Box plot

Histograma

VI 1 - Población urbana

Pearson:

    Pearson's product-moment correlation

data:  data$Esperanza_vida and data$Urbano
t = -0.59156, df = 194, p-value = 0.5548
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
 -0.18150630  0.09830421
sample estimates:
        cor 
-0.04243308 

cor: -0.04243308, p-value: 0.5548

Estos valores inican que hay una correlación negativa muy débil entre la Esperanza de vida y el porcentaje de la población que vive en zonas urbanas. El p-valor, al ser mayor a 0.05, indica que la relación no es estadísticamente significativa, por lo que no hay evidencia suficiente para rechazar la hipótesis nula de que no existe correlación. No se puede decir que existe una relación positiva o negativa entre la esperanza de vida y el porcentaje de la población de una provincia que vive en zonas urbanas. Esto sa pase a pensar en que existen otros factores que probablemente influyan más en la esperanza de vida.

VI 2 - Servicios básicos (agua y luz)

Pearson

    Pearson's product-moment correlation

data:  data$Esperanza_vida and data$P_agua_luz
t = 3.4838, df = 194, p-value = 0.0006109
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
 0.1061056 0.3702123
sample estimates:
      cor 
0.2426498 

cor: 0.2426498, p-value: 0.0006109 Estos valores inican que hay una correlación positiva, pero débil entre la Esperanza de vida y el porcentaje de la población que tiene acceso a los servicios básicos de agua y electricidad. El p-valor, al ser menor a 0.05, indica que la relación es estadísticamente significativa, por lo que se puede señalar que hay evidencia suficiente para rechazar la hipótesis nula de que no existe correlación.

Al comprobarse que un mejor acceso a servicios básicos como agua potable y electricidad está asociado positivamente, pero débil, con una mayor esperanza de vida, se puede decir que es necesario óptimizar dichos servicios y ver si existe una mejora en la esperanza de vida de las personas de cada provincia.

VI3 - Años de estudio

Pearson

    Pearson's product-moment correlation

data:  data$Esperanza_vida and data$Año_estud
t = 4.3662, df = 194, p-value = 2.055e-05
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
 0.1659272 0.4216016
sample estimates:
      cor 
0.2991237 

cor: 0.2991237, p-value: 2.055e-05 Estos valores inican que hay una correlación positiva entre la Esperanza de vida y los años promedio de estudio de la población. El p-valor, al ser menor a 0.05, indica que la relación es estadísticamente significativa, por lo que se puede señalar que hay evidencia suficiente para rechazar la hipótesis nula de que no existe correlación.

Lo mencionado señala que una mayor educación está asociada con una mayor esperanza de vida, esto se puede asociar a un mayor acceso a información por parte de las personas.

VI4 - Pob. alfabetizada

Pearson

    Pearson's product-moment correlation

data:  data$Esperanza_vida and data$P_alfabeta
t = 4.6766, df = 194, p-value = 5.455e-06
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
 0.1864640 0.4388728
sample estimates:
      cor 
0.3182984 

cor: 0.3182984, p-value: 5.455e-06 Estos valores inican que hay una correlación positiva entre la Esperanza de vida y el porcentaje de población alfabetizada. El p-valor, al ser menor a 0.05, indica que la relación es estadísticamente significativa, por lo que se puede señalar que hay evidencia suficiente para rechazar la hipótesis nula de que no existe correlación.

Similar a la variable anterior, las personas alfabetizadas tienen más probabilidades de acceder a información sobre salud, mejorar sus condiciones de vida y tomar decisiones que favorezcan una mayor esperanza de vida.

VI5 - Seguro

Pearson

    Pearson's product-moment correlation

data:  data$Esperanza_vida and data$P_asegurada
t = -3.6392, df = 194, p-value = 0.0003506
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
 -0.3794992 -0.1167767
sample estimates:
      cor 
-0.252792 

cor: -0.252792, p-value: 0.0003506 Estos valores inican que hay una correlación negativa entre la Esperanza de vida y el porcentaje de población asegurada. El p-valor, al ser menor a 0.05, indica que la relación es estadísticamente significativa, por lo que se puede señalar que hay evidencia suficiente para rechazar la hipótesis nula de que no existe correlación. En este caso es importante dar enfasis al hecho de que la relación es negativa, lo que sugiere que a mayor porcentaje de población asegurada, menor esperanza de vida, o viceversa. Esto podría indicar que el sistema de salud no está funcionando de manera óptima.

VI6 - Avance Presupuestal

Pearson

    Pearson's product-moment correlation

data:  data$Esperanza_vida and data$P_presu_usado
t = -2.2926, df = 194, p-value = 0.02295
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
 -0.29582945 -0.02277631
sample estimates:
       cor 
-0.1624105 

cor: -0.1624105, p-value: 0.02295 Estos valores inican que hay una correlación negativa débil entre la Esperanza de vida y el porcentaje de presupuesto ejecutado. El p-valor, al ser menor a 0.05, indica que la relación es estadísticamente significativa, por lo que se puede señalar que hay evidencia suficiente para rechazar la hipótesis nula de que no existe correlación. Es decir, existe una relación significativa entre la Esperanza de Vida y el avance presupuestal.

Esto indicaría que a pesar de que la correlación es débil, existe una tendencia a que en las provincias donde se ha ejecutado un mayor porcentaje del presupuesto, la esperanza de vida tiende a ser más baja. Se podría pensar en que las inversiones no se están ejecutando de manera efectiva en áreas que realmente mejoren la calidad de vida y la salud de la población.

VI7 - Ingreso familiar

Pearson

    Pearson's product-moment correlation

data:  data$Esperanza_vida and data$Ing_fam
t = 6.6869, df = 194, p-value = 2.369e-10
alternative hypothesis: true correlation is not equal to 0
95 percent confidence interval:
 0.3115444 0.5401855
sample estimates:
      cor 
0.4327994 

cor: 0.4327994, p-value: 2.369e-10 Estos valores inican que hay una correlación positiva regular entre la Esperanza de vida y el promedio de los ingresos familiares. El p-valor, al ser menor a 0.05, indica que la relación es estadísticamente significativa, por lo que se puede señalar que hay evidencia suficiente para rechazar la hipótesis nula de que no existe correlación. Es decir, existe una relación significativa entre la Esperanza de Vida y el promedio de los ingresos familiares.Las personas con mayores ingresos tienen más acceso a servicios de salud, mejor nutrición, y condiciones de vida más saludables, lo que explica la mayor esperanza de vida. Es una indicación de que la desigualdad económica podría afectar negativamente la salud de la población.

VI8 - Nivel de pobreza monetaria

Spearman

    Spearman's rank correlation rho

data:  data$Esperanza_vida and data$Nivel_pobreza
S = 1713687, p-value = 1.369e-07
alternative hypothesis: true rho is not equal to 0
sample estimates:
       rho 
-0.3656075 

rho: -0.3656075, p-value: 1.369e-07 Con los resultados podemos ver que existe una correlación negativa entre la Esperanza de Vida y el nivel de pobreza. Esto puede indicar que a medida que el nivel de pobreza aumenta (es decir, mayor pobreza), la esperanza de vida tiende a disminuir. Esta relación se refuerza debido al p-valor, el cual a ser menor a 0.05, indica que la relación es estadísticamente significativa. Se puede explicar esta relación ya que las provincias con un nivel de pobreza mayor tienden a tener menos acceso a servicios de salud, una peor calidad de vida y mayores riesgos de enfermedades, lo que reduce su esperanza de vida.

Gráfico VI1

Esperanza de vida y Población Urbana

Gráfico VI2

Esperanza de vida y Acceso a Agua y Luz

Gráfico VI3

Esperanza de vida y Años de Estudio

Gráfico VI4

Esperanza de vida y Porcentaje de Alfabetización

Gráfico VI5

Esperanza de vida y Población Asegurada

Gráfico VI6

Esperanza de vida y Avance Presupuestal

Gráfico VI7

Esperanza de vida y Ingreso Familiar

Gráfico VI8

Nivel de Pobreza y Esperanza de Vida

Hipótesis

Hipótesis 1

Esperanza_vida ~ P_agua_luz

Hipótesis 2

Esperanza_vida ~ P_agua_luz + P_alfabeta

Hipótesis 3

Esperanza_vida ~ P_agua_luz + P_alfabeta + P_asegurada

Hipótesis 4

Esperanza_vida ~ P_agua_luz + P_alfabeta + P_asegurada + Nivel_pobreza

Modelo sin escalar

Call:
lm(formula = Esperanza_vida ~ Población + Urbano + P_agua_luz + 
    Año_estud + P_alfabeta + P_asegurada + Nivel_pobreza + P_presu_usado + 
    Ing_fam + Indice_corr, data = data)

Residuals:
     Min       1Q   Median       3Q      Max 
-23.4738  -3.8893   0.7445   5.0143  20.1750 

Coefficients:
                Estimate Std. Error t value Pr(>|t|)    
(Intercept)    6.940e+01  1.913e+01   3.628 0.000369 ***
Población     -9.401e-09  8.484e-07  -0.011 0.991171    
Urbano        -1.281e-02  2.170e-02  -0.591 0.555561    
P_agua_luz     4.536e-02  3.642e-02   1.246 0.214486    
Año_estud     -1.513e+00  6.941e-01  -2.180 0.030530 *  
P_alfabeta     1.312e-01  2.117e-01   0.620 0.536342    
P_asegurada   -4.003e-02  7.620e-02  -0.525 0.600000    
Nivel_pobreza -4.175e-01  7.345e-01  -0.568 0.570457    
P_presu_usado -8.708e-02  5.345e-02  -1.629 0.104944    
Ing_fam        1.341e-02  3.492e-03   3.841 0.000168 ***
Indice_corr    7.581e-02  5.475e-02   1.385 0.167816    
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 6.863 on 185 degrees of freedom
Multiple R-squared:  0.2325,    Adjusted R-squared:  0.191 
F-statistic: 5.604 on 10 and 185 DF,  p-value: 2.688e-07

Modelo escalado

Call:
lm(formula = scale(Esperanza_vida) ~ scale(Población) + scale(Urbano) + 
    scale(P_agua_luz) + scale(Año_estud) + scale(P_alfabeta) + 
    scale(P_asegurada) + scale(Nivel_pobreza) + scale(P_presu_usado) + 
    scale(Ing_fam) + scale(Indice_corr), data = data)

Residuals:
     Min       1Q   Median       3Q      Max 
-3.07658 -0.50975  0.09758  0.65719  2.64422 

Coefficients:
                       Estimate Std. Error t value Pr(>|t|)    
(Intercept)           2.292e-16  6.425e-02   0.000 1.000000    
scale(Población)     -7.721e-04  6.968e-02  -0.011 0.991171    
scale(Urbano)        -3.943e-02  6.677e-02  -0.591 0.555561    
scale(P_agua_luz)     9.136e-02  7.335e-02   1.246 0.214486    
scale(Año_estud)     -3.448e-01  1.582e-01  -2.180 0.030530 *  
scale(P_alfabeta)     8.854e-02  1.429e-01   0.620 0.536342    
scale(P_asegurada)   -4.907e-02  9.342e-02  -0.525 0.600000    
scale(Nivel_pobreza) -7.212e-02  1.269e-01  -0.568 0.570457    
scale(P_presu_usado) -1.107e-01  6.797e-02  -1.629 0.104944    
scale(Ing_fam)        4.774e-01  1.243e-01   3.841 0.000168 ***
scale(Indice_corr)    1.042e-01  7.522e-02   1.385 0.167816    
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 0.8994 on 185 degrees of freedom
Multiple R-squared:  0.2325,    Adjusted R-squared:  0.191 
F-statistic: 5.604 on 10 and 185 DF,  p-value: 2.688e-07

No hay mucha diferencia, pero es importante para ver el verdadero impacto de cada variable

H1

Call:
lm(formula = h1, data = data)

Residuals:
    Min      1Q  Median      3Q     Max 
-28.014  -4.122   0.418   5.172  18.713 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept) 65.16029    2.56614  25.392  < 2e-16 ***
P_agua_luz   0.12048    0.03458   3.484 0.000611 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 7.421 on 194 degrees of freedom
Multiple R-squared:  0.05888,   Adjusted R-squared:  0.05403 
F-statistic: 12.14 on 1 and 194 DF,  p-value: 0.0006109

H2

Call:
lm(formula = h2, data = data)

Residuals:
     Min       1Q   Median       3Q      Max 
-26.5975  -3.8621   0.7761   4.6135  21.0752 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept) 34.69910    8.40999   4.126 5.49e-05 ***
P_agua_luz   0.07888    0.03520   2.241 0.026189 *  
P_alfabeta   0.39818    0.10504   3.791 0.000201 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 7.178 on 193 degrees of freedom
Multiple R-squared:  0.1241,    Adjusted R-squared:  0.115 
F-statistic: 13.67 on 2 and 193 DF,  p-value: 2.799e-06

H3

Call:
lm(formula = h3, data = data)

Residuals:
     Min       1Q   Median       3Q      Max 
-25.8778  -3.9774   0.5255   4.6039  20.7880 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)   
(Intercept) 52.64669   16.52625   3.186  0.00169 **
P_agua_luz   0.08880    0.03602   2.465  0.01457 * 
P_alfabeta   0.26973    0.14621   1.845  0.06660 . 
P_asegurada -0.09662    0.07663  -1.261  0.20887   
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 7.167 on 192 degrees of freedom
Multiple R-squared:  0.1313,    Adjusted R-squared:  0.1177 
F-statistic: 9.673 on 3 and 192 DF,  p-value: 5.629e-06

H4

Call:
lm(formula = h4, data = data)

Residuals:
     Min       1Q   Median       3Q      Max 
-26.5654  -3.9400   0.6082   4.7612  19.8240 

Coefficients:
              Estimate Std. Error t value Pr(>|t|)    
(Intercept)   69.88946   19.18818   3.642 0.000348 ***
P_agua_luz     0.07675    0.03649   2.103 0.036750 *  
P_alfabeta     0.08748    0.17915   0.488 0.625897    
P_asegurada   -0.06935    0.07781  -0.891 0.373955    
Nivel_pobreza -1.12815    0.64749  -1.742 0.083054 .  
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 7.129 on 191 degrees of freedom
Multiple R-squared:  0.1449,    Adjusted R-squared:  0.127 
F-statistic:  8.09 on 4 and 191 DF,  p-value: 4.783e-06

Cuadro de correlaciones

Matriz de Correlaciones

	P_agua_luz	Año_estud	P_alfabeta	P_asegurada	Nivel_pobreza	Ing_fam
P_agua_luz	1.00	0.28	0.31	-0.06	-0.33	0.34
Año_estud	0.28	1.00	0.85	-0.62	-0.82	0.82
P_alfabeta	0.31	0.85	1.00	-0.68	-0.79	0.76
P_asegurada	-0.06	-0.62	-0.68	1.00	0.61	-0.55
Nivel_pobreza	-0.33	-0.82	-0.79	0.61	1.00	-0.78
Ing_fam	0.34	0.82	0.76	-0.55	-0.78	1.00

KMO test

Kaiser-Meyer-Olkin factor adequacy
Call: KMO(r = data_filtrada)
Overall MSA =  0.87
MSA for each item = 
   P_agua_luz     Año_estud    P_alfabeta   P_asegurada Nivel_pobreza 
         0.76          0.85          0.86          0.88          0.91 
      Ing_fam 
         0.90 

Kaiser-Meyer-Olkin factor adequacy
Call: KMO(r = dataKMO)
Overall MSA =  0.89
MSA for each item = 
    Año_estud    P_alfabeta   P_asegurada Nivel_pobreza       Ing_fam 
         0.85          0.87          0.92          0.91          0.90 

Para que tenga significacia en el segundo cuadro solo están las variables que obtuvieron un valor mayor a 0.8

Matriz adecuada

Identidad

[1] FALSE

Singular

[1] FALSE

Redimensionar

Parallel analysis suggests that the number of factors =  1  and the number of components =  NA 

Sugiere 1 división

Redimensión

Cargas Factoriales del Análisis Factorial

	x
P_agua_luz	0.321
Año_estud	0.931
P_alfabeta	0.914
P_asegurada	-0.668
Nivel_pobreza	-0.939
Ing_fam	0.866

Resultados EFA

Pam

Gráfico - número de clústers

Agnes

Gráfico - número de clústers

Diana

Gráfico - número de clústers

Gráfico Pam

Gráfico Agnes

Gráfico Diana

Comparando los modelos

DIANA:

[1] NA

AGNES:

[1] NA

PAM

[1] NA

Conclusión: El mejor modelo para clusterizar es el DIANA. Esto indica que es mejorr partir desde un grupo grande hacia divisiones más específicas