Primer título

Segundo título

Tercer título

Análisis visual de datos ENIGH (2024) y COVID-19 (2025)

En este reporte se realiza un análisis visual de los datos del ENIGH 2024 y de los datos COVID-19 para el caso de México. Se utilizan los paquetes tidyverse y plotly.

Los datos del ENIGH provienen de la encuesta de los hogares. Los datos del COVID-19 provienen de la Dirección General de Epidemiología.

setwd("C:/julio/Intertrimes_25P")   # para establecer el directorio de trabajo

#install.packages("tidiverse")


dat_enigh <- read_csv("conjunto_de_datos_concentradohogar_enigh2024_ns.csv")
dat_covid <- read_csv("COVID19MEXICO_25.csv")

# Homogenizar nombre de las variables
dat_covid <- clean_names(dat_covid)

Histograma de edad con datos simulados

Se crearon dos vectores de 80 observaciones, un vector de sexo y otro de edad con datos simulados con la función rnorm(). Despues se unieron a un dataframe.

sexo <- rep(c("Hombre", "Mujer"),40)
# 1) Crear una semilla set.seed()
set.seed(123)
# 2) crear la simulacion copn rnorm()
edad <- rnorm(80,30,10)

hist(edad,
     main = "Histograma de edad",
     xlab = "Edad",
     ylab = "Frecuencia",
     col = "red")

Tabla de contingencia

Descripción de la gráfica y tabla de contingencia.

Prueba de independencia chi-cuadrado

## 
##  Pearson's Chi-squared test
## 
## data:  edu_socio2
## X-squared = 23063, df = 27, p-value < 2.2e-16

Histograma jefe del hogar por sexo de datos ENIGH

Descripción de la gráfica……

Fallecidos diarios

Descripción de la gráfica ….

## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.

Fallecidos diarios y acumulados

Descripción de la gráfica…..

Total fallecidos en el 2025 por Estado

Descripción de la gráfica ……

Fuente: elabotación propia con datos de la Dirección general de epidemiología

Modelo 1

Descripción del modelo

\[ \begin{equation} \text{modelo_1:} \quad \log(\text{salario}_i) = \beta_0 + \beta_1 \cdot \text{educ}_i + \varepsilon_i \end{equation} \]

Fuente: elaboración propia cop datos de Wooldridge

Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.5837727 0.0973358 5.99751 0
educ 0.0827444 0.0075667 10.93534 0

Pruebas diagnósticas del modeo 1

Descripción…..

Gráficas de más de dos variables

Descripción del modelo…

Modelo 2

Descripción…..

$$ \[\begin{equation} \text{modelo_2:} \quad \log(\text{wage}_i) = \beta_0 + \beta_1 \cdot \text{educ}_i + \beta_2 \cdot \text{exper}_i + \beta_3 \cdot \text{antiguedad}_i + \varepsilon_i \end{equation}\]

$$

Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.2843595 0.1041904 2.729230 0.0065625
educ 0.0920290 0.0073299 12.555246 0.0000000
exper 0.0041211 0.0017233 2.391437 0.0171356
tenure 0.0220672 0.0030936 7.133070 0.0000000

Fuente: Elaboración propia con datos simulados

Fuente: Elaboración propia con datos simulados