype = "dashed"),
axis.text = element_text(size = 11)
)
la población ocupada se concentra mayoritariamente en la zona urbana con
9,038 personas, frente a solo 962 en la zona rural, lo que representa
que aproximadamente el 90.38% de los ocupados reside en áreas urbanas.
Esta marcada brecha evidenciada (DANE, 2025) refleja la estructura
urbanizada del mercado laboral colombiano y tiene importantes
implicaciones para el diseño de políticas diferenciadas de empleo y
protección social entre el campo y la ciudad.
4 Resultados modelos predictivos
4.1 Modelo de regresión logística
base_muestra$cotiza_f <- factor(base_muestra$Cotizando_Pension,
levels = c(0, 1),
labels = c("No", "Si"))set.seed(28)
idx <- createDataPartition(y = base_muestra$cotiza_f, p = 0.75, list = FALSE)
train <- base_muestra[idx, ]
test <- base_muestra[-idx, ]fit_logit <- glm(cotiza_f ~ Edad + Sexo + Zona + Nivel_educativo + Ingresos_recibidos,
data = train, family = binomial())
tidy(fit_logit) %>%
mutate(
signif = case_when(
p.value < 0.001 ~ "***",
p.value < 0.01 ~ "**",
p.value < 0.05 ~ "*",
TRUE ~ ""
),
odds_ratio = exp(estimate),
odds_ratio = round(odds_ratio, 3)
) %>%
select(term, estimate, odds_ratio, p.value, signif) %>%
gt() %>%
tab_header(
title = md("**Regresion Logistica - Coeficientes**"),
subtitle = md("Variable respuesta: cotiza_f (Si/No)")
) %>%
cols_label(
term = "Variable",
estimate = "Coeficiente",
odds_ratio = "Odds Ratio",
p.value = "p-valor",
signif = "Sig."
) %>%
fmt_number(decimals = 4) %>%
tab_style(
style = list(cell_fill(color = "#4A3F55"), cell_text(color = "white", weight = "bold")),
locations = cells_column_labels(everything())
) %>%
data_color(
columns = p.value,
colors = scales::col_numeric(
palette = c("#D6CDEA", "#7C6A9C", "#4A3F55"),
domain = c(0, 0.05)
)
) %>%
tab_source_note("*** p < 0.001; ** p < 0.01; * p < 0.05") %>%
tab_options(table.width = pct(100))| Regresion Logistica - Coeficientes | ||||
| Variable respuesta: cotiza_f (Si/No) | ||||
| Variable | Coeficiente | Odds Ratio | p-valor | Sig. |
|---|---|---|---|---|
| (Intercept) | −1.8620 | 0.1550 | 0.0000 | *** |
| Edad | −0.0021 | 0.9980 | 0.3475 | |
| Sexo | −0.1475 | 0.8630 | 0.0128 | * |
| Zona | −0.5107 | 0.6000 | 0.0000 | *** |
| Nivel_educativo | 0.1981 | 1.2190 | 0.0000 | *** |
| Ingresos_recibidos | 0.0000 | 1.0000 | 0.0000 | *** |
| *** p < 0.001; ** p < 0.01; * p < 0.05 | ||||
Los resultados de la regresión logística muestran que variables como el
nivel educativo, la zona de residencia y los ingresos recibidos
presentan una relación estadísticamente significativa con la
probabilidad de pertenecer al empleo formal. En contraste, la variable
edad no presentó significancia estadística dentro del modelo, lo que
sugiere una menor capacidad explicativa frente a las demás variables
analizadas.
El nivel educativo fue una de las variables más relevantes dentro del
modelo, presentando un odds ratio de 1.219, lo que indica que a
medida el nivel educativo de la persona aumenta en una unidad, aumenta
en un 21% la probabilidad de pertenecer al empleo formal. A su
vez, este resultado refleja que las personas con mayores niveles
educativos tienen mayores oportunidades de contar con empleos estables y
acceso a mecanismos de protección social siendo este comportamiento una
representación de la realidad frecuente del mercado laboral colombiano,
donde la educación suele ser un factor determinante para acceder
a mejores condiciones laborales. Lo anterior coincide con lo
planteado por James et al. (2021), las variables con mayor capacidad
predictiva permiten identificar patrones relevantes asociados al
comportamiento de la variable objetivo.
p_hat <- predict(fit_logit, newdata = test, type = "response")
pred_clase <- factor(ifelse(p_hat >= 0.5, "Si", "No"), levels = c("Si", "No"))roc_o <- roc(response = test$cotiza_f, predictor = p_hat, levels = c("No", "Si"))
umbral <- as.numeric(coords(roc_o, x = "best", best.method = "youden", ret = "threshold"))
pred_clase_opt <- factor(ifelse(p_hat >= umbral, "Si", "No"), levels = c("Si", "No"))
cm_opt <- confusionMatrix(pred_clase_opt, test$cotiza_f, positive = "Si")
data.frame(
Metrica = c("Accuracy", "Sensibilidad", "Especificidad",
"Valor Predictivo Positivo", "Valor Predictivo Negativo",
"Aciertos", "Total", "Error"),
Valor = c(
paste0(round(cm_opt$overall["Accuracy"] * 100, 2), "%"),
paste0(round(cm_opt$byClass["Sensitivity"] * 100, 2), "%"),
paste0(round(cm_opt$byClass["Specificity"] * 100, 2), "%"),
paste0(round(cm_opt$byClass["Pos Pred Value"] * 100, 2), "%"),
paste0(round(cm_opt$byClass["Neg Pred Value"] * 100, 2), "%"),
format(sum(diag(cm_opt$table)), big.mark = "."),
format(sum(cm_opt$table), big.mark = "."),
paste0(round((1 - cm_opt$overall["Accuracy"]) * 100, 2), "%")
)
) %>%
gt() %>%
tab_header(
title = md("**Metricas de Desempeno - Regresion Logistica**"),
subtitle = md(paste("Umbral Optimo =", round(umbral, 3)))
) %>%
cols_label(
Metrica = "Indicador",
Valor = "Resultado"
) %>%
tab_style(
style = list(cell_fill(color = "#4A3F55"), cell_text(color = "white", weight = "bold")),
locations = cells_column_labels(everything())
) %>%
opt_row_striping() %>%
tab_options(table.width = pct(70))| Metricas de Desempeno - Regresion Logistica | |
| Umbral Optimo = 0.542 | |
| Indicador | Resultado |
|---|---|
| Accuracy | 82.99% |
| Sensibilidad | 90.77% |
| Especificidad | 68.78% |
| Valor Predictivo Positivo | 84.16% |
| Valor Predictivo Negativo | 80.32% |
| Aciertos | 2.074 |
| Total | 2.499 |
| Error | 17.01% |
El modelo fue estimado a partir de una muestra de 10.000 observaciones,
utilizando una partición del 75% para entrenamiento y 25% para prueba,
permitiendo evaluar el desempeño predictivo sobre datos no utilizados
durante el proceso de entrenamiento La regresión logística presentó una
exactitud del 82.99%, lo que evidencia una gran capacidad para
clasificar correctamente a las personas pertenecientes al empleo formal
e informal, el modelo registró un error del 17.1%, indicando que la
proporción de clasificaciones incorrectas fue relativamente baja frente
al total de observaciones analizadas, reflejando un desempeño predictivo
adecuado, de igual manera la sensibilidad alcanzó un 90.77%,
evidenciando que el modelo identifica correctamente a gran parte
de las personas vinculadas al empleo formal.
La regresión logística presentó una exactitud del 82.99%, lo que
evidencia una gran capacidad para clasificar correctamente a las
personas pertenecientes al empleo formal e informal y que a comparación
del 17.1% de error donde clasificó mal siendo este muy bajo . Asimismo,
la sensibilidad alcanzó un 90.77%, evidenciando que el modelo
identifica adecuadamente a gran parte de las personas vinculadas al
empleo formal.
Por otro lado, la especificidad fue menor en comparación con la
sensibilidad, lo que sugiere una mayor dificultad para identificar
correctamente algunos casos asociados a informalidad laboral. Esto puede
relacionarse con la complejidad del mercado laboral colombiano, donde
existen trabajadores con condiciones laborales intermedias o inestables
que hace que dificulte diferenciar completamente entre formalidad e
informalidad. Según James et al. (2021), el desempeño de los
modelos predictivos pueden presentar limitaciones cuando existen
patrones sociales y económicos complejos dentro de los datos
analizados.
as.data.frame(cm_opt$table) %>%
gt() %>%
tab_header(
title = md("**Matriz de Confusion**"),
subtitle = md(paste("Umbral Optimo =", round(umbral, 3)))
) %>%
cols_label(
Prediction = "Prediccion",
Reference = "Realidad",
Freq = "Frecuencia"
) %>%
tab_style(
style = list(cell_fill(color = "#4A3F55"), cell_text(color = "white", weight = "bold")),
locations = cells_column_labels(everything())
) %>%
data_color(
columns = "Freq",
colors = scales::col_numeric(palette = c("#D6CDEA", "#7C6A9C", "#4A3F55"), domain = NULL)
) %>%
tab_options(table.width = pct(50))| Matriz de Confusion | ||
| Umbral Optimo = 0.542 | ||
| Prediccion | Realidad | Frecuencia |
|---|---|---|
| No | No | 608 |
| Si | No | 276 |
| No | Si | 149 |
| Si | Si | 1466 |
Los resultados muestran una alta cantidad de aciertos en la
clasificación de personas pertenecientes al empleo formal, con 1.466
casos correctamente identificados por el modelo, siendo al rededor de
casi el 59% de los datos, evidenciando una importante capacidad
predictiva para reconocer individuos que presentan características
asociadas a condiciones de empleo formal, como mayores niveles
educativos, mejores ingresos o acceso a mecanismos de protección social,
asimismo, el modelo logró identificar adecuadamente 608 casos
correspondientes a empleo informal estimado el 24% de los datos,
permitiendo diferenciar una parte significativa de trabajadores con
menores niveles de formalidad laboral
auc_val <- auc(roc_o)
roc_df <- data.frame(
Sensitivity = roc_o$sensitivities,
Specificity = roc_o$specificities,
FPR = 1 - roc_o$specificities
)
umbral_point <- coords(roc_o, x = umbral, ret = c("sensitivity", "specificity"), input = "threshold")
umbral_df <- data.frame(
FPR = 1 - as.numeric(umbral_point["specificity"]),
Sensitivity = as.numeric(umbral_point["sensitivity"])
)
ggplot(roc_df, aes(x = FPR, y = Sensitivity)) +
geom_line(color = "#7C6A9C", size = 1.2) +
geom_abline(intercept = 0, slope = 1, linetype = "dashed", color = "#D6CDEA", size = 0.8) +
geom_point(data = umbral_df, aes(x = FPR, y = Sensitivity),
color = "#4A3F55", size = 4, shape = 16) +
annotate("text", x = umbral_df$FPR + 0.1, y = umbral_df$Sensitivity - 0.05,
label = paste("Umbral =", round(umbral, 3)),
color = "#4A3F55", size = 4, fontface = "bold") +
labs(
title = "Curva ROC - Regresion Logistica",
subtitle = paste("AUC =", round(auc_val, 3)),
x = "Tasa de Falsos Positivos (1 - Especificidad)",
y = "Tasa de Verdaderos Positivos (Sensibilidad)",
caption = "Fuente: DANE - GEIH 2025"
) +
scale_x_continuous(limits = c(0, 1), breaks = seq(0, 1, 0.2)) +
scale_y_continuous(limits = c(0, 1), breaks = seq(0, 1, 0.2)) +
theme_minimal() +
theme(
plot.title = element_text(color = "#4A3F55", face = "bold", size = 14),
plot.subtitle = element_text(color = "#7C6A9C", size = 12),
plot.caption = element_text(color = "#7C6A9C", hjust = 0, size = 8),
panel.grid.major = element_line(color = "#D6CDEA", linetype = "dashed"),
panel.grid.minor = element_blank(),
axis.title = element_text(color = "#4A3F55", face = "bold", size = 11),
axis.text = element_text(color = "#4A3F55", size = 9),
panel.background = element_rect(fill = "white", color = NA),
plot.background = element_rect(fill = "white", color = NA)
)
El modelo obtuvo un área bajo la curva (AUC) de 0.867, lo que indica una
alta capacidad para diferenciar correctamente entre ambas categorías,
representando un valor cercano a 1 que da una mejor capacidad de
clasificación. Asimismo, el umbral óptimo de clasificación se ubicó en
0.542, permitiendo alcanzar un equilibrio adecuado entre sensibilidad y
especificidad. Esto sugiere que el modelo logra identificar
correctamente una gran proporción de individuos asociados al empleo
formal, manteniendo un nivel razonable de errores de
clasificación. Según James et al. (2021), la curva ROC y el AUC son
herramientas fundamentales para evaluar el desempeño de modelos
supervisados, ya que permiten medir su capacidad discriminatoria frente
a distintos puntos de clasificación.
4.2 Modelo K-Nearest Neighbors (KNN)
El modelo K-Nearest Neighbors (KNN) fue implementado con el objetivo de
clasificar a los individuos entre empleo formal e informal a partir de
sus características sociodemográficas y económicas. Para determinar el
valor óptimo de k, se evaluaron distintos números de vecinos utilizando
la muestra de entrenamiento.
base_knn <- base_muestra %>%
filter(!is.na(Edad), !is.na(Sexo), !is.na(Zona),
!is.na(Nivel_educativo), !is.na(Ingresos_recibidos),
!is.na(cotiza_f))
base_knn_escalada <- base_knn %>%
mutate(
Edad_esc = scale(Edad),
Sexo_esc = scale(Sexo),
Zona_esc = scale(Zona),
Nivel_educativo_esc = scale(Nivel_educativo),
Ingresos_esc = scale(Ingresos_recibidos)
)set.seed(28)
total_filas <- nrow(base_knn_escalada)
index_muestra <- sample(total_filas, 10000)
index_entrena <- sample(index_muestra, 7500)
index_test <- index_muestra[!index_muestra %in% index_entrena]
knn_entrena <- base_knn_escalada[index_entrena, ]
knn_test <- base_knn_escalada[index_test, ]knn_entrena_input <- knn_entrena[, c("Edad_esc", "Sexo_esc", "Zona_esc",
"Nivel_educativo_esc", "Ingresos_esc")]
knn_entrena_output <- knn_entrena$cotiza_f
knn_test_input <- knn_test[, c("Edad_esc", "Sexo_esc", "Zona_esc",
"Nivel_educativo_esc", "Ingresos_esc")]
knn_test_output <- knn_test$cotiza_fknn_test_pred_k3 <- knn(train = knn_entrena_input,
cl = knn_entrena_output,
test = knn_test_input,
k = 3)
KnnBonito <- data.frame(Prediccion = knn_test_pred_k3, Realidad = knn_test_output)
KnnBonito %>%
gt() %>%
tab_header(
title = md("**Predicciones KNN (k=3)**"),
subtitle = md("Comparacion entre prediccion y realidad")
) %>%
cols_label(
Prediccion = "Prediccion",
Realidad = "Realidad"
) %>%
tab_style(
style = list(cell_fill(color = "#4A3F55"), cell_text(color = "white", weight = "bold")),
locations = cells_column_labels(everything())
) %>%
opt_row_striping() %>%
tab_options(
table.width = pct(100),
container.height = pct(100)
) %>%
htmltools::div(style = "height: 400px; overflow-y: auto;", .)| Predicciones KNN (k=3) | |
| Comparacion entre prediccion y realidad | |
| Prediccion | Realidad |
|---|---|
| Si | Si |
| No | No |
| No | Si |
| No | Si |
| No | Si |
| Si | Si |
| Si | Si |
| No | Si |
| Si | Si |
| No | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| No | Si |
| Si | Si |
| Si | Si |
| No | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| Si | No |
| Si | Si |
| Si | No |
| Si | Si |
| No | No |
| Si | No |
| No | Si |
| Si | No |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| No | Si |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| Si | No |
| Si | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | No |
| No | Si |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| No | No |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | No |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | No |
| No | No |
| No | Si |
| No | No |
| No | Si |
| Si | No |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | No |
| Si | Si |
| No | No |
| Si | No |
| Si | Si |
| Si | No |
| No | No |
| No | No |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| No | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | Si |
| Si | Si |
| Si | No |
| No | No |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| No | Si |
| No | No |
| Si | No |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | Si |
| Si | No |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| No | Si |
| Si | Si |
| Si | Si |
| No | Si |
| No | Si |
| Si | Si |
| Si | No |
| No | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | No |
| No | No |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| No | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | No |
| No | Si |
| No | No |
| No | No |
| Si | No |
| Si | Si |
| Si | Si |
| No | Si |
| No | Si |
| Si | No |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| No | Si |
| No | No |
| No | No |
| No | No |
| Si | Si |
| Si | No |
| Si | No |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | No |
| No | No |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | Si |
| Si | No |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| Si | No |
| No | No |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| No | No |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| No | Si |
| Si | No |
| No | No |
| Si | Si |
| Si | No |
| No | No |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | No |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| No | No |
| Si | Si |
| No | Si |
| Si | Si |
| Si | Si |
| Si | No |
| No | Si |
| Si | No |
| No | No |
| Si | Si |
| Si | No |
| Si | No |
| No | No |
| No | No |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| No | Si |
| Si | Si |
| Si | Si |
| No | Si |
| Si | No |
| Si | No |
| Si | Si |
| Si | Si |
| No | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| No | No |
| No | No |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| Si | No |
| Si | No |
| Si | Si |
| Si | No |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| No | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| No | No |
| No | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| Si | No |
| Si | No |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| No | No |
| Si | No |
| No | No |
| No | Si |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| Si | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| No | No |
| Si | No |
| No | Si |
| Si | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| No | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | Si |
| No | Si |
| No | No |
| Si | Si |
| Si | No |
| No | No |
| No | No |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| Si | No |
| No | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| No | No |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| No | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| Si | No |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| No | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | Si |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | No |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | No |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | No |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| Si | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| No | Si |
| No | No |
| Si | Si |
| No | No |
| No | Si |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | No |
| Si | Si |
| Si | Si |
| No | Si |
| No | Si |
| No | No |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| No | Si |
| Si | Si |
| Si | Si |
| No | Si |
| No | No |
| No | No |
| Si | Si |
| No | No |
| Si | No |
| No | No |
| No | No |
| Si | No |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| No | Si |
| Si | No |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | No |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| No | Si |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | No |
| No | No |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | No |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| Si | No |
| Si | No |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | Si |
| Si | Si |
| No | Si |
| No | No |
| Si | Si |
| Si | Si |
| No | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | No |
| Si | Si |
| No | No |
| Si | Si |
| No | Si |
| Si | Si |
| No | No |
| No | No |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | No |
| Si | Si |
| No | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | Si |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| No | Si |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| No | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | Si |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| No | No |
| Si | No |
| Si | Si |
| Si | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| No | No |
| Si | Si |
| Si | No |
| No | Si |
| Si | Si |
| No | No |
| No | Si |
| Si | Si |
| Si | Si |
| No | Si |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| Si | No |
| Si | No |
| Si | No |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | No |
| Si | No |
| No | No |
| Si | Si |
| No | Si |
| Si | Si |
| Si | No |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| Si | No |
| No | No |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| No | Si |
| No | No |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | No |
| No | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| No | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | Si |
| Si | Si |
| Si | Si |
| No | Si |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | No |
| No | Si |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| No | Si |
| Si | Si |
| Si | No |
| No | No |
| Si | No |
| Si | Si |
| Si | No |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| No | No |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| Si | No |
| No | Si |
| No | No |
| No | No |
| Si | No |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| No | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| No | No |
| Si | No |
| Si | Si |
| No | No |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| No | No |
| No | Si |
| Si | Si |
| No | No |
| Si | No |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | Si |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| No | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| No | Si |
| Si | Si |
| No | No |
| No | No |
| No | Si |
| Si | Si |
| Si | No |
| Si | No |
| No | No |
| Si | No |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| No | No |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| Si | No |
| No | No |
| Si | Si |
| Si | Si |
| No | No |
| Si | No |
| Si | Si |
| No | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| No | Si |
| No | Si |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| Si | No |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| No | No |
| No | No |
| No | No |
| Si | Si |
| No | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| No | No |
| No | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | Si |
| Si | Si |
| Si | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | No |
| Si | Si |
| Si | No |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| No | No |
| No | No |
| Si | Si |
| Si | No |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| No | No |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | No |
| No | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| No | Si |
| No | Si |
| No | No |
| No | No |
| No | No |
| No | No |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| Si | No |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | No |
| No | No |
| Si | Si |
| Si | No |
| Si | Si |
| No | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| No | Si |
| No | No |
| Si | No |
| Si | No |
| Si | Si |
| Si | No |
| Si | Si |
| Si | No |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| Si | No |
| Si | No |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | Si |
| Si | Si |
| Si | No |
| No | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | Si |
| Si | Si |
| Si | Si |
| No | Si |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| Si | No |
| Si | Si |
| Si | Si |
| Si | No |
| Si | No |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | Si |
| Si | Si |
| Si | No |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | No |
| Si | Si |
| Si | No |
| Si | Si |
| No | No |
| No | Si |
| No | No |
| Si | Si |
| Si | Si |
| No | No |
| Si | No |
| Si | Si |
| No | Si |
| No | Si |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| No | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| Si | No |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | No |
| No | No |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| No | Si |
| No | No |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | Si |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| No | No |
| Si | No |
| No | Si |
| No | No |
| No | No |
| Si | No |
| No | Si |
| No | No |
| Si | Si |
| Si | No |
| Si | No |
| No | No |
| Si | Si |
| Si | Si |
| No | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | No |
| No | Si |
| Si | No |
| No | No |
| Si | Si |
| Si | Si |
| No | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| Si | No |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| No | No |
| Si | No |
| No | No |
| No | No |
| Si | Si |
| No | Si |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| No | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | No |
| No | No |
| Si | No |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| No | No |
| Si | No |
| Si | Si |
| Si | Si |
| No | Si |
| Si | No |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| No | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| No | No |
| Si | No |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| No | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| Si | No |
| Si | No |
| Si | Si |
| No | No |
| Si | No |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | Si |
| Si | Si |
| Si | Si |
| No | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| No | Si |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| No | No |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| No | Si |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | Si |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| No | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | Si |
| Si | No |
| Si | No |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| No | Si |
| Si | Si |
| No | No |
| No | No |
| Si | No |
| Si | Si |
| Si | Si |
| No | No |
| No | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| No | No |
| Si | No |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| No | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| Si | No |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| No | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| No | Si |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| No | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | No |
| Si | No |
| Si | Si |
| No | Si |
| Si | Si |
| No | Si |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| No | Si |
| Si | No |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| No | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | No |
| No | Si |
| Si | Si |
| Si | Si |
| Si | No |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| No | Si |
| No | No |
| No | No |
| No | Si |
| Si | Si |
| Si | No |
| Si | No |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| No | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | No |
| Si | Si |
| Si | No |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | Si |
| No | No |
| Si | No |
| Si | Si |
| Si | No |
| No | No |
| No | No |
| Si | Si |
| No | No |
| Si | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| No | No |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | No |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | No |
| No | No |
| Si | No |
| Si | No |
| No | No |
| No | No |
| Si | Si |
| Si | No |
| No | No |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| No | No |
| No | No |
| No | No |
| Si | Si |
| Si | No |
| No | No |
| Si | No |
| Si | Si |
| Si | No |
| No | No |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| No | Si |
| No | No |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | No |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| No | No |
| No | No |
| Si | Si |
| Si | No |
| No | No |
| No | Si |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| No | Si |
| No | No |
| No | Si |
| Si | Si |
| No | Si |
| No | No |
| Si | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | No |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | No |
| Si | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | Si |
| Si | Si |
| No | Si |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| No | Si |
| Si | Si |
| Si | Si |
| Si | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| No | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | No |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| Si | Si |
| No | Si |
| Si | Si |
| No | Si |
| Si | Si |
| Si | Si |
| No | No |
| Si | Si |
| No | No |
| No | No |
| No | Si |
| Si | Si |
| No | Si |
precision <- as.numeric(mean(knn_test_pred_k3 == knn_test_output))
matriz <- table(knn_test_pred_k3, knn_test_output)
data.frame(
Metrica = c("Precision", "Aciertos", "Errores", "Total"),
Valor = c(
paste0(round(precision * 100, 2), "%"),
format(sum(diag(matriz)), big.mark = "."),
format(sum(matriz) - sum(diag(matriz)), big.mark = "."),
format(sum(matriz), big.mark = ".")
)
) %>%
gt() %>%
tab_header(
title = md("**Metricas de Desempeno - KNN (k=3)**"),
subtitle = md("Prediccion de cotizacion a pension")
) %>%
cols_label(
Metrica = "Indicador",
Valor = "Resultado"
) %>%
tab_style(
style = list(cell_fill(color = "#4A3F55"), cell_text(color = "white", weight = "bold")),
locations = cells_column_labels(everything())
) %>%
opt_row_striping() %>%
tab_options(table.width = pct(50))| Metricas de Desempeno - KNN (k=3) | |
| Prediccion de cotizacion a pension | |
| Indicador | Resultado |
|---|---|
| Precision | 82% |
| Aciertos | 2.050 |
| Errores | 450 |
| Total | 2.500 |
El modelo KNN con k = 3 alcanzó una precisión del 83.56%, clasificando
correctamente 2.089 de los 2.500 casos del conjunto de prueba. Esta
métrica evidencia un desempeño adecuado del modelo para identificar
individuos pertenecientes al empleo formal e informal. Asimismo, el
modelo presentó un margen de error cercano al 16.44%, correspondiente a
411 casos clasificados incorrectamente, reflejando un nivel de
equivocación relativamente bajo frente al total de observaciones
analizadas.
k <- 1:50
resultado <- data.frame(k, precision = 0)
for(n in k){
knn_test_pred <- knn(train = knn_entrena_input,
cl = knn_entrena_output,
test = knn_test_input,
k = n)
resultado$precision[n] <- mean(knn_test_pred == knn_test_output)
}
resultado %>%
gt() %>%
tab_header(
title = md("**Precision de KNN segun valor de k**"),
subtitle = md("Comparacion de precision para k = 1 a 50")
) %>%
cols_label(
k = "Numero de vecinos (k)",
precision = "Precision"
) %>%
fmt_number(columns = precision, decimals = 4) %>%
tab_style(
style = list(cell_fill(color = "#4A3F55"), cell_text(color = "white", weight = "bold")),
locations = cells_column_labels(everything())
) %>%
data_color(
columns = precision,
colors = scales::col_numeric(palette = c("#D6CDEA", "#7C6A9C", "#4A3F55"), domain = NULL)
) %>%
opt_row_striping() %>%
tab_options(table.width = pct(50)) %>%
htmltools::div(style = "height: 400px; overflow-y: auto;", .)| Precision de KNN segun valor de k | |
| Comparacion de precision para k = 1 a 50 | |
| Numero de vecinos (k) | Precision |
|---|---|
| 1 | 0.8072 |
| 2 | 0.8132 |
| 3 | 0.8200 |
| 4 | 0.8216 |
| 5 | 0.8260 |
| 6 | 0.8240 |
| 7 | 0.8304 |
| 8 | 0.8276 |
| 9 | 0.8300 |
| 10 | 0.8304 |
| 11 | 0.8292 |
| 12 | 0.8256 |
| 13 | 0.8268 |
| 14 | 0.8260 |
| 15 | 0.8228 |
| 16 | 0.8224 |
| 17 | 0.8240 |
| 18 | 0.8236 |
| 19 | 0.8248 |
| 20 | 0.8196 |
| 21 | 0.8196 |
| 22 | 0.8220 |
| 23 | 0.8204 |
| 24 | 0.8236 |
| 25 | 0.8264 |
| 26 | 0.8240 |
| 27 | 0.8256 |
| 28 | 0.8252 |
| 29 | 0.8264 |
| 30 | 0.8260 |
| 31 | 0.8264 |
| 32 | 0.8232 |
| 33 | 0.8232 |
| 34 | 0.8216 |
| 35 | 0.8228 |
| 36 | 0.8224 |
| 37 | 0.8212 |
| 38 | 0.8208 |
| 39 | 0.8184 |
| 40 | 0.8184 |
| 41 | 0.8188 |
| 42 | 0.8200 |
| 43 | 0.8172 |
| 44 | 0.8160 |
| 45 | 0.8148 |
| 46 | 0.8144 |
| 47 | 0.8156 |
| 48 | 0.8128 |
| 49 | 0.8148 |
| 50 | 0.8112 |
resultado %>%
ggplot() +
aes(k, precision) +
geom_line(color = "#7C6A9C", size = 1, linetype = "solid") +
geom_point(color = "#4A3F55", size = 1) +
labs(title = "Precision de KNN segun valor de k",
x = "Numero de vecinos (k)",
y = "Precision") +
theme_minimal(base_size = 12) +
theme(
plot.title = element_text(color = "#4A3F55", face = "bold", size = 14),
axis.title = element_text(color = "#4A3F55", face = "bold"),
axis.text = element_text(color = "#4A3F55"),
panel.grid.major = element_line(color = "#D6CDEA", linetype = "dotted"),
panel.grid.minor = element_blank()
)
El gráfico de precisión de KNN según el valor de k muestra un
comportamiento estable, con un rendimiento óptimo en el rango entre 5 y
25 vecinos, donde se alcanza una precisión entre el 82% y 83%. Para
valores bajos de k el modelo tiende a sobreajustarse, mientras que para
valores altos la precisión disminuye progresivamente. Este
comportamiento evidencia que el modelo KNN logra un equilibrio
adecuado entre sesgo y varianza dentro del rango óptimo,
validando su capacidad predictiva para clasificar la formalidad laboral
a partir de variables sociodemográficas y laborales. Según James et
al. (2021), la selección adecuada del parámetro k es fundamental en
modelos KNN, ya que valores muy pequeños pueden generar sobreajuste,
mientras que valores demasiado grandes reducen la capacidad del modelo
para capturar patrones importantes dentro de los datos.
set.seed(28)
knn_entrenado <- train(cotiza_f ~ Edad_esc + Sexo_esc + Zona_esc +
Nivel_educativo_esc + Ingresos_esc,
data = knn_entrena,
method = "knn",
tuneLength = 200)load("Data final.RData")
mejor_k <- knn_entrenado$bestTune$k
mejor_precision <- knn_entrenado$results[knn_entrenado$results$k == mejor_k, "Accuracy"]
data.frame(
Metrica = c("Mejor valor de k", "Precision alcanzada"),
Valor = c(mejor_k, paste0(round(mejor_precision * 100, 2), "%"))
) %>%
gt() %>%
tab_header(title = md("**KNN - Mejor modelo encontrado**")) %>%
cols_label(Metrica = "", Valor = "") %>%
tab_style(
style = list(cell_fill(color = "#4A3F55"), cell_text(color = "white", weight = "bold")),
locations = cells_column_labels(everything())
) %>%
tab_options(table.width = pct(40))| KNN - Mejor modelo encontrado | |
| Mejor valor de k | 11 |
| Precision alcanzada | 82.78% |
Los resultados obtenidos muestran que el mejor desempeño del modelo se
alcanzó con un valor de k=11, obteniendo una precisión (accuracy)
aproximada del 82.78%. Este resultado evidencia que el modelo KNN
presenta un desempeño adecuado para clasificar individuos pertenecientes
al empleo formal e informal, seleccionando automáticamente el parámetro
que maximiza la capacidad predictiva dentro del rango evaluado.
knn_entrenado$results %>%
ggplot(aes(x = k, y = Accuracy)) +
geom_line(color = "#7C6A9C", size = 0.5) +
geom_point(color = "#4A3F55", size = 1.5) +
labs(title = "Precision de KNN segun valor de k",
subtitle = paste("Mejor k =", knn_entrenado$bestTune$k),
x = "Numero de vecinos (k)",
y = "Precision (Accuracy)") +
theme_minimal() +
theme(
plot.title = element_text(color = "#4A3F55", face = "bold", size = 14),
plot.subtitle = element_text(color = "#7C6A9C", size = 11),
axis.title = element_text(color = "#4A3F55", face = "bold", size = 11),
axis.text = element_text(color = "#4A3F55", size = 9),
panel.grid.major = element_line(color = "#D6CDEA", linetype = "dashed"),
panel.grid.minor = element_blank()
)
El gráfico de precisión muestra una estabilidad notable a lo largo de
los distintos valores de k, con fluctuaciones mínimas. El punto óptimo
se alcanza en k = 11, a partir del cual la precisión se mantiene
relativamente constante hasta aproximadamente k = 25, para luego
descender ligeramente, adicionalmente la precisión según los distintos
valores de k evidencia que el desempeño del modelo se mantiene
relativamente estable para valores intermedios. Esto sugiere que el
modelo logra un equilibrio adecuado entre sensibilidad al ruido y
capacidad de generalización, reflejando que las variables
sociodemográficas y laborales utilizadas permiten identificar patrones
relativamente consistentes asociados a la formalidad laboral en
Colombia.
knn_prediccion <- predict(knn_entrenado, newdata = knn_test)
prob_knn_prediccion <- predict(knn_entrenado, newdata = knn_test, type = "prob")cm_knn <- confusionMatrix(knn_prediccion, knn_test$cotiza_f)
data.frame(
Metrica = c("Accuracy", "Sensibilidad", "Especificidad",
"VPP", "VPN",
"Aciertos", "Total", "Error"),
Valor = c(
paste0(round(cm_knn$overall["Accuracy"] * 100, 2), "%"),
paste0(round(cm_knn$byClass["Sensitivity"] * 100, 2), "%"),
paste0(round(cm_knn$byClass["Specificity"] * 100, 2), "%"),
paste0(round(cm_knn$byClass["Pos Pred Value"] * 100, 2), "%"),
paste0(round(cm_knn$byClass["Neg Pred Value"] * 100, 2), "%"),
format(sum(diag(cm_knn$table)), big.mark = "."),
format(sum(cm_knn$table), big.mark = "."),
paste0(round((1 - cm_knn$overall["Accuracy"]) * 100, 2), "%")
)
) %>%
gt() %>%
tab_header(
title = md("**Metricas de Desempeno - KNN**"),
subtitle = md(paste("Mejor k =", knn_entrenado$bestTune$k))
) %>%
cols_label(
Metrica = "Indicador",
Valor = "Resultado"
) %>%
tab_style(
style = list(cell_fill(color = "#4A3F55"), cell_text(color = "white", weight = "bold")),
locations = cells_column_labels(everything())
) %>%
opt_row_striping() %>%
tab_options(table.width = pct(70))| Metricas de Desempeno - KNN | |
| Mejor k = 11 | |
| Indicador | Resultado |
|---|---|
| Accuracy | 83.24% |
| Sensibilidad | 62.17% |
| Especificidad | 94.27% |
| VPP | 85.03% |
| VPN | 82.64% |
| Aciertos | 2.081 |
| Total | 2.500 |
| Error | 16.76% |
El modelo KNN alcanzó una precisión global del 83.24%, clasificando
correctamente 2.081 de 2.500 casos en el conjunto de prueba siendo este
un desempeño adecuado para identificar individuos pertenecientes al
empleo formal e informal. Asimismo, presentó una especificidad del
94.27%, indicando una alta capacidad para reconocer correctamente a las
personas que no pertenecen al empleo formal asireduciendo
significativamente los falsos positivos sugiriendo que el modelo
logra identificar patrones similares entre individuos con
características laborales y sociodemográficas relacionadas con
condiciones de informalidad.
en cuanto a la sensibilidad fue del 62.17%, lo que evidencia que aún
existen algunas dificultades para identificar correctamente ciertos
individuos vinculados al empleo formal, sin embargo, los valores
predictivos positivo y negativo, 85.03% y 82.64%, respectivamente,
muestran que el modelo mantiene un nivel de confianza adecuado en sus
clasificaciones y la tasa de error del 16.76% refleja un desempeño
sólido dentro del problema de clasificación analizado, considerando la
complejidad del mercado laboral colombiano y la diversidad de
condiciones laborales, situación consistente con los análisis sobre las
dinámicas de formalidad e informalidad laboral en Colombia (DANE, 2025).
pred_roc <- prediction(as.numeric(knn_prediccion), as.numeric(knn_test$cotiza_f))
perf_roc <- performance(pred_roc, "tpr", "fpr")
auc_knn <- performance(pred_roc, "auc")
auc_valor <- round(auc_knn@y.values[[1]], 3)
plot(perf_roc,
main = paste("Curva ROC - KNN | AUC =", auc_valor),
col = "#7C6A9C",
lwd = 2,
xlab = "Tasa de Falsos Positivos (1 - Especificidad)",
ylab = "Tasa de Verdaderos Positivos (Sensibilidad)")
abline(a = 0, b = 1, lty = 2, col = "#D6CDEA", lwd = 1.5)
grid(col = "#D6CDEA", lty = "dotted")
legend("bottomright",
legend = c(paste("AUC =", auc_valor), "Azar"),
col = c("#7C6A9C", "#D6CDEA"),
lwd = c(2, 1.5),
bty = "n")
La curva ROC presentó un AUC de 0.782, indicando una capacidad
discriminatoria aceptable para diferenciar entre individuos
pertenecientes al empleo formal e informal. Aunque este resultado es
superior al azar, se encuentra por debajo de modelos con desempeños más
altos, evidenciando que el KNN logra identificar patrones importantes,
aunque con menor precisión que otros enfoques predictivos.
Asimismo, la curva se mantiene alejada de la diagonal de referencia en
gran parte de los umbrales de clasificación, mostrando que el modelo
alcanza una relación adecuada entre verdaderos positivos y falsos
positivos, pepresentando una medida importante para evaluar la
capacidad discriminatoria de los modelos supervisados frente a
diferentes puntos de clasificacióncon James et al. (2021).
4.3 Comparación de los modelos
tabla_modelos <- data.frame(
Modelo = c("Regresion Logistica", "KNN"),
Accuracy = c("83.24%", "82.78%"),
Sensibilidad = c("93.81%", "62.17%"),
Especificidad = c("62.00%", "94.27%"),
AUC = c("0.867", "0.782"),
Balanced_Accuracy = c("0.779", "0.782")
)
tabla_modelos %>%
gt() %>%
tab_header(
title = md("**Comparacion de Modelos Predictivos**"),
subtitle = md("Rendimiento de Regresion Logistica vs KNN")
) %>%
tab_style(
style = list(cell_fill(color = "#4A3F55"), cell_text(color = "white", weight = "bold")),
locations = cells_column_labels(everything())
) %>%
opt_row_striping() %>%
tab_options(table.width = pct(80))| Comparacion de Modelos Predictivos | |||||
| Rendimiento de Regresion Logistica vs KNN | |||||
| Modelo | Accuracy | Sensibilidad | Especificidad | AUC | Balanced_Accuracy |
|---|---|---|---|---|---|
| Regresion Logistica | 83.24% | 93.81% | 62.00% | 0.867 | 0.779 |
| KNN | 82.78% | 62.17% | 94.27% | 0.782 | 0.782 |
Al comparar ambos modelos, la regresión logística presentó un
mejor desempeño general frente al KNN, alcanzando un AUC de
0.867 frente a 0.782, lo que evidencia una mayor capacidad para
diferenciar correctamente entre individuos pertenecientes al empleo
formal e informal, aunque el KNN destacó por su alta especificidad, la
regresión logística logró una sensibilidad superior, identificando
correctamente a una mayor proporción de personas vinculadas al empleo
formal, la regresión logística obtuvo una exactitud ligeramente mayor,
ambos modelos presentaron resultados satisfactorios,
evidenciando que variables como los ingresos, el nivel educativo, la
zona y las características sociodemográficas contienen información
relevante para identificar patrones relacionados con la formalidad
laboral en Colombia.
Según James et al. (2021), los modelos supervisados deben evaluarse no
solo por su precisión general, sino también por su capacidad para
reconocer patrones y diferenciar adecuadamente entre categorías.
5 Conclusiones
El análisis permitió identificar diferencias importantes entre los
trabajadores formales e informales en Colombia para 2025, evidenciando
características asociadas a la realidad del mercado laboral colombiano.
Se observó que los trabajadores formales presentan, en promedio, una
edad superior a los 25 años y trayectoria laboral, lo que sugiere que
la formalidad suele consolidarse con el tiempo y la stabilized
en el empleo. Asimismo, variables como el tipo de trabajo, el
nivel educativo y los ingresos mostraron una relación importante con la
formalidad laboral. En particular, los trabajadores asalariados y
las personas con mayores niveles educativos presentan una mayor
probabilidad de acceder a empleos formales y contar con mecanismos de
protección social. Por el contrario, los niveles educativos más
bajos y menores ingresos continúan asociados a condiciones de
informalidad.
También se identificó una ligera brecha de género, evidenciando una
mayor participación femenina dentro del sector informal, situación que
refleja algunas de las desigualdades presentes en el mercado laboral
colombiano. En términos generales,las regiones con menor desarrollo
industrial presentan tasas de cotización pensional más altas debido a
una mayor dependencia del empleo público. En contraste, los grandes
centros urbanos muestran tasas más bajas por la prevalencia del trabajo
independiente, informal y de servicios privados, el análisis de
variables permitió cumplir con el objetivo de identificar los
principales factores sociodemográficos y laborales relacionados con la
formalidad laboral en Colombia.
La regresión logística presentó el mejor desempeño general, alcanzando
una exactitud cercana al 83% y un AUC de 0.867, evidenciando una alta
capacidad para diferenciar correctamente entre empleo formal e informal.
Además, mostró una sensibilidad superior al 90%, identificando
adecuadamente a gran parte de las personas vinculadas al empleo
formal. En términos explicativos, variables como el nivel
educativo, los ingresos y la zona de residencia resultaron
significativamente relacionadas con la probabilidad de pertenecer al
empleo formal, destacándose especialmente el nivel educativo
como uno de los factores más influyentes,por el contrario, la
edad presentó un menor aporte explicativo dentro del modelo.
Por su parte, el modelo KNN también presentó un desempeño satisfactorio,
con una exactitud cercana al 83% y un AUC de 0.782. Aunque mostró una
alta capacidad para identificar individuos en condición de informalidad,
presentó mayores dificultades para reconocer correctamente algunos casos
de empleo formal, ambos modelos lograron captar patrones relevantes
asociados a la formalidad laboral en Colombia, cumpliendo adecuadamente
con el objetivo planteado. Sin embargo, la regresión logística demostró
un mejor equilibrio entre capacidad predictiva e interpretación de
resultados.
La comparación entre ambos modelos evidenció que, aunque presentan
niveles de exactitud similares, la regresión logística obtuvo un
mejor desempeño general gracias a su mayor capacidad discriminatoria y
sensibilidad. Esto permitió identificar con mayor precisión a
las personas pertenecientes al empleo formal, respondiendo de manera más
adecuada al objetivo de la investigación.
En términos generales, los resultados reflejan que variables como el
nivel educativo, los ingresos y las condiciones laborales continúan
siendo factores determinantes en la formalidad laboral colombiana.
Asimismo, se concluye que la regresión logística es el modelo más
apropiado para este estudio, ya que combina un buen desempeño predictivo
con una mayor facilidad de interpretación.
6 Bibliografía
Colombia - Gran Encuesta Integrada de Hogares - GEIH - 2025. (s. f.). https://microdatos.dane.gov.co
Departamento Administrativo Nacional de Estadística. (2025). Proyecciones de población y mercado laboral. DANE
Departamento Administrativo Nacional de Estadística. (2020). Boletín técnico: Fuerza laboral y educación 2019. Recuperado de Boletín técnico GEIH 2019 - DANE
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An introduction to statistical learning: With applications in R (2nd ed.). Springer.
Sievert, C. (2020). Interactive Web-Based Data Visualization with R, plotly, and shiny. Chapman and Hall/CRC. https://plotly-r.com/20
Wickham, H. (2016). ggplot2: Elegant Graphics for Data Analysis (2.ª ed.). Springer-Verlag New York. https://ggplot2-book.org/
Xie, Y. (2015). Dynamic documents with R and knitr (2nd ed.). Chapman and Hall/CRC. https://yihui.org/knitr/
Iannone, R., Cheng, J., Schloerke, B., Hughes, E., Lauer, A., & Seo, J. (2024). gt: Easily create presentation-ready display tables (Versión 0.10.0). https://gt.rstudio.com/
Wickham, H., François, R., Henry, L., Müller, K., & Vaughan, D. (2023). dplyr: A grammar of data manipulation (Versión 1.1.0). https://dplyr.tidyverse.org/
---
title: "Aplicación de modelos de aprendizaje supervisado para el análisis de la formalidad laboral en Colombia para  2025"
author: "Maikol David sandoval Mayorga, Anna Isabella Rodríguez Romero, Fabián Urbano Cruz, Brehiner Andrés Valencia Puerta"
date: "Mayo de 2026"
output: 
  html_document:
    toc: true
    toc_depth: 3
    toc_float: true
    collapsed: true
    smooth_scroll: true
    theme: flatly
    highlight: kate
    df_print: paged
    code_folding: "show"  
    code_download: true     
    code_menu: true     
---

# 1 Introducción
<div style="text-align: justify;">**La informalidad laboral constituye una de las principales problemáticas del mercado laboral en Colombia**, debido a sus efectos negativos sobre la estabilidad económica de los trabajadores y su acceso limitado a sistemas de protección social, como la seguridad social en pensiones. De acuerdo con organismos internacionales como la Organización Internacional del Trabajo (OIT), **la informalidad laboral continúa siendo una característica predominante en las economías en desarrollo**, donde una proporción considerable de la población ocupada trabaja bajo condiciones de vulnerabilidad y sin cobertura adecuada. De acuerdo con diversas estadísticas nacionales, **una proporción significativa de la población ocupada se encuentra en condiciones de informalidad**, lo que refleja desigualdades estructurales asociadas a factores socioeconómicos y demográficos. Para 2024 cerca del 48% de las personas ocupadas en Colombia cotizaban a pensión, lo que representa una mejora gradual frente a años anteriores, como en 2017 siendo del 35%, aunque aún persisten amplias brechas en términos de formalidad laboral. E 2021 y 2024 la cobertura pensional en la población ocupada aumentó aproximadamente cinco puntos porcentuales, pasando de 43% a 48%, impulsada principalmente por la recuperación del empleo asalariado formal tras la pandemia y por políticas como el Programa de Empleo Formal (PAEF) y la reforma pensional en discusión (DANE, 2025; OIT, 2025).</div>

<div style="text-align: justify;">En este contexto, resulta relevante analizar los determinantes que inciden en la probabilidad de que un individuo se desempeñe en un empleo formal o informal. La clasificación de los trabajadores en estas categorías permite comprender mejor la dinámica del mercado laboral colombiano y aporta evidencia empírica útil para el diseño de políticas públicas orientadas a la formalización del empleo. Adicionalmente, entender qué características sociodemográficas y laborales favorecen la cotización pensional ayuda a focalizar los esfuerzos del Estado en poblaciones específicas, como los jóvenes, las mujeres, los trabajadores independientes o quienes habitan en zonas rurales del país.</div>

<div style="text-align: justify;">El presente estudio se desarrolla a partir de la base de datos de la Gran Encuesta Integrada de Hogares (GEIH) 2025 del DANE, considerando una muestra de individuos mayores de edad en el territorio colombiano. Se define como variable dependiente el tipo de empleo, clasificado de forma binaria en formal e informal, utilizando como criterio la cotización al sistema de pensiones: los individuos que cotizan se consideran empleados formales, mientras que aquellos que no lo hacen se clasifican como informales.
Como variables explicativas se incluyen características sociodemográficas y económicas tales como la edad, el nivel educativo, el estrato socioeconómico, la ocupación, el ingreso, la zona de residencia (urbana o rural) y el sexo. Estas variables han sido ampliamente reconocidas  como factores determinantes en la inserción laboral y la calidad del empleo.</div>

<div style="text-align: justify;">El análisis se enmarca dentro del aprendizaje supervisado, el cual, según James et al. (2021), consiste en modelar la relación entre una o más variables predictoras X Y una variable respuesta y, utilizando un conjunto de datos etiquetados para predecir el comportamiento de nuevos datos. Este enfoque permite estimar la probabilidad de pertenencia a cada categoría de la variable dependiente (formal o informal). De esta forma, el aprendizaje supervisado facilita la identificación de patrones y la construcción de modelos predictivos con aplicaciones en el mercado laboral colombiano.</div>


<div style="text-align: justify;">Desde el punto de vista metodológico, se emplean técnicas de aprendizaje supervisado para la clasificación de los individuos, específicamente los modelos K-Nearest Neighbors (KNN) y regresión logística (Logit). El objetivo es comparar el desempeño de ambos modelos en términos de su capacidad predictiva y determinar cuál resulta más adecuado para explicar la formalidad laboral en el contexto analizado.</div>

# 2 Metodología 
## 2.1 Fuente de datos

<div style="text-align: justify;">Para el desarrollo del presente estudio se utilizó la base de datos de la Gran Encuesta Integrada de Hogares (GEIH) 2025, elaborada por el DANE. Esta encuesta recopila información sociodemográfica y laboral de los hogares colombianos, permitiendo analizar las condiciones de empleo de la población.</div>

<div style="text-align: justify;">La muestra analizada está compuesta por individuos mayores de edad registrados en la GEIH 2025, seleccionados para el desarrollo del presente estudio. A partir de esta información, se construyó una base depurada enfocada en el análisis de la formalidad laboral en Colombia.</div>

## 2.2 Definición de variables

<div style="text-align: justify;">La variable dependiente del estudio corresponde a la cotización a pensión de las personas, definida de manera binaria, donde 1 representa empleo formal y 0 empleo informal. Esta clasificación se construyó a partir de la variable “cotiza pensión”, considerando como trabajadores formales a aquellos individuos que realizan aportes al sistema pensional, mientras que quienes no cotizan fueron clasificados como trabajadores informales. Este criterio se utiliza como aproximación a la formalidad laboral debido a su relación con el acceso a la seguridad social y el cumplimiento de las condiciones laborales formales.</div>

<div style="text-align: justify;">Como variables independientes se incluyeron la edad, el sexo, la zona de residencia, el estrato socioeconómico, el nivel educativo, la antigüedad laboral, tipo de empleo y los ingresos. Estas variables fueron seleccionadas debido a su relevancia en el análisis del mercado laboral, ya que permiten capturar características sociodemográficas y económicas que pueden influir en la probabilidad de que un individuo pertenezca al sector formal o informal de la economía.</div>

## 2.3 Preprocesamiento y limpieza de datos 

<div style="text-align: justify;">Inicialmente, la información proveniente de distintos archivos de la GEIH fue organizada y consolidada utilizando ciclos for en R, lo que permitió seleccionar y unificar las variables necesarias para el análisis.Posteriormente, se realizó un proceso de depuración de la base de datos mediante la identificación y eliminación de registros con valores faltantes utilizando funciones como is.na(). Esto permitió trabajar únicamente con observaciones completas y garantizar una mayor consistencia en la estimación de los modelos.</div>

<div style="text-align: justify;">Adicionalmente, se construyó una matriz de correlación con el fin de analizar la relación existente entre algunas variables explicativas y evaluar posibles problemas de multicolinealidad dentro del modelo.
Finalmente, se tomó una muestra aleatoria de 10.000 observaciones para la construcción de la base de análisis, debido a que la base depurada contaba con aproximadamente 200.000 registros. Esta reducción se realizó con el propósito de mejorar la eficiencia computacional y facilitar el procesamiento de los modelos de clasificación. Posteriormente, la muestra fue dividida en un conjunto de entrenamiento de 7500 observaciones y un conjunto de prueba de 2500 observaciones.</div>

## 2.4 Modelo de regresión logística (Logit)

<div style="text-align: justify;">El primer modelo implementado es el modelo de regresión logística (Logit), ampliamente utilizado en problemas donde la variable dependiente es de naturaleza binaria. En este caso, el modelo permite estimar la probabilidad de que un individuo pertenezca a la categoría de empleo formal a partir de un conjunto de variables sociodemográficas y económicas.
La regresión logística modela la relación entre las variables explicativas y la probabilidad de ocurrencia del evento de interés mediante una función logística, expresada de la siguiente manera:</div>
$$ 
P(Y = 1) = \frac{1}{1 + e^{-(\beta_0 + \beta_1 X_1 + \dots + \beta_n X_n)}} 
$$
<div style="text-align: justify;">Donde P(Y=1) representa la probabilidad de que un individuo tenga un empleo formal y n los coeficientes asociados a las variables explicativas del modelo.El modelo fue estimado utilizando la muestra de entrenamiento y posteriormente evaluado sobre la muestra de prueba.</div>

## 2.5 Modelo K-Nearest Neighbors (KNN)

<div style="text-align: justify;">Como segundo método de clasificación se implementó K-Nearest Neighbors (KNN), un algoritmo de aprendizaje supervisado utilizado para problemas de clasificación. Este método clasifica cada observación de acuerdo con la categoría predominante entre sus vecinos más cercanos, utilizando medidas de distancia entre individuos con características similares.
Para la implementación del modelo se utilizó un valor de K=3 y además se buscó el mejor valor K, tomando como referencia el código guía proporcionado para el desarrollo de la actividad. El modelo fue estimado utilizando la muestra de entrenamiento y posteriormente evaluado sobre la muestra de prueba.</div>

## 2.6 Evaluación del desempeño

<div style="text-align: justify;">El desempeño de los modelos KNN y Logit fue evaluado utilizando la muestra de prueba, con el fin de comparar su capacidad de clasificación sobre observaciones no utilizadas durante el entrenamiento. Para ello, se analizaron las predicciones obtenidas y la capacidad de los modelos para identificar correctamente los tipos de empleo.</div>

```{r librerias, message=FALSE, warning=FALSE }
library(dplyr)
library(tidyverse)
library(gt)
library(scales)
library(caret)
library(pROC)
library(broom)
library(class)
library(ROCR)
library(corrplot)
library(DT)
library(ggplot2)
library(sf)
library(plotly)
```

```{r base datos, message=FALSE, warning=FALSE}
ruta_base <- "~/ESTUDIO/Semestres/2026-1/GESTION DE DATOS/Taller 2/Base taller 2/"

mis_variables <- c("DIRECTORIO", "SECUENCIA_P", "ORDEN", "HOGAR", "AREA", "CLASE",
                   "P6040", "P6220", "P6050", "P6430", "P6426", "P3271", "P6920",
                   "P6500", "P3042")

leer_y_filtrar <- function(ruta_archivo) {
  df <- read_csv2(ruta_archivo, col_types = cols(.default = "c"), show_col_types = FALSE)
  df_limpio <- df %>% select(any_of(mis_variables))
  return(df_limpio)
}

meses_nombres <- c("Enero 2025", "Febrero 2025", "Marzo 2025", "Abril 2025", 
                   "Mayo 2025", "Junio 2025", "Julio 2025", "Agosto 2025", 
                   "Septiembre 2025", "Octubre 2025", "Noviembre 2025", "Diciembre 2025")

lista_anual <- list()

for (mes in meses_nombres) {
  ruta_completa <- paste0(ruta_base, mes)
  archivos <- list.files(path = ruta_completa, pattern = "\\.csv$", full.names = TRUE, ignore.case = TRUE)
  
  if (length(archivos) > 0) {
    message(paste("Leyendo:", mes))
  
    base_mes <- archivos %>% 
      map(leer_y_filtrar) %>% 
      reduce(full_join, by = intersect(names(.), c("DIRECTORIO", "SECUENCIA_P", "ORDEN", "HOGAR"))) %>% 
      mutate(MES_ETIQUETA = mes)
    
    lista_anual[[mes]] <- base_mes
    rm(base_mes)
    gc()
  } else {
    message(paste("No se encontraron archivos en:", mes))
  }
}

base_final_2025 <- bind_rows(lista_anual)

base_final_2025 <- base_final_2025 %>% 
  rename(
    Cotizando_Pension = P6920,
    Tipo_de_empleo = P6430,
    Cuanto_lleva_trabajando = P6426,
    Ingresos_recibidos = P6500,
    Edad = P6040,
    Nivel_educativo = P3042,
    Estrato_socioeconomico = P6050,
    Zona = CLASE,
    Area_metropolitana = AREA,
    Sexo = P3271,
    Mes = MES_ETIQUETA
  ) %>% 
  select(-DIRECTORIO, -SECUENCIA_P) %>% 
  relocate(Mes, .before = 1)

base_final_2025 <- base_final_2025 %>%
  mutate(
    Edad = as.numeric(Edad),
    Cotizando_Pension = as.numeric(Cotizando_Pension),
    Tipo_de_empleo = as.numeric(Tipo_de_empleo),
    Cuanto_lleva_trabajando = as.numeric(Cuanto_lleva_trabajando),
    Ingresos_recibidos = as.numeric(Ingresos_recibidos),
    Nivel_educativo = as.numeric(Nivel_educativo),
    Estrato_socioeconomico = as.numeric(Estrato_socioeconomico),
    Zona = as.numeric(Zona),
    Area_metropolitana = as.numeric(Area_metropolitana),
    Sexo = as.numeric(Sexo)
  )
base_final_2025 <- base_final_2025 %>%
  mutate(Cotizando_Pension = ifelse(Cotizando_Pension == 1, 1, 0))

base_final_2025 <- base_final_2025 %>%
  filter(rowSums(is.na(.)) <= 0)

write_csv(base_final_2025, "base_final_2025.csv")

base_muestra <- read_csv("base_muestra.csv")
write_csv(base_muestra, "base_muestra.csv")
```

```{r base, message=FALSE, warning=FALSE}
base_muestra %>%
  slice_head(n = 1000) %>%
  mutate(
    Mes_num = match(str_extract(Mes, "^[^ ]+"), 
                    c("Enero", "Febrero", "Marzo", "Abril", "Mayo", "Junio", 
                      "Julio", "Agosto", "Septiembre", "Octubre", "Noviembre", "Diciembre"))
  ) %>%
  arrange(Mes_num) %>%
  select(-Mes_num) %>%
  mutate(
    Sexo = ifelse(Sexo == 1, "Masculino", ifelse(Sexo == 2, "Femenino", "ND")),
    Zona = ifelse(Zona == 1, "Urbano", ifelse(Zona == 2, "Rural", "ND")),
    Cotizando_Pension = ifelse(Cotizando_Pension == 1, "Si cotiza", ifelse(Cotizando_Pension == 0, "No cotiza", "ND")),
    Tipo_de_empleo = case_when(
      Tipo_de_empleo == 1 ~ "Obrero/empleado particular",
      Tipo_de_empleo == 2 ~ "Obrero/empleado gobierno",
      Tipo_de_empleo == 3 ~ "Empleado domestico",
      Tipo_de_empleo == 4 ~ "Trabajador familiar",
      Tipo_de_empleo == 5 ~ "Trabajador cuenta propia",
      Tipo_de_empleo == 6 ~ "Patron/empleador",
      Tipo_de_empleo == 7 ~ "Trabajador sin remuneracion",
      TRUE ~ "ND"
    ),
    Ingresos_recibidos = ifelse(is.na(Ingresos_recibidos), "ND", 
                                paste0("$", format(Ingresos_recibidos, big.mark = ".", decimal.mark = ","))),
    Nivel_educativo = case_when(
      Nivel_educativo == 1 ~ "Ninguno",
      Nivel_educativo == 2 ~ "Preescolar",
      Nivel_educativo == 3 ~ "Primaria",
      Nivel_educativo == 4 ~ "Secundaria",
      Nivel_educativo == 5 ~ "Media academica",
      Nivel_educativo == 6 ~ "Media tecnica",
      Nivel_educativo == 7 ~ "Normalista",
      Nivel_educativo == 8 ~ "Tecnica profesional",
      Nivel_educativo == 9 ~ "Tecnologica",
      Nivel_educativo == 10 ~ "Universitaria",
      Nivel_educativo == 11 ~ "Especializacion",
      Nivel_educativo == 12 ~ "Maestria",
      Nivel_educativo == 13 ~ "Doctorado",
      TRUE ~ "ND"
    )
  ) %>%
  select(Mes, Edad, Sexo, Zona, Nivel_educativo, Tipo_de_empleo, Ingresos_recibidos, Cotizando_Pension) %>%
  gt() %>%
  tab_header(
    title = md("**Base de Datos GEIH 2025**"),
    subtitle = md("Gran Encuesta Integrada de Hogares - DANE - Primeros 1,000 registros")
  ) %>%
  cols_label(
    Mes = "Mes",
    Edad = "Edad",
    Sexo = "Sexo",
    Zona = "Zona",
    Nivel_educativo = "Nivel educativo",
    Tipo_de_empleo = "Tipo de empleo",
    Ingresos_recibidos = "Ingresos",
    Cotizando_Pension = "Cotiza pension"
  ) %>%
  tab_style(
    style = list(cell_fill(color = "#4A3F55"), cell_text(color = "white", weight = "bold")),
    locations = cells_column_labels(everything())
  ) %>%
  opt_row_striping() %>%
  tab_options(
    table.width = pct(100),
    table.font.size = "small",
    heading.title.font.size = "large",
    heading.subtitle.font.size = "small",
    table.border.top.color = "#4A3F55",
    table.border.bottom.color = "#4A3F55"
  ) %>%
  tab_source_note("Fuente: DANE - Gran Encuesta Integrada de Hogares (GEIH) 2025. Calculos grupo 2") %>%
  htmltools::div(style = "max-height: 500px; overflow-y: auto;")
```
# 3 Análisis descriptivo

```{r matriz de correlacion, message=FALSE, warning=FALSE}
paleta <- list(
  primary   = "#4A3F55",
  secondary = "#7C6A9C",
  light     = "#D6CDEA",
  dark      = "#2C1F3E",
  bg        = "#F9F9F9",
  accent    = "#F0EDF5"
)

colores_corr <- colorRampPalette(c(paleta$secondary, "#FFFFFF", paleta$primary))(100)
library(tidyverse)

datos_cor <- base_muestra %>%
  select(Edad, Sexo, Zona, Tipo_de_empleo, 
         Nivel_educativo,
         Ingresos_recibidos, Cotizando_Pension)

matriz_cor <- cor(datos_cor, use = "complete.obs")

colnames(matriz_cor) <- c("Edad", "Sexo", "Zona", "Trabajo", 
                          "Nivel educ.",
                          "Ingresos", "Cotiza pensión")
rownames(matriz_cor) <- c("Edad", "Sexo", "Zona","Trabajo", 
                          "Nivel educ.",
                          "Ingresos", "Cotiza pensión")

corrplot(matriz_cor, method = "color", type = "lower",
         diag = FALSE, addCoef.col = paleta$dark, number.cex = 0.75,
         tl.col = paleta$dark, tl.srt = 35, tl.cex = 0.75,          
         col = colores_corr, cl.pos = "b", cl.cex = 0.7, cl.length = 5,
         mar = c(2, 0, 1, 0), bg = "white")

mtext("Fuente: DANE - Gran Encuesta Integrada de Hogares (GEIH) 2025", 
      side = 1, line = 4, cex = 0.7, col = paleta$secondary)
```

<div style="text-align: justify;">El resultado arroja que ninguna de las variables presenta correlaciones excesivamente altas, lo que indica ausencia de problemas fuertes de multicolinealidad dentro del modelo. Según James et al. (2021), **mantener relaciones moderadas entre variables explicativas favorece una mejor interpretación y estabilidad en los modelos predictivos.**</div>

## 3.1 Distribución de la pensión
```{r PENSION, fig.height=6, message=FALSE, warning=FALSE}
base_muestra %>%
  filter(!is.na(Cotizando_Pension), Cotizando_Pension %in% c(0, 1)) %>%
  mutate(Cotizacion = ifelse(Cotizando_Pension == 1, "Si cotiza", "No cotiza")) %>%
  ggplot(aes(x = Cotizacion, fill = Cotizacion)) +
  geom_bar(width = 0.6) +
  geom_text(stat = "count", aes(label = after_stat(count)), 
            vjust = -0.5, color = "#4A3F55", fontface = "bold", size = 5) +
  scale_fill_manual(values = c("Si cotiza" = "#7C6A9C", "No cotiza" = "#D6CDEA")) +
  labs(
    title = "Distribucion de Cotizacion a Pension",
    subtitle = "Poblacion ocupada que cotiza o no al sistema pensional",
    x = "", 
    y = "Cantidad de Personas",
    caption = "Fuente: DANE - GEIH 2025"
  ) +
  theme_minimal() +
  theme(
    legend.position = "none",
    plot.title = element_text(color = "#4A3F55", face = "bold", size = 14),
    plot.subtitle = element_text(color = "#7C6A9C", size = 11),
    plot.caption = element_text(color = "#7C6A9C", hjust = 0, size = 8),
    panel.grid.major.x = element_blank(),
    panel.grid.major.y = element_line(color = "#D6CDEA", linetype = "dashed"),
    axis.text = element_text(size = 11)
  )
```

<div style="text-align: justify;">La gráfica de cotización a pensión permite dimensionar el nivel de informalidad laboral presente en la muestra analizada. Al diferenciar entre quienes cotizan y quienes no cotizan al sistema pensional, se evidencia la proporción de trabajadores vinculados al empleo formal frente a aquellos asociados a condiciones de informalidad.</div>

<div style="text-align: justify;">En la muestra de 10.000 observaciones analizadas, el 35,38% de las personas ocupadas no cotiza al sistema pensional, lo que representa una condición de informalidad laboral baja, por otro lado el **64,62% sí realiza aportes a pensión, reflejando una mayor participación de trabajadores asociados al empleo formal dentro de la muestra**</div>
<div style="text-align: justify;">La relevancia de esta variable radica en que la cotización a pensión se utiliza como proxy de formalidad laboral, convirtiéndose en la variable objetivo del modelo. En este sentido, variables como ingresos, nivel educativo o zona de residencia buscan explicar la probabilidad de que un individuo pertenezca a una u otra categoría.</div>

```{r distribucion de cotizacion en el pais, message=FALSE, warning=FALSE}
url_colombia <- "https://geodata.ucdavis.edu/gadm/gadm4.1/json/gadm41_COL_1.json"
colombia_dept <- st_read(url_colombia, quiet = TRUE)

datos_mapa <- base_final_2025%>%
  mutate(Area_metropolitana = as.character(Area_metropolitana)) %>%
  filter(!is.na(Cotizando_Pension)) %>%
  group_by(COD_DEPTO = Area_metropolitana) %>%
  summarise(
    total_personas = n(),
    cotizantes = sum(Cotizando_Pension == 1, na.rm = TRUE),
    pct_cotiza = (cotizantes / total_personas) * 100
  ) %>%
  ungroup() %>%
  mutate(NAME_1 = case_when(
    COD_DEPTO == "5"  ~ "Antioquia",
    COD_DEPTO == "8"  ~ "Atlántico",
    COD_DEPTO == "11" ~ "BogotáD.C.",
    COD_DEPTO == "13" ~ "Bolívar",
    COD_DEPTO == "15" ~ "Boyacá",
    COD_DEPTO == "17" ~ "Caldas",
    COD_DEPTO == "18" ~ "Caquetá",
    COD_DEPTO == "19" ~ "Cauca",
    COD_DEPTO == "20" ~ "Cesar",
    COD_DEPTO == "23" ~ "Córdoba",
    COD_DEPTO == "27" ~ "Chocó",
    COD_DEPTO == "41" ~ "Huila",
    COD_DEPTO == "44" ~ "LaGuajira",
    COD_DEPTO == "47" ~ "Magdalena",
    COD_DEPTO == "50" ~ "Meta",
    COD_DEPTO == "52" ~ "Nariño",
    COD_DEPTO == "54" ~ "NortedeSantander",
    COD_DEPTO == "63" ~ "Quindío",
    COD_DEPTO == "66" ~ "Risaralda",
    COD_DEPTO == "68" ~ "Santander",
    COD_DEPTO == "70" ~ "Sucre",
    COD_DEPTO == "73" ~ "Tolima",
    COD_DEPTO == "76" ~ "ValledelCauca",
    COD_DEPTO == "81" ~ "Arauca",
    COD_DEPTO == "85" ~ "Casanare",
    COD_DEPTO == "86" ~ "Putumayo",
    COD_DEPTO == "88" ~ "SanAndrésyProvidencia",
    COD_DEPTO == "91" ~ "Amazonas",
    COD_DEPTO == "94" ~ "Guainía",
    COD_DEPTO == "95" ~ "Guaviare",
    COD_DEPTO == "97" ~ "Vaupés",
    COD_DEPTO == "99" ~ "Vichada",
    TRUE ~ NA_character_
  )) %>%
  filter(!is.na(NAME_1))

datos_mapa <- datos_mapa %>%
  bind_rows(
    datos_mapa %>% 
      filter(NAME_1 == "BogotáD.C.") %>% 
      mutate(NAME_1 = "Cundinamarca")
  )
mapa_final <- colombia_dept %>%
  left_join(datos_mapa, by = "NAME_1")

mapa_gg <- ggplot() +
  geom_sf(data = mapa_final, 
          aes(fill = pct_cotiza, 
              text = paste0(NAME_1, ": ", round(pct_cotiza, 1), "%")), 
          color = "white", linewidth = 0.2) +
  scale_fill_gradientn(
    colors = c("white", "#7C6A9C", "#4A3F55", "#2C1F3E"),
    name = "% Cotiza\nPensión",
    na.value = "gray90",
    limits = c(0, 100),
    breaks = seq(0, 100, by = 25)
  ) +
  labs(
    title = "Concentración de Población que Cotiza a Pensión por Departamento",
    subtitle = "Proporción de cotizantes en cada departamento - GEIH 2025",
    caption = "Fuente: DANE - GEIH 2025"
  ) +
  theme_minimal() +
  theme(
    panel.grid = element_blank(),
    axis.title = element_blank(),
    axis.text = element_blank(),
    axis.ticks = element_blank(),
    plot.title = element_text(color = "#2C1F3E", size = 14, face = "bold"),
    plot.subtitle = element_text(color = "#4A3F55", size = 10),
    plot.caption = element_text(color = "#7C6A9C", size = 8, hjust = 0)
  )

ggplotly(mapa_gg, tooltip = "text")
```

<div style="text-align: justify;">Se observa que departamentos con menor desarrollo industrial absoluto como el Amazonas o Putumayo presentan tasas de cotización más altas que los grandes centros urbanos.Este fenómeno responde a la estructura del empleo capturada por la GEIH. En regiones de baja densidad poblacional y economía de enclave, el mercado laboral formal está dominado casi exclusivamente por el empleo público como lo es docentes, fuerzas militares, administrativo. Por el contrario, en Antioquia, Valle o Cundinamarca (Cundinamarca refleja los datos del área metropolitana de Bogotá D.C.), que a pesar de ser las regiones más desarrolladas la muestra es heterogénea e incluye una mayor proporción de trabajadores independientes, informales y de servicios privados, donde la cobertura pensional es significativamente menor.**Por ende la tasa de cotización no mide la riqueza generada (PIB), sino la proporción de trabajadores formales dentro de la población ocupada, que resulta estructuralmente más alta en economías dependientes del sector público**.</div>

## 3.2 Distribución de la edad

```{r analisis graficos histograma edad, message=FALSE, warning=FALSE }
mediana_edad <- median(base_muestra$Edad, na.rm = TRUE)

p <- ggplot(base_muestra, aes(x = Edad)) +
  geom_histogram(bins = 40, fill = "#7C6A9C", color = "#4A3F55", alpha = 0.8) +
  geom_vline(xintercept = mediana_edad, color = "#4A3F55", size = 1.2, linetype = "dashed") +
  scale_y_continuous(labels = label_comma(big.mark = ".")) + 
  labs(
    title = paste("Distribución de la Edad | Mediana =", mediana_edad, "años"),
    subtitle = "Población encuestada por grupos de edad",
    x = "Edad (Años)",
    y = "Cantidad de Personas",
    caption = "Fuente: DANE - GEIH 2025"
  ) +
  theme_minimal() +
  theme(
    plot.title = element_text(color = "#4A3F55", face = "bold", size = 14),
    plot.subtitle = element_text(color = "#7C6A9C", size = 11),
    plot.caption = element_text(color = "#7C6A9C", hjust = 0, size = 8),
    panel.grid.major = element_line(color = "#D6CDEA", linetype = "dashed")
  )

ggplotly(p, tooltip = c("x", "count")) %>%
  config(displayModeBar = FALSE) %>%
  layout(hoverlabel = list(bgcolor = "#4A3F55", font = list(color = "white")))
```

<div style="text-align: justify;">La mayor participación de individuos en edades económicamente activas refleja que la muestra está compuesta principalmente por personas vinculadas al mercado laboral, con una clara concentración en el rango de 25 a 40 años, que corresponde a la etapa de mayor productividad y estabilidad laboral, en relación con la informalidad laboral, la edad puede influir en las condiciones de empleo y en el acceso a mecanismos de protección social. Grupos de edades pueden presentar mayores dificultades para acceder a empleos formales, especialmente en etapas tempranas (menor a 20 años) o avanzadas de la vida laboral (60 años).</div>

## 3.3 Distibución del sexo

```{r diagramas de barras sexo,fig.height=6, message=FALSE, warning=FALSE}
base_muestra %>%
  filter(Sexo %in% c(1, 2)) %>%
  mutate(Sexo = ifelse(Sexo == 1, "Masculino", "Femenino")) %>%
  ggplot(aes(x = Sexo, fill = Sexo)) +
  geom_bar(width = 0.6) +
  geom_text(stat = "count", aes(label = after_stat(count)), 
            vjust = -0.5, color = "#4A3F55", fontface = "bold") +
  scale_fill_manual(values = c("Masculino" = "#7C6A9C", "Femenino" = "#D6CDEA")) +
  labs(
    title = "Distribucion por Sexo",
    subtitle = "Comparacion hombres-mujeres",
    x = "", 
    y = "Personas",
    caption = "Fuente: DANE - GEIH 2025"
  ) +
  theme_minimal() +
  theme(
    legend.position = "none", 
    plot.title = element_text(color = "#4A3F55", face = "bold", size = 14),
    plot.subtitle = element_text(color = "#7C6A9C", size = 11),
    plot.caption = element_text(color = "#7C6A9C", hjust = 0, size = 8)
  )
```

<div style="text-align: justify;">La muestra presenta una distribución equilibrada entre hombres y mujeres, con una ligera ventaja masculina cercana al 52% y una participación femenina del 48%, lo que refleja adecuadamente la estructura poblacional colombiana y evita sesgos de género en los análisis posteriores, la OIT ha documentado que, más que una cuestión de preferencias, existen barreras estructurales que afectan la inserción laboral femenina, así para 2025, la tasa de participación de las mujeres en la fuerza laboral de América Latina fue del 51,4%, mientras que la de los hombres alcanzó el 74,6% (OIT, 2025). Esta brecha refleja desigualdades en el acceso al empleo formal en cuanto a sexo de la persona, aspecto que incide directamente en la menor probabilidad de cotización pensional de las mujeres en comparación con los hombres.</div>

## 3.4 Distribución del nivel educativo

```{r nivel educativo, message=FALSE, warning=FALSE}
base_muestra %>%
  filter(!is.na(Nivel_educativo), Nivel_educativo %in% 1:13) %>%
  mutate(Educacion = case_when(
    Nivel_educativo == 1 ~ "Ninguno",
    Nivel_educativo == 2 ~ "Preescolar",
    Nivel_educativo == 3 ~ "Primaria",
    Nivel_educativo == 4 ~ "Secundaria",
    Nivel_educativo == 5 ~ "Media académica",
    Nivel_educativo == 6 ~ "Media técnica",
    Nivel_educativo == 7 ~ "Normalista",
    Nivel_educativo == 8 ~ "Técnica profesional",
    Nivel_educativo == 9 ~ "Tecnológica",
    Nivel_educativo == 10 ~ "Universitaria",
    Nivel_educativo == 11 ~ "Especialización",
    Nivel_educativo == 12 ~ "Maestría",
    Nivel_educativo == 13 ~ "Doctorado"
  )) %>%
  mutate(Educacion = factor(Educacion, levels = c(
    "Ninguno", "Preescolar", "Primaria", "Secundaria", 
    "Media académica", "Media técnica", "Normalista", 
    "Técnica profesional", "Tecnológica", "Universitaria",
    "Especialización", "Maestría", "Doctorado"
  ))) %>%
  ggplot(aes(x = Educacion, fill = Educacion)) +
  geom_bar(width = 0.7) +
  geom_text(stat = "count", aes(label = after_stat(count)), 
            vjust = -0.2, color = "#4A3F55", fontface = "bold", size = 3) +
  scale_fill_manual(values = c(
    "Ninguno" = "#D6CDEA",
    "Preescolar" = "#D6CDEA",
    "Primaria" = "#D6CDEA",
    "Secundaria" = "#D6CDEA",
    "Media académica" = "#7C6A9C",
    "Media técnica" = "#7C6A9C",
    "Normalista" = "#7C6A9C",
    "Técnica profesional" = "#7C6A9C",
    "Tecnológica" = "#7C6A9C",
    "Universitaria" = "#4A3F55",
    "Especialización" = "#2C1F3E",
    "Maestría" = "#2C1F3E",
    "Doctorado" = "#2C1F3E"
  )) +
  labs(
    title = "Nivel Educativo",
    subtitle = "Distribución de la población por nivel educativo alcanzado",
    x = "", 
    y = "Cantidad de Personas",
    caption = "Fuente: DANE - GEIH 2025"
  ) +
  theme_minimal() +
  theme(
    legend.position = "none",
    plot.title = element_text(color = "#4A3F55", face = "bold", size = 14),
    plot.subtitle = element_text(color = "#7C6A9C", size = 11),
    plot.caption = element_text(color = "#7C6A9C", hjust = 0, size = 8),
    axis.text.x = element_text(angle = 45, hjust = 1, size = 9),
    panel.grid.major.x = element_blank(),
    panel.grid.major.y = element_line(color = "#D6CDEA", linetype = "dashed")
  )
```

<div style="text-align: justify;">Se puede observar una mayor participación de personas con niveles educativos básicos y medios técnicos, representando alrededor del 52% de la muestra, mientras que los niveles superiores presentan menor frecuencia, sin embargo la titulación universitaria cuenta también con un valor relativameente alto, lo cual refleja la estructura educativa del país, para **el año 2019 se reportaba que cerca del 35% de la población contaba con educación secundaria completa y media técnica** (DANE, 2019), y hacia 2025 se proyectó que esta proporción siga una tendencia al alza, con una mayor participación relativa de los niveles medios y superiores en la fuerza laboral (DANE, 2025).</div>

<div style="text-align: justify;">En términos de informalidad laboral, el nivel educativo es una variable importante debido a que influye directamente en el acceso a oportunidades laborales formales. Las personas con mayor formación académica suelen tener mejores condiciones de empleo, mayor estabilidad y mayor acceso a mecanismos de protección social, como la cotización a pensión.</div>

## 3.5 Distribución del empleo

```{r histograma de tipo empleo, message=FALSE, warning=FALSE}
base_muestra %>%
  filter(!is.na(Tipo_de_empleo), Tipo_de_empleo %in% 1:7) %>%
  mutate(Empleo = case_when(
    Tipo_de_empleo == 1 ~ "Trabajador",
    Tipo_de_empleo == 2 ~ "Trabajador gobierno",
    Tipo_de_empleo == 3 ~ "Empleado domestico",
    Tipo_de_empleo == 4 ~ "Trabajador familiar",
    Tipo_de_empleo == 5 ~ "Trabajador cuenta propia",
    Tipo_de_empleo == 6 ~ "Patron/empleador",
    Tipo_de_empleo == 7 ~ "Trabajador sin remuneracion"
  )) %>%
  mutate(Empleo = factor(Empleo, levels = c(
    "Trabajador",
    "Trabajador gobierno",
    "Empleado domestico",
    "Trabajador familiar",
    "Trabajador cuenta propia",
    "Patron/empleador",
    "Trabajador sin remuneracion"
  ))) %>%
  ggplot(aes(x = Empleo, fill = Empleo)) +
  geom_bar(width = 0.7) +
  geom_text(stat = "count", aes(label = after_stat(count)), 
            vjust = -0.2, color = "#4A3F55", fontface = "bold", size = 3) +
  scale_fill_manual(values = c(
    "Trabajador" = "#7C6A9C",
    "Trabajador gobierno" = "#7C6A9C",
    "Empleado domestico" = "#D6CDEA",
    "Trabajador familiar" = "#D6CDEA",
    "Trabajador cuenta propia" = "#D6CDEA",
    "Patron/empleador" = "#4A3F55",
    "Trabajador sin remuneracion" = "#D6CDEA"
  )) +
  labs(
    title = "Tipo de Empleo",
    subtitle = "Distribución de la población por tipo de ocupación laboral",
    x = "", 
    y = "Cantidad de Personas",
    caption = "Fuente: DANE - GEIH 2025"
  ) +
  theme_minimal() +
  theme(
    legend.position = "none",
    plot.title = element_text(color = "#4A3F55", face = "bold", size = 14),
    plot.subtitle = element_text(color = "#7C6A9C", size = 11),
    plot.caption = element_text(color = "#7C6A9C", hjust = 0, size = 8),
    axis.text.x = element_text(angle = 45, hjust = 1, size = 9),
    panel.grid.major.x = element_blank(),
    panel.grid.major.y = element_line(color = "#D6CDEA", linetype = "dashed")
  )
```

<div style="text-align: justify;">Se observa que la mayor parte de la población ocupada de la muestra corresponde a trabajadores particulares al rededor de casi el 80% de personas, siendo la categoría laboral con mayor participación. En menor proporción se encuentran los empleados domésticos y trabajadores sin remuneración.
**Estos resultados evidencian una mayor presencia de trabajadores vinculados a ocupaciones con mayor posibilidad de acceso a mecanismos de protección social y afiliación al sistema de seguridad social**. las diferencias en los tipos de ocupación pueden influir en las condiciones laborales y en la probabilidad de cotización al sistema pensional (DANE, 2025).</div>

## 3.6 Distribución de los ingresos 

```{r grafico de densidad, message=FALSE, warning=FALSE}
p <- base_muestra %>%
  filter(Ingresos_recibidos > 0, Ingresos_recibidos < 15000000) %>%
  mutate(Cotiza = ifelse(Cotizando_Pension == 1, "Si cotiza", "No cotiza")) %>%
  ggplot(aes(x = Ingresos_recibidos, fill = Cotiza)) +
  geom_density(alpha = 0.6) +
  scale_fill_manual(values = c("Si cotiza" = "#7C6A9C", "No cotiza" = "#D6CDEA")) +
  scale_x_continuous(labels = scales::label_comma(big.mark = "."), 
                     limits = c(0, 10000000),
                     breaks = seq(0, 10000000, 2000000)) +
  labs(
    title = "Distribucion de ingresos segun cotizacion a pension",
    x = "Ingresos (Pesos Colombianos)",
    y = "Densidad",
    caption = "Fuente: DANE - GEIH 2025") +
  theme_minimal() +
  theme(
    plot.title = element_text(color = "#4A3F55", face = "bold", size = 14),
    plot.caption = element_text(color = "#7C6A9C", hjust = 1, size = 8, face = "italic"),
    legend.title = element_blank(),
    legend.position = "bottom")

ggplotly(p, tooltip = c("x", "y", "fill")) %>%
  config(displayModeBar = FALSE) %>%
  layout(
    hoverlabel = list(bgcolor = "#4A3F55", font = list(color = "white")),
    legend = list(title = list(text = "")),
    annotations = list(
      text = "Fuente: DANE - GEIH 2025",
      x = 1, y = 0, xref = "paper", yref = "paper",
      xanchor = "right", yanchor = "bottom",
      showarrow = FALSE, font = list(size = 10, color = "#7C6A9C")))
```

<div style="text-align: justify;">Los ingresos de la población analizada presentan una distribución desigual, donde **la mayoría de las personas se concentra en niveles bajos y medios, principalmente inferiores a los 3 millones de pesos colombianos**, mientras que solo una pequeña proporción alcanza ingresos altos. Esto refleja la presencia de una gran cantidad de trabajadores con ingresos limitados dentro del mercado laboral colombiano, de igual manera se observa que las personas que cotizan al sistema pensional tienden a ubicarse en niveles de ingreso más altos, mientras que quienes no cotizan se concentran principalmente en ingresos bajos, evidenciando una relación entre ingresos y formalidad laboral, ya que **los trabajadores con mayores ingresos suelen tener mayor acceso a empleos estables y mecanismos de protección social** (DANE, 2025).</div>

<div style="text-align: justify;">Por ello, el ingreso se convierte en una variable relevante dentro del modelo predictivo, ya que permite diferenciar con mayor precisión a los individuos según su probabilidad de cotizar o no al sistema pensional.</div>

```{r Ingresos, message=FALSE, warning=FALSE}
mediana_ingresos <- median(base_muestra$Ingresos_recibidos[
  base_muestra$Ingresos_recibidos > 0 & 
  base_muestra$Ingresos_recibidos < 10000000], na.rm = TRUE)

p_ingresos <- base_muestra %>%
  filter(Ingresos_recibidos > 0, Ingresos_recibidos < 10000000) %>%
  ggplot(aes(x = Ingresos_recibidos)) +
  geom_histogram(bins = 40, fill = "#7C6A9C", color = "#4A3F55", alpha = 0.7) +
  geom_vline(xintercept = mediana_ingresos, 
             color = "#2C1F3E", linetype = "dashed", linewidth = 1) +
  annotate("text", 
           x = mediana_ingresos + 400000, 
           y = Inf, 
           label = paste0("Mediana: $", format(mediana_ingresos, big.mark = ".")),
           color = "#2C1F3E", fontface = "bold", size = 3.5, vjust = 2) +
  scale_x_continuous(labels = label_comma(big.mark = ".")) +
  scale_y_continuous(labels = label_comma(big.mark = ".")) +
  labs(
    title = "Distribución de Ingresos",
    subtitle = "Población ocupada con ingresos reportados",
    x = "Pesos Colombianos", 
    y = "Frecuencia",
    caption = "Fuente: DANE - GEIH 2025"
  ) +
  theme_minimal() +
  theme(
    plot.title = element_text(color = "#4A3F55", face = "bold", size = 14),
    plot.subtitle = element_text(color = "#7C6A9C", size = 11),
    plot.caption = element_text(color = "#7C6A9C", hjust = 0, size = 8),
    panel.grid.major = element_line(color = "#D6CDEA", linetype = "dashed"))
ggplotly(p_ingresos) %>%
  config(displayModeBar = FALSE) %>%
  layout(
    annotations = list(
      list(
        text = "Fuente: DANE - Gran Encuesta Integrada de Hogares (GEIH) 2025",
        x = 0, y = -0.12,
        xref = "paper", yref = "paper",
        showarrow = FALSE,
        font = list(size = 9, color = "#7C6A9C"),
        xanchor = "left")))
```

<div style="text-align: justify;">la distribución de ingresos revela que la mayoría de los encuestados se concentra en el rango de un millón quinientos mil pesos, representando cerca del 36% de la población analizada evidenciando que gran parte de los colombianos vive con ingresos justos para cubrir sus necesidades básicas, reflejando una marcada asimetría hacia la derecha en la que muy pocas personas logran superar los tres millones de pesos. Esta distribución muestra una profunda desigualdad económica dentro del mercado laboral colombiano, de igual manera se observa que las personas que cotizan al sistema pensional tienden a ubicarse en niveles de ingreso más altos,donde muy pocas personas superan los tres millones de pesos, reflejando una profunda desigualdad económica.</div>

## 3.7 Distribución de la zona
```{r zona rural o urbana,fig.height=6, message=FALSE, warning=FALSE}
base_muestra %>%
  filter(!is.na(Zona), Zona %in% c(1, 2)) %>%
  mutate(Zona_texto = ifelse(Zona == 1, "Urbano", "Rural")) %>%
  ggplot(aes(x = Zona_texto, fill = Zona_texto)) +
  geom_bar(width = 0.6) +
  geom_text(stat = "count", aes(label = after_stat(count)), 
            vjust = -0.5, color = "#4A3F55", fontface = "bold", size = 5) +
  scale_fill_manual(values = c("Urbano" = "#7C6A9C", "Rural" = "#D6CDEA")) +
  labs(
    title = "Distribucion por Zona",
    subtitle = "Poblacion ocupada segun zona geografica (Urbana/Rural)",
    x = "", 
    y = "Cantidad de Personas",
    caption = "Fuente: DANE - GEIH 2025"
  ) +
  theme_minimal() +
  theme(
    legend.position = "none",
    plot.title = element_text(color = "#4A3F55", face = "bold", size = 14),
    plot.subtitle = element_text(color = "#7C6A9C", size = 11),
    plot.caption = element_text(color = "#7C6A9C", hjust = 0, size = 8),
    panel.grid.major.x = element_blank(),
    panel.grid.major.y = element_line(color = "#D6CDEA", linetype = "dashed"),
    axis.text = element_text(size = 11)
  )
```

<div style="text-align: justify;">la población ocupada se concentra mayoritariamente en la zona urbana con 9,038 personas, frente a solo 962 en la zona rural, lo que representa que aproximadamente el 90.38% de los ocupados reside en áreas urbanas. Esta marcada brecha evidenciada (DANE, 2025) refleja la estructura urbanizada del mercado laboral colombiano y tiene importantes implicaciones para el diseño de políticas diferenciadas de empleo y protección social entre el campo y la ciudad.</div>

# 4 Resultados modelos predictivos
## 4.1 Modelo de regresión logística 
```{r cotiza f, message=FALSE, warning=FALSE}
base_muestra$cotiza_f <- factor(base_muestra$Cotizando_Pension,
                                   levels = c(0, 1),
                                   labels = c("No", "Si"))
```

```{r mMODELO, message=FALSE, warning=FALSE}
set.seed(28)
idx <- createDataPartition(y = base_muestra$cotiza_f, p = 0.75, list = FALSE)
train <- base_muestra[idx, ]
test  <- base_muestra[-idx, ]
```

```{r modentreno, message=FALSE, warning=FALSE}
fit_logit <- glm(cotiza_f ~ Edad + Sexo + Zona + Nivel_educativo + Ingresos_recibidos, 
                 data = train, family = binomial())

tidy(fit_logit) %>%
  mutate(
    signif = case_when(
      p.value < 0.001 ~ "***",
      p.value < 0.01 ~ "**",
      p.value < 0.05 ~ "*",
      TRUE ~ ""
    ),
    odds_ratio = exp(estimate),
    odds_ratio = round(odds_ratio, 3)
  ) %>%
  select(term, estimate, odds_ratio, p.value, signif) %>%
  gt() %>%
  tab_header(
    title = md("**Regresion Logistica - Coeficientes**"),
    subtitle = md("Variable respuesta: cotiza_f (Si/No)")
  ) %>%
  cols_label(
    term = "Variable",
    estimate = "Coeficiente",
    odds_ratio = "Odds Ratio",
    p.value = "p-valor",
    signif = "Sig."
  ) %>%
  fmt_number(decimals = 4) %>%
  tab_style(
    style = list(cell_fill(color = "#4A3F55"), cell_text(color = "white", weight = "bold")),
    locations = cells_column_labels(everything())
  ) %>%
  data_color(
    columns = p.value,
    colors = scales::col_numeric(
      palette = c("#D6CDEA", "#7C6A9C", "#4A3F55"),
      domain = c(0, 0.05)
    )
  ) %>%
  tab_source_note("*** p < 0.001; ** p < 0.01; * p < 0.05") %>%
  tab_options(table.width = pct(100))
```

<div style="text-align: justify;">Los resultados de la regresión logística muestran que variables como el nivel educativo, la zona de residencia y los ingresos recibidos presentan una relación estadísticamente significativa con la probabilidad de pertenecer al empleo formal. En contraste, la variable edad no presentó significancia estadística dentro del modelo, lo que sugiere una menor capacidad explicativa frente a las demás variables analizadas.</div>

<div style="text-align: justify;">El nivel educativo fue una de las variables más relevantes dentro del modelo, presentando un odds ratio de 1.219, lo que indica que **a medida el nivel educativo de la persona aumenta en una unidad, aumenta en un 21% la probabilidad de pertenecer al empleo formal**. A su vez, este resultado refleja que las personas con mayores niveles educativos tienen mayores oportunidades de contar con empleos estables y acceso a mecanismos de protección social siendo este comportamiento una representación de la realidad frecuente del mercado laboral colombiano, donde **la educación suele ser un factor determinante para acceder a mejores condiciones laborales**. Lo anterior coincide con lo planteado por James et al. (2021), las variables con mayor capacidad predictiva permiten identificar patrones relevantes asociados al comportamiento de la variable objetivo.</div>

```{r modelopredcc, message=FALSE, warning=FALSE}
p_hat <- predict(fit_logit, newdata = test, type = "response")
pred_clase <- factor(ifelse(p_hat >= 0.5, "Si", "No"), levels = c("Si", "No"))

```

```{r modelooptimo, message=FALSE, warning=FALSE}
roc_o <- roc(response = test$cotiza_f, predictor = p_hat, levels = c("No", "Si"))
umbral <- as.numeric(coords(roc_o, x = "best", best.method = "youden", ret = "threshold"))

pred_clase_opt <- factor(ifelse(p_hat >= umbral, "Si", "No"), levels = c("Si", "No"))
cm_opt <- confusionMatrix(pred_clase_opt, test$cotiza_f, positive = "Si")

data.frame(
  Metrica = c("Accuracy", "Sensibilidad", "Especificidad", 
              "Valor Predictivo Positivo", "Valor Predictivo Negativo",
              "Aciertos", "Total", "Error"),
  Valor = c(
    paste0(round(cm_opt$overall["Accuracy"] * 100, 2), "%"),
    paste0(round(cm_opt$byClass["Sensitivity"] * 100, 2), "%"),
    paste0(round(cm_opt$byClass["Specificity"] * 100, 2), "%"),
    paste0(round(cm_opt$byClass["Pos Pred Value"] * 100, 2), "%"),
    paste0(round(cm_opt$byClass["Neg Pred Value"] * 100, 2), "%"),
    format(sum(diag(cm_opt$table)), big.mark = "."),
    format(sum(cm_opt$table), big.mark = "."),
    paste0(round((1 - cm_opt$overall["Accuracy"]) * 100, 2), "%")
  )
) %>%
  gt() %>%
  tab_header(
    title = md("**Metricas de Desempeno - Regresion Logistica**"),
    subtitle = md(paste("Umbral Optimo =", round(umbral, 3)))
  ) %>%
  cols_label(
    Metrica = "Indicador",
    Valor = "Resultado"
  ) %>%
  tab_style(
    style = list(cell_fill(color = "#4A3F55"), cell_text(color = "white", weight = "bold")),
    locations = cells_column_labels(everything())
  ) %>%
  opt_row_striping() %>%
  tab_options(table.width = pct(70))
```

<div style="text-align: justify;">El modelo fue estimado a partir de una muestra de 10.000 observaciones, utilizando una partición del 75% para entrenamiento y 25% para prueba, permitiendo evaluar el desempeño predictivo sobre datos no utilizados durante el proceso de entrenamiento
La regresión logística presentó una exactitud del 82.99%, lo que evidencia una gran capacidad para clasificar correctamente a las personas pertenecientes al empleo formal e informal, el modelo registró un error del 17.1%, indicando que la proporción de clasificaciones incorrectas fue relativamente baja frente al total de observaciones analizadas, reflejando un desempeño predictivo adecuado, de igual manera la sensibilidad alcanzó un 90.77%, evidenciando que **el modelo identifica correctamente a gran parte de las personas vinculadas al empleo formal**.</div>

<div style="text-align: justify;">La regresión logística presentó una exactitud del 82.99%, lo que evidencia una gran capacidad para clasificar correctamente a las personas pertenecientes al empleo formal e informal y que a comparación del 17.1% de error donde clasificó mal siendo este muy bajo . Asimismo, la sensibilidad alcanzó un 90.77%, evidenciando que **el modelo identifica adecuadamente a gran parte de las personas vinculadas al empleo formal.**</div>


<div style="text-align: justify;">Por otro lado, la especificidad fue menor en comparación con la sensibilidad, lo que sugiere una mayor dificultad para identificar correctamente algunos casos asociados a informalidad laboral. Esto puede relacionarse con la complejidad del mercado laboral colombiano, donde existen trabajadores con condiciones laborales intermedias o inestables que hace que dificulte diferenciar completamente entre formalidad e informalidad. Según James et al. (2021), el desempeño de **los modelos predictivos pueden presentar limitaciones cuando existen patrones sociales y económicos complejos dentro de los datos analizados.**</div>

```{r mostrar los falsos, message=FALSE, warning=FALSE}
as.data.frame(cm_opt$table) %>%
  gt() %>%
  tab_header(
    title = md("**Matriz de Confusion**"),
    subtitle = md(paste("Umbral Optimo =", round(umbral, 3)))
  ) %>%
  cols_label(
    Prediction = "Prediccion",
    Reference = "Realidad",
    Freq = "Frecuencia"
  ) %>%
  tab_style(
    style = list(cell_fill(color = "#4A3F55"), cell_text(color = "white", weight = "bold")),
    locations = cells_column_labels(everything())
  ) %>%
  data_color(
    columns = "Freq",
    colors = scales::col_numeric(palette = c("#D6CDEA", "#7C6A9C", "#4A3F55"), domain = NULL)
  ) %>%
  tab_options(table.width = pct(50))
```

<div style="text-align: justify;">Los resultados muestran una alta cantidad de aciertos en la clasificación de personas pertenecientes al empleo formal, con 1.466 casos correctamente identificados por el modelo, siendo al rededor de casi el 59% de los datos, **evidenciando una importante capacidad predictiva para reconocer individuos que presentan características asociadas a condiciones de empleo formal**, como mayores niveles educativos, mejores ingresos o acceso a mecanismos de protección social, asimismo, el modelo logró identificar adecuadamente 608 casos correspondientes a empleo informal estimado el 24% de los datos, permitiendo diferenciar una parte significativa de trabajadores con menores niveles de formalidad laboral</div>


```{r curva auc, message=FALSE, warning=FALSE}
auc_val <- auc(roc_o)

roc_df <- data.frame(
  Sensitivity = roc_o$sensitivities,
  Specificity = roc_o$specificities,
  FPR = 1 - roc_o$specificities
)

umbral_point <- coords(roc_o, x = umbral, ret = c("sensitivity", "specificity"), input = "threshold")
umbral_df <- data.frame(
  FPR = 1 - as.numeric(umbral_point["specificity"]),
  Sensitivity = as.numeric(umbral_point["sensitivity"])
)

ggplot(roc_df, aes(x = FPR, y = Sensitivity)) +
  geom_line(color = "#7C6A9C", size = 1.2) +
  geom_abline(intercept = 0, slope = 1, linetype = "dashed", color = "#D6CDEA", size = 0.8) +
  geom_point(data = umbral_df, aes(x = FPR, y = Sensitivity), 
             color = "#4A3F55", size = 4, shape = 16) +
  annotate("text", x = umbral_df$FPR + 0.1, y = umbral_df$Sensitivity - 0.05,
           label = paste("Umbral =", round(umbral, 3)), 
           color = "#4A3F55", size = 4, fontface = "bold") +
  labs(
    title = "Curva ROC - Regresion Logistica",
    subtitle = paste("AUC =", round(auc_val, 3)),
    x = "Tasa de Falsos Positivos (1 - Especificidad)",
    y = "Tasa de Verdaderos Positivos (Sensibilidad)",
    caption = "Fuente: DANE - GEIH 2025"
  ) +
  scale_x_continuous(limits = c(0, 1), breaks = seq(0, 1, 0.2)) +
  scale_y_continuous(limits = c(0, 1), breaks = seq(0, 1, 0.2)) +
  theme_minimal() +
  theme(
    plot.title = element_text(color = "#4A3F55", face = "bold", size = 14),
    plot.subtitle = element_text(color = "#7C6A9C", size = 12),
    plot.caption = element_text(color = "#7C6A9C", hjust = 0, size = 8),
    panel.grid.major = element_line(color = "#D6CDEA", linetype = "dashed"),
    panel.grid.minor = element_blank(),
    axis.title = element_text(color = "#4A3F55", face = "bold", size = 11),
    axis.text = element_text(color = "#4A3F55", size = 9),
    panel.background = element_rect(fill = "white", color = NA),
    plot.background = element_rect(fill = "white", color = NA)
  )
```

<div style="text-align: justify;">El modelo obtuvo un área bajo la curva (AUC) de 0.867, lo que indica una alta capacidad para diferenciar correctamente entre ambas categorías, representando un valor cercano a 1 que da una mejor capacidad de clasificación.
Asimismo, el umbral óptimo de clasificación se ubicó en 0.542, permitiendo alcanzar un equilibrio adecuado entre sensibilidad y especificidad. Esto sugiere que **el modelo logra identificar correctamente una gran proporción de individuos asociados al empleo formal**, manteniendo un nivel razonable de errores de clasificación. Según James et al. (2021), la curva ROC y el AUC son herramientas fundamentales para evaluar el desempeño de modelos supervisados, ya que permiten medir su capacidad discriminatoria frente a distintos puntos de clasificación.</div>

## 4.2 Modelo K-Nearest Neighbors (KNN)

<div style="text-align: justify;">El modelo K-Nearest Neighbors (KNN) fue implementado con el objetivo de clasificar a los individuos entre empleo formal e informal a partir de sus características sociodemográficas y económicas. Para determinar el valor óptimo de k, se evaluaron distintos números de vecinos utilizando la muestra de entrenamiento.</div>

```{r quitar na, message=FALSE, warning=FALSE}
base_knn <- base_muestra %>%
  filter(!is.na(Edad), !is.na(Sexo), !is.na(Zona), 
         !is.na(Nivel_educativo), !is.na(Ingresos_recibidos),
         !is.na(cotiza_f))

base_knn_escalada <- base_knn %>%
  mutate(
    Edad_esc = scale(Edad),
    Sexo_esc = scale(Sexo),
    Zona_esc = scale(Zona),
    Nivel_educativo_esc = scale(Nivel_educativo),
    Ingresos_esc = scale(Ingresos_recibidos)
  )
```

```{r muestra delknn, message=FALSE, warning=FALSE}
set.seed(28)

total_filas <- nrow(base_knn_escalada)
index_muestra <- sample(total_filas, 10000)

index_entrena <- sample(index_muestra, 7500)
index_test <- index_muestra[!index_muestra %in% index_entrena]

knn_entrena <- base_knn_escalada[index_entrena, ]
knn_test <- base_knn_escalada[index_test, ]
```

```{r entrena y test, message=FALSE, warning=FALSE}
knn_entrena_input <- knn_entrena[, c("Edad_esc", "Sexo_esc", "Zona_esc", 
                                     "Nivel_educativo_esc", "Ingresos_esc")]
knn_entrena_output <- knn_entrena$cotiza_f

knn_test_input <- knn_test[, c("Edad_esc", "Sexo_esc", "Zona_esc", 
                               "Nivel_educativo_esc", "Ingresos_esc")]
knn_test_output <- knn_test$cotiza_f
```

```{r k es, message=FALSE, warning=FALSE}
knn_test_pred_k3 <- knn(train = knn_entrena_input, 
                        cl = knn_entrena_output, 
                        test = knn_test_input, 
                        k = 3)

KnnBonito <- data.frame(Prediccion = knn_test_pred_k3, Realidad = knn_test_output)

KnnBonito %>%
  gt() %>%
  tab_header(
    title = md("**Predicciones KNN (k=3)**"),
    subtitle = md("Comparacion entre prediccion y realidad")
  ) %>%
  cols_label(
    Prediccion = "Prediccion",
    Realidad = "Realidad"
  ) %>%
  tab_style(
    style = list(cell_fill(color = "#4A3F55"), cell_text(color = "white", weight = "bold")),
    locations = cells_column_labels(everything())
  ) %>%
  opt_row_striping() %>%
  tab_options(
    table.width = pct(100),
    container.height = pct(100)
  ) %>%
  htmltools::div(style = "height: 400px; overflow-y: auto;", .)
```

```{r metricasdel3, message=FALSE, warning=FALSE}
precision <- as.numeric(mean(knn_test_pred_k3 == knn_test_output))
matriz <- table(knn_test_pred_k3, knn_test_output)

data.frame(
  Metrica = c("Precision", "Aciertos", "Errores", "Total"),
  Valor = c(
    paste0(round(precision * 100, 2), "%"),
    format(sum(diag(matriz)), big.mark = "."),
    format(sum(matriz) - sum(diag(matriz)), big.mark = "."),
    format(sum(matriz), big.mark = ".")
  )
) %>%
  gt() %>%
  tab_header(
    title = md("**Metricas de Desempeno - KNN (k=3)**"),
    subtitle = md("Prediccion de cotizacion a pension")
  ) %>%
  cols_label(
    Metrica = "Indicador",
    Valor = "Resultado"
  ) %>%
  tab_style(
    style = list(cell_fill(color = "#4A3F55"), cell_text(color = "white", weight = "bold")),
    locations = cells_column_labels(everything())
  ) %>%
  opt_row_striping() %>%
  tab_options(table.width = pct(50))
```

<div style="text-align: justify;">El modelo KNN con k = 3 alcanzó una precisión del 83.56%, clasificando correctamente 2.089 de los 2.500 casos del conjunto de prueba. Esta métrica evidencia un desempeño adecuado del modelo para identificar individuos pertenecientes al empleo formal e informal. Asimismo, el modelo presentó un margen de error cercano al 16.44%, correspondiente a 411 casos clasificados incorrectamente, reflejando un nivel de equivocación relativamente bajo frente al total de observaciones analizadas.</div>

```{r buscar el mejor k, message=FALSE, warning=FALSE}
k <- 1:50
resultado <- data.frame(k, precision = 0)

for(n in k){
  knn_test_pred <- knn(train = knn_entrena_input, 
                       cl = knn_entrena_output, 
                       test = knn_test_input, 
                       k = n)
  
  resultado$precision[n] <- mean(knn_test_pred == knn_test_output)
}
resultado %>%
  gt() %>%
  tab_header(
    title = md("**Precision de KNN segun valor de k**"),
    subtitle = md("Comparacion de precision para k = 1 a 50")
  ) %>%
  cols_label(
    k = "Numero de vecinos (k)",
    precision = "Precision"
  ) %>%
  fmt_number(columns = precision, decimals = 4) %>%
  tab_style(
    style = list(cell_fill(color = "#4A3F55"), cell_text(color = "white", weight = "bold")),
    locations = cells_column_labels(everything())
  ) %>%
  data_color(
    columns = precision,
    colors = scales::col_numeric(palette = c("#D6CDEA", "#7C6A9C", "#4A3F55"), domain = NULL)
  ) %>%
  opt_row_striping() %>%
  tab_options(table.width = pct(50)) %>%
  htmltools::div(style = "height: 400px; overflow-y: auto;", .)
```

```{r grafico de la precision knn, message=FALSE, warning=FALSE}
resultado %>% 
  ggplot() +
  aes(k, precision) +
  geom_line(color = "#7C6A9C", size = 1, linetype = "solid") +
  geom_point(color = "#4A3F55", size = 1) +
  labs(title = "Precision de KNN segun valor de k",
       x = "Numero de vecinos (k)",
       y = "Precision") +
  theme_minimal(base_size = 12) +
  theme(
    plot.title = element_text(color = "#4A3F55", face = "bold", size = 14),
    axis.title = element_text(color = "#4A3F55", face = "bold"),
    axis.text = element_text(color = "#4A3F55"),
    panel.grid.major = element_line(color = "#D6CDEA", linetype = "dotted"),
    panel.grid.minor = element_blank()
  )
```

<div style="text-align: justify;">El gráfico de precisión de KNN según el valor de k muestra un comportamiento estable, con un rendimiento óptimo en el rango entre 5 y 25 vecinos, donde se alcanza una precisión entre el 82% y 83%. Para valores bajos de k el modelo tiende a sobreajustarse, mientras que para valores altos la precisión disminuye progresivamente.
Este comportamiento evidencia que **el modelo KNN logra un equilibrio adecuado entre sesgo y varianza dentro del rango óptimo**, validando su capacidad predictiva para clasificar la formalidad laboral a partir de variables sociodemográficas y laborales. Según James et al. (2021), la selección adecuada del parámetro k es fundamental en modelos KNN, ya que valores muy pequeños pueden generar sobreajuste, mientras que valores demasiado grandes reducen la capacidad del modelo para capturar patrones importantes dentro de los datos.</div>

```{r knn entrenado con validacion, eval=FALSE, message=FALSE, warning=FALSE}
set.seed(28)

knn_entrenado <- train(cotiza_f ~ Edad_esc + Sexo_esc + Zona_esc + 
                         Nivel_educativo_esc + Ingresos_esc, 
                       data = knn_entrena, 
                       method = "knn",  
                       tuneLength = 200)

```

```{r grafiquito knn}
load("Data final.RData")
mejor_k <- knn_entrenado$bestTune$k
mejor_precision <- knn_entrenado$results[knn_entrenado$results$k == mejor_k, "Accuracy"]

data.frame(
  Metrica = c("Mejor valor de k", "Precision alcanzada"),
  Valor = c(mejor_k, paste0(round(mejor_precision * 100, 2), "%"))
) %>%
  gt() %>%
  tab_header(title = md("**KNN - Mejor modelo encontrado**")) %>%
  cols_label(Metrica = "", Valor = "") %>%
  tab_style(
    style = list(cell_fill(color = "#4A3F55"), cell_text(color = "white", weight = "bold")),
    locations = cells_column_labels(everything())
  ) %>%
  tab_options(table.width = pct(40))
```

<div style="text-align: justify;">Los resultados obtenidos muestran que el mejor desempeño del modelo se alcanzó con un valor de k=11, obteniendo una precisión (accuracy) aproximada del 82.78%. Este resultado evidencia que el modelo KNN presenta un desempeño adecuado para clasificar individuos pertenecientes al empleo formal e informal, seleccionando automáticamente el parámetro que maximiza la capacidad predictiva dentro del rango evaluado.</div>

```{r grafico del knn entrenado, message=FALSE, warning=FALSE}
knn_entrenado$results %>%
  ggplot(aes(x = k, y = Accuracy)) +
  geom_line(color = "#7C6A9C", size = 0.5) +
  geom_point(color = "#4A3F55", size = 1.5) +
  labs(title = "Precision de KNN segun valor de k",
       subtitle = paste("Mejor k =", knn_entrenado$bestTune$k),
       x = "Numero de vecinos (k)",
       y = "Precision (Accuracy)") +
  theme_minimal() +
  theme(
    plot.title = element_text(color = "#4A3F55", face = "bold", size = 14),
    plot.subtitle = element_text(color = "#7C6A9C", size = 11),
    axis.title = element_text(color = "#4A3F55", face = "bold", size = 11),
    axis.text = element_text(color = "#4A3F55", size = 9),
    panel.grid.major = element_line(color = "#D6CDEA", linetype = "dashed"),
    panel.grid.minor = element_blank()
  )
```

<div style="text-align: justify;">El gráfico de precisión muestra una estabilidad notable a lo largo de los distintos valores de k, con fluctuaciones mínimas. El punto óptimo se alcanza en k = 11, a partir del cual la precisión se mantiene relativamente constante hasta aproximadamente k = 25, para luego descender ligeramente, adicionalmente la precisión según los distintos valores de k evidencia que el desempeño del modelo se mantiene relativamente estable para valores intermedios. Esto sugiere que el modelo logra un equilibrio adecuado entre sensibilidad al ruido y capacidad de generalización, reflejando que las variables sociodemográficas y laborales utilizadas permiten identificar patrones relativamente consistentes asociados a la formalidad laboral en Colombia.</div>

```{r predicciones, message=FALSE, warning=FALSE}
knn_prediccion <- predict(knn_entrenado, newdata = knn_test)

prob_knn_prediccion <- predict(knn_entrenado, newdata = knn_test, type = "prob")
```

```{r matriz de confusion del knn, message=FALSE, warning=FALSE}
cm_knn <- confusionMatrix(knn_prediccion, knn_test$cotiza_f)

data.frame(
  Metrica = c("Accuracy", "Sensibilidad", "Especificidad", 
              "VPP", "VPN",
              "Aciertos", "Total", "Error"),
  Valor = c(
    paste0(round(cm_knn$overall["Accuracy"] * 100, 2), "%"),
    paste0(round(cm_knn$byClass["Sensitivity"] * 100, 2), "%"),
    paste0(round(cm_knn$byClass["Specificity"] * 100, 2), "%"),
    paste0(round(cm_knn$byClass["Pos Pred Value"] * 100, 2), "%"),
    paste0(round(cm_knn$byClass["Neg Pred Value"] * 100, 2), "%"),
    format(sum(diag(cm_knn$table)), big.mark = "."),
    format(sum(cm_knn$table), big.mark = "."),
    paste0(round((1 - cm_knn$overall["Accuracy"]) * 100, 2), "%")
  )
) %>%
  gt() %>%
  tab_header(
    title = md("**Metricas de Desempeno - KNN**"),
    subtitle = md(paste("Mejor k =", knn_entrenado$bestTune$k))
  ) %>%
  cols_label(
    Metrica = "Indicador",
    Valor = "Resultado"
  ) %>%
  tab_style(
    style = list(cell_fill(color = "#4A3F55"), cell_text(color = "white", weight = "bold")),
    locations = cells_column_labels(everything())
  ) %>%
  opt_row_striping() %>%
  tab_options(table.width = pct(70))
```

<div style="text-align: justify;">El modelo KNN alcanzó una precisión global del 83.24%, clasificando correctamente 2.081 de 2.500 casos en el conjunto de prueba siendo este un desempeño adecuado para identificar individuos pertenecientes al empleo formal e informal. Asimismo, presentó una especificidad del 94.27%, indicando una alta capacidad para reconocer correctamente a las personas que no pertenecen al empleo formal asireduciendo significativamente los falsos positivos sugiriendo que **el modelo logra identificar patrones similares entre individuos con características laborales y sociodemográficas relacionadas con condiciones de informalidad**.</div>

<div style="text-align: justify;">en cuanto a la sensibilidad fue del 62.17%, lo que evidencia que aún existen algunas dificultades para identificar correctamente ciertos individuos vinculados al empleo formal, sin embargo, los valores predictivos positivo y negativo, 85.03% y 82.64%, respectivamente, muestran que el modelo mantiene un nivel de confianza adecuado en sus clasificaciones y la tasa de error del 16.76% refleja un desempeño sólido dentro del problema de clasificación analizado, considerando la complejidad del mercado laboral colombiano y la diversidad de condiciones laborales, situación consistente con los análisis sobre las dinámicas de formalidad e informalidad laboral en Colombia (DANE, 2025).</div>

```{r curva del knn, message=FALSE, warning=FALSE}
pred_roc <- prediction(as.numeric(knn_prediccion), as.numeric(knn_test$cotiza_f))
perf_roc <- performance(pred_roc, "tpr", "fpr")

auc_knn <- performance(pred_roc, "auc")
auc_valor <- round(auc_knn@y.values[[1]], 3)

plot(perf_roc, 
     main = paste("Curva ROC - KNN | AUC =", auc_valor),
     col = "#7C6A9C", 
     lwd = 2,
     xlab = "Tasa de Falsos Positivos (1 - Especificidad)",
     ylab = "Tasa de Verdaderos Positivos (Sensibilidad)")
abline(a = 0, b = 1, lty = 2, col = "#D6CDEA", lwd = 1.5)
grid(col = "#D6CDEA", lty = "dotted")
legend("bottomright",
       legend = c(paste("AUC =", auc_valor), "Azar"),
       col = c("#7C6A9C", "#D6CDEA"),
       lwd = c(2, 1.5),
       bty = "n")
```

<div style="text-align: justify;">La curva ROC presentó un AUC de 0.782, indicando una capacidad discriminatoria aceptable para diferenciar entre individuos pertenecientes al empleo formal e informal. Aunque este resultado es superior al azar, se encuentra por debajo de modelos con desempeños más altos, evidenciando que el KNN logra identificar patrones importantes, aunque con menor precisión que otros enfoques predictivos.</div>

<div style="text-align: justify;">Asimismo, la curva se mantiene alejada de la diagonal de referencia en gran parte de los umbrales de clasificación, mostrando que el modelo alcanza una relación adecuada entre verdaderos positivos y falsos positivos, **pepresentando una medida importante para evaluar la capacidad discriminatoria de los modelos supervisados frente a diferentes puntos de clasificacióncon James et al. (2021)**.</div>

## 4.3 Comparación de los modelos

```{r tabla de comparacion}
tabla_modelos <- data.frame(
  Modelo = c("Regresion Logistica", "KNN"),
  Accuracy = c("83.24%", "82.78%"),
  Sensibilidad = c("93.81%", "62.17%"),
  Especificidad = c("62.00%", "94.27%"),
  AUC = c("0.867", "0.782"),
  Balanced_Accuracy = c("0.779", "0.782")
)

tabla_modelos %>%
  gt() %>%
  tab_header(
    title = md("**Comparacion de Modelos Predictivos**"),
    subtitle = md("Rendimiento de Regresion Logistica vs KNN")
  ) %>%
  tab_style(
    style = list(cell_fill(color = "#4A3F55"), cell_text(color = "white", weight = "bold")),
    locations = cells_column_labels(everything())
  ) %>%
  opt_row_striping() %>%
  tab_options(table.width = pct(80))
```

<div style="text-align: justify;">Al comparar ambos modelos, **la regresión logística presentó un mejor desempeño general frente al KNN**, alcanzando un AUC de 0.867 frente a 0.782, lo que evidencia una mayor capacidad para diferenciar correctamente entre individuos pertenecientes al empleo formal e informal, aunque el KNN destacó por su alta especificidad, la regresión logística logró una sensibilidad superior, identificando correctamente a una mayor proporción de personas vinculadas al empleo formal, la regresión logística obtuvo una exactitud ligeramente mayor, **ambos modelos presentaron resultados satisfactorios**, evidenciando que variables como los ingresos, el nivel educativo, la zona y las características sociodemográficas contienen información relevante para identificar patrones relacionados con la formalidad laboral en Colombia.</div> 

<div style="text-align: justify;">Según James et al. (2021), los modelos supervisados deben evaluarse no solo por su precisión general, sino también por su capacidad para reconocer patrones y diferenciar adecuadamente entre categorías.</div>

# 5 Conclusiones

<div style="text-align: justify;">El análisis permitió identificar diferencias importantes entre los trabajadores formales e informales en Colombia para 2025, evidenciando características asociadas a la realidad del mercado laboral colombiano. Se observó que los trabajadores formales presentan, en promedio, una edad superior a los 25 años y trayectoria laboral, lo que sugiere que **la formalidad suele consolidarse con el tiempo y la stabilized en el empleo**.
Asimismo, variables como el tipo de trabajo, el nivel educativo y los ingresos mostraron una relación importante con la formalidad laboral. En particular, los trabajadores asalariados y **las personas con mayores niveles educativos presentan una mayor probabilidad de acceder a empleos formales y contar con mecanismos de protección social**. Por el contrario, los niveles educativos más bajos y menores ingresos continúan asociados a condiciones de informalidad.</div>

<div style="text-align: justify;">También se identificó una ligera brecha de género, evidenciando una mayor participación femenina dentro del sector informal, situación que refleja algunas de las desigualdades presentes en el mercado laboral colombiano. En términos generales,las regiones con menor desarrollo industrial presentan tasas de cotización pensional más altas debido a una mayor dependencia del empleo público. En contraste, los grandes centros urbanos muestran tasas más bajas por la prevalencia del trabajo independiente, informal y de servicios privados, el análisis de variables permitió cumplir con el objetivo de identificar los principales factores sociodemográficos y laborales relacionados con la formalidad laboral en Colombia.</div>


<div style="text-align: justify;">La regresión logística presentó el mejor desempeño general, alcanzando una exactitud cercana al 83% y un AUC de 0.867, evidenciando una alta capacidad para diferenciar correctamente entre empleo formal e informal. Además, **mostró una sensibilidad superior al 90%, identificando adecuadamente a gran parte de las personas vinculadas al empleo formal**. En términos explicativos, variables como el nivel educativo, los ingresos y la zona de residencia resultaron significativamente relacionadas con la probabilidad de pertenecer al empleo formal, destacándose especialmente **el nivel educativo como uno de los factores más influyentes**,por el contrario, la edad presentó un menor aporte explicativo dentro del modelo.</div>

<div style="text-align: justify;">Por su parte, el modelo KNN también presentó un desempeño satisfactorio, con una exactitud cercana al 83% y un AUC de 0.782. Aunque mostró una alta capacidad para identificar individuos en condición de informalidad, presentó mayores dificultades para reconocer correctamente algunos casos de empleo formal, ambos modelos lograron captar patrones relevantes asociados a la formalidad laboral en Colombia, cumpliendo adecuadamente con el objetivo planteado. Sin embargo, la regresión logística demostró un mejor equilibrio entre capacidad predictiva e interpretación de resultados.</div>


<div style="text-align: justify;">La comparación entre ambos modelos evidenció que, aunque presentan niveles de exactitud similares, **la regresión logística obtuvo un mejor desempeño general gracias a su mayor capacidad discriminatoria y sensibilidad**. Esto permitió identificar con mayor precisión a las personas pertenecientes al empleo formal, respondiendo de manera más adecuada al objetivo de la investigación.</div>

<div style="text-align: justify;">En términos generales, los resultados reflejan que variables como el nivel educativo, los ingresos y las condiciones laborales continúan siendo factores determinantes en la formalidad laboral colombiana. Asimismo, se concluye que la regresión logística es el modelo más apropiado para este estudio, ya que combina un buen desempeño predictivo con una mayor facilidad de interpretación.</div>



# 6 Bibliografía 

Colombia - Gran Encuesta Integrada de Hogares - GEIH - 2025. (s. f.). https://microdatos.dane.gov.co

Departamento Administrativo Nacional de Estadística. (2025). Proyecciones de población y mercado laboral. DANE

Departamento Administrativo Nacional de Estadística. (2020). Boletín técnico: Fuerza laboral y educación 2019. Recuperado de Boletín técnico GEIH 2019 - DANE

James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). *An introduction to statistical learning: With applications in R* (2nd ed.). Springer.

Sievert, C. (2020). Interactive Web-Based Data Visualization with R, plotly, and shiny. Chapman and Hall/CRC. https://plotly-r.com/20

Wickham, H. (2016). ggplot2: Elegant Graphics for Data Analysis (2.ª ed.). Springer-Verlag New York. https://ggplot2-book.org/

Xie, Y. (2015). Dynamic documents with R and knitr (2nd ed.). Chapman and Hall/CRC. https://yihui.org/knitr/

Iannone, R., Cheng, J., Schloerke, B., Hughes, E., Lauer, A., & Seo, J. (2024). gt: Easily create presentation-ready display tables (Versión 0.10.0). https://gt.rstudio.com/

Wickham, H., François, R., Henry, L., Müller, K., & Vaughan, D. (2023). dplyr: A grammar of data manipulation (Versión 1.1.0). https://dplyr.tidyverse.org/