Trabajo domƩstico no remunerado

En la carpeta fuentes se encuentran dos archivos:

  • _prom_t_simul_dom_16_sexo__annio_n_instruc_limpio.csv Con las horas de trabajo no remunerado segĆŗn nivel de instrucciĆ³n.
  • _prom_t_simul_dom_16_sexo__annio_quin_ingr_fliar_limpio.csv Con las horas de trabajo no remunerado segĆŗn el quintil de ingreso.

Elegir el que les resulte mƔs interesante y reproducir algunos de los grƔficos vistos para analizar los datos

Uso del tiempo

Siguiendo con la temƔtica de uso del tiempo. TenƩmos los siguientes datasets:

  • _tas_part_lad_sexo__annio_g_g_activ_limpio.csv: ParticipaciĆ³n en diversas actividades aƱo 2005
  • _tas_part_lad_16_sexo__annio_g_g_activ_limpio.csv: ParticipaciĆ³n en diversas actividades aƱo 2016
  • _prom_t_simul_part_16_sexo__annio_g_g_activ_limpio.csv: Horas diarias dedicadas a cada grupo de actividad

A partir de estos datos, se busca:

  1. Analizar la evoluciĆ³n del uso del tiempo entre 2005 y 2016
  2. Ver las diferencias que presentan Muejeres y Hombres

Para ello, deberĆ”n elegir quĆ© grĆ”ficos son mĆ”s apropiados, y realizar las transformaciĆ³nes necesarias en la informaciĆ³n.

Gap Minder

library(gapminder)

glimpse(gapminder)

Observations: 1,704
Variables: 6
$ country   <fct> Afghanistan, Afghanistan, Afghanistan, Afghanistan, Afghanistan, Afghanistan, Afghanistan, ā€¦
$ continent <fct> Asia, Asia, Asia, Asia, Asia, Asia, Asia, Asia, Asia, Asia, Asia, Asia, Europe, Europe, Eurā€¦
$ year      <int> 1952, 1957, 1962, 1967, 1972, 1977, 1982, 1987, 1992, 1997, 2002, 2007, 1952, 1957, 1962, 1ā€¦
$ lifeExp   <dbl> 28.801, 30.332, 31.997, 34.020, 36.088, 38.438, 39.854, 40.822, 41.674, 41.763, 42.129, 43.ā€¦
$ pop       <int> 8425333, 9240934, 10267083, 11537966, 13079460, 14880372, 12881816, 13867957, 16317921, 222ā€¦
$ gdpPercap <dbl> 779.4453, 820.8530, 853.1007, 836.1971, 739.9811, 786.1134, 978.0114, 852.3959, 649.3414, 6ā€¦

Con esta info a mi se me ocurre este grĆ”fico. Propongan otra forma de visualizar esta informaciĆ³n.

library(ggridges)
library(viridis)

ggplot(gapminder, aes(x = lifeExp, y = factor(year), fill = ..x..)) +
  geom_density_ridges_gradient()+
  scale_y_discrete(expand = c(0.01, 0)) +
  scale_fill_viridis(name = "Esperanza de vida", option = "C")+
  theme_ridges()+
  theme(legend.position = 'bottom')

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