Un grupo de estudiantes recolectó datos simulados de 15 jóvenes de entre 18 y 25 años para conocer su situación económica y si tienen acceso a servicios de salud. Los datos incluyen el ingreso mensual (en pesos mexicanos), el sexo, la edad, y si están afiliados a algún sistema de salud pública (IMSS, ISSSTE, INSABI, etc.) #Crea los siguientes vectores y únalos en un dataframe.

ingreso_mensual<-c(3500,4200,5000,2500,1800,3000,6200,2900,2000,3100,4000,2800,5300,1500,3600)
sexo<-c("F","M","F","M","F","M","F","M","F","M","F","M","F","M","F")
edad<-c(22,20,24,23,18,21,25,22,19,23,20,21,24,18,22)
afiliacion_salud<-c("si","si","no","no","si","no","si","si","no","no","si","no","si","no","si")
data.frame<-data.frame(ingreso_mensual,sexo,edad,afiliacion_salud)
data.frame
##    ingreso_mensual sexo edad afiliacion_salud
## 1             3500    F   22               si
## 2             4200    M   20               si
## 3             5000    F   24               no
## 4             2500    M   23               no
## 5             1800    F   18               si
## 6             3000    M   21               no
## 7             6200    F   25               si
## 8             2900    M   22               si
## 9             2000    F   19               no
## 10            3100    M   23               no
## 11            4000    F   20               si
## 12            2800    M   21               no
## 13            5300    F   24               si
## 14            1500    M   18               no
## 15            3600    F   22               si

Obtenga una submuestra de jóvenes sin servicios de salud.

sin_servicio_salud <- subset(data.frame, subset = afiliacion_salud == "no")
sin_servicio_salud
##    ingreso_mensual sexo edad afiliacion_salud
## 3             5000    F   24               no
## 4             2500    M   23               no
## 6             3000    M   21               no
## 9             2000    F   19               no
## 10            3100    M   23               no
## 12            2800    M   21               no
## 14            1500    M   18               no

Obtenga las siguientes métricas para la muestra y la submuestra: promedio de ingresos, mediana de ingresos,desviación estándar, y summary.

promedio<-mean(data.frame$ingreso_mensual)
promedio
## [1] 3426.667
promedio_submuestra<-mean(sin_servicio_salud$ingreso_mensual)
promedio_submuestra
## [1] 2842.857
mediana<-median(data.frame$ingreso_mensual)
mediana
## [1] 3100
mediana_submuestra<-median(sin_servicio_salud$ingreso_mensual)
mediana_submuestra
## [1] 2800
desviacion_estandar<-sd(data.frame$ingreso_mensual)
desviacion_estandar
## [1] 1332.273
desviacion_estandar_muestra<-sd(sin_servicio_salud$ingreso_mensual)
desviacion_estandar_muestra
## [1] 1108.839
summary(data.frame)
##  ingreso_mensual     sexo                edad       afiliacion_salud  
##  Min.   :1500    Length:15          Min.   :18.00   Length:15         
##  1st Qu.:2650    Class :character   1st Qu.:20.00   Class :character  
##  Median :3100    Mode  :character   Median :22.00   Mode  :character  
##  Mean   :3427                       Mean   :21.47                     
##  3rd Qu.:4100                       3rd Qu.:23.00                     
##  Max.   :6200                       Max.   :25.00
summary(sin_servicio_salud)
##  ingreso_mensual     sexo                edad       afiliacion_salud  
##  Min.   :1500    Length:7           Min.   :18.00   Length:7          
##  1st Qu.:2250    Class :character   1st Qu.:20.00   Class :character  
##  Median :2800    Mode  :character   Median :21.00   Mode  :character  
##  Mean   :2843                       Mean   :21.29                     
##  3rd Qu.:3050                       3rd Qu.:23.00                     
##  Max.   :5000                       Max.   :24.00

Finalmente, responda las siguientes preguntas:

¿Qué diferencias observa entre los ingresos de quienes tienen y no tienen servicios de salud? A partir de los datos presentados en la tabla, podría suponer que las personas que se encuentran afiliadas gozan de un sueldo mayor, sin mebrago, es necesario realizar una comparación que respalde este supuesto. ¿Cuál grupo tiene mayor ingreso promedio?

con_servicio_salud <- subset(data.frame, subset = afiliacion_salud == "si")
promedio_con_servicio_salud<-mean(con_servicio_salud$ingreso_mensual)
promedio_con_servicio_salud
## [1] 3937.5
promedio_sin_servicio_salud<-mean(sin_servicio_salud$ingreso_mensual)
promedio_sin_servicio_salud
## [1] 2842.857

Tiene mayor ingreso promedio los que estan afiliados

¿Qué grupo tiene mayor dispersión?

sd_sin_servicio_salud<-sd(sin_servicio_salud$ingreso_mensual)
sd_sin_servicio_salud
## [1] 1108.839
sd_con_servicio_salud<-sd(con_servicio_salud$ingreso_mensual)
sd_con_servicio_salud
## [1] 1362.705

Los que cuenta con una afliacion a algun servicio de salud tienen una mayor dispersion.

¿Qué implicaciones sociales podrían derivarse de estos datos? Con los resultados obtenidos podemos observar que las personas que no cuentan con una afliación a algun tipo de sistema de salud, tienden a tener un promedio de ingresos menores con respecto a aquellos que si se encuentran afiliados. Esto representa un problema, debido a que, ante a algún riesgo que vulnere la salud de aquellos que no se encuentran afiliados les representará un gasto mayor el acceder a atencion medica