set.seed(123)  # Para generar datos aleatorios consistentes

estados <- c("Alabama", "Alaska", "Arizona", "Arkansas", "California", "Colorado", "Connecticut", 
             "Delaware", "Florida", "Georgia", "Hawaii", "Idaho", "Illinois", "Indiana", "Iowa", 
             "Kansas", "Kentucky", "Louisiana", "Maine", "Maryland", "Massachusetts", "Michigan", 
             "Minnesota", "Mississippi", "Missouri", "Montana", "Nebraska", "Nevada", "New Hampshire", 
             "New Jersey", "New Mexico", "New York", "North Carolina", "North Dakota", "Ohio", 
             "Oklahoma", "Oregon", "Pennsylvania", "Rhode Island", "South Carolina", "South Dakota", 
             "Tennessee", "Texas", "Utah", "Vermont", "Virginia", "Washington", "West Virginia", 
             "Wisconsin", "Wyoming")

Introducción

En EE. UU la seguridad víal presenta grandes fallas debido al consumo de alcohol, ya que eeste es el causante de constante accidentes de transito donde se encuentra involucrado el consumo de alcohol. Conducir bajo un estado de alicoramiento no solo perjudica la salud de la persona, también, se ponen en riesgo otras vidas que al final, no tienen la culpa de la irresponsabilidad de los demás, pero aún así, terminando pagando las consecuencias de sus actos.

En el análisis estadístico que se realizará a lo largo de este proyecto, se estudiarán diferentes variables, que nos van a permitir tener identificar cuales son los estados que presentan un mayor consumo en EE. UU, para poder realizar análisis bivariados, la relación entre el consumo de alcohol y las muertes al volante por el mismo, la correlación entre variables, etc. Se realizarán intervalos de confianza y pruebas de hipótesis para validar los resultados y obtener así, valores más precisos sobre las diferentes problematicas a las que se enfrentan.

Objetivos

Objetivo General

El objetivo de este proyecto es evaluar las tasas de muertes por accidentes de transido donde se ve involucrado el consumo de alcohol en EE.UU. en el 2024, lo cual nos permitirá identificar si es necesario implementar nuevas políticas de salud pública, analizando así, posibles patrones, para posteriormente poder sugerir estrategias de prevención y lograr reducir el número de muertes que se relacionan con la irresponsabilidad de las personas.

Objetivos Específicos

Caracterizar un análisis de frecuencia y gráficos para evaluar la relación entre el consumo de etanol per cápita y la tasa de consumo excesivo entre los estados de EE. UU, identificando los estados con mayor nivel de consumo.
Comparar la correlación medidas de tendencia central y dispersión para el consumo de alcohol per cápita y las muertes por accidentes de tránsito relacionados con alcohol.
Identificar la relación lineal entre el consumo de alcohol per cápita y el porcentaje de muertes por accidentes de tránsito relacionadas con el mismo.

Bases de datos

El conjunto de datos trabajado a lo largo de este proyecto, nos permite realizar un análisis estadístico y para poder así, visualizar algunos patrones relacionados con en el consumo de alcohol per cápita y sus consecuencias a nivel estatal.

Gráficas de Análisis Univariado de Variables Cuantitativas

1. Histograma y Boxplot donde se visualiza la distribución del consumo del alcohol per cápita

hist(Datos$`Gallons of Ethanol per Capita`, 
     col = "#f85a69", 
     xlab = "Gallons of Ethanol per Cápita", 
     main = "",
     xlim = c(min(Datos$`Gallons of Ethanol per Capita`, na.rm = TRUE), 
              max(Datos$`Gallons of Ethanol per Capita`, na.rm = TRUE)))

boxplot(Datos$`Gallons of Ethanol per Capita`, 
        col = "#f85a69", 
        horizontal = TRUE, 
        xlab = "Gallons of Ethanol per Capita", 
        main = "",
        ylim = c(min(Datos$`Gallons of Ethanol per Capita`, na.rm = TRUE), 
                 max(Datos$`Gallons of Ethanol per Capita`, na.rm = TRUE)))

Descripción: Estos gráficos se puede observar de forma notoria la presencia de una distribución asimétrica positiva, donde se presenta una notable concentración de datos alrededor de los 2 a 3 galones de etanol per cápita, adicional a esto, nos indican la presencia de algunos valores atípicos con consumos mucho más elevados, permitiendo evidenciar así, una gran variabilidad entre los estados que tienen un consumo notablemente alto y los que tienen un consumo más moderado.

2. Boxplot del Consumo de Alcohol.

ggplot(Datos, aes(y = `Gallons of Ethanol per Capita`)) +
  geom_boxplot(fill="#78ebe2") +
  labs(y = "Gallons of Ethanol per Cápita") +
  theme_minimal()

Descripción: El gráfico presenta una distribución más o menos central, en donde la mayoría de los estados se mantienen en un rango de consumo entre los 2 a 3 gallones de etanol, sin embargo, hay presencia de valores atípicos, los cuales están sobre los 4 galones de etanol per cápita, esto nos indica que algunos de los estados estudiados presentan un mayor consumo de etanol en comparación a los otros.

Esto nos permite observar los extremos que se presentan en el consumo de alcohol per cápita, el cual, puede estar ligado a diferentes factores como sociales o incluso, culturales.

3. Boxplot de las Muertes por Consumo de Alcohol

ggplot(Datos, aes(y = `Driving Fatalities Involving Alcohol (Percentage)`)) +
  geom_boxplot(fill="#91ce50") +
  labs(y = "Driving Fatalities Involving Alcohol (%)") +
  theme_minimal()

Descripción: Este gráfico nos muestra la tasa de muertes relacionadas con el consumo de etanol es alrededor del 25% y 30% en los diferentes estados, sin embargo, hay presencia de un valor atípico mayor al 40% el cual nos indica que uno de los 50 estados de EE. UU presenta un mayor grado de mortalidad en accidentes de transito donde el alcohol se ve involucrado.

La fatalidad de estos accidentes incrementa la inseguridad víal, por lo que se debe tener en cuenta los resultados para poder identifcar el problema principal, como la falta de regularización y así se podrá realizar algo respecto al problema principal.

Análisis Bivariado

1. Relación entre tasa de consumo excesivo y las muertes de consumo per cápita y las muertes

plot(Datos$`Excessive Drinking rate (Percentage)`,Datos$`Driving Fatalities Involving Alcohol (Percentage)`, xlab="Excessive Drinking rate",ylab="Driving Fatalities Involving Alcohol")

Descripción: La gráfica representa la relación entre el consumo de alcohol per cápita y las muertes relacionadas es esencial para comprender la magnitud del problema.

En este diagrama de dispersión se puede observar una correlación moderada entre las variables de muertes al volante relacionadas con el consumo de alcohol al volante y el consumo excesivo del mismo. Se puede evidenciar que hay unos valores más altos, lo que nos indica que, en el caso de esos estados, la tasa de mortalidad de mucho más alta.

2. Relación entre el Consumo de Alcohol y Muertes Relacionadas

ggplot(Datos, aes(x = `Gallons of Ethanol per Capita`, y = `Driving Fatalities Involving Alcohol (Percentage)`)) +
  geom_point(color = "#1b1521") +
  geom_smooth(method = "lm", se = FALSE, color = "#EB1003") +
  labs( x = "Gallons of Ethanol per Cápita", y = "Driving Fatalities Involving Alcohol (%)") +
  theme_minimal()

Descripción: En esta gráfica se puede observar la relación positiva entre el consumo de etanol per cápita y las muertes relacionadas con el mismo, por ende, a medida que va aumentando el consumo de etanol, también lo hace el porcentaje de muertes en accidentes de tránsito donde este se encuentra involucrado.

3. Boxplot del Consumo de Alcohol según la Tasa de Consumo Excesivo (>15%)

Datos$porc = ifelse(Datos$`Excessive Drinking rate (Percentage)` > 15, 1, 0)

boxplot(Datos$`Gallons of Ethanol per Capita` ~ Datos$porc, main = "", 
        xlab = "Excessive Drinking rate > 15% (1=Yes, 0=No)", 
        ylab = "Gallons of Ethanol per Capita", col = "#005bc5")

Descripción: En estos gráficos se puede ver la comparación entre ambos, donde uno representa una tasa de consumo mayor a 15% y otro con una tasa mayor o igual al 15%, donde se logra evidenciar que mientras aumenten las personas que beben en mayor cantidad alcohol, también aumenta el consumo excesivo del mismo.

Análisis estadísticos

1. Indicadores estadísticos

indicadores <- Datos %>%
  summarize(
    Media_del_Consumo = mean(`Gallons of Ethanol per Capita`, na.rm = TRUE),
    Mediana_del_Consumo = median(`Gallons of Ethanol per Capita`, na.rm = TRUE),
    Desviacion_Estandar_del_Consumo = sd(`Gallons of Ethanol per Capita`, na.rm = TRUE),
    Minimo_del_Consumo = min(`Gallons of Ethanol per Capita`, na.rm = TRUE),
    Maximo_del_Consumo = max(`Gallons of Ethanol per Capita`, na.rm = TRUE),
    Media_de_Muertes = mean(`Driving Fatalities Involving Alcohol (Percentage)`, na.rm = TRUE),
    Mediana_de_Muertes = median(`Driving Fatalities Involving Alcohol (Percentage)`, na.rm = TRUE),
    Desviacion_Estandar_de_Muertes = sd(`Driving Fatalities Involving Alcohol (Percentage)`, na.rm = TRUE),
    Minimo_de_Muertes = min(`Driving Fatalities Involving Alcohol (Percentage)`, na.rm = TRUE),
    Maximo_de_Muertes = max(`Driving Fatalities Involving Alcohol (Percentage)`, na.rm = TRUE)
  )
indicadores

Descripción: La importancia de esta distribución radica en que permite modelar numerosos fenómenos naturales, sociales y psicológicos. Mientras que los mecanismos que subyacen a gran parte de este tipo de fenómenos son desconocidos, por la enorme cantidad de variables incontrolables que en ellos intervienen, el uso del modelo normal puede justificarse asumiendo que cada observación se obtiene como la suma de unas pocas causas independientes.

Visualización Geográfica de Consumo de Galones de Etanol per Cápita en EE.UU

library(maps)
library(ggplot2)
library(dplyr)

#colnames(Datos) 
Datos$region <- tolower(Datos$`State Name`)
us_map <- map_data("state")
map_data_alcohol <- merge(us_map, Datos, by = "region", all.x = TRUE)
ggplot(map_data_alcohol, aes(x = long, y = lat, group = group, fill = `Gallons of Ethanol per Capita`)) +
  geom_polygon(color = "#050000") +
  coord_fixed(1.3) +
  scale_fill_gradient(low = "#fbb498", high = "#2321b9") +
  labs(x = "Longitud", y = "Latitud", main = "", fill = "Gallons of Ethanol per Capita") +
  theme_minimal()

Descripción: En este mapa de calor geográfico, se representa visualmente cuales son los estados con mayor consumo de etanol per cápita.

Con un color más intenso se pueden observar los estados donde se presenta mayor consumo de alcohol y con una tonalidad menos intensa, los estados donde se consume en menor proporción, finalmente, los que se mantienen en una tonalidad media son los que están dentro del promedio. Esto nos permite tener una idea más clara sobre cómo se distribuye el consumo de etanol por estado en EE. UU.

Intervalos de confianza para variables cuantitativas

1. Intervalo de confianza para el consumo de Galones de Alcohol per Cápita

media_galones <- mean(Datos$`Gallons of Ethanol per Capita`, na.rm = TRUE)
desviacion_galones <- sd(Datos$`Gallons of Ethanol per Capita`, na.rm = TRUE)

n <- sum(!is.na(Datos$`Gallons of Ethanol per Capita`))
error_estandar <- desviacion_galones / sqrt(n)
valor_critico <- qt(0.975, df = n - 1)

limite_inferior <- media_galones - valor_critico * error_estandar
limite_superior <- media_galones + valor_critico * error_estandar

hist(Datos$`Gallons of Ethanol per Capita`, 
     xlim = c(0, max(Datos$`Gallons of Ethanol per Capita`, na.rm = TRUE)), 
     col = "#E1BFE6", 
     main = "", 
     freq = FALSE,
     ylab = "Density", 
     xlab = "Gallons of Ethanol per Capita")
lines(density(Datos$`Gallons of Ethanol per Capita`, na.rm = TRUE), col = "#EB1003", lty = 2, lwd = 2)

abline(v = limite_inferior, col = "#1509EB", lty = 2, lwd = 2)
abline(v = limite_superior, col = "#1509EB", lty = 2, lwd = 2)

cat("Intervalo de confianza al 95% para el consumo de alcohol per cápita: [", 
    round(limite_inferior, 2), ",", round(limite_superior, 2), "]\n")

## Intervalo de confianza al 95% para el consumo de alcohol per cápita: [ 2.38 , 2.71 ]

Descripción: En el diagrama podemos observar que en el intervalo de confianza planteado el consumo promedio de galones de etanol per cápita se encuentra entre los 2.38 y 2.71 galones. Esto puede presentar el consumo medio de la población en términos generales. Aunque algunos de los estados pueden presentar un consumo significativamente mayor, el promedio se mantiene moderado, representando así una cierta homogeneidad ante el consumo de etanol.

1.1 Verificación Visual de Normalidad

qqnorm(Datos$`Gallons of Ethanol per Capita`)
qqline(Datos$`Gallons of Ethanol per Capita`, col= "#EB1003", lty=2)

Descripción: En este gráfico es posible observar como la mayoría de los puntos se mantiene alineados con la línea teórica, sin embargo, se presentan algunas leves desviaciones en ambos extremos. Esto nos permite confirmar que algunos de los estados se presenta un mayor consumo, pero la gran mayoría logra mantenerse dentro del promedio.

1.2 Prueba de Normalidad

library(knitr)

shapiro_test_result <- shapiro.test(Datos$`Gallons of Ethanol per Capita`)

kable(data.frame(
  Estadístico = shapiro_test_result$statistic,
  Valor_p = shapiro_test_result$p.value
), caption = "")

	Estadístico	Valor_p
W	0.8937594	0.0003009

Descripción: En la prueba de normalidad realizada para el consumo de etanol per cápita en valor de p fue igual a 0.0003, siendo evidentemente menor a 0.05, lo que indica que algunos de los datos no llegan a presentar una distribución normal.

1.3 Prueba de Hipótesis

H0: La media de media del consumo de galones de etanol per cápita en la población es igual a 10.
H1: La media de media del consumo de galones de etanol per cápita en la población no es igual a 10.

t_test_result <- t.test(Datos$`Gallons of Ethanol per Capita`, mu = 10)

t_test_df <- data.frame(
  Estadístico = round(t_test_result$statistic, 3),
  Grados_de_libertad = t_test_result$parameter,
  Valor_p = round(t_test_result$p.value, 3),
  Intervalo_de_confianza = paste0("[", round(t_test_result$conf.int[1], 3), ", ", round(t_test_result$conf.int[2], 3), "]"),
  Media_muestral = round(t_test_result$estimate, 3)
)
knitr::kable(t_test_df, caption = "")

	Estadístico	Grados_de_libertad	Valor_p	Intervalo_de_confianza	Media_muestral
t	-91.394	49	0	[2.378, 2.706]	2.542

Descripción: En esta prueba de hipótesis se usó un valor hipotético de 10 galones de etanol per cápita, obteniendo así un valor t igual a -91.394 y con el valor p muy cercano a cero, esto nos indica que se presenta una gran diferencia en comparación al valor de referencia, por lo tanto, el consumo medio de la muestra es evidentemente menor al valor de 10 galones, esto nos permite reafirmar un consumo moderado por parte de la población en comparación al valor hipotético planteado.

2. Intervalo de Confianza para la Proporción de Muertes

proporcion <- mean(Datos$`Driving Fatalities Involving Alcohol (Percentage)` / 100)
n <- length(Datos$`Driving Fatalities Involving Alcohol (Percentage)`)
z <- qnorm(0.975)

error_proporcion <- sqrt((proporcion * (1 - proporcion)) / n)
intervalo_proporcion_inf <- proporcion - z * error_proporcion
intervalo_proporcion_sup <- proporcion + z * error_proporcion
hist(Datos$`Driving Fatalities Involving Alcohol (Percentage)` / 100, 
     col = "#E1BFE6", 
     main = "", 
     xlim = c(0, 1), 
     freq = FALSE, 
     ylab = "Density", 
     xlab = "Driving Fatalities Involving Alcohol (Percentage)")

lines(density(Datos$`Driving Fatalities Involving Alcohol (Percentage)` / 100, na.rm = TRUE), 
      col = "#EB1003", lty = 2, lwd = 2)

abline(v = intervalo_proporcion_inf, col = "#1509EB", lty = 2, lwd = 2)
abline(v = intervalo_proporcion_sup, col = "#1509EB", lty = 2, lwd = 2)

cat("Intervalo de confianza al 95% para la proporción de muertes por accidentes de tránsito relacionados con el alcohol: [", 
    round(intervalo_proporcion_inf, 3), ",", round(intervalo_proporcion_sup, 3), "]\n")

## Intervalo de confianza al 95% para la proporción de muertes por accidentes de tránsito relacionados con el alcohol: [ 0.164 , 0.415 ]

Descripción: En el diagrama podemos observar que en el intervalo de confianza planteado para la proporción de muertes en accidentes de tránsito donde se ve involucrado el consumo de alcohol se encuentra entre el 16.4% y el 41.5%. Esto nos indica que la proporción real de muertes relacionadas con el consumo de alcohol se encuentra dentro del rango, sin embargo, el intervalo permite observar una leve variabilidad entre los diferentes estados cuando se trata de accidentes ligados a el consumo.

2.1 Verificación Visual de Normalidad

qqnorm(Datos$`Driving Fatalities Involving Alcohol (Percentage)`)
qqline(Datos$`Driving Fatalities Involving Alcohol (Percentage)`, col= "#e4211b", lty=2)

Descripción: En este gráfico es posible observar como la mayoría de los puntos se mantiene alineados con la línea teórica, sin embargo, se presentan algunas notorias desviaciones en los extremos. Esto nos indica que, aunque el rango de muertes en accidentes de transito donde se ve involucrado el alcohol se mantiene dentro de la distribución normal, en algunos estados al consumo ser mayor, estos también pueden llegar a incrementar.

2.2 Prueba de Normalidad

library(knitr)

shapiro_test_result <- shapiro.test(Datos$`Driving Fatalities Involving Alcohol (Percentage)`)

kable(data.frame(
  Estadístico = shapiro_test_result$statistic,
  Valor_p = shapiro_test_result$p.value
), caption = "")

	Estadístico	Valor_p
W	0.9769086	0.4301896

Descripción: En la prueba de normalidad realizada para la proporción de muertes en accidentes de tránsito donde se ve involucrado el consumo de alcohol el valor p es igual a 0.4302, en esta ocasión al ser mayor no permite que se tenga razones suficientes para poder rechazar la hipótesis de normalidad, por lo tanto, la distribución de los datos puede ser interpretada como normal, sin dejar a un lado, la presencia de algunos valores atípicos.

2.3 Prueba de Hipótesis

H0: La proporción de muertes en accidentes de tránsito donde se ve involucrado el consumo de alcohol es igual al 10%
H1: La proporción de muertes en accidentes de tránsito donde se ve involucrado el consumo de alcohol es menor o mayor al 10%

t_test_result <- t.test(Datos$`Driving Fatalities Involving Alcohol (Percentage)`, mu = 10)

t_test_df <- data.frame(
  Estadístico = t_test_result$statistic,
  Grados_de_libertad = t_test_result$parameter,
  Valor_p = t_test_result$p.value,
  Intervalo_de_confianza = paste0("[", round(t_test_result$conf.int[1], 2), ", ", round(t_test_result$conf.int[2], 2), "]"),
  Media_muestral = t_test_result$estimate
)

knitr::kable(t_test_df, caption = "")

	Estadístico	Grados_de_libertad	Valor_p	Intervalo_de_confianza	Media_muestral
t	22.61285	49	0	[27.25, 30.62]	28.934

Descripción: En esta prueba de hipótesis se usó un valor hipotético del 10%, obteniendo un valor t igual a 22.61285, el cual es muy alto, esto nos indica que la tasa de muertes en accidentes de tránsito donde se ve involucrado el consumo de alcohol en los diferentes estados de EE. UU es mucho mayor de lo que se esperaba, alertando así a la comunidad a tener más conciencia sobre sus acciones y las consecuencias de los mismos.

Intervalo de Confianza para Variable Cualitativa

1. Intervalo de Confianza para la Proporción de Estados con Consumo de Alcohol Mayor a 2.5 Galones

proporcion_altaconsumo <- mean(Datos$`Gallons of Ethanol per Capita` > 2.5, na.rm = TRUE)
n_altaconsumo <- sum(!is.na(Datos$`Gallons of Ethanol per Capita`))
z <- qnorm(0.975)

error_proporcion_altaconsumo <- sqrt((proporcion_altaconsumo * (1 - proporcion_altaconsumo)) / n_altaconsumo)
intervalo_inf_altaconsumo <- proporcion_altaconsumo - z * error_proporcion_altaconsumo
intervalo_sup_altaconsumo <- proporcion_altaconsumo + z * error_proporcion_altaconsumo

barplot(table(Datos$`Gallons of Ethanol per Capita` > 2.5),
        col = c("#c4594b", "#f0b96b"),
        main = "",
        xlab = "Consumo Alto (más de 2.5 galones)",
        ylab = "Número de Estados",
        ylim = c(0, max(table(Datos$`Gallons of Ethanol per Capita` > 2.5))))

abline(h = proporcion_altaconsumo, col = "#1509EB", lty = 2, lwd = 2)
abline(h = intervalo_inf_altaconsumo, col = "#1509EB", lty = 2, lwd = 2)
abline(h = intervalo_sup_altaconsumo, col = "#1509EB", lty = 2, lwd = 2)

cat("Intervalo de confianza al 95% para la proporción de estados con consumo de alcohol mayor a 2.5 galones: [", 
    round(intervalo_inf_altaconsumo, 3), ",", round(intervalo_sup_altaconsumo, 3), "]\n")

## Intervalo de confianza al 95% para la proporción de estados con consumo de alcohol mayor a 2.5 galones: [ 0.302 , 0.578 ]

Descripción: En el diagrama podemos observar que en el intervalo de confianza planteado para la proporción de estados con un consumo superior a 2.5 galones por cápita se encuentra entre el 30.2% y el 57.8%. Esto nos indica que entre ese rango los estados en EE. UU presentan un alto consumo de alcohol, lo cual es muy preocupante dado la tasa de accidentes y muertes en las que este se podría ver involucrado, afectando así, a más de un individuo.

1.1 Prueba de Hipótesis

H0: La proporción de los estados con un consumo mayor a 2.5 galones es igual a 0,5.
H1: La proporción de consumo en los diferentes estados es diferente, menor o mayor a 0.5

p0 <- 0.5
z <- (proporcion_altaconsumo - p0) / sqrt(p0 * (1 - p0) / n_altaconsumo)
p_value <- 2 * pnorm(-abs(z))

cat("Valor p de la prueba de hipótesis:", p_value, "\n")

## Valor p de la prueba de hipótesis: 0.3961439

Descripción: En esta prueba de hipótesis el valor hipotético utilizado nos arroja un valor p igual a 0.3961439, esto nos indica que, aunque algunos estados presenten un consumo más alto, no son tan distantes al promedio de los demás, sin embargo, es algo que debería seguirse estudiando a largo plazo, ya que así se podría tener más control sobre la situación.

Hipótesis para el Consumo de Alcohol en la Población

Ho: La media del consumo de alcohol per cápita es igual a 4 galones.
H1: La media del consumo de alcohol per cápita es diferentes a los 4 galones.

library(knitr)

resultado_t <- t.test(Datos$`Gallons of Ethanol per Capita`, mu = 4)

kable(data.frame(
  Estadístico = resultado_t$statistic,
  Grados_de_libertad = resultado_t$parameter,
  Valor_p = resultado_t$p.value,
  "Intervalo de confianza al 95%" = paste0("[", round(resultado_t$conf.int[1], 3), ", ", round(resultado_t$conf.int[2], 3), "]"),
  "Media muestral" = mean(Datos$`Gallons of Ethanol per Capita`)
), caption = "")

	Estadístico	Grados_de_libertad	Valor_p	Intervalo.de.confianza.al.95.	Media.muestral
t	-17.86509	49	0	[2.378, 2.706]	2.5422

Descripción: Se puede observar que el valor p es cercano a cero, por lo tanto, se rechaza la hipótesis nula con un alto nivel de confianza, ya que el consumo real es mucho menor al propuesto de 4 galones. En la media muestral y el intervalo de confianza se puede observar en el rango de valores que la verdadera proporción de consumo se encuentra entre los 2.378 y 2.706.

Conclusión

En los diferentes análisis realizados a lo largo del proyecto, fue posible observar una clara relación entre el consumo de etanol per cápita en EE. UU. y su tasa de mortalidad en accidentes de tránsito debido al consumo excesivo del mismo. Los hallazgos evidenciaron una variabilidad significativa en el consumo entre los estados, ya que algunos presentaron tasas de consumo mucho más altas. Esto no solo se respalda con los análisis de los gráficos, sino que también concuerda con la visualización geográfica, la cual confirma los diferentes patrones entre estados.

Estos hallazgos son importantes, ya que, al estar respaldados por una serie de diferentes análisis, se pueden comenzar a implementar diversas estrategias para reducir el consumo excesivo de etanol, y así, promover conductas más saludables y conscientes en la población, aunque no se pueda erradicar totalmente, ya que por lo general, siempre habrá un consumo mínimo en alguno de los diferentes estados.

Por otro lado, es importante tener en cuenta que los últimos hallazgos serán cruciales para poder identificar el problema y coemznar a implementar diferentes estrategias de regulación, políticas y campañas, para poder así, aumentar la seguridad víal y que otros países tomen esto como ejemplo para comenzar a implementarlo y así asegurar la seguridad de la población, al menos en su mayoría.

Consumo de Alcohol y Muertes por Conducir Bajo los Efectos del Alcohol en EE.UU. en 2024

2024-11-08