El presente trabajo se desarrollo en base a información obtenida de la pagina oficial del INEC, correspondiente al año 2018.
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 directorio de trabajo setwd(“D:/Users/USUARIO/Desktop/Tarea 2 BA”)
options(repos = c(CRAN = "https://cloud.r-project.org"))
install.packages("foreign")Installing package into 'C:/Users/USUARIO/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\USUARIO\AppData\Local\Temp\RtmpEF5V9b\downloaded_packageslibrary(foreign)
library(haven)
data <- read_dta("Data1_R.dta")
View(data)library(haven)
data <- read_dta("Data1_R.dta")
View(data)head(data)# A tibble: 6 × 50
area empleo region edad t_hijos nac_vivo_murieron mortinato_2
<dbl+lbl> <dbl+lbl> <dbl+l> <dbl> <dbl> <dbl+lbl> <dbl+lbl>
1 1 [Urbano] 1 [Trabajó al… 1 [Sie… 19 1 0 [No] 0 [No]
2 1 [Urbano] 0 [No trabajó] 1 [Sie… 23 1 0 [No] 0 [No]
3 1 [Urbano] 1 [Trabajó al… 1 [Sie… 38 5 0 [No] 0 [No]
4 1 [Urbano] 0 [No trabajó] 1 [Sie… 18 1 0 [No] 0 [No]
5 1 [Urbano] 0 [No trabajó] 1 [Sie… 21 1 0 [No] 0 [No]
6 1 [Urbano] 1 [Trabajó al… 1 [Sie… 22 1 0 [No] 0 [No]
# ℹ 43 more variables: depresion_pp <dbl+lbl>, intensidad_dpp <dbl+lbl>,
# etnia <dbl+lbl>, f2_s2_216_1 <dbl+lbl>, f2_s2_216_2 <dbl>,
# f2_s2_218_1_a <dbl+lbl>, tiempo_dpp <dbl+lbl>, f2_s5_504a_1 <dbl+lbl>,
# f2_s5_504b_1 <dbl+lbl>, f2_s5_504c_1 <dbl+lbl>, f2_s5_504d_1 <dbl+lbl>,
# f2_s5_504e_1 <dbl+lbl>, f2_s5_504f_1 <dbl+lbl>, f2_s5_504g_1 <dbl+lbl>,
# f2_s5_504h_1 <dbl+lbl>, f2_s5_504i_1 <dbl+lbl>, f2_s5_504j_1 <dbl+lbl>,
# f2_s5_504k_1 <dbl+lbl>, est_civil <dbl+lbl>, q_usted <dbl+lbl>, …media <- mean(data$ingrl, na.rm = TRUE) # Calcula la media
print (media)[1] 162.6633En el año 2018 el salario de las mujeres en el Ecuador ascendió a la suma de $162.66 dólares, valor inferior al del salario básico percibido en el mismo año, es decir $ 386.00 dólares.
desviacion <- sd(data$ingrl, na.rm = TRUE)
print (desviacion)[1] 329.8832La desviación standard para el presente caso de estudio es de 329.88
n <- length(data$ingrl)
print (n)[1] 16451summary(data$ingrl) Min. 1st Qu. Median Mean 3rd Qu. Max.
0.0 0.0 0.0 162.7 200.0 3000.0 error_estandar <- desviacion / sqrt(n)
print (error_estandar)[1] 2.571959El error standard para este caso de estudio se registra en 2.57
z <- qnorm(0.975) # Z-score para un intervalo de confianza del 95%
z2<- qnorm(0.95) # Z-score para un intervalo de confianza del 90%
z3<- qnorm(0.995) # Z-score para un intervalo de confianza del 99%margen_error <- z * error_estandar # Margen de error
print (margen_error)[1] 5.040948El márgen de error es de 5.04%.
IC_inferior <- media - margen_error
print(IC_inferior)[1] 157.6223IC_superior <- media + margen_error
print(IC_superior)[1] 167.7042cat("El intervalo de confianza para la media de 'ingrl' es: [", IC_inferior, ",", IC_superior, "]\n")El intervalo de confianza para la media de 'ingrl' es: [ 157.6223 , 167.7042 ]intervalo95<-cbind(IC_inferior,media,IC_superior);intervalo95 #Para transformar a matriz IC_inferior media IC_superior
[1,] 157.6223 162.6633 167.7042colnames(intervalo95)<-c("IC_low","media","IC_high");intervalo95 #Para cambiar nombres más cortos de columnas IC_low media IC_high
[1,] 157.6223 162.6633 167.7042media_test <- t.test(data$ingrl, conf.level = 0.95)
print(media_test$conf.int)[1] 157.6220 167.7046
attr(,"conf.level")
[1] 0.95labels<-c("CI_95")
names(labels)<-labelslabelsre1<-round(c(media),2)
labelsre2<-round(c(IC_inferior),2)
labelsre3<-round(c(IC_superior),2)xre1<-c(media)
y1<-(4)
lre1<-c(IC_inferior)
ure1<-c(IC_superior)options(repos = c(CRAN = "https://cloud.r-project.org"))
install.packages("plotrix")Installing package into 'C:/Users/USUARIO/AppData/Local/R/win-library/4.5'
(as 'lib' is unspecified)package 'plotrix' successfully unpacked and MD5 sums checked
The downloaded binary packages are in
C:\Users\USUARIO\AppData\Local\Temp\RtmpEF5V9b\downloaded_packageslibrary(plotrix)
plotCI(xre1,y1, ui=ure1,li=lre1,col="#898989",scol="#898989",
err="x",
axes=FALSE, ## disable axes (including tick labels)
pch=21,
pt.bg=16,
cex = 0.30,
slty = 1,
lwd=1,
xlab="",
ylab="",
ylim=c(1,7),
xlim=c(154,169), ## suppress x-axis label
main="Intervalo de Confianza para el Ingreso Promedio",
cex.main=0.85,
font.main = 1)
abline(v = xre1, col = "red",lty = 2)
#text(-200,"Media",col="blue")
axis(side=1,cex.axis=0.65) ## add default y-axis (ticks+labels)
axis(side=2,at=4, ## add custom x-axis
labels= labels,cex.axis=0.30)
box(bty="l") ## add box
text(xre1, y1+0.03, labelsre1, cex = 0.65, pos= 3)
text(lre1, y1+0.03, labelsre2, cex = 0.65, pos= 3)
text(ure1, y1+0.03, labelsre3, cex = 0.65, pos= 3)
install.packages("haven")Warning: package 'haven' is in use and will not be installedlibrary(haven)
p <- sum(as_factor(data$depresion_pp) == "Si", na.rm = TRUE) / sum(!is.na(data$depresion_pp))
print(p)[1] 0.2202298En el año 2018, el 22% de las mujeres del Ecuador sufrieron depresión post parto, por lo que es importante que como politica de estado despues de que nazca el niño, proveer a la madre de atención médica que recomiende chequeos posparto tempranos para detectar síntomas de depresión posparto.
{r}[@latorre-latorre2006]} n <- length(data$depresion_pp) print(n)
error_estandarp <- sqrt((p * (1 - p)) / n)
print(error_estandarp)[1] 0.003230912El error stand de la proporcion de mujeres con depresion en Ecuador en el año es de 0.0032
margen_errorp <- z * error_estandarp
print(margen_errorp)[1] 0.006332472El error de la proporcion standar de mujeres con depresión es 0.006332
IC_inferiorp <- p - margen_errorp
print(IC_inferiorp)[1] 0.2138973IC_superiorp <- p + margen_errorp
print(IC_superiorp)[1] 0.2265622cat("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 0.2265622colnames(intervalo95p)<-c("IC_low","p","IC_high");intervalo95p #Para cambiar nombres más cortos de columnas IC_low p IC_high
[1,] 0.2138973 0.2202298 0.2265622library(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] 0.95Supongamos que queremos realizar una prueba de hipótesis para la media de ‘ingrl’
H0: El ingreso promedio poblacional es igual a $450
HA: El ingreso promedio poblacional es diferente a $450
t_prueba <- t.test(data$ingrl, mu = 450, conf.level = 0.95)
print(t_prueba)
One Sample t-test
data: data$ingrl
t = -111.72, df = 16450, p-value < 2.2e-16
alternative hypothesis: true mean is not equal to 450
95 percent confidence interval:
157.6220 167.7046
sample estimates:
mean of x
162.6633 La muestra es significativa, por lo que se rehaza la hipoteis nula y acepta la hipotesis alternativa, dado que el ingreso promedio del Ecuador para el año 2018 fue de 162.66 dólares.
if (t_prueba$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.H0: El ingreso promedio poblacional es mayor e igual a $450
HA: El ingreso promedio poblacional es menor a $450
Recordar que la HA nunca contiene los signos “=” , “≤” o “≥”.
t_prueba2 <- t.test(data$ingrl, mu = 450, alternative = "less", conf.level = 0.95)
print(t_prueba2)
One Sample t-test
data: data$ingrl
t = -111.72, df = 16450, p-value < 2.2e-16
alternative hypothesis: true mean is less than 450
95 percent confidence interval:
-Inf 166.894
sample estimates:
mean of x
162.6633 El valor es significativo, por lo tanto, rechazamos la hipótesis nula y no la hipótesis alternativa.
Supongamos que queremos realizar una prueba de hipótesis para proporción de ‘depresion_pp’ H0: La proporción poblacional de las ujeres con depresion es igual a 0.10 HA: La proporción poblacional es diferente a 0.10
library(haven)
depresion <- as_factor(data$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 El p value es estadisticamente significativo, por lo tanto hay evidencia para rechazar hipotesis alternativa.
library(haven)
depresion <- as_factor(data$depresion_pp)
prop_test <- prop.test(
sum(depresion == "Si", na.rm = TRUE), # cantidad de "Si"
sum(!is.na(depresion)), # total válido
p = 0.10, # proporción esperada
conf.level = 0.95
)
print(prop_test)
1-sample proportions test with continuity correction
data: sum(depresion == "Si", na.rm = TRUE) out of sum(!is.na(depresion)), null probability 0.1
X-squared = 2640.9, df = 1, p-value < 2.2e-16
alternative hypothesis: true p is not equal to 0.1
95 percent confidence interval:
0.2139329 0.2266579
sample estimates:
p
0.2202298 library(haven)
depresion <- as_factor(data$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 Segun [Latorre-Latorre, Contreras-Pezzotti, and Herrán-Falla (2006), la depresión posparto es un trastorno poco reconocido, sin embargo por las altas cifras puede considerarse como un problema de salud pública. Su frecuencia podría disminuir si se realiza un control prenatal adecuado y un seguimiento estrecho de las mujeres puérperas durante las primeras semanas del posparto.
Segun(Leveau-Bartra et al. 2024)La depresión posparto se asocia a variables sociodemográficas del entorno de la paciente que requieren intervención oportuna para disminuir los efectos negativos en la madre y el niño.