TrabajoPracticoInferencia
HugoAquino
2023-04-08
SELECCIONAMOS Y GUARDAMOS LAS BASES DE DATOS A TRABAJAR(EPH 2019)
# Guardamos el enlace de descarga de la base de datos de la EPH 2019
eph.2019 = "https://www.ine.gov.py/datos/encuestas/eph/Poblacion/EPH-2019/data/4edb7reg02_ephc2019.csv"
# Guardamos los datos de la EPH 2019 en el objeto data.eph.2019
data.eph.2019 = read.csv(eph.2019,sep = ";",header = T)
# Guardamos el enlace de descarga de la base de datos de la EPH 2020
eph.2020 = "https://www.ine.gov.py/datos/encuestas/eph/Poblacion/EPH-2020/data/55f07reg02_ephc2020.csv"
data.eph.2020 = read.csv(eph.2020,sep = ";",header = T)1. SELECCIÓN DE VARIABLE DE LA EPH SERIE COMPARABLE.
# Visualizamos los nombres de las variables en data.eph.2019
names(data.eph.2019)## [1] "UPM" "NVIVI" "NHOGA" "DPTOREP" "AREA" "L02"
## [7] "P02" "P03" "P04" "P04A" "P04B" "P05C"
## [13] "P05P" "P05M" "P06" "P08D" "P08M" "P08A"
## [19] "P09" "P10A" "P10AB" "P10Z" "P11A" "P11AB"
## [25] "P11Z" "P12" "A01" "A01A" "A02" "A03"
## [31] "A04" "A04A" "A05" "A07" "A08" "A10"
## [37] "A11A" "A11M" "A11S" "A12" "A13REC" "A14REC"
## [43] "A15" "A16" "A17A" "A17M" "A17S" "A18"
## [49] "B01REC" "B02REC" "B03LU" "B03MA" "B03MI" "B03JU"
## [55] "B03VI" "B03SA" "B03DO" "B04" "B05" "B06"
## [61] "B07A" "B07M" "B07S" "B08" "B09A" "B09M"
## [67] "B09S" "B10" "B11" "B12" "B12A" "B12B"
## [73] "B12C" "B13" "B14" "B15" "B16G" "B16U"
## [79] "B16D" "B16T" "B17" "B18AG" "B18AU" "B18BG"
## [85] "B18BU" "B19" "B20G" "B20U" "B20D" "B20T"
## [91] "B21" "B22" "B23" "B24" "B25" "B26"
## [97] "B271" "B272" "B28" "B29" "B30" "B31"
## [103] "C01REC" "C02REC" "C03" "C04" "C05" "C06"
## [109] "C07" "C08" "C09" "C101" "C102" "C11G"
## [115] "C11U" "C11D" "C11T" "C12" "C13AG" "C13AU"
## [121] "C13BG" "C13BU" "C14" "C14A" "C14B" "C14C"
## [127] "C15" "C16REC" "C17REC" "C18" "C18A" "C18B"
## [133] "C19" "D01" "D02" "D03" "D04" "D05"
## [139] "E01A" "E01B" "E01C" "E01D" "E01E" "E01F"
## [145] "E01G" "E01H" "E01I" "E01J" "E01K" "E01L"
## [151] "E01M" "ED01" "ED02" "ED03" "ED0504" "ED06C"
## [157] "ED08" "ED09" "ED10" "ED11B1" "ED11B2" "ED11B3"
## [163] "ED11B4" "ED11B5" "ED11B6" "ED11B7" "ED11B8" "ED11B9"
## [169] "ED11C1" "ED11D1" "ED11E1" "ED11F1" "ED11F1A" "ED11F1B"
## [175] "ED11G1" "ED11G1A" "ED11G1B" "ED11H1" "ED11H1A" "ED11H1B"
## [181] "ED12" "ED13" "ED14" "ED14A" "ED15" "S01A"
## [187] "S01B" "S02" "S03" "S04" "S05" "S06"
## [193] "S07" "S08" "S09" "CATE_PEA" "TAMA_PEA" "OCUP_PEA"
## [199] "RAMA_PEA" "HORAB" "HORABC" "HORABCO" "PEAD" "PEAA"
## [205] "TIPOHOGA" "FEX" "NJEF" "NCON" "NPAD" "NMAD"
## [211] "TIC01" "TIC02" "TIC03" "TIC0401" "TIC0402" "TIC0403"
## [217] "TIC0404" "TIC0405" "TIC0406" "TIC0407" "TIC0408" "TIC0409"
## [223] "TIC0501" "TIC0502" "TIC0503" "TIC0504" "TIC0505" "TIC0506"
## [229] "TIC0507" "TIC0508" "TIC0509" "TIC0510" "TIC0511" "TIC0512"
## [235] "TIC0513" "TIC06" "añoest" "ra06ya09" "e01aimde" "e01bimde"
## [241] "e01cimde" "e01dde" "e01ede" "e01fde" "e01gde" "e01hde"
## [247] "e01ide" "e01jde" "e01kde" "e01lde" "e01mde" "e01kjde"
## [253] "e02bde" "ipcm" "pobrezai" "pobnopoi" "quintili" "decili"
## [259] "quintiai" "decilai"2. ETIQUETADO O CATEGORIZACIÓN.
data.eph.2019.fila <- subset(data.eph.2019, A03!=9,select = c(P06,A03,P02))
#
summary(data.eph.2019.fila)## P06 A03 P02
## Min. :1.000 Min. :1.00 Min. : 10.00
## 1st Qu.:1.000 1st Qu.:6.00 1st Qu.: 14.00
## Median :6.000 Median :6.00 Median : 23.00
## Mean :4.253 Mean :5.98 Mean : 34.11
## 3rd Qu.:6.000 3rd Qu.:6.00 3rd Qu.: 54.00
## Max. :6.000 Max. :6.00 Max. :106.00#
data.eph.2019.fila$Sexo <- factor(data.eph.2019.fila$P06, labels = c("Hombres","Mujeres"))
#
data.eph.2019.fila$Trabaja <- factor(data.eph.2019.fila$A03, labels = c("Si","No"))
summary(data.eph.2019.fila)## P06 A03 P02 Sexo Trabaja
## Min. :1.000 Min. :1.00 Min. : 10.00 Hombres:2085 Si: 24
## 1st Qu.:1.000 1st Qu.:6.00 1st Qu.: 14.00 Mujeres:3881 No:5942
## Median :6.000 Median :6.00 Median : 23.00
## Mean :4.253 Mean :5.98 Mean : 34.11
## 3rd Qu.:6.000 3rd Qu.:6.00 3rd Qu.: 54.00
## Max. :6.000 Max. :6.00 Max. :106.003. ESTUDIO DE LAS VARIABLES MEDIANTE ESTADÍSTICAS DESCRIPTIVAS Y GRÁFICAS.
# Tabla de frecuencia absoluta
tabla.sexo.trabaja <- xtabs(~Sexo+Trabaja,data = data.eph.2019.fila)
tabla.sexo.trabaja## Trabaja
## Sexo Si No
## Hombres 5 2080
## Mujeres 19 3862# Tabla de frecuencia relativa (proporciones)
tabla.sexo.trabaja_prop <- prop.table(tabla.sexo.trabaja,margin = 1)
addmargins(tabla.sexo.trabaja_prop,margin = 2)## Trabaja
## Sexo Si No Sum
## Hombres 0.002398082 0.997601918 1.000000000
## Mujeres 0.004895645 0.995104355 1.000000000# Grafico de barras para frecuencia absoluta
barplot(t(tabla.sexo.trabaja), beside = T, legend.text = T)
# Grafico de barras para frecuencia relativa (proporciones)
barplot(t(prop.table(tabla.sexo.trabaja,margin = 1)), beside = T, legend.text = T)
La estadística descriptiva sugiere La proporción de hombres que trabajaron Durante los últimos 7 días. ¿Trabajó al menos 1 hora, por cuenta propia, como patrón o empleado en una empresa o negocio no agropecuaria o al menos 7 horas en la chacra o en el cuidado de sus animales? no es mayor que la de mujeres que Durante los últimos 7 días. ¿Trabajó al menos 1 hora, por cuenta propia, como patrón o empleado en una empresa o negocio no agropecuaria o al menos 7 horas en la chacra o en el cuidado de sus animales?. Esto es lo que vamos a considerar para plantear las hipótesis.
4. FORMULACIÓN DE LA HIPÓTESIS.
4.1 DESCRIPCION CONTEXTUAL DE LAS HIPOTESIS NULA Y ALTERNATIVA.
###\(H_0:\) La proporción de hombres que trabajaron Durante los últimos 7 días. ¿Trabajó al menos 1 hora, por cuenta propia, como patrón o empleado en una empresa o negocio no agropecuaria o al menos 7 horas en la chacra o en el cuidado de sus animales? no es mayor que la de mujeres que Durante los últimos 7 días. ¿Trabajó al menos 1 hora, por cuenta propia, como patrón o empleado en una empresa o negocio no agropecuaria o al menos 7 horas en la chacra o en el cuidado de sus animales?.
###\(H_1:\) La proporción de hombres que La proporción de hombres que trabajaron Durante los últimos 7 días. ¿Trabajó al menos 1 hora, por cuenta propia, como patrón o empleado en una empresa o negocio no agropecuaria o al menos 7 horas en la chacra o en el cuidado de sus animales? es mayor que la de mujeres que Durante los últimos 7 días. ¿Trabajó al menos 1 hora, por cuenta propia, como patrón o empleado en una empresa o negocio no agropecuaria o al menos 7 horas en la chacra o en el cuidado de sus animales?
#Utilizaremos la distribución muestral de diferencia de proporciones para contrastar las hipótesis.4.2 PRUEBAS ESTADÍSTICAS.
Aquí realizamos los Criterios de decisión
Para un \(\alpha=0,05\), si \(z\le 1,645\) no se rechaza la \(H_0\).
Para un \(\alpha=0,05\), si \(z > 1,645\) se rechaza la \(H_0\).
Utilizando la estadística z
x_H <- tabla.sexo.trabaja[1,1]
x_H## [1] 5x_M <- tabla.sexo.trabaja[2,1]
x_M## [1] 19n_H <- sum(tabla.sexo.trabaja[1,])
n_H## [1] 2085n_M <- sum(tabla.sexo.trabaja[2,])
n_M## [1] 3881pest_H = tabla.sexo.trabaja_prop[1,1]
pest_H## [1] 0.002398082pest_M = tabla.sexo.trabaja_prop[2,1]
pest_M## [1] 0.004895645pest_gral <- (x_H+x_M)/(n_H+n_M)
pest_gral## [1] 0.004022796Calculamos el valor de z
z <- (pest_H-pest_M)/sqrt(pest_gral*(1-pest_gral)*(1/n_H+1/n_M))
z## [1] -1.453152Observamos que el valor de \(z es -1.453152, menor a 1.645\). Por tanto, NSRH0 la \(H_0\), esto significa que no existe evidencia estadística para afirmar que la proporción de hombres que trabajaron Durante los últimos 7 días. ¿Trabajó al menos 1 hora, por cuenta propia, como patrón o empleado en una empresa o negocio no agropecuaria o al menos 7 horas en la chacra o en el cuidado de sus animales? es mayor que la de mujeres que trabajaron Durante los últimos 7 días. ¿Trabajó al menos 1 hora, por cuenta propia, como patrón o empleado en una empresa o negocio no agropecuaria o al menos 7 horas en la chacra o en el cuidado de sus animales?
Utilizando el p valor:
Criterios de decisión para nuestro p valor
-Para un \(\alpha=0,05\), si \(p_{valor} > 0,05\) no se rechaza la \(H_0\).
-Para un \(\alpha=0,05\), si \(p_{valor} \le 0,05\) se rechaza la \(H_0\).
prop.test(tabla.sexo.trabaja, alternative = "greater") #Prueba unilateral derecha##
## 2-sample test for equality of proportions with continuity correction
##
## data: tabla.sexo.trabaja
## X-squared = 1.5343, df = 1, p-value = 0.8923
## alternative hypothesis: greater
## 95 percent confidence interval:
## -0.005415815 1.000000000
## sample estimates:
## prop 1 prop 2
## 0.002398082 0.004895645# o chi
chisq.test(tabla.sexo.trabaja) # prueba bilateral ##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: tabla.sexo.trabaja
## X-squared = 1.5343, df = 1, p-value = 0.2155Como la prueba estadística arrojó un pvalor igual a 0.2155, entonces no rechazamos la hipótesis nula, con lo cual decimos que no existe evidencia estadística para rechazar nuestra hipótesis nula. O sea que no existe evidencia para afirmar que la proporción de hombres que trabajaron los últimos 7 días es mayor que la de mujeres que trabajaron Durante los últimos 7 días. ¿Trabajó al menos 1 hora, por cuenta propia, como patrón o empleado en una empresa o negocio no agropecuaria o al menos 7 horas en la chacra o en el cuidado de sus animales?
CONCLUSIÓN1:
Hemos tomado las variables de nuestra base de datos de la EPH año 2019 Con la etiqueta ¨A03¨ que registra las personas que durante los últimos 7 días. ¿Trabajó al menos 1 hora, por cuenta propia, como patrón o empleado en una empresa o negocio no agropecuaria o al menos 7 horas en la chacra o en el cuidado de sus animales?, la etiqueta ¨P02 que equivale¨ a la edad de las personas y ¨P06¨ que equivale al sexo de las personas en estudio. Hemos contrastado nuestra hipótesias mediante dos métodos, la prueba z y el P valor, obteniendo en los dos el mismo resultado de no rechazo de la hipótesis nula.
Ahora realizo una réplica exacta para el año 2020 con la intención de comparar si prosigue el mismo comportamiento o no.
1. SELECCIÓN DE VARIABLE DE LA EPH SERIE COMPARABLE.
# Visualizamos los nombres de las variables en data.eph.2019
names(data.eph.2020)## [1] "UPM" "NVIVI"
## [3] "NHOGA" "DPTOREP"
## [5] "AREA" "L02"
## [7] "P02" "P03"
## [9] "P04" "P04A"
## [11] "P04B" "P05C"
## [13] "P05P" "P05M"
## [15] "P06" "P08D"
## [17] "P08M" "P08A"
## [19] "P09" "P10A"
## [21] "P10AB" "P10Z"
## [23] "P11A" "P11AB"
## [25] "P11Z" "P12"
## [27] "A01" "A01A"
## [29] "A02" "A03"
## [31] "A04" "A04B"
## [33] "A04A" "A05"
## [35] "A07" "A08"
## [37] "A10" "A11A"
## [39] "A11M" "A11S"
## [41] "A12" "A13REC"
## [43] "A14REC" "A15"
## [45] "A16" "A17A"
## [47] "A17M" "A17S"
## [49] "A18" "A18A"
## [51] "B01REC" "B02REC"
## [53] "B03LU" "B03MA"
## [55] "B03MI" "B03JU"
## [57] "B03VI" "B03SA"
## [59] "B03DO" "B04"
## [61] "B05" "B05A"
## [63] "B06" "B07A"
## [65] "B07M" "B07S"
## [67] "B08" "B09A"
## [69] "B09M" "B09S"
## [71] "B10" "B11"
## [73] "B12" "B12A"
## [75] "B12B" "B12C"
## [77] "B13" "B14"
## [79] "B15" "B16G"
## [81] "B16U" "B16D"
## [83] "B16T" "B17"
## [85] "B18AG" "B18AU"
## [87] "B18BG" "B18BU"
## [89] "B19" "B20G"
## [91] "B20U" "B20D"
## [93] "B20T" "B21"
## [95] "B22" "B23"
## [97] "B24" "B25"
## [99] "B26" "B271"
## [101] "B272" "B28"
## [103] "B29" "B30"
## [105] "B31" "C01REC"
## [107] "C02REC" "C03"
## [109] "C04" "C05"
## [111] "C06" "C07"
## [113] "C08" "C09"
## [115] "C101" "C102"
## [117] "C11G" "C11U"
## [119] "C11D" "C11T"
## [121] "C12" "C13AG"
## [123] "C13AU" "C13BG"
## [125] "C13BU" "C14"
## [127] "C14A" "C14B"
## [129] "C14C" "C15"
## [131] "C16REC" "C17REC"
## [133] "C18" "C18A"
## [135] "C18B" "C19"
## [137] "D01" "D02"
## [139] "D03" "D04"
## [141] "D05" "E01A"
## [143] "E01B" "E01C"
## [145] "E01D" "E01E"
## [147] "E01F" "E01G"
## [149] "E01H" "E01I"
## [151] "E01J" "E01K"
## [153] "E01L" "E01M"
## [155] "E02C1" "E02D1"
## [157] "E02D2" "E02B"
## [159] "E02G1" "E02G2"
## [161] "E02F" "ED01"
## [163] "ED02" "ED03"
## [165] "ED0504" "ED06C"
## [167] "ED08" "ED09"
## [169] "ED10" "ED11F1"
## [171] "ED11F1A" "ED11GH1"
## [173] "ED11GH1A" "ED12"
## [175] "ED13" "ED14"
## [177] "ED14A" "ED15"
## [179] "S01A" "S01B"
## [181] "S02" "S03"
## [183] "S03A" "S03B"
## [185] "S03C" "S04"
## [187] "S05" "S06"
## [189] "S07" "S08"
## [191] "S09" "CATE_PEA"
## [193] "TAMA_PEA" "OCUP_PEA"
## [195] "RAMA_PEA" "HORAB"
## [197] "HORABC" "HORABCO"
## [199] "PEAD" "PEAA"
## [201] "informalidad" "TIPOHOGA"
## [203] "FEX" "NJEF"
## [205] "NCON" "NPAD"
## [207] "NMAD" "TIC01"
## [209] "TIC02" "TIC03"
## [211] "TIC0401" "TIC0402"
## [213] "TIC0403" "TIC0404"
## [215] "TIC0405" "TIC0406"
## [217] "TIC0407" "TIC0408"
## [219] "TIC0409" "TIC0501"
## [221] "TIC0502" "TIC0503"
## [223] "TIC0504" "TIC0505"
## [225] "TIC0506" "TIC0507"
## [227] "TIC0508" "TIC0509"
## [229] "TIC0510" "TIC0511"
## [231] "TIC0512" "TIC0513"
## [233] "TIC06" "TIC07"
## [235] "añoest" "ra06ya09"
## [237] "e01aimde" "e01bimde"
## [239] "e01cimde" "e01dde"
## [241] "e01ede" "e01fde"
## [243] "e01gde" "e01hde"
## [245] "e01ide" "e01jde"
## [247] "e01kde" "e01lde"
## [249] "e01mde" "e01kjde"
## [251] "e02bde" "ingrevasode"
## [253] "ingreñangarekode" "ingrepytyvõde"
## [255] "ingresect_privadode" "ingreadicional_tekoporãde"
## [257] "otroingre_subside" "ipcm"
## [259] "pobrezai" "pobnopoi"
## [261] "quintili" "decili"
## [263] "quintiai" "decilai"2. ETIQUETADO O CATEGORIZACIÓN.
data.eph.2020.fila <- subset(data.eph.2020, A03!=9,select = c(P06,A03,P02))
#
summary(data.eph.2020.fila)## P06 A03 P02
## Min. :1.000 Min. :1.00 Min. : 10.00
## 1st Qu.:1.000 1st Qu.:6.00 1st Qu.: 15.00
## Median :6.000 Median :6.00 Median : 24.00
## Mean :4.223 Mean :5.98 Mean : 34.56
## 3rd Qu.:6.000 3rd Qu.:6.00 3rd Qu.: 55.00
## Max. :6.000 Max. :6.00 Max. :101.00#
data.eph.2020.fila$Sexo <- factor(data.eph.2020.fila$P06, labels = c("Hombres","Mujeres"))
#
data.eph.2020.fila$Trabaja <- factor(data.eph.2020.fila$A03, labels = c("Si","No"))
summary(data.eph.2020.fila)## P06 A03 P02 Sexo Trabaja
## Min. :1.000 Min. :1.00 Min. : 10.00 Hombres:2164 Si: 24
## 1st Qu.:1.000 1st Qu.:6.00 1st Qu.: 15.00 Mujeres:3925 No:6065
## Median :6.000 Median :6.00 Median : 24.00
## Mean :4.223 Mean :5.98 Mean : 34.56
## 3rd Qu.:6.000 3rd Qu.:6.00 3rd Qu.: 55.00
## Max. :6.000 Max. :6.00 Max. :101.003. ESTUDIO DE LAS VARIABLES MEDIANTE ESTADÍSTICAS DESCRIPTIVAS Y GRÁFICAS.
# Tabla de frecuencia absoluta
tabla.sexo.trabaja <- xtabs(~Sexo+Trabaja,data = data.eph.2020.fila)
tabla.sexo.trabaja## Trabaja
## Sexo Si No
## Hombres 10 2154
## Mujeres 14 3911# Tabla de frecuencia relativa (proporciones)
tabla.sexo.trabaja_prop <- prop.table(tabla.sexo.trabaja,margin = 1)
addmargins(tabla.sexo.trabaja_prop,margin = 2)## Trabaja
## Sexo Si No Sum
## Hombres 0.004621072 0.995378928 1.000000000
## Mujeres 0.003566879 0.996433121 1.000000000# Grafico de barras para frecuencia absoluta
barplot(t(tabla.sexo.trabaja), beside = T, legend.text = T)
# Grafico de barras para frecuencia relativa (proporciones)
barplot(t(prop.table(tabla.sexo.trabaja,margin = 1)), beside = T, legend.text = T)
La estadística descriptiva sugiere La proporción de hombres que trabajaron Durante los últimos 7 días. ¿Trabajó al menos 1 hora, por cuenta propia, como patrón o empleado en una empresa o negocio no agropecuaria o al menos 7 horas en la chacra o en el cuidado de sus animales? es mayor que la de mujeres que Durante los últimos 7 días. ¿Trabajó al menos 1 hora, por cuenta propia, como patrón o empleado en una empresa o negocio no agropecuaria o al menos 7 horas en la chacra o en el cuidado de sus animales?. Esto es lo que vamos a considerar para plantear las hipótesis.
4. FORMULACIÓN DE LA HIPÓTESIS.
4.1 DESCRIPCION CONTEXTUAL DE LAS HIPOTESIS NULA Y ALTERNATIVA.
###\(H_0:\) La proporción de hombres que trabajaron Durante los últimos 7 días. ¿Trabajó al menos 1 hora, por cuenta propia, como patrón o empleado en una empresa o negocio no agropecuaria o al menos 7 horas en la chacra o en el cuidado de sus animales? es mayor que la de mujeres que Durante los últimos 7 días. ¿Trabajó al menos 1 hora, por cuenta propia, como patrón o empleado en una empresa o negocio no agropecuaria o al menos 7 horas en la chacra o en el cuidado de sus animales?.
###\(H_1:\) La proporción de hombres que La proporción de hombres que trabajaron Durante los últimos 7 días. ¿Trabajó al menos 1 hora, por cuenta propia, como patrón o empleado en una empresa o negocio no agropecuaria o al menos 7 horas en la chacra o en el cuidado de sus animales? NO es mayor que la de mujeres que Durante los últimos 7 días. ¿Trabajó al menos 1 hora, por cuenta propia, como patrón o empleado en una empresa o negocio no agropecuaria o al menos 7 horas en la chacra o en el cuidado de sus animales?
#Utilizaremos la distribución muestral de diferencia de proporciones para contrastar las hipótesis.4.2 PRUEBAS ESTADÍSTICAS.
Aquí realizamos los Criterios de decisión
Para un \(\alpha=0,05\), si \(z\le 1,645\) no se rechaza la \(H_0\).
Para un \(\alpha=0,05\), si \(z > 1,645\) se rechaza la \(H_0\).
Utilizando la estadística z
x_H <- tabla.sexo.trabaja[1,1]
x_H## [1] 10x_M <- tabla.sexo.trabaja[2,1]
x_M## [1] 14n_H <- sum(tabla.sexo.trabaja[1,])
n_H## [1] 2164n_M <- sum(tabla.sexo.trabaja[2,])
n_M## [1] 3925pest_H = tabla.sexo.trabaja_prop[1,1]
pest_H## [1] 0.004621072pest_M = tabla.sexo.trabaja_prop[2,1]
pest_M## [1] 0.003566879pest_gral <- (x_H+x_M)/(n_H+n_M)
pest_gral## [1] 0.003941534Calculamos el valor de z
z <- (pest_H-pest_M)/sqrt(pest_gral*(1-pest_gral)*(1/n_H+1/n_M))
z## [1] 0.6283775Observamos que el valor de \(z es 0.6283775, menor a 1.645\). Por tanto, NSRH0 la \(H_0\), esto significa que existe evidencia estadística para afirmar que la proporción de hombres que trabajaron Durante los últimos 7 días. ¿Trabajó al menos 1 hora, por cuenta propia, como patrón o empleado en una empresa o negocio no agropecuaria o al menos 7 horas en la chacra o en el cuidado de sus animales? es mayor que la de mujeres que trabajaron Durante los últimos 7 días. ¿Trabajó al menos 1 hora, por cuenta propia, como patrón o empleado en una empresa o negocio no agropecuaria o al menos 7 horas en la chacra o en el cuidado de sus animales?
Utilizando el p valor:
Criterios de decisión para nuestro p valor
-Para un \(\alpha=0,05\), si \(p_{valor} > 0,05\) no se rechaza la \(H_0\).
-Para un \(\alpha=0,05\), si \(p_{valor} \le 0,05\) se rechaza la \(H_0\).
prop.test(tabla.sexo.trabaja, alternative = "greater") #Prueba unilateral derecha##
## 2-sample test for equality of proportions with continuity correction
##
## data: tabla.sexo.trabaja
## X-squared = 0.17199, df = 1, p-value = 0.3392
## alternative hypothesis: greater
## 95 percent confidence interval:
## -0.002167939 1.000000000
## sample estimates:
## prop 1 prop 2
## 0.004621072 0.003566879# o chi
chisq.test(tabla.sexo.trabaja) # prueba bilateral ##
## Pearson's Chi-squared test with Yates' continuity correction
##
## data: tabla.sexo.trabaja
## X-squared = 0.17199, df = 1, p-value = 0.6783Como la prueba estadística arrojó un pvalor igual a 0.2155, entonces no rechazamos la hipótesis nula, con lo cual decimos que existe evidencia estadística para rechazar nuestra hipótesis nula. O sea que existe evidencia para afirmar que la proporción de hombres que trabajaron los últimos 7 días es mayor que la de mujeres que trabajaron Durante los últimos 7 días. ¿Trabajó al menos 1 hora, por cuenta propia, como patrón o empleado en una empresa o negocio no agropecuaria o al menos 7 horas en la chacra o en el cuidado de sus animales?
CONCLUSIÓN2:
Hemos tomado las mismas variables de nuestra base de datos de la EPH año 2020 Con la mismas etiquetas.Hemos contrastado nuestra hipótesias mediante los mismos métodos que el anterior, obteniendo en los dos el mismo resultado de no rechazo de la hipótesis nula, lo que significa que ha cambiado radicalmente la situación para el año 2020
CONCLUSIÓN FINAL:
OBTUVIMOS UN CAMBIO RADICAL DE LA PROPORCIÓN DE LAS VARIABLES PARA EL AÑO 2020, PODRÍAMOS REALIZAR OTRO ESTUDIO SI SE HA DEBIDO A LOS EFECTOS DE LA PANDEMIA DEL COVID 19. PERO ESO YA SERÍA OTRA HISTORIA.
Ahora realizamos una simulación del teorema central del limite(POISSON)
GPT<- function(n,lambda,m=1000) { # n<-100; lambda<- 1;m=1000 media<-lambda varianza<-lamnda z<-numeric(m) for(i in 1:m) { muestra<-rpois(n,lambda) z[i]<-(mean(muestra)-media)/sqrt(varianza/n) } par(bg=‘black’,mar<-c(2,3,4,3)) aux<-1 alturas<-hist(z)$density l<-max(0.45,alturas) elcolor<-rainbow(length(alturas),alpha=0.6) hist(z,freq=F,col=elcolor,xlab=’‘,ylab=’‘, ylim=c(0,l),main=’‘) arrows(-4,0,-4,0,lwd=2,col= ’white’) arrows(0,-0.1,0,l,lwd=2,col=‘white’) grid(10,col=‘green’) title(paste(“HISTOGRAMA”,n),col.main=7,cex.main=2) poins(trunif(200,-4,4),runif(200,0,0.45),cex=1.5,pch=c(letters,‘+’,‘-’,‘%’,’*‘),col=’gray’) hist(z,freq=F,col=color,add=T) curve(dnorm(x),lwd=8,col=2,add=T) axis(1,-4:4,col=7,lwd=3,col.axis=7) par(bg=‘white’) } ### Ejemplos de las simulaciones GPT(100,1) GPT(1000,1) GPT(100000,1) GPT(200000,1)