library(readxl)
alumnos_lcc <- read_excel("/home/harpo/Dropbox/ongoing-work/publicaciones/wicc2018/analisis 2017 2018.xlsx")
alumnos_lcc<-alumnos_lcc %>% mutate(noviembre=
ifelse(is.na(recup_1erparcial) & is.na(recup_2doparcial),
(`1erparcial`+`2doparcial`)/2,
ifelse(is.na(recup_1erparcial) & !is.na(recup_2doparcial),
(`1erparcial`+pmax(`2doparcial`,recup_2doparcial,na.rm = T))/2,
ifelse(is.na(recup_2doparcial) & !is.na(recup_1erparcial),
(pmax(`1erparcial`,recup_1erparcial,na.rm=T)+`2doparcial`)/2,
ifelse(!is.na(recup_2doparcial) & !is.na(recup_1erparcial),
(pmax(`1erparcial`,recup_1erparcial,na.rm=T) + pmax(`2doparcial`,recup_2doparcial,na.rm=T))/2,0
)
)
)
)
)
alumnos_lcc<-alumnos_lcc %>% mutate(nota_final=pmax(noviembre,diciembre,febrero,na.rm=T))
alumnos_lcc
Se plantea un analisis descriptivo de los datos.
Distribución de la cantidad de aspirantes en funcion del año
Se observa un mayor numero de aspirantes que fueron capaces de aprobar el examen de ingreso (confirmar esto)

Distribución de los resultados de los examenes de los que no ingresaron por año
Se observa una diferencia significativa entre los resultados de los aspirantes de 2017 y 2018. En particular se observa que aquellos que no estuvieron en condiciones de ingresar en 2018 presentaron resultados mejores que los aspirantes de 2017

Distribucion de la cantidad de aspirantes por sexo
Pese a observarse una clara tendencia a aspirantes del sexo masculino. Sin embargo no se observa una diferencia significantiva en el porcentaje de ingresantes por cada sexo.
data<-alumnos_lcc %>% group_by(sexo,estado) %>% summarise(n=n()) %>% mutate(percent = n / sum(n))
count_plot<-ggplot(data )+
geom_col(aes(x=sexo,y=n,fill=estado))+
ylab("cantidad de alumnos")+
theme_bw()
percent_plot<-ggplot(data )+
geom_col(aes(x=sexo,y=percent,fill=estado))+
theme_bw()
gridExtra::grid.arrange(percent_plot,count_plot)

Distribucion de la cantidad de aspirantes por tipo de colegio
A priori no se observa diferencia entre los aspirantes provemientes de escuelas privadas y publicas. Si se observa un alto indice de aprobacion de aspirantes provientes de la UNC.

Distribucion de los resultados de los examenes discriminado por tipo de colegio
Sorprende los resultados obtenidos en los examenes por los colegios estatales. Se observa que el 50% por ciento de los alumnos aprobados provienientes de colegios estatales obtuvieron calificaciones entre 78 y 85. (verificar). Esta situacion no se observa con los privados, los cuales tienen una variabilidad muy superior. Para el caso de los Colegios de la UNC, se obtienen los mejores resultados, sin embargo al tratarse de pocos casos, los mismos son considerados como outliers. Los provenientes de colegios Tecnicos presentan poca variabilidad, obteniendo resultados siempre entre 65 y 70 (Verificar)
noaprobo<-ggplot(alumnos_lcc %>% filter(estado=='No ingresó'))+
geom_boxplot(aes(y=nota_final,x=`tipo_colegio`),fill='orange')+
ggtitle("No Aprobaron el examen de ingreso")+
theme_bw()
aprobo<-ggplot(alumnos_lcc %>% filter(estado=='Ingresó'))+
geom_boxplot(aes(y=nota_final,x=`tipo_colegio`),fill='skyblue')+
ggtitle("Aprobaron el examen de ingreso")+
theme_bw()
gridExtra::grid.arrange(aprobo,noaprobo)

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