---
title: "Dashboard Análisis Tareas Domésticas - Laboratorio 2"
output: 
  flexdashboard::flex_dashboard:
    orientation: rows
    vertical_layout: fill
    theme: cosmo
    source_code: embed

---

```{r setup, include=FALSE}
library(flexdashboard)
library(tidyverse)
library(ggplot2)
library(plotly)
library(DT)
library(corrplot)
library(readxl)
library(knitr)

# Cargar datos
datos <- read_excel("datos_laboratorio.xlsx", sheet = "Sheet1")

datos <- datos %>%
  mutate(
    REGION = factor(REGION),
    COLABORO_OFICIOS = factor(COLABORO_OFICIOS),
    PAGO_OFICIOS = factor(PAGO_OFICIOS),
    across(c(LAVAR, PLANCHAR, COCINAR, HACER_LIMPIEZA, CUIDAR_NIÑOS_MAS_PEQUEÑOS, 
             ATENDER_HUERTA, HACER_MANDADOS_MERCADOS, OTRO), as.numeric),
    HORAS_DEDICADAS = as.numeric(HORAS_DEDICADAS),
    VALOR_EN_DINERO = as.numeric(VALOR_EN_DINERO)
  )
```
# Descripción de los Datos {data-icon="fa-info-circle"}

Column {data-width=450}
-------------------------------------

### Fuente y Contexto
Este conjunto de datos contiene información sobre la **participación en oficios domésticos** en hogares colombianos. Incluye detalles sobre quién colabora en las tareas del hogar, cuántas horas dedican y si reciben algún tipo de pago.

**Fuente**: Datos Dane 2003 (https://microdatos.dane.gov.co/index.php/catalog/186/get-microdata)

### Variables Principales
- **REGION**: Región geográfica (Atlántica, Valle del Cauca, San Andrés, Orinoquia y Amazonia, etc.)
- **COLABORO_OFICIOS**: Si la persona colabora en oficios domésticos (1 = Sí)
- **Tareas específicas**: Lavar, Planchar, Cocinar, Hacer limpieza, Cuidar niños, Atender huerta, etc.
- **HORAS_DEDICADAS**: Cantidad de horas dedicadas a estas actividades
- **PAGO_OFICIOS**: Si recibe pago por estas labores (SI/NO)
- **VALOR_EN_DINERO**: Monto recibido (cuando aplica)

Column {data-width=550}
-------------------------------------

### Cantidad de Datos
```{r}
valueBox(format(nrow(datos), big.mark = "."), 
         icon = "fa-database", 
         caption = "Total de Registros", 
         color = "primary")

```

---

# Análisis Univariado {data-icon="fa-chart-bar"}

### Distribución por Región
```{r}
p1 <- datos %>%
  ggplot(aes(x = REGION, fill = COLABORO_OFICIOS)) +
  geom_bar(position = "dodge") +
  labs(title = "colaboracion por Región", y = "Cantidad") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 50, hjust = 1))
ggplotly(p1)

```

### Horas Dedicadas
```{r}
p2 <- datos %>%
  ggplot(aes(x = HORAS_DEDICADAS)) +
  geom_histogram(bins = 30, fill = "steelblue") +
  labs(title = "Distribución de Horas Dedicadas", x = "Horas", y = "Frecuencia") +
  theme_minimal()
ggplotly(p2)
```

### Tareas Más Comunes
```{r}
tareas <- datos %>%
  select(LAVAR, PLANCHAR, COCINAR, HACER_LIMPIEZA, CUIDAR_NIÑOS_MAS_PEQUEÑOS, 
         ATENDER_HUERTA, HACER_MANDADOS_MERCADOS) %>%
  summarise(across(everything(), sum, na.rm = TRUE)) %>%
  pivot_longer(everything(), names_to = "Tarea", values_to = "Frecuencia") %>%
  arrange(desc(Frecuencia))

p3 <- ggplot(tareas, aes(x = (Tarea), y = Frecuencia)) +
  geom_bar(stat = "identity", fill = "darkorange") +
  coord_flip() +
  labs(title = "Frecuencia de Participación en Tareas", y = "Número de Registros") +
  theme_minimal()
ggplotly(p3)
```

```

---

```
# Análisis univariado 2 {data-icon="fa-map-marker"}

Column {data-width=500}
-------------------------------------
### Cantidad de Registros por Región
```{r}
p_region <- datos %>%
  count(REGION) %>%
  ggplot(aes(x = (REGION), y = n, fill = REGION)) +
  geom_col() +
  labs(title = "Registros por Región", y = "Cantidad") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))
ggplotly(p_region)

```

### Pago Recibido por Oficios Domésticos
```{r}
p_pago <- datos %>%
  ggplot(aes(x = PAGO_OFICIOS, fill = PAGO_OFICIOS)) +
  geom_bar() +
  labs(title = "Personas que Reciben Pago por Oficios Domésticos", 
       y = "Cantidad de Registros") +
  theme_minimal()
ggplotly(p_pago)


```

# Análisis Bivariado {data-icon="fa-chart-line"}

### Horas por Región y Colaboración
```{r}
p4 <- datos %>%
  ggplot(aes(x = REGION, y = HORAS_DEDICADAS, fill = COLABORO_OFICIOS)) +
  geom_boxplot() +
  labs(title = "Horas Dedicadas por Región y Colaboración") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))
ggplotly(p4)

```

-------------------------------------

### Correlación entre Tareas
```{r}
cor_matrix <- datos %>%
  select(LAVAR:OTRO, HORAS_DEDICADAS) %>%
  cor(use = "complete.obs")

corrplot(cor_matrix, method = "color", type = "upper", tl.cex = 0.7)

```


---

# Conclusiones y Recomendaciones {data-icon="fa-lightbulb"}

### Conclusiones
-La base de datos contiene 10.234 registros y 13 variables, pero presenta faltas de especificación en varias variables, lo que introduce inconsistencias en el análisis.

-La limpieza y los mandados son las labores más frecuentes entre los niños y niñas encuestados: una gran proporción reportó ayudar con la limpieza, y casi una cuarta parte tuvo que hacer mandados.

-El cuidado de niños más pequeños (4,8%) y cocinar (3,2%) son labores menos comunes, pero relevantes considerando que se trata de menores de 5 a 11 años asumiendo responsabilidades de cuidado.


### Recomendaciones
-Mejorar la recolección de datos, especificando con mayor claridad las categorías de cada variable para reducir la falta de especificación identificada.

-Utilizar medidas estadísticas (mediana, rango intercuartílico) en lugar del promedio para variables con distribución asimétrica, como valor_en_dinero.

-Investigar los valores atípicos de ingresos elevados para determinar si corresponden a errores de digitación o a casos reales que merezcan un análisis diferencial.

Profundizar el análisis por variables como región o localidad, para identificar patrones o tendencias geográficos o socioeconómicos relacionadas a las labores domésticas infantiles.