Análisis de la dependencia
lineal de variables relacionadas con los factores de la migración ecuatoriana
Analysis
of the linear dependence of variables related to the factors of Ecuadorian
migration
Erick
Aspiazu[1],
Erik Tacuri[2],
y Alfonso Vera[3]
Como
citar: Aspiazu, E., Tacuri, E., & Vera, A.
(2020). Análisis de la dependencia lineal de variables relacionadas con los
factores de la migración ecuatoriana. Investigación,
Tecnología e Innovación. 12(12), 46-58.
https://doi.org/10.53591/iti.v12i12.193
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 are the main causes that cause migration in Ecuador, taking into account the factors that drive the Ecuadorian population to take the migratory exit as a collective strategy to determine the causes that a person has when 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, 2020.
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 (López C., Lorenzen Hiort C., 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 (Ramírez B., González A., 2015), 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
A., 2014), 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, (Zambrano I., López V., 2015) 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 (Minitab I., 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 (Reguant M., Vilà R., Torrado M., 2018).
Tabla 1. Tabla de contingencia general.
|
|
Y1 |
Y1 |
….. |
Yi |
….. |
Yj |
|
|
Y1 |
O11 |
O12 |
….. |
O1i |
….. |
O1j |
F1 |
|
Y1 |
O21 |
O22 |
….. |
O2i |
….. |
O2j |
F2 |
|
….. |
….. |
….. |
….. |
….. |
….. |
….. |
….. |
|
Yi |
Oi1 |
Oi2 |
….. |
Oij |
….. |
OiJ |
Fi |
|
….. |
….. |
….. |
….. |
….. |
….. |
….. |
….. |
|
Yl |
Ol1 |
Ol2 |
….. |
Oil |
….. |
OlJ |
Fl |
|
|
C1 |
C2 |
….. |
Ci |
….. |
CJ |
T |
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 (F. Ricardi, 2014).
|
|
(1) |
Definición de parámetros
Frecuencia observada en la celda 
.
Frecuencia esperada para la celda .
|
|
(2) |
Numero de filas
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 (Minitab., 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., 2019).
Valor
critico
Valores
Críticos de la distribución 
(Facultad Regional, M. 2019). Estos valores se
encuentran ya establecidos.
Contraste
de hipótesis
Fijar las
hipótesis que se quieren contrastar
(Nula) Es aquella en la que asegura que los dos
parámetros analizados son independientes uno del otro.
(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 
.
Elegir un
estadístico de contraste
Valor que
se toma de los resultados en la prueba de chi-cuadrado.
|
|
(3) |
Decisión de
rechazar o aceptar la hipótesis nula
Independientes
|
|
(4) |
Dependientes
|
|
(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
(Arjona Hidalgo M., Lara Porras A. M. (2019).
Fig.
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.
[13],[14],[15],[16],[17]. (Cevallos Torres L. y Botto Tobar M.
, 2019), (Cevallos Torres L. y Guijarro Rodríguez Alfonso, Alarcón Cáceres José,
Delgado Veloz Geomayra, Barrera Rivera Mirella, y Alvarado Flores Ronald.,
2016), (Valencia Nunez E. R., Melendez
Tamano C. F., Valle Alvarez A. T. , Paredes Salinas J. G., P. Salinas C. F., y
Cevallos-Torres L. J., 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:
El sexo del viajante no es dependiente del
motivo de viaje.
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 
, 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 
en comparación de los hombres que tiene un 
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:
La vía de transporte no es dependiente del
motivo de viaje.
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 ; 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 
.
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:
La ocupación del migrante no es dependiente
del motivo de viaje.
La ocupación del migrante es dependiente del
motivo de viaje.
Algoritmo 14. Prueba de Chi-Cuadrado para conocer la
dependencia entre las variables
Data: .Table
X-squared = 10581, df = 725,
p-value < 2.2e-16
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 ; 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 
.
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:
El país de destino del migrante no es
dependiente al motivo de viaje.
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 ; 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 
.
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 
y Estonia con 
; 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.
REFERENCIAS BIBLIOGRAFICAS
|
López, C.; Hiort-Lorenzen, C. (2014). Tablas de Contingencia y Modelos de Regresión
Logística aplicados a cuatro rutas migratorias a partir del medio rural en
Cuba. Población y Salud en Mesoamérica.
|
|
Ramírez, B.; González, A. (2015). La
migración como respuesta de los campesinos ante la crisis del café: estudio
en tres municipios del Estado de Puebla. Ra Ximhai. |
|
Canales, A., (2014). Panorama actual de la
migración internacional en América Latina. Revista Latinoamericana de Población. |
|
Zambrano, I.; López, V. (2015). Análisis de los Factoes Determinantes de
la Migración del Ecuador hacia otros países y su Incidencia en la Economía
ecuatoriana. Guayaquil: Universidad Católica Santiago de Guayaquil. |
|
Minitab, I. (2019). Tablas de contingencia.
Minitab.com. Consulta en linea. |
|
Reguant, M.; Vilà, R.; Torrado, M. (2018).
La relación entre dos variables según la escala de medicion con SPSS. REIRE. Consulta en línea. |
|
Ricardi, F. (2014). Estadística aplicada a
la investigación en salud. MEDWave.
|
|
Minitab. (2019). Grados de Libertad.
Minitab LLC. Consulta en línea. |
|
Minitab. (2019). Significancia estadística
y práctica. Minitab LLC. Consulta en línea. |
|
Facultad Regional, M. (2019). Valores
críticos de la distribución. StudyLib. Consulta en línea. |
|
Hidalgo-Arjona, M.; Lara-Porras, A. M. (2019).
Estadistica. Universidad de Granada. Consulta en línea. |
|
Cevallos-Torres, L.; Guijarro-Rodríguez, A.;
López-Domínguez Rivas, L. (2016). Factores que inciden en el mal uso de la
información en trabajos de investigación científica. Revista Didasc@lia: Didáctica y
Educación. |
|
Cevallos-Torres,
L.; Botto-Tobar, M. (2019). Case Study: Logistical Behavior in the Use of Urban
Transport Using the Monte Carlo Simulation Method. |
|
Cevallos-Torres,
L.; Botto-Tobar, M. (2019). Case Study: Project-Based Learning to Evaluate
Probability Distributions in Medical Area. |
|
Cevallos-Torres,
L., L.; Botto-Tobar, M. (2019). Case Study: Probabilistic Estimates in the
Application of Inventory Models for Perishable Products. |
|
Cevallos-Torres, L.; Guijarro-Rodriguez, A.;
Alarcon-Caceres, J.; Delgado Veloz, G.; Barrera Rivera, M.; Alvarado-Flores,
R. (2016). Análisis estadístico de correlación entre las dosis de
eritropoyetina y el nivel de hemoglobina en pacientes con insuficiencia
renal crónica. |
|
Valencia-Nunez,
E.; Melendez-Tamano, C.; Valle-Alvarez, A.; Paredes Salinas, J.; Perez-Salinas,
C.; Cevallos-Torres, L. (2018). Virtual classrooms and their use, measured with a
statistical technique: The case of the Technical University of Ambato —
Ecuador. |
