¿Cómo mide el INDEC la pobreza?

Hace unos días nos encontramos con esta explicación que forma parte de una serie de aprendizajes que nos interesa adquirir y compartir con quienes intentan conocer los datos y fuentes en profundidad. Agradecemos a Daniel por permitirnos reutilizar su hilo de Twitter y recomendamos seguirlo @danyscht para aprender sobre este y otros temas con Data.

Daniel Schteingart   - Doctor en Sociología y columnista socioeconómico en Tarde Para Nada (FM 89.9) explicó en un hilo de Twitter cómo mide el INDEC la pobreza

1) El insumo básico es la EPH (Encuesta Permanente de Hogares). Se hace todos los trimestres, encuestando a unos 18.000 hogares en 31 ciudades de Argentina. La EPH tiene más de 100 preguntas sobre características del hogar, el mercado de trabajo, estudios, género, ingresos, etc

2) La pobreza puede medirse de múltiples maneras. Hoy el INDEC la mide bajo la modalidad“pobreza por ingresos”, esto es, se comparan los ingresos de un hogar vs una canasta básica. (Podría medirse también c otros criterios, como la calidad de los materiales de la vivienda, etc)

3) La canasta básica actual no es la única posible ni natural. Implica siempre decisiones (con cierta cuota de arbitrariedad) respecto a qué definimos como “básico”. En Arg, se toma como referencia ciertos patrones de consumo de lo q es nuestra “clase media baja”.

4) Una vez definida la canasta básica, tenemos que seguir su precio a lo largo del tiempo. Lo más habitual es leer titulares de este estilo, pero atenti:

5) Los casi $21.000 que cuesta una canasta básica se refiere a una familia TIPO, con matrimonio treintañero y dos niños. Esto es clave de tener en cuenta, ya que en la práctica hay casi múltiples combinaciones de edad, género y cantidad de miembros de un hogar.

6) ¿La canasta básica también es de $21.000 para una persona de 25 años que vive sola? ¿Es de $21.000 para un hogar con madre soltera con 4 hijos? ¿Es de $21.000 para una jubilada que vive sola? Claramente, no. ¿Entonces, cuál es el valor de referencia para estos hogares?

7) Lógicamente, cuando un hogar es más chico, menos bocas que alimentar, y el precio de la canasta es menor. Pregunta típica: “si en una familia de 4 miembros la canasta es de $21.000, en una de 2 miembros es de $10.500″? La respuesta es “a priori, no”. ¿Por qué “a priori, no”?

8) Porque no solo importa la cantidad de miembros del hogar, sino la edad de tales miembros y el género. La razón es que las necesidades energéticas son diferentes según la edad y el género. Obviamente, un adolescente necesita comer mucho más que un bebé.

9) El INDEC toma como referencia a los varones entre 30-60 años, considerados “adultos equivalentes”. Acá está la tabla. Un adolescente varón equivale a 1,04 adultos equivalentes. Un bebé recién nacido a 0,35 adultos equivalentes. Una mujer de 32 años a 0,77 adultos equivalentes.

10) Entonces, lo que tenemos que hacer es: a) Ver a cuántos adultos equivalentes equivale un hogar. Un hogar de 4 amigos que viven juntos y tienen 31 años equivale a 4 adultos equivalentes. Un hogar con madre de 25 e hijo de 4 a 0,76+0,55=1,31 adultos equivalentes.

10 b) Ver cuál es el valor de la canasta correspondiente a ese tamaño. Es por ello que el INDEC publica el valor de la canasta por adulto equivalente. Para pobreza, ese valor fue de $6.753,70 en agosto. Ergo, el 1er hogar requiere $27.015 para no ser pobre. El 2do, de $8.847.

11) Es justamente por tal razón que, dada esta metodología, una jubilada que vive sola y cobra la mínima no es pobre. La mínima está en $8.637. La canasta básica para una mujer de 70 años viviendo sola (que equivale a 0,67 adultos equivalentes) es de $4.524.

12) Que un salario esté por encima de la canasta tipo de $21.000 no necesariamente significa que ese laburante zafe de la pobreza y viceversa. La clave es ver cómo es la composición del hogar de ese laburante y si hay otros perceptores de ingresos. FIN

Una aclaración. El INDEC calcula dos canastas básicas. Una es solo de alimentos y sirve para medir indigencia. La otra (llamada “canasta básica total”) incorpora además todo lo no alimentario (ropa, transporte, servicios públicos, salud, etc). Esta última define quién es pobre.

Por lo tanto, todo indigente es pobre, pero no a la inversa.

 

Sin comentarios

Nuevas narrativas para un periodismo que se reinventa

Por Gabriela Oliván

Buenas historias que cobran vida en distintos formatos. Historias que se consumen una y otra vez en diversas plataformas que llegan a más lectores y más lejos. Tecnología aplicada a la información, a la educación y al entretenimiento son la base de un periodismo que se reinventa. De esto se trató la charla sobre nuevas narrativas que compartió la líder de El País_Lab para WINN Seguir leyendo

Sin comentarios

Data Science: Marcela Riccillo, inteligencia artificial y robótica

 

Entrevistamos a Marcela Riccillo (@marcelaricci), doctora en Ciencias de la Computación de la UBA; Especialista en Inteligencia Artificial y Robótica.

En nuestra conversación surgió cómo fue su vinculación con la ciencia de datos, su pasión por la inteligencia artificial, el Machine Learning, la enseñanza, los tipos de robots y otras carreras tradicionales no científicas que tienen un punto de contacto con el Data Science

Marcela es una profesional apasionada, que se expresa en forma muy didáctica para el púbico en general y que nos tranquiliza: “Los robots NO vienen por nosotros.”

¡No se la pierdan!

Sin comentarios

Indice de Datos Abiertos, una herramienta para fortalecer la transparencia

 

Ciudades argentinas  en el Open Data Index

Por Yas García y Roque De Benedictis

Un gobierno municipal puede desarrollar un portal de datos abiertos que contenga  una serie relevante de conjuntos de datos de presupuesto anual, gasto público, contrataciones, obras públicas, transporte, en formato: abierto, reutilizable, accesible y con licencia abierta en dos semanas. Verdadero. Un gobierno que avanza con un portal de datos abiertos, es un gobierno abierto. Falso.

Una herramienta como el Indice de Datos Abiertos de Ciudades (IDAC) permite visualizar la situación de la información pública que brindan los gobiernos locales, incidir desde el ejercicio de sociedad civil para fortalecer la transparencia y los champions integrantes de gobierno que creen en un gobierno transparente, con la obligación de rendir cuentas y que a partir de la generación y análisis de los datos públicos, tomar mejores decisiones en el ámbito público de cara a las necesidades de la ciudadanía.

Seguir leyendo

Sin comentarios

DATA SCIENCE: Franco Bellomo pone la lupa en la Justicia

 

Les presentamos a Franco Bellomo, de Neuquén. Estudia Ciencias Exactas en la UBA y trabaja en la Fundación Conocimiento Abierto.

Lo entrevistamos para conocer más sobre metodologías de Data Science que puedan aprovecharse para investigaciones periodísticas.

En nuestra charla, explicó en forma muy didáctica qué es un algoritmo, cómo nació el proyecto de Quiniela Judicial, qué es el método estadístico Montecarlo y qué son los grafos a diferencia del universo de estadísticas usando ejemplos concretos de justicia y anticorrupción.  Seguir leyendo

Sin comentarios

#HolaCongreso: nueva plataforma para preguntar a los legisladores

¿Cómo puede hacer un ciudadano para participar de los debates del Congreso?, ¿Cuántas horas trabaja un legislador?, ¿Cuántos votos se necesitan para aprobar una ley? Estos temas deberían ser conocidos por todos, pero no lo son. Seguir leyendo

Sin comentarios

Simulando cuántos sobres hacen falta para llenar el álbum del mundial

Por Ernesto Mislej (Socio Fundador de 7Puentes)

Se acerca el mundial de fútbol Rusia 2018 y acompañando a este vital evento para todos los fanáticos del deporte, nos sucede otro de importancia semejante al primero: llenar el álbum de figuritas con las imágenes de nuestros ídolos. Esta edición, el álbum será de 669 figuritas y los sobres serán de 5 figuritas cada uno. Si tuviésemos toda la suerte del mundo, con 134 sobres (lo que equivale a 669 dividido 5) lo llenaríamos, pero sabemos que para eso tenemos que tener mucha suerte.

Album de Figuritas Rusia 2018

Volviendo a nuestro álbum, ¿cuántos sobres son necesarios para llenarlo? Para averiguarlo tenemos 2 maneras, acudir a la teoría estadística -cosa que no nos asusta, pero implica tener bastante conocimiento previo- o hacer una simulación con un programa de computadoras. Vamos por la segunda.

Tomamos el caso de llenar el álbum para ejemplificar cómo encarar una situación problemática desde una perspectiva formal y poder medir eficazmente los insumos y demás recursos necesarios para tomar mejores decisiones. Compartimos esta nota con ejemplos y explicaciones sobre el proceso de diseño de una solución.

Esperamos la disfruten.

Comencemos la simulación

Una simulación -según Wikipedia- es un artificio contextual que referencia la investigación de una hipótesis o un conjunto de hipótesis de trabajo utilizando modelos para la enseñanza y el aprendizaje. En nuestro caso, la simulación tendrá como objetivo medir cuántos sobres (de 5 figuritas cada uno) se necesitan para llenar un álbum de 669. Y para ello necesitaremos construir un modelo computacional que contemplen los sobres, las figuritas y el álbum.

Python

Haremos un pequeño programa en Python, un lenguaje de programación muy popular que tiene una sintaxis muy simple de entender (para quienes necesiten una ayuda extra, pueden leer estos recursos introductorios preparados por la PyAr – Comunidad Python Argentina ).

In [1]:
print "Cuántos sobres se necesitan para llenar el album usando Python"
Cuántos sobres se necesitan para llenar el album usando Python

El azar y la computadora

La simulación consiste en realizar numerosas corridas de un sistema estocástico, es decir, una situación que está regulada por la aleatoriedad o la suerte, como nuestro caso de ir abriendo sobres de figuritas sin saber de ante mano cuales son las que te van a tocar. Necesitaremos entonces alguna forma que simular el contenido de los sobres de manera azarosa utilizando nuestro modelo computacional. Y eso es todo un tema, porque las computadoras no saben de azar: justamente, son aparatos guiados por el determinismo de los ceros y unos.

Pero no desesperemos, este tema ha sido tratado desde hace mucho tiempo y Python implementa un módulo de generación de números pseudo-aleatorios, que a los efectos de nuestra simulación nos alcanza de sobra.

In [2]:
import random

#la funcion randint(a, b) devuelve un numero entero pseudo-aleatorio N talque 
#a <= N <= b. 
dado = random.randint(1, 6)

print dado
2

Para modelar el sobre de figuritas utilizaremos la funcion sample(seq, k), que toma k elementos de la secuencia seq; en nuestro caso 5 números del intervalo [0, 660). La forma de extraer los números es sin reposición, es decir, los sobres estarán compuestos por figuritas no repetidas.

In [3]:
#para modelar el sobre utilizaremos la funcion sample. 
sobre = random.sample(xrange(669), 5)

print sobre
[586, 414, 255, 474, 12]

Otras librerías

Para esta simulación vamos a incluir otras 2 librerías muy utilizadas en análisis de datos:

  • NumPy para el manejo de estructuras de datos eficiente (listas o vectores).
  • Matplotlib para realizar las gráficas.
In [0]:
import numpy as np
import matplotlib.pyplot as plt

Seteamos las constantes de la simulación, en nuestro caso las FIGURITAS_POR_PAQUETE, las FIGURITAS_POR_ALBUM y la CANTIDAD_DE_CORRIDAS que tendrá nuestra simulación.

Cuántas más corridas hagamos, más preciso será nuestro resultado, pero también más costoso computacionalmente será. Unas 10000 corridas está OK, y la simulación tardará unos 5-10 minutos.

In [0]:
#las constantes de la simulacion
FIGURITAS_POR_PAQUETE = 5
FIGURITAS_POR_ALBUM = 669
CANTIDAD_DE_CORRIDAS = 1000

Iremos registrando cuántos sobres serán necesarios en cada corrida.

In [0]:
#inicializo el vector simulacion
#alli voy a ir registrando cuantos sobres necesito en cada corrida
simulacion = np.empty(CANTIDAD_DE_CORRIDAS)

Ciclo principal de la simulación

El siguiente bloque es el ciclo principal de la simulación. Cuántas más corridas hacemos, más preciso será nuestra estimación.

In [0]:
#voy a realizar tantas corridas como dice la constante CANTIDAD_DE_CORRIDAS
for i in xrange(CANTIDAD_DE_CORRIDAS):

	#modelo el album vacio como un vector lleno de ceros
	album = np.zeros(FIGURITAS_POR_ALBUM, dtype=int)

	#en esta variable contabilizare cuantos sobres se necesitan 
	cantidad_de_sobres = 0

	#voy abriendo sobres nuevos hasta llenar el album
	#si el vector contiene algun 0 en alguna posicion significa 
	#que aun no esta completo esa condicion la podemos expresar de muchas 
	#formas la que elegi es min(album) == 0, 
	#tambien podria ser len( album [ album == 0 ] ) > 0 
	while min(album) == 0:

		#un nuevo sobre formado por figuritas tomadas de manera aleatoria
		sobre = random.sample(xrange(FIGURITAS_POR_ALBUM), FIGURITAS_POR_PAQUETE)

		#voy llenando el album
		#sumo 1 en cada posicion correspondiente a cada una de las figuritas 
    #del sobre
    #
    #Nota: para quienes conocen otros lenguajes de programacion, esta 
    #operacion puede llegar a causar confusion. La libreria NumPy permite
    #realizar operaciones sobre multiples indices a la vez. 
    #Aprovechenla, es muy util.
		album[sobre] += 1

		#incremento la cantidad de sobres en 1
		cantidad_de_sobres += 1

	#para llenar este album he necesitado tantos sobres como 
  #lo dice cantidad_de_sobres
	simulacion[i] = cantidad_de_sobres

Presentación visual de los resultados

Luego de finalizar las corridas, tenemos muchos resultados. Presentaremos la información de una manera visual utilizando un histograma.

In [8]:
#cuantos sobres necesitamos en promedio para llenar el album
sobres_promedio = simulacion.mean()

#visualizamos la simulacion con un histograma de las corridas
plt.hist(simulacion, bins=50)
plt.axvline(sobres_promedio, color='r')
plt.legend(["%.2f sobres" % sobres_promedio])
plt.title("Cantidad de sobres en promedio para llenar 1 album")
plt.show()

Llenar el álbum costará…

Por su condición de experimentos aleatorios, las simulaciones darán resultados levemente distintos, pero sí podemos ver que para llenar el álbum se necesitarán aproximadamente 941 sobres. A $15 por sobre, llenar el álbum de esta manera costará… ¡un ojo de la cara!

In [9]:
print "Llenar el album costará... %2.f pesos. Y qué hago con las %d repetidas!" % (sobres_promedio * 15, sobres_promedio * FIGURITAS_POR_PAQUETE - FIGURITAS_POR_ALBUM)
Llenar el album costará... 14085 pesos. Y qué hago con las 4026 repetidas!

…más el costo de álbum en sí, que ya a esta altura parecen monedas.

Con amigos todo es mejor

Como vimos, para llenar un álbum de 669 figuritas necesitaremos aproximadamente 341 sobres y nos sobrarán 4000 figuritas repetidas. Con tantas repetidas estamos muy cerca de llenar un 2º y 3º álbum; y las que nos sobran las podemos cambiar con algún otro amigo que las necesite. Sin duda si nos juntamos con otros amigos, llenar todos los álbumes es mucho más rápido, barato y divertido.

Cuánto costará llenar n álbumes

Démosle una vuelta al problema y pensemos cuántos sobres son necesarios para llenar n álbumes.

Agreguemos la constante CANTIDAD_DE_ALBUMES

In [0]:
#pensemos un grupo de 20 amigos que se juntan para llenar cada uno su album
CANTIDAD_DE_ALBUMES = 20

El vector simulación ahora registrará cuántos sobres se necesitan para llenar 1, 2, 3, … , 20 álbums. Ésto lo haremos con un vector de 2 dimensiones (cuando el vector tiene 2 dimensiones suele llamarse matriz, aunque cuando tiene 3 dimensiones o más, vuelve a llamarse vector, cosas que pasan…).

In [0]:
#inicializo el vector simulacion_grupo con 2 dimensiones 
simulacion_grupo = np.zeros([CANTIDAD_DE_ALBUMES+1, 
                             CANTIDAD_DE_CORRIDAS], dtype=int)

Ciclo principal de la simulación de grupo

Con algunas pocos agregados podemos calcular cuántos sobres se necesitan para llenar n álbums

In [0]:
#voy a realizar muchas corridas, tantas como dice la constante CANTIDAD_DE_CORRIDAS
for i in xrange(CANTIDAD_DE_CORRIDAS):

  #modelo el album vacio como un vector lleno de ceros
  album = np.zeros(FIGURITAS_POR_ALBUM, dtype=int)

  #en esta variable contabilizare cuantos sobres se necesitan para llenar 1..n albumes
  cantidad_de_sobres = 0

  #aqui voy a contabilizar cuando albumes estan llenos
  albumes_llenos = 0

  #a diferencia de la simulacion anterior, la condicion de corte sera cuando se 
  #llenen los n albumes. Eso lo podemos expresar asi:
	#albumes_llenos < CANTIDAD_DE_ALBUMES
  while albumes_llenos < CANTIDAD_DE_ALBUMES:

    #un nuevo sobre formado por figuritas tomadas de manera aleatoria
    sobre = random.sample(xrange(FIGURITAS_POR_ALBUM), FIGURITAS_POR_PAQUETE)

    #voy llenando los albumes
    album[sobre] += 1

    #incremento la cantidad de sobres en 1
    cantidad_de_sobres += 1    

    #si el min(album) se incremento, significa que se ha llenado un nuevo album. 
    if albumes_llenos < min(album):      
      #hemos llenado un album nuevo
      albumes_llenos = min(album)

      #registramos la cantidad de sobres
      simulacion_grupo[albumes_llenos, i] = cantidad_de_sobres

Presentación visual de la simulación de grupos de amigos

Ya recopilamos los resultados de muchas corridas, veamos qué tal nos fue para llenar n álbums.

In [13]:
#cuantos sobres necesitamos en promedio para llenar n-albumes
#usamos una matriz de histogramas

amigos = [2, 5, 10, 20]

fig, axes = plt.subplots(nrows=2, ncols=2, sharey=True, sharex=True)

for ax, q in zip(axes.flat, amigos):
  simulacion = simulacion_grupo[q]/q
  sobres_promedio = simulacion.mean()
  ax.set_title('$albumes=%d $' % (q))
  ax.hist(simulacion, bins=50)
  ax.axvline(sobres_promedio, color='r')
  ax.legend(["%.2f sobres" % sobres_promedio])

fig.suptitle("Cantidad de sobres en promedio para llenar $n$ albumes")
plt.show()

Algo que suponíamos: cuántos más amigos tenemos, la cantidad de sobres por integrante del grupo para llenar su álbum disminuye. Y se acerca a la cantidad óptima de (FIGURITAS_POR_ALBUM / FIGURITAS_POR_PAQUETE). No hace falta tener mucha suerte, sino muchos amigos. (Aunque tener muchos amigos es ser muy afortunado).

In [14]:
#Otra forma de visualizar la cantidad promedio de sobres para llenar n-albumes

plt.boxplot([simulacion_grupo[i]/i for i in xrange(1,CANTIDAD_DE_ALBUMES+1)])
plt.title("Cantidad de sobres para llenar $n$ albumes")
plt.show()

Conclusiones

Como pudimos ver, para llenar un álbum necesitaremos aproximadamente 941 sobres; pero para llenar 20 álbumes, se necesitan un poco más de 4940 sobres, lo que nos da 247 sobres por integrante. Muchísimo menos.

In [16]:
print "Llenar %d albumes costara... %2.f pesos por integrante. Que bueno es tener amigos!" % (CANTIDAD_DE_ALBUMES, (simulacion_grupo[CANTIDAD_DE_ALBUMES]/CANTIDAD_DE_ALBUMES).mean() * 15)
Llenar 20 albumes costara... 3704 pesos por integrante. Que bueno es tener amigos!

Gracias por la atención y ¡vamos Argentina!

Observatorio Argentinos por la Educación

Se lanzó oficialmente el Observatorio Argentinos por la Educación cuya misión es contribuir a que la educación sea determinante en el debate público a través de datos que permitan enfocarla en los desafíos del siglo XXI.

El Observatorio es una plataforma interactiva de datos que permite combinar indicadores para visibilizar el estado y la evolución del sistema educativo argentino. En su lanzamiento cuenta con más de 60 millones de registros (datos oficiales) entre los años 2011 y 2016.

Las variables que se describen a continuación pueden filtrarse por niveles inicial, primario, secundario y superior no universitario. 
.
 

.

Recursos Humanos: Cargos docentesCantidad de horas cátedraAlumnos por cargo docente

Recursos Físicos y Financieros: Unidades de servicioSecciones (grados)Alumnos por secciónGasto según objetoGasto según nivel educativoGasto según fuente de financiamiento nacionalGasto por alumno

Resultados: ONE-Aprender

Demostración en video

A continuación sumamos dos videos donde Ignacio Ibarzabal – Director Ejecutivo- y Víctor Volman – Director Técnico- navegan en vivo y muestran en forma didáctica las posibilidades de la plataforma que incluye datos abiertos, visualizaciones interactivas y columnas de opinión de más de 30 expertos locales en educación.

Nota Relacionada: 

“Argentinos por la Educación, la ONG lanzó un “Indec” de la enseñanza” por María Elena Polak

Sin comentarios

WiDS – Presentaciones 3

I. Panel “Ciencia y Datos”

Luciana Ferrer, Cecilia Galarza, Constanza Viere, María José Compte (moderadora)

 

II. Panel “Mujeres, Tecnología y Capacitación”

Ana Inés BascoAna Bruchmann – Andrea Coco – Florencia Sabatini (moderadora) 

 

III. Tech Talk: Análisis de datos y modelado numérico en la Industria Petrolera

Por Gabriela Savioli

Acceder a la presentación

 

IV. Tech Talk: Inteligencia Artificial para Data Science 

Por Paula Horita

Acceder a la presentación

 

Sin comentarios

WiDS – Presentaciones 2

I. Tech Talk:  Inteligencia Computacional

Por Daniela López de Luise  

Acceder a la la presentación 

.

II. Tech Talk:  Previniendo con Big Data: La Genómica al servicio de la Salud

Por Lucía Subatín

 

Acceder a la presentación

 

III. Tech Talk: La tendencia de la demanda global de Data Science para el mercado financiero: Una oportunidad para Argentina.

Por Victoria Yasinetskaya 

Acceder a la presentación    

 

IV. Tech Talk:  Data Science aplicado a la segmentación de perfiles de clientes

Por Manuela Basílico

Acceder a la presentación

Sin comentarios