Introducción

Índice de desarrollo humano

El Índice de Desarrollo Humano (IDH) se creó para hacer hincapié en que la ampliación de las oportunidades de las personas debería ser el criterio más importante para evaluar los resultados en materia de desarrollo. El crecimiento económico es un medio que contribuye a ese proceso, pero no es un objetivo en sí mismo. El IDH mide el progreso conseguido por un país en tres dimensiones básicas del desarrollo humano: disfrutar de una vida larga y saludable, acceso a educación y nivel de vida digno.

En esta investigación se estudiaran los casos relacionados con el indice de desarrollo humano en la educación e ingresos, por lo cual resulta importante mencionar que en el año 2014 se considero la educación como “el talón de Aquiles para el desarrollo humano en México”, puesto que el país registró una escolaridad inferior a la de países africanos como Bostsuana y Ruanda, ubicando a México en el lugar número 71 de 187 países evaluados y aunque México está catalogado como un país de “alto desarrollo humano” , en cuanto al promedio de escolaridad y la escolaridad esperada se encuentra por debajo de otros países de “bajo desarrollo humano” y esto se debe a que el país se encuentra en un momento sin precedentes en la historia, en el que la actividad humana se ha convertido en una fuerza dominante que afecta a los procesos clave del planeta. Estos efectos interactúan con las desigualdades existentes y amenazan con revertir el desarrollo de manera significativa. Por otra parte en estudios más recientes en el año del 2019 el índice de desarrollo humano en México ha incrementado ya que obtuvo 0.779 puntos, lo que supone una mejora respecto al año 2018 , en el que se obtuvo 0.776 puntos. Por lo tanto ante ese puntaje obtenido se calcula que la esperanza de vida en México esta en 74.99 años, su tasa de mortalidad se encuentra en el 6.01% y su renta per cápita es de 216.39 pesos.

Metodologia

  • 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)

Relación de IDH, Educación y Salud

Gráfica

IDH <- read_excel("IDH.xlsx")
view(IDH)
Año <- IDH$ANO
d1 <- IDH$IDH
d2 <- IDH$CF
d3 <- IDH$PPC
d4 <- IDH$SALUD
d5 <- IDH$EDUC

datos <- data.table(d1, d2, d3, d4, d5)

matriz <- datos[, c("d1", "d2", "d3", "d4", "d5")]


# Función para dibujar los puntos y agregar la recta de regresión
panel.reg <- function (x, y) 
{
  points(x, y, pch=20)
  abline(lm(y ~ x), lwd=2, col='seagreen')
}

# Función para crear el histograma
panel.hist <- function(x, ...)
{
  usr <- par("usr"); on.exit(par(usr))
  par(usr = c(usr[1:2], 0, 1.5) )
  h <- hist(x, plot = FALSE)
  breaks <- h$breaks; nB <- length(breaks)
  y <- h$counts; y <- y/max(y)
  rect(breaks[-nB], 0, breaks[-1], y, col="dodgerblue2", ...)
}

# Función para obtener la correlación
panel.cor <- function(x, y, digits=2, prefix="", cex.cor)
{
  usr <- par("usr"); on.exit(par(usr))
  par(usr = c(0, 1, 0, 1))
  r <- abs(cor(x, y))
  txt <- format(c(r, 0.123456789), digits=digits)[1]
  txt <- paste(prefix, txt, sep="")
  if(missing(cex.cor)) cex <- 0.8/strwidth(txt)
  text(0.5, 0.5, txt, cex = cex * r)
}

pairs(matriz,
      upper.panel = panel.reg,
      diag.panel = panel.hist,
      lower.panel = panel.cor, labels=c('IDH', 'CF', 'PPC', 'SALUD', "EDUACION"))

x = IDH[c(3,6,7)]
pairs.panels(x,gap=0,method="pearson",lm=FALSE,hist.col="pink")

Población de 3 años y más por entidad federativa según condición de asistencia escolar, 2020

Gráfica

library(readxl)
educacion <- read_xlsx("educacion.xlsx")
fig <- plot_ly(educacion, x = ~Entidad, y =~Asiste, type = 'bar', name = 'Asiste')
fig <- fig %>% add_trace(y = ~Noasiste, name = 'Noasiste')
fig <- fig %>% layout(yaxis = list(title = 'Indice'), barmode = 'group')
fig
## Warning: Ignoring 2 observations

## Warning: Ignoring 2 observations

La información está referida al 15 de marzo.
Fuente: INEGI. Censo de Población y Vivienda 2020 Es el porcentaje de la población de 3 años y más de edad que asiste o no a un establecimiento de enseñanza escolar (de preescolar a posgrado) del Sistema Educativo, por cada 10,000 personas

Esperanza de escolaridad por entidad federativa, ciclos escolares 2015/2016 a 2019/2020

library(readr)
comparacion <- read_xlsx("comparacion.xlsx")
fig <- plot_ly(comparacion, x = ~Entidad, y =~seis, type = 'bar', name = '2016')
fig <- fig %>% add_trace(y = ~siete, name = '2017')
fig <- fig %>% add_trace(y = ~ocho, name = '2018')
fig <- fig %>% add_trace(y = ~nueve, name = '2019')
fig <- fig %>% add_trace(y = ~veinte, name = '2020')
fig <- fig %>% layout(yaxis = list(title = 'Esperanza de escolaridad'), barmode = 'group')
fig

“Para 2015/2016: SEP. Principales Cifras del Sistema Educativo Nacional 2016/2017(versión bolsillo).http://www.planeacion.sep.gob.mx/estadisticaeindicadores.aspx (Consulta: 13 de septiembre de 2019).”
Para 2016/2017 y 2017/2018: SEP. Principales Cifras del Sistema Educativo Nacional 2017/2018 (versión bolsillo). http://www.planeacion.sep.gob.mx/estadisticaeindicadores.aspx (Consulta: 13 de septiembre de 2019).
Para 2018/2019 y 2019/2020: 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).

Mide cuántos años se espera que una persona de entre 5 y 29 años de edad esté inscrita en algún nivel educativo. Es resultado de sumar las tasas netas de escolarización por edad, para los alumnos de entre 5 y 29 años independientemente del nivel educativo que cursen.

datos <- read_excel("PIB2.xlsx")
view(datos)
rel <- ggplot(data = datos) +
  geom_line(aes(Fecha, m.euro, colour="`Gasto educacion`"), color= "blue") +  
  xlab("Fecha") +
  ylab("Gasto educacion") +
  ggtitle("Gráfica México - Gasto Público Eduación") +
 theme_linedraw()
  geom_point 
## function (mapping = NULL, data = NULL, stat = "identity", position = "identity", 
##     ..., na.rm = FALSE, show.legend = NA, inherit.aes = TRUE) 
## {
##     layer(data = data, mapping = mapping, stat = stat, geom = GeomPoint, 
##         position = position, show.legend = show.legend, inherit.aes = inherit.aes, 
##         params = list(na.rm = na.rm, ...))
## }
## <bytecode: 0x000000001bd15a18>
## <environment: namespace:ggplot2>
  ggplotly(rel)

Conclusión

En conclusión, las medidas de confinamiento adoptadas como respuesta al COVID-19 interrumpieron la enseñanza convencional con el cierre a nivel nacional de las escuelas en la mayoría de los países, que se prolongó por lo menos 10 semanas en la mayoría de ellos. Por ello, que la comunidad educativa emprendió iniciativas importantes para mantener la continuidad del aprendizaje durante este periodo, los niños y los estudiantes tuvieron que depender más de sus propios recursos para seguir aprendiendo a distancia a través de Internet, la televisión o la radio. Los docentes también tuvieron que adaptarse a los nuevos conceptos pedagógicos y modos de impartir la enseñanza, para los cuales no recibieron capacitación. En particular, los aprendices de los grupos más marginados, que no tienen acceso a recursos de aprendizaje digital o que carecen de fortaleza y colaboración para aprender por su cuenta, corrieron el riesgo de quedar rezagados.