Datos generales

Curso: Estadistica Inferencial

Taller: Taller #1

Integrantes: Gabriela Morrón, Valerie Gonzalez, Salma Vertel, Isabella Hamilton

Profesor(a): Keyla Alba Molina

Fecha de entrega: 26 de agosto de 2026

Resumen

Este trabajo presenta un Análisis Exploratorio de Datos (AED) sobre la percepción ciudadana acerca de la cooperación internacional y su relación con el desarrollo. El problema analizado consiste en identificar si existen diferencias en la percepción del impacto de la cooperación internacional según la región geográfica y la participación previa de los encuestados en programas de cooperación. Se utilizó una base de datos de 100 personas residentes en cuatro regiones de un país latinoamericano (Amazonía, Andes, Caribe y Pacífico), con variables sociodemográficas (edad, sexo, nivel educativo, ingreso mensual) y actitudinales (participación previa, tipo de participación, conocimiento de agencias de cooperación, percepción de impacto en el desarrollo y apoyo a incrementar la cooperación). La metodología aplicada correspondió a un análisis exploratorio descriptivo mediante RStudio, calculando medidas de tendencia central, dispersión y posición para las variables cuantitativas, así como tablas de frecuencia para las cualitativas, complementado con la identificación de valores atípicos mediante el rango intercuartílico. Los resultados muestran que el 57% de los encuestados ha participado en algún programa de cooperación internacional, que el 77% apoyaría un aumento de la cooperación en el país, y que la percepción de impacto en el desarrollo presenta alta variabilidad, sin correlación lineal fuerte con la edad o el ingreso mensual. Se concluye que la experiencia previa de participación y el conocimiento de agencias de cooperación podrían influir más en la percepción ciudadana que las variables sociodemográficas, lo cual constituye un insumo relevante para el diseño de políticas de cooperación más efectivas.

Palabras clave: cooperación internacional, percepción ciudadana, análisis exploratorio de datos, desarrollo, participación social.

1. Introducción

Percepción ciudadana y participación en la cooperación internacional.

En el ámbito de las Relaciones Internacionales, la cooperación internacional constituye un mecanismo mediante el cual países, agencias multilaterales y organizaciones no gubernamentales trabajan conjuntamente para impulsar el desarrollo económico, social y humano de las naciones (Ayllón Pino, 2014). Sin embargo, su efectividad y legitimidad dependen en buena parte de la percepción ciudadana: qué tan informada está la población sobre las agencias de cooperación, si ha participado directamente en programas de cooperación (académica, laboral o de voluntariado), y qué tan positivamente evalúa su impacto real en el desarrollo de su región. Esta relación entre opinión pública y cooperación internacional ha sido, no obstante, escasamente estudiada de forma sistemática en el contexto latinoamericano (Mila-Maldonado et al., 2026), lo que evidencia un vacío que este taller busca contribuir a llenar. Asimismo, estudios previos han mostrado que las decisiones de política exterior y los distintos modelos de cooperación —bilateral, Sur-Sur o alineada a los Objetivos de Desarrollo Sostenible— varían considerablemente entre países de la región (Duarte-Herrera & Pedraza-Beleño, 2018; Rueda Fiorentino, 2019; Ruiz-Camacho, 2018), lo cual sugiere que la percepción ciudadana también podría variar según el contexto regional y la experiencia directa de participación. Analizar estos datos permite identificar si existen diferencias regionales, socioeconómicas o de experiencia previa que expliquen por qué unos ciudadanos perciben mayor impacto positivo de la cooperación que otros, información clave para que gobiernos y agencias diseñen estrategias más equitativas y efectivas.

Antecedentes

Diversos estudios han abordado la relación entre cooperación internacional, desarrollo y percepción ciudadana desde distintas perspectivas metodologicas.

  • Mila-Maldonado, A., Mila-Maldonado, J. A. y López-Díaz, I. (2026). Percepciones ciudadanas y Relaciones Internacionales en América Latina: una revisión sistemática de literatura (2020-2025). Universitas-XXI, Revista de Ciencias Sociales y Humanas.

  • Rueda Fiorentino, M. (2019). Cooperación Internacional para el Desarrollo y Estrategias Nacionales para el Cumplimiento de los ODS. Aproximaciones a los casos de Colombia y Chile. Revista Internacional de Cooperación y Desarrollo.

  • Duarte-Herrera, L. K. y Pedraza-Beleño, J. A. (2018). La relación política exterior y cooperación internacional para el desarrollo: el caso de Colombia, 2002-2015. Revista Iberoamericana de Estudios de Desarrollo.

  • Ruiz-Camacho, P. X. (2018). La cooperación sur-sur de Brasil y Colombia: entre la política exterior y el desarrollo. Papel Político.

  • Ayllón Pino, B. (2014). Mutaciones y reconfiguraciones de la cooperación internacional para el desarrollo. Íconos, Revista de Ciencias Sociales.

Pregunta problema: ¿Existen diferencias estadísticamente significativas en la percepción del impacto de la cooperación internacional en el desarrollo según la región geográfica y la participación previa en programas de cooperación, y estas variables se relacionan con el nivel de apoyo ciudadano a incrementar dicha cooperación?

Objetivo general

Analizar descriptivamente la percepción ciudadana sobre el impacto de la cooperación internacional en el desarrollo, así como las principales características sociodemográficas y actitudinales de los encuestados incluidos en la base de datos.

2. Marco teórico

Análisis Exploratorio de Datos (AED): es un conjunto de técnicas estadísticas cuyo objetivo es describir, resumir y visualizar un conjunto de datos antes de aplicar modelos inferenciales más complejos. Permite detectar patrones, valores atípicos, relaciones entre variables y posibles errores en la base de datos (Tukey, 1977).

Variables cualitativas y cuantitativas: las variables cualitativas (o categóricas) representan cualidades o categorías no numéricas, como el sexo o la región de residencia. Las variables cuantitativas representan cantidades numéricas y pueden ser discretas (por ejemplo, número de hijos) o continuas (por ejemplo, el ingreso mensual). En nuestra base de datos, variables como region, sexo y nivel_educativo son cualitativas, mientras que edad, ingreso_mensual y percepcion_impacto_desarrollo son cuantitativas.

Medidas de tendencia central: describen el valor alrededor del cual se concentran los datos. La media es el promedio aritmético; la mediana es el valor central cuando los datos se ordenan; y la moda es el valor que más se repite.

Medidas de dispersión: cuantifican qué tan dispersos están los datos respecto a la tendencia central. Incluyen el rango (diferencia entre el valor máximo y mínimo), la varianza, la desviación estándar (raíz cuadrada de la varianza) y el coeficiente de variación (que permite comparar la dispersión relativa entre variables con distintas unidades).

Cuartiles: dividen la distribución ordenada de los datos en cuatro partes iguales. El primer cuartil (Q1) deja el 25% de los datos por debajo; la mediana (Q2) deja el 50%; y el tercer cuartil (Q3) deja el 75%.

Valores atípicos: son observaciones que se alejan considerablemente del resto de los datos. Se identifican comúnmente mediante el rango intercuartílico (RI = Q3 − Q1) y los límites:

𝐿 𝑖 = 𝑄 1 − 1.5 × 𝑅 𝐼 𝐿 𝑠 = 𝑄 3 + 1.5 × 𝑅 𝐼 Li=Q1−1.5×RILs=Q3+1.5×RI

Cualquier valor por debajo de Li o por encima de Ls se considera un posible valor atípico, aunque su eliminación no debe hacerse de forma automática, sino tras evaluar si corresponde a un error de registro o a una observación válida.

Tablas de frecuencia y gráficos estadísticos: las tablas de frecuencia resumen cuántas veces aparece cada categoría (frecuencia absoluta) o su proporción (frecuencia relativa). Los gráficos estadísticos como histogramas, boxplots y gráficos de barras permiten visualizar la forma, dispersión y concentración de los datos de manera intuitiva.

3. Metodología

Los datos utilizados en este estudio provienen de una encuesta estructurada aplicada a 100 personas residentes en cuatro regiones de un país latinoamericano (Amazonía, Andes, Caribe y Pacífico). La base de datos, denominada Base_Cooperacion_RI.xlsx, constituye una muestra no probabilística de la población de interés (ciudadanos con conocimiento o experiencia en temas de cooperación internacional).

La base contiene 100 observaciones (filas) y 10 variables (columnas): tres cuantitativas (edad, percepcion_impacto_desarrollo e ingreso_mensual) y siete cualitativas (sexo, region, nivel_educativo, ha_participado_cooperacion, tipo_participacion, conoce_agencia_cooperacion y apoyo_aumentar_cooperacion).

El procesamiento de los datos se realizó en el software R, mediante el entorno de desarrollo RStudio, utilizando los paquetes readxl (lectura de archivos Excel), dplyr (manipulación de datos), ggplot2 (visualización), skimr y psych (estadística descriptiva), corrplot (visualización de correlaciones) y janitor (limpieza de nombres de variables). Los procedimientos estadísticos aplicados incluyeron: cálculo de medidas de tendencia central, dispersión y posición; construcción de tablas de frecuencia; identificación de valores atípicos mediante el rango intercuartílico; y análisis de correlación lineal entre variables cuantitativas.

4. Análisis exploratorio de datos

Este documento presenta un Análisis Exploratorio de Datos (EDA) sobre la base Base_Cooperacion_RI.xlsx, la cual contiene información de 100 personas encuestadas sobre su percepción y participación en procesos de cooperación internacional. El objetivo es describir las variables, identificar patrones, detectar valores atípicos y explorar relaciones entre variables antes de cualquier análisis inferencial posterior.

5. Preparación del entorno

# Instala estos paquetes una sola vez si no los tienes (quita el #):
# install.packages(c("readxl", "dplyr", "ggplot2", "skimr",
#                     "DataExplorer", "psych", "corrplot", "janitor"))

library(readxl)       # Leer archivos Excel
library(dplyr)        # Manipulación de datos
library(ggplot2)      # Gráficos
library(skimr)        # Resumen estadístico detallado
library(DataExplorer) # Reportes automáticos de EDA
library(psych)        # Estadísticos descriptivos
library(corrplot)     # Visualización de correlaciones
library(janitor)      # Limpieza de nombres de columnas

6. Carga y limpieza de datos

# IMPORTANTE: coloca el archivo Excel en la MISMA carpeta que este .Rmd
datos <- read_excel("Base_Cooperacion_RI (1).xlsx")

# Limpiar nombres de columnas (minúsculas, sin tildes ni espacios)
datos <- clean_names(datos)

# Convertir variables de texto a factor (categóricas)
datos <- datos %>%
  mutate(across(where(is.character), as.factor))

# Estructura general del dataset
str(datos)
## tibble [100 × 10] (S3: tbl_df/tbl/data.frame)
##  $ edad                         : num [1:100] 24 37 32 28 25 38 24 36 40 28 ...
##  $ sexo                         : Factor w/ 3 levels "Femenino","Masculino",..: 1 1 2 2 2 1 1 2 2 2 ...
##  $ region                       : Factor w/ 4 levels "Amazonía","Andes",..: 1 3 3 1 1 4 2 1 3 4 ...
##  $ nivel_educativo              : Factor w/ 4 levels "Doctorado","Especialización",..: 4 1 4 3 2 3 2 2 4 4 ...
##  $ ha_participado_cooperacion   : Factor w/ 2 levels "No","Sí": 1 2 1 2 2 2 1 2 2 2 ...
##  $ tipo_participacion           : Factor w/ 4 levels "Académica","Laboral",..: 4 2 1 4 4 1 4 4 2 4 ...
##  $ conoce_agencia_cooperacion   : Factor w/ 2 levels "No","Sí": 1 2 2 1 2 2 2 2 2 2 ...
##  $ percepcion_impacto_desarrollo: num [1:100] 5 4 10 8 1 10 1 4 8 5 ...
##  $ apoyo_aumentar_cooperacion   : Factor w/ 2 levels "No","Sí": 2 2 2 2 2 2 2 1 2 2 ...
##  $ ingreso_mensual              : num [1:100] 2203097 1750827 2379669 3362415 2109119 ...
dim(datos)      # Filas y columnas
## [1] 100  10
names(datos)    # Nombres de variables
##  [1] "edad"                          "sexo"                         
##  [3] "region"                        "nivel_educativo"              
##  [5] "ha_participado_cooperacion"    "tipo_participacion"           
##  [7] "conoce_agencia_cooperacion"    "percepcion_impacto_desarrollo"
##  [9] "apoyo_aumentar_cooperacion"    "ingreso_mensual"
head(datos, 10) # Primeras 10 observaciones

7. Calidad de los datos

# Valores faltantes por columna
colSums(is.na(datos))
##                          edad                          sexo 
##                             0                             0 
##                        region               nivel_educativo 
##                             0                             0 
##    ha_participado_cooperacion            tipo_participacion 
##                             0                             0 
##    conoce_agencia_cooperacion percepcion_impacto_desarrollo 
##                             0                             0 
##    apoyo_aumentar_cooperacion               ingreso_mensual 
##                             0                             0
# Filas duplicadas
sum(duplicated(datos))
## [1] 0

Interpretación: si todos los valores de la tabla anterior son 0, significa que la base no tiene datos faltantes ni filas duplicadas, por lo que podemos continuar el análisis sin necesidad de imputar o depurar datos.

8. Estadística descriptiva general

summary(datos)
##       edad              sexo         region          nivel_educativo
##  Min.   :18.00   Femenino :45   Amazonía:37   Doctorado      :13    
##  1st Qu.:24.00   Masculino:48   Andes   :19   Especialización:25    
##  Median :29.00   Otro     : 7   Caribe  :24   Maestría       :21    
##  Mean   :29.28                  Pacífico:20   Pregrado       :41    
##  3rd Qu.:35.00                                                      
##  Max.   :40.00                                                      
##  ha_participado_cooperacion    tipo_participacion conoce_agencia_cooperacion
##  No:43                      Académica   :32       No:35                     
##  Sí:57                      Laboral     :25       Sí:65                     
##                             Ninguna     :20                                 
##                             Voluntariado:23                                 
##                                                                             
##                                                                             
##  percepcion_impacto_desarrollo apoyo_aumentar_cooperacion ingreso_mensual  
##  Min.   : 1.00                 No:23                      Min.   : 381868  
##  1st Qu.: 3.00                 Sí:77                      1st Qu.:1667864  
##  Median : 6.00                                            Median :1982936  
##  Mean   : 5.81                                            Mean   :2023581  
##  3rd Qu.: 8.25                                            3rd Qu.:2440142  
##  Max.   :10.00                                            Max.   :3544015
skim(datos) %>% select(-matches("hist"))
Data summary
Name datos
Number of rows 100
Number of columns 10
_______________________
Column type frequency:
factor 7
numeric 3
________________________
Group variables None

Variable type: factor

skim_variable n_missing complete_rate ordered n_unique top_counts
sexo 0 1 FALSE 3 Mas: 48, Fem: 45, Otr: 7
region 0 1 FALSE 4 Ama: 37, Car: 24, Pac: 20, And: 19
nivel_educativo 0 1 FALSE 4 Pre: 41, Esp: 25, Mae: 21, Doc: 13
ha_participado_cooperacion 0 1 FALSE 2 Sí: 57, No: 43
tipo_participacion 0 1 FALSE 4 Aca: 32, Lab: 25, Vol: 23, Nin: 20
conoce_agencia_cooperacion 0 1 FALSE 2 Sí: 65, No: 35
apoyo_aumentar_cooperacion 0 1 FALSE 2 Sí: 77, No: 23

Variable type: numeric

skim_variable n_missing complete_rate mean sd p0 p25 p50 p75 p100
edad 0 1 29.28 6.46 18 24 29 35.00 40
percepcion_impacto_desarrollo 0 1 5.81 2.99 1 3 6 8.25 10
ingreso_mensual 0 1 2023581.24 641002.94 381868 1667864 1982936 2440142.50 3544015 
# Estadísticos detallados de las variables numéricas
describe(datos %>% select(edad, percepcion_impacto_desarrollo, ingreso_mensual))

Tabla 1. Medidas de tendencia central, dispersión y posición

# Función para calcular la moda (R no la trae por defecto)
moda <- function(x) {
  ux <- unique(x)
  ux[which.max(tabulate(match(x, ux)))]
}

# Tabla resumen con TODAS las medidas que pide la rúbrica:
# tendencia central (media, mediana, moda),
# dispersión (rango, varianza, desviación estándar, coeficiente de variación),
# posición (Q1, mediana, Q3)
resumen_completo <- data.frame(
  Variable = c("Edad", "Percepción de impacto", "Ingreso mensual"),
  Media    = c(mean(datos$edad), mean(datos$percepcion_impacto_desarrollo), mean(datos$ingreso_mensual)),
  Mediana  = c(median(datos$edad), median(datos$percepcion_impacto_desarrollo), median(datos$ingreso_mensual)),
  Moda     = c(moda(datos$edad), moda(datos$percepcion_impacto_desarrollo), moda(datos$ingreso_mensual)),
  Rango    = c(diff(range(datos$edad)), diff(range(datos$percepcion_impacto_desarrollo)), diff(range(datos$ingreso_mensual))),
  Varianza = c(var(datos$edad), var(datos$percepcion_impacto_desarrollo), var(datos$ingreso_mensual)),
  DE       = c(sd(datos$edad), sd(datos$percepcion_impacto_desarrollo), sd(datos$ingreso_mensual)),
  CV_pct   = c(sd(datos$edad)/mean(datos$edad)*100,
               sd(datos$percepcion_impacto_desarrollo)/mean(datos$percepcion_impacto_desarrollo)*100,
               sd(datos$ingreso_mensual)/mean(datos$ingreso_mensual)*100),
  Q1       = c(quantile(datos$edad, 0.25), quantile(datos$percepcion_impacto_desarrollo, 0.25), quantile(datos$ingreso_mensual, 0.25)),
  Q3       = c(quantile(datos$edad, 0.75), quantile(datos$percepcion_impacto_desarrollo, 0.75), quantile(datos$ingreso_mensual, 0.75))
)

knitr::kable(resumen_completo, digits = 2,
             col.names = c("Variable", "Media", "Mediana", "Moda", "Rango",
                           "Varianza", "Desv. Est.", "CV (%)", "Q1", "Q3"),
             caption = "Tabla 1. Medidas de tendencia central, dispersion y posicion")
Tabla 1. Medidas de tendencia central, dispersion y posicion
Variable Media Mediana Moda Rango Varianza Desv. Est. CV (%) Q1 Q3
Edad 29.28 29 32 22 4.168000e+01 6.46 22.05 24 35.00
Percepción de impacto 5.81 6 10 9 8.960000e+00 2.99 51.53 3 8.25
Ingreso mensual 2023581.24 1982936 2203097 3162147 4.108848e+11 641002.94 31.68 1667864 2440142.50

Interpretación Tabla 1:La edad promedio de los encuestados es de 29.28 años, con una moda de 32 años (la edad que más se repite en la muestra) y una dispersión moderada (CV cercano al 22%). La percepción de impacto en el desarrollo presenta el coeficiente de variación más alto (cercano al 51%), con una moda de 10 puntos, lo que indica una gran heterogeneidad de opiniones entre los encuestados: mientras algunos perciben un impacto mínimo, otros lo valoran como muy alto (de hecho, el valor máximo de la escala es el más frecuente). El ingreso mensual muestra una dispersión relativa intermedia (CV cercano al 32%), con una moda de 2,203,097, sin concentraciones extremas.

Tabla 2. Detección de valores atípicos (criterio de Tukey)

detectar_outliers <- function(x) {
  Q1 <- quantile(x, 0.25, na.rm = TRUE)
  Q3 <- quantile(x, 0.75, na.rm = TRUE)
  RI <- Q3 - Q1
  Li <- Q1 - 1.5 * RI
  Ls <- Q3 + 1.5 * RI
  n_outliers <- sum(x < Li | x > Ls, na.rm = TRUE)
  data.frame(Q1 = round(Q1,2), Q3 = round(Q3,2), RI = round(RI,2),
             Limite_inferior = round(Li,2), Limite_superior = round(Ls,2),
             N_outliers = n_outliers)
}

tabla_outliers <- rbind(
  Edad = detectar_outliers(datos$edad),
  Percepcion_impacto = detectar_outliers(datos$percepcion_impacto_desarrollo),
  Ingreso_mensual = detectar_outliers(datos$ingreso_mensual)
)

knitr::kable(tabla_outliers,
             col.names = c("Q1", "Q3", "RI", "Limite inferior (Li)", "Limite superior (Ls)", "N. atipicos"),
             caption = "Tabla 2. Deteccion de valores atipicos mediante el criterio de Tukey")
Tabla 2. Deteccion de valores atipicos mediante el criterio de Tukey
Q1 Q3 RI Limite inferior (Li) Limite superior (Ls) N. atipicos
Edad 24 35.00 11.00 7.50 51.50 0
Percepcion_impacto 3 8.25 5.25 -4.88 16.12 0
Ingreso_mensual 1667864 2440142.50 772279.00 509445.00 3598561.00 2

Figura 1, 2 y 3. Boxplots para deteccion visual de valores atipicos

par(mfrow = c(1,3))
boxplot(datos$edad, horizontal = TRUE, main = "Edad", col = "steelblue")
boxplot(datos$percepcion_impacto_desarrollo, horizontal = TRUE, main = "Percepcion de impacto", col = "orange")
boxplot(datos$ingreso_mensual, horizontal = TRUE, main = "Ingreso mensual", col = "darkgreen")
Figura 1-3. Boxplots de Edad, Percepcion de impacto e Ingreso mensual

Figura 1-3. Boxplots de Edad, Percepcion de impacto e Ingreso mensual 

par(mfrow = c(1,1))

Interpretación (Tabla 2, Figuras 1-3): aplicando el criterio de Tukey (\(L_i = Q_1 - 1.5 \times RI\) y \(L_s = Q_3 + 1.5 \times RI\)) a las tres variables cuantitativas, no se detectaron valores atípicos en edad ni en percepcion_impacto_desarrollo. Sin embargo, se identificaron 2 posibles valores atípicos en ingreso_mensual, correspondientes a observaciones con ingresos inferiores al límite inferior calculado (Li = 509,445). Al revisar estos casos de forma individual, se determinó que corresponden a valores plausibles dentro del contexto de la muestra (personas con ingresos bajos, consistentes con el rango general de la variable) y no a errores de digitación o registro, por lo que se decidió conservarlos en el análisis. Esto es coherente con lo observado en el boxplot de ingreso mensual (Figura 3), donde se aprecian dos puntos por debajo del bigote inferior.

9. Análisis univariado — Variables numéricas

9.1 Edad

ggplot(datos, aes(x = edad)) +
  geom_histogram(bins = 10, fill = "steelblue", color = "white") +
  labs(title = "Distribución de la edad", x = "Edad", y = "Frecuencia") +
  theme_minimal()

boxplot(datos$edad, main = "Boxplot: Edad", col = "steelblue", horizontal = TRUE)

9.2 Ingreso mensual

ggplot(datos, aes(x = ingreso_mensual)) +
  geom_histogram(bins = 10, fill = "darkgreen", color = "white") +
  labs(title = "Distribución del ingreso mensual", x = "Ingreso mensual", y = "Frecuencia") +
  theme_minimal()

boxplot(datos$ingreso_mensual, main = "Boxplot: Ingreso mensual", col = "darkgreen", horizontal = TRUE)

9.3 Percepción de impacto en el desarrollo

ggplot(datos, aes(x = percepcion_impacto_desarrollo)) +
  geom_histogram(bins = 10, fill = "orange", color = "white") +
  labs(title = "Percepción de impacto en el desarrollo", x = "Puntaje (escala 1-10)", y = "Frecuencia") +
  theme_minimal()

boxplot(datos$percepcion_impacto_desarrollo, main = "Boxplot: Percepción de impacto",
        col = "orange", horizontal = TRUE)

Interpretación: los histogramas muestran la forma de la distribución (simétrica, sesgada, etc.), mientras que los boxplots permiten identificar posibles valores atípicos (puntos fuera de los “bigotes”).

10. Análisis univariado — Variables categóricas

table(datos$sexo)
## 
##  Femenino Masculino      Otro 
##        45        48         7
table(datos$region)
## 
## Amazonía    Andes   Caribe Pacífico 
##       37       19       24       20
table(datos$nivel_educativo)
## 
##       Doctorado Especialización        Maestría        Pregrado 
##              13              25              21              41
table(datos$ha_participado_cooperacion)
## 
## No Sí 
## 43 57
table(datos$tipo_participacion)
## 
##    Académica      Laboral      Ninguna Voluntariado 
##           32           25           20           23
table(datos$conoce_agencia_cooperacion)
## 
## No Sí 
## 35 65
table(datos$apoyo_aumentar_cooperacion)
## 
## No Sí 
## 23 77
# Porcentajes en vez de conteos absolutos
round(prop.table(table(datos$region)) * 100, 1)
## 
## Amazonía    Andes   Caribe Pacífico 
##       37       19       24       20
round(prop.table(table(datos$nivel_educativo)) * 100, 1)
## 
##       Doctorado Especialización        Maestría        Pregrado 
##              13              25              21              41
ggplot(datos, aes(x = region)) +
  geom_bar(fill = "coral") +
  labs(title = "Distribución por región", x = "Región", y = "Frecuencia") +
  theme_minimal()

ggplot(datos, aes(x = nivel_educativo)) +
  geom_bar(fill = "purple") +
  labs(title = "Nivel educativo de los encuestados", x = "Nivel educativo", y = "Frecuencia") +
  coord_flip() +
  theme_minimal()

ggplot(datos, aes(x = ha_participado_cooperacion)) +
  geom_bar(fill = "skyblue") +
  labs(title = "¿Ha participado en procesos de cooperación?", x = "", y = "Frecuencia") +
  theme_minimal()

11. Análisis bivariado

11.1 Ingreso mensual según sexo

ggplot(datos, aes(x = sexo, y = ingreso_mensual, fill = sexo)) +
  geom_boxplot() +
  labs(title = "Ingreso mensual según sexo", x = "Sexo", y = "Ingreso mensual") +
  theme_minimal()

11.2 Percepción de impacto según participación

ggplot(datos, aes(x = ha_participado_cooperacion, y = percepcion_impacto_desarrollo,
                   fill = ha_participado_cooperacion)) +
  geom_boxplot() +
  labs(title = "Percepción de impacto según participación en cooperación",
       x = "¿Ha participado?", y = "Percepción de impacto (1-10)") +
  theme_minimal()

11.3 Tablas cruzadas

table(datos$region, datos$nivel_educativo)
##           
##            Doctorado Especialización Maestría Pregrado
##   Amazonía         3               7       10       17
##   Andes            5               7        3        4
##   Caribe           2               6        4       12
##   Pacífico         3               5        4        8
tabla_cruzada <- table(datos$ha_participado_cooperacion, datos$conoce_agencia_cooperacion)
tabla_cruzada
##     
##      No Sí
##   No 15 28
##   Sí 20 37
# Porcentaje por fila (dentro de cada grupo de participación)
round(prop.table(tabla_cruzada, margin = 1) * 100, 1)
##     
##        No   Sí
##   No 34.9 65.1
##   Sí 35.1 64.9
ggplot(datos, aes(x = region, fill = ha_participado_cooperacion)) +
  geom_bar(position = "fill") +
  labs(title = "Proporción de participación en cooperación por región",
       x = "Región", y = "Proporción", fill = "¿Ha participado?") +
  theme_minimal()

12. Correlaciones entre variables numéricas

num_vars <- datos %>% select(edad, percepcion_impacto_desarrollo, ingreso_mensual)
matriz_cor <- cor(num_vars, use = "complete.obs")
matriz_cor
##                                      edad percepcion_impacto_desarrollo
## edad                           1.00000000                    0.02995545
## percepcion_impacto_desarrollo  0.02995545                    1.00000000
## ingreso_mensual               -0.01633280                   -0.14627763
##                               ingreso_mensual
## edad                               -0.0163328
## percepcion_impacto_desarrollo      -0.1462776
## ingreso_mensual                     1.0000000
corrplot(matriz_cor, method = "color", addCoef.col = "black",
         type = "upper", tl.col = "black",
         title = "Matriz de correlación", mar = c(0, 0, 1, 0))

ggplot(datos, aes(x = edad, y = ingreso_mensual)) +
  geom_point(color = "steelblue") +
  geom_smooth(method = "lm", se = TRUE, color = "red") +
  labs(title = "Relación entre edad e ingreso mensual", x = "Edad", y = "Ingreso mensual") +
  theme_minimal()

Interpretación: un coeficiente de correlación cercano a 1 o -1 indica una relación lineal fuerte; cercano a 0 indica poca o ninguna relación lineal. La línea roja en el gráfico de dispersión representa la tendencia general entre ambas variables.

13. Resultados e interpretación

A partir de las tablas y figuras generadas en las secciones anteriores (Tablas 1-4, Figuras 1-9), se identifican los siguientes patrones relevantes para responder a la pregunta problema planteada:

1. Concentración y variabilidad de los datos. La edad de los encuestados se concentra entre 24 y 35 años (Tabla 1, Q1-Q3), con una dispersión moderada (CV = 22%). En contraste, la percepción de impacto en el desarrollo presenta la mayor variabilidad relativa de las tres variables cuantitativas (CV = 51%, Tabla 1), lo que indica que no existe consenso ciudadano sobre la efectividad de la cooperación internacional: las opiniones se distribuyen de forma pareja a lo largo de toda la escala de 1 a 10 (Figura correspondiente al histograma de percepción, sección 9.3).

2. Categorías predominantes. En cuanto a las variables cualitativas, la región Amazonía concentra el 37% de la muestra (Tabla de frecuencias, sección 10), y el nivel educativo predominante es Pregrado (41%). Respecto a la participación en cooperación, el 57% de los encuestados sí ha participado, y un 77% apoyaría un incremento de la cooperación internacional (sección 10), lo que evidencia una valoración social mayoritariamente favorable.

3. Valores faltantes y valores atípicos. Como se estableció en la sección 7 (Calidad de los datos), la base no presenta valores faltantes ni filas duplicadas. En cuanto a valores atípicos (Tabla 2), no se detectaron en edad ni en percepción de impacto, y solo se identificaron 2 casos puntuales en ingreso mensual, los cuales fueron revisados y conservados por corresponder a observaciones válidas, lo que respalda en general la confiabilidad de los resultados descriptivos presentados.

4. Relaciones entre variables. La matriz de correlación (Tabla 3, sección 12) muestra que ninguna de las correlaciones entre edad, ingreso mensual y percepción de impacto supera 0.15 en valor absoluto, evidenciando ausencia de relación lineal relevante entre las variables sociodemográficas y la percepción del impacto de la cooperación. Asimismo, al comparar la percepción de impacto según participación previa (Figura del boxplot, sección 11.2), se observan diferencias visuales en la mediana entre quienes han participado y quienes no, lo que sugiere que la experiencia directa podría estar más asociada a la percepción que las variables demográficas puras.

5. Significado en el contexto de la cooperación internacional. En conjunto, estos resultados sugieren que la percepción ciudadana sobre el impacto de la cooperación internacional depende más de factores actitudinales y experienciales (participación previa, conocimiento de agencias) que de características sociodemográficas como la edad o el nivel de ingreso. Esto tiene implicaciones prácticas para el diseño de políticas públicas: estrategias de difusión y visibilización de los programas de cooperación podrían ser más efectivas para mejorar la percepción ciudadana que estrategias segmentadas por variables demográficas.

14. Conclusiones

1. Perfil general de la muestra. La base de datos analizada corresponde a 100 personas encuestadas en cuatro regiones de un país latinoamericano (Amazonía, Andes, Caribe y Pacífico), con edades entre 18 y 40 años (media aproximada de 29 años) y un ingreso mensual promedio cercano a 2.023.581, sin datos faltantes ni filas duplicadas, lo cual otorga confiabilidad a los resultados descriptivos obtenidos.

2. Participación y respaldo mayoritario a la cooperación internacional. El 57 por ciento de los encuestados ha participado previamente en algún programa de cooperación internacional (académico, laboral o de voluntariado), y un porcentaje aún mayor, 77 por ciento, manifestó su apoyo a un incremento de dicha cooperación en el país. Esto sugiere que, más allá de la experiencia directa, existe una valoración social mayoritariamente favorable hacia estos procesos.

3. Alta heterogeneidad en la percepción de impacto. La variable percepcion_impacto_desarrollo (escala de 1 a 10) presentó una media de 5.81 con un coeficiente de variación cercano al 51 por ciento, evidenciando que no existe consenso entre los ciudadanos sobre qué tan efectiva es la cooperación internacional para el desarrollo. Esta dispersión se mantuvo incluso al comparar grupos por región y por participación previa.

4. Ausencia de relación lineal con variables sociodemográficas. El análisis de correlación mostró valores muy bajos entre edad, ingreso_mensual y percepcion_impacto_desarrollo (todos por debajo de 0.15 en valor absoluto), lo que indica que ni la edad ni el nivel de ingreso explican por sí solos las diferencias en la percepción del impacto de la cooperación. Esto responde parcialmente a la pregunta problema: los factores sociodemográficos parecen tener un peso limitado frente a otras variables actitudinales.

5. La experiencia y el conocimiento previo podrían ser más determinantes. Si bien no se aplicaron aún pruebas de hipótesis formales, las diferencias observadas en los boxplots entre quienes han participado en cooperación y quienes no, junto con los altos porcentajes de conocimiento de agencias de cooperación en ambos grupos, sugieren que variables actitudinales, como la experiencia directa o el conocimiento institucional, podrían influir más en la percepción ciudadana que las características demográficas puras.

6. Confiabilidad de los datos. La aplicación del criterio de Tukey (rango intercuartílico) evidenció ausencia de valores atípicos en edad y percepción de impacto, y solo 2 posibles atípicos en ingreso mensual, los cuales se revisaron individualmente y se determinó que corresponden a observaciones válidas (no a errores de registro). Esto, sumado a la ausencia de datos faltantes y duplicados, confirma que los resultados descriptivos presentados son, en general, representativos de la muestra recolectada.

7. Limitaciones y proyección hacia el análisis inferencial. Al tratarse de una muestra no probabilística (n = 100) y de un estudio transversal, estos hallazgos son descriptivos y no permiten generalizar ni establecer causalidad. Sin embargo, constituyen un punto de partida sólido para análisis inferenciales posteriores, como pruebas de hipótesis, ANOVA o regresión, que permitan confirmar de manera estadísticamente robusta si la región geográfica y la participación previa explican significativamente las diferencias en percepción y apoyo ciudadano hacia la cooperación internacional.

15. Bibliografía

16. Declaración sobre el uso de Inteligencia Artificial

Aspecto Información
Uso de IA Si
Herramienta Claude (Anthropic)
Finalidad Apoyo en la corrección de errores de código y compilación en R Markdown, y organización de la estructura del documento
Porcentaje estimado 30%