Para la realización de estos ejercicios, utilizaremos las bases de datos de indicadores sociodemográficos de países del mundo 1998 y 2005. Los datos pueden descargarse desde el archivo del curso que se encuentra en la carpeta “Semana 3” en “Ejercicio 09.04”.
Revise el libro de códigos que viene con las bases de datos. Descomprima y guarde los archivos en su directorio de trabajo de R y proceda a cargarlos:
Carga de datos
load("mundo98.rda")##En caso de error descargar el área de trabajo
load("mundo2005.rda")Exploración de “mundo98”
names(mundo98)## [1] "region" "tfr" "contraception"
## [4] "educationMale" "educationFemale" "lifeMale"
## [7] "lifeFemale" "infantMortality" "GDPperCapita"
## [10] "economicActivityMale" "economicActivityFemale" "illiteracyMale"
## [13] "illiteracyFemale"head(mundo98)## region tfr contraception educationMale educationFemale lifeMale
## Afghanistan Asia 6.90 NA NA NA 45.0
## Albania Europe 2.60 NA NA NA 68.0
## Algeria Africa 3.81 52 11.1 9.9 67.5
## American.Samoa Asia NA NA NA NA 68.0
## Andorra Europe NA NA NA NA NA
## Angola Africa 6.69 NA NA NA 44.9
## lifeFemale infantMortality GDPperCapita economicActivityMale
## Afghanistan 46.0 154 2848 87.5
## Albania 74.0 32 863 NA
## Algeria 70.3 44 1531 76.4
## American.Samoa 73.0 11 NA 58.8
## Andorra NA NA NA NA
## Angola 48.1 124 355 NA
## economicActivityFemale illiteracyMale illiteracyFemale
## Afghanistan 7.2 52.800 85.00
## Albania NA NA NA
## Algeria 7.8 26.100 51.00
## American.Samoa 42.4 0.264 0.36
## Andorra NA NA NA
## Angola NA NA NAEjercicio 1
En este ejercicio vamos a realizar estadística descriptiva de algunos de los indicadores sociodemográficos de la base “mundo98”. Considere las siguientes variables:
Variable: Tasa de analfabetismo femenino (“illiteracyFemale”)
Variable: Tasa de fertilidad femenina (“tfr”)
Variable: Expectativa de vida femenina (“lifeFemale”)
Exploración gráfica
Sobre la base del gráfico de cajas “boxplot”, responda las siguientes preguntas:
Considerando la medida de tendencia central, responda: ¿qué continente presenta la tasa de analfabetismo más alta y cuál la menor tasa?
Según el gráfico, ¿en qué continentes existe mayor y menor heterogeneidad en la tasa de analfabetismo?
¿Qué continentes presentan el RI más y menos heterogéneo? ¿Cómo interpreta eso?
¿Los países por debajo del cuartil inferior de Africa se parece en algo a la realidad de qué otros continentes?
¿Los países por encima del tercer cuartil de Africa y Asia se parecen a algún otro continente?
¿Diría Ud. que no existe un solo país en Europa que sea comparable a la situación de Africa en cuanto a la tasa de analfabetismo?
¿Qué le sugiere que los países por encima del tercer cuartil en Asia sea tan “ancho”?
boxplot(illiteracyFemale~region, data= mundo98)
stripchart(illiteracyFemale~region, data= mundo98, vertical= TRUE, pch = 19, method = "jitter", add=TRUE)
Estadísticos descriptivos
Sobre la base de la tabla de estadísticos descriptivos de la variable “tasa de analfabetismo”, responsa:
¿Qué continentes presentan las medidas de tendencia central más alta y baja?
¿En qué continente difieren más las dos medidas de tendencia central?
¿Cómo interpreta Ud. que exista tanta diferencia entre la media y la mediana en algunos continentes?
¿Qué representa que la desviación estándar de Asia sea 25.87 y la ed Europa solo 3.86?
¿Lo observado en la tabla de estadísticos descriptivos es consistente con el gráfico de cajas antes analizado?
¿Es el continente de América o el de Oceanía el más parecido a Europa?
library(summarytools)
tabla1 <- with(mundo98, stby(data = illiteracyFemale, INDICES = region,
FUN = descr))
tabla1## Descriptive Statistics
## illiteracyFemale by region
## Data Frame: mundo98
## N: 55
##
## Africa America Asia Europe Oceania
## ----------------- -------- --------- ------- -------- ---------
## Mean 52.76 13.64 26.82 3.55 9.86
## Std.Dev 21.00 13.38 25.87 3.86 13.69
## Min 15.12 2.00 0.36 0.20 0.50
## Q1 36.20 4.70 6.85 0.60 1.20
## Median 50.40 9.64 20.40 2.38 4.10
## Q3 73.70 17.00 42.45 4.70 10.70
## Max 93.40 57.80 86.00 13.00 46.37
## MAD 27.13 9.10 23.43 2.88 5.34
## IQR 36.38 12.17 34.65 4.10 8.78
## CV 0.40 0.98 0.96 1.09 1.39
## Skewness -0.02 1.75 0.91 1.11 1.68
## SE.Skewness 0.34 0.40 0.36 0.50 0.66
## Kurtosis -1.14 2.74 -0.45 -0.05 1.73
## N.Valid 50.00 34.00 44.00 21.00 11.00
## Pct.Valid 90.91 82.93 88.00 47.73 64.71Ejercicio 2
Repita el ejercicio anterior de estadística descriptiva de algunos de los indicadores sociodemográficos de la base “mundo2005”. Considere las siguientes variables:
Variable: Tasa de alfabetismo femenino (“alfab_f”)
Variable: Tasa de fertilidad femenina (“tgf_05”)
Variable: Expectativa de vida femenina (“evida_f”)
Exploración de “mundo2005”
names(mundo2005)## [1] "Region" "Pob" "tgf_75" "tgf_05" "anticonc"
## [6] "mortInf" "pbi" "evida_masc" "evida_f" "alfab_f"
## [11] "alfab_masc" "matric_fem" "matric_masc" "pea_fem" "pea_fem2"
## [16] "pbiPc05"head(mundo2005)## Region Pob tgf_75 tgf_05 anticonc mortInf pbi
## Kuwait Asia 2.7 6.9 2.3 50 9 80.8
## Qatar Asia 0.8 6.8 2.9 43 18 42.5
## Namibia Africa 2.0 6.6 3.6 44 46 6.1
## Central African Republic Africa 4.2 5.7 5.0 28 115 1.4
## Angola Africa 16.1 7.2 6.8 6 154 32.8
## Cape Verde Africa 0.5 7.0 3.8 53 26 1.0
## evida_masc evida_f alfab_f alfab_masc matric_fem
## Kuwait 79.6 75.7 91.0 94.4 79
## Qatar 75.8 74.6 88.6 89.1 85
## Namibia 52.2 50.9 83.5 86.8 66
## Central African Republic 45.0 42.3 33.5 64.8 23
## Angola 43.3 40.1 54.2 82.9 24
## Cape Verde 73.8 67.5 75.5 87.8 66
## matric_masc pea_fem pea_fem2 pbiPc05
## Kuwait 71 49.0 58 29925.93
## Qatar 71 36.3 41 53125.00
## Namibia 63 46.6 74 3050.00
## Central African Republic 36 70.3 79 333.33
## Angola 28 73.7 81 2037.27
## Cape Verde 67 34.0 45 2000.00Continuar con el gráfico y la tabla de estadísticos descriptivos
boxplot(evida_f~Region, data= mundo2005)
stripchart(evida_f~Region, data= mundo2005, vertical= TRUE, pch = 19, method = "jitter", add=TRUE)
tabla2 <- with(mundo2005, stby(data = evida_f, INDICES = Region,
FUN = descr))
tabla2## Descriptive Statistics
## evida_f by Region
## Data Frame: mundo2005
## N: 48
##
## Africa America Asia Europa Oceania
## ----------------- -------- --------- -------- -------- ---------
## Mean 53.24 69.97 68.58 72.72 68.65
## Std.Dev 9.07 3.72 5.94 5.22 8.87
## Min 40.10 62.40 55.20 58.60 54.30
## Q1 46.50 68.10 63.50 69.20 66.10
## Median 50.90 69.40 68.95 74.95 67.65
## Q3 58.70 72.70 73.60 76.70 77.70
## Max 71.50 77.90 78.70 79.90 78.50
## MAD 8.60 3.85 7.49 3.41 8.60
## IQR 11.40 4.45 9.60 7.20 8.78
## CV 0.17 0.05 0.09 0.07 0.13
## Skewness 0.51 0.06 -0.13 -0.91 -0.30
## SE.Skewness 0.35 0.43 0.40 0.38 0.85
## Kurtosis -0.76 -0.45 -0.91 -0.12 -1.42
## N.Valid 47.00 30.00 34.00 38.00 6.00
## Pct.Valid 97.92 90.91 100.00 100.00 100.00Otros ejercicios importantes
Generación de histogramas con el código “hist”:
hist(mundo98$illiteracyFemale[mundo98$region=="Europe"])
Mejoramos el gráfico:
hist(mundo98$illiteracyFemale[mundo98$region=="Europe"], main="Europa 1998: Tasa de analfabetismo", ylab="Tasa de analfabetismo (%)",xlab ="")
Ejercicio sugerido
Genere un histograma de la tasa de analfabetismo para el continente de Europa en 2005:
Mejore su gráfico colocándo las etiquetas en los ejes “x” e “y”
¿Qué diferencias (si las hay) encuentra en la forma del histograma en comparación con el año 1998?