ProyectoEFinal.Rmd

---
title: "ProyectoFinal"
author: "Mariana López y Jazmin Guzmán"
date: "1/6/2021"
output: word_document
---


# Proyecto Final

```{r}
lectura <- read.csv("HabitoLeer.csv")
```

Esto seria para leerlo al estar guardado en una carpeta, pero ya esta subido en github y aquí por  esoo no lo hacemos así:
lectura <- read.csv("C:/Users/1/Desktop/Estadistica 2/Estadistica 2/Proyecto/HabitoLeer.csv")

```{r}
require(stats)
library (corrplot)
library(ggplot2)
library(dplyr)
library(tidyverse)
library(lubridate)
library(fpp2)
```

## 1
Explorando los datos

```{r}
summary(lectura)
```
### Tenemos distintas variables sin embargo los unicos enteros son la edad y la cantidad de libros leidos al año.

## 2
Promedio de libros al año

```{r}
summary(lectura$How.many.books.did.you.read.during.last.12months.)
```
```{r}
hist(lectura$How.many.books.did.you.read.during.last.12months.,col="lightblue")
medialib <- mean(lectura$How.many.books.did.you.read.during.last.12months.)

abline(v=medialib,col="blue")

medianlib <- median(lectura$How.many.books.did.you.read.during.last.12months.)
abline(v=medianlib,col="red")
```
### Respuesta. La media de libros leidos por año es de 16.68 y una mediana de 6 (de rojo), siendo más confiable la mediana en este tipo de casos porque hay un sesgo hacia la derecha en los datos.

## Pregunta 3. 
Si existe alguna diferencia entre hombres y mujeres y la cantidad de libros leidos durante todo el año.

H0: No hay diferencia, hombres = mujeres
H1: Existe una diferencia, hombres =/= mujeres

```{r}
boxplot(lectura$How.many.books.did.you.read.during.last.12months. ~ lectura$Sex, col=c("orange","green"))
```

```{r}
t.test(lectura$How.many.books.did.you.read.during.last.12months.~lectura$Sex, alternative = "two.sided")
```
```{r}
5.147e-13 < 0.05
```
### Respuesta.
H1: Existe una diferencia, hombres =/= mujeres
https://elpais.com/cultura/2020/02/21/actualidad/1582288090_293986.html

## pregunta 4
¿La edad influye en la cantidad de libros leidos durante todo el año?

Ho. no es relevante por que dependerá más de factores como el tiempo. 
H1. si es relevante por que en base la edad se va incrementando la cantidad de libros leídos.

```{r}
plot(lectura$How.many.books.did.you.read.during.last.12months., lectura$Age,col="blue",main="Correlacion",xlab="Cantidad de libros x año",ylab="Edad")
model <- lm(lectura$Age ~ lectura$How.many.books.did.you.read.during.last.12months.)
abline(model,col="red")
```
```{r}
cor(lectura$How.many.books.did.you.read.during.last.12months., lectura$Age)
```
### Respuesta. No influye la edad de la persona en la cantidad de libros leidos al año.
https://www.inegi.org.mx/contenidos/saladeprensa/boletines/2020/EstSociodemo/MOLEC2019_04.pdf

## pregunta 5
¿Una persona con empleo lee más que una desempleada?

Ho. No por que depende mas del tiempo que la persona tenga. (no hay relacion empleado = desempleado)
H1. Si por que por razones laborales puede incrementar su lista de libros leídos. (hay relacion empleado =/= desempleado)

```{r}
ggplot(data = lectura, aes(x= Employement , y= How.many.books.did.you.read.during.last.12months., color= Employement))+ geom_boxplot()+theme_bw()
```
```{r}
anova <- aov(lectura$How.many.books.did.you.read.during.last.12months.~lectura$Employement)
summary(anova)
```
```{r}
0.000325 < 0
```
### Respuesta. Si existe diferencia entre alguno de los grupos segun tengan empleo o no.
https://pruebat.org/Inicio/ConSesion/Breves/verBreve/1404-por-que-cada-vez-hay-menos-lectores


## pregunta 6
¿Los ingresos son factor importante en el consumo de libros?

Ho. No ya que podemos consumir libros de manera digital o bien libros en otras fuentes. (variables independientes)
H1. Si puesto que no se pueden adquirir todos los libros deseados sin tener ingresos suficientes. (variables dependientes)

```{r}
tab <- table(lectura$Incomes, lectura$Read.any.e.books.during.last.12months., dnn = c("Si leyo libros durante el año","Ingresos"))
  tab
```
### Se ve que quienes tienen un ingreso de 100,00 por debajo de 150,000 dijeron haber leido algun libro al año diferencia que se contrapone con los que ganan menos de 10,000. Por tanto, desde aquí nos damos cuenta que los ingresos si son factor importante.


```{r}
mosaicplot(tab, main = deparse("Relacion entre leer libros y los ingresos"), color = c("orange","red","yellow","violet"))
```
```{r}
chisq.test(tab)
```

```{r}
2.2e-16 < 0.05
```
### Respuesta. Los ingresos si son un factor importante para el consumo de libros.
https://www.comunidadbaratz.com/blog/6-de-cada-10-personas-prefieren-leer-libros-en-papel/

## pregunta 7
¿Los audio libros son frecuentados por jovenes o personas mayores?

Ho. Por ambos de una manera equitativa.
H1. Por facilidad de uso y manejo asi que por personas mayores.

```{r}
tabLec <- table(lectura$Age, lectura$Read.any.audiobooks.during.last.12months., dnn = c("Edad","Respuesta si escucho algun audio libro en el a;o"))
  tabLec
```
```{r}
AgeAudB<- split(lectura$Age,lectura$Read.any.audiobooks.during.last.12months.)
hist(AgeAudB$Yes, col = "yellow")

mediaAudB <- mean(AgeAudB$Yes)
abline(v=mediaAudB,col="blue")

medianAudB <- median(AgeAudB$Yes)
abline(v=medianAudB,col="red")
```
```{r}
mediaAudB
```
```{r}
medianAudB
```

### Respuesta. Por personas mayores, segun nuestro grafico por personas entre los cuarenta y sesenta años mayoritariamente. Por tanto se rechaza la hipotesis nula, no hay equidad entre las edades y el hecho de escuchar audiolibros.
https://computerhoy.com/noticias/industria/quien-lee-mejor-dicho-escucha-audiolibros-espana-405851

## Pregunta 8.
De acuerdo a la pregunta anterior, habra normalidad en esos datos?

H0. Hay normalidad en los datos.
H1. No hay normalidad (existe sesgo).

```{r}
shapiro.test(AgeAudB$Yes)
```
```{r}
1.02e-05 < 0.05
```
### Respuesta 2. Al buscar si hay normalidad en estos datos, nos damos cuenta que no la hay. Existe un sesgo hacia la derecha, señalando una mayoria de este lado, lo que quiere decir es que las personas que dijeron que si escuchan audiolibros son de edades despues de los 40 en su mayoria. Aunque hay una baja significativa despues de los 60s. Por lo tanto, se rechaza la hipotesis nula.

## pregunta 9. 
Existe alguna diferencia entre los libros leidos de los casados con los solteros, y los divorciados?

H0. No hay diferencia
H1. Si hay diferencia en la media de cada grupo

```{r}
ggplot(data = lectura, aes(x= Marital.status. , y= How.many.books.did.you.read.during.last.12months., color= Marital.status.))+ geom_boxplot()+theme_bw()
```
```{r}
anova <- aov(lectura$How.many.books.did.you.read.during.last.12months.~lectura$Marital.status.)
summary(anova)
```
```{r}
0.221 < 0.05
```
### Respuesta.
se rechaza la hipotesis nula por que si existe una diferencia entre los lectores y su estado civil.
https://www.cronista.com/informacion-gral/Los-hombres-y-mujeres-casados-leen-menos-que-los-solteros-20120424-0052.html

## pregunta 10. 
Influye el nivel educativo con respecto a si una persona lee o no?.

H0. No influye, hay equidad en los grupos.
H1. Si influye, hay diferencia segun sea el nivel educativo.

```{r}
ggplot(data = lectura, aes(x= Education , y= How.many.books.did.you.read.during.last.12months., color= Education))+ geom_boxplot()+theme_bw()
```
```{r}
anova2 <- aov(lectura$How.many.books.did.you.read.during.last.12months.~lectura$Education)
summary(anova2)
```
```{r}
2e-16 < 0
```
### Respuesta.
Rechazamos la hipotesis nula y tomamos H1 por que si existe diferencia segun sea el nivel educativo.
https://www.inegi.org.mx/contenidos/saladeprensa/boletines/2020/EstSociodemo/MOLEC2019_04.pdf
http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S2218-36202018000300180#:~:text=Por%20grupos%20de%20edad%20las,por%20conocer%20sobre%20alg%C3%BAn%20tema.


## Pregunta 11. 
Los hombres leen mas el periodico que las mujeres?. Existe diferencia?

H0. No hay diferencia, la lectura de periodicos es independiente del genero 
H1. Si hay diferencia


```{r}
tabGen <- table(lectura$Sex, lectura$Do.you.happen.to.read.any.daily.news.or.newspapers., dnn = c("Lectura de periodicos","genero"))
  tabGen
```
```{r}
mosaicplot(tabGen, main = deparse("Relacion entre la lectura de periodicos y el genero"), color = c("yellow","violet"))
```
```{r}
chisq.test(tabGen)
```
```{r}
0.04675 < 0.05
```
### Respuesta.
No rechazamos H0 ya que no hay diferencia, la lectura de periodicos es independiente del genero.
https://www.merca20.com/el-37-por-ciento-de-las-personas-que-tienen-entre-25-a-34-lee-mas-el-periodico/


### Pregunta 12
¿Existe una diferencia en el habito de leer segun la etnia de la persona?

H0. No hay diferencia
H1. Existe una diferencia 

```{r}
ggplot(data = lectura, aes(x= Race , y= How.many.books.did.you.read.during.last.12months., color= Race))+ geom_boxplot()+theme_bw()
```
```{r}
anova3 <- aov(lectura$How.many.books.did.you.read.during.last.12months.~lectura$Race)
summary(anova3)
```
```{r}
2e-07 < 0
```
### Respuesta. 
Se afirma h1 por que si existe una diferencia. Se rechaza h0.
https://revistasum.umanizales.edu.co/ojs/index.php/plumillaeducativa/article/view/1962/2625

##pregunta 13
¿la edad es un factor importante en la lectura de revistas o diarios?

```{r}
tabMg <- table(lectura$Age, lectura$Do.you.happen.to.read.any.magazines.or.journals., dnn = c("Edad","Revistas o Diarios"))
  tabMg
```
```{r}
AgeRev<- split(lectura$Age,lectura$Do.you.happen.to.read.any.magazines.or.journals.)
hist(AgeRev$Yes, col = "orange")
mediaRev <- mean(AgeRev$Yes)
abline(v=mediaRev,col="blue")

medianRev <- median(AgeRev$Yes)
abline(v=medianRev,col="green")
```
```{r}
mediaRev

```
```{r}
medianRev
```
//según lo que encontre los jovenes leen más que los ancianos asi que no es un factor importante tambien. aqui te dejo el link de igual forma

https://lapiedradesisifo.com/2016/04/27/los-millennials-leen-mas-que-los-mayores-de-30-anos/


##pregunta 14
¿Según el tipo de empleo de la persona aumenta el consumo de los libros electronicos?

Ho= Son variables independientes una de la otra
(no hay relacion)
H1 = no son variables independientes (si hay relacion)

```{r}
tabE <- table(lectura$Employement, lectura$Read.any.e.books.during.last.12months., dnn = c("Eboks","Empleo"))
  tabE
```
```{r}
mosaicplot(tabE, main = deparse("Relacion entre leer libros electronicos y el empleo"), color = c("lightblue","pink","yellow","violet"))
```
### Se puede apreciar que hay mayor consumo de libros electronicos en personas que tienen un empleo a tiempo completo, asi que suponemos esto se debe a las facilidades que adquisicion de este tipo o modalidad de libros.

```{r}
chisq.test(tabE)
```
```{r}
5.428e-12 < 0.05
```
### Respuesta. De acuerdo a lo que se puede ver en el grafico y la prueba de chi cuadrado, podermos decir que el consumo de libros electronicos si esta relacionado con el estatus de empleo que se tenga; por lo tanto se rechaza la hipotesis nula. Respondiendo a nuestra pregunta principal tenemos: segun lo encontrado lo prefieren por la comodidad. adjunto link
http://www.revistaespacios.com/a18v39n43/a18v39n43p36.pdf

##pregunta 15
¿en base a la edad las personas prefieren leer solamente noticias en periodicos o diarios?

```{r}
tabP <- table(lectura$Age, lectura$Do.you.happen.to.read.any.daily.news.or.newspapers., dnn = c("Edad","Revistas o Diarios"))
  tabP
```
```{r}
AgePer<- split(lectura$Age,lectura$Do.you.happen.to.read.any.daily.news.or.newspapers.)
hist(AgePer$Yes, col = "pink")
mediaPer <- mean(AgePer$Yes)
abline(v=mediaPer,col="blue")

medianPer <- median(AgePer$Yes)
abline(v=medianPer,col="red")
```
```{r}
mediaPer
```
```{r}
medianPer
```

### Respuesta. por comodiad tambien.
https://www.larepublica.co/internet-economy/siete-de-cada-10-colombianos-aun-prefiere-leer-los-periodicos-impresos-2364096


## Serie de tiempo de las reseñas de los libros más vendidos de amazon desde el 2009 al 2020

```{r}
AmazonBooks <- read.csv("AmazonBooks - Sheet1.csv")
```

```{r}
best2 = ts(AmazonBooks$Reviews, start =  2009, end = 2020, frequency = 12)
best2
```
```{r}
autoplot(best2)+ 
  labs(title = "Serie de tiempo",
  x = "Reseñas",
  y = "dato",
colour = "#00a0dc")
theme_bw()
```
### Segun lo que podemos ver en la grafica hubo un periodo de mayor intesidad con respecto a las reseñas en el año 2012, y otro en el 2018, sin embargo los otros años se mantuvo de alguna forma estable y algo bajo el numero de reseñas escritas en Amazon.

## Descomposicion de serie de tiempo

```{r}
D <- decompose(best2, type = 'additive')

autoplot(D)+
  labs(title= "Descomposicion de la serie de tiempo", 
     x= "tiempo",
     y = "dato",
     colour = "Gears")+
  theme_bw()
```
### Tendencia

```{r}
autoplot(best2, series="Serie tiempo") + 
    autolayer(trendcycle(D), series="Tendencia") +
    labs(title = "Serie de tiempo",      
       x = "Tiempo",
       y = "Valor"
       ) + 
    theme_bw()
```
### Para ver estacionalidad 

```{r}
ggseasonplot(best2)
```
## Pronostico de la Serie de Tiempo

### Método holt winters

```{r}
# elaborando el pronostico
most <- hw(best2, h=24, seasonal = 'additive')

```

```{r}
# graficando el pronóstico
autoplot(most)
```

```{r}
# verificando el ajuste del método
autoplot(most)+autolayer(fitted(most), series="Ajuste")
```

```{r}
# verificando los residuales
checkresiduals(most)
```


### Método Arima

```{r}
# elaborando el modelo ARIMA
modeloAr <- auto.arima(best2)

```

```{r}
# elaborando el pronostico
most2 <- forecast(modeloAr, h=24)
```

```{r}
# graficando el pronóstico
autoplot(most2)

```

```{r}
# verificando el ajuste del método
autoplot(most2)+autolayer(fitted(most2), series="Ajuste")
```

```{r}
# verificando los residuales
checkresiduals(most2)
```

##adjuntamos links sobre el porque amazon hace reseñas sobre sus productos.
https://sellercentral.amazon.com.mx/gp/help/external/201972160?language=es_MX&ref=efph_201972160_cont_201972140#:~:text=Amazon%20muestra%20las%20rese%C3%B1as%20de,hora%20de%20comprar%20un%20producto.

https://sellercentral.amazon.es/gp/help/external/201972160?language=es_ES&ref=efph_201972160_cont_201972140