Analisís de BD de los Aspirantes UNAL & UdeA
Daniel Villa - Ronald Palencia
data = read_xlsx("unal_udea.xlsx", col_names = T)## New names:
## • `` -> `...1`data %<>% clean_names()Mirando las categorías:
data$en_que_ano_salio_o_saldra_del_colegio %>% unique()## [1] "2022.0"
## [2] "2020.0"
## [3] "2021.0"
## [4] "11.0"
## [5] "Once"
## [6] "2018.0"
## [7] "1°"
## [8] "Saldré este año"
## [9] "comunicación audiovisual y multimedia"
## [10] "2019.0"
## [11] "2017.0"
## [12] "Ya sali"
## [13] "En el 2019"data$en_que_ano_salio_o_saldra_del_colegio = str_replace_all(data$en_que_ano_salio_o_saldra_del_colegio,
c("Once"= "2022", "11.0" = "2022",
"Saldré este año" = "2022",
"Ya sali" = "2021",
"En el 2019" = "2019",
"comunicación audiovisual y multimedia" = "2019", "1°" = "2022",
"2020.0" = "2022", "2022.0" = "2022", "2018.0" = "2018",
"2019.0" = "2019", "2017.0" = "2017", "2021.0" = "2021"))
data## # A tibble: 290 × 16
## x1 marca_temporal por_favor…¹ gener…² tipo_…³ en_qu…⁴ traba…⁵ si_su…⁶
## <chr> <dttm> <chr> <chr> <chr> <chr> <chr> <chr>
## 1 1 2022-10-23 09:42:01 He leído y… Maculi… Publico 2022 No No
## 2 2 2022-10-23 09:54:11 He leído y… Maculi… Publico 2022 Si No
## 3 3 2022-10-23 10:10:52 He leído y… Maculi… Publico 2022 No No
## 4 4 2022-10-23 10:11:41 He leído y… Maculi… Publico 2022 No No
## 5 5 2022-10-23 10:14:38 He leído y… Maculi… Privado 2022 No No
## 6 6 2022-10-23 10:17:00 He leído y… Femeni… Publico 2021 No No
## 7 7 2022-10-23 10:21:02 He leído y… Maculi… Publico 2022 No No
## 8 8 2022-10-23 10:21:04 He leído y… Femeni… Publico 2022 No No
## 9 9 2022-10-23 10:24:40 He leído y… Femeni… Publico 2021 No No
## 10 10 2022-10-23 10:27:23 He leído y… Maculi… Privado 2022 No No
## # … with 280 more rows, 8 more variables:
## # carrera_o_licenciatura_a_la_que_se_presenta <chr>,
## # escoja_una_de_las_siguientes_razones_por_la_que_va_a_estudiar <chr>,
## # seleccione_la_principal_razon_para_la_eleccion_de_la_carrera_anterior <chr>,
## # le_interesa_otra_carrera_diferente_a_la_que_se_presento <chr>,
## # si_su_anterior_respuesta_es_si_indica_cual <chr>,
## # la_anterior_carrera_esta_disponible_en_esta_u_otra_universidad <chr>, …data$trabaja_actualmente %>% unique()## [1] "No" "Si"data$si_su_anterior_respuesta_es_si_su_trabajo_esta_relacionado_con_la_carrera_a_la_cual_se_presento %>% table(exclude = F)## .
## No Si <NA>
## 209 35 46# data <- data %>% tolower(carrera_o_licenciatura_a_la_que_se_presenta)
# mutate(carrera_o_licenciatura_a_la_que_se_presenta = tolower(carrera_o_licenciatura_a_la_que_se_presenta)) %>%
# A1 : Agronomía, Veterinaria y afines
# A2: Bellas Artes
# A3: Ciencias de la Educación
# A4 : Ciencias de la Salud
#A5: Ciencias Sociales y Humanas
# A6 : Economía, Administración, Contaduría y afines
# A7 : Ingeniería, Arquitectura, Urbanismo y afines
# A8 : Matemáticas y Ciencias Naturales
areas = c('A1', 'A2', 'A3','A4',
'A5', 'A6', 'A7',
'A8')
data$carrera_o_licenciatura_a_la_que_se_presenta %<>% tolower() %>% chartr("áéíóú", "aeiou", .)data$carrera_o_licenciatura_a_la_que_se_presenta <- str_replace_all(data$carrera_o_licenciatura_a_la_que_se_presenta,
c("(^(ing).*)|(^(ign).*)" = "A7", "(^(arq).*)" = "A7",
"(.*(agr).*)|(^(zoo).*)" = "A1", "(.*(vet).*)" = "A1",
"(.*(esta).*)|(.*(mate).*)" = "A8", "(^(fis).*)|(^(astro).*)" = "A8",
"(^(eco).*)|(.*(nego).*)" = "A6",
"(^(admi).*)|(^(archivis).*)" = "A6", "(^(conta).*)" = "A6",
"(^(lic).*)" = "A3", "(.*(polit).*)" = "A5", "(.*(hist).*)" = "A5",
"(.*(derec).*)" = "A5", "(.*(filo).*)" = "A5", "(.*(teolo).*)" = "A5",
"(.*(antro).*)|(.*(perio).*)" = "A5", "(^(pedag).*)|(^(entren).*)" = "A3",
"(.*(socio).*)|(.*(traducc).*)" = "A5", "(.*(arte).*)|(.*(cult).*)" = "A2",
"(.*(multime).*)|(.*(maquilla).*)" = "A2",
"(^(pregrado).*)|(^(bioingenieria).*)" = "A7",
"(.*(softw).*)" = "A7", "(.*(medici).*)|(.*(salud).*)" = "A4",
"(.*(trumenta).*)|(.*(enferm).*)" = "A4",
"(.*(odonto).*)|(.*(cologia).*)" = "A4",
"(.*(farma).*)" = "A4", "(.*(sistema).*)" = "A7"))data$carrera_o_licenciatura_a_la_que_se_presenta %>% unique()## [1] "A5" "A3" "A7" "A6" "A2" "A1" "A4" "A8"data$escoja_una_de_las_siguientes_razones_por_la_que_va_a_estudiar %>% unique()## [1] "Me interesa estudiar"
## [2] "Quiero superarme"
## [3] "Quiero ganar bien cuando sea profesionista"
## [4] "Así lo quieren mis papás"
## [5] "No tengo otra cosa que hacer"
## [6] "Quiero vivir más independiente de mi familia"
## [7] "Con los estudios que tengo no podré conseguir un buen trabajo"
## [8] "Me va a dar prestigio."
## [9] "Es normal"
## [10] "Así lo hacen mis parientes, mis amigos, mi novio (a)"
## [11] "Un (a) maestro (a) me dijo que siguiera estudiando"data$seleccione_la_principal_razon_para_la_eleccion_de_la_carrera_anterior %>% table() %>% sort(decreasing = F) %>% data.frame()## .
## 1 Interés propio
## 2 llamativa
## 3 Me gusta
## 4 Porque me apasiona
## 5 Porque me gusta
## 6 Quiero entender el mundo
## 7 Seguir mi media tecnica y ganar dinero
## 8 Esta relacionado con temáticas que me apasionan
## 9 Pasión de infancia
## 10 Pasión desde la infancia
## 11 Quiero aprender a defender la palabra de Dios con la apologetica
## 12 vocación
## 13 Vocación
## 14 Tendencia
## 15 Influencia familiar
## 16 Los egresados de esta carrera son bien remunerados o tienen buenas ofertas laborales salariales.
## 17 Los egresados de esta carrera consiguen empleo fácilmente
## 18 La facilidad para el pago de esta carrera o para obtener becas
## 19 Recomendación de un amigo
## 20 Las materias de la carrera me llaman la atención
## 21 Las asignaturas del pensum y las líneas de énfasis son de mi interés.
## Freq
## 1 1
## 2 1
## 3 1
## 4 1
## 5 1
## 6 1
## 7 1
## 8 2
## 9 3
## 10 3
## 11 3
## 12 3
## 13 6
## 14 13
## 15 16
## 16 16
## 17 17
## 18 20
## 19 21
## 20 55
## 21 105data$si_su_anterior_respuesta_es_si_indica_cual %<>% tolower() %>% chartr("áéíóú", "aeiou", .)
data$si_su_anterior_respuesta_es_si_indica_cual %>% unique() %>% unique()## [1] "."
## [2] "artes escenicas"
## [3] "ingenieria civil"
## [4] "ingenieria geologica"
## [5] "comunicacion social"
## [6] "ninguna"
## [7] "contruccion"
## [8] "ingenieria mecanica"
## [9] "psicologia y veterinaria"
## [10] "no"
## [11] "produccion musical"
## [12] "veterinaria"
## [13] "ingenieria mecatronica"
## [14] "so"
## [15] "enfermeria"
## [16] "negocios internacionales"
## [17] "aviacion"
## [18] "no me interesa"
## [19] "nt"
## [20] "contaduria publica"
## [21] "medicina"
## [22] "psicologia"
## [23] "arquitectura"
## [24] "ingenieria industrial"
## [25] "ciencias sociales"
## [26] "matematicas"
## [27] "n/a"
## [28] "ingeneria en sistemas"
## [29] "administracion de empresas"
## [30] NA
## [31] "sociologia"
## [32] "entrenamiento deportivo"
## [33] "sistemas, elecronica, mecatronica"
## [34] "uwu"
## [35] "derecho"
## [36] "ingenieria electronica"
## [37] "ciencias politicas"
## [38] "ciencia politica"
## [39] "traductores"
## [40] "economia"
## [41] "ingenieria en sistemas"
## [42] "ingenieria administrativa"
## [43] "nutricion y dietetica"
## [44] "instrumentacion quirurgica"
## [45] "administracion de empresas o contaduria"
## [46] "bacteriologia"
## [47] "bioingenieria"
## [48] "licenciatura en literatura y lengua castellana"
## [49] "ingenieria de sistemas"
## [50] "estadistica"
## [51] "nuinguna"
## [52] "educacion fisica"
## [53] "contaduria"
## [54] "fisica"
## [55] "quimica"
## [56] "ingenieria oceanografica"
## [57] "microbiologia y bioanalisis"
## [58] "medicina forense enfocada al microanalisis"
## [59] "produccion audiovisual"
## [60] "teologia"
## [61] "filosofia"
## [62] "ingenieria ambiental"
## [63] "historia"
## [64] "medicina veterinaria"
## [65] "desarrollo web"
## [66] "gestion administrativa"
## [67] "cine"
## [68] "desarrollo de software"
## [69] "zootecnia"data$si_su_anterior_respuesta_es_si_indica_cual <- str_replace_all(data$si_su_anterior_respuesta_es_si_indica_cual,
c("(^(ing).*)|(^(ign).*)" = "A7", "(^(arq).*)" = "A7",
"(.*(agr).*)|(^(zoo).*)" = "A1", "(.*(vet).*)" = "A1",
"(.*(esta).*)|(.*(mate).*)" = "A8", "(^(fis).*)|(^(astro).*)" = "A8",
"(^(eco).*)|(.*(nego).*)" = "A6",
"(^(admi).*)|(^(archivis).*)" = "A6", "(^(conta).*)" = "A6",
"(^(lic).*)" = "A3", "(.*(polit).*)" = "A5", "(.*(hist).*)" = "A5",
"(.*(derec).*)" = "A5", "(.*(filo).*)" = "A5", "(.*(teolo).*)" = "A5",
"(.*(antro).*)|(.*(perio).*)" = "A5", "(^(pedag).*)|(^(entren).*)" = "A3",
"(.*(socio).*)|(.*(traduc).*)" = "A5", "(.*(arte).*)|(.*(cult).*)" = "A2",
"(.*(multime).*)|(.*(maquilla).*)" = "A2",
"(^(pregrado).*)|(^(bioingenieria).*)" = "A7",
"(.*(softw).*)" = "A7", "(.*(medici).*)|(.*(salud).*)" = "A4",
"(.*(trumenta).*)|(.*(enferm).*)" = "A4",
"(.*(odonto).*)|(.*(cologia).*)" = "A4",
"(.*(farma).*)" = "A4", "(.*(una).*)|(.*(so).*)" = "no",
"(.*(interesa).*)|(.*(nt).*)" = "no", "(.*([.]).*)|(.*(uwu).*)" = "no",
"(.*(music).*)|(.*(audio).*)" = "A2", "(.*(cine).*)" = "A2",
"(.*(biol).*)|(.*(nutri).*)" = "A4", "(.*(bact).*)" = "A4",
"(.*(quimi).*)" = "A8", "(.*(adminis).*)" = "A6", "(.*(educac).*)" = "A3",
"(.*(web).*)|(.*(mecatro).*)" = "A7","(.*(web).*)|(.*(aviaci).*)" = "A7",
"(.*([n/a]).*)" = "no"
)) data$si_su_anterior_respuesta_es_si_indica_cual %>% unique()## [1] "no" "A2" "A7" "A1" "A4" "A6" "A8" NA "A5" "A3"Base de datos final
Depuración final
data <- data[-c(1:3)]ahora verificamos que todo este correcto
data[199,1] <- "Fluido"
data[16,1] <- "Fluido"
data$genero_al_que_pertenece %<>% factor()
data$tipo_de_colegio_que_estudia_o_estudio %<>% factor()
data$en_que_ano_salio_o_saldra_del_colegio %<>% factor()
data$trabaja_actualmente %<>% factor()
data$si_su_anterior_respuesta_es_si_su_trabajo_esta_relacionado_con_la_carrera_a_la_cual_se_presento %<>% factor()
data$carrera_o_licenciatura_a_la_que_se_presenta %<>% factor()
data$escoja_una_de_las_siguientes_razones_por_la_que_va_a_estudiar %<>% factor()
data$seleccione_la_principal_razon_para_la_eleccion_de_la_carrera_anterior %<>%
factor()
data$le_interesa_otra_carrera_diferente_a_la_que_se_presento %<>% factor()
data$si_su_anterior_respuesta_es_si_indica_cual %<>% factor()
data$la_anterior_carrera_esta_disponible_en_esta_u_otra_universidad %<>% factor()
data$cuenta_con_algun_estudio_curso_tecnico_entre_otros_certificable_que_este_relacionado_con_la_carrera_que_selecciono %<>% factor()
data[144:145,13] <- rep("Todas las anteriores", 2)
data$universidad_a_la_que_aspira %<>% factor()Resumen rápido de nuestras variables
skimr::skim(data)| Name | data |
| Number of rows | 290 |
| Number of columns | 13 |
| _______________________ | |
| Column type frequency: | |
| factor | 13 |
| ________________________ | |
| Group variables | None |
Variable type: factor
| skim_variable | n_missing | complete_rate | ordered | n_unique | top_counts |
|---|---|---|---|---|---|
| genero_al_que_pertenece | 0 | 1.00 | FALSE | 4 | Fem: 150, Mac: 135, Flu: 4, Bin: 1 |
| tipo_de_colegio_que_estudia_o_estudio | 0 | 1.00 | FALSE | 2 | Pub: 203, Pri: 87 |
| en_que_ano_salio_o_saldra_del_colegio | 0 | 1.00 | FALSE | 5 | 202: 240, 202: 38, 201: 9, 201: 2 |
| trabaja_actualmente | 0 | 1.00 | FALSE | 2 | No: 235, Si: 55 |
| si_su_anterior_respuesta_es_si_su_trabajo_esta_relacionado_con_la_carrera_a_la_cual_se_presento | 46 | 0.84 | FALSE | 2 | No: 209, Si: 35 |
| carrera_o_licenciatura_a_la_que_se_presenta | 0 | 1.00 | FALSE | 8 | A7: 165, A4: 32, A5: 27, A6: 17 |
| escoja_una_de_las_siguientes_razones_por_la_que_va_a_estudiar | 0 | 1.00 | FALSE | 11 | Me : 108, Qui: 92, Qui: 20, Con: 16 |
| seleccione_la_principal_razon_para_la_eleccion_de_la_carrera_anterior | 0 | 1.00 | FALSE | 21 | Las: 105, Las: 55, Rec: 21, La : 20 |
| le_interesa_otra_carrera_diferente_a_la_que_se_presento | 0 | 1.00 | FALSE | 3 | Si: 170, No: 113, Pue: 7 |
| si_su_anterior_respuesta_es_si_indica_cual | 25 | 0.91 | FALSE | 9 | no: 108, A7: 66, A6: 27, A4: 16 |
| la_anterior_carrera_esta_disponible_en_esta_u_otra_universidad | 0 | 1.00 | FALSE | 3 | Si: 263, No: 20, No : 7 |
| cuenta_con_algun_estudio_curso_tecnico_entre_otros_certificable_que_este_relacionado_con_la_carrera_que_selecciono | 0 | 1.00 | FALSE | 2 | No: 194, Sí: 96 |
| universidad_a_la_que_aspira | 12 | 0.96 | FALSE | 6 | Uni: 163, Uni: 105, Uni: 6, Tod: 2 |
Analisís de nuestras variables:
## change factor levels
data <- mutate(data, genero_al_que_pertenece = refactor(genero_al_que_pertenece, levs = c("Binario","Femenino","Fluido"), repl = "Masculino"))Base de datos organizada
## filter and sort the dataset
data %>%
select(genero_al_que_pertenece:universidad_a_la_que_aspira) %>%
dtab(dec = 2, nr = 100) %>% render()Tabla de Frecuencias, con su respectivo gráfico para una mejor visualización
Tabla y gráfico del genero alusivo.
result <- pivotr(
data,
cvars = "genero_al_que_pertenece",
nr = Inf
)
plot(result)
# summary()
dtab(result) %>% render()Podemos notar que en la muestras tomada (de forma sistemática de 1-20) pudimos visualizar un mayor numero de mujeres que fueron más receptivas al momento de realizar la encuesta, además, contamos con algunos otros géneros que no son significativos como el Binario y el Fluido.
Para el caso del tipo de colegio donde estudió o estudia:
result <- pivotr(
data,
cvars = "tipo_de_colegio_que_estudia_o_estudio",
nr = Inf
)
plot(result, dec = 0)
# summary()
dtab(result, dec = 0) %>% render()Son mayoritarios los colegio que estudian en colegios del estado, revelando que la mayoría de los aspirantes a universidades publicas no vienen de colegios privados.
result <- pivotr(
data,
cvars = "en_que_ano_salio_o_saldra_del_colegio",
normalize = "total",
nr = Inf
)
plot(result, perc = TRUE, dec = 0)
# summary()
dtab(result, perc = TRUE, dec = 0) %>% render()Las promociones de 2022, siempre presentan un numero mayoritario en los aspirantes esto se debe al segundo corte o la prueba de final de año, para el ingreso en el 2023 esto lo decimos ya que podríamos afirmar que en le primer corte los aspirantes salieron del colegio en épocas diferentes, más homogeneidad.
result <- pivotr(
data,
cvars = "trabaja_actualmente",
nr = Inf
)
plot(result, dec = 0)
# summary()
dtab(result, dec = 0) %>% render()En el segundo corte se esperan aspirantes que aun no han salido de estudiar, por ende la mayoría no cuenta con un trabajo, podríamos afirmar que para el primer corte del 2023 estos estudiantes que no ingresaron posiblemente estén laborando para entonces.
result <- pivotr(
data,
cvars = "carrera_o_licenciatura_a_la_que_se_presenta",
tabsort = "carrera_o_licenciatura_a_la_que_se_presenta",
nr = Inf
)
plot(result, dec = 0)
# summary()
dtab(result, dec = 0) %>% render()Ahora una de las variables más importantes, es saber cuales son las aspiraciones en áreas de conocimiento de los que hicieron examen de admisión, por lo cual planteamos una vez más las diferentes áreas del saber, en las cuales se aterrorizan todas las carreras brindadas en el estado de Colombia:
A1 = Agronomía, Veterinaria y afines
A2 = Bellas Artes
A3 = Ciencias de la Educación
A4 = Ciencias de la Salud
A5 = Ciencias Sociales y Humanas
A6 = Economía, Administración, Contaduría y afines
A7 = Ingeniería, Arquitectura, Urbanismo y afines
A8 = Matemáticas y Ciencias Naturales
Ahora, observando la tabla tenemos que las ingenieras, arquitectura, urbanismo y afines, son el área más demanda de nuestra muestra.
En parte era evidente ya que gran parte de las encuestas fueron realizadas en al UNAL sede Medellín, una universidad que la mayoría, por no decir todas las carreras son de esta área.
result <- pivotr(
data,
cvars = "escoja_una_de_las_siguientes_razones_por_la_que_va_a_estudiar",
tabsort = "desc(n_obs)",
nr = Inf
)
# summary()
dtab(result, dec = 0, pageLength = 25) %>% render()Una de las razones por la cual los aspirantes desean entrar a una universidad es porque tienen un alto interés en superarse o bien en estudiar.
result <- pivotr(
data,
cvars = "seleccione_la_principal_razon_para_la_eleccion_de_la_carrera_anterior",
tabsort = "desc(n_obs)",
nr = Inf
)
# summary()
dtab(result, dec = 0) %>% render()Ahora esperamos que sea cierto que la mayoría de los aspirantes hayan leído el pensum, para decidir que esta es su linea de interés.
result <- pivotr(
data,
cvars = "cuenta_con_algun_estudio_curso_tecnico_entre_otros_certificable_que_este_relacionado_con_la_carrera_que_selecciono",
nr = Inf
)
# summary()
dtab(result, dec = 0) %>% render()Aunque creímos que los aspirantes para el 2023 no tendrían una fundamentación en el programa que eligieron, realmente nos dejaron sorprendidos al darnos cuenta que casi 100 personas tienen estudios que se relacionen con su carrera.
result <- pivotr(
data,
cvars = "le_interesa_otra_carrera_diferente_a_la_que_se_presento",
nr = Inf
)
# summary()
dtab(result, dec = 0) %>% render()La decisión de tomar una carrera y no una linea de conocimiento, es marcada en Colombia ya que observamos a personas cerradas en una carrera, aunque estos mismos después eran los que esperaban al menos dos universidades para ingresar a la misma carrera.
result <- pivotr(
data,
cvars = "universidad_a_la_que_aspira",
tabsort = "desc(n_obs)",
nr = Inf
)
# summary()
dtab(result, dec = 0) %>% render()Como dijimos anteriormente, la mayoría de nuestros encuestados fueron en la UNAL sede medellín, esto se debe a que hubo un mayor cobertura al ingresar en la universidad, lamentablemente no fue le caso de la UdeA, la gente fue menos receptiva.
result <- pivotr(
data,
cvars = c(
"genero_al_que_pertenece",
"carrera_o_licenciatura_a_la_que_se_presenta"
),
data_filter = "genero_al_que_pertenece %in% c('Femenino', 'Masculino')",
tabsort = "desc(Masculino)",
nr = Inf
)
# summary()
dtab(result, dec = 0) %>% render()Tanto hombres como mujeres, prefieren las ingenierías, seguidas de las Ciencias Sociales y Humanas.
result <- pivotr(
data,
cvars = c(
"trabaja_actualmente",
"cuenta_con_algun_estudio_curso_tecnico_entre_otros_certificable_que_este_relacionado_con_la_carrera_que_selecciono"
),
data_filter = "genero_al_que_pertenece %in% c('Femenino', 'Masculino')",
nr = Inf
)
# summary()
dtab(result, dec = 0) %>% render()Vemos como son muy pocos, exactamente 18 persona de las 290 que trabajan actualmente y este trabajo tiene que ver con la carrera seleccionada el día del examen.
result <- pivotr(
data,
cvars = c(
"tipo_de_colegio_que_estudia_o_estudio",
"escoja_una_de_las_siguientes_razones_por_la_que_va_a_estudiar"
),
tabsort = "desc(Publico)",
nr = Inf
)
# summary()
dtab(result, dec = 0) %>% render()Otra comparación que resulta llamativa es comparar el tipo de colegio en el que estudio o estudia y la razón por la cual quiere entrar a una universidad.
Son muy parecidos en el conteo de los estudiantes que quieren superarse y les interesa estudiar que salieron de colegios públicos.