Español · English
CRAN · Pruebas automáticas · Licencia MIT
Población del Ecuador por provincia, cantón y parroquia, lista para analizar en R. Consulta denominadores por año, sexo, edad y área de residencia; calcula tasas y construye mapas con códigos de la División Político-Administrativa (DPA).
Este es un paquete independiente. Las cifras nacionales, provinciales y cantonales proceden del INEC, Revisión 2024, actualización con áreas de 2025. Las cifras parroquiales son estimaciones propias de pobecu, no proyecciones oficiales del INEC.
Este README se genera ejecutando README.Rmd:
las salidas #> son resultados reales de R y las figuras
se producen con el código que las precede. Puedes abrir el Rmd en
RStudio y elegir Knit → Knit to HTML para ver código,
resultados y gráficos en un documento navegable. También tienes el guion
completo para R: ejecútalo por bloques en RStudio o con
source("inst/examples/guia-pobecu.R", echo = TRUE) desde la
raíz del repositorio para imprimir código, resultados y gráficos.
Ejecuta la instalación una sola vez. La compilación de viñetas es opcional; la consulta de grupos quinquenales no necesita conexión a Internet.
# Versión estable, desde CRAN
install.packages("pobecu")
# Versión de desarrollo, desde GitHub
# install.packages("remotes")
# remotes::install_github("f-slg/pobecu")
# Para reproducir los gráficos de esta guía
install.packages(c("ggplot2", "scales"))
# Solo para los mapas (geoecu 0.4.1 o posterior)
install.packages(c("geoecu", "sf"))
# Solo para abrir esta guía como documento HTML desde RStudio
install.packages(c("rmarkdown", "knitr"))library(pobecu)
library(ggplot2)
poblacion("nacional", anio = c(2022, 2025, 2030))
#> anio poblacion
#> 1 2022 17715301
#> 2 2025 18103660
#> 3 2030 18815497Cada fila representa una combinación de territorio, año y
desagregaciones. poblacion cuenta habitantes;
anio es el año de referencia al 30 de
junio. Hasta 2022 se trata de estimaciones demográficas del
pasado; desde 2023, de proyecciones. Las cifras de 2022 no equivalen al
conteo del censo.
Para ver la cobertura disponible:
pob_fuentes()
#> pobecu 0.2.0.9000 · datos datos-v0.1.0
#> Estimaciones hasta 2022 y proyecciones desde 2023, al 30 de junio de cada año.
#>
#> nivel periodo area edad tipo
#> nacional 1950-2050 2010-2035 0-100+ oficial
#> provincia 1990-2035 2010-2035 0-100+ oficial
#> canton 2010-2035 2010-2035 0-100+ oficial
#> parroquia 2010-2035 no 0-4 ... 85+ estimación pobecu
#>
#> Fuentes:
#> * INEC, Estimaciones y Proyecciones de Población, Revisión 2024 (actualización con áreas, 2025).
#> https://www.ecuadorencifras.gob.ec/proyecciones-poblacionales/
#> * INEC, VIII Censo de Población y VII de Vivienda 2022.
#> https://www.censoecuador.gob.ec/resultados-censo/
#> Las cifras parroquiales no son oficiales: ver ?pob_parroquias.| Nivel | Años | Edad | Área urbana/rural | Naturaleza |
|---|---|---|---|---|
| Nacional | 1950–2050 | Simple o quinquenal, hasta 100+ | 2010–2035 | INEC |
| Provincia | 1990–2035 | Simple o quinquenal, hasta 100+ | 2010–2035 | INEC |
| Cantón | 2010–2035 | Simple o quinquenal, hasta 100+ | 2010–2035 | INEC |
| Parroquia | 2010–2035 | Quinquenal, hasta 85+ | No disponible | Estimación pobecu |
Los nombres admiten mayúsculas o minúsculas y tildes. Los códigos numéricos recuperan sus ceros iniciales. Para nombres repetidos, como Bolívar u Olmedo, indica también la provincia o utiliza el código DPA.
# Todas las provincias; mostramos las seis primeras filas
provincias_2025 <- poblacion("provincia", anio = 2025)
head(provincias_2025)
#> dpa_provin provincia anio poblacion
#> 1 01 Azuay 2025 834958
#> 2 02 Bolívar 2025 204351
#> 3 03 Cañar 2025 237460
#> 4 04 Carchi 2025 177020
#> 5 05 Cotopaxi 2025 493382
#> 6 06 Chimborazo 2025 487355
# Un cantón, dos años y desagregación por sexo
poblacion("canton", anio = 2025:2026, canton = "loja", sexo = TRUE)
#> dpa_canton canton dpa_provin provincia anio sexo poblacion
#> 1 1101 Loja 11 Loja 2025 hombre 124296
#> 2 1101 Loja 11 Loja 2025 mujer 134218
#> 3 1101 Loja 11 Loja 2026 hombre 125024
#> 4 1101 Loja 11 Loja 2026 mujer 134953
# Buscar un territorio antes de consultar
buscar_pob("olmedo", nivel = "canton")
#> dpa_canton canton dpa_provin provincia
#> 1 1116 Olmedo 11 Loja
#> 2 1318 Olmedo 13 Manabí
# Resolver la ambigüedad con la provincia
poblacion("canton", anio = 2025, provincia = "Loja", canton = "Olmedo")
#> dpa_canton canton dpa_provin provincia anio poblacion
#> 1 1116 Olmedo 11 Loja 2025 4134sexo = FALSE suma hombres y mujeres.
edad = NULL suma todas las edades. anio = NULL
devuelve todos los años disponibles para ese nivel; conviene
especificarlo si solo necesitas un corte anual.
El gráfico distingue los periodos para evitar interpretar el futuro como un dato observado. El eje vertical se expresa en millones de habitantes.
nacional <- poblacion("nacional")
nacional$periodo <- ifelse(nacional$anio <= 2022, "Estimación", "Proyección")
tema_pob <- theme_minimal(base_size = 12) +
theme(panel.grid.minor = element_blank(),
plot.title = element_text(face = "bold"),
plot.caption = element_text(hjust = 0, color = "grey35", size = 9),
plot.margin = margin(10, 20, 10, 10),
legend.position = "bottom")
grafico_serie <- ggplot(nacional, aes(anio, poblacion / 1e6)) +
geom_line(color = "#153F57", linewidth = 0.9) +
geom_line(data = subset(nacional, anio >= 2023),
color = "#BA6518", linewidth = 1) +
geom_vline(xintercept = 2022.5, linetype = "dashed", color = "grey45") +
annotate("text", x = 1992, y = 21, label = "Estimaciones", color = "#153F57") +
annotate("text", x = 2036, y = 16, label = "Proyecciones", color = "#BA6518") +
labs(title = "Población del Ecuador, 1950–2050",
subtitle = "La línea discontinua marca el comienzo del periodo proyectado",
x = "Año", y = "Millones de habitantes",
caption = "Fuente: INEC, Revisión 2024. Población al 30 de junio de cada año.") + tema_pob
grafico_serie
Población del Ecuador: estimaciones hasta 2022 y proyecciones desde 2023. Fuente: INEC, Revisión 2024.
subset(nacional, anio %in% c(1950, 2010, 2022, 2025, 2030, 2050))
#> anio poblacion periodo
#> 1 1950 3536810 Estimación
#> 61 2010 14883661 Estimación
#> 73 2022 17715301 Estimación
#> 76 2025 18103660 Proyección
#> 81 2030 18815497 Proyección
#> 101 2050 21141923 ProyecciónLa curva resume el volumen total de población. Una curva creciente no significa que todos los territorios o grupos de edad crezcan al mismo ritmo.
Ordenar las barras facilita reconocer la concentración de población. Se muestran las diez provincias más pobladas, sin confundir este ranking con densidad.
top10 <- head(provincias_2025[order(-provincias_2025$poblacion), ], 10)
top10
#> dpa_provin provincia anio poblacion
#> 9 09 Guayas 2025 4788157
#> 17 17 Pichincha 2025 3294478
#> 13 13 Manabí 2025 1715057
#> 12 12 Los Ríos 2025 978487
#> 1 01 Azuay 2025 834958
#> 7 07 El Oro 2025 753036
#> 8 08 Esmeraldas 2025 605377
#> 18 18 Tungurahua 2025 581842
#> 23 23 Santo Domingo De Los Tsáchilas 2025 528509
#> 11 11 Loja 2025 498457
ggplot(top10, aes(poblacion / 1e6, reorder(provincia, poblacion))) +
geom_col(fill = "#227C89", width = 0.7) +
geom_text(aes(label = scales::number(poblacion, accuracy = 1, big.mark = " ")),
hjust = -0.1, size = 3.3) +
scale_x_continuous(expand = expansion(mult = c(0, 0.25))) +
labs(title = "Provincias con mayor población, 2025",
subtitle = "Diez primeras provincias; las etiquetas muestran habitantes",
x = "Millones de habitantes", y = NULL,
caption = "Fuente: INEC, Revisión 2024. Proyección al 30 de junio de 2025.") + tema_pob
Diez provincias más pobladas en 2025. Fuente: INEC.
edad |
Qué devuelve | Datos necesarios |
|---|---|---|
NULL |
Todas las edades sumadas | Incluidos |
"quinquenal" |
0–4, 5–9, …, 100+; parroquias hasta 85+ | Incluidos |
"simple" |
0, 1, 2, …, 100 (100 significa 100+) | Descarga inicial |
"etapas" |
0–11, 12–17, 18–29, 30–64, 65+ | Descarga inicial |
c(0, 5, 15, 65) |
0–4, 5–14, 15–64, 65+ | Incluidos |
c(0, 1, 5) |
0, 1–4, 5+ | Descarga inicial |
Los cortes son los inicios de cada grupo; el último es abierto. Para parroquias solo se admiten cortes múltiplos de cinco hasta 85. El archivo de edades simples se descarga una vez y queda guardado en caché.
poblacion("canton", anio = 2026, canton = "Loja", edad = c(0, 1, 5))
#> dpa_canton canton dpa_provin provincia anio edad poblacion
#> 1 1101 Loja 11 Loja 2026 0 3427
#> 2 1101 Loja 11 Loja 2026 1-4 15224
#> 3 1101 Loja 11 Loja 2026 5+ 241326
poblacion("provincia", anio = 2030, provincia = "Pichincha", edad = "etapas")
#> dpa_provin provincia anio edad poblacion
#> 1 17 Pichincha 2030 0-11 447539
#> 2 17 Pichincha 2030 12-17 296136
#> 3 17 Pichincha 2030 18-29 620040
#> 4 17 Pichincha 2030 30-64 1665096
#> 5 17 Pichincha 2030 65+ 371097La pirámide usa porcentajes del total de ambos sexos de cada año. Los valores negativos solo colocan a los hombres a la izquierda; la población no es negativa.
pir <- poblacion("nacional", anio = c(2025, 2050),
sexo = TRUE, edad = "quinquenal")
pir$porcentaje <- 100 * pir$poblacion / ave(pir$poblacion, pir$anio, FUN = sum)
pir$posicion <- ifelse(pir$sexo == "hombre", -pir$porcentaje, pir$porcentaje)
ggplot(pir, aes(posicion, edad, fill = sexo)) +
geom_col(width = 0.85) +
facet_wrap(~anio) +
scale_fill_manual(values = c(hombre = "#227C89", mujer = "#CB7436")) +
scale_x_continuous(labels = function(x) paste0(abs(x), "%")) +
labs(title = "Pirámides de población del Ecuador",
subtitle = "Grupos de cinco años; 100+ reúne a las personas de 100 años y más",
x = "Porcentaje de la población total de cada año", y = "Edad", fill = "Sexo",
caption = "Fuente: INEC, Revisión 2024. Ambos años son proyecciones.\nEl porcentaje usa como denominador el total de ambos sexos de cada año.") +
tema_pob
Estructura de la población nacional por sexo y edad en 2025 y 2050. Fuente: INEC.
Un mayor peso de los grupos de edad avanzada señala envejecimiento de la estructura poblacional. La comparación de 2050 corresponde a la proyección del INEC, no a un resultado observado ni a un intervalo de confianza.
area = TRUE separa residencia urbana y rural. Este
argumento exige años entre 2010 y 2035; por eso se especifica
anio incluso al consultar el nivel nacional.
areas <- poblacion("provincia", anio = 2025,
provincia = c("Guayas", "Pichincha", "Manabí"), area = TRUE)
areas
#> dpa_provin provincia anio area poblacion
#> 1 09 Guayas 2025 urbana 4087913
#> 2 09 Guayas 2025 rural 700244
#> 3 13 Manabí 2025 urbana 997508
#> 4 13 Manabí 2025 rural 717549
#> 5 17 Pichincha 2025 urbana 2070248
#> 6 17 Pichincha 2025 rural 1224230
areas$porcentaje <- 100 * areas$poblacion /
ave(areas$poblacion, areas$provincia, FUN = sum)
ggplot(areas, aes(provincia, poblacion, fill = area)) +
geom_col(position = "fill", width = 0.65) +
geom_text(aes(label = paste0(format(round(porcentaje, 1), nsmall = 1), "%"),
color = area),
position = position_fill(vjust = 0.5), fontface = "bold") +
scale_color_manual(values = c(rural = "#153F57", urbana = "white"), guide = "none") +
scale_y_continuous(labels = scales::label_percent()) +
scale_fill_manual(values = c(rural = "#D6A547", urbana = "#227C89")) +
labs(title = "Población urbana y rural por provincia, 2025",
subtitle = "Guayas, Manabí y Pichincha; cada barra suma 100%",
x = NULL, y = "Porcentaje de habitantes", fill = "Área",
caption = "Fuente: INEC, Revisión 2024. Área de residencia; no clasificación administrativa.") + tema_pob
Composición urbana y rural de tres provincias en 2025. Fuente: INEC.
Las barras muestran proporciones: dos provincias pueden tener una composición similar y cantidades de habitantes muy diferentes. El área de residencia no equivale a la clasificación administrativa de una parroquia.
Los siguientes numeradores son ficticios y sirven únicamente para aprender el procedimiento. La población utilizada como denominador sí procede del INEC. Numerador y denominador deben corresponder al mismo territorio, periodo, sexo y grupo de edad.
casos <- data.frame(
dpa_canton = c(1101, 1102, 701),
anio = 2025,
casos = c(120, 8, 40)
)
tasas <- pob_tasa(casos, "casos", por = 100000)
tasas
#> dpa_canton anio casos poblacion tasa
#> 1 1101 2025 120 258514 46.41915
#> 2 1102 2025 8 26374 30.33290
#> 3 701 2025 40 324062 12.34332
# Comprobación de la fórmula: casos / habitantes × base
stopifnot(all.equal(tasas$tasa, tasas$casos / tasas$poblacion * 100000))pob_unir(casos) agrega solo poblacion.
pob_tasa() agrega además tasa. Las funciones
conservan el orden y los códigos originales de la tabla. Un código sin
correspondencia deja NA y genera una advertencia.
Para tasas específicas, pide explícitamente las desagregaciones:
tener una columna sexo o edad no activa
automáticamente su uso.
casos_sexo <- data.frame(dpa_provin = "11", anio = factor("2025"),
sexo = c("hombre", "mujer"), casos = c(10, 14))
pob_tasa(casos_sexo, "casos", nivel = "provincia", sexo = TRUE)
#> dpa_provin anio sexo casos poblacion tasa
#> 1 11 2025 hombre 10 243527 4.106321
#> 2 11 2025 mujer 14 254930 5.491704
# Numeradores ficticios de menores de un año
vacunas <- data.frame(dpa_provin = c("01", "11"), anio = 2025,
edad = "0", vacunados = c(11800, 6900))
cobertura <- pob_unir(vacunas, nivel = "provincia", edad = "simple")
cobertura$cobertura_pct <- 100 * cobertura$vacunados / cobertura$poblacion
cobertura
#> dpa_provin anio edad vacunados poblacion cobertura_pct
#> 1 01 2025 0 11800 12589 93.73262
#> 2 11 2025 0 6900 7316 94.31383No sumes ni promedies tasas para obtener una tasa conjunta: suma primero los casos y sus denominadores compatibles y calcula después el cociente. Una cobertura superior a 100% requiere revisar numeradores, residencia, duplicados y población objetivo; no debe recortarse automáticamente.
Una tasa con denominador cero es indefinida, incluso si hay cero
casos. Desde esta versión se devuelve NA con advertencia,
en lugar de Inf o NaN.
ejemplo_cero <- data.frame(dpa_parroq = "060256", anio = 2025,
sexo = "hombre", edad = "70-74", casos = 1)
pob_tasa(ejemplo_cero, "casos", nivel = "parroquia",
sexo = TRUE, edad = "quinquenal")
#> Nota: las cifras parroquiales son una estimación de pobecu a partir de las proyecciones cantonales del INEC; no son cifras oficiales. Ver ?pob_parroquias. (Este aviso se muestra una vez por sesión.)
#> Warning: 1 fila(s) con población cero: la tasa se devuelve como NA.
#> dpa_parroq anio sexo edad casos poblacion tasa
#> 1 060256 2025 hombre 70-74 1 0 NALos años decimales se rechazan; los factores se interpretan por su
etiqueta. La base por debe ser positiva y finita. Los casos
deben ser numéricos y no negativos; NA permanece
desconocido y los casos ponderados pueden ser fraccionarios.
El paquete representa 1042 unidades del Censo 2022:
221 cabeceras cantonales y 821 parroquias rurales. Las parroquias
urbanas de un cantón se agrupan en la cabecera con sufijo
50. Las estimaciones se construyen repartiendo la
proyección cantonal según las participaciones censales y ajustando la
estructura por sexo y edad.
parroquias <- poblacion("parroquia", anio = c(2025, 2035), canton = "Puyango")
parroquias
#> dpa_parroq parroquia dpa_canton canton dpa_provin provincia anio poblacion
#> 1 111050 Alamor 1110 Puyango 11 Loja 2025 9205
#> 2 111050 Alamor 1110 Puyango 11 Loja 2035 9550
#> 3 111051 Ciano 1110 Puyango 11 Loja 2025 1327
#> 4 111051 Ciano 1110 Puyango 11 Loja 2035 1232
#> 5 111052 El Arenal 1110 Puyango 11 Loja 2025 1213
#> 6 111052 El Arenal 1110 Puyango 11 Loja 2035 1374
#> 7 111053 El Limo 1110 Puyango 11 Loja 2025 2457
#> 8 111053 El Limo 1110 Puyango 11 Loja 2035 2446
#> 9 111054 Mercadillo 1110 Puyango 11 Loja 2025 1344
#> 10 111054 Mercadillo 1110 Puyango 11 Loja 2035 1415
#> 11 111055 Vicentino 1110 Puyango 11 Loja 2025 1013
#> 12 111055 Vicentino 1110 Puyango 11 Loja 2035 845
ggplot(parroquias, aes(reorder(parroquia, poblacion), poblacion, fill = factor(anio))) +
geom_col(position = "dodge", width = 0.7) +
geom_text(aes(label = scales::number(poblacion, accuracy = 1, big.mark = " ")),
position = position_dodge(width = 0.7), hjust = -0.1, size = 3) +
coord_flip() +
scale_y_continuous(labels = scales::label_number(big.mark = " ", decimal.mark = ","),
expand = expansion(mult = c(0, 0.17))) +
scale_fill_manual(values = c("2025" = "#227C89", "2035" = "#CB7436")) +
labs(title = "Parroquias de Puyango, 2025 y 2035",
subtitle = "Estimación pobecu a partir del INEC y los censos",
x = NULL, y = "Habitantes", fill = "Año",
caption = "Fuente: estimación pobecu basada en proyecciones INEC y censos 2010/2022.\nNo son cifras oficiales parroquiales ni se muestran intervalos de incertidumbre.") + tema_pob
Estimaciones propias de pobecu para las parroquias de Puyango. No son cifras oficiales del INEC.
control <- aggregate(poblacion ~ anio, parroquias, sum)
oficial <- poblacion("canton", anio = c(2025, 2035), canton = "Puyango")
control$diferencia <- control$poblacion - oficial$poblacion[match(control$anio, oficial$anio)]
control
#> anio poblacion diferencia
#> 1 2025 16559 0
#> 2 2035 16862 0
stopifnot(all(control$diferencia == 0))Que la suma sea exacta verifica coherencia contable, no demuestra que la estimación de cada parroquia sea exacta. El modelo prolonga tendencias censales 2010–2022, no ofrece intervalos de incertidumbre y puede no captar cambios locales recientes. El redondeo preserva el total cantonal de cada sexo y grupo de edad; los totales parroquiales pueden diferir ligeramente del objetivo previo al redondeo.
geoecu desde 0.4.0 usa la DPA del CONALI 2026.
pobecu usa unidades del Censo 2022. Antes de unir casos con
población, convierte y agrega los códigos:
homologar_parroquia(c("010101", "010115", "010151", "131251"))
#> [1] "010150" "010150" "010151" "131250"
homologar_canton(c("0809", "1413"))
#> [1] "0802" "1401"
# Casos ficticios: Borbón y Eloy Alfaro deben formar una sola unidad censal
casos_nuevos <- data.frame(dpa_canton = c("0802", "0809"), anio = 2025,
casos = c(7, 5))
casos_nuevos$dpa_canton <- homologar_canton(casos_nuevos$dpa_canton)
casos_censo <- aggregate(casos ~ dpa_canton + anio, casos_nuevos, sum)
pob_tasa(casos_censo, "casos")
#> dpa_canton anio casos poblacion tasa
#> 1 0802 2025 12 52040 23.05919La conversión de códigos no siempre reconstruye exactamente los
límites antiguos. Por ejemplo, La Magdalena proviene de varias
parroquias y se asigna a Shushufindi, su origen mayoritario. Esa
equivalencia es una aproximación territorial: consúltala en
?homologar_parroquia antes de analizar esos
territorios.
La primera consulta cartográfica descarga las capas de
geoecu. Instala geoecu 0.4.1 o posterior: cada
capa aporta area_km2, superficie calculada sobre el
elipsoide WGS84 a partir de la geometría de resolución alta.
pob_mapa() agrupa las unidades CONALI que pertenecen a una
unidad del Censo 2022, suma las áreas de los polígonos y calcula
densidad = poblacion / area_km2. Así, población y
superficie corresponden a la misma división territorial.
mapa <- pob_mapa("canton", anio = 2025, provincia = "Loja")
detalle_mapa <- sf::st_drop_geometry(mapa)[,
c("dpa_canton", "canton", "poblacion", "area_km2", "densidad")]
detalle_mapa$area_km2 <- round(detalle_mapa$area_km2, 2)
detalle_mapa$densidad <- round(detalle_mapa$densidad, 2)
detalle_mapa[order(-detalle_mapa$densidad), ]
#> dpa_canton canton poblacion area_km2 densidad
#> 1 1101 Loja 258514 1890.99 136.71
#> 3 1103 Catamayo 36428 651.85 55.88
#> 14 1114 Pindal 10987 202.12 54.36
#> 16 1116 Olmedo 4134 113.80 36.33
#> 8 1108 Macará 18520 573.28 32.31
#> 2 1102 Calvas 26374 851.17 30.99
#> 4 1104 Celica 14676 521.86 28.12
#> 6 1106 Espíndola 14277 516.26 27.65
#> 11 1111 Saraguro 29588 1084.80 27.28
#> 10 1110 Puyango 16559 637.33 25.98
#> 5 1105 Chaguarpamba 6875 313.31 21.94
#> 9 1109 Paltas 22929 1156.54 19.83
#> 7 1107 Gonzanamá 12421 681.95 18.21
#> 15 1115 Quilanga 3925 236.52 16.59
#> 12 1112 Sozoranga 6917 422.02 16.39
#> 13 1113 Zapotillo 15333 1212.38 12.65
grafico_mapa <- ggplot(mapa) +
geom_sf(aes(fill = densidad), color = "white", linewidth = 0.3) +
scale_fill_viridis_c(trans = "sqrt", name = "Hab./km²") +
labs(title = "Densidad de población de los cantones de Loja",
subtitle = "2025 · Escala de color con transformación de raíz cuadrada",
caption = "Población: INEC, Revisión 2024. Límites: geoecu, agrupados a unidades censales.\nDensidad = habitantes / superficie total en km²; promedio de cada cantón.") +
tema_pob
grafico_mapa
Densidad por cantón de Loja en 2025. Población: INEC; geometrías: geoecu, agrupadas a unidades censales.
La densidad es el promedio de habitantes por km² en toda la unidad;
no muestra su distribución interna. Si pides sexo, edad o residencia
urbana/rural, el área sigue siendo la superficie completa del
territorio. No equivale a densidad de superficie habitada. Las zonas en
estudio conservan población NA.
Comprueba los insumos y reproduce el cociente con la tabla del mapa:
stopifnot(all.equal(mapa$densidad, mapa$poblacion / mapa$area_km2))
head(detalle_mapa[c("canton", "poblacion", "area_km2", "densidad")])
#> canton poblacion area_km2 densidad
#> 1 Loja 258514 1890.99 136.71
#> 2 Calvas 26374 851.17 30.99
#> 3 Catamayo 36428 651.85 55.88
#> 4 Celica 14676 521.86 28.12
#> 5 Chaguarpamba 6875 313.31 21.94
#> 6 Espíndola 14277 516.26 27.65# En la carpeta de trabajo de tu sesión de R
write.csv(tasas, "tasas_cantonales.csv", row.names = FALSE, fileEncoding = "UTF-8")
ggsave("poblacion_nacional.png", grafico_serie, width = 9, height = 5, dpi = 300)
ggsave("densidad_loja.png", grafico_mapa, width = 8, height = 6, dpi = 300)
# Preparar las edades simples mientras hay Internet
poblacion("nacional", anio = 2025, edad = "simple")
pobecu_cache_dir()
pobecu_datos_disponibles()
# En otro equipo: copiar pobecu_edad_simple.rds a una carpeta existente
pobecu_usar_carpeta("ruta/a/mis_datos")
# También se puede definir POBECU_CARPETA en .Renvironpobecu_usar_carpeta(NULL) restablece la búsqueda
predeterminada (incluida POBECU_CARPETA, si está definida).
pobecu_limpiar_cache() elimina los archivos descargados de
pobecu; úsalo solo si quieres descargarlos otra vez. Los mapas tienen
una caché independiente, gestionada por geoecu.
La auditoría está en validacion/README.md, con fuentes, huellas de los archivos, alcance y resultados. El script 07_validar_fuentes.R lee directamente los Excel con un lector independiente del usado para construir el paquete y comprueba:
La validación de cifras no constituye una validación predictiva del modelo parroquial. Los Excel son la referencia de contraste; una cifra aislada en la página resumen del INEC puede contener errores de transcripción.
| comprobacion | celdas | diferencias | faltantes | extras | max_diferencia |
|---|---|---|---|---|---|
| nacional-total-sexos | 10201 | 0 | 0 | 0 | 0 |
| nacional-area-sexos | 5252 | 0 | 0 | 0 | 0 |
| nacional-urbano-rural | 5252 | 0 | 0 | 0 | 0 |
| nacional-edades-simples | 25654 | 0 | 0 | 0 | 0 |
| nacional-quinquenales | 5334 | 0 | 0 | 0 | 0 |
| provincia-total-sexos | 111504 | 0 | 0 | 0 | 0 |
| provincia-area-sexos | 126048 | 0 | 0 | 0 | 0 |
| provincia-urbano-rural | 126048 | 0 | 0 | 0 | 0 |
| provincia-edades-simples | 349056 | 0 | 0 | 0 | 0 |
| provincia-quinquenales | 72576 | 0 | 0 | 0 | 0 |
| canton-total-sexos | 580346 | 0 | 0 | 0 | 0 |
| canton-area-sexos | 1160692 | 0 | 0 | 0 | 0 |
| canton-urbano-rural | 1160692 | 0 | 0 | 0 | 0 |
| canton-edades-simples | 2321384 | 0 | 0 | 0 | 0 |
| canton-quinquenales | 482664 | 0 | 0 | 0 | 0 |
| censo_2010 | 1042 | 0 | 0 | 0 | 0 |
| censo_2022 | 1042 | 0 | 0 | 0 | 0 |
| parroquias-suman-canton | 206856 | 0 | 0 | 0 | 0 |
| provincia-suma-nacional | 1932 | 0 | 0 | 0 | 0 |
| canton-suma-provincia | 26208 | 0 | 0 | 0 | 0 |
Resultados de la auditoría reproducible.
install.packages(c("pkgload", "readxl", "rmarkdown", "knitr", "roxygen2", "testthat"))
# Directorio de trabajo: la raíz de tu copia de pobecu
source("data-raw/08_generar_guia.R")El script genera README.md, las figuras,
guia-pobecu.html y el guion
inst/examples/guia-pobecu.R. La versión HTML conserva los
gráficos dentro del archivo y se puede abrir sin conexión. La guía usa
años fijos para reproducir los mismos ejemplos; no cambia sus resultados
al cambiar el año del sistema.
Las cifras oficiales se reorganizan en formato largo y se agregan por edad sin cambiar sus valores. Para parroquias, el procedimiento es:
Las fuentes, fórmulas y limitaciones se desarrollan en la viñeta metodológica. La viñeta de mapas amplía los ejemplos cartográficos.
citation("pobecu")
#> To cite package 'pobecu' in publications use:
#>
#> Salas Guerrero, R. F. (2026). pobecu: Población del Ecuador por provincia,
#> cantón y parroquia. Paquete de R versión 0.2.0.9000.
#> https://github.com/f-slg/pobecu
#>
#> INEC (2024). Estimaciones y Proyecciones de Población del Ecuador, Revisión
#> 2024. Quito: Instituto Nacional de Estadística y Censos.
#> https://www.ecuadorencifras.gob.ec/proyecciones-poblacionales/
#>
#> To see these entries in BibTeX format, use 'print(<citation>, bibtex=TRUE)',
#> 'toBibtex(.)', or set 'options(citation.bibtex.max=999)'.Fuentes primarias:
Si usas datos parroquiales, declara que son estimaciones de pobecu y cita también la fuente censal y las proyecciones cantonales del INEC.
Los errores y propuestas se reciben en Issues. Consulta la guía de contribución y el código de conducta. Código bajo licencia MIT; datos procedentes de las publicaciones del INEC.
pob_ajustar() y pob_estimar() permiten
obtener totales anuales para el país, sus 24
provincias, 221 cantones y 1042 unidades parroquiales de
referencia. Son 1288 series y 258888 filas si se solicita toda
la jerarquía para 1900–2100. Los modelos extienden las trayectorias
disponibles y mantienen exactamente los valores de referencia.
poblacion() sigue consultando las tablas originales.
Interpretación histórica: el resultado de 1900 representa una reconstrucción sobre las unidades de referencia del Censo 2022. No afirma que una provincia, cantón o parroquia existiera en 1900 ni reconstruye cambios de límites. Las cabeceras cantonales conservan la agregación censal utilizada en el paquete. No se dispone aquí de observaciones locales de 1900 para validar esa reconstrucción. El extremo de 2100 es un escenario condicionado a supuestos, no una proyección oficial del INEC ni una predicción demográfica validada a 75 años.
Ajusta una vez y reutiliza el objeto. El cálculo para todo el país
puede tardar varios minutos, según el equipo y el número de
simulaciones. Se usan únicamente stats y las tablas
incluidas; no se descargan datos adicionales.
modelo_territorial <- pob_ajustar(
ventana = 20, # Hasta 20 años de cada extremo
phi_total = 0.98, # Amortiguación anual del total nacional
phi_partes = 0.95 # Amortiguación de las participaciones territoriales
)
#> Warning: 12 ajustes usan respaldo lineal; consulte $diagnosticos.
table(modelo_territorial$diagnosticos$metodo)
#>
#> constante_degenerada respaldo_lineal
#> 82 12
#> StructTS_sin_ruido_observacion StructTS_tendencia_local
#> 145 2337
escenarios <- pob_estimar(
nivel = "todos", anio = 1900:2100,
modelo = modelo_territorial, simulaciones = 200,
semilla = 2026, nivel_intervalo = 0.95
)
with(escenarios, table(nivel, direccion))
#> direccion
#> nivel prospectiva referencia retrospectiva
#> canton 14365 5746 24310
#> nacional 50 101 50
#> parroquia 67730 27092 114620
#> provincia 1560 1104 2160Para trabajos finales conviene aumentar simulaciones a
1000 o más y comprobar la estabilidad de los cuantiles entre semillas.
Más simulaciones reducen el error Monte Carlo; no corrigen los
supuestos ni aumentan la información histórica. El generador
restaura el estado aleatorio de la sesión. Filtrar territorios o
solicitar menos años mantiene los mismos resultados con idéntica
configuración.
# Como ya calculamos toda la jerarquía, filtramos sin volver a simular.
loja_parroquias <- subset(escenarios, nivel == "parroquia" & dpa_canton == "1101")
seleccion <- subset(loja_parroquias, anio %in% c(1900, 2022, 2050, 2100))
head(seleccion[c("nombre", "anio", "poblacion", "origen", "horizonte")], 12)
#> nombre anio poblacion origen horizonte
#> 121204 Loja 1900 26865 modelo_pobecu 110
#> 121326 Loja 2022 217989 referencia_parroquial_pobecu 0
#> 121354 Loja 2050 261121 modelo_pobecu 15
#> 121404 Loja 2100 295253 modelo_pobecu 65
#> 121405 Chantaco 1900 327 modelo_pobecu 110
#> 121527 Chantaco 2022 1054 referencia_parroquial_pobecu 0
#> 121555 Chantaco 2050 640 modelo_pobecu 15
#> 121605 Chantaco 2100 570 modelo_pobecu 65
#> 121606 Chuquiribamba 1900 624 modelo_pobecu 110
#> 121728 Chuquiribamba 2022 2171 referencia_parroquial_pobecu 0
#> 121756 Chuquiribamba 2050 1363 modelo_pobecu 15
#> 121806 Chuquiribamba 2100 1222 modelo_pobecu 65
# También existe consulta directa, reutilizando el ajuste:
# pob_estimar("parroquia", 1900:2100, modelo_territorial, canton = "Loja")
# write.csv(escenarios, "poblacion_1900_2100.csv", row.names = FALSE)
# saveRDS(modelo_territorial, "modelo_poblacion.rds")Las columnas origen, direccion,
horizonte, referencia_desde y
referencia_hasta permiten auditar cada cifra.
extrapolacion_extrema = TRUE identifica distancias mayores
de 30 años al extremo de referencia; es una regla informativa, no un
umbral estadísticamente validado. El atributo
attr(escenarios, "metodologia") conserva la configuración y
procedencia. Esta extensión modela totales
territoriales, sin extender sexo, edades ni residencia
urbana/rural. Las consultas publicadas por esas dimensiones continúan
disponibles en sus periodos originales.
1. Anclajes y escala. El total nacional disponible abarca 1950–2050; las provincias, 1990–2035; cantones y parroquias, 2010–2035. El ajuste predeterminado incluye las proyecciones publicadas. Las series parroquiales de entrada ya son estimaciones del método logístico/IPF descrito en la sección 12. No se tratan estas entradas como nuevos censos independientes. Los años de referencia se conservan exactamente y no reciben intervalos artificiales.
Para el país se modela \(z_t=\log(N_t)\). Para cada conjunto de \(K\) territorios hermanos con conteos \(N_{j,t}\) se emplea la transformación log-ratio centrada:
\[z_{j,t}=\log(N_{j,t}+0.5)-\frac{1}{K}\sum_{k=1}^{K}\log(N_{k,t}+0.5).\]
El pseudoconteo 0.5 permite trabajar con ceros; solo afecta la transformación para extrapolar. Los ceros publicados permanecen intactos. Las coordenadas CLR suman cero; se ajustan por separado y se normalizan conjuntamente al volver a conteos. No se estima una matriz multivariante completa de covarianzas entre territorios. Un territorio con participación constante puede producir un modelo degenerado sin innovaciones; esto no demuestra ausencia real de incertidumbre demográfica.
2. Estado local y máxima verosimilitud. En cada extremo se usan hasta 20 años consecutivos, con un mínimo de ocho. Para cada coordenada se ajusta:
\[z_t=\mu_t+\epsilon_t,\qquad \mu_{t+1}=\mu_t+b_t+\eta_t,\qquad b_{t+1}=b_t+\zeta_t.\]
Las innovaciones gaussianas tienen varianzas \(\sigma_\epsilon^2\), \(\sigma_\eta^2\) y \(\sigma_\zeta^2\).
stats::StructTS(type = "trend") estima esas varianzas por
máxima verosimilitud y obtiene estados mediante filtro de Kalman. Las
coordenadas se centran y escalan para mejorar la optimización y los
parámetros se devuelven a su escala original. Se permiten varianzas
cero.
La retrospectiva ajusta el mismo modelo a los primeros años en orden inverso. La pendiente retrospectiva describe ese tiempo invertido: no debe interpretarse como una tasa anual hacia adelante. Este procedimiento es una extrapolación inversa; no equivale a un suavizado histórico condicionado a censos antiguos.
Se comprueba la convergencia numérica. Si falla el ajuste libre, se
intenta el modelo estructural con \(\sigma_\epsilon^2=0\). Si tampoco converge,
se utiliza un respaldo declarado: pendiente OLS y varianza de innovación
del nivel igual a la media de los cuadrados de las diferencias de
residuos OLS; las otras varianzas son cero. El paquete emite una
advertencia y registra el método, código de convergencia y mensajes en
modelo_territorial$diagnosticos. La complejidad nominal no
oculta fallos de optimización ni convierte esos respaldos en ajustes
estructurales exitosos.
3. Extrapolación amortiguada. El ajuste histórico anterior no estima la amortiguación. Al extenderlo se fija \(\phi_N=0.98\) para el país y \(\phi_p=0.95\) para las participaciones, aplicando:
\[\mu_{h+1}=\mu_h+\phi b_h+\eta_h,\qquad b_{h+1}=\phi b_h+\zeta_h.\]
El nivel inicial es el último valor transformado de referencia, para anclar la continuidad; la pendiente inicial es el estado filtrado. Sin innovaciones, el incremento acumulado en \(h\) años es \(b_0\phi(1-\phi^h)/(1-\phi)\), o \(hb_0\) si \(\phi=1\). Con \(\phi<1\) la tendencia central se atenúa a largo plazo. Estos valores son supuestos de escenario, no hiperparámetros seleccionados por validación ni estimaciones de equilibrio poblacional. Se debe estudiar su sensibilidad.
4. Coherencia territorial. Se vuelve de CLR a participaciones con softmax:
\[p_{j,t}=\frac{\exp(z_{j,t})}{\sum_k\exp(z_{k,t})},\qquad N_{j,t}=N_{\mathrm{padre},t}\,p_{j,t}.\]
La implementación resta el máximo antes de exponenciar para evitar desbordamientos. La distribución se repite de país a provincias, cantones y parroquias. Se redondea por mayor residuo en cada padre; los empates siguen el código territorial. Así, los conteos centrales enteros suman exactamente en todos los niveles y años. Es una distribución jerárquica descendente con participaciones dinámicas; no se implementa reconciliación MinT, ajuste bayesiano ni componentes por cohortes. El resultado central es la trayectoria sin innovaciones, no la media de las simulaciones ni necesariamente la mediana marginal después de normalizar.
5. Bandas condicionales. Se simulan trayectorias completas de innovaciones con las varianzas ajustadas. Cada simulación de un hijo utiliza la misma simulación de su padre, y las participaciones se normalizan por familia y año. Las trayectorias simuladas continuas suman a su padre; los intervalos publicados son cuantiles marginales. Los límites inferior y superior no deben sumarse.
Los estados iniciales y parámetros se mantienen fijos. Las bandas excluyen incertidumbre de parámetros, de las fuentes, de cambios territoriales y de supuestos futuros. Las innovaciones entre coordenadas y entre los dos sentidos temporales se suponen independientes antes de normalizar; la normalización y los padres comunes inducen dependencia entre los conteos finales. El 95% es nominal y condicional: no garantiza cobertura del 95% para la población real en 1900 o 2100. Las bandas pueden ser muy anchas o degeneradas con series suavizadas. El modelo tampoco introduce guerras, epidemias, cambios migratorios o políticas futuras sin información externa.
nacional_ext <- subset(escenarios, nivel == "nacional")
ggplot(nacional_ext, aes(anio, poblacion / 1e6)) +
geom_ribbon(data = subset(nacional_ext, origen == "modelo_pobecu"),
aes(ymin = limite_inferior / 1e6, ymax = limite_superior / 1e6,
group = direccion), fill = "#D98A32", alpha = 0.22) +
geom_line(color = "#D98A32", linewidth = 0.8) +
geom_line(data = subset(nacional_ext, origen == "referencia_INEC"),
color = "#146C78", linewidth = 1.1) +
geom_vline(xintercept = c(1950, 2050), linetype = "dashed", color = "grey45") +
scale_x_continuous(breaks = seq(1900, 2100, 25)) +
scale_y_continuous(labels = scales::label_number(big.mark = ".", decimal.mark = ",")) +
labs(title = "Ecuador: reconstrucción y escenario territorial, 1900–2100",
subtitle = "Verde: trayectoria INEC 1950–2050 · Naranja: extensión estructural amortiguada",
x = "Año", y = "Población (millones de habitantes)",
caption = "Banda: cuantiles 2,5%–97,5% de 200 simulaciones condicionales. Semilla 2026.\nNo incluye incertidumbre de las fuentes ni de parámetros; los extremos no son cifras oficiales.") + tema_pob
Las líneas verticales delimitan el soporte nacional publicado. Dentro de ese periodo, la ausencia de banda significa que no se ha cuantificado la incertidumbre de la fuente; no significa que la población se conozca sin error.
# Dos ejemplos por nivel; escalas libres para no ocultar territorios pequeños.
ejemplos <- subset(escenarios, codigo %in% c("11", "17", "1101", "1701", "110150", "110154"))
ejemplos$territorio <- paste(ejemplos$nivel, ejemplos$nombre, paste0("[", ejemplos$codigo, "]"))
limites <- unique(ejemplos[c("territorio", "referencia_desde", "referencia_hasta")])
ggplot(ejemplos, aes(anio, poblacion)) +
geom_ribbon(data = subset(ejemplos, origen == "modelo_pobecu"),
aes(ymin = limite_inferior, ymax = limite_superior, group = direccion),
fill = "#D98A32", alpha = 0.2) +
geom_line(color = "#D98A32", linewidth = 0.65) +
geom_line(data = subset(ejemplos, origen != "modelo_pobecu"),
aes(color = origen), linewidth = 1) +
geom_vline(data = limites, aes(xintercept = referencia_desde), linetype = "dotted") +
geom_vline(data = limites, aes(xintercept = referencia_hasta), linetype = "dotted") +
facet_wrap(~territorio, scales = "free_y", ncol = 2) +
scale_color_manual(values = c(referencia_INEC = "#146C78", referencia_parroquial_pobecu = "#7854A8"),
labels = c("Referencia INEC", "Referencia parroquial pobecu")) +
scale_x_continuous(breaks = seq(1900,2100,50)) +
scale_y_continuous(labels = scales::label_number(scale_cut = scales::cut_short_scale(),
decimal.mark = ",")) +
labs(title = "Escenarios territoriales con referencias explícitas",
subtitle = "Líneas punteadas: periodo de referencia · Cada panel tiene su propia escala vertical",
x = "Año", y = "Habitantes", color = "Datos conservados",
caption = "Extensión naranja y bandas condicionales del 95%. Unidades de referencia del Censo 2022.\nLas cifras parroquiales de 2010–2035 ya son estimaciones de pobecu; no son proyecciones oficiales.") +
tema_pob + theme(legend.position = "bottom")
Los paneles permiten comparar tendencias, no tamaños visuales entre escalas diferentes. Antes del primer año de referencia local, la asignación territorial se apoya exclusivamente en el modelo de participaciones y en el total padre. Para análisis sobre límites históricos hacen falta insumos territoriales adicionales.
El siguiente cálculo mantiene el ajuste nacional y cambia únicamente el supuesto sobre cuánto persiste su pendiente. No es una comparación de modelos reestimados.
# Reproduce analíticamente la trayectoria central nacional, sin simulaciones.
sensibilidad <- do.call(rbind, lapply(c(0.90, 0.95, 0.98, 1), function(phi) {
n <- nacional_ext
for (sentido in c("retro", "pro")) {
f <- modelo_territorial$raiz[[sentido]]
borde <- if(sentido == "retro") min(modelo_territorial$raiz$anios) else max(modelo_territorial$raiz$anios)
ids <- if(sentido == "retro") n$anio < borde else n$anio > borde
h <- abs(n$anio[ids] - borde)
incremento <- if(phi == 1) h else phi * (1 - phi^h) / (1-phi)
ancla <- nacional_ext$poblacion[nacional_ext$anio == borde]
n$poblacion[ids] <- round(ancla * exp(f$pendiente * incremento))
}
n$phi <- factor(phi); n
}))
ggplot(sensibilidad, aes(anio, poblacion / 1e6, color = phi)) +
geom_line(linewidth = 0.8) +
geom_vline(xintercept = c(1950,2050), linetype = "dashed", color = "grey60") +
scale_color_brewer(palette = "Dark2") +
labs(title = "El horizonte lejano depende del supuesto de persistencia",
subtitle = "Sensibilidad nacional: mismos datos y estados, cuatro amortiguaciones",
x = "Año", y = "Población (millones de habitantes)", color = expression(phi[N]),
caption = "Trayectorias centrales, sin bandas. φ = 1 mantiene la pendiente; φ < 1 la atenúa.\nEstas diferencias no constituyen probabilidades de escenarios ni validación de 1900 o 2100.") + tema_pob
Para estudiar la asignación territorial también debe variarse
phi_partes, por ejemplo con
pob_ajustar(phi_total = 0.98, phi_partes = 0.90), y
comparar las mismas unidades y años. Ninguna amortiguación queda
certificada como óptima por la configuración predeterminada.
El script data-raw/09_validar_modelos.R realiza dos
pruebas temporales:
Retirar también los años del padre evita que el modelo conozca anticipadamente el total retenido. La ventana y amortiguaciones se fijan antes de estas pruebas. Se compara con un referente sencillo que mantiene la población del año extremo. Se informa MAE, RMSE, WAPE y cobertura condicional por nivel y horizonte:
\[\mathrm{WAPE}=100\frac{\sum_i |\widehat N_i-N_i|}{\sum_i N_i}.\]
Se evalúa la reproducción de las trayectorias del paquete, incluyendo años proyectados, no poblaciones futuras observadas. La validación temporal del método parroquial no es independiente del modelo logístico/IPF que generó sus referencias. Son dos cortes de evaluación; no equivalen a una validación de origen móvil exhaustiva ni prueban precisión en 1900–2100.
| sentido | nivel | metodo | horizonte | WAPE | cobertura_condicional | |
|---|---|---|---|---|---|---|
| 5 | prospectiva | nacional | estructural_CLR | 5 | 0.278 | 1.000 |
| 15 | prospectiva | nacional | constante | 5 | 3.783 | NA |
| 25 | prospectiva | provincia | estructural_CLR | 5 | 0.303 | 1.000 |
| 35 | prospectiva | provincia | constante | 5 | 3.831 | NA |
| 45 | prospectiva | canton | estructural_CLR | 5 | 0.407 | 1.000 |
| 55 | prospectiva | canton | constante | 5 | 3.964 | NA |
| 65 | prospectiva | parroquia | estructural_CLR | 5 | 0.658 | 0.999 |
| 75 | prospectiva | parroquia | constante | 5 | 5.048 | NA |
| 85 | retrospectiva | nacional | estructural_CLR | 5 | 1.358 | 1.000 |
| 90 | retrospectiva | nacional | constante | 5 | 9.309 | NA |
| 95 | retrospectiva | provincia | estructural_CLR | 5 | 1.460 | 0.833 |
| 100 | retrospectiva | provincia | constante | 5 | 9.309 | NA |
| 105 | retrospectiva | canton | estructural_CLR | 5 | 1.477 | 0.919 |
| 110 | retrospectiva | canton | constante | 5 | 9.540 | NA |
| 115 | retrospectiva | parroquia | estructural_CLR | 5 | 1.544 | 0.926 |
| 120 | retrospectiva | parroquia | constante | 5 | 9.986 | NA |
Evaluación a cinco años: WAPE (%) y cobertura de bandas condicionales nominales del 95%.
La comparación debe revisarse por nivel y dirección: un modelo más
complejo no garantiza menor error que el referente constante. Una
cobertura baja indica que las bandas condicionales subestiman la
variabilidad de los valores retenidos; no deben promoverse como
intervalos demográficos calibrados. Los resultados completos, los
diagnósticos individuales y la auditoría de conservación están en validacion/modelos-poblacion.
# Prueba verificable: todas las parroquias suman a su cantón en cada año.
sumas_parroquiales <- aggregate(poblacion ~ padre + anio,
subset(escenarios, nivel == "parroquia"), sum)
cantones_ext <- subset(escenarios, nivel == "canton")
i <- match(paste(sumas_parroquiales$padre, sumas_parroquiales$anio),
paste(cantones_ext$codigo, cantones_ext$anio))
max(abs(sumas_parroquiales$poblacion - cantones_ext$poblacion[i]))
#> [1] 0
stopifnot(all(sumas_parroquiales$poblacion == cantones_ext$poblacion[i]))Declaración sugerida para un análisis: “Se construyeron escenarios territoriales con pobecu mediante tendencias locales estructurales estimadas por máxima verosimilitud, logaritmo del total nacional, participaciones CLR y distribución jerárquica descendente. Se usaron ventanas de 20 años, amortiguaciones 0.98 y 0.95, y bandas condicionales por simulación de innovaciones. Se conservaron las referencias del paquete y sus unidades censales de 2022. Las cifras fuera de cobertura son reconstrucciones o escenarios propios; no son cifras oficiales ni estimaciones validadas de jurisdicciones históricas.” Añade la versión del paquete, años de entrenamiento, semilla y número de simulaciones realmente usados.
Referencias del método: