Introducción

La educación es un derecho humano esencial que posibilita el ejercicio de los demás derechos. La educación promueve la libertad y la autonomía personal. Gracias a ella, es posible mejorar las condiciones sociales, económicas y culturales de un país; está demostrado que el incremento de la escolaridad de la población se asocia con el mejoramiento de la productividad, la movilidad social, la reducción de la pobreza, la construcción de la ciudadanía y la identidad y, en definitiva, con el fortalecimiento de la cohesión social. El Estado mexicano tiene la obligación de garantizar condiciones suficientes para asegurar, sin discriminación alguna, el derecho de todas las personas a recibir una educación de calidad.

La educación siempre ha sido importante para el desarrollo, pero ha adquirido mayor relevancia en el mundo de hoy que vive profundas transformaciones, motivadas en parte por el vertiginoso avance de la ciencia y sus aplicaciones, así como por el no menos acelerado desarrollo de los medios y las tecnologías de la información. En México, más de 4 millones de niños, niñas y adolescentes no asisten a la escuela, mientras que 600 mil más están en riesgo de dejarla por diversos factores como la falta de recursos, la lejanía de las escuelas y la violencia. Además, los niños y niñas que sí van a la escuela tienen un aprovechamiento bajo de los contenidos impartidos en la educación básica obligatoria.

Educación en México

Fuente: https://www.eluniversal.com.mx/cartera/por-covid-y-pobreza-9-millones-de-alumnos-dejan-la-escuela

Antecedentes

La deserción escolar es el abandono de estudios académicos de forma temporal o definitiva. Durante muchos años, esta situación fue desestimada y normalizada en México, se ignoraba el impacto que tendría en los sectores económico, cultural y hasta de salud. En cifras, en la educación secundaria resalta la diferencia entre los ciclos escolares 2013-2014 y 2015-2016, ya que se registró un aumento en el abandono escolar del 4.1 % a 4.4 %. En nivel bachillerato en el ciclo 2015-2016 el abandono fue de 25.9% solo en el primer grado; pero en general, en este nivel, aproximadamente 700 mil estudiantes dejan la escuela cada año. El promedio en México de los estudiantes que terminan el nivel medio superior es de 68 %, y los que abandonan 32%.

Fuente: INEE, Estudio sobre las intervenciones para abatir el abandono escolar en Educación Media Superior.

Covid

Objetivos

Se pretende analizar como es que la pandemia por Covid-19 ha afectado la educación en México, asi como los motivos que influyeron en la deserción escolar durante el ciclo 2020-2021 y cual nivel educativo fue el más afectado por esta situación. Tambien como es que sería la disponibilidad para asistir a clases presenciales si el gobierno lo permite en el ciclo escolar actual.

Teoría

Deserción escolar por COVID-19

La pandemia del COVID-19 (coronavirus) representa una amenaza para el avance de la educación en todo el mundo debido a que produce dos impactos significativos:

  1. El cierre de los centros escolares en casi todo el mundo.

  2. La recesión económica que se produce a partir de las medidas tendientes a controlar la pandemia.

Si no se realizan esfuerzos importantes para contrarrestar sus efectos, el cierre de escuelas provocará una pérdida de aprendizajes, un aumento en la deserción escolar (también conocida como abandono escolar) y una mayor inequidad. La crisis económica que afecta a los hogares, agravará el daño, pues vendrá acompañada de menor oferta y demanda educativa. Estos dos impactos tendrán, en conjunto, un costo a largo plazo sobre el capital humano y el bienestar.

Fuente: http://pubdocs.worldbank.org/en/143771590756983343/Covid-19-Education-Summary-esp.pdf

Las principales causas que propician la dimisión de los estudios, son económicas (falta de recursos materiales o la necesidad de dejar las clases por un trabajo de tiempo completo) y personales (problemas de aprendizaje, desinterés y desmotivación); y sociales (desigualdad social y económica, lejanía del centro educativo y ubicación en una zona insegura).

Como resultado de las medidas de confinamiento implementadas por el gobierno mexicano tras el inicio de la pandemia por COVID-19 en 2020, millones de niños se vieron obligados a seguir sus estudios desde casa. Además, a pesar de las alternativas proporcionadas por las instituciones escolares, 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.-Publicado por J. Mendoza, 22 ene. 2021

En el caso de la educación superior, que comprende las universidades y otras instituciones técnicas y de educación profesional, se estima que al menos 305.000 estudiantes dejaron de asistir a clase. Esto supone un 8% del alumnado. Según un sondeo realizado entre abril y mayo de 2020, casi dos tercios de los estudiantes universitarios encuestados en México estaban inscritos en programas con modalidad presencial.

Fuente: https://es.statista.com/estadisticas/1196796/desercion-escolar-nivel-educativo-covid-mexico/

Deserción escolar

Metodología

Los métodos de análisis a utilizar son:

  1. Análisis de correlación: La correlación es un tipo de asociación entre dos variables numéricas, específicamente evalúa la tendencia (creciente o decreciente) en los datos. Dos variables están asociadas cuando una variable nos da información acerca de la otra. Por el contrario, cuando no existe asociación, el aumento o disminución de una variable no nos dice nada sobre el comportamiento de la otra variable.

  2. Regresión lineal: El objetivo de un modelo de regresión es tratar de explicar la relación que existe entre una variable dependiente y un conjunto de variables independientes. En un modelo de regresión lineal simple tratamos de explicar la relación que existe entre la variable respuesta Y y una única variable explicativa X.

  3. Pruebas de normalidad Shapiro-Wilk y Kolmogorov-Smirnov: En las pruebas de normalidad se busca aceptar la H0 dado que la mayoría de los métodos estadísticos es necesaria la suposición de la distribución normal de la variable de interés. Púes siendo así es posible conocer los parámetros que describen por completo (la media, su desviación estándar). Un valor de P≥ 0.05 en los tests de normalidad indican que no hay prueba suficiente para rechazar la normalidad de la variable.

Descarga de este código

xfun::embed_file("PFinal.Rmd")

Download PFinal.Rmd

Importación de datos

En este apartado se presentan las librerias que seran necesarias para generar las diferentes gráficas.

setwd("~/estadistica")
library(readxl)
library(tidyverse)
## -- Attaching packages --------------------------------------- tidyverse 1.3.0 --
## v ggplot2 3.3.3     v purrr   0.3.4
## v tibble  3.0.5     v dplyr   1.0.4
## v tidyr   1.1.2     v stringr 1.4.0
## v readr   1.4.0     v forcats 0.5.1
## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag()    masks stats::lag()
library(prettydoc)
library(readr)
library(DT)
library(pacman)
p_load("base64enc","htmltools","mime","xfun","prettydoc","readr","knitr","DT","dplyr","ggplot2","plotly","gganimate","gifski","scales", "MASS", "class")

Descarga de datos

Apartado en donde se encuentran los archivos con los datos necesarios para este analisis, disponible para su descarga.

tasa <- read.csv("EducacionTasa.csv") #Datos que se usaran como antecedentes (1990-2017)
xfun::embed_file("EducacionTasa.csv") #Descarga de datos

Download EducacionTasa.csv

mex.ab <- read_excel("aband.mex.xlsx") #Abandono escolar en México (2019-2020)
xfun::embed_file("aband.mex.xlsx") #Descarga de datos

Download aband.mex.xlsx

son.ab <- read_excel("abandono.xlsx") #Abandono escolar en Sonora (2019-2020)
xfun::embed_file("abandono.xlsx") #Descarga de datos

Download abandono.xlsx

Resultados y discusión

Se comenzará tomando los datos sobre la tasa de educación en México durante el periodo 1990-2017, para así determinar si en ese periodo la tasa de alumnos inscritos en los diferentes niveles escolares aumentó año con año, ya que, se podria suponer que conforme pasan los años, hay más acceso a la educación.

Tabla de datos (Tasa de educación 1990-2017)

datatable(tasa)

Análisis de correlación

La correlación nos permite medir el signo y magnitud de la tendencia entre dos variables. El signo nos indica la dirección de la relación, un valor positivo indica una relación directa o positiva. La magnitud nos indica la fuerza de la relación, y toma valores entre -1 a 1. Cuanto más cercano sea el valor a los extremos del intervalo (1 o -1) más fuerte será la tendencia de las variables, o será menor la dispersión que existe en los puntos alrededor de dicha tendencia. Cuanto más cerca del cero esté el coeficiente de correlación, más débil será la tendencia, es decir, habrá más dispersión entre los puntos. si la correlación vale 1 o -1 diremos que la correlación es “perfecta”, si la correlación vale 0 diremos que las variables no están correlacionadas.

pairs(x = tasa, lower.panel = NULL)

cor(x = tasa, method = "pearson")
##              periodo preescolar  primaria secundaria
## periodo    1.0000000  0.9692545 0.4297579  0.9786243
## preescolar 0.9692545  1.0000000 0.3423277  0.9575203
## primaria   0.4297579  0.3423277 1.0000000  0.3965081
## secundaria 0.9786243  0.9575203 0.3965081  1.0000000

Interpretación: Como se puede observar, los datos tienen una correlación alta, a excepción del nivel primaria, que es la que más varía.

Regresión lineal simple

La regresión lineal simple consiste en generar un modelo de regresión (ecuación de una recta) que permita explicar la relación lineal que existe entre dos variables. A la variable dependiente o respuesta se le identifica como Y y a la variable predictora o independiente como X.

En este estudio estaremo analizando la relación lineal entre el abandono escolar de los 3 niveles educativos (Preescolar, Primaria y Secundaria) conforme al periodo.

Cálculo del modelo de regresión lineal simple:

A continuación, se mostraran los cálculos para determinar el modelo lineal de cada nivel educativo conforme al periodo.

  • Preescolar
modelo_lineal <- lm(preescolar ~ periodo, tasa)
summary(modelo_lineal)
## 
## Call:
## lm(formula = preescolar ~ periodo, data = tasa)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -5.0001 -2.0542 -0.3108  1.4132  7.4254 
## 
## Coefficients:
##              Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -2879.643    146.247  -19.69   <2e-16 ***
## periodo         1.466      0.073   20.09   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 3.12 on 26 degrees of freedom
## Multiple R-squared:  0.9395, Adjusted R-squared:  0.9371 
## F-statistic: 403.4 on 1 and 26 DF,  p-value: < 2.2e-16

El valor de R2 indica que el modelo calculado explica el 93.95% de la variabilidad presente en la variable respuesta (preescolar) mediante la variable independiente (periodo).

El modelo lineal generado sigue la ecuación preescolar = -2789.2429 + 1.466 periodo.

  • Primaria
modelo_lineal <- lm(primaria ~ periodo, tasa)
summary(modelo_lineal)
## 
## Call:
## lm(formula = primaria ~ periodo, data = tasa)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -1.4620 -0.5652 -0.1038  0.6128  1.8478 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)  
## (Intercept)  2.72872   39.55746   0.069   0.9455  
## periodo      0.04792    0.01974   2.427   0.0225 *
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.8439 on 26 degrees of freedom
## Multiple R-squared:  0.1847, Adjusted R-squared:  0.1533 
## F-statistic:  5.89 on 1 and 26 DF,  p-value: 0.02246

El valor de R2 indica que el modelo calculado explica el 18.47% de la variabilidad presente en la variable respuesta (primaria) mediante la variable independiente (periodo).

El modelo lineal generado sigue la ecuación primaria = 2.72872 + 0.04792 periodo.

  • Secundaria
modelo_lineal <- lm(secundaria ~ periodo, tasa)
summary(modelo_lineal)
## 
## Call:
## lm(formula = secundaria ~ periodo, data = tasa)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -6.3819 -1.6144 -0.1908  2.0879  4.0594 
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)    
## (Intercept) -2.917e+03  1.231e+02  -23.69   <2e-16 ***
## periodo      1.491e+00  6.146e-02   24.26   <2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 2.627 on 26 degrees of freedom
## Multiple R-squared:  0.9577, Adjusted R-squared:  0.9561 
## F-statistic: 588.7 on 1 and 26 DF,  p-value: < 2.2e-16

El valor de R2 indica que el modelo calculado explica el 95.77% de la variabilidad presente en la variable respuesta (primaria) mediante la variable independiente (periodo).

El modelo lineal generado sigue la ecuación primaria = -2.917e+03 + 1.491e+00 periodo.

Representación gráfica del modelo

A continuación, se muestra en forma de gráficas de dispersion aplicada en los modelos previamente diseñados.

  • Preescolar
ggplot(data = tasa, mapping = aes(x = periodo, y = preescolar)) +
  geom_point(color = "firebrick", size = 2) +
  labs(title  =  'Diagrama de dispersión', x  =  'Periodo') +
  geom_smooth(method = "lm", se = TRUE, color = "black") +
  theme_bw() +
  theme(plot.title = element_text(hjust = 0.5))
## `geom_smooth()` using formula 'y ~ x'

Esta gráfica nos muestra la dispersión que se tiene entre en Nivel educativo Preeescolar y los periodos en los que se analizo este. El sombreado permite identificar la región en la que, según el modelo generado y para un determinado nivel de confianza, se encuentra el valor promedio de la variable dependiente. Se muestra un nivel de confianza de 95%

  • Primaria
ggplot(data = tasa, mapping = aes(x = periodo, y = primaria)) +
  geom_point(color = "firebrick", size = 2) +
  labs(title  =  'Diagrama de dispersión', x  =  'Periodo') +
  geom_smooth(method = "lm", se = TRUE, color = "black") +
  theme_bw() +
  theme(plot.title = element_text(hjust = 0.5))
## `geom_smooth()` using formula 'y ~ x'

Se muestra un nivel de confianza de 95%

  • Secundaria
ggplot(data = tasa, mapping = aes(x = periodo, y = secundaria)) +
  geom_point(color = "firebrick", size = 2) +
  labs(title  =  'Diagrama de dispersión', x  =  'Periodo') +
  geom_smooth(method = "lm", se = TRUE, color = "black") +
  theme_bw() +
  theme(plot.title = element_text(hjust = 0.5))
## `geom_smooth()` using formula 'y ~ x'

Se muestra un nivel de confianza de 95%

Discusión de resultados

Aunque los datos proporcionados no permiten analizar predicciones para aceptar el modelo lineal, podemos concluir que el valor de R2 no es muy alto por lo que el periodo no es muy buen predictor para el nivel de Primaria, mientras que para el nivel de secundaria y preescolar la R2 es alta.

Pruebas de normalidad

Un valor de P≥ 0.05 en los tests de normalidad indican que no hay prueba suficiente para rechazar la normalidad de la variable.

  • Preescolar
qqnorm(tasa$preescolar, main = "Preescolar", col = "darkred")
qqline(tasa$preescolar)

shapiro.test(tasa$preescolar)
## 
##  Shapiro-Wilk normality test
## 
## data:  tasa$preescolar
## W = 0.85964, p-value = 0.001472

Interpretación: El valor obtenido fue menor a 0.05 lo que significa que hay pruebas suficientes para rechazar la normalidad de la variable.

  • Primaria
qqnorm(tasa$primaria, main = "Primaria", col = "darkred")
qqline(tasa$primaria)

shapiro.test(tasa$primaria)
## 
##  Shapiro-Wilk normality test
## 
## data:  tasa$primaria
## W = 0.9491, p-value = 0.1881

Interpretación: El valor obtenido fue menor a 0.05 lo que significa que no hay pruebas suficientes para rechazar la normalidad de la variable.

  • Secundaria
qqnorm(tasa$secundaria, main = "Secundaria", col = "darkred")
qqline(tasa$secundaria)

shapiro.test(tasa$secundaria)
## 
##  Shapiro-Wilk normality test
## 
## data:  tasa$secundaria
## W = 0.92022, p-value = 0.03513

Interpretación: El valor obtenido fue menor a 0.05 lo que significa que hay pruebas suficientes para rechazar la normalidad de la variable.

En base a las gráficas y las pruebas realizadas, nos podemos dar cuenta que a nivel primaria, los datos se encuentran más dispersos al pasar los años, en cambio, en secundaria, conforme pasan los años, la tasa aumenta.

Gráficas sobre la tasa de educación en el periodo 2019-2020

Ahora bien, se realizará un análisis de la situación actual de la eduación en México, con el objetivo de observar cuál ha sido el impacto en cuanto al abandono escolar por COVID-19 y otros motivos, así como también la disponibilidad que existe de regresar a clases presenciales.

Tasa de abandono escolar en México (2019-2020)

ggplotly(ggplot(mex.ab, aes(fill=Nivel, y=Tasa, x=Entidad))+
  geom_bar(position="dodge", stat="identity")+
  labs(x="Entidad", y="Tasa de abandono (%)", title="Tasa de abandono escolar en México (2019-2020)", subtitle="Fuente: SEP")+
      theme(axis.text.x = element_text(angle=90,hjust=1),axis.text.y =element_text(size = 6)))

Distribución de la tasa de abandono para los distinstos niveles escolares en México (2019-2020)

ggplot(mex.ab) + 
  geom_histogram(bins = 50, aes(x = Tasa, fill = Nivel), color = 'black') + 
  facet_grid(Nivel~., scales = 'free') +
  xlab("Tasa de abandono") + 
  ylab("Frecuencia") + 
  ggtitle("Distribución de la Tasa de abandono para los distintos Niveles escolares") +
  theme_minimal()

Tasa de abandono escolar en Sonora (2019-2020)

ggplotly(ggplot(son.ab, aes(fill=Nivel, y=Tasa, x=Entidad))+
  geom_bar(position="dodge", stat="identity")+
  labs(x="Entidad", y="Tasa de abandono (%)", title="Tasa de abandono escolar en Sonora (2019-2020)", subtitle="Fuente: SEP")+
      theme(axis.text.x = element_text(angle=90,hjust=1),axis.text.y =element_text(size = 6)))

Es el porcentaje de alumnos que abandonan la escuela de un nivel educativo, respecto a la matrícula de inicio de cursos del mismo nivel. Es el porcentaje de alumnos que abandonan las actividades escolares durante el ciclo escolar y al finalizar éste, respecto al total de alumnos inscritos en el ciclo escolar. Cuando el indicador es positivo es probable que la deserción sólo ocurra a un grado de un ciclo determinado; en ocasiones el porcentaje puede resultar negativo, debido a que durante el ciclo escolar en estudio existieron más alumnos que se inscribieron como ‘’altas’’ que los que enunciaron como ‘’bajas’’ escolares. Los datos que se presentan en ceros no son absolutos, sino no significativos.

El nivel educativo Media superior incluye Profesional técnico y Bachillerato; el Superior incluye licenciatura en Educación Normal, Universitaria y Tecnológica, y excluye Posgrado.

Fuente: SEP. Principales Cifras del Sistema Educativo Nacional 2019-2020 (versión bolsillo). http://www.planeacion.sep.gob.mx/estadisticaeindicadores.aspx (Consulta: 07 de octubre de 2020).

Población inscrita y no inscrita según motivos

Según el estudio, 8.8 millones de alumnos registrados en el ciclo 2019-2020 están ausentes en el periodo actual, lo que habla de un nivel de deserción más que preocupante y al cual hay varias situaciones que podrían explicarlo.

A continuación se presenta la distribución porcentual de la población según condición de inscripción en el ciclo escolar 2020–2021.

Fuente: INEGI. Encuesta para la Medición del Impacto COVID-19 en la Educación https://www.inegi.org.mx/contenidos/investigacion/ecovided/2020/doc/ecovid_ed_2020_presentacion_resultados.pdf

13 a 15 años (Secundaria)

proporciones <- c(89, 4.8, 1.1, 0.6, 4.5) 
etiquetas <- c("89%", "4.8%", "1.1%", "0.6%", "4.5%")
pie(proporciones,labels = etiquetas,
    col=rainbow(length(etiquetas)),
    main="Distribución porcentual de la población de 13 a 15 años")

legend("bottomlef", c("Inscrito", "COVID-19", "Falta de dinero/recursos", "Tenia que trabajar", "Otra razón"), cex = 0.7,
       fill = rainbow(length(proporciones)))

16 a 18 años (Preparatoria)

proporciones <- c(63.1, 6.8, 5.6, 4.4, 20.1) 
etiquetas <- c("63.1%", "6.8%", "5.6%", "4.4%", "20.1%")
pie(proporciones,labels = etiquetas,
    col=rainbow(length(etiquetas)),
    main="Distribución porcentual de la población de 16 a 18 años")

legend("bottomlef", c("Inscrito", "COVID-19", "Falta de dinero/recursos", "Tenia que trabajar", "Otra razón"), cex = 0.7,
       fill = rainbow(length(proporciones)))

19 a 24 años (Universidad)

proporciones <- c(36.1, 5.2, 12.5, 13.1, 37.7) 
etiquetas <- c("36.1%", "5.2%", "12.5%", "13.1%", "37.7%")
pie(proporciones,labels = etiquetas,
    col=rainbow(length(etiquetas)),
    main="Distribución porcentual de la población de 19 a 24 años")

legend("bottomlef", c("Inscrito", "COVID-19", "Falta de dinero/recursos", "Tenia que trabajar", "Otra razón"), cex = 0.7,
       fill = rainbow(length(proporciones)))

Del total de los 2.3 millones de No inscritos por COVID-19: 615 mil personas mencionaron que las clases son poco funcionales; 584 mil porque alguno de los padres se quedaron sin empleo, y 581 mil por carecer de computadora u otros dispositivo. Cabe señalar que en la opción Otro también se mencionó motivos económicos por situación de pandemia.*

Como era de suponerse, la mayor deserción se dio entre los alumnos de escuelas públicas en el ciclo 2020-2021, en comparación con miembros de instituciones privadas que ya no continuaron, seguramente porque sus familias tuvieron que cambiar de estilo de vida al verse golpeadas de algún modo por la crisis económica.

Adquirir equipo adicional, así como invertir recursos en servicios de los que anteriormente no se disponía o hasta para acondicionar espacios especiales dentro de los hogares, fueron gastos extraordinarios para los que algunas familias no estuvieron preparadas o que la pérdida del empleo de alguno de sus miembros de sostén no les permitió sortear, con el consiguiente abandono de los estudios para los menores en edad escolar.

Asimismo, la necesidad de trabajar o la carencia de recursos —indispensable para poder seguir los cursos a distancia— explican la alta deserción registrada en el ciclo, aunque también se suma el descrédito que alumnos y padres de familia dan a las clases virtuales, a las que muchos califican como poco funcionales.

Fuente: https://www.eluniversal.com.mx/opinion/editorial-el-universal/covid-golpe-la-educación

Regreso a clases presenciales en agosto 2021

Gracias a un descenso en los casos de Covid-19 en la entidad el debate sobre el regreso a clases se ha retomado, pero muchos coinciden en priorizar la seguridad. Desde los primeros indicios de que los contagios de Covid-19 comienzan a amainar en el país, el debate sobre el regreso a clases presenciales vuelve a la mesa de discusión con fuertes opiniones en ambos lados. Uno de los principales argumentos para el regreso a clases presenciales, en el momento en que sea posible, es que el sistema de clases a distancia no ha dado los resultados que se esperaban por las autoridades al inicio de la contingencia, distando todavía en calidad de las aulas reales.

Fuente: https://www.elsoldehermosillo.com.mx/local/regresar-a-clases-presenciales-el-debate-en-sonora-6590213.html

Disponibilidad para asistir a clases presenciales

A continuación se presentara la distribución porcentual de la población inscrita en el ciclo escolar 2020-2021 por disponibilidad para asistir a clases presenciales si el gobierno lo permite en el ciclo escolar actual, por grupos de edad.

Fuente: INEGI. Encuesta para la Medición del Impacto COVID-19 en la Educación https://www.inegi.org.mx/contenidos/investigacion/ecovided/2020/doc/ecovid_ed_2020_presentacion_resultados.pdf

  • 13 a 19 años
proporciones <- c(64.1, 15.4, 20.6) 
etiquetas <- c("64.1%", "15.4%", "20.6%")
pie(proporciones,labels = etiquetas,
    col=rainbow(length(etiquetas)),
    main="Distribución porcentual de la población de 13 a 19 años")

legend("bottomlef", c("Mucha disponibilidad", "Algo de disponibilidad", "Poca o nada disponiblidad"), cex = 0.7,
       fill = rainbow(length(proporciones)))

  • 19 a 29 años
proporciones <- c(55.9, 16.1, 28) 
etiquetas <- c("55.9%", "16.1%", "28%")
pie(proporciones,labels = etiquetas,
    col=rainbow(length(etiquetas)),
    main="Distribución porcentual de la población de 19 a 29 años")

legend("bottomlef", c("Mucha disponibilidad", "Algo de disponibilidad", "Poca o nada disponiblidad"), cex = 0.7,
       fill = rainbow(length(proporciones)))

Conclusiones individuales

El problema que trajo consigo el COVID-19 en México y en todo el mundo es bastante notorio, como se demostro en esta investigación, nos rige una desigualdad social muy grande, por ejemplo, ir a la escuela no solo permite a un alumno estudiar y aprender, también garantizaban servicios básicos. Por ejemplo, las ayudas para el comedor escolar, las clases de repaso para poder seguir el curso o el apoyo emocional, por ello se alerta que puede crearse una mayor desigualdad educativa, que los alumnos no consigan aprender los contenidos ni desarrollar las competencias previstas y que haya más repetidores de curso.Y como se demostro, la deserción escolar fue mayor de la que se esperaba.

La pandemia del COVID-19 representa una amenaza para el avance de la educación en México debido ya que produce dos impactos significativos como por ejemplo, el cierre de los centros escolares en casi todo el mundo y la recesión económica que se produce a partir de las medidas tendientes a controlar la pandemia. Si no se realizan esfuerzos importantes para contrarrestar sus efectos, el cierre de escuelas provocará una pérdida de aprendizajes, un aumento en la deserción escolar y una mayor inequidad. La crisis económica que afecta a los hogares, agravará el daño, pues vendrá acompañada de menor oferta y demanda educativa. Estos dos impactos tendrán, en conjunto, un costo a largo plazo sobre el capital humano y el bienestar.

Bibliografía

Statista. (2021, 31 marzo). México: deserción escolar durante la pandemia de COVID-19, por nivel. https://es.statista.com/estadisticas/1196796/desercion-escolar-nivel-educativo-covid-mexico/

Por Covid y pobreza, 9 millones de alumnos dejan la escuela. (2021, 24 marzo). El Universal. https://www.eluniversal.com.mx/cartera/por-covid-y-pobreza-9-millones-de-alumnos-dejan-la-escuela

Geografia, E. D. N. I. Y. (s. f.). Caracteristicas educativas de la población. INEGI. https://inegi.org.mx/temas/educacion/

DGPPYEE-SEP. (s. f.). SEP. http://www.planeacion.sep.gob.mx/estadisticaeindicadores.aspx

Merayo, P. (2021, 19 mayo). ¿Qué es la correlación estadística y cómo interpretarla? Máxima Formación. https://www.maximaformacion.es/blog-dat/que-es-la-correlacion-estadistica-y-como-interpretarla/