---
title: "PBI"
output:
html_document: default
pdf_document: default
---
# **ENTREGA P1 - S1**
### **Sección:** 1.01
### **Profesora:** Brigida Molina Carabaño
### **Asistente:** Dante Gallo Torres
**Alumno** | **Código** | **Líder**
:---------:|:----------:|:--------:
Bernuy Geiser, Mauricio Bernardo|201810118 |
Esquivel García, Valeri Milagros|201910158 |X
Flores Putpaña, Billy Joel|201820045 |
Gallarday Bueno, Juan Antonio|201820046 |
González Sánchez, Ángel Fernando|201810169 |
## Introducción
Según el instituto peruano de economía, el PBI o producto bruto interno es la suma del valor de todos los bienes y servicios producidos por un país durante un periodo determinado, usualmente un año. Este valor es comúnmente usado por politicos y opinólogos para juzgar el desarrollo de un país. Por ejemplo, Ricardo Vergara (Gestión.pe, 2018) dijo que el crecimiento del PBI explica la reducción de pobreza en el Perú durante el año 2008 siendo este un factor principal en el progreso del país. Sin embargo, actualemente está surgiendo una nueva tendencia de pensamientos que creen que el verdadero desarrollo se encuentra arraigado en la calidad de la educación, la salud, la esperanza de vida y otros indicadores diferentes al PBI. Es así, que nuestra investigación busca descubrir que tan buen indicador es el PBI para determinar el desarrollo de un país, así como qué otros indicadores pueden complementarlo o reemplazarlo para poder juzgar el desarrollo de un país.
Decidimos realizar el análisis en los paises de Argentina, Bolivia, Brasil, Chile, Perú y Uruguay ya que son países cercanos que, sin embargo, poseen distintos contextos políticos, sociales y económicos dentro de los últimos 30 años. Es justamente en estos países en donde en los últimos años, a pesar de sus grandes diferencias, ocurrió una explosión social en oposición al manejo Estado. Es así, que a lo largo de esta investigación intentaremos resolver esta pregunta y conocer si el PBI es realmente un indicador merecedor de la importancia y la estima que algunos le otorgan.
## Objetivos
#### General
Analizar el impacto de la variación del PBI en indicadores de desarrollo como el desempleo la esperanza de vida la pobreza, etc. En los países Perú, Chile, Argentina, Brasil, Bolivia y Uruguay desde el año 1990 hasta el año 2018.
#### Específicos
* Analizar si es posible predecir el incremento o decremento de algunos indicadores en función del PBI.
* Entender como ha afectado el incremento del PBI la esperanza de vida de esos países.
* Comprender la relación del PBI con cada una de las variables del Índice de Desarrollo Humano.
* Comparar los indicadores de los países.
* Identificar los indicadores más altos y bajos en los países.
* Analizar en cuánto y el porqué variaron los indicadores.
* Entender la relación entre las variables.
* Ver la utilidad del PBI para medir el desarrollo de un país.
## Población Objetivo
Países de sudamérica: Perú, Chile, Argentina, Brasil, Bolivia y Uruguay.
## Originalidad
Para explicar la originalidad del proyecto basta con revisar la data que proporciona la databank del Banco Mundial. Lo que hace la organización es mostrar los datos con un objetivo visual más no se hace un análisis de estos y peor aún entre variables. Además, muchos economistas simplemente usan los indicadores sin cuestionarlos. Lo que justamente nuestro proyecto busca es determinar la validez de estos indicadores específicamente la validez del PBI como único índice de desarrollo de un país.
## Marco Teórico
Dentro del análisis se tendrán que trabajar con algunas variables recolectadas a partir de teoría acerca de la percepción de desarrollo de un país. Según el ministerio de Economías y Finanzas, el Índice de desarrollo humano (IDH) mide los adelantos medios de un país en tres aspectos básicos del desarrollo humano: Estos son salud, educación y economía. De esta manera, como parte de la forma de medición y recolección de nuestras variables, se opta a elegir la esperanza de vida, tasa de inactividad, tas de mortalidad y PBI.
Los datos fueron recolectados en el Databank de la página web del Banco Mundial. Los cuales son datos abiertos a los cuáles cualquiera puede ingresar y descargar. (https://databank.bancomundial.org/home.aspx)
### Variables
Algunas de las variables que se utilizarán para el desarrollo del proyecto:
**País:** Nos indica el país del dato recolectado. Ello nos ayudará a identificar a cada dato ya que no estamos trabajando con un solo país.
**Año:** Se refiere al año de la recolección del dato. Estos tienen un rango de 28 años, empezando desde 1990 hasta 2018
**PBI:** El producto bruto interno (PBI) representa el valor de mercado de la producción de bienes y servicios de un país en un rango de tiempo determinado. Como dato se recolecta esta variable con un rango de 1 año. Por lo que cada dato representa el valor del PBI para ese año.
**Población:** La variable población nos permite saber la cantidad de personas para ese año, teniendo en cuenta que este valor es acumulativo. Además no solo se tendrá como variable la población total, sino que se subdividirá en población total mujeres y hombres.
**Población activa:** Población que tiene capacidad de trabajar (en este caso los datos son tomados desde personas mayores a 15 años).
**Tasa de mortalidad:** Es la cantidad media de decesos por cada 1000 personas.
**Esperanza de vida:** Nos indica la cantidad de años promedio que una persona vive, justo como la variable indica (esperanza de vida), por país.
**Tasa de inactividad:** La tasa de inactividad por edad es la relación entre las personas dependientes, menores de 15 o mayores de 64 años, y la población en edad de trabajar, entre 15 y 64 años. Los datos se muestran como la proporción de personas dependientes por 100 personas en edad de trabajar.
**Desempleo:** Nos muestra el porcentaje de desempleo respecto a la población económicamente activa. Esta variable se subdividirá en dos, mujeres y hombres.
**Inscripción escolar:** Una de las formas de medir la educación es teniendo en cuenta la inscripción escolar anual. Se muestra como porcentaje y se subdividirá en dos, primaria y secundaria.
**PBI per cápita:** Es la relación entre el PBI del país y la cantidad de población. Ello nos sirve para poder realizar un análisis más "justo" entre países si se deseara.
| N° | Pregunta | Tipo |
|--- | -------- | --- |
| 1 | ¿Qué tan buen indicador es el PBI para medir el desarrollo de un país? | Central |
| 2 | ¿Cómo varía el PBI en este rango de tiempo en estos diferentes países? | Específica |
| 3 | ¿Existe relación entre las variables? | Específica |
| 4 | ¿Qué relación tiene el PBI con cada una de las variables del Índice de Desarrollo humano (IDH)? | Específica |
| 5 | ¿Qué país presenta el indicador más alto y más bajo de los escogidos? | Específica |
| 6 | ¿En cuánto variaron los indicadores en este rango de tiempo y qué lo provocó? | Específica |
| 7 | ¿En qué año se presentó el indicador más alto y bajo para cada variable? | Específica |
| 8 | ¿Es posible predecir el incremento o decremento de algunos de los indicadores en base al PBI? | Específica |
| 9 | ¿Cómo ha afectado el incremento de PBI en la esperanza de vida de los países? | Específica |
| 10 | ¿Qué pudo haber causado un decremento en el PBI en algunos años? | Específica |
| 11 | ¿Existe alguna correlación entre los datos de cada variable? | Específica |
## Variables
| Variable | Tipo de variable | Tipo específico |
| -- | -- | -- |
| PBI | Numérica | Continua |
| Desempleo total | Numérica | Continua |
| Desempleo mujeres | Numérica | Continua |
| Desempleo hombres | Numérica | Continua |
| Inscripción escolar primaría | Numérica | Continua |
| Inscripción escolar secundaria | Numérica | Continua |
| Tasa de mortalidad total | Numérica | Continua |
| Tasa de mortalidad hombres | Numérica | Continua |
| Tasa de mortalidad mujeres | Numérica | Continua |
| Esperanza de vida total | Numérica | Continua |
| Esperanza de vida hombre | Numérica | Continua |
| Esperanza de vida mujer | Numérica | Continua |
| Población total | Numérica | Continua |
| Población activa total | Numérica | Continua |
| Población hombre | Numérica | Continua |
| Población mujer | Numérica | Continua |
| Tasa de inactividad | Numérica | Continua |
| Tasa de inactividad (menores 15) | Numérica | Continua |
| PBI per cápita | Numérica | Continua |
| Año | Categórica | Ordinal |
| País | Categórica | Ordinal |
## Base de Datos
```{r}
library(readr)
library(dplyr)
library(modeest)
```
```{r}
DF <- read_csv("DATAFRAME_FINAL-2.csv")
```
```{r}
DF
```
### Variables y observaciones
El número de variables lo podemos ver teniendo en cuenta la forma en la que está distribuida un data frame, siendo la cantidad de columnas el número de variables, y la cantidad de filas el número de observaciones. Por lo que, se tiene 21 variables y 174 observaciones respectivamente.
```{r}
ncol(DF)
nrow(DF)
```
### Observaciones completas e incompletas, datos completos y faltantes
La cantidad de observaciones completas e incompletas (respectivamente) dentro de la data frame son de:
```{r}
sum(complete.cases(DF))
sum(!complete.cases(DF))
```
Mientras que los datos completos y faltantes (respectivamente) son:
```{r}
sum(!is.na(DF))
sum(is.na(DF))
```
Sin embargo, cabe recalcar que la gran cantidad de datos faltantes se encuentran dentro de las variables 'inscripcion_primaria' e 'inscripcion_secundaria'. Por lo que mostraremos la cantidad de datos completos y faltantes por columna
```{r}
colSums(is.na(DF))
```
Se hará uso de un barplot para poder observar mejor, donde realmente están estos datos incompletos. Estas dos variables, 'inscripción escolar primaria' e 'inscripción escolar secundaria', no las podemos borrar porque contienen información útil sobre la educación en cada país en algunos años en los que los datos sí se encuentran.
```{r}
barplot(colSums(is.na(DF)),main="Cantidad de datos faltantes por columnas",xlab=" Variables",ylab="Cantidad de datos faltantes",col=c("black","black","black","green","blue","yellow","brown","skyblue","black","black","black","black","black","black","black","black","black","black","black","black","black"),legend.text=c("País","Año","PBI","Desempleo Total","Desempleo_hombre","Desempleo_mujer","Inscripción_primaria","Inscripción Secundaria"),ylim=c(0,50))
```
### Países a analizar
La cantidad de países que estaremos evaluando serán 6. Además de tener una cantidad de 29 datos por cada país, repesentando el rango de años elegidos para la evaluación:
```{r}
table(DF$Pais)
```
```{r}
unique(DF$Año)
```
### Creación de nueva data frames
Separamos y creamos dataframes por países, para así poder tener filtrada las observaciones de cada país en una variable distinta:
```{r}
Argentina <- filter(DF,Pais=="Argentina")
Bolivia <- filter(DF,Pais=="Bolivia")
Brasil <- filter(DF,Pais=="Brasil")
Chile <- filter(DF,Pais=="Chile")
Peru <- filter(DF, Pais=="Peru")
Uruguay <- filter(DF, Pais=="Uruguay")
```
## Descriptores gráficos y numéricos
Empezaremos con las 3 variables más interesantes de primero momento, siendo estos 'PBI', 'Esperanza de vida' y 'Desempleo'. Ello nos permitirá darnos cuenta de cómo fuer variando estas variables por país a través de los años.
### PBI por países:
Como primer paso para trabajar con el PBI, empezamos creando una nueva variable. Esta será 'PBI per cápita', que es la división entre el PBI del país entre la cantidad de población. Ello nos permitirá hacer un análisis más coherente y que la diferencia entre las poblaciones de cada país está presente. De esta manera, utilizando el comando 'mutate' agregamos estas variables a las data frames creadas por cada país.
```{r}
DF <- mutate(DF, PBI_per_capita = (PBI/Poblacion_total))
Argentina <- mutate(Argentina, PBI_per_capita = (PBI/Poblacion_total))
Bolivia <- mutate(Bolivia, PBI_per_capita = (PBI/Poblacion_total))
Brasil <- mutate(Brasil, PBI_per_capita = (PBI/Poblacion_total))
Chile <- mutate(Chile, PBI_per_capita = (PBI/Poblacion_total))
Peru <- mutate(Peru, PBI_per_capita = (PBI/Poblacion_total))
Uruguay <- mutate(Uruguay, PBI_per_capita = (PBI/Poblacion_total))
```
#### Rangos, mínimos y máximos (range)
Encontramos los rangos del PBI por cada país (Argentina, Bolivia, Brasil, Chile, Peru y Uruguay respectivamente), en mil millones:
```{r}
round(range(Argentina$PBI)/1000000000,2)
round(range(Bolivia$PBI)/1000000000,2)
round(range(Brasil$PBI)/1000000000,2)
round(range(Chile$PBI)/1000000000,2)
round(range(Peru$PBI)/1000000000,2)
round(range(Uruguay$PBI)/1000000000,2)
```
En esto podemos observar los valores mínimos y máximos del PBI por cada país. Teniendo Bolivia, en este rango de tiempo, el valor mínimo de PBI. Y teniendo Brasil el valor máximo.
#### Media y mediana (mean, median)
Valores de media, mediana del PBI de los países a lo largo del rango de años (Argentina, Bolivia, Brasil, Chile, Perú y Uruguay respectivamente):
##### MEDIA
```{r}
mean(Argentina$PBI)
mean(Bolivia$PBI)
mean(Brasil$PBI)
mean(Chile$PBI)
mean(Peru$PBI)
mean(Uruguay$PBI)
```
##### MEDIANA
```{r}
median(Argentina$PBI)
median(Bolivia$PBI)
median(Brasil$PBI)
median(Chile$PBI)
median(Peru$PBI)
median(Uruguay$PBI)
```
Dentro de estos descriptores, se puede observar que los valores máximos de la media y mediana los tiene, Brasil.
Y el valor mínimo, los tiene Bolivia. Lo que nos da a entender que Bolivia tuvo muchos menores cantidad de bienes y servicios producidos a lo largo de este rango de tiempo, que Brasil.
#### Distribución del PBI per cápita (Boxplot)
Así mismo, vemos la distribución del PBI per cápita por cada país, en miles. Hacemos uso del comando 'boxplot' para poder ver esta distribución. Se pondrán una al costado de la otra, en la misma escala, para tener una idea de la diferencia entre el PBI per cápita de cada país. Como se mencionó anteriormente, hacemos uso del PBI per cápita por la diferencia de población entre cada país (es diferente comparar el PBI de brasil, con una cantidad abismal en población, con un país como Uruguay).
```{r}
boxplot(DF$PBI_per_capita/1000~DF$Pais,xlab="Países",ylab="PBI per cápita",col=c("skyblue","yellow","green","blue","red","brown"))
```
De esta forma podemos ver de una manera más clara esta diferencia entre los PBI's de cada país. La idea del proyecto no es compararlos, sin embargo, es muy útil el uso de esta gráfica porque nos permite darnos cuenta la gran diferencia que se tiene entre cada país, a pesar de pertenecer a la misma región geográfica. Es con ello que nos damos cuenta de la diversidad económica que existe.
#### Dispersión (plot)
Realizamos un ploteo para ver cómo fue variando el PBI de cada país a través de los años (en mil millones). Ello se logrará utilizando la variable años y PBI dividido entre mil millones:
```{r}
plot(Argentina$Año,Argentina$PBI/1000000000, main="PBI Argentina a través de los años (en mil millones)",xlab="años",ylab="PBI", col="steelblue")
abline(h= mean(Argentina$PBI/1000000000,na.rm=TRUE),col="red")
plot(Bolivia$Año,Bolivia$PBI/1000000000, main="PBI Bolivia a través de los años (en mil millones)",xlab="años",ylab="PBI", col="yellow")
abline(h= mean(Bolivia$PBI/1000000000,na.rm=TRUE),col="red")
plot(Brasil$Año,Brasil$PBI/1000000000, main="PBI Brasil a través de los años (en mil millones)",xlab="años",ylab="PBI", col="green")
abline(h= mean(Brasil$PBI/1000000000,na.rm=TRUE),col="red")
plot(Chile$Año,Chile$PBI/1000000000, main="PBI Chile a través de los años (en mil millones)",xlab="años",ylab="PBI", col="blue")
abline(h= mean(Chile$PBI/1000000000,na.rm=TRUE),col="red")
plot(Peru$Año,Peru$PBI/1000000000, main="PBI Perú a través de los años (en mil millones)",xlab="años",ylab="PBI", col="red")
abline(h= mean(Peru$PBI/1000000000,na.rm=TRUE),col="blue")
plot(Uruguay$Año,Uruguay$PBI/1000000000, main="PBI Uruguay a través de los años (en mil millones)",xlab="años",ylab="PBI", col="brown")
abline(h= mean(Uruguay$PBI/1000000000,na.rm=TRUE),col="red")
```
Con estas gráficas, nos podemos dar cuenta de la volubilidad del PBI. Ya que no necesariamente sigue una tendencia. Sino que puede desplomarse en un rango de tiempo muy pequeño. Así mismo, nos permite entender que dicha volubilidad también se encuentra en el ámbito económico por cada país. Cada país es un caso distinto, algunos sufrieron de bajas más rápidas y otros sí vieron una tendencia.
#### Sesgos e histogramas (hist)
Se hará uso de los hsitogramas para ver el sesgo y la frecuencia de los datos. Sin embargo, cabe recalcar que los datos al variar en el tiempo, obviamente presentará datos más dispersos. El PBI como lo vimos en el cuadro anterior presenta variaciones dentro de cada país.
Sesgos por país, en mil millones:
```{r}
hist((Argentina$PBI/1000000000),breaks=10,main="Histograma del PBI de Argentina", ylab="Frecuencia",xlab="PBI (en mil millones)",xlim=c(50,700),col="skyblue")
abline(v= median(Argentina$PBI/1000000000,na.rm=TRUE),col="red")
abline(v=mean(Argentina$PBI/1000000000,na.rm=TRUE),col="blue")
hist(Bolivia$PBI/1000000000,breaks=10,main="Histograma del PBI Bolivia", ylab="Frecuencia",xlab="PBI (en mil millones)",xlim=c(0,50),col="yellow")
abline(v= mean(Bolivia$PBI/1000000000,na.rm=TRUE),col="red")
abline(v=median(Bolivia$PBI/1000000000,na.rm=TRUE),col="blue")
hist(Brasil$PBI/1000000000,breaks=10,main="Histograma del PBI de Brasil", ylab="Frecuencia",xlab="PBI (en mil millones)",xlim=c(400,3000),col="green")
abline(v= mean(Brasil$PBI/1000000000,na.rm=TRUE),col="red")
abline(v=median(Brasil$PBI/1000000000,na.rm=TRUE),col="blue")
hist(Chile$PBI/1000000000,breaks=10,main="Histograma del PBI de Chile", ylab="Frecuencia",xlab="PBI (en mil millones)",col="blue")
abline(v= mean(Chile$PBI/1000000000,na.rm=TRUE),col="red")
abline(v=median(Chile$PBI/1000000000,na.rm=TRUE),col="blue")
hist(Peru$PBI/1000000000,breaks=10,main="Histograma del PBI de Peru", ylab="Frecuencia",xlab="PBI (en mil millones)",xlim=c(0,300),col="red")
abline(v= mean(Peru$PBI/1000000000,na.rm=TRUE),col="red")
abline(v=median(Peru$PBI/1000000000,na.rm=TRUE),col="blue")
hist(Uruguay$PBI/1000000000,breaks=10,main="Histograma del PBI de Uruguay", ylab="Frecuencia",xlab="PBI (en mil millones)",col="brown")
abline(v= mean(Uruguay$PBI/1000000000,na.rm=TRUE),col="red")
abline(v=median(Uruguay$PBI/1000000000,na.rm=TRUE),col="blue")
```
Como se mencionó anteriormente, el PBI presentará datos dispersos por el rango de tiempo que se tomó, por lo que habrán frecuencias distintas de los valores de PBI. Para poder notar el sesgo, se hace uso de 'abline' para ver la media y mediana (mediana roja y media azul) y poder determinar el sesgo.
### Esperanza de vida por países
Ahora pasaremos a ver la Esperanza de vida (en años) por cada país, y cómo esta fue variando en el tiempo. La esperanza de vida pertenece al indicador de salud dentro del IDH (Índice de desarrollo Humano). Por lo que es importante ver cómo este fue variando.
#### Rango (range)
Veremos el rango de los datos para esta variable por país, a través de los años.
```{r}
round(range(Argentina$Esperanza_vida_total))
round(range(Bolivia$Esperanza_vida_total))
round(range(Brasil$Esperanza_vida_total))
round(range(Chile$Esperanza_vida_total))
round(range(Peru$Esperanza_vida_total))
round(range(Uruguay$Esperanza_vida_total))
```
Con estos descriptores podemos determinar cúal país tuvo un mayor crecimiento en cuanto a la variable. Y al
Vemos la media, mediana y moda para cada país, durante este rango de tiempo.
##### MEDIA
```{r}
round(mean(Argentina$Esperanza_vida_total))
round(mean(Bolivia$Esperanza_vida_total))
round(mean(Brasil$Esperanza_vida_total))
round(mean(Chile$Esperanza_vida_total))
round(mean(Peru$Esperanza_vida_total))
round(mean(Uruguay$Esperanza_vida_total))
```
##### MEDIANA
```{r}
round(median(Argentina$Esperanza_vida_total))
round(median(Bolivia$Esperanza_vida_total))
round(median(Brasil$Esperanza_vida_total))
round(median(Chile$Esperanza_vida_total))
round(median(Peru$Esperanza_vida_total))
round(median(Uruguay$Esperanza_vida_total))
```
##### MODA
```{r}
# Creando un auxiliar, para sacar el valor de la moda
Esp_vida_ARG <- Argentina$Esperanza_vida_total
Esp_vida_ARG <-round(Esp_vida_ARG)
Esp_vida_BOL <- Bolivia$Esperanza_vida_total
Esp_vida_BOL <-round(Esp_vida_BOL)
Esp_vida_BRA <- Brasil$Esperanza_vida_total
Esp_vida_BRA <-round(Esp_vida_BRA)
Esp_vida_CHI <- Chile$Esperanza_vida_total
Esp_vida_CHI <-round(Esp_vida_CHI)
Esp_vida_PER <- Peru$Esperanza_vida_total
Esp_vida_PER <-round(Esp_vida_PER)
Esp_vida_URU <- Uruguay$Esperanza_vida_total
Esp_vida_URU <-round(Esp_vida_URU)
mfv(Esp_vida_ARG)
mfv(Esp_vida_BOL)
mfv(Esp_vida_BRA)
mfv(Esp_vida_CHI)
mfv(Esp_vida_PER)
mfv(Esp_vida_URU)
```
Realizamos un ploteo para ver cómo fue variando la Esperanza de vida de cada país a través de los años :
```{r}
plot(Argentina$Año,Argentina$Esperanza_vida_total, main="Esperanza de vida Argentina a través de los años",xlab="Tiempo",ylab="Esperanza de vida", col="steelblue")
abline(h= mean(Argentina$Esperanza_vida_total,na.rm=TRUE),col="red")
plot(Bolivia$Año,Bolivia$Esperanza_vida_total, main="Esperanza de vida Bolivia a través de los años",xlab="Tiempo",ylab="Esperanza de vida", col="yellow")
abline(h= mean(Bolivia$Esperanza_vida_total,na.rm=TRUE),col="red")
plot(Brasil$Año,Brasil$Esperanza_vida_total, main="Esperanza de vida Brasil a través de los años",xlab="Tiempo",ylab="Esperanza de vida", col="green")
abline(h= mean(Brasil$Esperanza_vida_total,na.rm=TRUE),col="red")
plot(Chile$Año,Chile$Esperanza_vida_total, main="Esperanza de vidaI Chile a través de los años",xlab="Tiempo",ylab="Esperanza de vida", col="blue")
abline(h= mean(Chile$Esperanza_vida_total,na.rm=TRUE),col="red")
plot(Peru$Año,Peru$Esperanza_vida_total, main="Esperanza de vida Perú a través de los años",xlab="Tiempo",ylab="Esperanza de vida", col="red")
abline(h= mean(Peru$Esperanza_vida_total,na.rm=TRUE),col="blue")
plot(Uruguay$Año,Uruguay$Esperanza_vida_total, main="Esperanza de vida Uruguay a través de los años",xlab="Tiempo",ylab="Esperanza de vida", col="brown")
abline(h= mean(Uruguay$Esperanza_vida_total,na.rm=TRUE),col="red")
```
Vemos la distribución de los datos, mediante un boxplot
```{r}
boxplot(DF$Esperanza_vida_total~DF$Pais,xlab="Países",ylab="Esperanza de vida",col=c("skyblue","yellow","green","blue","red","brown"))
```
Sesgos por país, de la Esperanza de vida:
```{r}
hist((Argentina$Esperanza_vida_total),breaks=10,main="Histograma de la Esperanza de vida de Argentina", ylab="Frecuencia",xlab="Esperanza de vida",xlim=c(60,80),col="skyblue")
abline(v= median(Argentina$Esperanza_vida_total,na.rm=TRUE),col="red")
abline(v=mean(Argentina$Esperanza_vida_total,na.rm=TRUE),col="blue")
hist(Bolivia$Esperanza_vida_total,breaks=10,main="Histograma de la Esperanza de vida de Bolivia", ylab="Frecuencia",xlab="Esperanza de vida",xlim=c(50,80),col="yellow")
abline(v= median(Bolivia$Esperanza_vida_total,na.rm=TRUE),col="red")
abline(v=mean(Bolivia$Esperanza_vida_total,na.rm=TRUE),col="blue")
hist(Brasil$Esperanza_vida_total,breaks=10,main="Histograma de la Esperanza de vida de Brasil", ylab="Frecuencia",xlab="Esperanza de vida",xlim=c(60,80),col="green")
abline(v= median(Brasil$Esperanza_vida_total,na.rm=TRUE),col="red")
abline(v=mean(Brasil$Esperanza_vida_total,na.rm=TRUE),col="blue")
hist(Chile$Esperanza_vida_total,breaks=10,main="Histograma de la Esperanza de vida de Chile", ylab="Frecuencia",xlab="Esperanza de vida",col="blue")
abline(v= median(Chile$Esperanza_vida_total,na.rm=TRUE),col="red")
abline(v=mean(Chile$Esperanza_vida_total,na.rm=TRUE),col="blue")
hist(Peru$Esperanza_vida_total,breaks=10,main="Histograma de la Esperanza de vida de Peru", ylab="Frecuencia",xlab="Esperanza de vida",xlim=c(60,80),col="red")
abline(v= median(Peru$Esperanza_vida_total,na.rm=TRUE),col="red")
abline(v=mean(Peru$Esperanza_vida_total,na.rm=TRUE),col="blue")
hist(Uruguay$Esperanza_vida_total,breaks=10,main="Histograma de la Esperanza de vida de Uruguay", ylab="Frecuencia",xlab="Esperanza de vida",col="brown")
abline(v= median(Uruguay$Esperanza_vida_total,na.rm=TRUE),col="red")
abline(v=mean(Uruguay$Esperanza_vida_total,na.rm=TRUE),col="blue")
```
### Desempleo
Vemos los rangos para saber entre qué porcentajes ha variado este indicador desde 1990 hasta 2018.
```{r}
round(range(Argentina$Desempleo_Total,na.rm=TRUE))
round(range(Bolivia$Desempleo_Total,na.rm=TRUE))
round(range(Brasil$Desempleo_Total,na.rm=TRUE))
round(range(Chile$Desempleo_Total,na.rm=TRUE))
round(range(Peru$Desempleo_Total,na.rm=TRUE))
round(range(Uruguay$Desempleo_Total,na.rm=TRUE))
```
Vemos la media y mediana para cada país, durante este rango de tiempo.
MEDIA
```{r}
round(mean(Argentina$Desempleo_Total,na.rm=TRUE),2)
round(mean(Bolivia$Desempleo_Total,na.rm=TRUE),2)
round(mean(Brasil$Desempleo_Total,na.rm=TRUE),2)
round(mean(Chile$Desempleo_Total,na.rm=TRUE),2)
round(mean(Peru$Desempleo_Total,na.rm=TRUE),2)
round(mean(Uruguay$Desempleo_Total,na.rm=TRUE),2)
```
MEDIANA
```{r}
round(median(Argentina$Desempleo_Total,na.rm=TRUE),2)
round(median(Bolivia$Desempleo_Total,na.rm=TRUE),2)
round(median(Brasil$Desempleo_Total,na.rm=TRUE),2)
round(median(Chile$Desempleo_Total,na.rm=TRUE),2)
round(median(Peru$Desempleo_Total,na.rm=TRUE),2)
round(median(Uruguay$Desempleo_Total,na.rm=TRUE),2)
```
Realizamos un ploteo para ver cómo fue variando el desempleo de cada país a través de los años :
```{r}
plot(Argentina$Año,Argentina$Desempleo_Total, main="Desempleo Argentina a través de los años",xlab="Tiempo",ylab="Porcentaje desempleo", col="steelblue")
abline(h= mean(Argentina$Desempleo_Total,na.rm=TRUE),col="red")
plot(Bolivia$Año,Bolivia$Desempleo_Total, main="Desempleo Bolivia a través de los años",xlab="Tiempo",ylab="Porcentaje desempleo", col="yellow")
abline(h= mean(Bolivia$Desempleo_Total,na.rm=TRUE),col="red")
plot(Brasil$Año,Brasil$Desempleo_Total, main="Desempleo Brasil a través de los años",xlab="Tiempo",ylab="Porcentaje desempleo", col="green")
abline(h= mean(Brasil$Desempleo_Total,na.rm=TRUE),col="red")
plot(Chile$Año,Chile$Desempleo_Total, main="Desempleo Chile a través de los años",xlab="Tiempo",ylab="Porcentaje desempleo", col="blue")
abline(h= mean(Chile$Desempleo_Total,na.rm=TRUE),col="red")
plot(Peru$Año,Peru$Desempleo_Total, main="Desempleo Perú a través de los años",xlab="Tiempo",ylab="Porcentaje desempleo", col="red")
abline(h= mean(Peru$Desempleo_Total,na.rm=TRUE),col="blue")
plot(Uruguay$Año,Uruguay$Desempleo_Total, main="Desempleo Uruguay a través de los años",xlab="Tiempo",ylab="Porcentaje desempleo", col="brown")
abline(h= mean(Uruguay$Desempleo_Total,na.rm=TRUE),col="red")
```
Vemos la distribución de los datos, mediante un boxplot
```{r}
boxplot(DF$Desempleo_Total~DF$Pais,xlab="Países",ylab="Porcentaje de desempleo",col=c("skyblue","yellow","green","blue","red","brown"))
```
Sesgos por país, del desempleo:
```{r}
hist((Argentina$Desempleo_Total),breaks=10,main="Histograma del porcentaje de desempleo en Argentina", ylab="Frecuencia",xlab="Porcentaje de desempleo",col="skyblue")
abline(v= median(Argentina$Desempleo_Total,na.rm=TRUE),col="red")
abline(v=mean(Argentina$Desempleo_Total,na.rm=TRUE),col="blue")
hist(Bolivia$Desempleo_Total,breaks=10,main="Histograma del porcentaje de desempleo en Bolivia", ylab="Frecuencia",xlab="Porcentaje de desempleo",col="yellow")
abline(v= median(Bolivia$Desempleo_Total,na.rm=TRUE),col="red")
abline(v=mean(Bolivia$Desempleo_Total,na.rm=TRUE),col="blue")
hist(Brasil$Desempleo_Total,breaks=10,main="Histograma del porcentaje de desempleo en Brasil", ylab="Frecuencia",xlab="Porcentaje de desempleo",col="green")
abline(v= median(Brasil$Desempleo_Total,na.rm=TRUE),col="red")
abline(v=mean(Brasil$Desempleo_Total,na.rm=TRUE),col="blue")
hist(Chile$Desempleo_Total,breaks=10,main="Histograma del porcentaje de desempleo en Chile", ylab="Frecuencia",xlab="Porcentaje de desempleo",col="blue")
abline(v= median(Chile$Desempleo_Total,na.rm=TRUE),col="red")
abline(v=mean(Chile$Desempleo_Total,na.rm=TRUE),col="blue")
hist(Peru$Desempleo_Total,breaks=10,main="Histograma del porcentaje de desempleo en Peru", ylab="Frecuencia",xlab="Porcentaje de desempleo",col="red")
abline(v= median(Peru$Desempleo_Total,na.rm=TRUE),col="red")
abline(v=mean(Peru$Desempleo_Total,na.rm=TRUE),col="blue")
hist(Uruguay$Desempleo_Total,breaks=10,main="Histograma del porcentaje de desempleo en Uruguay", ylab="Frecuencia",xlab="Porcentaje de desempleo",col="brown")
abline(v= median(Uruguay$Desempleo_Total,na.rm=TRUE),col="red")
abline(v=mean(Uruguay$Desempleo_Total,na.rm=TRUE),col="blue")
```
Para los siguientes variables se procederá a mostrar un summary para poder ver algunos datos relevantes respecto a dicha variable. Por lo que, se llevará a mostrar solamente un resumen de lo datos. Posteriormente se hará un análisis ya sabiendo entre qué variables se desarrollará.
## Por países, (Inscripción primaria, Inscripción Secundaria, Tasa de mortalidad, Población total, Tasa de inactividad y PBI per cápita respectivamente):
### Argentina
```{r}
summary(Argentina$Inscripcion_primaria)
summary(Argentina$Inscripcion_secundaria)
summary(Argentina$Tasa_mortalidad_total)
summary(Argentina$Poblacion_total)
summary(Argentina$Tasa_inactividad)
summary(Argentina$PBI_per_capita)
```
### Bolivia
```{r}
summary(Bolivia$Inscripcion_primaria)
summary(Bolivia$Inscripcion_secundaria)
summary(Bolivia$Tasa_mortalidad_total)
summary(Bolivia$Poblacion_total)
summary(Bolivia$Tasa_inactividad)
summary(Bolivia$PBI_per_capita)
```
### Brasil
```{r}
summary(Brasil$Inscripcion_primaria)
summary(Brasil$Inscripcion_secundaria)
summary(Brasil$Tasa_mortalidad_total)
summary(Brasil$Poblacion_total)
summary(Brasil$Tasa_inactividad)
summary(Brasil$PBI_per_capita)
```
### Chile
```{r}
summary(Chile$Inscripcion_primaria)
summary(Chile$Inscripcion_secundaria)
summary(Chile$Tasa_mortalidad_total)
summary(Chile$Poblacion_total)
summary(Chile$Tasa_inactividad)
summary(Chile$PBI_per_capita)
```
### Perú
```{r}
summary(Peru$Inscripcion_primaria)
summary(Peru$Inscripcion_secundaria)
summary(Peru$Tasa_mortalidad_total)
summary(Peru$Poblacion_total)
summary(Peru$Tasa_inactividad)
summary(Peru$PBI_per_capita)
```
#Uruguay
```{r}
summary(Uruguay$Inscripcion_primaria)
summary(Uruguay$Inscripcion_secundaria)
summary(Uruguay$Tasa_mortalidad_total)
summary(Uruguay$Poblacion_total)
summary(Uruguay$Tasa_inactividad)
summary(Uruguay$PBI_per_capita)
```
## Bibliografía
+ [1] OECD. (2020). Unemployment rate. 2020, de Organisation for Economic Sitio web: https://data.oecd.org/unemp/unemployment-rate.htm
+ [2] The World Bank. (2019). Data bank. 2019, de © 2021 The World Bank Group, All Rights Reserved. Sitio web: https://data.worldbank.org/country/peru
+ [3] Ministerio de la Producción. (2020). Estadística Manufactura. 2020, de Copyright © 2021 Ministerio de la Producción. Sitio web: https://ogeiee.produce.gob.pe/index.php/en/shortcode/estadistica-oee/estadisticas-manufactura
+ [4]: Ministerio de Economía y Finanzas. (2016). Principales indicadores macroeconómicos. 2016, de Ministerio de Economía y Finanzas Sitio web: https://www.mef.gob.pe/es/?option=com_content&language=es-ES&Itemid=100236&lang=es-ES&view=article&id=266
+ [5]: Ministerio de Economía y Finanzas. (2010). Métodos para medir Pobreza. 2020, de Ministerio de Economía y Finanzas Sitio web: https://www.mef.gob.pe/es/?option=com_content&language=es-ES&Itemid=100412&lang=es-ES&view=article&id=370
https://www.ipe.org.pe/portal/producto-bruto-interno/
Google Drive
Gist
Clipboard
Sign in with Wallet
