Migración Neta
Universidad Central del Ecuador
06/06/2026
0. Librerías
library(dplyr)##
## Adjuntando el paquete: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(gt)
library(e1071)1. Leer datos
df <- read.csv(
"waterPollution.csv",
sep = ",",
stringsAsFactors = FALSE
)2. Extracción y depuración de la variable
# -------------------------
# Extraer variable y discretizar por redondeo
# -------------------------
Migraciones <- round(df$netMigration_2011_2018)
# Eliminar valores faltantes
Migraciones <- na.omit(Migraciones)3. Tabla de distribución de frecuencias
3.1 Tabla de frecuencias
#Se decidió trabajar exclusivamente con los valores de migración neta positivos (a partir de 18,000). Esta delimitación metodológica se fundamenta en el criterio de que, conceptualmente, no resulta técnicamente adecuado denominar 'migración neta negativa'
Migraciones_positivos <- Migraciones[Migraciones >= 18000]
# -------------------------
# Tabla de frecuencias general
# -------------------------
tabla_freq_general <- as.data.frame(
table(Migraciones_positivos)
)
# Renombrar columnas
colnames(tabla_freq_general) <- c(
"Migraciones",
"ni"
)
tabla_freq_general$Migraciones <- as.numeric(as.character(tabla_freq_general$Migraciones))
# Frecuencia relativa (hi)
tabla_freq_general$hi <- round(
(tabla_freq_general$ni / sum(tabla_freq_general$ni)) * 100,
2
)
# Frecuencias acumuladas ascendentes
tabla_freq_general$Ni_asc <- cumsum(tabla_freq_general$ni)
tabla_freq_general$Hi_asc <- round(
(tabla_freq_general$Ni_asc / sum(tabla_freq_general$ni)) * 100,
2
)
# Frecuencias acumuladas descendentes
tabla_freq_general$Ni_dsc <- rev(cumsum(rev(tabla_freq_general$ni)))
tabla_freq_general$Hi_dsc <- round(
(tabla_freq_general$Ni_dsc / sum(tabla_freq_general$ni)) * 100,
2
)
# -------------------------
# Agregar fila de totales
# -------------------------
fila_total_gen <- data.frame(
Migraciones = "TOTAL",
ni = sum(tabla_freq_general$ni),
hi = 100,
Ni_asc = NA,
Hi_asc = NA,
Ni_dsc = NA,
Hi_dsc = NA
)
# Asegurar que la columna Migraciones sea character para aceptar "TOTAL"
tabla_freq_general$Migraciones <- as.character(tabla_freq_general$Migraciones)
tabla_final_gen <- rbind(
tabla_freq_general,
fila_total_gen
)
# Reemplazar NAs por espacios vacíos para la vista
tabla_final_gen[is.na(tabla_final_gen)] <- ""
# -------------------------
# Tabla GT General
# -------------------------
tabla_gt_general <- tabla_final_gen %>%
gt() %>%
tab_header(
title = md("**Tabla N°1**"),
subtitle = md(
"**Distribución de frecuencias de la migración neta positiva en el estudio de la calidad de agua en Europa (1991-2017)**"
)
) %>%
cols_label(
Migraciones = "Migraciones",
ni = "ni",
hi = "hi (%)",
Ni_asc = "Ni ↑",
Hi_asc = "Hi ↑ (%)",
Ni_dsc = "Ni ↓",
Hi_dsc = "Hi ↓ (%)"
) %>%
cols_align(align = "center", columns = everything()) %>%
tab_style(
style = list(cell_text(weight = "bold"), cell_borders(sides = "top", color = "black", weight = px(2))),
locations = cells_body(
rows = Migraciones == "TOTAL"
)
) %>%
opt_row_striping()
tabla_gt_general| Tabla N°1 | ||||||
| Distribución de frecuencias de la migración neta positiva en el estudio de la calidad de agua en Europa (1991-2017) | ||||||
| Migraciones | ni | hi (%) | Ni ↑ | Hi ↑ (%) | Ni ↓ | Hi ↓ (%) |
|---|---|---|---|---|---|---|
| 18927 | 355 | 2.25 | 355 | 2.25 | 15751 | 100 |
| 21257 | 479 | 3.04 | 834 | 5.29 | 15396 | 97.75 |
| 22769 | 3 | 0.02 | 837 | 5.31 | 14917 | 94.71 |
| 22855 | 82 | 0.52 | 919 | 5.83 | 14914 | 94.69 |
| 45227 | 27 | 0.17 | 946 | 6.01 | 14832 | 94.17 |
| 56745 | 171 | 1.09 | 1117 | 7.09 | 14805 | 93.99 |
| 62334 | 261 | 1.66 | 1378 | 8.75 | 14634 | 92.91 |
| 74021 | 91 | 0.58 | 1469 | 9.33 | 14373 | 91.25 |
| 75808 | 9661 | 61.34 | 11130 | 70.66 | 14282 | 90.67 |
| 82158 | 22 | 0.14 | 11152 | 70.8 | 4621 | 29.34 |
| 297760 | 101 | 0.64 | 11253 | 71.44 | 4599 | 29.2 |
| 325435 | 3957 | 25.12 | 15210 | 96.57 | 4498 | 28.56 |
| 582211 | 541 | 3.43 | 15751 | 100 | 541 | 3.43 |
| TOTAL | 15751 | 100.00 | ||||
3.2 Tabla simplificada de frecuencias
# -------------------------------------
# Tabla de frecuencias con intervalos
# -------------------------------------
# 1. Definir los cortes
cortes <- c(0, 21000, 62000, 75000, 325000, 450000, 600000)
etiquetas_tabla <- c("[18k - 21k]", "(21k - 62k]", "(62k - 75k]",
"(75k - 325k]", "(325k - 450k]", "(450k - 582k]")
# 2. Categorizar los datos originales de migraciones en los intervalos definidos
Migraciones_intervalos <- cut(Migraciones, breaks = cortes, labels = etiquetas_tabla, include.lowest = TRUE)
# 3. Crear la tabla de frecuencias con los datos agrupados
tabla_freq <- as.data.frame(
table(Migraciones_intervalos)
)
# Renombrar columnas
colnames(tabla_freq) <- c(
"Migraciones",
"ni"
)
# Frecuencia relativa (hi)
tabla_freq$hi <- round(
(tabla_freq$ni / sum(tabla_freq$ni)) * 100,
2
)
# Frecuencias acumuladas ascendentes
tabla_freq$Ni_asc <- cumsum(tabla_freq$ni)
tabla_freq$Hi_asc <- round(
(tabla_freq$Ni_asc / sum(tabla_freq$ni)) * 100,
2
)
# Frecuencias acumuladas descendentes
tabla_freq$Ni_dsc <- rev(cumsum(rev(tabla_freq$ni)))
tabla_freq$Hi_dsc <- round(
(tabla_freq$Ni_dsc / sum(tabla_freq$ni)) * 100,
2
)
# -------------------------
# Agregar fila de totales
# -------------------------
fila_total <- data.frame(
Migraciones = "TOTAL",
ni = sum(tabla_freq$ni),
hi = 100,
Ni_asc = NA,
Hi_asc = NA,
Ni_dsc = NA,
Hi_dsc = NA
)
tabla_final <- rbind(
tabla_freq,
fila_total
)
# Reemplazar NAs por espacios vacíos para la vista
tabla_final[is.na(tabla_final)] <- ""
# -------------------------
# Tabla GT
# -------------------------
tabla_gt <- tabla_final %>%
gt() %>%
tab_header(
title = md("**Tabla N°2**"),
subtitle = md(
"**Distribución de frecuencias simplificada de la migración neta en el estudio de la calidad de agua en Europa (1991-2017)**"
)
) %>%
cols_label(
Migraciones = "Migración Neta",
ni = "ni",
hi = "hi (%)",
Ni_asc = "Ni ↑",
Hi_asc = "Hi ↑ (%)",
Ni_dsc = "Ni ↓",
Hi_dsc = "Hi ↓ (%)"
) %>%
cols_align(align = "center", columns = everything()) %>%
tab_style(
style = list(cell_text(weight = "bold"), cell_borders(sides = "top", color = "black", weight = px(2))),
locations = cells_body(
rows = Migraciones == "TOTAL"
)
) %>%
opt_row_striping()
tabla_gt| Tabla N°2 | ||||||
| Distribución de frecuencias simplificada de la migración neta en el estudio de la calidad de agua en Europa (1991-2017) | ||||||
| Migración Neta | ni | hi (%) | Ni ↑ | Hi ↑ (%) | Ni ↓ | Hi ↓ (%) |
|---|---|---|---|---|---|---|
| [18k - 21k] | 552 | 3.46 | 552 | 3.46 | 15948 | 100 |
| (21k - 62k] | 762 | 4.78 | 1314 | 8.24 | 15396 | 96.54 |
| (62k - 75k] | 352 | 2.21 | 1666 | 10.45 | 14634 | 91.76 |
| (75k - 325k] | 9784 | 61.35 | 11450 | 71.8 | 14282 | 89.55 |
| (325k - 450k] | 3957 | 24.81 | 15407 | 96.61 | 4498 | 28.2 |
| (450k - 582k] | 541 | 3.39 | 15948 | 100 | 541 | 3.39 |
| TOTAL | 15948 | 100.00 | ||||
4 Gráficas
4.1 Diagrama de barras de cantidad
# ================================================
# Diagrama de barras de cantidad que genera RStudio
# ================================================
par(mar = c(7, 5, 4, 2) + 0.1)
barplot(
tabla_freq$ni,
main = "Gráfica N°1: Distribución de la migración neta \nen el estudio de la calidad de agua en Europa (1991-2017)",
xlab = "",
ylab = "Cantidad",
col = "skyblue",
border = "black",
ylim = c(0, max(tabla_freq$ni) * 1.2),
names.arg = tabla_freq$Migraciones,
las = 2,
cex.names = 0.9,
cex.main = 0.85
)
title(xlab = "Migración neta", line = 5, font.lab = 2)
box()
4.2 Diagrama de barras de cantidad general
# ===========================================================================
# Diagrama de barras de cantidad con relación a la totalidad de los datos
# ===========================================================================
par(mar = c(7, 5, 4, 2) + 0.1)
barplot(
tabla_freq$ni,
main = "Gráfica N°2: Distribución general de la migración neta \nen el estudio de la calidad de agua en Europa (1991-2017)",
xlab = "",
ylab = "Cantidad",
col = "lightgreen",
border = "black",
ylim = c(0, 20000),
names.arg = tabla_freq$Migraciones,
las = 2,
cex.names = 0.9,
cex.main = 0.85
)
title(xlab = "Migración neta", line = 5, font.lab = 2)
box()
4.3 Diagrama de barras porcentual
# ===============================================
# Diagrama de barras porcentual que genera RStudio
# ===============================================
par(mar = c(7, 5, 4, 2) + 0.1)
barplot(
tabla_freq$hi,
main = "Gráfica N°3: Distribución porcentual de la migración neta \nen el estudio de la calidad de agua en Europa (1991-2017)",
xlab = "",
ylab = "Porcentaje (%)",
col = "skyblue",
border = "black",
ylim = c(0, max(tabla_freq$hi) * 1.2),
names.arg = tabla_freq$Migraciones,
las = 2,
cex.names = 0.9,
cex.main = 0.85
)
# Título del eje X y recuadro
title(xlab = "Migración neta", line = 5, font.lab = 2)
box()
4.4 Diagrama de barras porcentual general
# ===========================================================
# Diagrama de barras porcentual con relación a la totalidad
# ===========================================================
par(mar = c(7, 5, 4, 2) + 0.1)
barplot(
tabla_freq$hi,
main = "Gráfica N°4: Distribución porcentual general de la migración \nneta en el estudio de la calidad de agua en Europa (1991-2017)",
xlab = "",
ylab = "Porcentaje (%)",
col = "lightgreen",
border = "black",
ylim = c(0, 100),
names.arg = tabla_freq$Migraciones,
las = 2,
cex.names = 0.9,
cex.main = 0.85
)
# Título del eje X y recuadro
title(xlab = "Migración neta", line = 5, font.lab = 2)
box()
4.5 Diagrama de Caja
# =========================
# DIAGRAMA DE CAJA
# =========================
options(scipen = 999)
Migraciones_filtradas <- Migraciones[Migraciones >= 18000]
# 2. Definir los intervalos de la tabla resumida
intervalos_migracion <- cut(
Migraciones_filtradas,
breaks = c(18000, 21000, 62000, 75000, 325000, 450000, 582211),
include.lowest = TRUE,
right = FALSE,
labels = c("[18k - 21k]", "(21k - 62k]", "(62k - 75k]", "(75k - 325k]", "(325k - 450k]", "(450k - 582k]")
)
# 3. Configurar los márgenes
par(mar = c(10, 4, 4, 2))
# 4. Generar el boxplot
boxplot(
Migraciones_filtradas,
horizontal = TRUE,
xaxt = "n",
xlab = "",
col = "orange",
main = "Gráfica N°5: Distribución de la migración neta\nen el estudio de la calidad de agua en Europa (1991-2017)"
)
# 5. Asignar los puntos en el eje X
axis(
side = 1,
at = seq(min(Migraciones_filtradas), max(Migraciones_filtradas), length.out = length(levels(intervalos_migracion))),
labels = levels(intervalos_migracion),
las = 2,
cex.axis = 0.8
)
# 6. Título del eje X con el margen ajustado
title(
xlab = "Migración neta",
line = 7
)
# 7. Agregar la media
points(
mean(Migraciones_filtradas),
1,
pch = 19,
col = "red"
)
# 8. Leyenda
legend(
"topright",
legend = "Media",
pch = 19,
col = "red"
)
4.6 Ojivas ascendentes y descendentes (Ni)
# ======================================
# OJIVAS ASCENDENTES Y DESCENDENTES (Ni)
# ======================================
# Configuración de márgenes
par(mar = c(7, 5, 4, 2) + 0.1)
# Posiciones en el eje X basadas en la tabla agrupada
x_pos <- 1:(nrow(tabla_freq) - 1)
# Ojiva descendente
plot(
x_pos,
tabla_freq$Ni_dsc[1:(nrow(tabla_freq)-1)],
main = "Gráfica N°6: Ojiva ascendente y descendente de la migración\nneta en el estudio de la calidad de agua en Europa (1991-2017)",
xlab = "",
ylab = "Frecuencia acumulada",
type = "b",
pch = 19,
col = "orange",
cex = 1.5,
lwd = 2,
xaxt = "n",
ylim = c(0, max(tabla_freq$Ni_dsc[1:(nrow(tabla_freq)-1)], na.rm = TRUE) * 1.1)
)
# Ojiva ascendente (puntos y línea conectados)
points(
x_pos,
tabla_freq$Ni_asc[1:(nrow(tabla_freq)-1)],
pch = 19,
col = "green",
cex = 1.5
)
lines(
x_pos,
tabla_freq$Ni_asc[1:(nrow(tabla_freq)-1)],
col = "green",
lwd = 2
)
# Etiquetas del eje X c
axis(
side = 1,
at = x_pos,
labels = tabla_freq$Migraciones[1:(nrow(tabla_freq)-1)],
las = 2,
cex.axis = 0.9
)
# Leyenda
legend(
"topright",
legend = c("Descendente", "Ascendente"),
col = c("orange", "green"),
pch = 19,
pt.cex = 1.5,
lty = 1,
lwd = 2,
bty = "n"
)
# Título del eje X y recuadro
title(xlab = "Migración neta", line = 5, font.lab = 2)
box()
4.7 Ojivas ascendentes y descendentes (Hi)
# ======================================
# OJIVAS ASCENDENTES Y DESCENDENTES (Hi)
# ======================================
# Configuración de márgenes
par(mar = c(7, 5, 4, 2) + 0.1)
# Posiciones en el eje X basadas en la tabla agrupada
x_pos <- 1:(nrow(tabla_freq) - 1)
# Ojiva descendente porcentual
plot(
x_pos,
tabla_freq$Hi_dsc[1:(nrow(tabla_freq)-1)],
main = "Gráfica N°7: Ojiva ascendente y descendente de la migración\nneta en el estudio de la calidad de agua en Europa (1991-2017)",
xlab = "",
ylab = "Porcentaje acumulado (%)",
type = "b",
pch = 19,
col = "red",
cex = 1.5,
lwd = 2,
xaxt = "n",
ylim = c(0, 100)
)
# Ojiva ascendente porcentual
points(
x_pos,
tabla_freq$Hi_asc[1:(nrow(tabla_freq)-1)],
pch = 19,
col = "blue",
cex = 1.5
)
lines(
x_pos,
tabla_freq$Hi_asc[1:(nrow(tabla_freq)-1)],
col = "blue",
lwd = 2
)
# Etiquetas del eje X
axis(
side = 1,
at = x_pos,
labels = tabla_freq$Migraciones[1:(nrow(tabla_freq)-1)],
las = 2,
cex.axis = 0.9
)
# Leyenda
legend(
"topright",
legend = c("Descendente", "Ascendente"),
col = c("red", "blue"),
pch = 19,
pt.cex = 1.5,
lty = 1,
lwd = 2,
bty = "n"
)
# Título del eje X y recuadro
title(xlab = " Migración neta", line = 5, font.lab = 2)
box()
5. Indicadores Estadísticos
5.1 Indicadores de Tendencia Central
# =========================
# MEDIDAS DE TENDENCIA CENTRAL
# =========================
# Media
media <- round(mean(Migraciones_positivos), 2)
# Moda
tabla_moda <- table(Migraciones_positivos)
max_frecuencia <- max(tabla_moda)
moda <- names(tabla_moda)[tabla_moda == max_frecuencia]
# Mediana
mediana <- median(Migraciones_positivos)5.2 Dispersión
# =========================
# MEDIDAS DE DISPERSIÓN
# =========================
# Rango
rango <- max(Migraciones_positivos) - min(Migraciones_positivos)
# Varianza
varianza <- var(Migraciones_positivos)
# Desviación estándar
desviacion <- sd(Migraciones_positivos)
# Coeficiente de variación
cv <- round((desviacion / media) * 100, 2)5.3 Asimetría
# =========================
# MEDIDAS DE FORMA
# =========================
n <- length(Migraciones_positivos)
# Asimetría utilizando la fórmula de Fisher (e1071)
asimetria <- skewness(Migraciones_positivos, type = 2)
# Curtosis utilizando la fórmula de Fisher (e1071)
curtosis <- kurtosis(Migraciones_positivos, type = 2)
# =========================
# VALORES ATÍPICOS
# =========================
Q1 <- quantile(Migraciones_positivos, 0.25)
Q3 <- quantile(Migraciones_positivos, 0.75)
RIQ <- Q3 - Q1
LI <- Q1 - 1.5 * RIQ
LS <- Q3 + 1.5 * RIQ
atipicos <- Migraciones_positivos[
Migraciones_positivos < LI |
Migraciones_positivos > LS
]
mensaje_atipicos <- length(atipicos)5.4 Tabla de indicadores
# =========================
# TABLA RESUMEN DE INDICADORES
# =========================
tabla_indicadores <- data.frame(
Variable = "Migración neta",
Rango = paste0("[", min(Migraciones_positivos), " ; ", max(Migraciones_positivos), "]"),
X = media,
Me = mediana,
Mo = paste(moda, collapse = ", "),
V = round(varianza, 2),
Sd = round(desviacion, 2),
Cv = cv,
As = round(asimetria, 2),
K = round(curtosis, 2),
Valores_Atipicos = mensaje_atipicos,
stringsAsFactors = FALSE
)
fila <- which(
tabla_indicadores$Variable == "Migración neta"
)
tabla_indicadores_gt <- tabla_indicadores %>%
gt() %>%
tab_header(
title = md("**Tabla N°3**"),
subtitle = md(
"**Indicadores estadísticos de la migración neta en el estudio de la calidad de agua en Europa (1991-2017)**"
)
) %>%
tab_source_note(
source_note = md("Autor: Grupo 3")
) %>%
tab_options(
table.border.top.color = "black",
table.border.bottom.color = "black",
column_labels.border.bottom.width = px(2),
row.striping.include_table_body = TRUE
) %>%
tab_style(
style = cell_text(weight = "bold"),
locations = cells_body(
rows = fila
)
)
tabla_indicadores_gt| Tabla N°3 | ||||||||||
| Indicadores estadísticos de la migración neta en el estudio de la calidad de agua en Europa (1991-2017) | ||||||||||
| Variable | Rango | X | Me | Mo | V | Sd | Cv | As | K | Valores_Atipicos |
|---|---|---|---|---|---|---|---|---|---|---|
| Migración neta | [18927 ; 582211] | 153625.7 | 75808 | 75808 | 18911334732 | 137518.5 | 89.52 | 1.36 | 0.98 | 0 |
| Autor: Grupo 3 | ||||||||||
6. Conclusión
La variable Migración neta fluctúa entre 18927 y 582211, y sus valores giran en torno a una mediana de 75808, con una desviación estándar de 137518.5. Dado que el coeficiente de variación es de 1.36%, se trata de un conjunto de valores homogéneo. Los datos presentan una asimetría positiva, lo que indica que los valores se acumulan de manera pronunciada en la parte baja de la variable, sin la presencia de valores atípicos, lo cual resulta perjudicial para la gestión ambiental en zonas puntuales debido a una presión antrópica localizada sobre los cuerpos hídricos.