Caso 1 Analítica de Negocios
Juan Pablo Realpe y Marvin Duvan Mina
2023-02-04
ANÁLISIS DE MORTALIDAD INFANTIL
Introducción
El objetivo de este documento es analizar la mortalidad infantil en el mundo durante el año 2016, este es un problema que aqueja a muchos paises y se estima que aun más a paises en vías de desarrollo, razón por la cual se realizará el análisis teniendo en cuenta el parámetro de desarrollo o en vías de desarrollo y a partir de esto se observará la expectatia de vida, mortalidad infantil, covertura de la inmunización para hepatits B, polio, diphtheria, y también las muertes infantiles relacionadas con VIH.
Se analiza información en 183 paises.
La información ha sido tomada de las siguientes fuentes:
[] https://databank.worldbank.org/home.aspx. [] https://ourworldindata.org/ [] https://www.who.int/data/gho.
View(caso1)
mortalidad2016 <- caso1 %>%
filter(caso1$Year=="2016")
view(mortalidad2016)
minfantil <- mortalidad2016 %>%
select(Country,Cod,Year,Status,Life.expectancy,Infant.deaths,Hepatitis.B,Polio,Diphteria,HIV.AIDS, Homicides)
view(minfantil)
minfantil1 <- minfantil %>%
select(-Country, -Cod, -Year, -HIV.AIDS)Mortalidad infantil en paises desarrollados y paises en desarrollo
expvida <- minfantil %>%
group_by(Status) %>%
summarise(promedios=mean(Infant.deaths, na.rm = TRUE))
expvida## # A tibble: 2 × 2
## Status promedios
## <chr> <dbl>
## 1 Developed 0.442
## 2 Developing 3.86mortinfan <- ggplot(expvida, aes(x=Status, y=promedios))+
geom_bar(stat = "identity", color = "gray", fill = "#e9ecef")+
labs(title = "MORTALIDAD INFANTIL POR CADA 1000 NACIDOS VIVOS")+
theme_dark()
ggplotly(mortinfan)Esta primera parte del análisis nos permite identificar el promedio de la mortalidad infantil en paises desarrollados y en paises en vías de desarrollo, esta tasa se encuentra medida por cada mil nacidos. Esto quiere decir que por cada mil nacidos en paises en vías de desarrollo hay en promedio 3.8 infantes que fallecen en comparación con los paises en desarrollo en los cuales por cada 1000 nacidos se tiene una tasa de mortalidad del 0.4 lo que no alcanza a ser ni siquiera un infante muerto por cada mil nacidos vivos. En conclusión, la tasa de mortalidad promedio de infantes en los paises en vías de desarrollo es 9.5 veces mayor que en paises desarrollados.
Imageninfantes
Expectativa de vida en paises desarrollados y paises en desarrollo
expvidag <- minfantil %>%
group_by(Status) %>%
summarise(promedios=mean(Life.expectancy, na.rm = TRUE))
expvidag## # A tibble: 2 × 2
## Status promedios
## <chr> <dbl>
## 1 Developed 80.4
## 2 Developing 69.2vidaexp <- ggplot(expvidag, aes(x=Status, y=promedios))+
geom_bar(stat = "identity", color = "white", fill="cornflowerblue")+
labs(title = "EXPECTATIVA DE VIDA")+
theme_classic()
ggplotly(vidaexp)El gráfico nos permite identificar el promedio de expectativa de vida en los paises desarrollados y en vías de desarrollo siento este 80.4 y 69.1 respectivamente. Con una diferencia de 11.3 años se evidencia una gran diferencia en expectativa de vida.
Distribución de la mortalidad infantil
mortinfantil <- ggplot (minfantil,
aes(x = Status, y = Infant.deaths)) +
geom_boxplot(color="black", fill="yellow")+
labs(title = "Distribución de la mortalidad infantil")+
theme_minimal()
ggplotly(mortinfantil)En el gráfico anterior se puede observar que la mortalidad infantil en los paises desarrollados es casi nula aunque dos paises están un poco por encima de la mayoría de paises desarrollados lo que se representa con los dos puntos por encima del gráfico de caja de los paises desarrollados, aun así, ni siquiera estos dos paises alcanzan la tasa media de mortalidad infantil en paises en desarrollo.
Cabe resaltar también que entre los paises en vías de desarrollo existen tres paises cuya información de mortalidad infantil es mucho mayor que el resto por lo cual el análisis con el gráfico de cajas los ha ubicado por encima de la gráfica, estos paises tienen tasas que están muy por encima de la media, son valores atípicos dentro de la información que se está analizando.
Distribución de la expectativa de vida
expectativavida <- ggplot (minfantil,
aes(x = Status, y = Life.expectancy)) +
geom_boxplot(color="black", fill="blue", size=0.7, alpha=0.5)+
geom_jitter(color="grey", size=0.7, alpha=1)
labs(title = "Distribución de la expectativa de vida")+
theme_gray()## NULLggplotly(expectativavida)La distribución de la expectativa de vida de los adultos en los paises en desarrollo y en vías de desarrollo muestra claramente cómo la expectativa de vida en los paises desarrollados es superior, cabe resaltar de la observación que el punto mínimo de expectativa de vida en los paises desarrollados es de 74.5 años lo que es casi equivalente al punto máximo de expectativa de vida en los paises en vías de desarrollo que es de 79.8 años.
Mortalidad infantil e inmunizaciones
inmu <- minfantil %>%
group_by(Status) %>%
summarise(promedios=mean(Hepatitis.B, na.rm = TRUE))
inmu## # A tibble: 2 × 2
## Status promedios
## <chr> <dbl>
## 1 Developed 92.5
## 2 Developing 85.4inmuinfo <- ggplot(inmu, aes(x=Status, y=promedios))+
geom_bin_2d (stat = "identity", color = "white", fill= "orange")+
labs(title = "INMUNIZADOS HEPATITIS B")+
theme_bw()
ggplotly(inmuinfo)inmupolio <- minfantil %>%
group_by(Status) %>%
summarise(promedios=mean(Polio, na.rm = TRUE))
inmupolio## # A tibble: 2 × 2
## Status promedios
## <chr> <dbl>
## 1 Developed 94.9
## 2 Developing 85.9inmuinfopolio <- ggplot(inmupolio, aes(x=Status, y=promedios))+
geom_col (stat = "identity", color ="blue", fill = "lightblue")+
labs(title = "INMUNIZADOS POLIO")+
theme_bw()
ggplotly(inmuinfopolio)inmudi <- minfantil %>%
group_by(Status) %>%
summarise(promedios=mean(Diphteria, na.rm = TRUE))
inmudi## # A tibble: 2 × 2
## Status promedios
## <chr> <dbl>
## 1 Developed 94.9
## 2 Developing 85.5inmuinfodip <- ggplot(inmudi, aes(x=Status, y=promedios))+
geom_bar(stat = "identity")+
labs(title = "INMUNIZADOS DIPHTERIA")+
theme_classic()
ggplotly(inmuinfodip)En los gráficos anteriores podemos observan el porcentaje de la población que ha sido inmunizada frente a la Hepatitis B, Polio o Diphteria, concluyendo que, no existe una gran diferencia entre la población inmunizada en los paises desarrollados y los paises en vías de desarrollo, la diferencia es por mucho un 9% de la población, es decir, no podemos concluir que ese porcentaje de diferencia entre los inmunizados o no inmunizados afecte la tasa de mortalidad infantil o la expectativa de vida de los adultos, ya que la mortalidad infantil tiene una relación es 9.5 veces más en los paises en vías de desarrollo.
Mortalidad infantil en casos de VIH
vih <- minfantil %>%
group_by(Status) %>%
summarise(promedios=mean(minfantil$HIV.AIDS, na.rm = TRUE))
vih## # A tibble: 2 × 2
## Status promedios
## <chr> <dbl>
## 1 Developed 0.0188
## 2 Developing 0.0188vihgraf <- ggplot(vih, aes(x=Status, y=promedios))+
geom_bar (stat = "identity", color= "white", fill ="#373987",)+
labs(title = "Muertes por VIH")+
theme_classic()
ggplotly(vihgraf)Teniendo en cuenta la información obtenida se puede indicar que las muertes por VIH en paises desarrollados o en vías de desarrollo no tiene diferencia.
Mortalidad infantil y relación con homicidios en adultos.
gpais <- ggplot(minfantil, aes (x=Infant.deaths, y=Homicides))+
geom_point(color= "red")+
theme_replace()
ggplotly(gpais)La gráfica anterior muestra la relación entre los homicidios y las muertes infantiles, de lo anterior podemos concluir que no existe una relación que nos permita concluir que a mayor tasa de muertes infantibles mayor caso de homicidios, de hecho solo hay una pequeña cantidad de paises en los cuales la tasa de homicidios es superior a 25 personas por cada 100.000 habitantes.
Comparación gráfica de las variables analizadas.
minfantil1 %>%
explore_all (target =Status)
Los gráficos anteriores muestran la relación entre los paises desarrollados y los paises en vías de desarrollo para las diferentes variables analizadas en este análisis de mortalidad infantil.