ENTREGABLE 1
Daniela Losada Fajardo
2024-06-03
1.IMPORTAR BASE DE DATOS
library(readxl)
Ejemplo <- read_excel("C:/Users/DANIELA LOSADA/Downloads/Base problema 1.xlsx")## New names:
## • `EVM` -> `EVM...2`
## • `EVM` -> `EVM...7`View(Ejemplo)Descripcion de variables: En el presente trabajo se estudiaran 9 variables, de las cuales 4 son de tipo cualitativo y 5 de tipo cuantitativo.Las variables cualitativas seran representadas con graficos circular y de barras y las variables cuantitativas se graficaran con histogramas.
2. GRAFICOS DESCRIPTIVOS
Variables cualitativas
Datos nominales
variable: Región -Tipo de grafico: Circular
pie(table(Ejemplo$Region), main="Distribución de paises por region",col=c("brown","lightgreen","yellow","orange","red"))
Análisis: Esta grafica nos muestra las regiones de procedencia de los países que hacen parte de la muestra de la investigación. El principal dato que nos arroja este grafico es que Oceanía no hace parte de nuestra poblacion, por ende, no todos los países del mundo hacen parte de la muestra utilizada para el estudio. Por otro lado, existe una gran cantidad de países incluidos en nuestra base de datos que hacen parte del continente africano, esto podría influir en los resultados de futuras graficas de las variables estudiadas. Adicionalmente es posible evidenciar que la región que menos participación de países tiene en el estudio es Oriente Medio con 12 países, seguido de Europa con 18 países, América 21, Asia 24 y África 47, esto indica que nuestra muestra se compone de 122 países. La alta frecuencia de países africanos puede ser debido a una posible búsqueda comparativa del comportamiento de una de las regiones más pobres del mundo frente a otras que tienen mejores condiciones, sin embargo, a pesar de que la mayoría de los países son de origen africano, se puede notar que la sumatoria en conjunto de los demás países es superior, por este motivo se espera que algunos resultados sean diversos debido a las diferentes condiciones sociales, políticas, económicos y culturales de cada uno de los países evaluados. Estos resultados los podremos evidenciar y comparar en las futuras graficas. Por otro lado, luego de revisar la lista de países en la base de datos, la mayoría (no todos) de estos hacen parte de los países con vulnerabilidad alta de cada región.
Datos ordinales
Variable: Grupo de ingreso -Tipo de grafico: Barras
barplot(table(Ejemplo$Income_Group),ylab="Cantidad de paises",xlab="Grupo de ingreso",main="Distribución de paises por grupo de ingreso",col=c("lightblue"))
Análisis: En esta grafica se evidencia un mayor número de países con ingresos mediano bajo (51 países), por el contrario, solo 25 de los 122 países hacen parte del ingreso bajo, sin embargo, la diferencia entre la distribución de ingreso mediano_ bajo y Mediano_ alto es solo de 5 países, lo que indica que gran parte de la muestra tiene estos dos niveles de ingreso. Teniendo en cuenta los resultados de la gráfica de región, se podría esperar que el grupo de ingreso sea bajo o mediano bajo ya que estamos estudiando en su mayoría países con condiciones sociales, políticas u económicas precarias. Esto si lo podemos evidenciar con el ingreso Mediano_ bajo ya que lo ocupa el mayor número de países, adicionalmente podemos notar que ninguno de los países tiene un ingreso alto. Por otro lado, algunos países que tiene un ingreso mediano_ alto podrían tener dificultades culturales o sociales inestables mas no económicas y por ello sus ingresos hacen parte de esta distribución. En las posteriores graficas podremos evidenciar las procedencias del ingreso de los países y si estas influyen en las condiciones laborales y sociales de cada uno de ellos.
variable: Prevalencia de Diabetes -Tipo de grafico: Barras
barplot(table(Ejemplo$Prev_Diabetes),main= "Nivel de prevalencia de Diabetes en mayores de 14 años", ylab="cantidad de paises",xlab="nivel de prevalencia",col=c("lightpink"))
Análisis: Se puede evidenciar que la poblacion mayor de 14 años que hace parte de los países estudiados tienen poca posibilidad de tener diabetes, ya que solo 3 países tienen altos niveles de prevalencia de esta enfermedad frente a 93 países que tienen bajos niveles, es decir, la poblacion de al rededor del 80% de países no es propensa a adquirirla, lo cual nos permite decir que la diabetes no es una enfermedad de altos índices de padecimiento. Sin embargo, los tres países que hacen parte del nivel alto de prevalencia de diabetes son Egipto, Isla Mauricio y Pakistán, y se considera que en este ultimo la diabetes es ocasionada por las malas dietas y alimentos ingeridos ya que consumen muchos carbohidratos y arroz, además en este país no cuentan con herramientas necesarias para el monitoreo de glucosa y la precariedad de sistemas sanitarios impide dar un buen tratamiento a las personas que padecen la enfermedad.
variable: Prevalencia de anemia infantil -Tipo de grafico: Barras
barplot(table(Ejemplo$Prev_anem_inf),main= "Prevalencia de anemia infantil",xlab="Nivel de prevalencia",ylab="cantidad de paises",col="lightgreen")
Análisis: Esta enfermedad tiene mayor incidencia en la poblacion de los países estudiados, sin embargo, la mayoría tienen bajos y medios índices de prevalencia.Es importante mencionar que al revisar la base de datos se evidencia que de los 23 países que tienen alta prevalencia de anemia infantil, 21 hacen parte del continente africano, es decir, en estos países los niños son muy propensos a tener anemia. Lo anterior puede ser causado por la desnutrición infantil ya que, según UNICEF, 29 millones de niños menos de 5 años estaban desnutridos en la región en el año 2022, de esta manera la falta de alimentación impide que se produzca energía, nutrientes y vitaminas en los niños que son necesarias para la correcta producción de glóbulos rojos. Por otro lado, la mayor cantidad de países que cuentan con índices medios de prevalencia de anemia infantil son de Asia, mientras que la mayoría de los países con baja tasa son de América, en este sentido se esperaba que en Asia las condiciones mejoraran después de la pandemia ya que en este periodo las cadenas de suministro y entrada de productos alimenticios estuvo en declive, de esta manera, los niños de esta región también pueden estar en peligro de padecer o empeorar esta enfermedad y esto puede ser por el difícil acceso a alimentos y dietas incorrectas.
Variables cuantitativas continuas
Variable: Tasa de empleo vulnerable en mujeres (EVM) -Tipo de grafico: Histograma
hist(Ejemplo$EVM...2,main="Tasa de empleo vulnerable en mujeres (EVM)",ylab="cantidad de paises",xlab="% de EVM",col=c("orange"))
Análisis: El comportamiento de esta grafica es inesperado ya que lo deseado seria que los resultados tuvieran un sesgo positivo, es decir, que existan bajas tasas de empleo vulnerable. Teniendo en cuenta esto, podemos notar que el comportamiento heterogéneo puede deberse a aspectos culturales, económicos o sociales que generan que la población femenina acepte trabajos mal remunerados o que tengan condiciones laborales inestables. También es importante resaltar que este histograma es de tipo bimodal, es decir arroja dos picos, y en este caso el resultado es disperso e impide su correcta revisión. Sin embargo, podemos analizar la frecuencia más alta y baja teniendo en cuenta la base de datos, la cual nos indica que los países que están en el rango de Empleo vulnerable en mujeres entre el 80% y 90% provienen de África, esto puede ser gracias a la discriminación de género que hay en el continente, lo que provoca que las mujeres no tengan opciones laborales dignas ya que por ejemplo la mayoría de ellas trabajan durante 16 o 18 horas diarias a cambio de un sueldo mal remunerado. Por otro lado, la falta de conocimientos y analfabetismo de la población impide que las mujeres accedan a empleos con buenas remuneraciones y condiciones, a causa de esto, solo pueden trabajar en empleos relacionados a la agricultura. También en este intervalo porcentual de empleo vulnerable se ubica Haití como país americano y otros 5 países de Asia. Finalmente, es posible evidenciar que en comparación con el porcentaje más alto de la gráfica, en el más bajo hay solo 8 países con muy bajas tasas de empleo vulnerable y sus países provienen de Europa, Oriente medio y solo uno de África (Sudáfrica), regiones que no están presentes en la tendencia más elevada de EVM.
Variable: Tasa de mortalidad de materna (TMM) -Tipo de grafico: Histograma
hist(Ejemplo$`TMM(000000)`,main="Mortalidad materna",ylab="cantidad de paises",xlab="Numero de muertes",col="pink")
Análisis: Lo primero que debemos tener en cuenta al evaluar esta grafica es que el numero arrojado se determina por cada 100.000 nacimientos. Estaa grafica tiene un sesgo positivo, ya que la mayoria de sus datos se concentran en los porcentajes mas bajos de muertes y disminuyen en los mas altos. En este sentido, los resultados obtenidos son positivos ya que se espera que en la actualidad con ayuda de la tecnología y formación pertinentes se lleven a cabo partos y servicios de salud a madres de manera adecuada y con buenas garantías. Es un dato alentador ya que en la mayoría de países de nuestro estudio por cada 100.000 nacimientos mueren solo entre 0 a 200 mujeres en el trabajo de parto, a pesar de que es una tasa baja, se debe trabajar por disminuirla lo mayor posible anualmente con ayuda de políticas públicas y campañas de salud, que incluyan a todas las mujeres embarazas y garanticen un acompañamiento seguro y de calidad para llevar monitoreo de su embarazo, además de formular o mejorar las vías de acceso a educación sexual. Es importante analizar los comportamientos inusuales que se salen del promedio de nuestros resultados, en este caso, hay 7 países que presentan un numero de entre 600 a 1400 muertes maternas y estos provienen de África, el número más alto es 1223 muertes ocupado por Sudan del Sur que es también uno de los países con más muertes maternas en el mundo. La cifra anterior se debe a un factor político y social, basado en la falta de infraestructura y sistemas de salud que permitan llevar a cabo correctamente los procedimientos gestacionales, de esta manera, ser madre en Sudan del Sur es un reto que lleva a cabo dificultades de atención en centros médicos ya que los que existen son alejados y las mujeres deben ser atendidas por parteras. Además, en algunas ocasiones los grupos armados impiden el paso por las aguas de la región y de igual manera las condiciones de infraestructura impiden el desplazamiento hacia el centro de salud. Para finalizar, también es posible decir que el país que menos muertes maternas por cada 100.000 nacimientos es Bielorrusia, y aquellos que presentan muertes de entre 1 -20 son países europeos.
Variable: Tasa de mortalidad neonatal (TMN) -Tipo de grafico: Histograma
hist(Ejemplo$`TMN(000)`,main="Tasa de mortalidad neonatal(TMN)",ylab="cantidad de paises",xlab="% de TMN",col="yellow")
Análisis: Esta gráfica representa el porcentaje de niños fallecidos antes de los 28 dias de nacidos por cada 100 nacimientos. Esta puede considerarse de sesgo positivo, sin embargo los datos están dispersos lo que impide que se clasifiquen correctamente. Se puede decir que en 66 países la tasa de mortalidad natal está entre 0 y 15% que podrían considerarse las tasas mas bajas con mayor frecuencia, en este sentido, mas de la mitad de los países estudiados tienen estos promedios. Cabe resaltar que el resto de países no tiene un porcentaje tan alto en comparación con los países anteriormente clasificados, ya que ningun país cuenta con tasas superiores al 40%. Al igual que en la grafica anterior, Bielorrusia ocupa el primer lugar en cuanto a la tasa más baja de mortalidad neonatal (0.9%) dentro de la lista de los países estudiados, seguido de Montenegro con un 1%. Los países que tienen los porcentajes más bajos provienen de Europa, en comparación con las tasas altas de entre 20 y 40% que en su mayoría provienen de África. Sudan del Sur vuelve a tomar la posición mas alta con un 39.6 % de muertes neonatales al igual que en la grafica anterior, y las causas estan asociadas al mismo fenómeno social y político relacionado a la mala infraestructura que impide acceso al centro de salud, que implica que los nacimientos se lleven a cabo por parteras con asistencia y procedimientos riesgosos, además de que las madres no siempre tienen buena alimentación y atención durante el embarazo lo que genera dificultades en los primeros dias de vida de los nacidos. Por el lado de Bielorrusia es posible decir que el país ha tenido avances significativos durante los últimos años convirtiéndose en un país moderno, su sistema de salud es público lo que facilita su acceso.
Variable: Esperanza de vida en hombres -Tipo de grafico: Histograma
hist(Ejemplo$EVH,main="Esperenza de vida en hombres (EVH)",ylab="cantidad de paises",xlab=" Edades",col="lightblue")
Análisis: Se puede considerar que esta grafica es de sesgo negativo y cuenta con dos datos diferenciales que se refieren a solo dos países con tasas de esperanza de vida en hombres muy altas, estos son China y Maldivas con 75 años y 79 años respectivamente. Algunos de los factores que determinan la esperanza de vida en un país son el desarrollo económico, el sistema de salud y los estilos de vida, de esta manera, es posible afirmar que China cuenta con sistemas médicos avanzados que facilitan el manejo de enfermedades, a su vez, su desarrollo económico ha permitido disminuir la pobreza y aumentar el acceso a educación y hábitos de salud adecuada, promoviendo los altos índices de esperanza de vida en este país. Lo anterior se menciona ya que China es el país con mayor esperanza de vida en cada genero dentro de los países estudiados. Cabe resaltar que los resultados son medianamente buenos ya que en la esperanza de vida promedio entre los países de nuestra muestra es de 65% y 70% el cual no es un dato alejado del porcentaje de China que es el país con esperanza de vida en hombres más alto. Adicionalmente, África sigue siendo la región de los países que presentan las tasas mas bajas de este indicador.
Variable: Esperanza de vida en mujeres -Tipo de grafico: Histograma
hist(Ejemplo$EVM...7,main="Esperanza de vida en mujeres (EVM)",ylab="cantidad de paises",xlab="Edades",col="pink")
Analisis: Mas de la mitad de países estudiados tienen una tasa de esperanza de vida en mujeres de entre 70 y 80 años, un indicador mayor que el de la grafica anterior relacionada a los hombres, en este sentido, la poblacion femenina de los 122 países tiene mayor esperanza de vida que la poblacion masculina. Al igual que la gráfica anterior, China y Maldivas con edades de 81 años ocupan los dos primeros puestos de esperanza de vida femenina más altos seguidos de Tailandia con 83.0%. Los dos países con esperanza de vida más bajos (52 y 50) son Nigeria y Chad, que hacen parte de los países mas pobres del mundo. La esperanza de vida en mujeres es mayor a la del sexo opuesto a nivel mundial, esto se debe a la composición genética de cada sexo, la ocupación y comportamientos y sus estilos de vida. Los indicadores mas bajos mencionados anteriormente provienen de África y sus causas tienen que ver con las situaciones sociales, económicas y políticas del continente, el cual, padece crisis territoriales, conflictos armados, deterioro sanitario, enfermedades graves y pocas posibilidades de ingreso poblacional, impidiendo que la poblacion logre años de vida superiores a 55 o 60 años con condiciones dignas.
3. MEDIDAS NUMERICAS RESUMEN Y BOXPLOT
Tasa de empleo vulnerable en mujeres (EVM)
library(summarytools)## Warning: package 'summarytools' was built under R version 4.3.2descr(Ejemplo$EVM...2)## Descriptive Statistics
## Ejemplo$EVM...2
## N: 122
##
## EVM...2
## ----------------- ---------
## Mean 53.38
## Std.Dev 29.79
## Min 1.80
## Q1 26.11
## Median 53.26
## Q3 82.49
## Max 97.93
## MAD 41.74
## IQR 56.06
## CV 0.56
## Skewness -0.09
## SE.Skewness 0.22
## Kurtosis -1.44
## N.Valid 122.00
## Pct.Valid 100.00boxplot(Ejemplo$EVM...2,horizontal = T, col="purple",main="Distribucion de EVM",xlab="% de EVM")
Análisis: Estas medidas numéricas determinan que los datos tienen comportamientos muy heterogéneos ya que el Coeficiente de Variación (CV) es igual a 0.56 o 56%. Lo anterior puede decir que hay posibilidad de tener datos atípicos, sin embargo al revisar el Rango intercuartílico (IQR) mediante los limites superior e inferior podemos decir que no hay datos atípicos, ya que al realizar Li= Q1 -1.5 (IQR) y Ls= Q3 + 1.5 *(IQR) obtenemos lo siguiente:
Li= 26.11 -1.5*(56.06) = -57.98 < IQR; es decir, no hay datos atípicos
Ls= 82.49 + 1.5*(56.06) = 166.58 > IQR; es decir, no hay datos atípicos
El nivel de asimetría nos indica que la gráfica es simétrica ya que As= -0.09, valor cercano y casi igual a 0, sin embargo al ver el histograma de esta varaible, este comportamiento no se evidencia, mas bien tiende a ser una gráfica bimodal. Adicionalmente esta grafica es platicúrtica porque K= -1.44 es decir, es menor a 3.
Tasa de mortalidad materna (TMM)
descr(Ejemplo$`TMM(000000)`)## Descriptive Statistics
## Ejemplo$`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 100.00boxplot(Ejemplo$`TMM(000000)`,horizontal = T, col="pink",main="Distribucion de TMM",xlab="% de TMM")
Análisis: Los datos de la variable de tasa de mortalidad materna tiene un comportamiento muy heterogéneo ya que el CV= 115%. Los limites superior e inferior demuestran lo siguiente:
Li= 41.00 -1.5*(222.50) = -292.75 < IQR ; es decir, hay datos atípicos
Ls= 264.00 + 1.5*(222.50) = 597.75 > IQR
Teniendo en cuenta lo anterior, en esta grafica se muestran datos atípicos los cuales representan a 7 países africanos ( República centroafricana, Guinea Bissau, Liberia, Nigeria, Somalia, Sudan del Sur, Chad) que tienen números de muertes maternas muy superiores a las muertes promedio. También es posible notar que la gráfica tiene una asimetría de 2.00, es decir es de sesgo positivo y su forma es leptocúrtica porque su curtosis (K) = 4.56, es decir, mayor a 3.
Tasa de mortalidad neonatal (TMN)
descr(Ejemplo$`TMN(000)`)## Descriptive Statistics
## Ejemplo$`TMN(000)`
## N: 122
##
## TMN(000)
## ----------------- ------------
## Mean 15.91
## Std.Dev 10.03
## Min 0.90
## Q1 7.50
## Median 13.10
## Q3 24.10
## Max 39.60
## MAD 11.27
## IQR 16.55
## CV 0.63
## Skewness 0.49
## SE.Skewness 0.22
## Kurtosis -0.92
## N.Valid 122.00
## Pct.Valid 100.00boxplot(Ejemplo$`TMN(000)`,horizontal = T, col="purple",main="Distribucion de TMN",xlab="% de TMN")
Análisis: La grafica es de sesgo positivo ya que As= 0.49, muy cercana a 0 y su forma es platicúrtica porque la curtosis es de -0.92 (<0). Su coeficiente de variación es de 0.63- 63% lo que la hace tener un comportamiento muy heterogéneo. Sus limites superior e inferior son:
Li: 7.50 -1.5*(16.55) = -17.32 < IQR ; no hay datos atípicos
Ls: 24.10 + 1.5*(16.55) = 48.92 > IQR ; no hay datos atípicos
Esperanza de vida en hombres (EVH)
descr(Ejemplo$EVH)## Descriptive Statistics
## Ejemplo$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 100.00boxplot(Ejemplo$EVH,horizontal = T, col="pink",main="Distribucion de EVH",xlab="Edades")
Análisis: El coeficiente de variación de esta grafica es 0.09 o 9%, lo cual nos indica que en comparación con las anteriores, esta si presenta un comportamiento muy homogéneo. Es decir los datos se concentran en un rango muy similar. A pesar de que no se muestra datos atípicos en el boxplot, es posible decir que si los hay, estos se refieren a 2 países que tienen tasas muy altas de esperanza de vida en hombres ( China y Maldivas) en comparación con el promedio arrojado. Esto se pudo determinar ya que:
Li: 60.41 -1.5*(9.11) = 46.74 > IQR ; hay datos atípicos
Ls: 69.56 + 1.5*(9.11) = 83.22 > IQR
Adicionalmente es posible decir que los datos tienen un sesgo negativo ya que As= -0.35, es decir, la mayoría de sus datos se concentran en el lado derecho. Su curtosis es = -0.47 lo que le determina una forma platicurtica.
Esperanza de vida en mujeres (EVM)
descr(Ejemplo$EVM...7)## Descriptive Statistics
## Ejemplo$EVM...7
## N: 122
##
## EVM...7
## ----------------- ---------
## Mean 70.31
## Std.Dev 6.66
## Min 53.07
## Q1 64.94
## Median 72.41
## Q3 75.74
## Max 83.04
## MAD 6.62
## IQR 10.78
## CV 0.09
## Skewness -0.48
## SE.Skewness 0.22
## Kurtosis -0.69
## N.Valid 122.00
## Pct.Valid 100.00boxplot(Ejemplo$EVM...2,horizontal = T, col="purple",main="Distribucion de EVM",xlab="Edades")
Análisis: Esta grafica es de sesgo negativo ya que su simetría es menor a 0 (-0.48), su curtosis es -0.69, es decir tiene forma platicurtica. Sus limites inferior y superior son:
Li: 64.94 -1.5*(10.78) = 48.77 > IQR ; hay datos atípicos
Ls: 75.74 + 1.5*(10.78) = 91.91 > IQR
Lo anterior permite determinar que existen datos atípicos que no son mostrados en el boxplot, estos se refieren a 3 países (China, Maldivas y Tailandia) que también tienen altos porcentajes de esperanza de vida en mujeres en comparación con el indicador promedio. También pueden considerarse datos atípicos dos países que por el contrario tienen tendencias muy bajas de EVM los cuales son Nigeria y Chad. Los 5 países anteriormente mencionados se encuentran en cada uno de los extremos del eje. Cabe resaltar que el comportamiento de esta grafica es muy homogéneo ya que su coeficiente de variación es de 0.009 = 9%
4. MEDIDAS DE RESUMEN NUMERICAS Y BOXPLOT COMPARATIVOS POR GRUPO DE INGRESO
Tasa de empleo vulnerable en mujeres (EVM)
library(summarytools)
with(Ejemplo,stby(EVM...2,Income_Group,descr))## Descriptive Statistics
## EVM...2 by Income_Group
## Data Frame: Ejemplo
## 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 100.00 100.00 100.00library(ggplot2)
ggplot(Ejemplo) +
aes(x = "", y = EVM...2) +
geom_boxplot(fill = "#7AB0DC") +
labs(
y = "% de EVM",
title = "Distribucion de EVM "
) +
theme_light() +
theme(
plot.title = element_text(size = 22L,
face = "bold",
hjust = 0.5),
axis.title.y = element_text(size = 14L,
face = "bold")
) +
facet_wrap(vars(Income_Group))
Análisis: En este grafico comparativo es posible notar la relación entre la tasa de empleo vulnerable en mujeres y el grupo de ingreso de los países estudiados. Se muestra que entre mayor sea el ingreso del país, menor es la tasa de empleo vulnerable en mujeres y viceversa. La mayor cantidad de paises tiene un nivel de ingreso mediano bajo y tasas de EVM promedio de 59%, alejándose completamente de la tasa mas baja perteneciente a un país de ingreso mediano alto (1.8%). Se pueden evidenciar 4 datos atípicos, 3 de ellos son Siria, Sudan y Yemen con 11.3%, 61.4% y 69.6% respectivamente, estos pertenecen al grupo de ingreso bajo. De esta manera es posible decir que a pesar de su ingreso, Siria tiene un nivel de empleo vulnerable en mujeres muy bajo, casi similar al de paises con ingresos Mediano alto. Una de las causas de esto puede deberse a la situación posguerra ocurrida en Siria, la cual implicó la muerte, desaparición y desplazamiento de hombres al participar en la guerra. Esto provocó que las mujeres en Siria pasaran de ser trabajadoras domésticas con restricciones a ser trabajadoras fuera del hogar, alcanzando ser lideres de comunidades y pasando a asumir empleos masculinos y de mayor formalidad, ya que han adquirido el papel de cabeza de familia y las ofertas de trabajo que antes eran ocupadas por hombres en empresas con condiciones laborales dignas han sido trasferidas a las mujeres. En este sentido, este dato atípico se debe a la igualdad de género en el ámbito laboral que presenta siria gracias a la posguerra.Por otro lado, existe un dato atípico dentro del grupo de ingreso Mediano alto y este se refiere a Guinea Ecuatorial, país que cuenta con riquezas de petróleo y gas siendo el mayor promotor de ingresos ( a esto puede deberse su ingreso mediano alto). A pesar de esto, se considera que su población es pobre y las mujeres se encargan de trabajos rurales y agrícolas. Adicionalmente en este país si existe la brecha laboral de género, en el que se clasifican trabajos para hombres y mujeres excluyendo en su mayoría a estas ultimas, esto demuestra su alto nivel de EVM.
Tasa de mortalidad materna (TMM)
with(Ejemplo,stby(`TMM(000000)`,Income_Group,descr))## Descriptive Statistics
## TMM(000000) by Income_Group
## Data Frame: Ejemplo
## N: 25
##
## 1_Bajo 2_ Mediano_Bajo 3_Mediano_Alto
## ----------------- --------- ----------------- ----------------
## Mean 449.08 200.00 66.76
## Std.Dev 284.32 199.03 60.15
## Min 30.00 17.00 1.00
## Q1 267.00 59.00 21.00
## Median 399.00 135.00 58.00
## Q3 547.00 261.00 96.00
## Max 1223.00 1047.00 227.00
## MAD 200.15 139.36 55.60
## IQR 280.00 191.00 71.75
## CV 0.63 1.00 0.90
## Skewness 1.03 1.87 1.13
## SE.Skewness 0.46 0.33 0.35
## Kurtosis 0.66 4.48 0.52
## N.Valid 25.00 51.00 46.00
## Pct.Valid 100.00 100.00 100.00library(ggplot2)
ggplot(Ejemplo) +
aes(x = "", y = `TMM(000000)`) +
geom_boxplot(fill = "#7DC67D") +
labs(y = "% de TMM",
title = "Distribucion de tasa de mortalidad materna ") +
theme_light() +
theme(plot.title = element_text(size = 22L,
face = "bold", hjust = 0.5), axis.title.y = element_text(size = 14L, face = "bold")) +
facet_wrap(vars(Income_Group))
Análisis: Se demuestra una relación entre la tasa de mortalidad materna y el ingreso por país. La mayoría de paises que tienen ingresos bajos, tienen a su vez las tasas mas altas de muertes maternas. Se puede evidenciar 2 datos atípicos dentro de este primer grupo, estos se refieren a Sudan del Sur y Chad. Estos dos tienen tasas muy alejadas de la media del ingreso bajo (449.08) ya que Sudan del Sur tiene 1223 muertes maternas y Chad 1063 por cada 100.000 nacimientos. Adicionalmente es posible notar que los datos de los tres grupos de ingreso son muy heterogéneos, es decir, estos se ubican muy lejos de la media lo que dificulta una predicción equilibrada de los resultados. También es posible decir que los paises de ingresos bajos y mediano bajos tienen un máximo dato de muertes maternas muy elevado en comparación con el ingreso alto que tiene como mayor número de muertes 227. Los tres grupos de ingreso tienen sesgo positivo y el primer y ultimo ingreso tienen forma mesocúrtica, mientras que el ingreso mediano bajo tiene forma leptocúrtica. En el ingreso mediano bajo y mediano alto encontramos 5 datos atípicos, dos de ellos en el ingreso mediano alto, estos corresponden a Namibia y Gabón que son aquellos con tasas mas altas en este grupo de ingreso. Lo anterior se debe a problemáticas sanitarias que son precarias a pesar de que el país tiene un alto ingreso proveniente de la producción de madera y la riqueza petrolera. De esta manera, la pobreza en Gabón es una problemática social muy presente en el país, las mujeres no reciben atención temprana y muchas de ellas padecen enfermedades como la malaria, VIH/ Sida que pueden ser causa de su muerte. Adicionalmente el país cuenta con pocos trabajadores de la salud entre ellos pocas parteras que no logran atender la totalidad de pacientes
Tasa de moralidad neonatal
with(Ejemplo,stby(`TMN(000)`,Income_Group,descr))## Descriptive Statistics
## TMN(000) by Income_Group
## Data Frame: Ejemplo
## N: 25
##
## 1_Bajo 2_ Mediano_Bajo 3_Mediano_Alto
## ----------------- -------- ----------------- ----------------
## Mean 25.94 17.36 8.84
## Std.Dev 7.69 9.08 6.19
## Min 8.20 3.90 0.90
## Q1 20.40 9.50 4.70
## Median 26.50 16.00 7.10
## Q3 31.90 24.30 10.80
## Max 39.60 39.40 28.50
## MAD 8.60 10.67 4.89
## IQR 11.50 14.05 6.03
## CV 0.30 0.52 0.70
## Skewness -0.47 0.47 1.27
## SE.Skewness 0.46 0.33 0.35
## Kurtosis -0.39 -0.77 1.21
## N.Valid 25.00 51.00 46.00
## Pct.Valid 100.00 100.00 100.00library(ggplot2)
ggplot(Ejemplo) +
aes(x = "", y = `TMN(000)`) +
geom_boxplot(fill = "#7B97C9") +
labs(y = "% de TMN",
title = "Distribucion de tasas de mortalidad neonatal ") +
theme_light() +
theme(plot.title = element_text(size = 22L,
face = "bold", hjust = 0.5), axis.title.y = element_text(size = 14L, face = "bold")) +
facet_wrap(vars(Income_Group))
Análisis: Es posible afirmar que los tres ingresos tienen un comportamiento muy heterogéneo, sin embargo el ingreso bajo es el menos heterogéneo entre ellos ya que tiene un coeficiente de variación de 30% en comparación con los demás ingresos que tienen 52% y 70% respectivamente. Por otro lado, el segundo y tercer grupo de ingreso tienen sesgo positivo mientras que el primero tiene sesgo negativo, es decir, los datos de este ultimo se concentran en el lado derecho de la grafica o se alejan del 0. En el ingreso mediano alto encontramos 3 datos atípicos que se tratan de Guinea Ecuatorial, Namibia y Gabón, paises pertenecientes al continente africano. Se considera que los altos ingresos de estos paises provienen de su riqueza natural y minera, por ejemplo, Guinea Ecuatorial posee grandes recurso de gas y petróleo, Namibia recursos mineros como diamantes y uranio y finalmente Gabón que es fuerte exportador de petróleo, madera y manganeso. A pesar de la riqueza que tienen estos paises en comparación con otros africanos, su nivel de pobreza es muy alto. Lo anterior se debe a problemáticas sociales y políticas características de cada país, en las cuales predominan la corrupción y desvíos de ingresos que no son distribuidos públicamente. Lo anterior genera inversión solamente en proyectos de interés privado, olvidando así los planes que requieren inversión para la atención de la población tales como el acceso a la salud. Es por este motivo que las muertes neonatales tienen una alta incidencia como en casi la mayoría de los paises africanos, esto se debe a las malas prácticas y atención hacia las madres durante sus embarazos que impiden que los nacidos culminen mas de un mes de vida. A esto se le suma la incapacidad de acceso a agua potable, adquisición de enfermedades y mala infraestructura que impiden que las madres y los niños tengan un desarrollo adecuado. De esta manera es posible notar que los recursos e ingresos de los paises son invertidos en proyectos diferentes a los que realmente pueden erradicar este tipo de dificultades asociadas en su mayoría a la falta de atención y violación de los derechos de salud de mujeres y niños.
Esperanza de vida en hombres
with(Ejemplo,stby(EVH,Income_Group,descr))## Descriptive Statistics
## EVH by Income_Group
## Data Frame: Ejemplo
## 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 100.00 100.00 100.00library(ggplot2)
ggplot(Ejemplo) +
aes(x = "", y = EVH) +
geom_boxplot(fill = "#79D279") +
labs(y = "Edades", title = "Distribucion de esperanza de vida en hombres ") +
theme_light() +
theme(plot.title = element_text(size = 22L, face = "bold", hjust = 0.5), axis.title.y = element_text(size = 14L,
face = "bold")) +
facet_wrap(vars(Income_Group))
Análisis: En esta variable encontramos que los tres ingresos tienen un comportamiento muy homogéneo, lo que significa que sus datos se concentran cerca al valor de la media siendo esto un buen indicador. Cabe resaltar que los dos últimos ingresos presentan sesgos negativos mientras que el primer ingreso (bajo) es simétrico. En el caso del ingreso bajo, es posible notar que la edad promedio de vida en los hombres es 59 años, sin embargo existen dos datos atípicos que se refieren a Siria y Pakistán los cuales tienen esperanza de vida en hombres alta a pesar de su bajo ingreso. A pesar, de que en el ingreso mediano alto la media o promedio de años de vida en hombres es de 68 años, encontramos 5 datos atípicos que están muy alejados de esta, el país asiático Maldivas es el que mas se aleja de la media ya que el genero masculino de su población vive aproximadamente 79 años. Por el contrario Namibia, Sudáfrica, Botswana y Guinea Ecuatorial presentan índices muy bajos de esperanza de vida en hombres respecto a la media. Los 4 paises mencionados anteriormente presentan problemas sociopolíticos que impiden que su población masculina tenga largos años de vida, esto ocurre ya que en estos paises la salud no es un tema de importancia para los gobiernos, a pesar de que reciben buenos ingresos generados por su riqueza natural lo que les permite estar en el ranking de paises con ingreso mediano alto de la muestra del estudio. La exposición a enfermedades presentadas en gran medida en África (malaria, Sida, fiebre tifoidea), el bajo acceso a alimentos de calidad y agua potable son las principales amenazas a la esperanza de vida en estos paises, las cuales impiden que los hombres tengan buena calidad de vida y mayor longevidad.
Esperanza de vida en mujeres
with(Ejemplo,stby(EVM...7,Income_Group,descr))## Descriptive Statistics
## EVM...7 by Income_Group
## Data Frame: Ejemplo
## 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 100.00 100.00 100.00library(ggplot2)
ggplot(Ejemplo) +
aes(x = "", y = EVM...7) +
geom_boxplot(fill = "#778FBA") +
labs(y = "Edades", title = "Distribucion de esperanza de vida en mujeres") +
theme_light() +
theme(plot.title = element_text(size = 22L, face = "bold", hjust = 0.5), axis.title.y = element_text(size = 14L,
face = "bold")) +
facet_wrap(vars(Income_Group))
Análisis: En esta grafica los tres ingresos presentan comportamientos muy homogéneos, también se evidencia que el ingreso bajo es el único simétrico. En comparación con la gráfica anterior, mientras el máximo nivel de EVH era de 79 años, el de mujeres es 83 años y esta característica comparativa se presenta en los tres ingresos. En el ingreso mediano alto se encuentran 4 datos atípicos que corresponden nuevamente a los mismos 4 paises africanos mencionados en el análisis anterior (EVH) que están por debajo de la media de EVM de este ingreso (74 años). Las causas de estos resultados son las mismas relacionadas a los problemas de pobreza y desigualdad en estos territorios, que están asociados a la mala distribución e inversión de los ingresos de su país y la mala calidad de vida relacionada a la ineficiencia de servicios de salud, alimentación y necesidades básicas. Todo esto genera que su población femenina también sea víctima de padecer enfermedades, consumir agua y alimentos insalubres y ser parte de conflictos regionales que también pueden ser causa de su corta etapa de vida.
5 COMENTARIOS FINALES
Los resultados que se evidenciaron realizando las gráficas y sus respectivos análisis por variable permiten encontrar similitudes y diferencias entre aquellos que marcaron “anormalidades” en cada una de ellas. En este sentido, se pudo notar que la gran cantidad de paises africanos que hacen parte de la muestra si influyeron en la realización de análisis estadísticos y de contexto, ya que varios de ellos eran los que generaban resultados o datos atípicos debido a características sociales, políticas, culturales y económicas que los asemejaban. También se pudo notar las diferencias de cada variable entre aquellos paises procedentes de regiones con mas avances y desarrollo en comparación con aquellos que todavía presentan condiciones de vulnerabilidad, siendo estos últimos los que mayor incidencia tuvieron en los resultados más desfavorables. Por ejemplo, Sudan del Sur, Chad, Nigeria, Gabón y Namibia fueron algunos de los paises con índices que se encuentran por debajo lo esperado en algunas variables, ya que se esperaría tener mejores indicadores que aseguren que con las nuevas tecnologías, aperturas económicas, participación ciudadana entre otros, se puedan mejorar los índices de problemáticas sociales tales como; tipos de empleo, enfermedades (diabetes y anemia), calidad de vida, acceso a necesidades básicas y sobre todo, garantía de los derechos de las poblaciones a nivel mundial.
6. BIBLIOGRAFÍA
[1] Partha. A. (2021). Niños de Gabon. Humanium
[2] Embajada de Guinea Ecuatorial. (s.f). Economia.
[3] El Pais. (2023). El reto de dar a luz en medio de las inundaciones de Sudan del Sur.
[4] DW.(2020). Siria: Mujeres ausmen el trabajo masculino.
[5] ONU desarrollo.(2016). El dia a dia de las mujeres en Siria.
[6] Bonet, E.(2022). Mujeres sirias que rompen barreras de genero liderando campos de refugiados. France 24.
[7] BBC news. (2019). ¿Por qué las mujeres viven mas que los hombres?.
[8] Accion contra el hambre. (s.f). Esperanza de vida en Africa: una realidad paralela a la nuestra.
[9] Programa de las Naciones Unidas para el Desarrollo.(2023). Maria Jose Ngui:” No me toman enserio por ser mujer y joven, pero sigo luchando”.