variables <- data.frame(
  Variable = c("Rango de edad","Género","Estrato socioeconómico",
               "Ocupación principal","Responsable de compras",
               "Preferencia de compra","Frecuencia compra local",
               "Lugar de compra","Factor de elección",
               "Tipo alimento local","Ventaja grandes cadenas",
               "Barrera compra local","Disposición a pagar más",
               "Gasto mensual"),
  Tipo = c("Cualitativa","Cualitativa","Cualitativa","Cualitativa",
           "Cualitativa","Cualitativa","Cualitativa","Cualitativa",
           "Cualitativa","Cualitativa","Cualitativa","Cualitativa",
           "Cualitativa","Cuantitativa"),
  Clasificacion = c("Ordinal","Nominal","Ordinal","Nominal",
                    "Nominal","Nominal","Ordinal","Nominal",
                    "Nominal","Nominal","Nominal","Nominal",
                    "Ordinal","Continua")
)
kable(variables,
      col.names = c("Variable","Tipo","Clasificación"),
      caption   = "Variables del estudio")

limpiar_gasto <- function(x) {
  x <- as.character(x)
  # Respuestas textuales con rango o descripción → valor aproximado
  x <- case_when(
    grepl("3 a 4 millones",    x, ignore.case = TRUE) ~ "3500000",
    grepl("millón y millón quinientos", x, ignore.case = TRUE) ~ "1250000",
    grepl("300 o 400 mil",     x, ignore.case = TRUE) ~ "350000",
    TRUE ~ x
  )
  # Quitar símbolos: $, puntos de miles, espacios, COP, ~, comillas, apostrofes
  x <- gsub("[$COP~'\"\\s]", "", x)
  x <- gsub("\\.", "", x)
  as.numeric(x)
}

datos <- datos %>%
  mutate(gasto_mensual = limpiar_gasto(gasto_texto))

# Verificamos valores faltantes tras la limpieza ☺
cat("Valores con gasto no parseable:", sum(is.na(datos$gasto_mensual)), "\n")

cat("Rango del gasto: $", format(min(datos$gasto_mensual, na.rm=TRUE), big.mark=","),
    " – $", format(max(datos$gasto_mensual, na.rm=TRUE), big.mark=","), "\n")

faltantes <- colSums(is.na(datos[, names(datos) != "gasto_texto"]))
kable(
  data.frame(Variable = names(faltantes), Faltantes = faltantes),
  row.names = FALSE,
  caption   = "Valores faltantes por variable"
)

datos <- datos %>%
  mutate(
    genero      = factor(genero),
    preferencia = factor(preferencia),
    frec_local  = factor(frec_local,
                         levels = c("Siempre o casi siempre.",
                                    "Frecuentemente.",
                                    "Ocacionalmente.",
                                    "Nunca o casi nunca.")),
    disposicion = factor(disposicion,
                         levels = c("Totalmente de acuerdo.",
                                    "De acuerdo.",
                                    "Ni de acuerdo ni en desacuerdo.",
                                    "En desacuerdo",
                                    "Totalmente en desacuerdo")),
    # Variable binaria: prefiere local vs. no (para prueba de proporción)
    pref_local = ifelse(
      preferencia == "Prefiero productos elaborados localmente.",
      "Local", "Otro"
    ),
    # Variable binaria: disposición a pagar más
    dispuesto = ifelse(
      disposicion %in% c("Totalmente de acuerdo.", "De acuerdo."),
      "Sí", "No"
    )
  )

cat("n total:", nrow(datos), "\n")

datos %>%
  count(genero) %>%
  mutate(pct = round(n / sum(n) * 100, 1)) %>%
  ggplot(aes(x = genero, y = n, fill = genero)) +
  geom_col(width = 0.5) +
  geom_text(aes(label = paste0(n, "\n(", pct, "%)")),
            vjust = -0.3, size = 3.5) +
  scale_fill_brewer(palette = "Set2") +
  labs(title = "Distribución por género",
       x = "Género", y = "Frecuencia") +
  theme_minimal() +
  theme(legend.position = "none")

datos %>%
  count(preferencia) %>%
  mutate(
    pct = round(n / sum(n) * 100, 1),
    preferencia = str_wrap(preferencia, width = 30)
  ) %>%
  ggplot(aes(x = reorder(preferencia, n), y = n, fill = preferencia)) +
  geom_col(width = 0.5) +
  geom_text(aes(label = paste0(n, " (", pct, "%)")),
            hjust = -0.1, size = 3.2) +
  coord_flip() +
  labs(title = "Preferencia de compra de alimentos",
       x = "", y = "Frecuencia") +
  theme_minimal() +
  theme(legend.position = "none") +
  ylim(0, 32)

datos %>%
  count(factor_eleccion) %>%
  mutate(
    pct = round(n / sum(n) * 100, 1),
    factor_eleccion = str_wrap(factor_eleccion, width = 35)
  ) %>%
  ggplot(aes(x = reorder(factor_eleccion, n), y = n, fill = factor_eleccion)) +
  geom_col() +
  geom_text(aes(label = paste0(n, " (", pct, "%)")),
            hjust = -0.1, size = 3.2) +
  coord_flip() +
  labs(title = "Factor principal en la decisión de compra",
       x = "", y = "Frecuencia") +
  theme_minimal() +
  theme(legend.position = "none") +
  ylim(0, 43)

gasto_valido <- datos %>% filter(!is.na(gasto_mensual))

ggplot(gasto_valido, aes(x = gasto_mensual)) +
  geom_histogram(bins = 12, fill = "orange", color = "white") +
  geom_vline(xintercept = mean(gasto_valido$gasto_mensual),
             color = "red", linetype = "dashed", linewidth = 1) +
  scale_x_continuous(labels = scales::comma) +
  labs(title = "Distribución del gasto mensual en alimentos",
       subtitle = paste0("Media = $",
                         format(round(mean(gasto_valido$gasto_mensual)), big.mark=",")),
       x = "Gasto mensual (pesos)", y = "Frecuencia") +
  theme_minimal()

gasto_valido %>%
  ggplot(aes(x = genero, y = gasto_mensual, fill = genero)) +
  geom_boxplot(alpha = 0.7) +
  scale_y_continuous(labels = scales::comma) +
  scale_fill_manual(values = c("steelblue", "tomato")) +
  labs(title = "Gasto mensual por género",
       x = "Género", y = "Gasto mensual (pesos)") +
  theme_minimal() +
  theme(legend.position = "none")

datos %>%
  count(disposicion) %>%
  filter(!is.na(disposicion)) %>%
  mutate(pct = round(n / sum(n) * 100, 1)) %>%
  ggplot(aes(x = disposicion, y = n, fill = disposicion)) +
  geom_col(width = 0.5) +
  geom_text(aes(label = paste0(n, "\n(", pct, "%)")),
            vjust = -0.3, size = 3.2) +
  labs(title = "Disposición a pagar más para apoyar productores locales",
       x = "", y = "Frecuencia") +
  theme_minimal() +
  theme(legend.position = "none",
        axis.text.x = element_text(size = 7))

resumen_gasto <- gasto_valido %>%
  group_by(genero) %>%
  summarise(
    n       = n(),
    Media   = round(mean(gasto_mensual)),
    Mediana = round(median(gasto_mensual)),
    DE      = round(sd(gasto_mensual)),
    Min     = min(gasto_mensual),
    Max     = max(gasto_mensual)
  )

kable(resumen_gasto,
      col.names = c("Género","n","Media","Mediana","Desv. Est.","Mínimo","Máximo"),
      caption   = "Estadísticas descriptivas del gasto mensual por género",
      format.args = list(big.mark = ","))

prueba_sw <- shapiro.test(gasto_valido$gasto_mensual)
prueba_sw

qqnorm(gasto_valido$gasto_mensual,
       main = "Q-Q Plot — Gasto mensual")
qqline(gasto_valido$gasto_mensual, col = "red")

n_total  <- nrow(datos)
n_cadena <- sum(datos$preferencia == "Prefiero productos de grandes cadenas comerciales.",
                na.rm = TRUE)

cat("Personas que prefieren cadenas:", n_cadena, "de", n_total, "\n")

cat("Proporción muestral:", round(n_cadena / n_total, 4), "\n\n")

prueba1 <- prop.test(
  x           = n_cadena,
  n           = n_total,
  p           = 0.5,
  alternative = "greater",
  correct     = FALSE
)
prueba1

tabla_contingencia <- table(datos$genero, datos$preferencia)
kable(tabla_contingencia,
      caption = "Tabla de contingencia: Género vs Preferencia de compra")

prueba2 <- chisq.test(tabla_contingencia)
prueba2

prueba3 <- t.test(
  gasto_valido$gasto_mensual,
  mu          = 500000,
  alternative = "two.sided"
)
prueba3

prueba4 <- t.test(
  gasto_mensual ~ genero,
  data        = gasto_valido,
  alternative = "two.sided"
)
prueba4

prueba5 <- var.test(
  gasto_mensual ~ genero,
  data = gasto_valido
)
prueba5

# Prueba 6 — Diferencia de proporciones

datos_disp <- datos %>%
  filter(!is.na(dispuesto),
         !is.na(genero))

# Ver cuántas categorías de género existen
table(datos_disp$genero)

# Tomar automáticamente las dos primeras categorías encontradas
niveles_genero <- unique(datos_disp$genero)

grupo1 <- datos_disp %>%
  filter(genero == niveles_genero[1])

grupo2 <- datos_disp %>%
  filter(genero == niveles_genero[2])

x1 <- sum(grupo1$dispuesto == "Sí", na.rm = TRUE)
x2 <- sum(grupo2$dispuesto == "Sí", na.rm = TRUE)

n1 <- nrow(grupo1)
n2 <- nrow(grupo2)

cat("Grupo 1:", niveles_genero[1], "\n")

cat("Grupo 2:", niveles_genero[2], "\n")

cat("n1 =", n1, "\n")

cat("n2 =", n2, "\n")

if(n1 > 0 & n2 > 0){

  prueba6 <- prop.test(
    x = c(x1, x2),
    n = c(n1, n2),
    alternative = "two.sided",
    correct = FALSE
  )
  prueba6

} else {

  cat("No existen suficientes observaciones para realizar la prueba.\n")

}

n_local <- sum(datos$preferencia == "Prefiero productos elaborados localmente.",
               na.rm = TRUE)

resultado <- prop.test(
  x          = n_local,
  n          = n_total,
  conf.level = 0.95
)

cat("Proporción muestral:", round(n_local / n_total, 4), "\n")

cat("IC 95%: (", round(resultado$conf.int[[1]], 4), ",",
                 round(resultado$conf.int[[2]], 4), ")\n")

ic1_lower <- round(resultado$conf.int[1]*100, 1)
ic1_upper <- round(resultado$conf.int[2]*100, 1)

resultado_media <- t.test(
  gasto_valido$gasto_mensual,
  conf.level = 0.95
)

cat("Media muestral: $", format(round(mean(gasto_valido$gasto_mensual)), big.mark=","), "\n")

cat("IC 95%: ($", format(round(resultado_media$conf.int[[1]]), big.mark=","),
    ", $", format(round(resultado_media$conf.int[[2]]), big.mark=","), ")\n")

ic2_lower <- format(round(resultado_media$conf.int[1]), big.mark=",")
ic2_upper <- format(round(resultado_media$conf.int[2]), big.mark=",")

resultado_dif <- t.test(
  gasto_mensual ~ genero,
  data       = gasto_valido,
  conf.level = 0.95
)

cat("IC 95% para la diferencia (Femenino - Masculino):\n")

cat("($", format(round(resultado_dif$conf.int[[1]]), big.mark=","),
    ", $", format(round(resultado_dif$conf.int[[2]]), big.mark=","), ")\n")

ic3_lower <- format(round(resultado_dif$conf.int[1]), big.mark=",")
ic3_upper <- format(round(resultado_dif$conf.int[2]), big.mark=",")

resultado_prop2 <- prop.test(
  x = c(x1, x2),
  n = c(n1, n2),
  conf.level = 0.95,
  correct = FALSE
)

cat("IC 95% para la diferencia (Masculino - Femenino):\n")

cat("(", round(resultado_prop2$conf.int[[1]], 4), ",",
        round(resultado_prop2$conf.int[[2]], 4), ")\n")