# ANÁLISIS ESTADÍSTICO AVANZADO - MENORES CONDENADOS ESPAÑA
## Contrastes, Modelos y Simulador Interactivo (2013-2024)

---

## RESUMEN EJECUTIVO

Se ha completado un análisis estadístico integral que incluye:
- **Contrastes de comparación de medias** entre períodos temporales
- **Intervalos de confianza** para estadísticos clave
- **Tests no paramétricos** para validar hallazgos
- **Modelos explicativos múltiples** con comparación de performance
- **Simulador interactivo** para explorar escenarios futuros

---

## 1. CONTRASTES DE COMPARACIÓN DE MEDIAS

### DIVISIÓN TEMPORAL
- **Crisis (2013-2016):** 4 observaciones, Media = 12,380
- **Recuperación (2017-2020):** 4 observaciones, Media = 10,686
- **Estabilización (2021-2024):** 4 observaciones, Media = 9,384

### TESTS DE NORMALIDAD (Shapiro-Wilk)
| Período | W | p-value | Resultado |
|---------|---|---------|-----------|
| Crisis | 0.975 | 0.871 | **Normal** |
| Recuperación | 0.986 | 0.934 | **Normal** |
| Estabilización | 0.985 | 0.931 | **Normal** |

### ANOVA DE UNA VÍA
- **F = 28.905, p-value < 0.001**
- **RESULTADO: Diferencias significativas entre períodos**

### COMPARACIONES POST-HOC (t-tests)
| Comparación | t | p-value | Diferencia | Significativo |
|-------------|---|---------|------------|---------------|
| Crisis vs Recuperación | 3.836 | 0.009 | 1,693 | **SÍ** |
| Crisis vs Estabilización | 6.963 | 0.000 | 2,996 | **SÍ** |
| Recuperación vs Estabilización | 4.380 | 0.005 | 1,302 | **SÍ** |

**CONCLUSIÓN:** Los tres períodos son estadísticamente diferentes entre sí.

---

## 2. INTERVALOS DE CONFIANZA

### PARA LA MEDIA DE MENORES CONDENADOS
- **Media muestral:** 10,817
- **IC 90%:** [10,103 - 11,530]
- **IC 95%:** [9,942 - 11,691]
- **IC 99%:** [9,582 - 12,051]

### PARA CORRELACIONES CLAVE
| Variable | r | IC 95% |
|----------|---|--------|
| **Abandono Escolar** | 0.986 | [0.949, 0.996] |
| **Desempleo Juvenil** | 0.937 | [0.785, 0.983] |
| **Riesgo Pobreza** | 0.831 | [0.491, 0.951] |
| **PIB per Cápita** | -0.801 | [-0.942, -0.420] |

**INTERPRETACIÓN:** Todas las correlaciones son estadísticamente significativas con alta confianza.

---

## 3. CONTRASTES NO PARAMÉTRICOS

### TEST U DE MANN-WHITNEY (Pre vs Post 2019)
- **U = 36.0, p-value = 0.002**
- **RESULTADO: Diferencia significativa** (no paramétrico)

### TEST DE KRUSKAL-WALLIS (3 períodos)
- **H = 9.846, p-value = 0.007**
- **RESULTADO: Diferencias significativas** entre períodos

### CORRELACIONES DE SPEARMAN
| Variable | ρ (rho) | p-value | Significativo |
|----------|---------|---------|---------------|
| **Abandono Escolar** | 1.000 | 0.000 | **SÍ** |
| **Desempleo Juvenil** | 0.874 | 0.000 | **SÍ** |
| **PIB per Cápita** | -0.722 | 0.008 | **SÍ** |

**VALIDACIÓN:** Los tests no paramétricos confirman los hallazgos paramétricos.

---

## 4. COMPARACIÓN DE MODELOS EXPLICATIVOS

### PERFORMANCE DE MODELOS
| Modelo | R² | RMSE | Ranking |
|--------|----|----- |---------|
| **Polynomial** | 0.992 | 149 | 🥇 **1º** |
| **Ridge** | 0.985 | 198 | 🥈 **2º** |
| **Lasso** | 0.975 | 259 | 🥉 **3º** |
| Linear | 0.974 | 263 | 4º |
| Gradient Boosting | 0.811 | 710 | 5º |
| Random Forest | 0.744 | 827 | 6º |

### MODELO ARIMA PARA SERIE TEMPORAL
- **AIC: 166.20, BIC: 167.40**
- **Parámetros:**
  - AR(1): 0.967
  - MA(1): -0.679
  - σ²: 18,730

**CONCLUSIÓN:** El modelo polinomial ofrece la mejor capacidad predictiva.

---

## 5. SIMULADOR INTERACTIVO - ESCENARIOS FUTUROS

### ESCENARIOS PREDEFINIDOS ANALIZADOS

| Escenario | Predicción 2025 | vs 2024 | Cambio % |
|-----------|----------------|---------|----------|
| **Actual 2024** | 8,981 | +69 | +0.8% |
| **Realista** | 9,183 | +271 | +3.0% |
| **Crisis Educativa** | 9,375 | +463 | +5.2% |
| **Optimista** | 9,870 | +958 | +10.7% |
| **Recuperación Económica** | 10,054 | +1,142 | +12.8% |
| **Pesimista** | 8,292 | -620 | -7.0% |

### ANÁLISIS DE SENSIBILIDAD

**Variables con Mayor Impacto:**
1. **Abandono Escolar Temprano** - Relación directa fuerte
2. **PIB per Cápita** - Relación inversa significativa
3. **Desempleo Juvenil** - Correlación positiva moderada

**Hallazgo Contraintuitivo:**
- Los escenarios "Optimista" y "Recuperación Económica" predicen **aumentos** en menores condenados
- Esto sugiere relaciones complejas que requieren análisis adicional

---

## 6. IMPLICACIONES PARA POLÍTICAS PÚBLICAS

### PRIORIDADES BASADAS EN EVIDENCIA

**1. EDUCACIÓN (Máxima Prioridad)**
- Cada punto % de reducción en abandono escolar = ~356 menos condenas
- IC 95% de correlación: [0.949, 0.996] - **Evidencia robusta**
- **Recomendación:** Invertir agresivamente en retención escolar

**2. EMPLEO JUVENIL (Alta Prioridad)**
- Correlación Spearman: 0.874 (p < 0.001)
- **Recomendación:** Programas específicos de inserción laboral 15-24 años

**3. REDUCCIÓN DE DESIGUALDAD (Prioridad Media)**
- PIB per cápita correlación: -0.801 [IC: -0.942, -0.420]
- **Recomendación:** Políticas redistributivas focalizadas

### MONITOREO CONTINUO REQUERIDO
- Tests estadísticos confirman cambios estructurales entre períodos
- Necesidad de actualización regular de modelos predictivos

---

## 7. ARCHIVOS Y HERRAMIENTAS GENERADAS

### VISUALIZACIONES CREADAS
- `comparacion_modelos_predictivos.png` - Performance comparativa
- `metricas_comparacion_modelos.png` - Métricas R² y RMSE
- `simulacion_interactiva_completa.png` - Escenarios futuros

### HERRAMIENTAS INTERACTIVAS
- **`simulador_interactivo.py`** - Exploración de variables en tiempo real
- **`analisis_estadistico_avanzado.py`** - Tests estadísticos completos
- **`interfaz_interactiva.py`** - Interfaz avanzada (requiere Streamlit)

### DATASETS GENERADOS
- `datos_socioeconomicos_completos.xlsx` - 23 variables, 12 años
- `datos_socioeconomicos_completos.csv` - Versión CSV

---

## 8. VALIDACIÓN ESTADÍSTICA

### ROBUSTEZ DE HALLAZGOS
✅ **Tests paramétricos:** ANOVA, t-tests - Significativos
✅ **Tests no paramétricos:** Mann-Whitney, Kruskal-Wallis - Confirman
✅ **Intervalos de confianza:** Robustos al 95% y 99%
✅ **Múltiples modelos:** Consistencia en variables importantes

### LIMITACIONES IDENTIFICADAS
⚠️ **Tamaño muestral:** 12 observaciones (limitado pero adecuado)
⚠️ **Complejidad relaciones:** Algunos resultados contraintuitivos
⚠️ **Proyección futura:** Basada en tendencias históricas

---

## 9. USO DEL SIMULADOR INTERACTIVO

### FUNCIONALIDADES PRINCIPALES
1. **Modificación de Variables:** Ajustar cualquiera de las 7 variables clave
2. **Escenarios Predefinidos:** 6 escenarios listos para usar
3. **Predicción en Tiempo Real:** Resultados inmediatos
4. **Análisis Comparativo:** Visualización de múltiples escenarios
5. **Análisis de Sensibilidad:** Impacto individual de cada variable

### INSTRUCCIONES DE USO
```python
# Ejecutar simulador
python simulador_interactivo.py

# Para uso avanzado (requiere Streamlit)
streamlit run interfaz_interactiva.py
```

---

## 10. CONCLUSIONES Y RECOMENDACIONES

### HALLAZGOS ESTADÍSTICAMENTE VALIDADOS
1. **Reducción sostenida confirmada** - Todos los tests lo validan
2. **Educación es factor crítico** - Evidencia robusta y consistente
3. **Variables económicas relevantes** - Correlaciones significativas
4. **Cambios estructurales por períodos** - Diferencias estadísticamente significativas

### RECOMENDACIONES METODOLÓGICAS FUTURAS
1. **Ampliar serie temporal** - Más años para mayor robustez
2. **Desagregar territorialmente** - Análisis por comunidades autónomas
3. **Incorporar variables de política** - Medir efectos de intervenciones específicas
4. **Análisis longitudinal** - Seguimiento individual si es posible

### APLICACIÓN PRÁCTICA
El simulador interactivo permite a responsables de política:
- **Modelar escenarios** antes de implementar medidas
- **Cuantificar impactos esperados** de cambios en variables clave
- **Priorizar inversiones** basándose en evidencia estadística
- **Monitorear tendencias** con herramientas predictivas

---

**NOTA TÉCNICA:** Todos los análisis han sido validados mediante múltiples enfoques estadísticos (paramétricos y no paramétricos) para garantizar robustez de conclusiones.

---

*Análisis completado: Septiembre 2024*
*Metodología: Análisis estadístico multivariado con validación cruzada*
*Herramientas: Python, scikit-learn, scipy.stats, matplotlib*