Statistical
model to know the migration factors in Ecuadorians
Erick
Aspiazu
Erik
Tacuri
Alfonso
Vera
Statistical
model to know the migration factors in Ecuadorians
Erick
Aspiazu[1], Erik
Tacuri[2], y Alfonso
Vera[3]
Como
citar: Aspiazu, E.., Tacuri, E.., & Vera, A.
(2019). Modelo estadístico para conocer los factores de migración en
ecuatorianos. Investigación, Tecnología e
Innovación. 11(11), 37-49.
https://doi.org/10.53591/iti.v11i11.172
RESUMEN
El objetivo
de este trabajo de investigación es dar a conocer cuáles son las principales
causas que provocan la migración en Ecuador, teniendo en cuenta los factores
que impulsan a la población ecuatoriana en tomar la salida migratoria como una
estrategia colectiva para determinar las causas que una persona tiene al
momento de tomar la decisión de migrar a otros país; para este estudio se da a
conocer el uso de herramientas estadísticas y probabilísticas como un
instrumento informático para la obtención de los resultados; tales como son las
tablas de contingencia y su test estadístico como lo es el chi cuadrado. Se
usará una herramienta de acceso libre y muy poderoso para el análisis de datos
estadísticos como lo es R; con el fin de evidenciar la dependencia lineal de
cada una de las variables. En base a los datos analizados, se concluye que el
90% de los ecuatorianos migran porque constan de una residencia extranjera y
además aquellos que no cuentan con una ocupación especifica representan el 28%.
Palabras clave: País, Tabla de Contingencia, Chi-Cuadrado, Estadística, Ecuador, Análisis
Bivariado.
ABSTRACT
The objective of this research work is to make known what are the main causes that cause migration in Ecuador, taking into account the factors that drive the Ecuadorian population to take migration as a collective strategy to determine the causes that a person you have at the time of making the decision to migrate to another country; For this study, the use of statistical and probabilistic tools as a computer instrument to obtain the results is disclosed; such as contingency tables and their statistical test such as chi square. A very powerful and free access tool will be used for the analysis of statistical data, such as R; in order to show the linear dependence of each of the variables. Based on the data analyzed, it is concluded that 90% of Ecuadorians migrate because they have a foreign residence and also those who do not have a specific occupation represent 28%.
Keywords: Country, Contingency Table, Chi-Square,
Statistics, Ecuador, Bivariate Analysis.
Fecha de recepción: Septiembre 3, 2019.
Fecha de aceptación: Octubre 21, 2019.
INTRODUCCIÓN
Las personas con el fin de conseguir un
mejor estatus de vida, acceso a bienes y servicios, oportunidad de empleo,
desarrollo familiar, seguridad; buscan salir de su país con la expectativa de
una mejor calidad de vida, eso es posible a través de la migración; sin
embargo, las personas no miden el problema social que causan en sus seres
queridos al abandonar su hogar, debido a que la realidad de la migración
también plantea otros retos a las familias tales como la separación de
familiares durante largos periodos de tiempo.
El tema de
migración es muy amplio por lo cual siempre se opta por reducir esta dimensión,
es por lo que la investigación (Hiort-Lorenzen,
2014), se centra como caso de estudio la
migración de ciudadanos cubanos utilizando rutas rurales. Este problema social
se da ya que no existen los recursos necesarios para mantenerse, ni mantener a
sus familias; por lo cual se realizó un estudio y se consideraron ciertas
variables para resolver el problema de causa de las migraciones al mismo
tiempo, para este estudio se utilizó una herramienta probabilística como lo es
la regresión lógica. Esta herramienta permite valorar los factores más
relevantes de la migración obteniendo solamente una probabilidad; sin embargo,
la regresión logística me muestra la relación que hay entre la variable
dependiente versus varias variables independientes, caso contrario en lo que
respecta al orden de contingencia que me ayuda a identificar variable por
variable en grados de dependencia lineal dichas variables y se hace más fácil
para las personas que están en proceso de aprendizaje de la estadística.
En el caso de
estudio (Valverde &
Romo, 2006), para resolver el problema referente a la
migración utilizaron el coeficiente de correlación de Spearman como medida
estadística entre dos variables aleatorias; que nos indican asociaciones
negativas o positivas respectivamente entre las variables planteadas; es por
ello que se determinó que las personas con mayor edad resultan más propensas a
migrar, sin embargo, este modelo solo mide el grado de correspondencia que
existe entre los rangos que se asignan a los valores de las variables
cualitativas. Por este motivo en el presente trabajo se utilizará tablas de
contingencia con prueba de chi cuadrado ya que se puede establecer medida de
asociación entre variables cualitativas nominales y como resultado se obtiene
los porcentajes correspondiente de cada variable; no solo su grado de
dependencia y además permite obtener mediante un contraste de hipótesis
resultados más precisos pues se dará la afirmación o negación si las variables
tienen dependencia.
Respecto a (Canales, 2009) todos estos cambios migratorios se
manifiestan en una mayor complejidad y diversidad de los patrones, rutas y
flujos; por lo que surge la necesidad de plantear, reconstruir esquemas y
enfoques de análisis para la comprensión de este fenómeno. Por lo tanto, en
este trabajo de investigación se da a conocer las causas de este fenómeno con
la ayuda de herramientas probabilísticas como lo es correlación de Pearson. Las
características de la migración latinoamericana a España y Estados Unidos, se concentra
en el gran movimiento de personas del Sur al Norte; en donde se pueden apreciar
las diversas modalidades migratorias y sujetos participantes. Sin embargo, las
tablas de contingencias son mucho mejor al momento de apreciar las modalidades
que usan con más frecuencias para movilizarse hacia sus destinos.
Para la
tabulación de las encuestas, (Secades, n.d.) utilizó la herramienta básica de Excel
que le permitió el desarrollo y elaboración de tablas y gráficos mediante
diagramas de líneas de dispersión como de barras. El análisis buscó una
integración de datos que aporten a la explicación de la migración en el Ecuador
hacia el exterior en el periodo de estudio planteado. Por lo tanto, con el
lenguaje de programación R se generará tablas de contingencia, para de esta
forma obtener resultados precisos relacionando sus variables, con sus
respectivas categorías, en las que se escribirá la frecuencia con que aparecen
cada uno de los casos, y usando chi-cuadrado Someter a prueba las hipótesis
referidas a distribuciones de frecuencias. En términos generales, esta prueba
contrasta frecuencias observadas con las frecuencias esperadas de acuerdo con
la hipótesis nula para ello, se recomienda que el autor siga estas
instrucciones como modelo para la entrega de su artículo, respetando los estilos,
tipos de letra, interlineados, márgenes y demás características de formato
establecidas en esta plantilla.
MATERIALES Y
MÉTODOS
A continuación, se presenta varios conceptos
estadísticos usados durante este trabajo de investigación para la resolución
del problema; de igual forma su propósito es mejorar la comprensión del lector.
Recolección de
datos
Los datos con los que se trabajó fueron
obtenidos de la base de datos de INEC (Instituto Nacional de Estadística y
Censo) el cual consta de un millón de datos de personas que migran del país.
Estos datos fueron útiles para aplicar una distribución probabilista de tipo
binomial y llegar a tener los resultados correspondientes.
Tablas de
contingencia
Una tabla de contingencia es una tabla que
cuenta las observaciones por múltiples variables categóricas. Las filas y
columnas de las tablas corresponden a estas variables categóricas (Lastre et al., 2019).
Una tabla de contingencia es una matriz de
doble entrada donde se recogen las variables que se desean relacionar, con sus
respectivas categorías, en las que se escribirá la frecuencia con que aparecen
cada uno de los casos, según categoría (“La Relación Entre Dos Variables Según La Escala de
Medición Con SPSS,” 2018).
Tabla
1. Tabla de contingencia general.
Chi-Cuadrado
de Pearson
Somete a prueba hipótesis
referidas a distribuciones de frecuencias. En términos generales, esta prueba
contrasta frecuencias observadas con las frecuencias esperadas de acuerdo con
la hipótesis nula (Ricardi, 2011).
Definición
de parámetros
𝑶𝒊𝒋: Frecuencia observada en la celda (𝑖, 𝑗).
𝑬𝒊𝒋: Frecuencia esperada para la celda (𝑖, 𝑗).
𝒓: Numero de filas
𝒄: Numero de columnas
Grados de
libertad
Es la cantidad de
información suministrada por los datos que usted puede "gastar" para
estimar los valores de parámetros de población desconocidos y calcular la
variabilidad de esas estimaciones. Este valor se determina según el número de
observaciones de la muestra y el número de parámetros del modelo (Bopp & Peláez,
2019).
Nivel de
significancia
La diferencia
entre un estadístico de muestra y un valor hipotético es estadísticamente
significativa si una prueba de hipótesis indica que es muy poco probable que la
misma haya ocurrido en virtud de las probabilidades. Para evaluar la
significancia estadística, se examina el valor “p” de la prueba; si el valor
“p” está por debajo de un nivel de significancia (α) especificado (generalmente
0.10, 0.05 o 0.01), usted puede decir que la diferencia es estadísticamente
significativa y rechazar la hipótesis nula de la prueba (“Minitab,” 2011).
Valor critico
Valores Críticos
de la distribución 𝑥2 (Barbetti, 2015). Estos valores se encuentran ya
establecidos.
Contraste de
hipótesis
Fijar las
hipótesis que se quieren contrastar
𝑯𝟎: (Nula) Es aquella en la que asegura que
los dos parámetros analizados son independientes uno del otro.
𝑯𝟏: (Alternativa) Es aquella en la que se
asegura que los dos parámetros analizados si son dependientes.
Fijar el
valor critico
Valor
correspondiente de acuerdo con el grado de libertad y al valor de
significancia; por lo que en este trabajo se realizara con 0.05.
Elegir un
estadístico de contraste
Valor que se toma
de los resultados en la prueba de chi-cuadrado.
Decisión de
rechazar o aceptar la hipótesis nula
Independientes
𝒙𝟐(𝒗𝒂𝒍𝒐𝒓 𝒅𝒆 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒏𝒄𝒊𝒂) <∝ (𝒗𝒂𝒍𝒐𝒓 𝒄𝒓𝒊𝒕𝒊𝒄𝒐): (4)
Dependientes
𝒙𝟐(𝒗𝒂𝒍𝒐𝒓 𝒅𝒆 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒏𝒄𝒊𝒂) >∝ (𝒗𝒂𝒍𝒐𝒓 𝒄𝒓𝒊𝒕𝒊𝒄𝒐): (5)
Software para
análisis estadístico (Rstudio)
RStudio es una
interfaz que permite acceder de manera sencilla a toda la potencia de R; el cual
es un lenguaje orientado a objetos, destinado para el cálculo estadístico y la
generación de gráficos. Ofrece una gran variedad de técnicas estadísticas y
gráficas. Es un entorno de análisis y programación estadística muy similar a S
en relación con su aspecto externo. Es un lenguaje de programación completo con
el que se añaden nuevas técnicas mediante la definición de funciones (Gea et al., 2015).
Figura 1. Software Rstudio: interfaz
gráfica
Durante el
desarrollo de este proyecto, Rstudio fue una herramienta fundamental y de suma
importancia debido a la asistencia que brinda para la adquisición de las
dependencias de cada una de las variables respecto al motivo de viaje; por lo
tanto, facilito la interpretación de los resultados obtenidos.
Funciones de R
utilizadas
Función
“xtabs”
Genera una tabla
de contingencia que nos permite conocer la frecuencia de cada uno de los casos
posibles.
Algoritmo 1.
>
local({
Table <-
xtabs(variable x + variable y, Nombre_de_Base_)
Cat(“\nFrequency
table:\n”)
})
Primero se
declara una variable “Y” después se le asigna lo que corresponde a la
función xtabs
(nombre de variable X + nombre de variable Y, nombre de base de datos).
Función
“chisq.test”
Realiza la prueba
de Chi-Cuadrado que consiste en presentar dos hipótesis para determinar si dos
variables están relacionadas o no.
Algoritmo 2.
>
local({
.Test <- chisq.test(nombre_variable, correct=False)
print(.Test)
})
Primero se
declara un variable con X nombre después se le asigna lo que corresponde a la
función chis.test “nombre_variable(la cual es la tabla de
contingencia),correct=FALSE”, después se presenta dicha variable.
Función
“totPercents”
Se usa para
conocer el porcentaje que corresponde a cada variable después de la prueba de
chi-cuadrado.
Algoritmo 3.
>
local({
Cat(“\nTotal percentages:\n”)
print(totPercents(Nombre_Variable))
})
Para esta función
no es necesario almacenar su valor en una variable, se puede presentar
directamente con totPercents (Nombre de la variable).
Función
“barplot”
Se utiliza para
realizar un gráfico de barras que presente la frecuencia de una variable agrupada.
Algoritmo 4.
>
local({
Nombre_Variable <- xtabs(~variable x + varible y,
data=Base_de_Datos_ Estadistica_6_variables) cat(\nBarra:\n)
print(barplot(Nombre_Variable, xlab = “Pais de Destino”, ylab = “Frecuencia Motivo de viaje”))
})
Para esta función
se declara barplot (nombre de la variable).
Caso de
estudio
El siguiente
trabajo de investigación tiene como objetivo analizar la migración en el
Ecuador, a través de tablas de contingencia con su respectiva prueba de chi-cuadrado,
para definir la dependencia que existe entre las variables. Debido a esto se
planteará los parámetros necesarios que nos muestren la frecuencia de los
motivos que incitan a los ecuatorianos a tomar la migración como una salida
estratégica. El proceso de análisis de datos se realizó a través del programa
estadístico R, el cual permite realizar una tabla de contingencia con las
funciones “xtabs”, que posteriormente realiza la prueba de chi cuadrado a esa
tabla con la función llamada “chisq.test”, dando como resultados el valor de
significancia junto con el grado de libertad que indica, al tener un valor de
significación mayor al valor critico; las variables estarán relacionadas entre
sí. Por último, se hará uso de la función “totPercents” la cual realiza una
tabla de porcentajes de las variables.; todo esto con la finalidad de obtener
resultados altamente precisos (Cevallos-Torres
& Botto-Tobar, 2019a, 2019c, 2019b; González-Galbán & Herrera-León,
2015; Valencia-Nunez et al., 2018).
RESULTADOS Y
DISCUSIÓN
Análisis
bivariado
¿Existe
Dependencia entre el motivo de viaje y el sexo del viajante?
Tabla 2. Tabla de contingencia entre el motivo de viaje
respecto al sexo del viajante.
|
Hombre |
Mujer |
Estudios |
814 |
749 |
Eventos |
163 |
115 |
Negocios |
85 |
28 |
Otros |
269 |
198 |
Residencia |
27696 |
32496 |
Turismo |
2156 |
2082 |
Algoritmo 5.
>
local({
.Table <- xtabs(~mot_viam+sex_migr,
data=Base_de_Datos_Estadistica_6_variables) cat(“\nFrequency table:\n”)
print(.Table)
})
Contraste de
hipótesis:
𝑯𝟎: El sexo del viajante no es dependiente
del motivo de viaje.
𝑯𝟏: El sexo del viajante es dependiente del
motivo de viaje.
Algoritmo 6. Prueba de Chi-Cuadrado para
conocer la dependencia entre las variables
Data: .Table
X-squared = 134.31, df = 5, p-value < 2.2e-16
Algoritmo 7.
>
local({
.Test <- chisq.test(.Table, correct=False) print(.Test)
})
Respecto a
los datos obtenidos de la prueba de chi-cuadrado se puede aceptar la hipótesis
alternativa (𝑯𝟏), la cual es “El sexo del viajante es
dependiente”; ya que el valor de 134.31 es mayor al valor critico que
corresponde a 11.07 (134.31≥11.07).
Tabla 3. Porcentaje respectivo.
|
Hombre |
Mujer |
Total |
Estudios |
1.2 |
1.1 |
2.3 |
Eventos |
0.2 |
0.2 |
0.4 |
Negocios |
0.1 |
0.0 |
0.2 |
Otros |
0.4 |
0.3 |
0.7 |
Residencia |
41.4 |
48.6 |
90.0 |
Turismo |
3.2 |
3.1 |
6.3 |
Total |
46.6 |
53.4 |
100.0 |
Algoritmo
8.
>
local({
Cat(“\nTotal percentages:\n”)
print(totPercents(.Table))
})
Según los
resultados obtenidos se observa que la mujer es la que más viaja con un 48.6%
en comparación de los hombres que tiene un 41.4% y el motivo de viaje principal
es la residencia.
¿Existe dependencia
entre el motivo de viaje respecto a la vía de transporte?
Tabla 4. Tabla de contingencia entre el motivo de
viaje respecto a la vía de transporte.
|
Vía Aérea |
Vía Fluvial |
Vía Marítimo |
Vía Terrestre |
Estudios |
1559 |
0 |
0 |
4 |
Eventos |
278 |
0 |
0 |
0 |
Negocios |
113 |
0 |
0 |
0 |
Otros |
380 |
0 |
2 |
85 |
Residencia |
59957 |
1 |
0 |
234 |
Turismo |
2605 |
2 |
8 |
1623 |
Algoritmo 9.
>
local({
.Table <- xtabs(~mot_viam+via_tran,
data=Base_de_Datos_Estadistica_6_variables) cat(“\nFrequency table:\n”)
print(.Table)
})
Contraste
de Hipótesis:
𝑯𝟎: La vía de transporte no es
dependiente del motivo de viaje.
𝑯𝟏: la vía de transporte es
dependiente del motivo de viaje.
Algoritmo 10. Prueba
de Chi-Cuadrado para conocer la dependencia entre las variables
Data: .Table
X-squared = 20743, df = 15, p-value < 2.2e-16
Algoritmo 11.
>
local({
.Test <- chisq.test(.Table, correct=False) print(.Test)
})
Respecto a
los datos obtenidos de la prueba de chi-cuadrado se puede aceptar la hipótesis
alternativa (𝑯𝟏); la cual es “La vía de transporte es
dependiente del motivo de viaje” ya que el valor de 20743 es mayor al valor
critico que corresponde a 25 (20743 ≥ 25).
Tabla 5. Porcentaje respectivo.
Vía Aérea |
Vía Fluvial |
Vía Marítimo |
Vía Terrestre |
Total |
|
Estudios |
2.3 |
0 |
0 |
0.0 |
2.3 |
Eventos |
0.4 |
0 |
0 |
0.0 |
0.4 |
Negocios |
0.2 |
0 |
0 |
0.0 |
0.2 |
Otros |
0.6 |
0 |
0 |
0.1 |
0.7 |
Residencia |
89.7 |
0 |
0 |
0.4 |
90.0 |
Turismo |
3.9 |
0 |
0 |
2.4 |
6.3 |
Total |
97.1 |
0 |
0 |
2.9 |
100.0 |
Algoritmo 12.
>
local({
Cat(“\nTotal percentages:\n”)
print(totPercents(.Table))
})
Se
determina con los resultados que la vía de transporte más usada por la cual
migran los ecuatorianos; es la vía aérea que corresponde a un 89.7% ya que
retornan para su lugar de residencia en el extranjero.
¿Existe
Dependencia entre el motivo de viaje respecto a la ocupación del migrante?
Tabla 6. Tabla de contingencia entre el
motivo de viaje respecto a la ocupación del migrante (por motivo de trabajo
solo se tomó datos de mayor frecuencia).
|
Estudios |
Eventos |
Negocios |
Otros |
Residencia |
Turismo |
Amas de casa |
6 |
24 |
3 |
41 |
9856 |
494 |
Estudiantes |
1145 |
30 |
6 |
67 |
4876 |
549 |
Jubilados
y Pensionistas |
2 |
22 |
2 |
25 |
4050 |
260 |
Personal de apoyo administrativo no clasificado bajo
otros epígrafes |
21 |
37 |
11 |
41 |
7754 |
329 |
Sin especificar |
138 |
68 |
43 |
130 |
19255 |
1002 |
Algoritmo 13.
>
local({
.Table <- xtabs(~ocu_migr+mot_viam,
data=Base_de_Datos_Estadistica_6_variables) cat(“\nFrequency table:\n”)
print(.Table)
})
Contraste
de Hipótesis:
𝑯𝟎: La ocupación del migrante no es
dependiente del motivo de viaje.
𝑯𝟏: La ocupación del migrante es
dependiente del motivo de viaje.
Algoritmo 14. Prueba
de Chi-Cuadrado para conocer la dependencia entre las variables
Algoritmo 15.
>
local({
.Table <-
xtabs(~pais_res+mot_viam, data=Base_de_Datos_Estadistica_6_variables)
.Test <- chisq.test(.Table, correct=False) print(.Test)
})
Respecto a
los datos obtenidos de la prueba de chi-cuadrado se puede aceptar la hipótesis
alternativa (𝑯𝟏); la cual es “La ocupación del
migrante es dependiente del motivo de viaje” ya que el valor de 10581 es mayor
al valor critico que corresponde a 814.82 (10581 ≥ 814.82).
Figura 2. Porcentaje respectivo (Por motivo de la gran
cantidad de datos solo se tomaron aquellos con mayor porcentaje).
Algoritmo 16.
>
local({
.Table <- xtabs(~mot_viam+país_res,
data=Base_de_Datos_Estadistica_6_variables) cat(“\nBarra:\n”)
print(barplot(.Table,xlab = “Pais
de
Destino”,
ylab = “Frecuencia Motivo de Viaje”))
})
Los resultados indican que
los ecuatorianos sin una ocupación específica con un 28%; son aquellos que
migran del país y adicionalmente porque tienen una residencia extranjera.
¿Existe
Dependencia entre el motivo de viaje respecto al país de destino?
Tabla 7. Tabla de
contingencia entre el motivo de viaje respecto al país de destino (Por motivo
de este trabajo solo se tomaron los datos con mayor porcentaje).
|
Estudios |
Eventos |
Negocios |
Otros |
Residencia |
Turismo |
Argentina |
152 |
11 |
5 |
15 |
1138 |
186 |
Canadá |
108 |
4 |
5 |
18 |
1444 |
112 |
Chile |
18 |
10 |
5 |
63 |
2460 |
331 |
España |
175 |
52 |
8 |
65 |
15483 |
747 |
Estados Unidos de América |
563 |
93 |
39 |
136 |
28271 |
1296 |
Italia |
12 |
16 |
3 |
16 |
3274 |
155 |
Algoritmo 17.
>
local({
.Table <- xtabs(~pais_res+mot_viam,
data=Base_de_Datos_Estadistica_6_variables) Cat(“\nFrequency table:\n”)
print(.Table)
})
Contraste
de Hipótesis:
𝑯𝟎: El país de destino del migrante no
es dependiente al motivo de viaje.
𝑯𝟏: El país de destino del migrante es
dependiente del motivo de viaje.
Algoritmo 18. Prueba
de Chi-Cuadrado para conocer la dependencia entre las variables.
Data: .Table
X-squared = 10016, df = 630, p-value < 2.2e-16
Algoritmo
19.
>
local({
.Table <-
xtabs(~pais_res+mot_viam, data=Base_de_Datos_Estadistica_6_variables)
.Test <- chisq.test(.Table, correct=False) print(.Test)
})
Respecto a los datos obtenidos
de la prueba de chi-cuadrado se puede aceptar la hipótesis alternativa (𝑯𝟏); la cual es “El país
de destino del migrante no es independiente del motivo de viaje” ya que el
valor de 10016 es mayor al valor critico que corresponde a 689.55 (1001 ≥ 689.55).
Figura
3. Porcentaje respectivo (Por motivo de la gran
cantidad de datos solo se tomaron aquellos con mayor porcentaje)
Algoritmo 20.
>
local({
.Table <-
xtabs(~mot_viam+pais_res, data=Base_de_Datos_Estadistica_6_variables)
Cat(“\nBarras\n”)
(barplot(.Table,xlab
= “Pais de Destino”, ylab
=
“Frecuencia Motivo de Viaje”)
})
Los resultados
nos indican que los migrantes ecuatorianos tienen como país de destino más
frecuente a Estados Unidos con 42.3% y Estonia con 23.2%; ya que residen en
dichos países. Un motivo de viaje adicional es el turístico hacia los mismos
países.
CONCLUSIONES
La
migración es uno de los signos que muestra con mayor claridad las desigualdades
estructurales entre los distintos países y regiones asociados a los procesos de
globalización. Ecuador, no se encuentra excluido de esta realidad, ya que
actualmente la migración de ecuatorianos, no sólo se ha intensificado, sino que
también ha disminuido, tanto en términos de sus orígenes, como de sus destinos
y modalidades migratorias.
En este
trabajo de investigación, se ha documentado con información estadística reciente,
haciendo uso del Software Rstudio, la cual fue una herramienta fundamental por
la asistencia brindada para la adquisición de las dependencias de cada una de
las variables respecto al motivo de viaje; por lo tanto, facilitó la
interpretación de los resultados obtenidos.
Al
respecto, sostenemos que la mujer es la que más viaja en comparación de los
hombres y el motivo de viaje principal es la residencia. Asimismo, se determinó
con los resultados que la vía de transporte más utilizada por la cual migran los
ecuatorianos; es la vía aérea ya que retornan para su lugar de residencia.
Además, los resultados indican que gran parte de los ecuatorianos que no tienen
una ocupación específica; son aquellos que migran del país debido a que también
constan de residencia. También se pudo determinar que los migrantes
ecuatorianos tienen como país de destino más frecuente Estados Unidos y
Estonia, ya que residen en dichos países. Un motivo de viaje adicional es el
turístico hacia los mismos países.
REFERENCIAS
BIBLIOGRÁFICAS
Barbetti, P. (2015). Congreso Regional
{NEA} de la Asociación Argentina de Especialistas en Estudios del Trabajo
(preparatorio para {XII} Congreso Nacional de {ASET}. Revista de La Facultad
de Ciencias Económicas, 14, 191.
https://doi.org/10.30972/rfce.014373
Bopp, G., &
Peláez, F. (2019). Evaluation of the vascular flora of the coastal wetlands of
La Libertad, Peru. Manglar, 16(2), 151–156. https://doi.org/10.17268/manglar.2019.021
Canales, A. I. (2009).
Panorama actual de la migración internacional en América Latina. Revista
Latinoamericana de Población, 3(4–5), 65–91.
https://doi.org/10.31406/relap2009.v3.i1.n4-5.5
Cevallos-Torres, L.,
& Botto-Tobar, M. (2019a). Case study: Logistical behavior in the use of urban
transport using the monte carlo simulation method. In Problem-Based
Learning: A Didactic Strategy in the Teaching of System Simulation (pp.
97–110). Springer.
Cevallos-Torres,
L., & Botto-Tobar, M. (2019b). Case study: Probabilistic estimates in the
application of inventory models for perishable products in SMEs. In Problem-Based
Learning: A Didactic Strategy in the Teaching of System Simulation (pp.
123–132). Springer.
Cevallos-Torres,
L., & Botto-Tobar, M. (2019c). Case study: Project-based learning to
evaluate probability distributions in medical area. In Studies in
Computational Intelligence (Vol. 824, pp. 111–122). Springer Verlag.
https://doi.org/10.1007/978-3-030-13393-1_7
Gea, M. M., Batanero,
C., López-Martín, M. del M., & Contreras, J. M. (2015). Los recursos
tecnológicos en la estadística bidimensional en los textos españoles de
bachillerato. Tecné, Episteme y Didaxis: TED, 1(38), 113–132.
https://doi.org/10.17227/01213814.38ted113.132
González-Galbán, H.,
& Herrera-León, L. I. (2015). Mortalidad infantil y preescolar en el estado
de Baja California. Análisis de condicionantes biodemográficos relacionados con
la historia reproductiva de la madre. Población y Salud En Mesoamérica.
https://doi.org/10.15517/psm.v12i2.17195
Hiort-Lorenzen, C.
L.-C. (2014). Tablas de Contingencia y Modelos de Regresión Log{\’{\i}}stica aplicados a
cuatro rutas migratorias a partir del medio rural en Cuba. Población y Salud
En Mesoamérica. https://doi.org/10.15517/psm.v12i1.15133
La relación entre dos
variables según la escala de medición con SPSS. (2018). REIRE. Revista
d’Innovació i Recerca En Educació, 11 (2).
https://doi.org/10.1344/reire2018.11.221733
Lastre, D., Santana,
M. P., & Tumbaco, O. L. (2019). Análisis estad{\’{\i}}stico de tablas de
contingencia y chi cuadrado para medir el flujo migratorio en el Ecuador en el
2018. Ecuadorian Science Journal, 3(1), 23–30.
https://doi.org/10.46480/esj.3.1.24
Minitab. (2011). In
Six Sigma Quality Improvement with Minitab (p. 505). John Wiley {\&}
Sons, Ltd. https://doi.org/10.1002/9781119975328.advert
Ricardi, F. Q.
(2011). The chi-square. Medwave, 11(12), e5266--e5266.
https://doi.org/10.5867/medwave.2011.12.5266
Secades, V. A. (n.d.).
Gestión del conocimiento en los sistemas de información empresarial : el problema del proceso de calidad del
software en la toma de decisiones / [Universidad Pontificia de Salamanca].
https://doi.org/10.36576/summa.14246
Valencia-Nunez, E. R.,
Melendez-Tamano, C. F., Valle-Alvarez, A. T., Paredes-Salinas, J. G., Salinas,
C. F. P., & Cevallos-Torres, L. J. (2018, June). Virtual classrooms and their use,
measured with a statistical technique: The case of the Technical University of
Ambato {\textemdash} Ecuador. 2018 13th Iberian Conference on Information
Systems and Technologies ({CISTI}). https://doi.org/10.23919/cisti.2018.8399214
Valverde, B. R., &
Romo, A. G. (2006). La migración como respuesta de los campesinos ante la
crisis del café: estudio en tres municipios del estado de Puebla. Ra Ximhai, 319–342.
https://doi.org/10.35197/rx.02.02.2006.02.br
[1] Estudiante de la Carrera de Ingeniería en Sistemas
Computacionales de la Universidad de Guayaquil, Ecuador. E-mail: erick.aspiazuz@ug.edu.ec
[2] Estudiante de la Carrera de Ingeniería en Sistemas
Computacionales de la Universidad de Guayaquil, Ecuador. E-mail: erik.tacuriv@ug.edu.ec
[3] Estudiante de la Carrera de Ingeniería en Sistemas
Computacionales de la Universidad de Guayaquil, Ecuador. E-mail: alfonso.verar@ug.edu.ec
|
Esta obra está bajo una
licencia internacional Creative Commons Atribución-NoComercial 4.0. Los
autores mantienen los derechos sobre los artículos y por tanto son libres de
compartir, copiar, distribuir, ejecutar y comunicar públicamente la obra. |