library(readxl)
library(esquisse)
## New names:
## • `EVM` -> `EVM...2`
## • `EVM` -> `EVM...7`
## # A tibble: 6 × 10
## Country EVM...2 `TMM(000000)` `TMN(000)` Prev_Diabetes EVH EVM...7
## <chr> <dbl> <dbl> <dbl> <chr> <dbl> <dbl>
## 1 AGO 70.7 222 26.6 0_Baja 59.0 64.3
## 2 ALB 49.9 8 7.1 1_Media 74.1 79.2
## 3 ARG 24.9 45 5.1 0_Baja 72.2 78.6
## 4 ARM 24.6 27 5.6 0_Baja 66.6 77.4
## 5 AZE 64.7 41 9.5 0_Baja 65.6 73.3
## 6 BDI 91.5 494 20.4 0_Baja 59.7 63.6
## # ℹ 3 more variables: Prev_anem_inf <chr>, Region <chr>, Income_Group <chr>
EVM: Porcentaje de empleo vulnerable para las mujeres.
TMM: Tasa de mortalidad materna (Cuántas mujeres mueren por cada 1.000 nacimientos)
TMN: Tasa de mortalidad neonatal (Cuántos infantes mueren por cada 1.000 nacimientos)
Prev_Diabetes: En qué nivel está la prevalencia de diabetes en adultos (Mayores de 14 años)
EVH: Esperanza de vida al nacer de los hombres (En años)
EVM: Esperanza de vida al nacer de mujeres (En años)
Prev_Anemia infantil: Cada país registra que porcentaje de infantes sufre anemia.
Región o continente: Principal donde queda registrado cada uno de los países
Income group: Clasificación que hace el banco mundial según el ingreso para cada uno de los países.
library(ggplot2)
ggplot(datos) +
aes(x = Region) +
geom_bar(fill = "#46337E") +
labs(x = "Región", y = "Frecuencia",
title = "Frecuencia de Regiones") +
theme_light() +
theme(plot.caption = element_text(face = "italic"),
axis.title.y = element_text(face = "italic"), axis.title.x = element_text(face = "italic"))
Dentro de los 122 países consultados, se observa que la mayoría de ellos se encuentra en África, representando un 38% de los datos. El segundo continente con mayor presencia de países en la BD, es Asia, con un 19%.
library(ggplot2)
ggplot(datos) +
aes(x = Prev_Diabetes) +
geom_bar(fill = "#B22222") +
labs(x = "Nivel", y = "Frecuencia",
title = "Prevalencia de Diabetes (mayores de 14 años)") +
theme_gray()
Un gran porcentaje de los países (más del 50%), tiende a tener una prevalencia de diabetes baja, es decir, que sus habitantes gozan de buena salud en este aspecto y no es muy común encontrar pacientes con este tipo de enfermedad crónica. Por lo anterior, también se puede plantear que la mayoría de los habitantes de los países consultados, tienen una esperanza de vida alta.
library(ggplot2)
ggplot(datos) +
aes(x = Prev_anem_inf) +
geom_bar(fill = "#4682B4") +
labs(x = "Niveles", y = "Porcentaje (%)",
title = "Porcentaje (%) de Infantes con Anemia") +
theme_bw()
En promedio, un 40% de la población infante de los países consultados, sufre de anemia. La mayoría de los países, tienden a tener una población infante media con anemia, lo que podría significar que al 50% de sus niñ@s requieren de una atención especial en temas de sangre y glóbulos rojos.
library(ggplot2)
ggplot(datos) +
aes(x = Income_Group) +
geom_bar(fill = "#EF562D") +
labs(x = "Clasificación", y = "Frecuencia",
title = "Ingreso por País") +
theme_light()
La mayoría de los países consultados, tienen ingresos promedio medio bajo, lo que podría dar una idea que los territorios son de 3° mundo y están en vía de desarrollo (estos probablemente se ubican en la región de África).
library(summarytools)
descr(datos$EVM...2)
## Descriptive Statistics
## datos$EVM...2
## N: 122
##
## EVM...2
## ----------------- ---------
## Mean 53.38
## Std.Dev 29.79
## Min 1.80
## Q1 26.11
## Median 53.26
## Q3 82.49
## Max 97.93
## MAD 41.74
## IQR 56.06
## CV 0.56
## Skewness -0.09
## SE.Skewness 0.22
## Kurtosis -1.44
## N.Valid 122.00
## Pct.Valid 100.00
boxplot(datos$EVM...2, horizontal = T, col="darkblue",main="EVM (%)")
hist(datos$EVM...2,
main = "Histograma para EVM (%)",
xlab = "Porcentaje (%)",
ylab = "Frecuencia",
col = "darkblue",
border = "black",
breaks = 10)
descr(datos$`TMM(000000)`)
## Descriptive Statistics
## datos$`TMM(000000)`
## N: 122
##
## TMM(000000)
## ----------------- ---------------
## Mean 200.80
## Std.Dev 230.90
## Min 1.00
## Q1 41.00
## Median 114.50
## Q3 264.00
## Max 1223.00
## MAD 136.40
## IQR 222.50
## CV 1.15
## Skewness 2.00
## SE.Skewness 0.22
## Kurtosis 4.56
## N.Valid 122.00
## Pct.Valid 100.00
boxplot(datos$`TMM(000000)`, horizontal = T, col="blue4",main="# Mujeres Muertas X cada 1000 Nacimientos")
hist(datos$`TMM(000000)`,
main = "Histograma para TMM",
xlab = "Número de Mujeres",
ylab = "Frecuencia",
col = "blue4",
border = "black",
breaks = 5)
descr(datos$`TMN(000)`)
## Descriptive Statistics
## datos$`TMN(000)`
## N: 122
##
## TMN(000)
## ----------------- ------------
## Mean 15.91
## Std.Dev 10.03
## Min 0.90
## Q1 7.50
## Median 13.10
## Q3 24.10
## Max 39.60
## MAD 11.27
## IQR 16.55
## CV 0.63
## Skewness 0.49
## SE.Skewness 0.22
## Kurtosis -0.92
## N.Valid 122.00
## Pct.Valid 100.00
boxplot(datos$`TMN(000)`, horizontal = T, col="darkcyan",main="# de Infantes Muertos X cada 1000 Nacimientos")
hist(datos$`TMN(000)`,
main = "Histograma para TMN",
xlab = "Número de Infantes",
ylab = "Frecuencia",
col = "darkcyan",
border = "black",
breaks = 10)
descr(datos$EVH)
## Descriptive Statistics
## datos$EVH
## N: 122
##
## EVH
## ----------------- --------
## Mean 64.98
## Std.Dev 5.95
## Min 50.37
## Q1 60.41
## Median 66.07
## Q3 69.56
## Max 79.08
## MAD 6.24
## IQR 9.11
## CV 0.09
## Skewness -0.35
## SE.Skewness 0.22
## Kurtosis -0.47
## N.Valid 122.00
## Pct.Valid 100.00
boxplot(datos$EVH, horizontal = T, col="blue3",main="Esperanza de Vida")
hist(datos$EVH,
main = "Histograma para EVH",
xlab = "Años",
ylab = "Frecuencia",
col = "blue3",
border = "black",
breaks = 10)
descr(datos$EVM...7)
## Descriptive Statistics
## datos$EVM...7
## N: 122
##
## EVM...7
## ----------------- ---------
## Mean 70.31
## Std.Dev 6.66
## Min 53.07
## Q1 64.94
## Median 72.41
## Q3 75.74
## Max 83.04
## MAD 6.62
## IQR 10.78
## CV 0.09
## Skewness -0.48
## SE.Skewness 0.22
## Kurtosis -0.69
## N.Valid 122.00
## Pct.Valid 100.00
boxplot(datos$EVM...7, horizontal = T, col="cyan3",main="Esperanza de Vida")
hist(datos$EVM...7,
main = "Histograma para EVM",
xlab = "Años",
ylab = "Frecuencia",
col = "cyan3",
border = "black",
breaks = 10)
library(summarytools)
with(datos, stby(EVH,Income_Group,descr,stats = c("min","q1","mean","med","q3","max","sd","cv")))
## Descriptive Statistics
## EVH by Income_Group
## Data Frame: datos
## N: 25
##
## 1_Bajo 2_ Mediano_Bajo 3_Mediano_Alto
## ------------- -------- ----------------- ----------------
## Min 50.84 50.37 55.72
## Q1 57.39 60.40 66.00
## Mean 59.60 64.84 68.07
## Median 59.71 66.10 67.97
## Q3 61.91 69.57 70.29
## Max 70.83 74.88 79.08
## Std.Dev 4.72 5.77 4.51
## CV 0.08 0.09 0.07
boxplot(datos$EVM...7 ~ datos$Income_Group,
horizontal = T,
col=c("orange","green","yellow"),
main="Esperanza de Vida VS Nivel de Ingreso País",
xlab = "Esperanza de Vida Mujeres",
ylab = "Nivel Ingreso País")
Tanto la comparativa de Esperanza de Vida en Hombres (EVH) como el gráfico comparativo de Esperanza de Vida en Mujeres (EVM) con el nivel de ingreso que determinar el BM para cada uno de los países, demuestra que entre mayor nivel económico tiene el país, mayor es la esperanza de vida de sus habitantes. Lo anterior, se puede fundamentar en que los individuos cuenta con mayor cantidad de recursos científicos, educativos y de todo índole, para poder acceder a todas las garantías médicas y de salud, que les garantice una vida más longeva.