Desarrollo Humano

Librería y directorio de trabajo

setwd("~/R Scripts") # Directorio de trabajo.

library("pacman") # Importa biblioteca "pacman". Se utiliza para hacer una mejor gestión de paquetes.

p_load("base64enc", "htmltools", "mime", "xfun", "prettydoc","readr", "knitr","DT","dplyr", "ggplot2","plotly", "gganimate","gifski","scales", "readxl", "tidyverse","cluster", "factoextra","NbClust","tidyr") # Paquetes necesarios para la elaboración.

Descarga de este código.

Para fines de reproducibilidad se incluye el código para su descarga.

xfun::embed_file("U1E.Rmd")

Download U1E.Rmd

Importación de datos

Los datos sobre los indicadores para la obtención del IDH son: CIJ, INEGI, INEGI y México, ¿cómo vamos?.
Datos sobre deserción por nivel académico obtenidos de INEGI.
Datos sobre el matriculado de estudiantes por nivel académico obtenidos de INEGI.
Datros sobre el grado de educacion de INGEI.
Datos sobre el PIB per capita de cada estado de México, ¿cómo vamos?.
Datos sobre población escolar obtenidos de INEGI.
Datos sobre el PIB per capita de cada pais de Our World in Data.
Datos sobre la educacion de cada pais de OECD.

idh <- read_excel("IDH.xlsx") # indicadores para calcular el idh

des_mex <- read_excel("Abandono_Mexico.xlsx") # deserción en México

des_son <- read_excel("Abandono_Sonora.xlsx") # deserción en Sonora

mat_mex15 <- read_excel("MatriculadosM15.xlsx") # matriculados en México ciclo 2015

mat_mex19 <- read_excel("MatriculadosM19.xlsx") # matriculados  en México ciclo 2019

mat_son15 <- read_excel("MatriculadosS15.xlsx") # matriculados en Sonora ciclo 2015

mat_son19 <- read_excel("MatriculadosS19.xlsx") # matriculados en Sonora ciclo 2019

poblacion_es <- read_excel("AsistenciaEscuela.xlsx") # Población de 3 a 24 años que asiste a la escuela

GEyPPC_est <- read.csv("GEyPPC_PorEstado.csv")# Grado educacional y pib per capita por estado

PISA <- read.csv("PISA.csv") 

PPC_Pais <- read.csv("PPC_Paises.csv")

GEyPPC_est <- read.csv("GEyPPC_PorEstado_R.csv")

Descarga de datos

xfun::embed_file("IDH.xlsx")

Download IDH.xlsx

xfun::embed_file("Abandono_Mexico.xlsx")

Download Abandono_Mexico.xlsx

xfun::embed_file("Abandono_Sonora.xlsx")

Download Abandono_Sonora.xlsx

xfun::embed_file("MatriculadosM15.xlsx")

Download MatriculadosM15.xlsx

xfun::embed_file("MatriculadosM19.xlsx")

Download MatriculadosM19.xlsx

xfun::embed_file("MatriculadosS15.xlsx")

Download MatriculadosS15.xlsx

xfun::embed_file("MatriculadosS19.xlsx")

Download MatriculadosS19.xlsx

xfun::embed_file("AsistenciaEscuela.xlsx")

Download AsistenciaEscuela.xlsx

xfun::embed_file("EtiquetasIDH.xlsx")

Download EtiquetasIDH.xlsx

xfun::embed_file("PISA.csv")

Download PISA.csv

xfun::embed_file("PPC_Paises.csv")

Download PPC_Paises.csv

xfun::embed_file("GEyPPC_PorEstado_R.csv")

Download GEyPPC_PorEstado_R.csv

Índice de desarrollo humano

¿Que es el IDH?

El IDH es el índice que se utiliza para medir el desarrollo humano y este se basa en 3 cosas, una vida larga y saludable, basándose en la expectativa al nacer, la educación en base al índice de alfabetización y el índice de matriculación bruta y estabilidad económica por medio del PIB per cápita.

Variables utilizadas para el IDH

Para el calculo del IDH entonces se promedian 3 valores, índice de esperanza de vida, índice de educación (comprendido por el índice de alfabetización y el de matriculación bruta) y el índice del PIB per cápita. Este se calcula con el fin de conocer las capacidades de desarrollo y calidad de vida de un país ante el resto del mundo y de manera que puedan tomarse mejores decisiones con respecto a los programas que buscan el desarrollo igualitario en todos los países.

¿Cómo se interpreta?

Desarrollo humano muy alto (“High Human Development”), aquellos con niveles superiores al 0,80.
Desarrollo humano alto (“Medium Human Development”), cuyos niveles rondan entre 0,70 y 0,80.
Desarrollo humano medio (“Medium Human Development”), cuyos niveles rondan entre 0,50 y 0,70.
Desarrollo humano bajo (“Low Human Development”), ya con una valoración inferior a 0,55.

IDH (Indice de desarrolo Humano) en Sonora

#Obtener datos especificos

valor1 <- (idh[1,4])
valor2 <- (idh[2,4])
valor3 <- (idh[3,4])
valor4 <- (idh[4,4])

idh_son <- (1/3) * (valor1) + 1/3 * (valor2 * (2/3) + valor3 * (1/3)) + (1/3) * (valor4)
idh_son

##      Indice
## 1 0.8586849

El Indice de Desarrollo Humano en Sonora es 0.8586849 (Valores entre 0 y 1)

Este resultado nos ubica en un nivel alto de IDH

Educación en México

En el inicio de la pandemia en 2020, millones de niños se vieron obligados a seguir sus estudios desde casa. Además, una gran cantidad de niños abandonaron la escuela. Se estimó que la deserción escolar superó los 2,5 millones de estudiantes desde el nivel preescolar a bachillerato entre abril y agosto de ese mismo año. Esto representa un 10% del total de alumnos de nivel preescolar, primario, secundario y bachillerato. En el caso de la educación superior, el 8% de los estudiantes dejaron de asistir a las clases.

Porcentaje de la población entre 3 y 24 años que se encuentra estudiando a 2020

edad <- poblacion_es$RangoEdad # Edades
porcentaje <- poblacion_es$Porcentaje # Porcentaje


dataf_p <- data.frame(edad, porcentaje) # Se guarda los estudiantes matriculados

estudiantes <- plot_ly(dataf_p, x=edad, y= porcentaje, type = 'bar')
estudiantes

En esta gráfica se presentan el porcentaje de la población de dicho rango de edad que se encuentran estudiando. Generalmente las edades corresponden a :

3 a 5 años: corresponde a preescolar.
6 a 11 años: corresponde a primaria.
12 a 14: corresponde a secundaria.
15 a 25: corresponde a nivel medio superior y superior.

Podemos apreciar que generalmente los estudiantes no entran a preescolar debido a que su porcentaje es poco más de la mitad de la población en ese rango de edad.

La primaria y secundaria presentan valores similares, siendo el casi toda la población en ese rango de edad quienes estudian su nivel academico correspondiente.

En caso contrario, los niveles medio superior y superior no alcanzan ni el 50% de la población en el rango de edad para estudiar estos niveles.

Alumnos matriculados en el ciclo 2015-2016 vs 2019-2020 en México

etiquetas <- read_excel("etiquetasIDH.xlsx") # Etiquetas para el eje x

eti <- etiquetas$Etiquetas #etiquetas

mujeresM15 <- mat_mex15$Mujeres # mujeres matriculadas en México 2015
mujeresM19 <- mat_mex19$Mujeres # mujeres matriculadas en México 2019

hombresM15 <- mat_mex15$Hombres # hombres matriculados en México 2015
hombresM19 <- mat_mex19$Hombres # hombres matriculados en México 2019

totalM15 <- mat_mex15$Total # total de matriculados en México 2015
totalM19 <- mat_mex19$Total # total de matriculados en México 2019


dataf_15 <- data.frame(eti, mujeresM15, hombresM15, totalM15 ) # Se guarda los estudiantes matriculados en México en 2015
dataf_19 <- data.frame(eti, mujeresM19, hombresM19, totalM19) # Se guarda los estudiantes matriculados en México en 2019


matriculados  <- plot_ly(dataf_15, x=eti, y= mujeresM15, name = "Mujeres 2015-2016", type = 'bar')%>% add_trace(dataf_19,y=mujeresM19, name = "Mujeres 2019-2020")%>% add_trace(dataf_15, y=hombresM15, name = "Hombres 2015-2016")%>% add_trace(dataf_19, y=hombresM19, name = "Hombres 2019-2020")%>% add_trace(dataf_15, y=totalM15, name = "Total 2015-2016")%>% add_trace(dataf_19, y=totalM19, name = "Total 2019-2020")
matriculados

El nivel preescolar fué uno de los niveles que más se mantuvo estable en 2015 y 2020, manteniendo un cambio mínimo de cantidad de matriculados entre esos años, manteniendo un aproximado de 80,000 personas menos estudiando en 2020, ésto teniendo en cuenta que estamos hablando a nivel nacional.

El nivel con más matriculados en ambos años es el nivel primaria, bajando un poco el número de estudiantes en 2020 con aproximadamente 400,000 estudiantes menos, y reduciendo de igual forma el número de estudiantes tanto hombres como mujeres.

En secundaria se disminuyó la cantidda de matriculados con 400,000 estudiantes en total, sin embargo, se puede haber un cambio muy fuerte en la cantidad de matriculados en comparación de primaria y secundaria, lo cual nos da a entender que aproximadamente la mitad de las personas que estudiaron en primaria no entran a estudiar la secundaria.

El nivel superior o bachillerato también se refleja un cambio en los estudiantes de secundaria a este nivel, sin embargo, en 2015 a 2020 muestra un incremento de matriculados en este mismo nivel.

Finalmente, el nivel superior mantiene un comportamiento similar al medio superior, bajando de número de matriculados en comparación con su nivel inferior pero incrementando ese mismo número en el mismo nivel en 2020 en comparación a 2015.

Deserción en México

Los años manejados en esta gráfica corresponden a los ciclos escolares correspondiendo al año de inicio.

Ej. 2020-2021

d <- ggplot(des_mex)+
  geom_line(aes(x=anios,y=primaria,colour="Primaria"))+
  geom_line(aes(x=anios,y=secundaria,colour="Secundaria"))+
  geom_line(aes(x=anios,y=media_sup,colour="Medio - superior"))+
  geom_line(aes(x=anios,y=superior,colour="Superior"))+
  labs(colour = "Nivel educativo") +
  xlab("Ciclo escolar") +
  ylab("Porcentaje") +
  labs(title="Deserción por niveles educativos a nivel nacional") +
  scale_y_continuous(labels = comma)
ggplotly(d)

se puede apreciar que la deserción en México, generalmente, va bajando conforme avanzan los ciclos escolares.

Otro punto a destacar en la gráfica es que en donde existe más deserció a nivel nacional es en el nivel de educación media superior, el cual es de más del 15%, seguido por el superior, pero este nunca subió del 10% en los ciclos analizados.

Podemos resaltar que la deserción en educación primaria no rebaso el 2% en nunguno de los ciclos estudiados y que para el ciclo 2020, 2021 no llega ni al 1%.

Educación en Sonora

Alumnos matriculados en el ciclo 2015-2016 vs 2019-2020 en Sonora

etiquetas <- read_excel("etiquetasIDH.xlsx") # Etiquetas para el eje x

eti <- etiquetas$Etiquetas #etiquetas

mujeresS15 <- mat_son15$Mujeres # mujeres matriculadas en Sonora 2015
mujeresS19 <- mat_son19$Mujeres # mujeres matriculadas en Sonora 2019

hombresS15 <- mat_son15$Hombres # hombres matriculados en Sonora 2015
hombresS19 <- mat_son19$Hombres # hombres matriculados en Sonora 2019

totalS15 <- mat_son15$Total # total de matriculados en Sonora 2015
totalS19 <- mat_son19$Total # total de matriculados en Sonora 2019


dataf_15 <- data.frame(eti, mujeresS15, hombresS15, totalS15 ) # Se guarda los estudiantes matriculados en México en 2015
dataf_19 <- data.frame(eti, mujeresS19, hombresS19, totalS19) # Se guarda los estudiantes matriculados en México en 2019


matriculados  <- plot_ly(dataf_15, x=eti, y= mujeresS15, name = "Mujeres 2015-2016", type = 'bar')%>% add_trace(dataf_19,y=mujeresS19, name = "Mujeres 2019-2020")%>% add_trace(dataf_15, y=hombresS15, name = "Hombres 2015-2016")%>% add_trace(dataf_19, y=hombresS19, name = "Hombres 2019-2020")%>% add_trace(dataf_15, y=totalS15, name = "Total 2015-2016")%>% add_trace(dataf_19, y=totalS19, name = "Total 2019-2020")
matriculados

El nivel con mas matriculados o gente estudiando en dicho nivel es primaria en ambos años, con un cambio de 12,000 estudiantes menos en 2019 en comparación de 2015.

En el nivel secundaria ha habido más mujeres que hombres en ambos años, pero tuvo menos matriculados en 2019 que en 2015 en total. Pasando a los datos del nivel medio superior, es decir, bachillerato, en ambos años se puede observar un número muy parejo en la cantidad de hombres y mujeres por año, de igual forma tiene un número parejo comparando la cantidad de matriculados en total en ambos años.

Algo parecido sucede en en nivel preescolar, aun que aumentó aproximadamente 3,000 estudiantes en total entre dichos años.

En el nivel superior se observa un número mayor de hombres estudiando en comparación de las mujeres en ambos años, de igual forma, sube el número de estudiantes matriculados en éste nivel en 2019 con aproximadamente 11,000 matriculados más.

Deserción en Sonora

d <- ggplot(des_son)+
  geom_line(aes(x=anios,y=primaria,colour="Primaria"))+
  geom_line(aes(x=anios,y=secundaria,colour="Secundaria"))+
  geom_line(aes(x=anios,y=media_sup,colour="Medio - superior"))+
  geom_line(aes(x=anios,y=superior,colour="Superior"))+
  labs(colour = "Nivel educativo") +
  xlab("Ciclo escolar") +
  ylab("Porcentaje") +
  labs(title="Deserción por niveles educativos en Sonora") +
  scale_y_continuous(labels = comma)
ggplotly(d)

El nivel de abandono escolar ha variado a través de los años en Sonora, hablando por nivel educativo, el nivel primaria es el que menos abandono escolar tiene, reduciendo su porcentaje de 2.3% a 0.5% en los últimos 20 años.

El nivel secundaria ha bajado de igual forma e incluso más notable que primaria, solo tuvo una subida de deserción en 2015, de ese año a 2020 ha bajado a su punto más bajo, pasando de 8.7% a 2.4% en 20 años.

Pasando al nivel medio superior tenemos al que más abandono ha tenido en los años, teniendo su pico más alto en 2005 con el 20.5% de deserción, mientras que su punto mas bajo ha sido en 2010 con 6.8%, actualmente en el año 2020 ha tenido un porcentaje de 9.4.

Por último tenemos el nivel superior, podemos observar un comportamiento similar al del nivel medio superior, sin embargo, éste inició el año 2000 con 7.8%, siendo en ese año el segundo nivel con menos abandono escolar, sin embargo, en el 2020 pasó a estar en el puesto con más abandono con 10.4%.

Enfoque en la variables de PIB y Calidad de educacion

¿Qué relación tiene el PIB por entidad federativa con la educación?

df <- data.frame(GEyPPC_est)

d <- ggplot(df)+
  geom_point(mapping = aes(x = GradoEscolaridad,, y = PPC, colour= Entidad.federativa))+
  labs(colour = "Estado") +
  xlab("Grado de escolaridad") +
  ylab("PIB per capita   ( miles de pesos )") +
  labs(title="PIB y Grado de escolaridad por Estado")
ggplotly(d)

En esta grafica vemos el PIB per capita por estado en México y el respectivo grado de educacion de cada uno, asi es como entonces nos podemos dar una idea de la relación existente entre estas variables, y aunque con su debida variación los datos muestran a una verdadera relación que apunta a que en el aumento del pib per capita del estado, el grado de educación aumenta, si bien no es es gran medida si es bastante notable.

¿Son los estado ricos los mas educados?

Tomando enfoque en esta pregunta, lo primero seria hablar de 2 casos destacables los estados con un mayor PIB per capita Ciudad de México y Campeche, Campeche es un estado con un Grado de escolaridad bastante regular y sin embargo es el que tiene el PIB per capita mas alto con diferencia,cabe mencionar esto se debe a su actividad petrolera que presenta la mayor parte de su economia, por lo que es un caso excepcional, en cambio Ciudad de México, aunque economicamente se queda muy atras de campeche, esta es segundo lugar en cuanto a PIB per capita y es con diferencia el pais con el mayor Grado de escolaridad, en cuanto al resto de estados se puede notar una verdadera relación entre su economia y su nivel de educación, y si bien con esto ya quedo claro que la relación entre el PIB y el Grado de educación tiene sentido, los casos de Ciudad de México y Campeche demuestran que hay mas factores que la economina no es el unico valor que afecta a la educación.

¿Esta relación se da en todo el mundo?

df <- data.frame(PISA)

df["PIB"] <- PPC_Pais$PIB_per_capita

d <- ggplot(df)+
  geom_point(mapping = aes(x = PIB, y = Student.skills, colour=Country))+
  labs(colour = "País") +
  xlab("PIB per cápita") +
  ylab("Promedio prueba PISA") +
  labs(title="PIB y PISA por país") +
  scale_y_continuous(labels = comma)
ggplotly(d)

Para hacer el análisis, se realizan la comparación de las calificaciones en la prueba PISA un prueba aplicada por la OCDE, para analizar el rendimiento de los estudiantes, con el PIB per cápita de su país y es que al hacer el análisis mundial pasa algo muy interesante y es que en los países cuyo PIB per cápita es bajo si se nota la relación, se nota como en un principio el PIB y los promedios en la prueba PISA aumentan juntos, sin embargo si nos vamos a los países cuyo PIB per cápita es muy alto la variación ya no parece tener relación, de esto significa que la falta de ingresos puede afectar al estudio y al rendimiento de los estudiantes, sin embargo ya con la cantidad de ingresos necesarios y una mejor economía, los factores que determina un mejor rendimiento académico pasan a ser otros.

Conclusión

Con todo lo dicho anterior entonces podemos llegar a la conclusión de que el nivel de educación es determinado por varios factores, pudiesen ser por desarrollo, cultura, entre muchas otras cosas, pero la economica es un factor de los mas importantes en un principio, mas en el caso de que la falta de ingresos pudiesen evitar que una persona reciba una educación digna, la educación cuesta y la calidad de esta es influenciada en gran parte por su costo, es por lo que el factor economico nomas viene a presentranse como un obstaculo que evita que todas las personas, en todo el mundo pudieran acceder a la misma educación.

Referencias

Abarca K. (2015). Crecimiento, desarrollo económico y desarrollo humano: significados diferentes, fines complementarios. marzo 25, 2021, de América Economía Sitio web: https://www.americaeconomia.com/analisis-opinion/crecimiento-desarrollo-economico-y-desarrollo-humano-significados-diferentes-fines-

Galán J. (2019). Índice de desarrollo humano (IDH). marzo 25, 2021, de economipedia Sitio web: https://economipedia.com/definiciones/indice-desarrollo-humano.html

López J. (2019). Guía para calcular e interpretar el IDH. marzo 25, 2021, de economipedia Sitio web: https://economipedia.com/guia/guia-para-calcular-e-interpretar-el-idh.html

López J. (2019). Calculadora de IDH. marzo 25, 2021, de economipedia Sitio web: https://economipedia.com/guia/calculadora-de-idh.html

U1E1

Rafael Gutiérrez

29/3/2021