script

library(data.table)
library(tidyverse) 
library(caret)
install.packages("imputeTS")
library(imputeTS)
library(MLmetrics)
library(readxl)
library(ggplot2)

#Opciones <- c(2013, 2017, 2022)
#set.seed(59) # semilla que elegí esto produce trabajar con la base de datos casen 2022
#año = Opciones[sample(1:3,1)]
#año

# cargar la base de dato
data <- read_excel("Casen_2022red.xlsx")

#(1pt) Buscaremos estimar el ingreso de las personas que trabajan, por lo que debe realizar un filtro en que, aquellas personas que 
#tengan 0 ingresos o 0 horas trabajadas no aparezcan en el listado. Luego de eso, entregue la estadistica descriptiva de las variables
#de su base, incluyendolas en el informe.

str(data) #explorar las variables

#identificar valor 0 en ingreso_persona
table(data$Ingreso_persona) #56.321 valores 0

#eliminar valores 0 de la variable ingreso_persona
data <- data[data$Ingreso_persona > 0, ] # observaciones se reducen a 145,910
#estadisticas descriptivas
summary(data$Ingreso_persona)
#A partir de estas estadisticas se puede identificar una distribucion sesgada hacia la derecha debido a que el promedio es significativamente
#mayor que la mediana, presentando una diferencia en el ingreso. Esto puede ser por la presencia de 
#valores de ingresos significativamente mayores, por ejemplo, hay un individuo que declaró 63.740.000. 

#calcular la varianza para ingreso_persona
var(data$Ingreso_persona) 
sd(data$Ingreso_persona) # Esta desviación estandar 784.608

#calcular rangos intercuartilicos
rango <- IQR(data$Ingreso_persona)
print(rango)
boxplot(data$Ingreso_persona) #Se puede identificar outliers. Esto indica una desigualdad importante
#en el ingreso de las personas. La mayoria se encuentra en un rango de 400.000 y 825.000 aunque
#existen ingresos que se alejan de forma importante del promedio, existiendo un maximo, por ejemplo de 63.740.000

# Ordenar el data.frame por la columna "Ingreso_persona" de mayor a menor
#data_ordenada_desc <- data[order(data$Ingreso_persona, decreasing = TRUE), ]


#identificar valores 0 horas 
table(data$Horas) # 1124 No sabe
sum(is.na(data$Horas)) #61.726 NA's
#La variable Horas es tipo de dato chr
#Reemplaza valores no numéricos por NA (como el "No sabe" 1124) y luego conviertir la variable a numérica
data$Horas <- as.numeric(gsub("[^0-9]", NA, data$Horas))

#eliminar los NA
data <- data[!is.na(data$Horas),] #las observaciones se reducne a 83.060

summary(data$Horas)

# el DF presentaba 202,231 observaciones
#Al aplicar el filtro de elimnar NA's y "no sabe" de Horas de trabajo las observaciones disminuyen a 83.060 observaciones.
#25% de las personas trabajan menos de 40 horas y presentan un ingreso menor a 400.000
#la media es de 45 horas con un ingreso de 521.022
#En promedio los individuos trabajan 40 horas y presentan un ingreso de 757.490 y el 75% presenta un ingreso bajo los 825.000
#los cuartiles indican que el 50% de los valores estan entre 40 y 45 horas semanales. 
#hay sólo una observacion de 168 horas trabajadas, lo cual corresponde a 7 días días de trabajo. (Qué hacemos con este valor)

#B
# La información de años de escolaridad (esc) y de pobreza presenta (o podría presentar) datos faltantes. 
#Decida alguna forma para imputar los datos faltantes considerando información de la persona, justifiquela en el 
#informe y presente gráficos que muestren estadísticas para esas variables pre y post imputación.

#gráficar variable escolaridad antes de la imputación

summary(data$esc)
#existen 523 datos NA's
#555 observaciones presenta 0 años de estudio
#hay solo un valor con 29 años de escolaridad 
#Observando la mediana se indica que la mitad de la población tiene 12 años de escolaridad
#lo que sugiere enseñanza media completa. La media es levemente mayor 12.35
#el 25 % presenta menos de 11 años de escolaridad. Lo que indica una escolaridad incompleta
#el 75% de la población presenta entre 11 y 15 años de escolaridad 


graf_esc <- ggplot(data = data) +  geom_histogram(aes(x = esc, y = after_stat(density)),
                                      bins = 30,
                                      fill = "lightblue",
                                      alpha = 0.9) +
  labs(
    title = "Años de escolaridad",
    x = "Escolaridad",
    y = "Densidad"
  ) 

#imputación por el promedio de la variable escolaridad 
data$esc[is.na(data$esc)] <- mean(data$esc, na.rm = TRUE)
table(is.na(data$esc)) # ya no hay NA's
summary(data$esc)

#al realizar esta imputación la disribución de los datos no se ve afectada, por lo que creo es adecuada

#variable pobreza
table(is.na(data$pobreza)) # 115 NA's
table(data$pobreza)  # la data esta desvalanceada 81.210 corresponde a no pobreza 
#gráficar variable de pobreza antes de la imputación
graf_probreza <- ggplot(data, aes(x = pobreza)) +
  geom_bar(stat = "count", fill = "lightblue") +
  labs(x = "Niveles de pobreza", y = "Conteo")