La profesora-investigadora Luz Judith Rodríguez Esparza, del Departamento de Matemáticas y Física de la Universidad Autónoma de Aguascalientes (UAA), afirmó que la combinación de herramientas matemáticas, análisis estadístico y ciencias sociales permite entender problemáticas como la pobreza extrema y el desaliento laboral. La académica impartió una conferencia virtual en el XV Foro Internacional de Estadística Aplicada “Datos, territorio y decisiones”, organizado por la Facultad de Estadística e Informática (FEI) de la Universidad Veracruzana (UV).
Integración de disciplinas para entender fenómenos sociales
Rodríguez Esparza señaló que los conocimientos estadísticos y matemáticos pueden aplicarse al estudio de fenómenos sociales reales. Uno de los principales retos para quienes trabajan con datos, dijo, es comprender el contexto detrás de las cifras y no limitarse al cálculo de indicadores. Por ello, las encuestas sobre pobreza, empleo o desigualdad requieren un análisis interdisciplinario que interprete el entorno social de los datos.
Estudio de movilidad social con cadenas de Markov
La investigadora presentó resultados de una investigación sobre movilidad social mediante cadenas de Markov no homogéneas. El modelo analizó transiciones de la población entre distintos niveles de pobreza definidos por el Consejo Nacional de Evaluación de la Política de Desarrollo Social (Coneval). Se consideró la movilidad social como un proceso dinámico y se estimaron probabilidades de cambio entre pobreza extrema, moderada y vulnerabilidad por ingresos.
El modelo se calibró con información de 2010 a 2018 y se validó con datos de 2020, obteniendo errores mínimos en las predicciones. Las proyecciones para 2024 indicaron que en Veracruz alrededor del 14% de los habitantes permanecería en pobreza moderada y un porcentaje similar en pobreza extrema.
Desaliento laboral y aprendizaje automático
En otra investigación, Rodríguez Esparza abordó el desaliento laboral, referido a la población que ha dejado de buscar empleo activamente al creer que no lo encontrará. Utilizó modelos de aprendizaje automático con datos de la Encuesta Nacional de Ocupación y Empleo del Instituto Nacional de Estadística y Geografía (Inegi), e incorporó variables sociodemográficas como edad, sexo, nivel educativo, número de hijos y lugar de residencia.
Las técnicas de clasificación implementadas incluyeron:
- Regresión logística
- Árboles de decisión
- Redes neuronales
- Bosques aleatorios
Los resultados mostraron que las mujeres de entre 20 y 29 años, con educación media superior o superior, solteras, sin hijos y de zonas urbanas presentaron mayor propensión al desaliento laboral.
Aportes al diseño de políticas públicas
La académica aseveró que la combinación de matemáticas, estadística, aprendizaje automático y ciencias sociales puede generar herramientas útiles para el diseño de políticas públicas focalizadas. La integración de estas disciplinas abre nuevas posibilidades de investigación para estudiantes y especialistas interesados en el análisis de fenómenos sociales complejos.
