El Departamento de Guainía en el Contexto Agropecuario Colombiano y su Análisis a través del Censo Nacional Agropecuario del 2014
Paisaje Inirida Guainia.
Paisaje Inirida Guainia.
El Departamento de Guainía, situado en la región oriental de Colombia, emerge como un territorio de gran relevancia en el panorama agropecuario nacional. Con una geografía diversa y una riqueza natural impresionante, Guainía desempeña un papel crucial en la producción agrícola y pecuaria del país, a pesar de su baja densidad poblacional y su relativo aislamiento geográfico.
Este informe se centra en analizar diversas variables del estudio del censo nacional agropecuario del 2014 en el contexto del Departamento de Guainía. Esta herramienta estadística proporciona una visión detallada de la situación agropecuaria en Colombia, permitiendo identificar tendencias, desafíos y oportunidades en cada región del país.
Guainía, ubicado en la región amazónica de Colombia, limita al norte con Venezuela, al este con Brasil, al sur con el departamento de Vaupés y al oeste con el departamento de Vichada. Su extensión territorial abarca aproximadamente 72.238 kilómetros cuadrados, convirtiéndolo en uno de los departamentos más grandes del país. A pesar de su vasta extensión, Guainía alberga una población relativamente pequeña, con una densidad demográfica baja en comparación con otras regiones de Colombia. Esta característica le confiere un perfil único dentro del contexto nacional, donde la preservación de su biodiversidad y la sostenibilidad de sus recursos naturales son prioridades fundamentales. (Sociedad Geográfica de Colombia 2011)
Es de gran importancia el Censo Nacional Agropecuario que realizó el DANE en el año 2014 y es un esfuerzo a gran escala, que requiere mucha organización y que no siempre puede terminar realizando pues para el año 1951, la Contraloria General de la República intentó llevarlo a cabo, pero por dificultades técnicas, problemas de orden publico y presupuestales no se concluyó. Sin embargo para el año 1954 se obtuvo información del sector agropecuario a través de un primer acopio de información aplicado en el Valle del Cauca y en 1959 a nivel nacional. (DANE 2014) El segundo censo realizado en 1970 cubrió 21 departamentos y 815 municipios (Antioquia, Atlántico, Bolívar, Boyacá, Caldas, Cauca, Chocó, Arauca, Casanare, Quindío, Risaralda, Córdoba, Cundinamarca, Huila, Magdalena, Meta, Nariño, Norte de Santander, Santander, Tolima, Valle del Cauca), para un total de 30.993.190 hectáreas, que incluyeron tierras dedicadas a la producción pecuaria ubicada en áreas urbanas y 1.176.811 unidades de explotación agropecuaria.
El 3er Censo Nacional Agropecuaria (CNA), a diferencia de los dos censos anteriores realizados en el país, cubrió toda la actividad productiva agropecuaria y no agropecuaria desarrollada en el área rural dispersa del país. Se incluyeron: todas las unidades de análisis independiente de la actividad productiva; tamaño; tenencia de la tierra y ubicación, y se creó la Unidad Productiva No Agropecuaria (UPNA) para recabar datos donde la actividad productiva es únicamente no agropecuaria. (DANE 2014)
Ciudadanos de Guainía.
Así mismo, se hicieron adaptaciones a las definiciones de unidad productora agropecuaria y de productor para reflejar mejor la actividad agropecuaria y no agropecuaria en territorio étnico y se incluyeron nuevas temáticas correspondientes a producción, el subsector de pesca, medio ambiente y algunos aspectos sociales que reflejan la realidad del área rural dispersa.(DANE 2014)
Es así, donde se entran a definir varios aspectos como:
UNIDAD DE OBSERVACIÓN: Predio rural.
UNIDAD DE ANÁLISIS: Se tomaron dos unidades de análisis (UPA y UPNA), sin embargo en este informe hablaremos de la Unidad de Producción Agropecuaria (UPA). Esta es la unidad de organización de la producción agropecuaria que puede estar formada por una parte de un predio, un predio completo, un conjunto de predios o partes de predios continuos o separados en uno o más municipios, independientemente del tamaño, la tenencia de la tierra y el número de predios que la integran, debe cumplir con las siguientes tres condiciones:
Produce bienes agrícolas, forestales, pecuarios, acuícolas y/o adelanta la captura de peces destinados al consumo contínuo y/o a la venta.
Tiene un único productor/a natural o jurídico que asume la responsabilidad y los riesgos de la actividad productiva.
Utiliza al menos un medio de producción como construcciones, maquinaria, equipo y/o mano de obra en los predios que la integran.
Entrevista personal asistida con DMC (Dispositivo Móvil de Captura)
Para la estrategia de sensibiliazación se desarrolló en dos etapas. La primera llamada Etapa Precensal consistió en hacer un recorrido de cada uno de los municipios para buscar a los candidatos a conformar, los equipos operativos y recibir las hojas de vida de los aspirantes. Para la Etapa Censal, se realizaron socializaciones, talleres de cartografía social, reuniones y espacios de concertación con grupos étnicos, acercamiento y gestión individual con población objetivo.
El contenido censal fue generado en formulario electrónico para ser utilizado en los Dispositivos Móviles de Captura – DMC, facilitando el diligenciamiento de la encuesta por parte del censista lo cual redunda en calidad del dato. Esto se logra al tener implementado control sobre rangos de respuesta en las preguntas cerradas, control de universos y flujos entre otros.
Rios de Guainía.
En la página del DANE, se encuentra toda la información relacionada con el Censo Nacional Agropecuario. Para la extracción de los datos, se ingresó a la página del DANE en el CNA 2014, DEM-Microdatos. Se selecciono el archivo del departamento de Guanía que corresponde a la carpeta comprimida 94 de acuerdo al código asignado al departamento por el DANE. Una vez descargada y con los archivos extraídos, se elige el archivo de interés S_015 (Unidad productora) en el cual encontramos las variables de interés que se estudiarán.
En un informe presentado anteriormente se trabajaron particularmente una variable cualitativa y una variable cuantitativa para las cuales se les realizó un análisis descriptivo exhaustivo y una explicación clara de sus comparmientos haciendo uso de algunas tablas y graficas estadisticas. Para este nuevo informe, el enfoque va direccionado hacia el análisis multivariado, donde también se realizó un análisis riguroso y detallado pues es importante realizar también un análisis multivariado de los datos esto con el fin de comprender las relaciones complejas entre las múltiples variables al mismo tiempo. Es por esto que se estudiarán 5 variables cuantitativas y 4 variables cualitativas como siguen.
Tabla 1. Descripcion de las Variables
| Variables_Cuantitativas | Descripcion | Variables_Cualitativas | Descripcion.1 |
|---|---|---|---|
| P_S6P66 | Area de pastos | PRED_ETNICA | Predominancia Etnica |
| P_S7P84F | Hembras | S05_TENENCIA | Tenencia en la UPA |
| P_S7P85B | Leche | P_S6P71 | Principal fenomeno que afecto los pastos sembrados |
| P_S12P150A | Area total | P_S6P65 | Pastos o sabanas |
| P_S15P158B | Personas en el predio |
Así, se dedicara una sección para hablar y estudiar de las variables cuantitativas y de igual forma otra sección para análizar las variables cuantitativas. Cabe recalcar que para el estudio multivariado se hizo necesario filtrar los datos en conjunto de tal forma que se quitaran todos aquellos datos que presentaran un NA (dato faltante) en cada una de las variables. Por esta razón, se tienen 78 observaciones en las cuales obtenemos respuesta para cada una de las variables cuantitativas y cualitativas. Esto para la preacticidad de la practica y para no entrar en otros detalles estadisticos más densos.
Se presenta a continuación una tabla de resumen que resume diversas estadísticas descriptivas relacionadas con variables clave en el contexto de Guainía. Estas estadísticas ofrecen una visión general de características importantes en áreas como la agricultura, la ganadería y la demografía en la región. La tabla incluye el número de observaciones (n), así como medidas centrales como la media (Mean), la mediana (Median) y la variabilidad de los datos, representada por la desviación estándar (Std.Dev) y el rango (Min-Max). Además, se proporcionan estadísticas sobre la distribución de los datos, como los cuartiles (25th y 75th), así como medidas de asimetría (Skew) y curtosis (Kurtosis), que ofrecen información sobre la forma y simetría de la distribución de cada variable. A través de este análisis, se busca comprender mejor la dinámica y las características de Guainía en diversos aspectos clave, lo que puede ayudar a informar futuras decisiones y políticas en la región.
| n | Mean | Std.Dev | Median | Min | Max | 25th | 75th | Skew | Kurtosis | |
|---|---|---|---|---|---|---|---|---|---|---|
| Area_Pastos | 78 | 3.294448e+05 | 1.624615e+06 | 0 | 0.0 | 12378253 | 0.00 | 0.00 | 5.9365253 | 37.9555009 |
| Hembras | 78 | 6.384615e+00 | 1.091910e+01 | 2 | 0.0 | 69 | 0.25 | 9.00 | 3.3680958 | 14.1513914 |
| Leche | 78 | 3.073077e+01 | 6.862351e+01 | 8 | 0.0 | 540 | 0.75 | 35.00 | 5.4513098 | 36.2898584 |
| Area_Total | 78 | 2.347670e+06 | 3.199944e+06 | 1144092 | 87800.4 | 17959986 | 403436.86 | 2707980.31 | 2.4769315 | 7.2107177 |
| Personas | 78 | 4.166667e+00 | 2.793391e+00 | 4 | 0.0 | 12 | 2.00 | 5.75 | 0.9318083 | 0.4259718 |
Interpretación de las estadísticas descriptivas:
La gran variabilidad en el tamaño de los pastizales y la producción de leche puede reflejar diferencias en las prácticas agrícolas y ganaderas en Guainía, que pueden estar influenciadas por factores como el clima, el suelo y la disponibilidad de recursos hídricos. La baja densidad de población y la variabilidad en la distribución de la población podrían estar relacionadas con la geografía y la infraestructura de transporte en Guainía, así como con la presencia de comunidades indígenas y la dispersión de la población en áreas rurales. Conclusiones y recomendaciones:
El análisis de estas estadísticas sugiere que Guainía es una región con una gran variabilidad en sus características geográficas, económicas y demográficas. Sería beneficioso realizar investigaciones adicionales para comprender mejor las causas de esta variabilidad y cómo afecta el desarrollo y bienestar de la población en Guainía. Se podrían considerar intervenciones para mejorar la infraestructura y los servicios básicos en áreas con una baja densidad de población, así como iniciativas para promover prácticas agrícolas y ganaderas sostenibles en la región.
Los treemaps son tipos de visualizaciones que representan datos jerárquicos mediante rectángulos anidados. En un treemap, los rectángulos más grandes suelen representar las categorías con los valores más altos, mientras que los rectángulos más pequeños representan las categorías con los valores más bajos.
Para este caso, encontrará los treemaps para las variables cualitativas de interes respecto a la variable cuantitativa de la leche. Para el primero vemos el tree map de la variable cualitativa de la tenencia con respecto a la recolección de leche.
Gráfico 1. Treemap tenencia
Para este caso tenemos, el treemap de la variable cualitativa principales fenomenos que afectaron los pastos sembrados, donde es notorio ver la categoria plaga que fue la de mayor frecuencia.
Gráfico 2. Treemap Predominancia
Para esta sección analizamos la variable P_S7P85B que es la recolección de leche agrupada por la variable Predominancia.
Tabla3. Resumen estadístico agrupado
| datos$Predominancia | promedio | Varianza | CV |
|---|---|---|---|
| Asentamiento indígena | 4.769231 | 33.62462 | 1.215851 |
| Ninguno de los anteriores | 44.568627 | 6670.65020 | 1.832546 |
| Resguardo Indígena | 0.000000 | NA | NA |
El promedio representa el valor medio de la variable de leche para cada categoría de predominancia. Por ejemplo, para “Asentamiento indígena”, el promedio es aproximadamente 4.77. La varianza indica la dispersión de los datos alrededor de la media. Valores más altos de varianza sugieren una mayor variabilidad en los datos. Por ejemplo, para “Ninguno de los anteriores”, la varianza es de aproximadamente 6671, lo que sugiere una gran variabilidad en los valores de leche dentro de esta categoría. El coeficiente de variación es una medida de dispersión relativa que compara la desviación estándar con el promedio. Indica la proporción de la desviación estándar respecto al promedio y se expresa como un porcentaje. Un coeficiente de variación más alto indica una mayor variabilidad relativa en los datos. Por ejemplo, para “Ninguno de los anteriores”, el coeficiente de variación es aproximadamente 1.83, lo que sugiere una alta variabilidad relativa en los valores de leche dentro de esta categoría.
La medida de centralización más utilizada para describir datos multivariantes es el vector de medias, que es un vector de dimensión 5x1 cuyos componentes son las medias de cada una de las 5 variables.
Tabla 4. Vector medias de las variables.
| Area_Pastos | Hembras | Leche | Area_Total | Personas |
|---|---|---|---|---|
| 329444.8 | 6.384615 | 30.73077 | 2347670 | 4.166667 |
La variable que se estudió en el informe anterior, era la de número de personas en la UPA, donde se obtuvo un promedio de personas de 4.231, y como se puede notar en la tabla encontramos que en esta hay un promedio de 4.167 que termina siendo el mismo promedio pues tomamos el entero más cercano, por lo que en promedio viven 4 personas por UPA que se puede considerar como un nucleo familiar tradicional de pareja y dos hijos.
Así mismo, podemos ver que en promedio las UPA tienen un area total de pastos de 329444.8 y tienen un area total de 2347670 que al compararla con el area total de pastos cambia muchisimo y es tambien por el motivo de que los predios en Guainia suelen estar rodeados por vastas extensiones de bosques tropicales, que forman parte de la selva amazónica. Por ultimo, en promedio hay 6 hembras de ganado bovino que tienen en ordeño y así en promedio se recolectan 30.731 litros de leche en las UPA.
En el análisis estadístico, la matriz de varianzas y covarianzas es una herramienta fundamental que proporciona información valiosa sobre la relación y dispersión de las variables en un conjunto de datos. Esta matriz nos permite entender cómo las variables están relacionadas entre sí y cómo varían juntas. Al analizar esta matriz, podremos identificar patrones, asociaciones y tendencias importantes que nos ayudarán a comprender mejor los factores que influyen en la producción y el manejo del ganado, así como en la distribución de la población en el área de estudio. A continuación, presentamos la matriz de varianzas y covarianzas, seguida de un análisis detallado de sus componentes.
Tabla 5. Matriz de Varianzas y Covarianzas.
| Area_Pastos | Hembras | Leche | Area_Total | Personas | |
|---|---|---|---|---|---|
| Area_Pastos | 2.639375e+12 | -1.120549e+06 | -5.299593e+06 | 2.211321e+12 | -4.484489e+05 |
| Hembras | -1.120549e+06 | 1.192268e+02 | 6.939620e+02 | 9.177651e+06 | -2.623377e+00 |
| Leche | -5.299593e+06 | 6.939620e+02 | 4.709186e+03 | 4.727897e+07 | -1.501948e+01 |
| Area_Total | 2.211321e+12 | 9.177651e+06 | 4.727897e+07 | 1.023964e+13 | -5.953808e+05 |
| Personas | -4.484489e+05 | -2.623377e+00 | -1.501948e+01 | -5.953808e+05 | 7.803030e+00 |
La diagonal de la matriz nos da los valores de la varianza, estas varianzas indican la dispersión de cada variable individualmente, es así como podemos notar una variabilidad pequeña en el número de personas, pero empieza a aumentar con la variable de Hembras donde obtenemos una varianza de 119.2 y sin mencionar la varianza de area total y area de pastos donde encontramos una varianza demasiado grande.
En terminos generales, los datos fuera de la diagonal de la matriz representan la covarianza la cual indica cómo cambian dos variables juntas: si tienden a aumentar o disminuir juntas (covarianza positiva) o si una aumenta mientras la otra disminuye (covarianza negativa). Es por esto que el análisis es así:
Covarianza entre “Area_Pastos” y otras variables La covarianza negativa entre “Area_Pastos” y “Hembras” sugiere una relación inversa entre el área de pastos y el número de hembras, posiblemente influenciada por políticas de manejo del ganado o limitaciones en la disponibilidad de pastos.
La covarianza negativa entre “Area_Pastos” y “Leche” indica una asociación inversa entre el área de pastos y la producción de leche, posiblemente atribuible a un enfoque mayor en la cría de ganado para carne en áreas con menos pastos disponibles.
La covarianza positiva entre “Area_Pastos” y “Area_Total” refleja una relación esperada, donde el aumento del área de pastos coincide con un aumento del área total, posiblemente debido a una expansión general de la tierra dedicada a la ganadería en la región.
La covarianza negativa entre “Area_Pastos” y “Personas” sugiere una relación inversa entre el área de pastos y el número de personas en el área de estudio, lo que podría reflejar la distribución de la población en áreas urbanas y rurales, donde la disponibilidad de pastos puede influir en la densidad poblacional.
Las covarianzas entre otras variables revelan asociaciones similares, destacando relaciones significativas entre “Hembras” y “Leche”, así como entre “Leche” y “Area_Total”, que sugieren una fuerte tendencia positiva entre estas variables.
Las covarianzas negativas, como la de “Area_Total” y “Personas”, indican una asociación inversa entre el área total y el número de personas, lo que podría ser crucial para comprender la distribución y el uso de la tierra en la región.
Sin embargo podemos ver el coeficiente de correlación para seguir con el análisis.
La matriz de correlación es una herramienta esencial en el análisis estadístico que nos permite examinar las relaciones lineales entre las variables en un conjunto de datos. A diferencia de la matriz de varianzas y covarianzas, que proporciona información sobre la relación y dispersión de las variables, la matriz de correlación se centra en la fuerza y dirección de las relaciones lineales específicamente. A continuación, presentamos la matriz de correlación, seguida de un análisis detallado de sus componentes.
Tabla 6. Matriz de Correlacion.
| Area_Pastos | Hembras | Leche | Area_Total | Personas | |
|---|---|---|---|---|---|
| Area_Pastos | 1.0000 | -0.0632 | -0.0475 | 0.4254 | -0.0988 |
| Hembras | -0.0632 | 1.0000 | 0.9261 | 0.2627 | -0.0860 |
| Leche | -0.0475 | 0.9261 | 1.0000 | 0.2153 | -0.0784 |
| Area_Total | 0.4254 | 0.2627 | 0.2153 | 1.0000 | -0.0666 |
| Personas | -0.0988 | -0.0860 | -0.0784 | -0.0666 | 1.0000 |
Con “Hembras”: Una correlación débilmente negativa de aproximadamente -0.063, lo que indica una ligera tendencia a que cuando el área de pastos aumenta, el número de hembras tiende a disminuir.
Con “Leche”: Una correlación débilmente negativa de aproximadamente -0.048, indicando una ligera tendencia a que el aumento del área de pastos se asocie con una disminución en la producción de leche.
Con “Area_Total”: Una correlación moderadamente positiva de aproximadamente 0.425, sugiriendo una tendencia moderada a que el aumento del área de pastos coincida con un aumento del área total.
Con “Personas”: Una correlación débilmente negativa de aproximadamente -0.099, indicando una ligera tendencia a que el aumento del área de pastos coincida con una disminución en el número de personas.
Con “Leche”: Una correlación positiva muy fuerte de aproximadamente 0.926, sugiriendo una fuerte asociación entre el número de hembras y la producción de leche.
Con “Area_Total”: Una correlación débilmente positiva de aproximadamente 0.263, indicando una ligera tendencia a que el aumento del número de hembras coincida con un aumento del área total.
Con “Personas”: Una correlación débilmente negativa de aproximadamente -0.086, sugiriendo una ligera asociación inversa entre el número de hembras y el número de personas.
Con “Area_Total”: Una correlación débilmente positiva de aproximadamente 0.215, indicando una ligera tendencia a que el aumento de la producción de leche coincida con un aumento del área total.
Con “Personas”: Una correlación débilmente negativa de aproximadamente -0.078, sugiriendo una ligera asociación inversa entre la producción de leche y el número de personas.
Es aproximadamente -0.067, indicando una ligera tendencia a que el aumento del área total coincida con una disminución en el número de personas.
Se comentó que para observar la relación entre cada par de variables, una gráfica útil es el diagrama de dispersión, usando la información de una matriz de datos, una gráfica que contenga todos los diagramas de dispersión para cada par de variables es el dispersograma, el cual se aprecia como una matriz donde cada entrada de la matriz corresponde a un diagrama de dispersión.
Grafico 3. Dispersograma general
Relación entre Hembras y Leche: La relación positiva entre el número de hembras y la producción de leche sugiere que, en general, a medida que aumenta el número de hembras, la producción de leche tiende a aumentar.
Relación entre Leche y Área Total: Aunque hay una tendencia a medida que la producción de leche aumenta con el tamaño del área total, esta relación no es tan evidente como en el caso anterior. Sin embargo, aún se puede notar una tendencia general de aumento, lo que sugiere que, en promedio, áreas más grandes tienden a tener una mayor producción de leche.
Relación entre Personas y Área Total: No se observa una clara relación lineal entre el número de personas y el tamaño del área total. Aunque algunos datos podrían sugerir un ligero aumento en el área total con un mayor número de personas, esta relación no es consistente y podría estar influenciada por otros factores.
Podemos ver de otra forma esa representación, como sigue
Gráfico 4. Otra representación grafica
En la Figura se muestra la matriz con los coeficientes de correlación. En la diagonal de la Figura están las variables, por encima están unos círculos de colores, entre más intensidad del color, ya sea azul o rojo, mayor es la correlación, colores ténues significan correlación baja; el tamaño de los círculos está asociado al valor absoluto de correlación. Por debajo de la diagonal se observan los valores exactos de correlación en colores.
Imprimimos un boxplot con el fin de darnos cuenta la cantidad de datos atipicos que tenemos en nuestros datos filtrados.
Grafico 5. Boxplot
En este caso podemos observar 6 datos atipicos para el area de pastos, 4 datos atipicos para hembras bovinas, 3 datos atipicos para la recolección de leche, 8 para el area total y por ultimo podemos notar que para la variable de numero de personas ya no tenemos ningun dato atipico, esto en nuestros datos filtrados nos sirve, pues recordemos que en el análisis univariado teniamos varios.
Al tomar el determinante de la matriz de varianzas y covarianzas se obtiene otras medidas de variabilidad que se emplean en algunas técnicas multivariadas, para su conocimiento están:
Tabla 7. Medidas Globales de Variabilidad.
| Varianza_total | Varianza_promedio | Varianza_generalizada | Desvicion_generalizada | Variabilidad_promedio | Desviacion_promedio |
|---|---|---|---|---|---|
| 1.287902e+13 | 1642894 | 1.196871e+31 | 3.459583e+15 | 1642894 | 1281.754 |
Los resultados muestran que los datos exhiben una alta variabilidad y dispersión en general, como se evidencia por las grandes cifras de varianza y desviación. La varianza total indica cuánto varían los datos en conjunto, mientras que la varianza promedio ofrece una medida de la variabilidad típica dentro de cada variable. La desviación promedio, por su parte, indica que los datos tienden a desviarse en aproximadamente 1281.43 unidades de su media en promedio. Estos hallazgos subrayan la importancia de comprender la distribución y la naturaleza de la variabilidad en los datos para una interpretación adecuada y confiable de los resultados del análisis.
La distancia de Mahalanobis es una medida estadística que se utiliza para evaluar la distancia entre un punto de datos y un conjunto de datos multivariados. A diferencia de las medidas de distancia euclidiana estándar, la distancia de Mahalanobis tiene en cuenta la correlación entre las variables, lo que la hace especialmente útil en situaciones donde las variables están correlacionadas entre sí.
Grafico 6. Distancia de Mahalanobis
En el eje X aparece el rótulo index para indicar la cantidad de datos, el eje Y es para los valores que toma la distancia, como se aprecia hay valores cercanos a cero y otros cercanos a 60, por ejemplo, el valor de la distancia para la fila 5 (la información de la quinta UPA) de la matriz de datos está cercano a cero (0.1965661499) y para la fila 26 el valor de la distancia está cercano a (64.2422465) que es el dato más alejado. Así mismo, podemos calcular los 5 más alejados, 55.2268396839 para el dato 20, 41.2516938472 para el dato 18, 32.4355184678 para el dato 76 y el quinto más alejado es el 1 con una distancia de 11.8789092721.
El programa de Mardia es una herramienta estadística utilizada para evaluar la normalidad multivariada en un conjunto de datos. Este enfoque se basa en el coeficiente de asimetría multivariada y la kurtosis multivariada para determinar si las variables en el conjunto de datos siguen una distribución normal conjunta. Al emplear el paquete MVN en R, se pueden realizar pruebas específicas para evaluar la hipótesis de normalidad multivariada y detectar posibles desviaciones significativas de esta suposición
Tabla 8. Multinormalidad
| Test | Statistic | p value | Result |
|---|---|---|---|
| Mardia Skewness | 1450.2751942013 | 2.24393757804225e-282 | NO |
| Mardia Kurtosis | 57.5853044680967 | 0 | NO |
| MVN | NA | NA | NO |
Los resultados presentados muestran los resultados de dos pruebas diferentes para evaluar la normalidad multivariada: la prueba de Mardia para asimetría y la prueba de Mardia para curtosis. También se proporciona un tercer resultado, que es el resultado de la prueba de normalidad multivariada (MVN).
Este resultado indica que hay evidencia significativa para rechazar la hipótesis nula de que la asimetría multivariada es cero. En otras palabras, los datos no siguen una distribución normal en términos de asimetría multivariada.
Este resultado indica que hay evidencia significativa para rechazar la hipótesis nula de que la curtosis multivariada es cero. En otras palabras, los datos no siguen una distribución normal en términos de curtosis multivariada.
Este resultado indica que hay evidencia para rechazar la hipótesis nula de normalidad multivariada. En otras palabras, los datos no se distribuyen de manera normal en el sentido multivariado según la prueba de normalidad multivariada.
En resumen, los tres resultados indican que los datos no siguen una distribución normal multivariada en términos de asimetría, curtosis y normalidad multivariada en general. Esto puede tener implicaciones importantes en el análisis estadístico que se pueda realizar, ya que muchos métodos asumen normalidad multivariada para ser válidos.
Tabla 9. Normalidad
| Test | Variable | Statistic | p value | Normality |
|---|---|---|---|---|
| Anderson-Darling | P_S6P66 | 25.9606 | <0.001 | NO |
| Anderson-Darling | P_S7P84F | 9.3023 | <0.001 | NO |
| Anderson-Darling | P_S7P85B | 12.0347 | <0.001 | NO |
| Anderson-Darling | P_S12P150A | 7.9633 | <0.001 | NO |
| Anderson-Darling | P_S15P158B | 1.9885 | <0.001 | NO |
Según los resultados de las pruebas de normalidad de Anderson-Darling, ninguna de las variables analizadas (P_S6P66, P_S7P84F, P_S7P85B, P_S12P150A, P_S15P158B) sigue una distribución normal. Esto sugiere que estas variables no se distribuyen de manera simétrica alrededor de su media y que pueden tener una tendencia hacia valores extremos o sesgados. Es importante tener en cuenta este hallazgo al realizar análisis estadísticos posteriores que asuman una distribución normal de los datos.
Los histogramas proporcionan una visualización útil de la distribución de los datos para cada variable analizada. A partir de los histogramas generados, se puede observar la forma y la dispersión de los datos, lo que nos permite identificar visualmente si los datos tienden a agruparse alrededor de ciertos valores o si muestran una distribución más uniforme. Note que la variable que podria decirse visualemente que tiene el comportamiento de una normal es el de número de personas P_S15P158B . Que a comparación con las otras variables que no se les ve una de las colas entre comillas de una distribución normal.
Grafico 7. Histograma
El criterio de datos atípicos, se refiere a métodos utilizados para identificar puntos de datos que son inusuales o extremos en comparación con el resto de los datos. Los datos atípicos pueden surgir por una variedad de razones, como errores de medición, comportamiento inusual o valores extremos genuinos en el fenómeno que se está estudiando. Identificar y manejar adecuadamente los datos atípicos es crucial en el análisis de datos para garantizar la precisión de los resultados y las conclusiones.
Al combinar la distancia de Mahalanobis con el criterio de datos atípicos, se puede evaluar la influencia de puntos de datos individuales en un conjunto de datos multivariado y determinar si esos puntos pueden considerarse atípicos o inusuales. Esto permite una comprensión más completa de la estructura de los datos y ayuda a tomar decisiones informadas en el análisis estadístico y la toma de decisiones.
Las observaciones (filas) que producen valores de las distancias mayores a 11.0705, son LAS filas 1, 18, 20, 26 y 76. Que si notamos son los 5 valores más alejados que habiamos calculado anteriormente. Es decir, 64.2422465 para el dato 26, 55.2268396839 para el dato 20, 41.2516938472 para el dato 18, 32.4355184678 para el dato 76 y el quinto más alejado es el 1 con una distancia de 11.8789092721.
Para usar este metodo en este caso no es posible pues el rango intercuartilico de la variable P_S6P66 es cero y esto pasa pues en los datos tenemos una cantidad grandisima de ceros, lo que nos implica que el cuartil 3 alcance a ser cero. Estos valores se ven en la tabla resumen de las variables.
Se presentan tablas de contingencia que exploran la relación entre cuatro variables clave en el contexto de la región. Estas variables incluyen la predominancia étnica, la tenencia de tierras con respecto a lA (UPA), el principal fenómeno que afecta los pastos sembrados y la distinción entre pastos y sabanas. Estas tablas de contingencia ofrecen una visión detallada de cómo estas variables están interrelacionadas en la región de Guainía. A través del análisis de estas tablas, se busca comprender mejor la dinámica socioeconómica, ambiental y cultural de Guainía, identificando posibles asociaciones o patrones entre estas variables. Este análisis puede proporcionar información valiosa para informar políticas, programas y acciones futuras en la región, con el objetivo de promover el desarrollo sostenible y mejorar la calidad de vida de sus habitantes.
Para esto, tenemos un grafico interactivo en el cual al elegir el número de tabla se mostrará la tabla respectiva teniendo en que la relaciona es de la siguiente forma: Diremos que tb2 combina P_S6P65(Pastos o Sabanas) con predominancia2, tb3 combina P_S6P65 con predominancia2, tb4 combina P_S6P65 con principal.fenomeno.que.afecto.los.pastos.sembrados, tb5 combina Predominancia con Predominancia2, tb6 combina Predominancia con principal.fenomeno.que.afecto.los.pastos.sembrados y por ultimo tb7 combina combina Predominancia2 con principal.fenomeno.que.afecto.los.pastos.sembrados
En esta tabla de contingencia tb2 se presenta la distribución de respuestas sobre si las áreas son pastos o sabanas, categorizadas según el tipo de asentamiento. Se observa que la mayoría de las respuestas provienen de aquellos que seleccionaron ninguno de los anteriores (Ninguno de los anteriores), con 48 respuestas negativas y 3 positivas, lo que sugiere una variedad de tipos de terreno dentro de este grupo. Por otro lado, se observa que los asentamientos indígenas tienen una mayor proporción de respuestas negativas (No), con 16 negativas y 10 positivas, mientras que los resguardos indígenas muestran una única respuesta negativa sin afirmativas. Esto puede indicar una tendencia hacia la presencia de pastos o sabanas en áreas con asentamientos indígenas
En la tabla de contingencia tb3, se presenta la distribución de respuestas sobre si las áreas corresponden a pastos o sabanas, clasificadas por el tipo de tenencia. Destaca que la mayoría de las respuestas provienen de aquellos que seleccionaron “Propia”, con 45 respuestas negativas y 4 positivas, lo que indica que la propiedad privada es el tipo de tenencia más común en estas áreas.
Los diagramas de barras son una herramienta visual efectiva para representar la distribución de datos categóricos y comparar cantidades entre diferentes categorías. En esta sección, puedes explorar gráficos de barras interactivos para visualizar la distribución de diversas variables. Selecciona una variable de interés en el menú desplegable y observa cómo cambian las barras para cada categoría. Cada gráfico de barras representa una variable específica, proporcionando una visión clara y concisa de la distribución de datos en relación con esa variable.
En esta sección, exploramos la relación entre variables categóricas clave en el contexto de Guainía utilizando pruebas de independencia aplicadas a tablas de contingencia. Las tablas de contingencia proporcionan una representación visual de la distribución conjunta de dos o más variables categóricas, permitiendo identificar posibles asociaciones o dependencias entre ellas. Las pruebas de independencia, como la prueba de chi-cuadrado, nos permiten evaluar si existe una asociación significativa entre las variables o si son independientes entre sí en la población de estudio.
Con datos específicos de Guainía, exploraremos cómo variables como la predominancia étnica, la tenencia de tierras, los fenómenos que afectan los pastos sembrados y la distinción entre pastos y sabanas están relacionadas entre sí.
Para evaluar la posible dependencia entre la predominancia étnica y la distribución de pastos o sabanas en Guainía, hemos planteado un sistema de hipótesis que nos permitirá investigar si estas dos variables están relacionadas entre sí. Nuestra hipótesis nula (Ho) establece que la frecuencia de pastos o sabanas es independiente de la predominancia étnica, mientras que la hipótesis alternativa (H1) sugiere que existe una asociación significativa entre ambas variables.
Para llevar a cabo esta evaluación, hemos construido una tabla de contingencia que resume la distribución conjunta de pastos o sabanas y la predominancia étnica en Guainía. Esta tabla nos proporciona una visión clara de cómo se distribuyen las respuestas en función de ambas variables, lo que nos permitirá calcular una estadística de prueba adecuada y realizar pruebas de hipótesis para determinar si existe una asociación significativa.
A continuación, procederemos a calcular la estadística de prueba y llevar a cabo las pruebas de hipótesis correspondientes para evaluar la independencia entre la predominancia étnica y la distribución de pastos o sabanas en Guainía. Estos análisis nos ayudarán a comprender mejor la relación entre estas variables y su impacto en el paisaje y la estructura socioeconómica de la región.
##
## Pearson's Chi-squared test
##
## data: tb2
## X-squared = 13.363, df = 2, p-value = 0.001254Según los resultados obtenidos, la estadística de prueba de Pearson’s Chi-squared es de 13.363, con 6 grados de libertad, y un valor p de 0.001254. Esto indica que hay evidencia significativa para rechazar la hipótesis nula de independencia entre la predominancia étnica y la distribución de pastos o sabanas en Guainía. En otras palabras, hay una asociación significativa entre estas dos variables en la región.
Estos resultados son muy interesantes y proporcionan una comprensión más profunda de la dinámica socioeconómica y ambiental de Guainía.
Para utilizar una prueba de hipótesis chi-cuadrado, se debe tener un tamaño de muestra lo suficientemente grande que garantice la similitud entre la distribución teórica correcta y la distribución de muestreo del estadístico chi-cuadrado. Cuando las frecuencias esperadas son muy pequeñas, el valor de la chi-cuadrado estará sobrestimado y se tendrá como resultado demasiados rechazos de la hipótesis nula.
Una condición para aplicar la prueba de independencia es que las frecuencias esperadas no sean demasiado pequeñas; éstas NO DEBEN superar el 20% del total de frecuencias esperadas. (guia7)
Tabla 11. Tabla de contingencia condicion
| No | Si | |
|---|---|---|
| Asentamiento indígena | 21.6666667 | 4.3333333 |
| Ninguno de los anteriores | 42.5000000 | 8.5000000 |
| Resguardo Indígena | 0.8333333 | 0.1666667 |
El total de frecuencias esperadas es de 6, y el total de frecuencias esperadas menores a 5 es de 3, por lo que el porcentaje de de frecuencias esperadas menores a 5 es del 50%. Así, obtenemos un porcentaje mucho mayor al que se recomienda.
Además, es importante señalar que el resto de las tablas de contingencia presentan un desafío similar. Esto se debe a que muchas de las celdas contienen valores pequeños o cero, lo que puede afectar la validez de las pruebas de independencia. Dado que la prueba de chi-cuadrado puede ser inexacta en tales casos, calcular estas pruebas para todas las tablas de contingencia puede no tener mucho sentido.
En el caso particular de la primera tabla de contingencia, se procedió a calcular la prueba de independencia debido a que esta tabla tiene una mayor cantidad de observaciones por cada celda. Esto proporciona una muestra más representativa y confiable para realizar el análisis. Sin embargo, es importante reconocer que incluso en este caso, la prueba puede tener limitaciones debido a la presencia de frecuencias esperadas bajas.
Dada esta situación, se recomienda ejercer precaución al interpretar los resultados de las pruebas de independencia y considerar otras formas de análisis que sean más apropiadas para datos con valores pequeños o cero en las tablas de contingencia
La prueba de independencia realizada reveló la existencia de una asociación significativa entre la predominancia étnica y la distribución de pastos o sabanas en Guainía. Ahora, nuestro interés se centra en determinar la intensidad de esta asociación, para lo cual recurrimos a coeficientes de asociación que nos proporcionarán un índice numérico que resume el grado de relación entre estas dos variables cualitativas.
Al explorar estos coeficientes, obtendremos una medida cuantitativa del grado de asociación entre la predominancia étnica y la presencia de pastos o sabanas en la región. Esto nos permitirá profundizar en nuestra comprensión de la dinámica socioeconómica, cultural y ambiental de Guainía, y entender mejor cómo estas dos variables están interrelacionadas en el paisaje y la estructura socioeconómica de la región.
## X^2 df P(> X^2)
## Likelihood Ratio 12.822 2 0.0016435
## Pearson 13.363 2 0.0012540
##
## Phi-Coefficient : NA
## Contingency Coeff.: 0.382
## Cramer's V : 0.414Estos resultados indican que hay una asociación significativa entre la predominancia étnica y la distribución de pastos o sabanas en Guainía. La prueba de independencia muestra valores de p significativamente bajos, lo que respalda la presencia de asociación. Además, los coeficientes de asociación también sugieren una asociación moderada a fuerte entre las dos variables, con un Contingency Coefficient de 0.382 y un Cramer’s V de 0.414.
Estos hallazgos proporcionan una comprensión más profunda de la relación entre la predominancia étnica y la distribución de pastos o sabanas en Guainía, lo que puede ser útil para informar políticas y programas destinados al desarrollo socioeconómico y ambiental de la región.
Estos hallazgos resaltan la importancia de abordar los problemas socioambientales desde una perspectiva interdisciplinaria que tenga en cuenta tanto los aspectos sociales y culturales como los aspectos ambientales y ecológicos. Un enfoque interdisciplinario es crucial para comprender completamente las complejas interacciones entre la población humana y el medio ambiente en Guainía.
Se pueden considerar enfoques que integren la participación comunitaria, el respeto a la diversidad étnica y cultural, y la protección de los recursos naturales en la región.