Seguimiento de Becas Butiá — muestra de trabajo en R

Introducción

Este documento es una muestra de trabajo elaborada en el marco de la postulación a la consultoría de análisis de datos del Programa “Becas Butiá” (INEFOP, SC-CP-09/2026). Dado que los registros administrativos reales del programa no son de acceso público, se construyó una base de datos ficticia que replica la estructura y el volumen de información esperados (14.700 becarios, cifra publicada en los propios términos de referencia para 2025), con el objetivo de demostrar el flujo de trabajo solicitado en los productos 3, 4, 5 y 11 del llamado: generación y depuración de datos, documentación, cálculo de indicadores y visualización.

Nota metodológica: todos los datos que siguen son simulados. Las relaciones entre variables (por ejemplo, entre departamento y asistencia) son supuestos definidos para este ejercicio, no estadísticas reales.

1. Generación de la base

Se simulan 14.700 becarios. La asistencia depende del departamento (supuesto: menor infraestructura educativa relativa en el interior), y el estado de trayectoria depende a su vez de la asistencia, para que el ejercicio tenga una estructura realista.

set.seed(2026)
n <- 14700

departamentos <- c("Montevideo", "Canelones", "Maldonado", "Rocha", "Treinta y Tres",
                    "Cerro Largo", "Rivera", "Artigas", "Salto", "Paysandú",
                    "Río Negro", "Soriano", "Colonia", "San José", "Flores",
                    "Florida", "Lavalleja", "Durazno", "Tacuarembó")

pesos_departamento <- c(0.30, 0.16, 0.05, 0.02, 0.015, 0.02, 0.03, 0.015, 0.04, 0.04,
                         0.02, 0.02, 0.03, 0.03, 0.01, 0.02, 0.02, 0.02, 0.02)
pesos_departamento <- pesos_departamento / sum(pesos_departamento)

medias_asistencia <- tibble(
  departamento = departamentos,
  media_asistencia = c(80, 78, 74, 65, 62, 64, 68, 60, 70, 71,
                        66, 72, 76, 75, 73, 74, 70, 63, 65)
)

base_becas <- tibble(
  id_estudiante = 1:n,
  edad = sample(11:21, n, replace = TRUE,
                prob = c(.10, .10, .10, .10, .10, .10, .09, .08, .08, .08, .07)),
  sexo = sample(c("Mujer", "Varón"), n, replace = TRUE, prob = c(.51, .49)),
  departamento = sample(departamentos, n, replace = TRUE, prob = pesos_departamento),
  ciclo = if_else(edad <= 14, "Ciclo Básico", "Bachillerato"),
  año_lectivo = 2025L,
  modalidad_financiamiento = sample(c("INEFOP", "ANEP", "MEC"), n, replace = TRUE,
                                     prob = c(.45, .35, .20)),
  fecha_inscripcion_beca = sample(seq(as.Date("2025-02-01"), as.Date("2025-04-30"), by = "day"),
                                   n, replace = TRUE)
) %>%
  left_join(medias_asistencia, by = "departamento") %>%
  mutate(
    asistencia_pct = round(pmin(100, pmax(0, rnorm(n(), mean = media_asistencia, sd = 15))), 1),
    estado_trayectoria = case_when(
      asistencia_pct < 60 ~ sample(c("Abandono", "Rezago", "Activo", "Egresado"), n(),
                                    replace = TRUE, prob = c(.35, .35, .25, .05)),
      asistencia_pct < 80 ~ sample(c("Abandono", "Rezago", "Activo", "Egresado"), n(),
                                    replace = TRUE, prob = c(.10, .20, .60, .10)),
      TRUE               ~ sample(c("Abandono", "Rezago", "Activo", "Egresado"), n(),
                                    replace = TRUE, prob = c(.02, .05, .68, .25))
    ),
    monto_mensual = 2500
  ) %>%
  select(-media_asistencia)

glimpse(base_becas)

## Rows: 14,700
## Columns: 11
## $ id_estudiante            <int> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14…
## $ edad                     <int> 20, 13, 14, 15, 13, 11, 16, 18, 15, 13, 11, 2…
## $ sexo                     <chr> "Mujer", "Mujer", "Mujer", "Mujer", "Mujer", …
## $ departamento             <chr> "Montevideo", "Treinta y Tres", "San José", "…
## $ ciclo                    <chr> "Bachillerato", "Ciclo Básico", "Ciclo Básico…
## $ año_lectivo              <int> 2025, 2025, 2025, 2025, 2025, 2025, 2025, 202…
## $ modalidad_financiamiento <chr> "INEFOP", "ANEP", "ANEP", "ANEP", "ANEP", "ME…
## $ fecha_inscripcion_beca   <date> 2025-03-16, 2025-03-06, 2025-03-16, 2025-02-…
## $ asistencia_pct           <dbl> 59.9, 69.0, 76.3, 75.4, 64.9, 84.2, 55.2, 75.…
## $ estado_trayectoria       <chr> "Abandono", "Rezago", "Rezago", "Activo", "Ac…
## $ monto_mensual            <dbl> 2500, 2500, 2500, 2500, 2500, 2500, 2500, 250…

2. Simulación de problemas de calidad de datos

Para demostrar el proceso de depuración (Producto 3), se introducen a propósito errores típicos de datos administrativos reales: duplicados, valores faltantes, formato inconsistente y errores de carga.

set.seed(99)

n_dup <- 50; n_na_sexo <- 80; n_na_depto <- 60
n_na_asist <- 100; n_formato <- 300; n_inyectado_rango <- 30

base_sucia <- bind_rows(base_becas, slice_sample(base_becas, n = n_dup))
filas <- nrow(base_sucia)

idx_na_sexo   <- sample(filas, n_na_sexo)
idx_na_depto  <- sample(filas, n_na_depto)
idx_na_asist  <- sample(filas, n_na_asist)
idx_formato   <- sample(filas, n_formato)
idx_rango     <- sample(filas, n_inyectado_rango)

base_sucia <- base_sucia %>%
  mutate(
    sexo           = if_else(row_number() %in% idx_na_sexo, NA_character_, sexo),
    departamento   = if_else(row_number() %in% idx_na_depto, NA_character_, departamento),
    asistencia_pct = if_else(row_number() %in% idx_na_asist, NA_real_, asistencia_pct),
    departamento   = if_else(row_number() %in% idx_formato & !is.na(departamento),
                              paste0("  ", str_to_upper(departamento), " "), departamento),
    asistencia_pct = if_else(row_number() %in% idx_rango & !is.na(asistencia_pct),
                              asistencia_pct * 10, asistencia_pct)
  )

3. Depuración y validación

n_duplicados <- sum(duplicated(base_sucia$id_estudiante))
base_limpia <- base_sucia %>% distinct(id_estudiante, .keep_all = TRUE)

# ojo: str_to_title() no sabe español y mayusculiza conectores (ej. "Treinta Y Tres")
base_limpia <- base_limpia %>%
  mutate(departamento = str_trim(departamento),
         departamento = str_to_title(departamento),
         departamento = str_replace_all(departamento, "\\bY\\b", "y"))

n_fuera_rango_detectado <- sum(base_limpia$asistencia_pct > 100, na.rm = TRUE)
base_limpia <- base_limpia %>%
  mutate(asistencia_pct = if_else(asistencia_pct > 100, asistencia_pct / 10, asistencia_pct))

# criterio: sexo/departamento faltante -> "Sin dato" (no se descarta la fila);
# asistencia_pct faltante -> se excluye (es la variable clave para los indicadores)
base_limpia <- base_limpia %>%
  mutate(
    sexo         = if_else(is.na(sexo), "Sin dato", sexo),
    departamento = if_else(is.na(departamento), "Sin dato", departamento)
  ) %>%
  filter(!is.na(asistencia_pct))

Resumen de la depuración:

Paso	Cantidad
Filas originales	14750
Duplicados eliminados	50
Valores de asistencia fuera de rango corregidos	30
Filas excluidas por asistencia faltante	100
Filas finales	14600

4. Diccionario de datos

diccionario <- tribble(
  ~variable,                  ~descripcion,                                        ~tipo,      ~valores_posibles,                        ~criterio_depuracion,
  "id_estudiante",            "Identificador único del estudiante becario",        "entero",   "1 a 14.700",                              "se eliminaron duplicados por este campo",
  "edad",                     "Edad del estudiante en años",                       "entero",   "11 a 21",                                 "sin depuración adicional",
  "sexo",                     "Sexo del estudiante",                               "texto",    "Mujer / Varón / Sin dato",                "faltantes documentados como 'Sin dato'",
  "departamento",             "Departamento de residencia",                        "texto",    "19 departamentos de Uruguay / Sin dato",  "formato normalizado; faltantes como 'Sin dato'",
  "ciclo",                    "Ciclo educativo al que corresponde",                "texto",    "Ciclo Básico / Bachillerato",             "derivado de edad (<=14 años = Ciclo Básico)",
  "año_lectivo",              "Año lectivo de la beca",                            "entero",   "2025",                                    "sin depuración adicional",
  "modalidad_financiamiento", "Institución que financia la beca",                  "texto",    "INEFOP / ANEP / MEC",                     "sin depuración adicional",
  "fecha_inscripcion_beca",   "Fecha de registro de inscripción a la beca",        "fecha",    "01/02/2025 a 30/04/2025",                 "sin depuración adicional",
  "estado_trayectoria",       "Estado educativo del becario en el período",        "texto",    "Activo / Egresado / Abandono / Rezago",   "sin depuración adicional",
  "asistencia_pct",           "Porcentaje de asistencia registrado",               "numérico", "0 a 100",                                 "valores >100 corregidos; filas sin dato excluidas",
  "monto_mensual",            "Monto mensual de la beca (pesos uruguayos)",        "numérico", "2500 (fijo, simulación)",                 "sin depuración adicional"
)
kable(diccionario)

variable	descripcion	tipo	valores_posibles	criterio_depuracion
id_estudiante	Identificador único del estudiante becario	entero	1 a 14.700	se eliminaron duplicados por este campo
edad	Edad del estudiante en años	entero	11 a 21	sin depuración adicional
sexo	Sexo del estudiante	texto	Mujer / Varón / Sin dato	faltantes documentados como ‘Sin dato’
departamento	Departamento de residencia	texto	19 departamentos de Uruguay / Sin dato	formato normalizado; faltantes como ‘Sin dato’
ciclo	Ciclo educativo al que corresponde	texto	Ciclo Básico / Bachillerato	derivado de edad (<=14 años = Ciclo Básico)
año_lectivo	Año lectivo de la beca	entero	2025	sin depuración adicional
modalidad_financiamiento	Institución que financia la beca	texto	INEFOP / ANEP / MEC	sin depuración adicional
fecha_inscripcion_beca	Fecha de registro de inscripción a la beca	fecha	01/02/2025 a 30/04/2025	sin depuración adicional
estado_trayectoria	Estado educativo del becario en el período	texto	Activo / Egresado / Abandono / Rezago	sin depuración adicional
asistencia_pct	Porcentaje de asistencia registrado	numérico	0 a 100	valores >100 corregidos; filas sin dato excluidas
monto_mensual	Monto mensual de la beca (pesos uruguayos)	numérico	2500 (fijo, simulación)	sin depuración adicional

5. Enriquecimiento: centros educativos

Se incorpora una segunda fuente de información —un padrón ficticio de centros educativos por departamento— y se integra a la base principal mediante left_join(), replicando el escenario real en que la información proviene de distintos registros administrativos.

n_centros <- pmax(2, round(pesos_departamento * 40))

centros_educativos <- map2_dfr(departamentos, n_centros, function(depto, n_c) {
  tibble(
    departamento  = depto,
    nombre_centro = if_else(seq_len(n_c) %% 2 == 1,
                             paste0("Liceo N°", seq_len(n_c), " - ", depto),
                             paste0("UTU ", depto)),
    tipo_centro   = if_else(seq_len(n_c) %% 2 == 1, "Liceo", "UTU")
  )
}) %>%
  mutate(id_centro = row_number()) %>%
  relocate(id_centro)

centros_por_depto <- split(centros_educativos$id_centro, centros_educativos$departamento)

base_final <- base_limpia %>%
  mutate(
    id_centro = sapply(departamento, function(d) {
      opciones <- centros_por_depto[[d]]
      if (is.null(opciones)) return(NA_integer_)
      sample(opciones, 1)
    })
  ) %>%
  left_join(centros_educativos %>% select(id_centro, nombre_centro, tipo_centro),
            by = "id_centro")

6. Indicadores de trayectoria, permanencia y egreso

promedio_general <- base_final %>%
  summarise(tasa = round(100 * mean(estado_trayectoria == "Abandono"), 1)) %>%
  pull(tasa)

indicador_trayectoria <- base_final %>%
  count(estado_trayectoria, name = "cantidad") %>%
  mutate(porcentaje = round(100 * cantidad / sum(cantidad), 1))
kable(indicador_trayectoria)

estado_trayectoria	cantidad	porcentaje
Abandono	1660	11.4
Activo	8336	57.1
Egresado	2159	14.8
Rezago	2445	16.7

indicador_departamento <- base_final %>%
  filter(departamento != "Sin dato") %>%
  group_by(departamento) %>%
  summarise(
    becarios      = n(),
    tasa_abandono = round(100 * mean(estado_trayectoria == "Abandono"), 1),
    .groups = "drop"
  ) %>%
  arrange(desc(tasa_abandono))

alertas <- indicador_departamento %>% filter(tasa_abandono > promedio_general)
kable(alertas)

departamento	becarios	tasa_abandono
Artigas	244	24.2
Treinta y Tres	272	21.0
Durazno	341	18.5
Tacuarembó	320	17.8
Lavalleja	356	17.7
Rocha	346	17.6
Río Negro	366	17.2
Rivera	502	16.5
Cerro Largo	319	15.4
Flores	170	14.7
Paysandú	659	13.2
Salto	676	12.1
Soriano	319	11.6

Promedio general de abandono: 11.4%. Se identifican 13 departamentos por encima de ese umbral, encabezados por Artigas y Treinta y Tres — consistente con el supuesto de menor asistencia promedio definido para esos departamentos en la simulación.

7. Visualizaciones

Tasa de abandono por departamento

indicador_departamento <- indicador_departamento %>%
  mutate(alerta = tasa_abandono > promedio_general)

ggplot(indicador_departamento,
       aes(x = reorder(departamento, tasa_abandono), y = tasa_abandono, fill = alerta)) +
  geom_col() +
  geom_hline(yintercept = promedio_general, linetype = "dashed", color = "gray30") +
  coord_flip() +
  scale_fill_manual(values = c("FALSE" = "#4C72B0", "TRUE" = "#C44E52"),
                     labels = c("Dentro del promedio", "Por encima del promedio"), name = NULL) +
  labs(title = "Tasa de abandono por departamento",
       subtitle = paste0("Línea punteada = promedio general (", promedio_general, "%)"),
       x = NULL, y = "Tasa de abandono (%)") +
  theme_minimal()

Distribución de la trayectoria educativa

orden_trayectoria <- c("Egresado", "Activo", "Rezago", "Abandono")

indicador_trayectoria <- indicador_trayectoria %>%
  mutate(estado_trayectoria = factor(estado_trayectoria, levels = orden_trayectoria))

ggplot(indicador_trayectoria, aes(x = estado_trayectoria, y = porcentaje, fill = estado_trayectoria)) +
  geom_col(show.legend = FALSE) +
  geom_text(aes(label = paste0(porcentaje, "%")), vjust = -0.5, size = 4) +
  scale_fill_manual(values = c("Egresado" = "#55A868", "Activo" = "#4C72B0",
                                "Rezago" = "#DD8452", "Abandono" = "#C44E52")) +
  labs(title = "Distribución de la trayectoria educativa de los becarios",
       x = NULL, y = "Porcentaje de becarios (%)") +
  ylim(0, max(indicador_trayectoria$porcentaje) * 1.15) +
  theme_minimal()

Conclusiones y notas metodológicas

La base es enteramente simulada; no proviene de registros administrativos reales de INEFOP, ANEP ni MEC.
El volumen (14.700 registros) se calibró con la cifra de becarios 2025 publicada en los propios términos de referencia del llamado.
Las relaciones entre departamento, asistencia y trayectoria son supuestos metodológicos definidos para este ejercicio, con el fin de que los indicadores y alertas resultantes tengan una lectura coherente — no reflejan un patrón real verificado.
Este documento busca demostrar el flujo de trabajo típico solicitado por el llamado: generación y depuración de una base (Producto 3), documentación mediante diccionario de datos (Producto 4), visualización (Producto 5) e indicadores de trayectoria, permanencia y egreso (Producto 11).