La elaboración de este trabajo se fundamentó en datos obtenidos del Instituto Nacional de Estadística y Censos INEC
library(dplyr) # Para manipular los datos library(ggplot2) # Para crear gráficos library(“foreign”) #Cargas datos .dta library(“msm”) library(“car”) require(plotrix) library(“plotrix”)
#Cambiar mi directorio de trabajo setwd(“D:/DELL/Desktop/Actividad Autonoma Maria Rosa Sanchez”)
options(repos = c(CRAN = "https://cloud.r-project.org"))
install.packages("foreign")Installing package into 'C:/Users/Mercy/AppData/Local/R/win-library/4.5'
(as 'lib' is unspecified)package 'foreign' successfully unpacked and MD5 sums checked
The downloaded binary packages are in
C:\Users\Mercy\AppData\Local\Temp\Rtmpq2BfNF\downloaded_packageslibrary(foreign)
library(haven)
data <- read_dta("Data1_R.dta")
View(data)media <- mean(data$ingrl, na.rm = TRUE) # Calcula la media
print(media)[1] 162.6633En este caso, podemos determinar que en 2018, el ingreso promedio mensual de las mujeres en Ecuador fue de 162.66 dólares, cifra inferior al Salario Básico Unificado (SBU) de ese año, que fue de 386 dólares. Esta diferencia refleja una situación de desigualdad económica que se agrava al compararla con el valor de la canasta básica familiar, que alcanzó los 710 dólares. La brecha entre ingresos y necesidades básicas evidencia la vulnerabilidad de muchas mujeres y la necesidad de políticas que garanticen una mayor equidad laboral y salarial
desviacion <- sd(data$ingrl, na.rm = TRUE)
print(desviacion)[1] 329.8832La desviación estándar obtenida fue de 329.88 dólares, lo que evidencia una alta dispersión en los ingresos, indicando que existen fuertes desigualdades entre las mujeres. Esta variabilidad sugiere que, aunque algunas mujeres podrían percibir ingresos cercanos al SBU o incluso superiores, una gran proporción se encuentra muy por debajo, lo cual refleja una situación de precariedad económica y resalta la necesidad de políticas públicas orientadas a reducir la desigualdad de ingresos y mejorar el acceso a empleos dignos y equitativos.
n <- sd(data$ingrl, na.rm = TRUE)
print(n)[1] 329.8832summary(data$ingrl) Min. 1st Qu. Median Mean 3rd Qu. Max.
0.0 0.0 0.0 162.7 200.0 3000.0 #Calcular el error estándar
error_estandar <- desviacion / sqrt(n)
print(error_estandar)[1] 18.16269El error estándar de 18.16 indica que la estimación es precisa, pero también refleja desigualdad en los ingresos, lo que evidencia la necesidad de políticas que promuevan mayor equidad económica.
#Calcular el intervalo de confianza al 95%
z <- qnorm(0.975) # Z-score para un intervalo de confianza del 95%
z2<- qnorm(0.95) # Z-score para un intervalo de confianza del 90%
z3<- qnorm(0.995) # Z-score para un intervalo de confianza del 99%margen_error <- z * error_estandar # Margen de error
print(margen_error)[1] 35.59821#Intervalo de confianza
IC_inferior <- media - margen_error
print(IC_inferior)[1] 127.0651IC_superior <- media + margen_error
print(IC_superior)[1] 198.2615#Mostrar el intervalo de confianza
cat("El intervalo de confianza para la media de 'ingrl' es: [", IC_inferior, ",", IC_superior, "]\n")El intervalo de confianza para la media de 'ingrl' es: [ 127.0651 , 198.2615 ]intervalo95<-cbind(IC_inferior,media,IC_superior);intervalo95 #Para transformar a matriz IC_inferior media IC_superior
[1,] 127.0651 162.6633 198.2615media_test <- t.test(data$ingrl, conf.level = 0.95)
print(media_test$conf.int)[1] 157.6220 167.7046
attr(,"conf.level")
[1] 0.95labels<-c("CI_95")
names(labels)<-labelslabelsre1<-round(c(media),2)
labelsre2<-round(c(IC_inferior),2)
labelsre3<-round(c(IC_superior),2)names(labelsre1)<-labelsre1
xre1<-c(media)
y1<-(4)
lre1<-c(IC_inferior)
ure1<-c(IC_superior)options(repos = c(CRAN = "https://cloud.r-project.org"))
install.packages("plotrix")Installing package into 'C:/Users/Mercy/AppData/Local/R/win-library/4.5'
(as 'lib' is unspecified)package 'plotrix' successfully unpacked and MD5 sums checked
The downloaded binary packages are in
C:\Users\Mercy\AppData\Local\Temp\Rtmpq2BfNF\downloaded_packageslibrary(plotrix)
plotCI(xre1,y1, ui=ure1,li=lre1,col="#898989",scol="#898989",
err="x",
axes=FALSE, ## disable axes (including tick labels)
pch=21,
pt.bg=16,
cex = 0.30,
slty = 1,
lwd=1,
xlab="",
ylab="",
ylim=c(1,7),
xlim=c(154,169), ## suppress x-axis label
main="Intervalo de Confianza para el Ingreso Promedio",
cex.main=0.85,
font.main = 1)
abline(v = xre1, col = "red",lty = 2)
#text(-200,"Media",col="blue")
axis(side=1,cex.axis=0.65) ## add default y-axis (ticks+labels)
axis(side=2,at=4, ## add custom x-axis
labels= labels,cex.axis=0.30)
box(bty="l") ## add box
text(xre1, y1+0.03, labelsre1, cex = 0.65, pos= 3)
text(lre1, y1+0.03, labelsre2, cex = 0.65, pos= 3)
text(ure1, y1+0.03, labelsre3, cex = 0.65, pos= 3)
install.packages("haven")Warning: package 'haven' is in use and will not be installedlibrary(haven)
p <- sum(as_factor(data$depresion_pp) == "Si", na.rm = TRUE) / sum(!is.na(data$depresion_pp))
print(p)[1] 0.2202298n <- length(data$depresion_pp)
print(n)[1] 16451Dentro de la muestra analizada se obtuvo un valor de 0.2202, lo que indica una proporción relevante de la población con una característica específica. Esto, junto al bajo ingreso promedio de las mujeres (162.66 dólares), evidencia desigualdades estructurales. Se requiere atención urgente mediante políticas públicas. Mejorar estas condiciones es clave para el bienestar social.
#Calcular el error estándar
error_estandarp <- sqrt((p * (1 - p)) / n)
print(error_estandarp)[1] 0.003230912En el análisis realizado, se obtuvo un error estándar de 0.0032, lo que indica una alta precisión en la estimación del valor promedio de la variable estudiada. Esta baja variabilidad refuerza la confiabilidad de los resultados y permite hacer inferencias representativas sobre la población.
#Calcular el margen de error
margen_errorp <- z * error_estandarp
print(margen_errorp )[1] 0.006332472El análisis presenta un margen de error de 0.0063, lo que indica un nivel aceptable de precisión estadística en las estimaciones realizadas. Este valor sugiere que los resultados obtenidos reflejan de manera confiable las características de la población estudiada. Sin embargo, más allá de la precisión técnica, los datos evidencian desigualdades importantes que deben ser atendidas mediante políticas públicas orientadas a mejorar la equidad en salud, ingresos y acceso a servicios básicos.
#Calcular los límites del intervalo de confianza
IC_inferiorp <- p - margen_errorp
print(IC_inferiorp)[1] 0.2138973IC_superiorp <- p + margen_errorp
print(IC_superiorp)[1] 0.2265622#Mostrar el intervalo de confianza para proporciones
cat("El intervalo de confianza para la media de 'mujeres con depresión post partol' es: [", IC_inferiorp, ",", IC_superiorp, "]")El intervalo de confianza para la media de 'mujeres con depresión post partol' es: [ 0.2138973 , 0.2265622 ]intervalo95p<-cbind(IC_inferiorp,p,IC_superiorp);intervalo95p #Para transformar a matriz IC_inferiorp p IC_superiorp
[1,] 0.2138973 0.2202298 0.2265622#Interpretación.
colnames(intervalo95p)<-c("IC_low","p","IC_high");intervalo95p #Para cambiar nombres más cortos de columna IC_low p IC_high
[1,] 0.2138973 0.2202298 0.2265622#Una forma más simplificada de calcular un intervalo de confianza para #proporciones
library(haven)
depresion_factor <- as_factor(data$depresion_pp)
prop_test <- prop.test(
sum(depresion_factor == "Si", na.rm = TRUE), # éxitos
sum(!is.na(depresion_factor)), # total válido
conf.level = 0.95
)
print(prop_test$conf.int)[1] 0.2139329 0.2266579
attr(,"conf.level")
[1] 0.95t_prueba <- t.test(data$ingrl, mu = 450, conf.level = 0.95)
print(t_prueba)
One Sample t-test
data: data$ingrl
t = -111.72, df = 16450, p-value < 2.2e-16
alternative hypothesis: true mean is not equal to 450
95 percent confidence interval:
157.6220 167.7046
sample estimates:
mean of x
162.6633 #p valor significativo, por lo tanto, rechazo la hipótesis nula y no rechazo la #hipótesis alternativa # Interpretar los resultados: # Si el valor p es menor a 0.05, rechazamos la hipótesis nula
if (t_prueba$p.value < 0.05) {
cat("Rechazamos la hipótesis nula: Entonces tenemos evidencia de que la media de 'ingrl' es diferente de 450.\n")
} else {
cat("No rechazamos la hipótesis nula: Entonces tenemos evidencia de que la media de 'ingrl' es igual a 450.\n")
}Rechazamos la hipótesis nula: Entonces tenemos evidencia de que la media de 'ingrl' es diferente de 450.t_prueba2 <- t.test(data$ingrl, mu = 450, alternative = "less", conf.level = 0.95)
print(t_prueba2)
One Sample t-test
data: data$ingrl
t = -111.72, df = 16450, p-value < 2.2e-16
alternative hypothesis: true mean is less than 450
95 percent confidence interval:
-Inf 166.894
sample estimates:
mean of x
162.6633 #p valor significativo, por lo tanto, rechazo la hipótesis nula y no rechazo la #hipótesis alternativa # Interpretacion de resultados
#Si el valor p es menor a 0.05, rechazamos la hipótesis nula
if (t_prueba$p.value < 0.05) {
cat("Rechazamos la hipótesis nula: Entonces tenemos evidencia de que la media poblacional de 'ingrl' es menor a 450.\n")
} else {
cat("No rechazamos la hipótesis nula: Entonces tenemos evidencia de que la media poblacional de 'ingrl' es mayor e igual a 450.\n")
}Rechazamos la hipótesis nula: Entonces tenemos evidencia de que la media poblacional de 'ingrl' es menor a 450.#Realizamos la prueba para saber si la proporción es diferente a 0.10
library(haven)
depresion <- as_factor(data$depresion_pp)
prop_test <- prop.test(
sum(depresion == "Si", na.rm = TRUE), # cantidad de "Si"
sum(!is.na(depresion)), # total válido
p = 0.10, # proporción esperada
conf.level = 0.95
)
print(prop_test)
1-sample proportions test with continuity correction
data: sum(depresion == "Si", na.rm = TRUE) out of sum(!is.na(depresion)), null probability 0.1
X-squared = 2640.9, df = 1, p-value < 2.2e-16
alternative hypothesis: true p is not equal to 0.1
95 percent confidence interval:
0.2139329 0.2266579
sample estimates:
p
0.2202298 Al realizar la prueba de hipótesis de proporciones con un 95 % de confianza, se obtuvo un valor p menor a 0.05, lo que permite rechazar la hipótesis nula. Esto indica que la proporción de mujeres con depresión postparto es significativamente distinta al 10 %. El resultado sugiere una posible mayor prevalencia de esta condición. Por tanto, se vuelve crucial reforzar el seguimiento y la atención en salud mental materna. Las autoridades deben considerar estos datos para mejorar las políticas de apoyo psicológico.
#Interpretar los resultados:
# Si el valor p es menor a 0.05, rechazamos la hipótesis nula
if (prop_test$p.value < 0.05) {
cat("Rechazamos la hipótesis nula: Entonces tenemos evidencia de que la proporción de 'depresion_pp' es diferente a 0.10.\n")
} else {
cat("No rechazamos la hipótesis nula: Entonces tenemos evidencia de que la proporción de 'depresion_pp' es igual a 0.10.\n")
}Rechazamos la hipótesis nula: Entonces tenemos evidencia de que la proporción de 'depresion_pp' es diferente a 0.10.Revision de Literatura El contacto continuo que los profesionales de ginecoobstetricia mantienen con gestantes y puérperas permite detectar oportunamente la depresión postparto, condición cuya prevalencia, según nuestro análisis, difiere significativamente del 10 % estimado. Este trastorno afecta no solo a la madre, sino también al entorno familiar y al desarrollo del niño. En países como Chile, la Escala de Depresión Postnatal de Edimburgo ha demostrado ser una herramienta eficaz y aceptada para su detección. Además, la omisión del tratamiento en mujeres con riesgo elevado puede generar consecuencias más graves que los efectos del uso controlado de antidepresivos. Estos hallazgos refuerzan la necesidad de fortalecer los protocolos de salud mental materna en Ecuador.
Diversos estudios han señalado una relación estrecha entre la pobreza y los trastornos mentales, configurando un círculo vicioso en el que las condiciones económicas precarias favorecen la aparición de enfermedades mentales, y estas, a su vez, profundizan la situación de pobreza. En el contexto del análisis realizado en Ecuador sobre la depresión postparto, este enfoque resulta especialmente relevante, ya que las mujeres en situación de vulnerabilidad económica presentan mayores barreras para acceder a diagnóstico y tratamiento oportuno. Si bien en países como Colombia aún no existen suficientes investigaciones al respecto, en Ecuador es fundamental abordar esta relación para desarrollar políticas públicas que integren la salud mental como parte esencial de la lucha contra la pobreza.