base_de_datos <- "ITER_19CSV20.csv"
base_completa <- read_csv(
base_de_datos,
col_types = cols(.default = col_character())
)
#Después de descargar la base de datos necesaria, la abro para poder ver todos los registros, son aproximadamente 4974 obsercaciones con 286 variables#Seleccionar solo Mier y Noriega
mier_y_noriega <- base_completa %>%
filter(NOM_MUN == "Mier y Noriega") #se filtra para que solo me aparezca la info de Mier y Noriega con 28 observaciones de 286 variablesPara entender cuales son las condiciones de Mier y Noriega, se tiene que consultar el diccionario de datos para ver que significa cada variable. Después de hacer eso, las variables se tienen que dividir por sectores: geograficos, poblacionales, educacionales, vivienda y demás.Tambien, al limpiar la base las tengo que dividir entre numericas y no numericas para crear una base de datos que esté uniforme con el mismo tipo de variables.
#Divido las variables en su respectiva categoria
#POBLACIONALES
var_poblacion <- c(
"POBTOT","POBFEM","POBMAS",
"P_0A2","P_0A2_F","P_0A2_M",
"P_3YMAS","P_3YMAS_F","P_3YMAS_M",
"P_15YMAS","P_60YMAS",
"REL_H_M","POB0_14","POB15_64","POB65_MAS"
)#EDUCACIONALES
var_educacion <- c(
"P3A5_NOA","P6A11_NOA","P12A14NOA",
"P15YM_AN","P15YM_AN_F","P15YM_AN_M",
"P15YM_SE",
"P15PRI_IN","P15PRI_CO",
"P15SEC_IN","P15SEC_CO",
"P18YM_PB",
"GRAPROES","GRAPROES_F","GRAPROES_M"
)#ECONOMIA
var_economia <- c(
"PEA","PEA_F","PEA_M",
"PE_INAC",
"POCUPADA",
"PDESOCUP"
)#VIVIENDA Y SERVICIOS
var_vivienda <- c(
"VIVTOT","TVIVHAB","VIVPAR_HAB","OCUPVIVPAR","PROM_OCUP",
"VPH_PISODT","VPH_PISOTI",
"VPH_C_ELEC","VPH_S_ELEC",
"VPH_AGUADV","VPH_AEASP","VPH_AGUAFV",
"VPH_DRENAJ","VPH_NODREN",
"VPH_C_SERV","VPH_SNBIEN",
"VPH_REFRI","VPH_LAVAD","VPH_AUTOM",
"VPH_CEL","VPH_INTER","VPH_PC"
)#JUNTO TODAS PARA CONVERTIRLAS A NUMERICAS DE UNA SOLA VEZ
var_clave <- c(
var_poblacion,
var_educacion,
var_economia,
var_vivienda
)
length(var_clave)## [1] 58#Limpiar y convertir variables clave a numéricas
mier_limpio <- mier_y_noriega %>%
mutate(across(all_of(var_clave), ~na_if(.x, "*"))) %>%
mutate(across(all_of(var_clave), as.numeric))
#Contar cuantos NA quedaron en todas las variables
na_resumen <- mier_limpio %>%
summarise(across(all_of(var_clave), ~sum(is.na(.)))) %>%
pivot_longer(everything(), names_to = "variable", values_to = "n_NA") %>%
filter(n_NA > 0) %>%
arrange(desc(n_NA))
cat("Variables con datos confidenciales", nrow(na_resumen), "\n\n")## Variables con datos confidenciales 55print(head(na_resumen, 10))## # A tibble: 10 × 2
## variable n_NA
## <chr> <int>
## 1 POBFEM 6
## 2 POBMAS 6
## 3 P_0A2 6
## 4 P_0A2_F 6
## 5 P_0A2_M 6
## 6 P_3YMAS 6
## 7 P_3YMAS_F 6
## 8 P_3YMAS_M 6
## 9 P_15YMAS 6
## 10 P_60YMAS 6#Convierto todos los asteriscos que hay en los datos de Mier y Noriega en NAs.
mier_limpio_final <- mier_y_noriega %>%
mutate(across(everything(), ~na_if(trimws(.), "*")))#Busco cual es el total de poblacion en el municipio
total_municipio <- mier_limpio %>%
filter(LOC == "0000") %>%
pull(POBTOT)
cat("Población total oficial:", format(total_municipio, big.mark = ","), "\n")## Población total oficial: 7,652#Se crea variable de localidades
localidades_mier <- mier_limpio %>%
filter(LOC != "0000")# Indicadores educativos por localidad - analfabetismo
educacion_localidades <- localidades_mier %>%
select(LOC, NOM_LOC, POBTOT, P_15YMAS, P15YM_AN, GRAPROES) %>%
mutate(
PCT_ANALFABETISMO = round((P15YM_AN / P_15YMAS) * 100, 2)
)
educacion_localidades## # A tibble: 27 × 7
## LOC NOM_LOC POBTOT P_15YMAS P15YM_AN GRAPROES PCT_ANALFABETISMO
## <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 0001 Mier y Noriega 1180 840 83 7.27 9.88
## 2 0003 La Cardona 479 323 77 5.3 23.8
## 3 0004 Cerros Blancos 586 367 36 6.65 9.81
## 4 0005 Dolores 549 382 21 7.46 5.5
## 5 0007 El Gallito 206 149 18 5.44 12.1
## 6 0008 Jesús María del Te… 215 148 11 6.51 7.43
## 7 0009 La Joya del Zacate 45 30 1 6.13 3.33
## 8 0010 Lagunita de Taberna 208 135 12 5.87 8.89
## 9 0012 Las Mesas de San J… 124 73 5 6.58 6.85
## 10 0013 Las Palomas (Lajil… 865 500 43 6.71 8.6
## # ℹ 17 more rows#Solo las localidades
localidades_mier <- mier_limpio %>%
filter(!LOC %in% c("0000", "9998", "9999"))
cat("Localidades en Mier y Noriega:", nrow(localidades_mier), "\n")## Localidades en Mier y Noriega: 25#Indicadores educativos por localidad - grado de escolaridad
escolaridad_localidades <- educacion_localidades %>%
arrange(GRAPROES)
escolaridad_localidades## # A tibble: 27 × 7
## LOC NOM_LOC POBTOT P_15YMAS P15YM_AN GRAPROES PCT_ANALFABETISMO
## <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 9999 Localidades de dos… 13 12 2 4.42 16.7
## 2 9998 Localidades de una… 6 6 0 5.17 0
## 3 0003 La Cardona 479 323 77 5.3 23.8
## 4 0007 El Gallito 206 149 18 5.44 12.1
## 5 0020 San Isidro 414 294 66 5.69 22.4
## 6 0015 La Presita de Cerr… 515 352 72 5.83 20.4
## 7 0010 Lagunita de Taberna 208 135 12 5.87 8.89
## 8 0021 San José de Cuatro… 84 66 9 5.98 13.6
## 9 0019 San Elías 30 18 2 6.11 11.1
## 10 0009 La Joya del Zacate 45 30 1 6.13 3.33
## # ℹ 17 more rows#esta tabla va de menor a mayor rezago#Carencias por localidad
vivienda_localidades <- localidades_mier %>%
select(
LOC, NOM_LOC, POBTOT, VIVPAR_HAB,
VPH_AGUADV, VPH_AEASP, VPH_AGUAFV,
VPH_NODREN, VPH_INTER
) %>%
mutate(
#Viviendas sin agua entubada
SIN_AGUA = VIVPAR_HAB - (VPH_AGUADV + VPH_AEASP + VPH_AGUAFV),
#Viviendas sin drenaje
SIN_DRENAJE = VPH_NODREN,
#Viviendas sin internet
SIN_INTERNET = VIVPAR_HAB - VPH_INTER,
#Porcentajes de carencia
P_SIN_AGUA = round((SIN_AGUA / VIVPAR_HAB) * 100, 2),
P_SIN_DRENAJE = round((SIN_DRENAJE / VIVPAR_HAB) * 100, 2),
P_SIN_INTERNET = round((SIN_INTERNET / VIVPAR_HAB) * 100, 2),
INDICE_CARENCIA = P_SIN_AGUA + P_SIN_DRENAJE + P_SIN_INTERNET
) %>%
arrange(desc(INDICE_CARENCIA))
vivienda_localidades %>%
select(NOM_LOC, POBTOT, P_SIN_AGUA, P_SIN_DRENAJE, P_SIN_INTERNET, INDICE_CARENCIA)## # A tibble: 25 × 6
## NOM_LOC POBTOT P_SIN_AGUA P_SIN_DRENAJE P_SIN_INTERNET INDICE_CARENCIA
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Las Mesas de … 124 0 100 100 200
## 2 Tapona Moreña 519 -1.69 55.1 100 153.
## 3 El Refugio de… 531 -55.8 95.4 97.7 137.
## 4 San José de M… 14 -66.7 100 100 133.
## 5 San Antonio d… 412 -9.78 59.8 78.3 128.
## 6 Lagunita de T… 208 -79.1 100 100 121.
## 7 La Presita de… 515 -69.0 86.8 99.2 117.
## 8 San Elías 30 -14.3 28.6 100 114.
## 9 San Isidro 414 -15.8 33.7 96.0 114.
## 10 La Joya del Z… 45 0 8.33 91.7 100
## # ℹ 15 more rowscomparativo_mier <- localidades_mier %>%
mutate(
TIPO = if_else(LOC == "0001", "Cabecera Municipal", "Localidad Rural")
)
table(comparativo_mier$TIPO)##
## Cabecera Municipal Localidad Rural
## 1 24#Creo variable que inluye edu + servicios, me ayuda a medir el porcentaje de personas que tienen estos
indicadores_mier <- comparativo_mier %>%
left_join(
educacion_localidades %>% select(LOC, PCT_ANALFABETISMO, GRAPROES),
by = "LOC"
) %>%
left_join(
vivienda_localidades %>% select(LOC, P_SIN_AGUA, P_SIN_DRENAJE, P_SIN_INTERNET),
by = "LOC"
)#Comparo las medias del porcentaje de todos los servicios
comparacion_medias <- indicadores_mier %>%
group_by(TIPO) %>%
summarise(
PROM_ANAFABETISMO = round(mean(PCT_ANALFABETISMO, na.rm = TRUE), 2),
PROM_SIN_AGUA = round(mean(P_SIN_AGUA, na.rm = TRUE), 2),
PROM_SIN_DRENAJE = round(mean(P_SIN_DRENAJE, na.rm = TRUE), 2),
PROM_SIN_INTERNET = round(mean(P_SIN_INTERNET, na.rm = TRUE), 2),
.groups = "drop"
)
comparacion_medias## # A tibble: 2 × 5
## TIPO PROM_ANAFABETISMO PROM_SIN_AGUA PROM_SIN_DRENAJE PROM_SIN_INTERNET
## <chr> <dbl> <dbl> <dbl> <dbl>
## 1 Cabecera M… 9.88 -95.8 14.8 63.0
## 2 Localidad … 11.4 -55.9 60.7 96.9La comunidad de Mier y Noriega cuenta con 7,652 habitantes. Este es un municipio muy pequeño a comparación de otros en el estado de NL. Esto es consistente con las características que una comunidad tiene, ya que hay pocas personas pero mucha desigualdad. La localidad con más habitantes es la cabecera, que cuenta con 1,180 habitantes. Esta es la localidad con mas habitantes.
En cuanto a educación, la localidad de La Cardona presenta un nivel de analfabetismo del 23.84%, esto es casi el triple comparado con el 9.18% de la cabecera, lo cual indica que en las zonas mas alejadas de la cabecera, se encuentra un nivel de rezago más alto. Si se analizan todos los porcentajes, en las comunidades con menos habitantes incrementa el nivel de rezago educativo. Este es un punto interesante que puede dar insight en los lugares que mas ayuda necesitan.
En verdad, la parte de vivienda es la que mas me sorprendió de todas las secciones ya que hay un 60% de la población que NO tiene acceso a drenaje (esto es sin contar la cabecera). Este es un numero alarmantemente alto, ya que es mas de la mitad de la comunidad que sufre de esta carencia. Y no es solo esa, también, el 96% de las personas que no viven en la cabecera no tienen acceso al servicio de internet. En un mundo en el que cada vez estamos mas conectados, es crucial tener acceso a este servicio para poder desarrollar habilidades y tener nuevas oportunidades. Lo que aprendí de estos datos es que entre mas pegado a la cabecera, mejor oportunidad de tener acceso a los servicios basicos.
Si nos enfocamos bien en comparar los datos educativos con los datos de vivienda, podemos ver que en todo el territorio hay un nivel bajo de diferencia de analfabetismo, en verdad, la gran desigualdad con la que cuenta esta comunidad es la de servicios básicos y acceso al internet. Su problema mas fuerte es que el 60% de la población no tiene agua ni drenaje, lo que dificulta mucho el tema de desarrollo y vivienda.
El análisis de este municipio demuestra que existe una gran brecha de desigualdades y carencias sociales. Cuándo analizamos el contexto entre la cabecera y las otras localidades, encontré que existe una gran brecha de desarrollo entre estas, con todo tipo de servicios. Esto significa que, la mayoría de las oportunidades y de servicios existen en mayor cantidad y disponibilidad en la cabecera. Esto pone en una desventaja a la población que no vive en la cabecera. Entender por qué está pasando esto es la clave para darle soluciones a la comunidad de Mier y Noriega. Yo no tenía contexto de este municipio ya que soy extranjera, entonces me tomé la libertad de investigar un poco sobre este lugar. encontré que hace mucha falta un buen plan de infraestructura para que no se desarrolle de manera desigual en comparación al resto de las localidades.
También encontré durante el análisis que el analfabetismo sigue siendo un gran problema en este municipio. Esto también se relaciona al hecho de que no hay suficiente infraestructura de centros educativos. Los ciudadanos de esta comunidad no tienen las mismas oportunidades para acceder a la educación, por eso se ve tanta dispersión comparando la cabecera con las zonas que son consideradas más rurales. Como mencioné antes, este indicador fue poco sorprendente para mí, ya que normalmente es común encontrar que hay más oportunidades en la zona principal de un municipio en comparación a las zonas rurales.
En cuanto a servicios del hogar, me pareció muy sorprendente ver como a la mayoría de las localidades les hace falta acceso a agua entubada. Esto crea un problema más grande ya que significa que no hay estructuras de drenaje adecuadas para llevar agua y servicios a toda la comunidad. Quiero hacer énfasis en lo importante que es la infraestructura para el desarrollo de Mier y Noriega, ya que todos los problemas que están presentando, y su realidad, pudiera mejorar al invertir en proyectos de infraestructura que favorezcan el acceso a servicios. Se puede ver que este es como un ciclo, al no tener acceso a tantos servicios, se frena el desarrollo, y es difícil salir de eso. La realidad de Mier y Noriega es muy difícil. Pero no significa que no hay mucha área de oportunidad para aprender de qué es lo que se está haciendo mal, y comenzar a proponer soluciones que verdaderamente creen un impacto fuerte en la comunidad.