¿Por que se toman esas dimensiones?

En primer lugar se asume que la esperanza de vida mínima es de 20, ya que durante el siglo XX existen evidencias de que ningún país sobre la faz de la tierra tenía una esperanza de vida inferior a 20 años, el máximo se sitúa en 85 por tratarse de una medida realista, según indica el PNUD.

Respecto a la educación, el mínimo evidentemente es cero para los dos componentes. La esperanza de años de escolarización fija su límite máximo en 18 años, lo que es equivalente a obtener una carrera universitaria en la mayoría de países. De otro lado, la escolarización fija su máximo en 15 años, que es el máximo proyectado para este indicador para los próximos años.

Por último el PIB per cápita fija su cifra mínima en 100 dólares constantes bajo paridad de poder adquisitivo (PPA) y el máximo en 75.000 dólares PPA. El mínimo se encuentra fijado en 100 dólares PPA debido a que incluso aquellos países que no recogen datos, para subsistir necesitan como poco dicha cifra. En el lado opuesto, el del máximo, se fija el límite de 75.000 dólares per cápita PPA ya que según los estudios de Kahneman y Deaton (2010) no existen ganancias significativas en el desarrollo humano y el bienestar cuando el PIB per cápita en PPA supera estas cifras.

• Librerias y paquetes

setwd("~/sexto semestre/Estadistica aplicada/EAMJ1130/UNIDAD 1/U1A16")
library(pacman) 
library(hpackedbubble)

## 
## Attaching package: 'hpackedbubble'

## The following object is masked from 'package:datasets':
## 
##     CO2

library(gplots)

## 
## Attaching package: 'gplots'

## The following object is masked from 'package:stats':
## 
##     lowess

library(psych)
library(GGally)

## Loading required package: ggplot2

## 
## Attaching package: 'ggplot2'

## The following objects are masked from 'package:psych':
## 
##     %+%, alpha

## Registered S3 method overwritten by 'GGally':
##   method from   
##   +.gg   ggplot2

library(car)

## Loading required package: carData

## 
## Attaching package: 'car'

## The following object is masked from 'package:psych':
## 
##     logit

library(gvlma)
library(strucchange)

## Loading required package: zoo

## 
## Attaching package: 'zoo'

## The following objects are masked from 'package:base':
## 
##     as.Date, as.Date.numeric

## Loading required package: sandwich

library(xtable)
library(extrafont)

## Registering fonts with R

library(normtest)
library(readr)
library(readxl)
library(prettydoc) 
library(DT)
library(dplyr)

## 
## Attaching package: 'dplyr'

## The following object is masked from 'package:car':
## 
##     recode

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

library(ggplot2)
library(data.table)

## 
## Attaching package: 'data.table'

## The following objects are masked from 'package:dplyr':
## 
##     between, first, last

library(scales)

## 
## Attaching package: 'scales'

## The following object is masked from 'package:readr':
## 
##     col_factor

## The following objects are masked from 'package:psych':
## 
##     alpha, rescale

library(plotly)

## 
## Attaching package: 'plotly'

## The following object is masked from 'package:ggplot2':
## 
##     last_plot

## The following object is masked from 'package:stats':
## 
##     filter

## The following object is masked from 'package:graphics':
## 
##     layout

library(tidyverse)

## -- Attaching packages --------------------------------------- tidyverse 1.3.0 --

## v tibble  3.0.5     v stringr 1.4.0
## v tidyr   1.1.2     v forcats 0.5.1
## v purrr   0.3.4

## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x ggplot2::%+%()        masks psych::%+%()
## x scales::alpha()       masks ggplot2::alpha(), psych::alpha()
## x data.table::between() masks dplyr::between()
## x stringr::boundary()   masks strucchange::boundary()
## x scales::col_factor()  masks readr::col_factor()
## x purrr::discard()      masks scales::discard()
## x plotly::filter()      masks dplyr::filter(), stats::filter()
## x data.table::first()   masks dplyr::first()
## x dplyr::lag()          masks stats::lag()
## x data.table::last()    masks dplyr::last()
## x dplyr::recode()       masks car::recode()
## x purrr::some()         masks car::some()
## x purrr::transpose()    masks data.table::transpose()

library(modelr)
library(lubridate)

## 
## Attaching package: 'lubridate'

## The following objects are masked from 'package:data.table':
## 
##     hour, isoweek, mday, minute, month, quarter, second, wday, week,
##     yday, year

## The following objects are masked from 'package:base':
## 
##     date, intersect, setdiff, union

library(datos)

Importar datos

IDH <- read_excel("IDH2012.xlsx")
view(IDH)

Visualizar grafica de años de esperanza de vida al nacer

W <- ggplot(data = datos) + 
  geom_point(alpha=1, aes(Entidad, d5, size=d5, colour="Esperanza de vida al nacer")) + 
  scale_size_continuous(range = c(1,6), trans = "identity", guide = "legend") +
   xlab("Entidad") +
  ylab("Año") +
  labs(colour="Variables") +
  ggtitle("Mortalidad por entidad (2012)") +
  theme(axis.text.x = element_text(angle=90, hjust=1),axis.text.y =element_text(size = 6))

ggplotly(W)

La esperanza de vida de cada estado esta dimensionado con un minimo de 20 años y un maximo de hasta 85 años de vida, como se puede ver en la grafica el estado de baja california Sur tiene el mayor año estimado de esperanza de vida al nacer de hasta 75.71 años y el estado con menos años de vida es Guerrero con 72.24 años. La esperanza de vida al nacer de Mexico ronda entre 72.24 y 75.71 años.

Visualizar grafica de años promedio de escolaridad y años esperados escolarizados por entidad 2012

y <- ggplot(data = datos) + 
  geom_point(alpha=1, aes(Entidad, d6, size=d6, colour="Años promedio de escolaridad")) + 
  geom_point(alpha=1, aes(Entidad, d7, size=d7, colour="Años esperados escolarización")) +
  scale_size_continuous(range = c(1,6), trans = "identity", guide = "legend") +
   xlab("Entidad") +
  ylab("Año") +
  labs(colour="Variables") +
  ggtitle("Años promedio de escolaridad y años esperados escolarizados por entidad (2012)") +
  theme(axis.text.x = element_text(angle=90, hjust=1),axis.text.y =element_text(size = 6))

ggplotly(y)

Las escalas o dimensiones de años promedio de escolaridad rondan entre los 0 años y 15 años escolarizados y los años de esperanza escolarizados rondan entre 0 y 18 años. En la grafica visualizamos que el distrito federal contiene 15.42 años de esperanza escolarizados y 10.64 años promedios de escolaridad siendo la mas alta en México y la mas capaz o accesible en obtener escolaridad hasta la universidad o prepatoria. En chiapas tiene solo 11.62 años de esperanza escolarizado y 6.14 años promedios de escolaridad por lo que no es muy accesible en obtener escolaridad hasta la universidad sino solo llegan hasta la secundaria o preparatoria muy pocos pero la mayoria solo tiene primaria y secundaria en promedio escolarizado que poseen la habilidad de leer y escribir.

z <- ggplot(data = datos) + 
  geom_point(alpha=1, aes(Entidad, d8, size=d8, colour="(INB)")) + 
  scale_size_continuous(range = c(1,6), trans = "identity", guide = "legend") +
   xlab("Entidad") +
  ylab("us$") +
  labs(colour="Variables") +
  ggtitle("Ingreso Nacional Bruto per cápita anual (INB)s por entidad (2012)") +
  theme(axis.text.x = element_text(angle=90, hjust=1),axis.text.y =element_text(size = 6))

ggplotly(z)

ingreso nacional bruto (INB) per cápita, anteriormente referido al PIB (Producto interior bruto) , es decir, el valor de todos los bienes y servicios producidos por los residentes de un país, tambien puede ser por estado durante un período determinado (generalmente un año) dividido el número de habitantes.

Las dimensiones o escala que se tomaron fue de un maximo de 75,000 dolares PPA y minimo 100 dolares PPA para existir. Visualizamos en la grafica y observamos que Nuevo León tiene el mayor Ingreso nacional bruto per-capita hasta 30,084.11 dolares PPA siendo uno de los mayores ingresores de bienes y servicios producidos por un numero de habitantes. El que menos tuvo fue Chiapas con un valor de 10,286.32 Dolares PPA siendo el estado con menos ingresos brutos per-capita.

Visualizamos los indices de salud, educacion e ingreso

x <- ggplot(data = datos) + 
  geom_point(alpha=1, aes(Entidad, d2, size=d2, colour="IS")) + 
  geom_point(alpha=1, aes(Entidad, d3, size=d3, colour="IE")) +
  geom_point(alpha=1, aes(Entidad, d4, size=d4, colour="II")) +
  scale_size_continuous(range = c(1,6), trans = "identity", guide = "legend") +
   xlab("Entidad") +
  ylab("indice (adimensional)") +
  labs(colour="Variables") +
  ggtitle("indice de Salud (IS), Educación (IE) e Ingreso (II)") +
  theme(axis.text.x = element_text(angle=90, hjust=1),axis.text.y =element_text(size = 6))

ggplotly(x)

En esta grafica se calculo cada indice con la ecuacion descrita en la metodologia con el fin de desarrollar el indice de desarrollo humano para cada entidad federativa en el año 2012.

Una vez calculado observamos el indice de salud (IS) que mide la esperanza de vida al nacer y tenemos que Baja california sur y distrito federal tienen el indice de salud mas alto 0.8571 significa que tienen mas esperanza de vida al nacer. Observamos en el indice de educacion (IE) y vemos que Nuevo León tiene el indice masl alto 0.8620 eso significa que tiene mas años de esperanza escolarizados y años promedios escolarizados, es decir, tienen mayor probabilidad de que una persona llegue obtener escolaridad hasta la universidad. Por ultimo el indice de ingreso (II) y el mas alto fue el distrito federal con 0.7832 significa que tiene el mayor ingreso de bienes y servicios producidos por cada numero de habitantes en ese estado o adquisición de ello.

Visualizar la grafica IDH y %PIB

x <- ggplot(data = datos) + 
  geom_point(alpha=1, aes(Entidad, IDH., size=d8, colour="IDH")) + 

  scale_size_continuous(range = c(1,6), trans = "identity", guide = "legend") +
   xlab("Entidad") +
  labs(colour="Variables") +
  ggtitle("IDH vs INB") +
  theme(axis.text.x = element_text(angle=90, hjust=1),axis.text.y =element_text(size = 6))

ggplotly(x)

En esta grafica se calculo el IDH con la escuacion descrita en la metodologia usando los 3 indices (salud, educacion e ingreso).

Una vez calculado se comparo INB en forma “size” en el IDH donde el tamaño de la burbuja mas grande significa un mayor ingreso bruto de los bienes y servicios producidos en (PPA en US$)

Observamos que el distrito federal tiene el mayor IDH 0.8301 con un PIB de 29,164US dolares de crecimiento de poder adquisitivo siendo el mas estable. Luego Puebla tiene el PIB 30,084US dolares de crecimiento de poder adquisivo mas alto pero con un indice de 0.7172 siendo este numero menor que el distrito federal con una diferencia de 0.1129 de IDH.

Vemos que el PIB mas alto no significa mayor IDH por lo que la relacion es existente pero no depende del todo del PIB.

Visualizar la matriz de correlacion de los indices por entidad federativa

x = IDH[c(2,4,5,6)]
pairs.panels(x,gap=0,method="pearson",lm=FALSE,hist.col="pink")

Aqui vemos la correlación que existe con los indices y observamos que la educacion (IE) esta correlacionada con los ingresos brutos (II) un 80% y el IDH esta correlacionada con la educacion un 96% y 92% en ingresos brutos.

Podemos deducir que si la educacion disminuye, los ingresos brutos producidos por entidad bajan de la misma forma, es decir, si los bienes y servicios producidos del estado son muy bajos entonces los años de esperanza escolarizada y promedio escolarizada seran afectadas considerablemente y llegaran al punto donde las personas no tengan acceso a la educacion basica o superior debido a problemas economicos por habitante en pagar sus estudios o accesar a ellos.

Visualizar la grafica de Indice de educación e ingreso

x <- ggplot(data = datos) + 
  geom_point(alpha=1, aes(Entidad, d3, size=d3, colour="IE")) + 
    geom_point(alpha=1, aes(Entidad, d4, size=d4, colour="II")) + 
  scale_size_continuous(range = c(1,6), trans = "identity", guide = "legend") +
   xlab("Entidad") +
  labs(colour="Variables") +
  ggtitle("Indice de educación (IE) e indice de ingreso (II)") +
  theme(axis.text.x = element_text(angle=90, hjust=1),axis.text.y =element_text(size = 6))

ggplotly(x)

En esta grafica se muestra el indice de educacion con el indice de ingreso y como se dijo anteriormente habia una correlación entre ellos de un 80%.

Observamos en la grafica una similitud ya que si aumenta el indice de educación, el indice de ingresos tambien lo hace. Esto significa que los ingresos de bienes y servicios producidos por un numero de habitantes en cada estado guarda relacion con la esperanza escolarizada y promedio de las personas. Si una persona tiene ingresos economicos estables obtendra escolaridad educativa a niveles superiores como la universidad o simplemente tendra una educacion mayor en promedio segun los años que dimensionamos al inicio. Si Nuevo León tiene un indice de ingreso de 0.8620 que es el mas alto de todas las entidades significa que tendra un mayor indice de educación 0.6739 que las demas… en excepcion del distrito federal ya que es la capital de México por lo que la educación esta mas formentada en ese lugar compensando otros factores como el IDH que hace aumentar el IE.

Importar datos

library(hpackedbubble)
IDG_10_Y_19 <- read_excel("IDHCOMPARACION.xlsx")

Importar datos

IDH2019 <- read_excel("IDH2019.xlSx")
view(IDH2019)

La clasificación de cada país según el IDH se basa en tres medidas resumidas de funcionamiento: la esperanza de vida o el funcionamiento básico de vivir larga y saludablemente; el alfabetismo y la matriculación escolar o la habilidad de leer, escribir y adquirir conocimientos y finalmente, el ingreso (Producto Interno Bruto (PIB) per cápita ajustado por paridad y poder de compra (PPC)), que refleja el estándar económico de vivir o la habilidad para comprar los bienes y servicios que uno desea.

Visualizar Tabla de datos de los paises del mundo

  datatable(IDH2019, rownames = TRUE,
            options = list(paging=TRUE,
                        searching=TRUE))

paises<- IDH2019$Paises
d1 <- IDH2019$Esperanza_de_vida_al_nacer_en_años
d2 <- IDH2019$Años_esperados_de_escolaridad_a_b
d3 <- IDH2019$Años_promedio_de_escolaridad_a
d4 <- IDH2019$PIB_per_capita_US
II <- IDH2019$Indice_de_ingreso_PIB
IS <- IDH2019$indice_de_salud
IE <- IDH2019$indice_de_educacion
IDH <- IDH2019$IDH

datos <- data.table(d1, d2, d3, d4, II, IS, IE, IDH)

Visualizar grafica de la comparacion de indices de los paises seleccionados

x <- ggplot(data = datos) + 
  geom_point(alpha=1, aes(paises, II, size=II, colour="Indice de ingreso PIB per capita")) + 
    geom_point(alpha=1, aes(paises, IS, size=IS, colour="Indice de salud")) + 
  geom_point(alpha=1, aes(paises, IE, size=IE, colour="Indice de educacion")) +
  geom_point(alpha=1, aes(paises, IDH, size=IDH, colour="Indice de desarrollo humano")) +
  scale_size_continuous(range = c(1,6), trans = "identity", guide = "legend") +
   xlab("Paises") +
  ylab("indices (adimensional)") +
  labs(colour="Variables") +
  ggtitle("Comparacion de indices (II, IE, IS, IDH) a nivel mundical") +
  theme(axis.text.x = element_text(angle=90, hjust=1),axis.text.y =element_text(size = 6))

ggplotly(x)

A nivel mundial los paises tienen mucha desigualdad en cada uno de sus indices. Observamos que mexico es de los ultimos con los peores indices de educacion de 0.695 y con un indice de ingreso PIB per capita de 0.7995 si lo comparamos con estados unidos vemos que el pais vecino tiene 0.9001 del indice de educacion siendo uno de los mas altos con un indice de PIB de 0.9657 por numero de habitante siendo los mas altos del mundo. Podemos deducir que el indice de educacion de estados unidos es 20.51% mas alto que Mexico y es una gran diferencia por lo que los habitantes de estados unidos en promedio escolarizado tienen mas habilidad en leer y escribir al igual que llegan a obtener escolaridad hasta la universidad que México y la diferencia del indice de PIB es que estados unidos tiene 16.62% mas por numero de habitante por lo que tienen mayor poder adquisitivo en los bienes y servicios producidos.

Estas dos variables en especial tienen relacion ya que con un nivel adecuado de indice de PIB podemos obtener un mayor Indice de educacion, entre esas dos variables son productos entre si. Si uno aumenta el otro tambien y viseversa como se observo a nivel Nacional por entidad federativa en México.

Ahora veremos que tanta Correlacion tiene entre todos los paises seleccionados el indice de educacion con el PIB

Visuzalizar grafica de matriz de Correlación de cada indice en todos los Paises seleccionados

x = IDH2019[c(6,7,8,9)]
pairs.panels(x,gap=0,method="pearson",lm=FALSE,hist.col="pink")

Se observa como el indice de educacion se correlaciona solo 0.55 con el Indice de ingreso PIB per-capitaa a comparacion a nivel estatal en Mexico que se obtuvo una correlacion de 0.8. Se deduce que pasa en el mundo pero con mayor desigualdad en cada pais ya que hay una gran cantidad de paises pobres, medios y pocos ricos y muy ricos. Esto hace que las proporciones de Educacion con PIB sean muy distintas que interferiere otros indices sumados al desarrollo humano como la salud y recursos limitados del pais o incluso la desigualdad social.

BIBLIOGRAFÍA

• Colaboradores de Wikipedia. (s. f.). Anexo:Entidades federativas de México por IDH - Wikipedia, la enciclopedia libre. Wikipedia. Recuperado 26 de marzo de 2021, de https://es.wikipedia.org/wiki/Anexo:Entidades_federativas_de_M%C3%A9xico_por_IDH
• Geografía, E. D. N. I. Y. (s. f.-a). Tabulados Interactivos-Genéricos. INEGI. Recuperado 26 de marzo de 2021, de https://www.inegi.org.mx/app/tabulados/interactivos/?pxq=Educacion_Educacion_03_b9cc4b2a-7d84-4557-bdfb-a8b16c83d382
• Geografía, E. D. N. I. Y. (s. f.-b). Tabulados Interactivos-Genéricos. INEGI. Recuperado 26 de marzo de 2021, de https://www.inegi.org.mx/app/tabulados/interactivos/?pxq=Educacion_Educacion_13_c457f93a-1497-43b9-8c16-962c4cf3af40
• México - Gasto público Educación 2016. (2020, 1 junio). datosmacro.com. https://datosmacro.expansion.com/estado/gasto/educacion/mexico