Taller 2 Desarrollado

Estudiante : Judith Eliana Ramos Sanchez - Norman Mauricio Triana

Directorio de trabajo

setwd(“C:/Users/judith.ramos/OneDrive - SEMILLAS ELITE DE PALMA PARA LAS AMÉRICAS S.A.S/Escritorio/Taller 2 R”)

library(tidyverse) library(readxl) library(knitr) library(ggplot)

###install.packages("tinytex")
####tinytex::install_tinytex()
####install.packages("ggplot")
####install.packages("tidyverse")



library(tidyverse)
library(readxl)
library(knitr)

# 1. Carga de datos y unión:
bd1 <- read_excel("BD1.xlsx")
bd2 <- read_excel("BD2.xlsx")
base_completa <- left_join(bd1, bd2, by = "REGISTRO")

# 2. Estructura unificada:
##### Punto A
base_analisis <- base_completa %>%
  mutate(
    # A) Género
    genero_txt = case_when(
      GENERO == 1 ~ "Masculino",
      GENERO == 2 ~ "Femenino",
      TRUE ~ "No informa"
    ),
    
    # B) Estrato (usando la columna real ESTRATO_DEC)
    estrato_txt = case_when(
      ESTRATO_DEC == 1 ~ "Estrato 1",
      ESTRATO_DEC == 2 ~ "Estrato 2",
      ESTRATO_DEC == 3 ~ "Estrato 3",
      ESTRATO_DEC == 4 ~ "Estrato 4",
      ESTRATO_DEC == 5 ~ "Estrato 5",
      ESTRATO_DEC == 6 ~ "Estrato 6",
      TRUE ~ "Sin Estrato / No Sabe"
    ),
    
    # C) Edad (limpiando códigos del sistema como 999)
    edad_num = if_else(PC_EDAD == 999, NA_real_, as.numeric(PC_EDAD)),
    
    # D) Ocupación (según las etiquetas del diccionario de datos)
    ocupacion_txt = case_when(
      PD == 1 ~ "Empleado",
      PD == 2 ~ "Independiente",
      PD == 3 ~ "Jubilado",
      PD == 4 ~ "Desempleado",
      PD == 5 ~ "Ama de Casa",
      PD == 6 ~ "Estudiante",
      TRUE ~ "Otra / No Responde"
    )
  ) %>%
  # Filtramos los datos sin estrato para limpiar las tablas y gráficos
  filter(estrato_txt != "Sin Estrato / No Sabe")

# TABLA NUMERADA # 1

tabla_caracterizacion <- base_analisis %>%
  group_by(estrato_txt, ocupacion_txt, genero_txt) %>%
  summarise(
    Cantidad_Hogares = n(),
    Edad_Promedio    = mean(edad_num, na.rm = TRUE),
    .groups = 'drop'
  )

kable(tabla_caracterizacion, digits = 1,
      caption = "Tabla 1: Caracterización Socioeconómica de los jefes de hogar", 
      booktabs = TRUE)

Tabla 1: Caracterización Socioeconómica de los jefes de hogar

estrato_txt	ocupacion_txt	genero_txt	Cantidad_Hogares	Edad_Promedio
Estrato 1	Ama de Casa	Femenino	243	48.8
Estrato 1	Desempleado	Femenino	18	38.2
Estrato 1	Desempleado	Masculino	62	42.4
Estrato 1	Empleado	Femenino	59	32.8
Estrato 1	Empleado	Masculino	114	34.3
Estrato 1	Estudiante	Femenino	18	18.9
Estrato 1	Estudiante	Masculino	37	18.7
Estrato 1	Independiente	Femenino	56	39.3
Estrato 1	Independiente	Masculino	100	45.0
Estrato 1	Jubilado	Femenino	4	71.0
Estrato 1	Jubilado	Masculino	16	67.6
Estrato 1	Otra / No Responde	Femenino	6	35.5
Estrato 1	Otra / No Responde	Masculino	20	49.9
Estrato 2	Ama de Casa	Femenino	590	53.7
Estrato 2	Ama de Casa	Masculino	7	44.3
Estrato 2	Desempleado	Femenino	48	40.5
Estrato 2	Desempleado	Masculino	143	52.7
Estrato 2	Empleado	Femenino	167	37.2
Estrato 2	Empleado	Masculino	343	36.8
Estrato 2	Estudiante	Femenino	54	20.9
Estrato 2	Estudiante	Masculino	84	19.5
Estrato 2	Independiente	Femenino	144	43.0
Estrato 2	Independiente	Masculino	267	44.1
Estrato 2	Jubilado	Femenino	32	68.5
Estrato 2	Jubilado	Masculino	97	68.1
Estrato 2	Otra / No Responde	Femenino	16	59.3
Estrato 2	Otra / No Responde	Masculino	34	59.8
Estrato 3	Ama de Casa	Femenino	340	58.9
Estrato 3	Ama de Casa	Masculino	6	60.0
Estrato 3	Desempleado	Femenino	21	38.5
Estrato 3	Desempleado	Masculino	80	52.5
Estrato 3	Empleado	Femenino	94	38.4
Estrato 3	Empleado	Masculino	191	40.8
Estrato 3	Estudiante	Femenino	29	19.6
Estrato 3	Estudiante	Masculino	47	20.1
Estrato 3	Independiente	Femenino	108	47.6
Estrato 3	Independiente	Masculino	192	48.0
Estrato 3	Jubilado	Femenino	41	67.8
Estrato 3	Jubilado	Masculino	109	69.4
Estrato 3	Otra / No Responde	Femenino	5	56.2
Estrato 3	Otra / No Responde	Masculino	19	57.3
Estrato 4	Ama de Casa	Femenino	34	58.5
Estrato 4	Desempleado	Femenino	3	31.0
Estrato 4	Desempleado	Masculino	6	56.5
Estrato 4	Empleado	Femenino	12	43.3
Estrato 4	Empleado	Masculino	20	46.0
Estrato 4	Estudiante	Femenino	3	19.3
Estrato 4	Estudiante	Masculino	4	20.5
Estrato 4	Independiente	Femenino	11	44.7
Estrato 4	Independiente	Masculino	26	45.6
Estrato 4	Jubilado	Femenino	4	74.5
Estrato 4	Jubilado	Masculino	15	69.1
Estrato 4	Otra / No Responde	Femenino	1	18.0
Estrato 4	Otra / No Responde	Masculino	2	68.0
Estrato 5	Ama de Casa	Femenino	14	65.4
Estrato 5	Ama de Casa	Masculino	1	59.0
Estrato 5	Desempleado	Masculino	1	85.0
Estrato 5	Empleado	Femenino	8	40.6
Estrato 5	Empleado	Masculino	15	44.6
Estrato 5	Estudiante	Femenino	2	21.5
Estrato 5	Estudiante	Masculino	1	28.0
Estrato 5	Independiente	Femenino	6	49.7
Estrato 5	Independiente	Masculino	14	54.3
Estrato 5	Jubilado	Femenino	4	66.8
Estrato 5	Jubilado	Masculino	15	69.1
Estrato 5	Otra / No Responde	Masculino	1	82.0
Estrato 6	Ama de Casa	Femenino	1	50.0
Estrato 6	Empleado	Femenino	1	45.0
Estrato 6	Independiente	Masculino	1	18.0

# =========================================================================
# GRÁFICA 1: OCUPACIÓN
# =========================================================================

ggplot(base_analisis, aes(x = ocupacion_txt, fill = ocupacion_txt)) +
  geom_bar() +
  labs(
    title = "Gráfica 1: Distribución según la Ocupación Actual",
    x = "Ocupación",
    y = "Cantidad de Encuestados",
    caption = "Fuente: Elaboración propia a partir de datos de la encuesta."
  ) +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1), legend.position = "none")

# =========================================================================
# GRÁFICA 2: ESTRATO Y GÉNERO
# =========================================================================
ggplot(base_analisis, aes(x = estrato_txt, fill = genero_txt)) +
  geom_bar(position = "dodge") +
  labs(
    title = "Gráfica 2: Distribución por Estrato Socioeconómico y Género",
    x = "Estrato",
    y = "Cantidad de Hogares",
    fill = "Género",
    caption = "Fuente: Elaboración propia a partir de datos de la encuesta."
  ) +
  theme_minimal()

##### Punto B

# 2. Definicion de Variables: 
mis_niveles <- c("Muy seguro", "Seguro", "Inseguro", "Muy inseguro", "No responde")

# 3. Codificar variables nuevas:
base_analisis <- base_completa %>%
  mutate(
    # Percepción en el Barrio (P1)
    percepcion_barrio = case_when(
      P1 == 1 ~ "Muy seguro",
      P1 == 2 ~ "Seguro",
      P1 == 3 ~ "Inseguro",
      P1 == 4 ~ "Muy inseguro",
      TRUE ~ "No responde"
    ),
    # Percepción en la Comuna (P3)
    percepcion_comuna = case_when(
      P3 == 1 ~ "Muy seguro",
      P3 == 2 ~ "Seguro",
      P3 == 3 ~ "Inseguro",
      P3 == 4 ~ "Muy inseguro",
      TRUE ~ "No responde"
    ),
    # Percepción en la Ciudad (P5)
    percepcion_ciudad = case_when(
      P5 == 1 ~ "Muy seguro",
      P5 == 2 ~ "Seguro",
      P5 == 3 ~ "Inseguro",
      P5 == 4 ~ "Muy inseguro",
      TRUE ~ "No responde"
    )
  )

# 4. Aplicar el orden jerárquico a los factores usando la variable externa
base_analisis$percepcion_barrio <- factor(base_analisis$percepcion_barrio, levels = mis_niveles)
base_analisis$percepcion_comuna <- factor(base_analisis$percepcion_comuna, levels = mis_niveles)
base_analisis$percepcion_ciudad <- factor(base_analisis$percepcion_ciudad, levels = mis_niveles)

# =========================================================================
# GRÁFICA 3: PERCEPCIÓN DE SEGURIDAD EN EL BARRIO (P1)
# =========================================================================
ggplot(base_analisis, aes(x = percepcion_barrio, weight = FACTOR, fill = percepcion_barrio)) +
  geom_bar() +
  scale_fill_brewer(palette = "RdYlGn", direction = -1) + 
  labs(
    title = "Gráfica 3: Percepción de Seguridad en el Barrio",
    x = "Nivel de Percepción",
    y = "Población Estimada (Ponderada)",
    caption = "Fuente: Elaboración propia a partir de datos de la encuesta."
  ) +
  theme_minimal() +
  theme(legend.position = "none")

# =========================================================================
# GRÁFICA 4: PERCEPCIÓN DE SEGURIDAD EN LA COMUNA 
# =========================================================================
ggplot(base_analisis, aes(x = percepcion_comuna, weight = FACTOR, fill = percepcion_comuna)) +
  geom_bar() +
  scale_fill_brewer(palette = "RdYlGn", direction = -1) +
  labs(
    title = "Gráfica 4: Percepción de Seguridad en la Comuna o Corregimiento (P3)",
    x = "Nivel de Percepción",
    y = "Población Estimada (Ponderada)",
    caption = "Fuente: Elaboración propia a partir de datos de la encuesta."
  ) +
  theme_minimal() +
  theme(legend.position = "none")

# =========================================================================
# GRÁFICA 5: PERCEPCIÓN DE SEGURIDAD EN LA CIUDAD (P5)
# =========================================================================
ggplot(base_analisis, aes(x = percepcion_ciudad, weight = FACTOR, fill = percepcion_ciudad)) +
  geom_bar() +
  scale_fill_brewer(palette = "RdYlGn", direction = -1) +
  labs(
    title = "Gráfica 5: Percepción de Seguridad General en la Ciudad (P5)",
    x = "Nivel de Percepción",
    y = "Población Estimada (Ponderada)",
    caption = "Fuente: Elaboración propia a partir de datos de la encuesta."
  ) +
  theme_minimal() +
  theme(legend.position = "none")

### varible seguridad, genero y estrato

base_analisis <- base_completa %>%
  mutate(
    genero_txt = case_when(GENERO == 1 ~ "Masculino", GENERO == 2 ~ "Femenino", TRUE ~ "No informa"),
    estrato_txt = case_when(
      ESTRATO_DEC == 1 ~ "Estrato 1", ESTRATO_DEC == 2 ~ "Estrato 2",
      ESTRATO_DEC == 3 ~ "Estrato 3", ESTRATO_DEC == 4 ~ "Estrato 4",
      ESTRATO_DEC == 5 ~ "Estrato 5", ESTRATO_DEC == 6 ~ "Estrato 6",
      TRUE ~ "Sin Estrato"
    ),
    # Creamos variables binarias (1 si se siente Inseguro o Muy Inseguro, 0 si no)
    inseguro_barrio = if_else(P1 %in% c(3, 4), 1, 0),
    inseguro_comuna = if_else(P3 %in% c(3, 4), 1, 0),
    inseguro_ciudad = if_else(P5 %in% c(3, 4), 1, 0)
  ) %>%
  filter(estrato_txt != "Sin Estrato")

# =========================================================================
# TABLA DE PORCENTAJES DE INSEGURIDAD CRUZA
# =========================================================================
tabla_impacto <- base_analisis %>%
  group_by(estrato_txt, genero_txt) %>%
  summarise(
    `% Inseguridad Barrio` = (sum(inseguro_barrio * FACTOR, na.rm = TRUE) / sum(FACTOR, na.rm = TRUE)) * 100,
    `% Inseguridad Comuna` = (sum(inseguro_comuna * FACTOR, na.rm = TRUE) / sum(FACTOR, na.rm = TRUE)) * 100,
    `% Inseguridad Ciudad` = (sum(inseguro_ciudad * FACTOR, na.rm = TRUE) / sum(FACTOR, na.rm = TRUE)) * 100,
    .groups = 'drop'
  )

kable(tabla_impacto, digits = 1, 
      caption = "Tabla 3: Porcentaje de Percepción de Inseguridad por Estrato y Género (Datos Ponderados)", 
      booktabs = TRUE)

Tabla 3: Porcentaje de Percepción de Inseguridad por Estrato y Género (Datos Ponderados)

estrato_txt	genero_txt	% Inseguridad Barrio	% Inseguridad Comuna	% Inseguridad Ciudad
Estrato 1	Femenino	20.4	19.7	51.1
Estrato 1	Masculino	11.7	18.7	38.8
Estrato 2	Femenino	16.8	23.0	56.4
Estrato 2	Masculino	11.2	14.5	40.4
Estrato 3	Femenino	21.0	24.5	59.2
Estrato 3	Masculino	18.3	23.1	51.1
Estrato 4	Femenino	45.5	43.1	76.2
Estrato 4	Masculino	6.4	25.1	47.6
Estrato 5	Femenino	52.0	57.8	70.1
Estrato 5	Masculino	21.8	24.1	41.8
Estrato 6	Femenino	0.0	43.1	56.9
Estrato 6	Masculino	0.0	0.0	0.0

# =========================================================================
# GRÁFICA INDEPENDIENTE: IMPACTO EN LA CIUDAD (P5)
# =========================================================================
ggplot(tabla_impacto, aes(x = estrato_txt, y = `% Inseguridad Ciudad`, fill = genero_txt)) +
  geom_bar(stat = "identity", position = "dodge") +
  labs(
    title = "Gráfica 6: Tasa de Inseguridad en la Ciudad por Estrato y Género",
    x = "Estrato Socioeconómico",
    y = "Porcentaje que se siente Inseguro (%)",
    fill = "Género",
    caption = "Fuente: Elaboración propia basada en microdatos."
  ) +
  theme_minimal()

####### indice de victimizacion

# 2. Adecuación de la variable de victimización (P20A)
# Creamos una variable binaria: 1 si fue víctima (P20A == 1), 0 en cualquier otro caso
base_analisis <- base_completa %>%
  mutate(
    victima_binaria = if_else(P20A == 1, 1, 0)
  )

### varible seguridad, genero y estrato

base_analisis <- base_completa %>%
  mutate(
    genero_txt = case_when(GENERO == 1 ~ "Masculino", GENERO == 2 ~ "Femenino", TRUE ~ "No informa"),
    estrato_txt = case_when(
      ESTRATO_DEC == 1 ~ "Estrato 1", ESTRATO_DEC == 2 ~ "Estrato 2",
      ESTRATO_DEC == 3 ~ "Estrato 3", ESTRATO_DEC == 4 ~ "Estrato 4",
      ESTRATO_DEC == 5 ~ "Estrato 5", ESTRATO_DEC == 6 ~ "Estrato 6",
      TRUE ~ "Sin Estrato"
    ),
    # Creamos variables binarias (1 si se siente Inseguro o Muy Inseguro, 0 si no)
    inseguro_barrio = if_else(P1 %in% c(3, 4), 1, 0),
    inseguro_comuna = if_else(P3 %in% c(3, 4), 1, 0),
    inseguro_ciudad = if_else(P5 %in% c(3, 4), 1, 0)
  ) %>%
  filter(estrato_txt != "Sin Estrato")

# =========================================================================
# TABLA DE PORCENTAJES DE INSEGURIDAD CRUZA
# =========================================================================
tabla_impacto <- base_analisis %>%
  group_by(estrato_txt, genero_txt) %>%
  summarise(
    `% Inseguridad Barrio` = (sum(inseguro_barrio * FACTOR, na.rm = TRUE) / sum(FACTOR, na.rm = TRUE)) * 100,
    `% Inseguridad Comuna` = (sum(inseguro_comuna * FACTOR, na.rm = TRUE) / sum(FACTOR, na.rm = TRUE)) * 100,
    `% Inseguridad Ciudad` = (sum(inseguro_ciudad * FACTOR, na.rm = TRUE) / sum(FACTOR, na.rm = TRUE)) * 100,
    .groups = 'drop'
  )

kable(tabla_impacto, digits = 1, 
      caption = "Tabla 3: Porcentaje de Percepción de Inseguridad por Estrato y Género (Datos Ponderados)", 
      booktabs = TRUE)

Tabla 3: Porcentaje de Percepción de Inseguridad por Estrato y Género (Datos Ponderados)

estrato_txt	genero_txt	% Inseguridad Barrio	% Inseguridad Comuna	% Inseguridad Ciudad
Estrato 1	Femenino	20.4	19.7	51.1
Estrato 1	Masculino	11.7	18.7	38.8
Estrato 2	Femenino	16.8	23.0	56.4
Estrato 2	Masculino	11.2	14.5	40.4
Estrato 3	Femenino	21.0	24.5	59.2
Estrato 3	Masculino	18.3	23.1	51.1
Estrato 4	Femenino	45.5	43.1	76.2
Estrato 4	Masculino	6.4	25.1	47.6
Estrato 5	Femenino	52.0	57.8	70.1
Estrato 5	Masculino	21.8	24.1	41.8
Estrato 6	Femenino	0.0	43.1	56.9
Estrato 6	Masculino	0.0	0.0	0.0

# =========================================================================
# GRÁFICA INDEPENDIENTE: IMPACTO EN LA CIUDAD (P5)
# =========================================================================
ggplot(tabla_impacto, aes(x = estrato_txt, y = `% Inseguridad Ciudad`, fill = genero_txt)) +
  geom_bar(stat = "identity", position = "dodge") +
  labs(
    title = "Gráfica 6: Tasa de Inseguridad en la Ciudad por Estrato y Género",
    x = "Estrato Socioeconómico",
    y = "Porcentaje que se siente Inseguro (%)",
    fill = "Género",
    caption = "Fuente: Elaboración propia basada en microdatos."
  ) +
  theme_minimal()

####### indice de victimizacion

# 2. Adecuación de la variable de victimización (P20A)
# Creamos una variable binaria: 1 si fue víctima (P20A == 1), 0 en cualquier otro caso
base_analisis <- base_completa %>%
  mutate(
    victima_binaria = if_else(P20A == 1, 1, 0)
  )

# =========================================================================
# CALCULO 1: ÍNDICE DE VICTIMIZACIÓN GLOBAL (Para la Ciudad Castellana)
# =========================================================================
resultado_global <- base_analisis %>%
  summarise(
    Numerador_Pond = sum(victima_binaria * FACTOR, na.rm = TRUE),
    Denominador_Pond = sum(FACTOR, na.rm = TRUE),
    Indice_Global = (Numerador_Pond / Denominador_Pond) * 100
  )

# Extraemos el valor para poder usarlo en el texto explicativo
valor_global <- round(resultado_global$Indice_Global, 2)


# =========================================================================
# CALCULO 2: ÍNDICE DE VICTIMIZACIÓN DESAGREGADO POR COMUNAS
# =========================================================================
tabla_comunas <- base_analisis %>%
  group_by(COMUNA) %>%
  summarise(
    `Hogares Víctimas (Ponderado)` = sum(victima_binaria * FACTOR, na.rm = TRUE),
    `Población Total (Ponderada)`  = sum(FACTOR, na.rm = TRUE),
    `Índice de Victimización (%)`   = (`Hogares Víctimas (Ponderado)` / `Población Total (Ponderada)`) * 100,
    .groups = 'drop'
  ) %>%
  # Ordenamos de mayor a menor índice para responder la pregunta del taller
  arrange(desc(`Índice de Victimización (%)`))

# Imprimir la tabla formateada de forma elegante para el PDF
kable(tabla_comunas, digits = 2,
      caption = "Tabla 4: Índice de Victimización Expandido por Comuna (Ordenado de Mayor a Menor)", 
      booktabs = TRUE)

Tabla 4: Índice de Victimización Expandido por Comuna (Ordenado de Mayor a Menor)

COMUNA	Hogares Víctimas (Ponderado)	Población Total (Ponderada)	Índice de Victimización (%)
5	11973.44	55058.18	21.75
13	21134.45	127799.47	16.54
7	15153.87	104997.62	14.43
9	19504.85	136527.92	14.29
90	264.79	1854.27	14.28
60	10941.15	77100.32	14.19
1	11483.33	81305.06	14.12
80	12323.54	90909.83	13.56
16	15181.39	114548.67	13.25
3	17223.18	132806.02	12.97
10	2621.48	21386.19	12.26
2	11693.03	95494.07	12.24
8	13952.38	121642.54	11.47
11	2484.33	21749.33	11.42
70	957.81	9057.91	10.57
4	11690.43	117238.55	9.97
6	9955.54	137126.79	7.26
15	408.73	6859.35	5.96
12	233.02	5378.88	4.33
50	0.00	59.05	0.00

# Conclusiones

##### Para el Punto B, identifica que la percepcion de la seguridad del Barrio es seguro, para la comuna es seguro y para la generalidad de la ciudad tambien seguro a pesar que para varias personas lo consideran inseguro.

##### Para el Punto C, identifica que la percepcion de la seguridad por genero femenino en varios de los estratos es inseguro, esto se puede dar a la vulnerabilidad y para el genero masculino se mantiene por debajo.

##### Para el Punto D, El indice de Victimizacion para la ciudad de castellana es de 12.97%.

#### La respuesta de la comuna con el mayor indice es : la comuna 5
#### La respuesta de la comuna con el menor indice es : la comuna 50