EVM: porcentaje de empleo vulnerable para las mujeres
TMM:Tasa de mortalidad materna:cuántas mujeres mueren por 1000000 dando a luz.
TMN Tasa de mortalidad neonata:cuántos nacidos mueren por cada 1000 nacimientos.
Prev_diabetes: En qué nivel está la prevalencia de diabetes en adultos (en mayores de 14 años).
EVH: esperanza de vida al nacer de los hombres ( en años).
EVM: esperanza de vida al nacer de las 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.
#Grafica Basicas
Región o continente: Cualitativa- Nominal Diagrama circular
Prev_diabetes: Cualitativa- ordinal Diagrama de barras
Prev_anemia infantil:Cualitativa- ordinal Diagrama de barras
Income Group: Cualitativa- ordinal Diagrama de barras
EVM: Numérico- Discreta- Razón Histograma
TMM:Tasa de mortalidad materna: Numérico- Continua- Razón Histograma
TMN: Tasa de mortalidad neonatal Numérico- Continua- Razón Histograma
EVH: Numérico- Continua- Razón Histograma
EVM:Numérico- Continua- Razón Histograma
Histogramas
OBSERVACIÓN 1 : la instrucción que vamos a colocar a continuación siempre se debe incluir en cualquier documento tipo Markdown que se elabore
OBSERVACIÓM 2: Esta instrucción debe modificarse si cambiamos de compuntador
library(readxl)
ejemplo_1 <- read_excel("ejemplo 1.xlsx")
## New names:
## • `EVM` -> `EVM...2`
## • `EVM` -> `EVM...7`
View(ejemplo_1)
Variable: Región Gráfico a utilizar Circular
pie(table(ejemplo_1$Region),main= "Distribucion de paises por region",col=c("blue","green","orange","yellow","red"))
En el diagrama circular de la variable Región, se observa que la mayoría de los países incluidos en el estudio son de África, mientras que una minoría proviene de Oriente Medio, hablando en términos de salud las variables con estos dos países podrían ser altas. Por otra parte, podemos observar que la región de Oceanía no se encuentra en el estudio a pesar de haber 122 países en la muestra.
barplot(table(ejemplo_1$Income_Group),ylab= "Cantidad de paises",xlab= "Grupo de ingreso",main="Distribución de países por grupo de ingreso",col="blue")
Al analizar el diagrama de barras de la variable Income_Group podemos destacar que la mayoría de los países clasificados según el Banco Mundial pertenecen al grupo de ingresos Medio Bajo, es decir que tiene un nivel de ingreso per cápita que se sitúa por debajo del promedio mundial, los países de África al ser la mayoría por región, pueden estar en el rango de ingreso Medio Bajo y en el ingreso Bajo, pero en el ingreso Medio Alto la region de Africa tiene muy poca signifancia a diferencia de Europa, Asia y América.
barplot(table(ejemplo_1$Prev_Diabetes),ylab= "Cantidad de países",xlab= "Prevalencia de diabetes",main="Países con prevalencia de diabetes",col="purple")
Al analizar el diagrama de barras relacionado con la variable Pre_Diabetes (mayor de 14 años), se destaca que la prevalencia de diabetes en la mayoría de los países es significativamente baja. Lo que sugiere la posibilidad de una efectividad significativa en las políticas de salud pública y la promoción de estilos de vida saludables en dichos países. Sin embargo, en el caso específico de África, donde la prevalencia se sitúa en un rango de baja a media, es crucial considerar factores adicionales. Puede ser que exista un acceso limitado a la atención pública, lo que se traduce en un subdiagnóstico o falta de tratamiento adecuado para las personas afectadas. Por otro lado, las prácticas dietéticas y el estilo de vida tradicionales podrían estar contribuyendo a mantener la prevalencia en este intervalo.
barplot(table(ejemplo_1$Prev_anem_inf),ylab= "Cantidad de países",xlab= "Prevalencia de Anemia Infantil",main="Países con prevalencia de Anemia Infantil",col="red")
Al analizar el diagrama de barras relacionado con la variable Pre_Anemia Infantil, se destaca que la prevalencia de anemia infantil en la mayoría de los países se sitúa en el rango medio. Esto contrasta con la variable previa, donde la prevalencia en diabetes estaba mayoritariamente en el rango bajo. En este caso, la incidencia de anemia en infantes se ve considerablemente afectada por este problema, destacando una preocupante situación. Es notable observar que regiones como África y Asia son las más afectadas por este fenómeno, haciendo enfásis en la implementacion de medidas de salúd pública que puedan ayudar a reducir y mejorar la salud de los infantes en estos países.
Histograma
hist(ejemplo_1$EVM...2, main ="Distribución EVM",ylab= "cantidad de países",xlab= "porcentaje EVM", col= "orange")
En el histograma de la variable Porcentaje de Empleo Vulnerable para las Mujeres (EVM), se evidencia la ausencia de un patrón de comportamiento claro, lo cual sugiere que la aplicación de inferencia clásica puede no ser precisa o adecuada para este tipo de variables.
hist(ejemplo_1$`TMN(000)`, main ="Distribución TMN",ylab= "cantidad de países",xlab= "porcentaje TMN", col= "yellow")
En el histograma de la Tasa de Mortalidad Neonatal (TMN), se observa que auqnue el patron de comportamiento es un poco cofuso hay un posible sesgo positivo en su distribución. Este hallazgo sugiere la viabilidad de aplicar técnicas de inferencia clásica, como la construcción de intervalos de confianza o pruebas de hipótesis, para analizar esta variable con mayor profundidad
hist(ejemplo_1$`TMM(000000)`, main ="Distribución TMM",ylab= "cantidad de países",xlab= "porcentaje TMM", col= "green")
En el histograma de la Tasa de Mortalidad Materna (TMM), se observa que hay un posible sesgo positivo en su distribución. Este hallazgo sugiere la viabilidad de aplicar técnicas de inferencia clásica, como la construcción de intervalos de confianza o pruebas de hipótesis, para analizar esta variable con mayor profundidad.
hist(ejemplo_1$EVH, main ="Distribución EVH",ylab= "cantidad de países",xlab= "porcentaje EVH", col= "pink")
En el histograma de la Esperanza de vida al nacer de los hombres (EVH), se observa que hay una posible distribución normal. Este hallazgo sugiere la viabilidad de aplicar técnicas de inferencia clásica, como la construcción de intervalos de confianza o pruebas de hipótesis, para analizar esta variable con mayor profundida
hist(ejemplo_1$EVM...7, main ="Distribución EVM",ylab= "cantidad de países",xlab= "porcentaje EVM", col= "blue")
En el histograma de la Esperanza de vida al nacer de las muejeres (EVM), se observa que hay un posible sesgo negativo en su distribución. Este hallazgo sugiere la viabilidad de aplicar técnicas de inferencia clásica, como la construcción de intervalos de confianza o pruebas de hipótesis, para analizar esta variable con mayor profundida
library(summarytools) #Activar la libreria
descr(ejemplo_1$EVM...2) #Muestra todas las medidas
## Descriptive Statistics
## ejemplo_1$EVM...2
## N: 122
##
## EVM...2
## ----------------- ---------
## Mean 53.38
## Std.Dev 29.79
## Min 1.80
## Q1 26.11
## Median 53.26
## Q3 82.49
## Max 97.93
## MAD 41.74
## IQR 56.06
## CV 0.56
## Skewness -0.09
## SE.Skewness 0.22
## Kurtosis -1.44
## N.Valid 122.00
## Pct.Valid 100.00
En la variable del Porcentaje de Empleo Vulnerable para las Mujeres (EVM), La media de 53.38 y la mediana de 53.26 tienen un comportamiento simétrico, el coeficiente de variación es del 56% siendo muy heterogéneo es decir que puede que haya datos atípicos.Para identificar posibles datos atípicos, se utiliza el rango intercuartílico (IQR), que en este caso es de 56.06. Al aplicar la regla del 1.5 IQR, se establece un límite inferior de -57.98 y un límite superior de 166.58. Sin embargo, al revisar los valores mínimos y máximos de los datos, que son 1.80 y 97.93 respectivamente, no se encuentran datos atípicos en ninguna de las extremidades de la distribución. Por otro lado, el AS es de -0.09 lo que nos indica que se acerca a 0 es decir es simétrico, y el coeficiente de kurtosis siendo -1,44 nos indica que es menor a tres es decir platicúrtico
boxplot(ejemplo_1$EVM...2,horizontal=T,col="orange",main="Distribucion de TEV", xlab="Porcentaje EVM")
El Boxplot de la variable EVM es que la media de 53.38 y la mediana de 53.26 tienen un comportamiento simétrico, el coeficiente de variación es del 56% siendo muy heterogéneo es decir que puede decir que haya datos atípicos dentro del conjunto de datos, cuando esto ocurre se utiliza la localización (1.5 IQR) IQR=56.06 para el límite inferior que es -57.98 y el mínimo es de 1.80 no hay datos atípicos, y superior que es 166.58 y el máximo es de 97.93 es decir tampoco hay datos atípicos
descr(ejemplo_1$`TMN(000)`)#Muestra todas las medidas
## Descriptive Statistics
## ejemplo_1$`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
En la variable de Tasa de Mortalidad Neonatal (TMN), se observa un comportamiento aparente de sesgo positivo. La media es de 15.91, superando a la mediana que es de 13.10. Además, el coeficiente de variación, que es del 63%, señala una alta heterogeneidad en los datos, indicando la presencia de datos atípicos.Para identificar posibles datos atípicos, se utiliza la regla del rango intercuartílico (IQR), con un valor de 16.55, donde se establece un límite inferior de -17.3 y un límite superior de 48.92 (aplicando la regla del 1.5 IQR). Sin embargo, se observa que los valores mínimos y máximos de los datos, 0.90 y 39.60 respectivamente,lo cual representa que no hay datos atípicos.Por otro lado, el Sesgo (AS) es de 0.49, indicando un sesgo positivo mayor que cero. Además, el coeficiente de kurtosis es -0.92, indicando que es menor a tres, es decir, la distribución es platicúrtica. En resumen, la TMN muestra un sesgo positivo, heterogeneidad y una distribución platicúrtica
boxplot(ejemplo_1$`TMN(000)`,horizontal=T,col="yellow",main="Distribución de TEV", xlab="Porcentaje TMN")
En el boxplot se observa que, la línea de la mediana se desplaza hacia la izquierda. Además, se nota que en los extremos, los bigotes del boxplot exhiben una longitud desproporcionadamente mayor hacia la derecha. Este patrón visual refuerza la presencia de un sesgo positivo, como previamente fue mencionado.
descr(ejemplo_1$`TMM(000000)`)#Muestra todas las medidas
## Descriptive Statistics
## ejemplo_1$`TMM(000000)`
## N: 122
##
## TMM(000000)
## ----------------- ---------------
## Mean 200.80
## Std.Dev 230.90
## Min 1.00
## Q1 41.00
## Median 114.50
## Q3 264.00
## Max 1223.00
## MAD 136.40
## IQR 222.50
## CV 1.15
## Skewness 2.00
## SE.Skewness 0.22
## Kurtosis 4.56
## N.Valid 122.00
## Pct.Valid 100.00
En la variable de Tasa de Mortalidad Materna (TMM), se observa un comportamiento aparente de sesgo positivo. La media es de 200.80, superando a la mediana que es de 114.50. Además, el coeficiente de variación, que es del 115%, señala una alta heterogeneidad en los datos, indicando la presencia de datos atípicos.Para identificar posibles datos atípicos, se utiliza la regla del rango intercuartílico (IQR), con un valor de 220.50, donde se establece un límite inferior de -292.75 y un límite superior de 597.75 (aplicando la regla del 1.5 IQR). Sin embargo, se observa que los valores mínimos y máximos de los datos, 1.00 y 1223.00 respectivamente,lo cual representa que no hay datos atípicos en el límite inferior pero sí en el límite superior. Por otro lado, el Sesgo (AS) es de 2.00, indicando un sesgo positivo mayor que cero. Además, el coeficiente de kurtosis es 4.56, indicando que es mayor a tres, es decir, la distribución es leptocurtíco. En resumen, la TMN muestra un sesgo positivo, heterogeneidad y una distribución leptocurtíca.
boxplot(ejemplo_1$`TMM(000000)`,horizontal=T,col="green",main="Distribución de TEV", xlab="Porcentaje TMM")
En el boxplot se observa que, la línea de la mediana se desplaza hacia la izquierda, lo que indica que hay una mayor concentración de datos en las colas. Además, se nota que en los extremos, los bigotes del boxplot exhiben una longitud desproporcionadamente mayor hacia la derecha. Este patrón visual refuerza la presencia de un sesgo positivo.
descr(ejemplo_1$EVH)#Muestra todas las medidas
## Descriptive Statistics
## ejemplo_1$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
En la variable de Esperanza de vida los hombres (EVH), se observa un comportamiento aparente de sesgo negativo. la mediana que es de 66.07 supera la media de 64.98. Además, el coeficiente de variación, que es del 9%, señala una alta homogeneidad en los datos, indicando que no hay presencia de datos atípicos.
boxplot(ejemplo_1$EVH,horizontal=T,col="pink",main="Distribución de TEV", xlab="Porcentaje EVH")
En el boxplot se observa que, la línea de la mediana se desplaza hacia la derecha, lo que indica que hay una mayor concentración de datos en el lado derecho y más dispersos en la izquierda. Además, se nota que en los extremos, los bigotes del boxplot exhiben una longitud desproporcionadamente mayor hacia la izquierda. Este patrón visual refuerza la presencia de un sesgo negativo.
descr(ejemplo_1$EVM...7)#Muestra todas las medidas
## Descriptive Statistics
## ejemplo_1$EVM...7
## N: 122
##
## EVM...7
## ----------------- ---------
## Mean 70.31
## Std.Dev 6.66
## Min 53.07
## Q1 64.94
## Median 72.41
## Q3 75.74
## Max 83.04
## MAD 6.62
## IQR 10.78
## CV 0.09
## Skewness -0.48
## SE.Skewness 0.22
## Kurtosis -0.69
## N.Valid 122.00
## Pct.Valid 100.00
En la variable de Esperanza de vida de mujeres (EVM), se observa un comportamiento aparente de sesgo negativo. la mediana que es de 72.41 supera la media de 70.31. Además, el coeficiente de variación, que es del 9%, señala una alta homogeneidad en los datos, indicando que no hay presencia de datos atípicos.
boxplot(ejemplo_1$EVM...7,horizontal=T,col="blue",main="Distribución de TEV", xlab="Porcentaje EVM")
En el boxplot se observa que, la línea de la mediana se desplaza hacia la derecha, lo que indica que hay una mayor concentración de datos en el lado derecho y más dispersos en la izquierda. Además, se nota que en los extremos, los bigotes del boxplot exhiben una longitud desproporcionadamente mayor hacia la izquierda. Este patrón visual refuerza la presencia de un sesgo negativo.
#Uso de la libreria esquisse
library(ggplot2)
ggplot(ejemplo_1) +
aes(x = Prev_Diabetes) +
geom_bar(fill = "#F569FF") +
labs(x = "Nivel de prevalencia ",
y = "Cantidad de paìses ", title = "Distribuciòn de prevalencia de diabetes ") +
theme_bw() +
theme(plot.title = element_text(size = 19L,
face = "bold", hjust = 0.5), axis.title.y = element_text(size = 16L), axis.title.x = element_text(size = 16L))
library(ggplot2)
ggplot(ejemplo_1) +
aes(x = "", y = `TMN(000)`) +
geom_boxplot(fill = "#112446") +
theme_bw() +
facet_wrap(vars(Income_Group))
library(ggplot2)
ggplot(ejemplo_1) +
aes(x = "", y = `TMN(000)`, fill = Income_Group) +
geom_boxplot() +
scale_fill_hue(direction = 1) +
labs(title = "distribucion TMN") +
theme_minimal() +
facet_wrap(vars(Region))
Al utilizar la biblioteca ‘esquisse’, se destaca en el segundo gráfico la tasa de mortalidad neonatal (TMN) en distintos grupos de ingresos. Se observa que en el estrato de ingreso Mediano_bajo existe una tasa de fallecimiento de bebés más elevada. Teniendo en cuenta que la región con mayor cantidad de datos es África, se puede inferir que en esta región la tasa de mortalidad es alta en comparación con otras regiones.
En el tercer gráfico, se presenta la tasa de mortalidad neonatal (TMN) en distintas regiones. Aquellas que resaltan más en el grupo de ingreso Mediano_Bajo son África, Asia y América, mientras que en el rango Bajo sobresalen África y Oriente Medio.
library(summarytools)
with(ejemplo_1,stby(EVM...2,Income_Group, descr))
## Descriptive Statistics
## EVM...2 by Income_Group
## Data Frame: ejemplo_1
## N: 25
##
## 1_Bajo 2_ Mediano_Bajo 3_Mediano_Alto
## ----------------- -------- ----------------- ----------------
## Mean 84.16 59.23 30.16
## Std.Dev 17.88 25.90 18.82
## Min 11.34 3.39 1.80
## Q1 82.49 38.41 15.90
## Median 89.60 69.34 26.22
## Q3 92.22 81.38 43.72
## Max 97.93 97.08 88.10
## MAD 4.96 23.52 20.06
## IQR 9.73 41.27 27.31
## CV 0.21 0.44 0.62
## Skewness -2.76 -0.52 0.74
## SE.Skewness 0.46 0.33 0.35
## Kurtosis 8.22 -1.03 0.26
## N.Valid 25.00 51.00 46.00
## Pct.Valid 100.00 100.00 100.00
library(summarytools)
with(ejemplo_1,stby(EVH,Income_Group, descr))
## Descriptive Statistics
## EVH by Income_Group
## Data Frame: ejemplo_1
## N: 25
##
## 1_Bajo 2_ Mediano_Bajo 3_Mediano_Alto
## ----------------- -------- ----------------- ----------------
## Mean 59.60 64.84 68.07
## Std.Dev 4.72 5.77 4.51
## Min 50.84 50.37 55.72
## Q1 57.39 60.40 66.00
## Median 59.71 66.10 67.97
## Q3 61.91 69.57 70.29
## Max 70.83 74.88 79.08
## MAD 3.44 6.24 3.29
## IQR 4.52 8.70 4.26
## CV 0.08 0.09 0.07
## Skewness 0.29 -0.50 -0.35
## SE.Skewness 0.46 0.33 0.35
## Kurtosis 0.08 -0.53 0.64
## N.Valid 25.00 51.00 46.00
## Pct.Valid 100.00 100.00 100.00
library(summarytools)
with(ejemplo_1,stby(EVM...7,Income_Group, descr))
## Descriptive Statistics
## EVM...7 by Income_Group
## Data Frame: ejemplo_1
## N: 25
##
## 1_Bajo 2_ Mediano_Bajo 3_Mediano_Alto
## ----------------- -------- ----------------- ----------------
## Mean 63.86 69.78 74.40
## Std.Dev 5.26 6.30 4.49
## Min 54.28 53.07 62.73
## Q1 61.35 65.02 72.66
## Median 62.79 70.36 74.82
## Q3 67.13 75.50 77.24
## Max 75.74 79.50 83.04
## MAD 5.45 7.62 3.22
## IQR 5.78 9.51 4.36
## CV 0.08 0.09 0.06
## Skewness 0.40 -0.50 -0.93
## SE.Skewness 0.46 0.33 0.35
## Kurtosis -0.14 -0.50 0.85
## N.Valid 25.00 51.00 46.00
## Pct.Valid 100.00 100.00 100.00