Ej_profesor.Rmd

---
title: "Análisis exploratorio de la encuesta inicial"
author: "Kenneth Roy Cabrera Torres"
date: "Viernes, 26 de marzo de 2021"
output: 
  html_document: 
    toc: yes
---

```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = FALSE,
                      warning = FALSE,
                      message = FALSE)
```

```{r}
## Paquetes usados en el análisis.
library(tidyverse)
```

## Lectura de la base de datos.

```{r}
## Lectura de una base de datos tipo ".csv"
encuesta <- read.csv("encuesta1.csv", fileEncoding = "UTF-8")
```

## Depuración y adecuación de la base de datos.

```{r}
# Visualizar la estructura de la base de datos.
str(encuesta)
```

```{r}
glimpse(encuesta)
```

```{r}
summary(encuesta)
```

```{r}
encuesta <- encuesta %>% 
  mutate_if(is.character, as.factor)
```

```{r}
glimpse(encuesta)
```

```{r}
summary(encuesta)
```

```{r}
encuesta <- encuesta %>% 
  mutate(Q02_FechaNac = as.Date(as.character(Q02_FechaNac), "%Y-%m-%d"))
```

```{r}
summary(encuesta$Q02_FechaNac)
```

```{r}
# Cálculo de la edad
encuesta <- encuesta %>% 
  mutate(Edad = as.numeric(as.Date("2021-06-30") - Q02_FechaNac)/365.25)
```

```{r}
# Conversión a fecha-hora
encuesta <- encuesta %>% 
  mutate(fecha_entrega = 
           as.POSIXct(strptime(Enviado.el., format = "%d/%m/%Y %H:%M:%S")),
         tiempo_usado = as.integer(format(fecha_entrega, "%M")) +
                        as.integer(format(fecha_entrega, "%S")) / 60  - 30)
```

```{r}
dotchart(encuesta$Q08_PAPA)
```

```{r}
encuesta %>% 
  filter(Q08_PAPA > 5)
```

```{r}
encuesta$Q08_PAPA[encuesta$Q08_PAPA == 45 & !is.na(encuesta$Q08_PAPA)] <- 4.5
```

```{r}
encuesta <- encuesta %>% 
  mutate(puntaje_pregunta2 = 
  apply(encuesta %>% select(Q26_Divisor..f.es.divisor.de.g.2.,
                            Q26_Divisor..f.es.divisor.de.gh.,
                            Q26_Divisor..f.es.divisor.de.h.g),
        1, sum))
t_p2 <- table(encuesta$puntaje_pregunta2)
t_p2
pt_p2 <- t_p2 / sum(t_p2) * 100
pt_p2
```

```{r}
# Se construye una nueva variable que indica si se ha instalado el 
# R solamente, el Rstudio solamente o ambos o ninguno:
# 0: No ha instalado ninguno.
# 1: Ha instalado solo el R.
# 2: Ha instalado solo el RStudio.
# 3: Ha instalado tanto el R como el RStudio.

# También se crea una nueva variable categoŕica que tenga las combinaciones
# de la carrera y la instalación de los programas. 
encuesta <-  encuesta %>% 
  mutate(instala_prog = Q11_R + Q12_RStudio * 2,
         Carrera_instala  = factor(paste(Q03_Carrera, instala_prog)))
```

## Análisis univariado.

### Género.

```{r}
t_gen <- table(encuesta$Q01_Genero)
t_gen
```
```{r}
t_gen_p <- t_gen / sum(t_gen) * 100
t_gen_p
```

```{r}
bp1 <- barplot(t_gen_p, las = 1, ylim = c(0, 100), col = "lightgreen")
text(bp1, t_gen_p + 10, paste(round(t_gen_p, 1), "%"))
```

```{r}
m_gen_p <- as.matrix(t_gen_p)
bp2 <- barplot(m_gen_p, beside = FALSE, xlim = c(0, 4),
               ylim = c(0, 110),
               col = c("blue", "red", "green3"))
text(1.3, cumsum(m_gen_p) - m_gen_p/2, 
     paste(rownames(m_gen_p), round((m_gen_p), 1), "%"),
     adj = 0)
```

```{r}
pie(t_gen_p, labels = paste(names(t_gen_p), round(t_gen_p, 1), "%"),
    col = c("blue", "red", "green3"))
```

### Edad.

```{r}
summary(encuesta$Edad)
```

```{r}
hist(encuesta$Edad)
```

```{r}
hist(encuesta$Edad, nclass = 20)
```

```{r}
paramAnt <- par(no.readonly = TRUE)
hist(encuesta$Edad, freq = FALSE, nclass = 20, col = "#a0c39f",
     las = 1, 
     main = "Distribución de la edad",
     xlab = "Edad (años)",
     ylab = "Densidad",
     ylim = c(0, 0.20),
     xlim = c(15, 40))
lines(density(encuesta$Edad), col = "orange", lwd = 3)
rug(encuesta$Edad)
par(paramAnt)
```

```{r}

```

```{r}
promedioEdad <- mean(encuesta$Edad)
medianaEdad <- median(encuesta$Edad)
desv_Est_Edad <- sd(encuesta$Edad)

boxplot(encuesta$Edad, horizontal = TRUE,
        main = "Boxplot para edad", 
        col = "lightblue",
        pch = 19, notch = TRUE)
points(promedioEdad, 
       1, 
       pch = 19, 
       col = c("red", "purple"))
legend("topright", 
       title = "Convención",
       legend = c("Promedio", "Error estandard"), 
       col = "red", 
       pch = c(19, NA),
       lty = c(NA, 1))
arrows(promedioEdad -  desv_Est_Edad / sqrt(nrow(encuesta)), 1,
         promedioEdad + desv_Est_Edad / sqrt(nrow(encuesta)), 1,
         angle = 90,
         length = 0.1, 
         code = 3,
         col = "red")
```

## Análisis bivariado.

```{r}
with(encuesta, plot(Q10_Estrato, Q08_PAPA, notch = TRUE))
```

```{r}
encuesta_Estrato1 <- encuesta %>% 
  filter(Q10_Estrato == "2 : 1")
dotchart(encuesta_Estrato1$Q08_PAPA)
summary(encuesta_Estrato1$Q08_PAPA)
```

```{r}
with(encuesta, plot(Q01_Genero, Q08_PAPA, notch = TRUE))
```

```{r}
with(encuesta, scatter.smooth(tiempo_usado, Q08_PAPA))
```

```{r}
with(encuesta, plot(Q27_PorcentDivisor))
lines(1:nrow(encuesta), rep(pt_p2[3], nrow(encuesta)), 
      col = "red")
```

```{r}
enc_acert_p2 <- encuesta %>% 
  filter(puntaje_pregunta2 == 3)
enc_no_acert_p2 <- encuesta %>% 
  filter(puntaje_pregunta2 != 3)
op <- par(no.readonly = TRUE)
par(mfrow = c(1, 2))
prom_Q27 <- mean(enc_acert_p2$Q27)
with(enc_acert_p2, plot(Q27_PorcentDivisor, ylim = c(0, 100)))
lines(1:nrow(enc_acert_p2), rep(prom_Q27, nrow(enc_acert_p2)), 
      col = "red")
prom_Q27_na <- mean(enc_no_acert_p2$Q27, na.rm = TRUE, ylim = c(0, 100))
with(enc_no_acert_p2, plot(Q27_PorcentDivisor))
lines(1:nrow(enc_no_acert_p2), rep(prom_Q27_na, nrow(enc_no_acert_p2)), 
      col = "red")
par(op)
```

## Análisis multivariado.

Se considera que existe diferencia entre las carreras de
sistemas y estadística en cuanto 
a los que tienen instalado tanto el R como el RStudio y que también
al interior de cada carrera hay diferencias en los PAPA si se tiene
en cuenta si ya tienen instalados o no el R y el RStudio.

Se piensa que los que tienen instalados ambos programas tienen un
mejor desempeño académico en comparación con los que no lo hicieron.

También se cree que los estudiantes de estadística son los que en
su mayoría han instalado el R y el RStudio. 

### Resumen numérico
```{r}
encuesta_sist_estad <- encuesta %>% 
  filter(Q03_Carrera %in% c("2 : Ingeniería de sistemas e informática",
                            "3 : Estadística")) %>% 
  droplevels()

encuesta_sist_estad_resumen <- encuesta_sist_estad %>%
  group_by(Q03_Carrera) %>% 
  mutate(num_estud_carrera = n()) %>% 
  group_by(Carrera_instala, num_estud_carrera) %>% 
  summarise(num_estud_noNA = sum(!is.na(Q08_PAPA)),
            prom_PAPA = mean(Q08_PAPA, na.rm = TRUE),
            desv_PAPA = sd(Q08_PAPA, na.rm = TRUE)) %>% 
  mutate(porcent_x_carrera = num_estud_noNA / num_estud_carrera * 100)
encuesta_sist_estad_resumen %>% data.frame()
```

### Gráfica exploratoria.

```{r, fig.height=8, fig.width=8}
op <- par(no.readonly = TRUE)
par(mar = op$mar + c(15, 0, 0, 0))
with(encuesta_sist_estad, 
     plot(Carrera_instala, Q08_PAPA, notch = TRUE,
          las = 2, width = sqrt(encuesta_sist_estad_resumen$porcent_x_carrera),
          col = "lightblue",
          main = "PAPA vs carrera e instalación de softwares R y RStudio",
          ylab = "Promedio Académico Ponderado Acumulado",
          xlab = "",
          pch = 19))
with(encuesta_sist_estad_resumen, 
     points(Carrera_instala, prom_PAPA, 
           col = "red", pch = 19))
legend("topleft", legend = c("0 No instaló ni R ni RStudio",
                             "1 Solo instaló R",
                             "2 Solo instaló RStudio",
                             "3 Instaló ambos"))
legend(0.5, 3.4, legend = c("Promedio"),
       pch = 19, col = "red")
text(0.5, 3.1, "El ancho de las cajas es proporcional a la raíz cuadrada del porcentaje de los estudiantes en cada carrera",
     cex = 0.8, pos = 4)
par(op)
```

### Análisis.

Se observa que si consideramos a los estudiantes de Sistemas la mayoría
han instalado el R y el RStudio (el 92.3%). Mientras que los de 
estadística solo el 72.2% lo han hecho. Esto es contrario a lo que 
se esperaba.

Se observa que el promedio y la mediana más alta en PAPA lo tienen
los estudiantes de estadística que solo han instalado el R. Mientras
que los promedios más bajos lo tienen los estudiantes de Sistemas
que no han instalado el R o solo el RStudio.

Es importante anotar que en Sistemas solo uno no ha instalado los
dos programas y solo uno ha instalado solo el RStudio. También es
curioso que el de sistemas solo haya instalado el RStudio sin instalar
el R. 

Aparentemente los de estadística que solo han instalado el R tienen
un buen desempeño académico.

Cabo anotar que no hay diferencia significativa en la medianas de los grupos
porque los intervalos de confianza se superponen. Por lo tanto no se
puede inferir que este comportamiento es generalizado.

Sorprende la tendencia del promedio y la mediana del grupo de estadística
que han instalado los dos programas relativamente bajo, contrario a lo
que se esperaba. Esto indica que posiblemente hayan otros factores que
puedan estar asociado al desempeño académico y no solo el hecho de
estar al día con la clase en cuanto a la instalación del software. 

Se puede concluir que aunque no haya diferencia significativa entre los
grupos si hay una tendencia a tener mejor desempeño en el el PAPA los
estudiantes de estadística que tienen instalado solo el R, mientras que
los que no lo han instalado los programas el desempeño académico tiene
a se más bajo sin que haya diferencia significativa.