---
title: "PROYECTO FINAL"
author: "Maria Alvarez Balbuena"
date: "`r Sys.Date()`"
output: 
  flexdashboard::flex_dashboard:
    orientation: columns
    vertical_layout: fill
    theme: spacelab
    source: embed
    social: ['facebook','twitter','linkedin','pinterest']
---

```{r setup, include=FALSE}
library(flexdashboard)
library(prettydoc)
library(AER)
library(ggplot2)

```

# **Boxplots** {data-icon="fa-chart-bar"}

Column {data-width=250}
-----------------------------------------------------------------------
***
### **Introducción**

 - Según *Salmerón A. (2001)*, puede definirse la **Estadística Computacional** como la Estadística calculada. De esta manera, cualquier procedimiento estadístico que implique una gran cantidad de cálculos, puede considerarse como un procedimiento de Estadística Computacional.

 - Una de las ramas más destacadas dentro de la Estadística Computacional es la correspondiente a la simulación y métodos de Monte Carlo. Las técnicas estadísticas de simulación juegan un papel muy importante en las ciencias experimentales e ingenierías, como la Informática, Física, Química, Biología y, naturalmente, dentro de la propia Estadística.

- Presentaremos un Ejemplo aplicativo utilizando la Base de Datos "CP1985" descargada de la 
library(AER) que tiene un total de 554 observaciones y 11 variables


Column {data-width=380}
-----------------------------------------------------------------------

### **a) BOXPLOT** de Salario según Género
- Obtenemos 3 gráficos de cajas (boxplot) a continuación:
a. BOXPLOT de Salario según Género
b. BOXPLOT *(sin leyenda)* del Salario según Ocupación
c. BOXPLOT *(con leyenda)* del Salario según Ocupación

***

```{r boxplot_salario_gen,fig.align='center'}
data("CPS1985")
boxplot(CPS1985$wage~CPS1985$gender,main="Salario (dólares hora) según Género",
        ylab = "Salario",names=c("Hombres","Mujeres"),
        horizontal = T,col=heat.colors(2))
```

Column {data-width=370}
-----------------------------------------------------------------------

### **b) BOXPLOT** *(sin leyenda)*

```{r boxplot_01_sin_leyenda,fig.align='center'}
data("CPS1985")

opar<-par()
par(mar=c(5,6,4,2))

a<-rainbow(6)
b<-rainbow(6,alpha = 0.2)
c<-rainbow(6,v=0.5)

boxplot(CPS1985$wage~CPS1985$occupation,col=b,boxcol=c,medcol=c,whiscol=a,
        staplecol=c,outcol=c,outbg=c,pch=20,cex=1,horizontal = T,
        main="Salario (dólares hora) según Ocupación",xlab = "Salario",
        ylim=c(0,50),las=1,frame=F)

```

### **c) BOXPLOT** *con Leyenda*

```{r boxplot_02_leyenda,fig.align='center'}

a<-rainbow(6)
b<-rainbow(6,alpha = 0.2)
c<-rainbow(6,v=0.5)

boxplot(CPS1985$wage~CPS1985$occupation,col=b,boxcol=c,medcol=c,whiscol=a,
        staplecol=c,outcol=c,outbg=c,pch=20,cex=1,horizontal = T,
        main="Salario (dólares hora) según ocupación",xlab = "Salario",yaxt="n")

legend("bottomright",title = "Salario (dólares hora)",levels(CPS1985$occupation),fill = b)
```


# Diagramas de Barras y Sectores {data-icon="fa-chart-pie"}

Column {data-width=240}
-----------------------------------------------------------------------

### **- BARPLOT por Áreas de trabajo**

```{r barplot,fig.align='center'}
data("CPS1985")

x10 <- table(CPS1985$sector)
colores10<-c("orange","purple","light green")
barplot(x10,xlab="Áreas",ylab="Frecuencias",main="Distribución por Áreas",
        col=colores10)
```

Column {data-width=240}
-----------------------------------------------------------------------

### **GGPLOT2 por Región**

```{r ggplot2,fig.align='center'}
colores11 <- c("skyblue","red")

ggplot(CPS1985,aes(region)) + geom_bar(fill=colores11) + labs(x="Región",y="Empleados",title="Diagrama de Barras por Región") + theme_gray()
```
##
Column {data-width=240}
-----------------------------------------------------------------------

### **PIE CHART por Región**

```{r pie_chart_11,fig.align='center'}
x11 <- table(CPS1985$region)

colores11 <- c("skyblue","red")

pie(x11,col = colores11,main="Gráfico de sectores por Región")
```

Column {data-width=240}
-----------------------------------------------------------------------

### **- PIE CHART por Áreas de trabajo**

```{r pie_chart_10,fig.align='center'}
data("CPS1985")

x10 <- table(CPS1985$sector)
colores10<-c("orange","purple","light green")
pie(x10,col = colores10,main="Gráfico de sectores por Áreas")
```

# Otros gráficos {data-icon="fa-chart-bar"}

Column {data-width=400}
-----------------------------------------------------------------------
***
### **Descripción:**

- Como habíamos mencionado, nuestra *Base de datos* "CP1985" descargada de la 
library(AER) tiene un total de 554 observaciones y las siguientes 11 variables:
 1. Wage (dollars per hour)
 2. Education: Number of years of education
 3. Experience: Number of years of work experience
 4. Age: Age (years)
 5. Ethnicity: Race (1=Other, 2=Hispanic, 3=White)
 6. Region: Indicator variable for Southern Region (1=Person lives in South, 0=Person lives elsewhere)
 7. Gender: Indicator variable for sex (1=Female, 0=Male)
 8. Occupation: Occupational category (1=Management, 2=Sales, 3=Clerical,4 =Service, 5=Professional, 6=Other)
 9. Sector: Sector (0=Other, 1=Manufacturing, 2=Construction)
 10. Union: Indicator variable for union membership (1=Union member, 0=Not union member)
 11. Married: Marital Status (0=Unmarried, 1=Married)
 
- Con estas variables, también podemos obtener **otros tipos de gráficos**, como los siguientes:
***

### **- Scatter plot**

```{r scatterplot,fig.align='center'}

data("CPS1985")
ggplot(CPS1985,aes(experience,log(wage),color=gender))+geom_point()+labs(title="Diagrama de dispersión por Género y Salario",x="Experiencia (en años)",y="Salario (en logaritmo)")+scale_color_discrete(name="Género",labels=c("Hombre","Mujer"))
```

Column {data-width=400}
-----------------------------------------------------------------------


### **- Gráfico de mosaico**

```{r graf_mosaico,fig.align='center'}
data("CPS1985")

mosaicplot(CPS1985$ethnicity~CPS1985$occupation,col=2:5,
           main = "Gráfico de mosaico",xlab="Raza",ylab="Ocupación",cex.axis=0.5,las=1)
```