Inequidad factor que trasciende desde el dinero a la vida
Contexto: El objetivo del estudio es analizar datos sobre la expectiva de vida de los paises que reportan a la OMS. La medicion esta dada en la media de la cantidad de años que vive una determinada poblacion.
year <- subset(WHO, Year== 2018)
ggplot(year, aes(x= Status)) +
geom_bar(fill='#DD3A17') +
labs(title = "Distribucion de paises en la muestra", x = "Tipo de estado del pais", y = "Cantidad")
Los hallazgos del estudio realizado para el 2018 encuentra que la riqueza de un pais es determinante para la medicion del periodo de vida de sus habitantes. Los paises desarrollados al contar con una mayor riqueza y acceso a mejores tratamientos de salud estan desequilibrando la balanza a aquellos paises en via de desarrollo o emergentes que padecen el dia a dia de ausencia de un sistema de salud que mitigue enfermedades y en algunos casos la violencia arrasa con la poblacion.
exp_develop<- subset(year, Status=="Developed")
promyear_devp<- mean(exp_develop$Life.expectancy)
promyear_devp<-round(promyear_devp, 0)
exp_developing<- subset(year, Status=="Developing")
promyea_devping<- mean(exp_developing$Life.expectancy)
promyea_devping<-round(promyea_devping, 0)
Si usted tiene la fortuna de nacer en un pais desarrollado en promedio puede esperar vivir hasta los 81 años, y si por el contrario nace en un pais en via de desarrollo el promedio esta en 70 años.
min_year<- subset(year, Life.expectancy <72)
count_min<- min_year %>% arrange(Life.expectancy) %>%
select(Country, Life.expectancy, Status) %>%
filter(Life.expectancy<= 58.5)
count_min
## # A tibble: 10 × 3
## Country Life.expectancy Status
## <chr> <dbl> <chr>
## 1 Central African Republic 52.8 Developing
## 2 Lesotho 53.7 Developing
## 3 Chad 54.0 Developing
## 4 Sierra Leone 54.3 Developing
## 5 Nigeria 54.3 Developing
## 6 Somalia 57.1 Developing
## 7 Cote d'Ivoire 57.4 Developing
## 8 South Sudan 57.6 Developing
## 9 Guinea-Bissau 58.0 Developing
## 10 Equatorial Guinea 58.4 Developing
max_year<- subset(year, Life.expectancy >82.7 )
count_max<- max_year %>% arrange(Life.expectancy) %>%
select(Country, Life.expectancy, Status) %>%
filter(Life.expectancy>= 82.7)
ggplot(count_min, aes(x= reorder(Country,-Life.expectancy), fill= Status, y= Life.expectancy)) +
geom_bar(stat = "identity") +
labs(title = "Paises con menor expectativa de vida", x = "Paises", y = "Expectativa de vida")+ coord_flip()
ggplot(count_max, aes(x= reorder(Country,Life.expectancy), fill= Status, y= Life.expectancy)) +
geom_bar(stat = "identity") +
labs(title = "Paises con mayor expectativa de vida", x = "Paises", y = "Expectativa de vida")+ coord_flip()
En las gráficas se puede observar los 10 primeros y últimos países donde se indica la cantidad de años promedio que vive su población. Los resultados muestran la enorme disparidad entre países desarrollados y en vía de desarrollo. El panorama no es alentador debido a que los primeros seguirán aumentando la brecha con respecto a los segundos.
El llamado es a sumar esfuerzos globales con el objetivo de equilibrar la balanza. La tecnología como propulsor de desarrollo. En un planeta conectado, los virus y bacterias viajan en avión. El cambio climático golpea más fuerte a los países del trópico, todos estos factores parecen estar frenando la senda del crecimiento.
En un mundo ideal se espera que las tasas de fertilidad sean directamente proporcionales al producto interno bruto de su población. A medida que sus habitantes incrementen sus ingresos se espera que empiecen a considerar organizar una familia.
De acuerdo con un estudio realizado por estudiantes de la maestría de analítica de negocios de la Universidad Pontificia Javeriana Cali. Los resultados fueron contundentes y la evidencia muestra los contrario.
estudio<- year %>% select(Status, GDP, Fertility)
estudio
## # A tibble: 183 × 3
## Status GDP Fertility
## <chr> <dbl> <dbl>
## 1 Developing 494. 4.33
## 2 Developing 3290. 5.55
## 3 Developing 5284. 1.71
## 4 Developing 43839. 1.72
## 5 Developing 11633. 2.26
## 6 Developing 4220. 1.6
## 7 Developing 16673. 2.03
## 8 Developed 57355. 1.83
## 9 Developed 51478. 1.52
## 10 Developing 4740. 2.04
## # ℹ 173 more rows
graf_estudio<- ggplot(estudio, aes(x= Fertility, y= GDP, color= Status)) +
geom_point(size =2, alpha=1) +
labs(title = "Comparacion entre la tasa de fertilidad y el producto interno bruto")
ggplotly(graf_estudio)
En la siguiente grafico se tabularon en el eje x la fertilidad (Numero de niños que una mujer puede procrear en edad reproductiva) y en el eje y GDP (Gross domestic product o producto interno bruto) Discriminados donde los puntos color rojos corresponden a países desarrollados y los de color azul países en vía de desarrollo.
La tendencia es clara en la grafica y es que la fertilidad se concentra en países con producto interno bruto bajo y en su mayoría están en vía de desarrollo. Los resultados obtenidos son alarmantes, debido a que se carecen de los recursos necesarios para proveer a los infantes los nutrientes, salud y educación necesaria para una calidad de vida digna. Por lo tanto se genera una espiral descendente donde cada vez más personas nacen en poblaciones marginales reduciendo su expectativa de vida como se menciona en el párrafo anterior.
Una de las razones que explican estos resultados es la diferencia en la educación que reciben las personas en países desarrollados en comparación con el resto. Conscientes de las implicaciones que demanda el nacimiento de nuevos hijos, cada vez más jóvenes deciden aplazar o reducir el numero de integrantes de la familia. Adicionalmente con basto acceso instituciones de salud y orientaciones sobre diferentes métodos anticonceptivos los coloca en una posición de ventaja frente a un joven ubicado en un país en vía de desarrollo y bajos ingresos.
El objetivo del siguiente analisis es evaluar si existe alguna correlacion que pueda explicar el comportamiento o la relacion entre los homicidios (No de homicidios por cada 100.000 habitantes) y el VIH (muertes por VIH por cada 1.000 nacimientos 0-4 años). A continuacion se grafica en el eje “X” muertes por VIH y en el eje “Y” homicidios. Se pretende revisar si existe un relacion donde a mayor muertes por VIH se incrementa la tasas de homicidios.
corr_HIV<- cor(WHO$HIV.AIDS, WHO$Homicides)
mortalidad<- WHO %>% select(HIV.AIDS, Homicides, Status, Year, Country)
mortalidad<- na.omit(mortalidad)
figura1 <- mortalidad %>%
plot_ly(
x = ~HIV.AIDS,
y = ~Homicides,
color = ~Status,
frame = ~Year,
text = ~Country,
hoverinfo = "text",
type = 'scatter',
mode = 'markers'
)
figura1 <- figura1 %>% layout(xaxis = list(type = "log"))
figura1
Se ejecuta el cálculo de la correlación entre las dos variables donde se encuentra que es de 0.0478416. Por lo tanto permite inferir que la relación es muy débil o no hay correlación.
Como se muestra en la gráfica de dispersión, es posible evidenciar a simple vista que no hay un patrón de tendencia y que los homicidios no se pueden relacionar con las muertes por VIH.
Una hipótesis que podría explicar este suceso es que los homicidios se relacionan más hacia la pobreza y nivel sobre el nivel de desarrollo de un país mientras que las muertes por VIH se asocia la cultura de la población afectando tanto a países desarrollados como emergentes.
¿Es posible que los años de escolaridad se relacione con la expectativa de vida de una población?
A continuación se evaluará las cómo se relaciona las variables de expectativa de vida (medido en años de una población) y la escolaridad (medido en numero de años de escolaridad). En la grafica se muestra la dispersión entre estas dos variables a través de los años disponibles en los datos.
table1<- WHO
figura2 <- table1 %>%
plot_ly(
x = ~Schooling,
y = ~Life.expectancy,
color = ~Status,
frame = ~Year,
text = ~Country,
hoverinfo = "text",
type = 'scatter',
mode = 'markers'
)
figura2 <- figura2 %>% layout(xaxis = list(type = "log"))
figura2
table2<- na.omit(table1)
corr_school<- cor(table2$Schooling, table2$Life.expectancy)
Como se puede apreciar en la grafica hay fuertes patrones de relación entre la expectativa de vida y años de escolaridad. Ejecutando el calculo obtenemos un valor de correlación de: 0.7864019.
Por lo tanto, partiendo del supuesto de relación lineal de estas dos variables podemos ejecutar un modelo que permita realizar predicciones sobre la expectativa de vida que puede esperar una población si logra acceder a una cantidad n de años de escolaridad.
table1<- WHO
table2<- na.omit(table1)
modelo1 <- lm(Life.expectancy ~ Schooling, table2)
summary(modelo1)
##
## Call:
## lm(formula = Life.expectancy ~ Schooling, data = table2)
##
## Residuals:
## Min 1Q Median 3Q Max
## -12.777 -3.209 1.499 3.461 7.444
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 58.1796 0.9487 61.32 <2e-16 ***
## Schooling 1.6638 0.1082 15.38 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 4.452 on 146 degrees of freedom
## Multiple R-squared: 0.6184, Adjusted R-squared: 0.6158
## F-statistic: 236.6 on 1 and 146 DF, p-value: < 2.2e-16
cat("El modelo presenta una alta representividad debido a que el valor de R es considerablemente elevado")
## El modelo presenta una alta representividad debido a que el valor de R es considerablemente elevado
shapiro.test(modelo1$residuals)
##
## Shapiro-Wilk normality test
##
## data: modelo1$residuals
## W = 0.93921, p-value = 5.271e-06
lillie.test(modelo1$residuals)
##
## Lilliefors (Kolmogorov-Smirnov) normality test
##
## data: modelo1$residuals
## D = 0.16701, p-value = 7.013e-11
cat("Los valores de P en las pruebas de confibilidad salieron bastante representativos sobre el modelo planteado")
## Los valores de P en las pruebas de confibilidad salieron bastante representativos sobre el modelo planteado
lineal<- select(table2, Life.expectancy, Schooling)
rl<- cor(lineal)
ggcorrplot(rl)
cat("Se puede evidenciar en la grafica de correlación que es considerable en el estudio de las variables")
## Se puede evidenciar en la grafica de correlación que es considerable en el estudio de las variables
ggcorrplot(rl,
hc.order = TRUE,
type = "lower",
lab = TRUE)
cat("En la grafica se muestra la pendiente ajustada a los datos")
## En la grafica se muestra la pendiente ajustada a los datos
visreg(modelo1, "Schooling", gg = TRUE)
cat("A continuacion se muestra los calculos realizados para probar el modelo")
## A continuacion se muestra los calculos realizados para probar el modelo
bptest(modelo1)
##
## studentized Breusch-Pagan test
##
## data: modelo1
## BP = 2.4029, df = 1, p-value = 0.1211
plot(modelo1)
De acuerdo con los valores obtenidos es posible inferir que el modelo presenta un grado de confiabilidad considerable. Con el valor de R representativo y los valor “p” cercanos a cero, los intercepto y el valor de la pendiente, se plantea la ecuación de la línea recta que mejor representa la relación entre expectativa de vida y escolaridad.
modelo1$coefficients
## (Intercept) Schooling
## 58.179597 1.663823
B_0<-modelo1$coefficients[1]
B_1<-modelo1$coefficients[2]
datatest<- data.frame(Schooling= c(6,8,10,12,15,9,3,2,19))
cat("Las prediciones para un país que presente los siguientes años de escolaridad 6, 8, 10, 12, 15, 9, 3, 2, 19 años, la expectativa de vida esperada es de:", round(predict(modelo1, datatest),0))
## Las prediciones para un país que presente los siguientes años de escolaridad 6, 8, 10, 12, 15, 9, 3, 2, 19 años, la expectativa de vida esperada es de: 68 71 75 78 83 73 63 62 90