Expectativa de vida de hombres y mujeres en el mundo
Derlyn Franco Castaño
2024-12-14
Introducción
La expectativa de vida es un indicador clave para medir la salud y el bienestar de una población. En general, a nivel global, las mujeres suelen tener una mayor esperanza de vida que los hombres. Esta diferencia varía según las regiones, pero a menudo se atribuye a factores biológicos, como la mayor resistencia de las mujeres a ciertas enfermedades, y sociales, como el acceso desigual a la atención médica o estilos de vida más riesgosos entre los hombres. Según la Organización Mundial de la Salud (OMS), la esperanza de vida global ha aumentado en las últimas décadas gracias a los avances en medicina, nutrición y condiciones de vida. Sin embargo, existen disparidades significativas entre países y continentes, influenciadas por factores como el nivel de desarrollo económico, la calidad de los sistemas de salud y las políticas públicas
wdiwide <- read.csv("wdiwide.csv")
attach(wdiwide)
boxplot(Life.expectancy..male~Region, col=20)
wdiwide <- read.csv("wdiwide.csv")
attach(wdiwide)## The following objects are masked from wdiwide (pos = 3):
##
## Country.Name, GNI, Greenhouse.gas.emissions, High.Income.Economy,
## Intermediate.Region, International.tourism, Internet.use,
## Life.expectancy..female, Life.expectancy..male, Physicians,
## Population, Region, Subregion, Tertiary.education..female,
## Tertiary.education..male, Women.in.national.parliamentboxplot(Life.expectancy..female~Region, col=10)
Pregunta de Investigación
¿Cuales son los factores que determinan que la expectativa de vida sea más alta o más baja?
Datos estadísticos
Se van a analizar diferentes indicadores por medio de gráficas y cálculos que puedan mostrar la relación con la medición de expectativa de vida de hombres y mujeres en el mundo.
(1) Uso del internet
El uso de Internet en el mundo ha crecido de manera exponencial en las últimas décadas, transformando profundamente la vida cotidiana, la economía, la educación y las interacciones sociales. Actualmente, más de la mitad de la población mundial tiene acceso a Internet, lo que permite una conectividad global sin precedentes. A través de la red, las personas acceden a información, realizan transacciones financieras, se comunican y participan en redes sociales, entre muchas otras actividades. Sin embargo, todavía existen brechas significativas en términos de acceso, especialmente en Africa como se muestra a continuación. El acceso al internet puede tener un impacto positivo en la expectativa de vida de las personas a través de la mejora en la educación, el acceso a la salud, el fomento de hábitos saludables y la reducción de desigualdades. Sin embargo, los beneficios del acceso al internet en la longevidad dependen de cómo se utilice esta herramienta y de los contextos socioeconómicos y culturales de cada región o población.
En la siguiente tabla se muestra el promedio del porcentaje de la población que hace uso de internet por Region:
wdiwide <- read.csv("wdiwide.csv")
promedios <- aggregate(Internet.use ~ Region, data = wdiwide, FUN = mean)
print(promedios)## Region Internet.use
## 1 Africa 25.32218
## 2 Americas 63.03397
## 3 Asia 59.88732
## 4 Europe 84.44394
## 5 Oceania 42.81639wdiwide <- read.csv("wdiwide.csv")
library(ggplot2)## Warning: package 'ggplot2' was built under R version 4.3.3barras <- ggplot(promedios,aes(x = Internet.use, y=Region))
barras <- barras + geom_col(aes(color=Region))
barras
En el siguiente gráfico se muestra por cada región los datos de uso del
internet por cada uno de sus paises, es decir, cada punto representa un
país dentro de cada Región:
wdiwide <- read.csv("wdiwide.csv")
str(wdiwide)## 'data.frame': 217 obs. of 16 variables:
## $ Country.Name : chr "Afghanistan" "Albania" "Algeria" "American Samoa" ...
## $ Region : chr "Asia" "Europe" "Africa" "Oceania" ...
## $ Subregion : chr "Southern Asia" "Southern Europe" "Northern Africa" "Polynesia" ...
## $ Intermediate.Region : chr "Southern Asia" "Southern Europe" "Northern Africa" "Polynesia" ...
## $ GNI : num 2.00e+10 1.45e+10 1.42e+11 1.90e+08 NA ...
## $ Internet.use : num 11.4 69.6 49 0 91.6 ...
## $ International.tourism : num NA 6406000 2371000 52700 8235000 ...
## $ Life.expectancy..female : num 66.4 80.2 78.1 NA NA ...
## $ Life.expectancy..male : num 63.4 77 75.7 NA NA ...
## $ Physicians : num 0.278 1.216 1.719 0.781 3.333 ...
## $ Population : num 38928341 2837743 43851043 55197 77265 ...
## $ Women.in.national.parliament: num 27 29.5 25.8 NA 46.4 ...
## $ Tertiary.education..female : num 4.91 73.34 64.42 NA NA ...
## $ Tertiary.education..male : num 14.2 46.9 38.8 NA NA ...
## $ Greenhouse.gas.emissions : num 98920 10080 218910 20.7 590 ...
## $ High.Income.Economy : chr "No" "No" "No" "No" ...library(ggplot2)
lienzo <- ggplot(wdiwide,aes(x=Region, y=Internet.use))
lienzo <- lienzo + geom_point(aes(color=Region))
lienzo## Warning: Removed 4 rows containing missing values or values outside the scale range
## (`geom_point()`).
(2) Educación terciaria
La educación terciaria se basa en la educación secundaria, proporcionando actividades de aprendizaje en campos especializados de la educación. Tiene como objetivo el aprendizaje a un alto nivel de complejidad y especialización.Veamos su comportamiento tanto para hombres como para mujeres por cada Region.
(2.1) Promedio de Educación terciaria de hombres por región:
En la siguiennte tabla se muestra el promedio del porcentaje de hombres que acceden a educación terciaria por Region:
wdiwide <- read.csv("wdiwide.csv")
promedios <- aggregate(Tertiary.education..male ~ Region, data = wdiwide, FUN = mean)
print(promedios)## Region Tertiary.education..male
## 1 Africa 12.93903
## 2 Americas 32.72841
## 3 Asia 38.46245
## 4 Europe 60.71177
## 5 Oceania 28.90219wdiwide <- read.csv("wdiwide.csv")
library(ggplot2)
ggplot(wdiwide, aes(x = Region, y = Tertiary.education..male, size = Tertiary.education..male, color = Region)) +
geom_point(alpha = 0.7) +
scale_size_continuous(range = c(3, 15)) +
labs(title = "Gráfico de Burbujas educacion terciaria hombres",
x = "Eje X",
y = "Eje Y") +
theme_minimal()## Warning: Removed 23 rows containing missing values or values outside the scale range
## (`geom_point()`).
### (2.2) Promedio de Educación terciaria de mujeres por región: En la
siguiennte tabla se muestra el promedio del porcentaje de mujeres que
acceden a educación terciaria por Region:
wdiwide <- read.csv("wdiwide.csv")
promedios1 <- aggregate(Tertiary.education..female ~ Region, data = wdiwide, FUN = mean)
print(promedios1)## Region Tertiary.education..female
## 1 Africa 13.21495
## 2 Americas 48.70544
## 3 Asia 45.80951
## 4 Europe 76.99318
## 5 Oceania 38.90478wdiwide <- read.csv("wdiwide.csv")
library(ggplot2)
ggplot(wdiwide, aes(x = Region, y = Tertiary.education..female, size = Tertiary.education..female, color = Region)) +
geom_point(alpha = 0.7) +
scale_size_continuous(range = c(3, 15)) +
labs(title = "Gráfico de Burbujas educación terciaria mujeres",
x = "Eje X",
y = "Eje Y") +
theme_minimal()## Warning: Removed 23 rows containing missing values or values outside the scale range
## (`geom_point()`).
### (3) Alto ingreso económico
El concepto de alto ingreso económico se refiere a los niveles de ingreso que superan significativamente el promedio de una economía o sociedad. Las personas o hogares con alto ingreso generalmente tienen acceso a mejores recursos, servicios y oportunidades, lo que les permite disfrutar de un nivel de vida elevado, mayor seguridad financiera y mejor acceso a la educación, la salud y otros bienes y servicios. Los países con una alta proporción de individuos con altos ingresos suelen experimentar un desarrollo económico robusto, aunque también pueden enfrentar desafíos relacionados con la desigualdad económica. Este concepto está relacionado con factores como la educación, el tipo de empleo, la inversión y la productividad. Veamos por cada Región el conteo de los paises que si y que no superan los ingresos nacionales brutos per cápita de US12,696:
wdiwide <- read.csv("wdiwide.csv")
conteo <- table(wdiwide$Region, wdiwide$High.Income.Economy)
print(conteo)##
## No Yes
## 0 1
## Africa 54 0
## Americas 29 17
## Asia 36 14
## Europe 16 31
## Oceania 15 4wdiwide <- read.csv("wdiwide.csv")
library(ggplot2)
ggplot(wdiwide, aes(x = Region, y = High.Income.Economy, fill = High.Income.Economy)) +
geom_bar(stat = "identity") +
labs(title = "Distribución de respuestas por categoría", x = "Categoría", y = "Frecuencia") +
scale_fill_manual(values = c("skyblue", "salmon")) +
theme_minimal() 
### (4) Gases de efecto invernadero
Los gases de efecto invernadero son gases que retienen parte de la radiación infrarroja que emite la Tierra tras ser calentada por el Sol, es decir, gases que retienen energía en la atmósfera.Los gases de la atmósfera actúan de forma parecida al cristal de un invernadero: retienen el calor del sol e impiden que escape al espacio, provocando así el calentamiento global.
En la siguiente tabla se muestra la suma de las emisiones por cada Region:
wdiwide <- read.csv("wdiwide.csv")
suma_por_categoria <- aggregate(Greenhouse.gas.emissions ~ Region, data = wdiwide, FUN = sum)
print(suma_por_categoria)## Region Greenhouse.gas.emissions
## 1 Africa 3148520.0
## 2 Americas 9932229.5
## 3 Asia 24967249.0
## 4 Europe 7141696.7
## 5 Oceania 728830.2Veamos en una gráfica para comparar:
wdiwide <- read.csv("wdiwide.csv")
library(ggplot2)
barras <- ggplot(suma_por_categoria,aes(x = Greenhouse.gas.emissions, y=Region))
barras <- barras + geom_col(aes(color=Region))
barras
Análisis
De acuerdo a las gráficos y cálculos anteriores se visualiza lo siguiente: Los valores de expectativa de vida mas bajos corresponden a hombres y mujeres de la Región África, y es justo en esa Región donde se tienen los valor mas bajos de uso del internet, de educación terciaria tanto de hombres como de mujeres y los ingresos econòmicos más bajos. Por otro lado, los valores mas altos de expectativa de vida de hombres y mujeres corresponde a la Región Europa, y es allí donde registran los índices más altos de uso del internet, educación terciaria de hombres y mujeres y altos ingresos económicos. Es interesante ver que los valores mas bajos de emisiones de gases de efecto invernadero no corresponden a las expectativas de vida mas altos y que las emisiones de gases de efecto invernadero mas altas no tienen relación con las expectativas de vida más bajas.
Conclusiones
Teniendo en cuenta el análisis anterior, se concluye que los indicadores de uso del internet, educación terciaria y altos ingresos económicos tienen una relación directamente proporcional con la expectativa de vida de los hombres y las mujeres.
Una sorpresa de este análisis es que las emisiones de gases de efecto invernadero por región no tieen relación alguna con la espectativa de vida, lo que sugiere que las condiciones de vida se deben más a factores económicos y sociales que ambientales.
Adicional, las expectativas de vida de las mujeres son mas altas que los hombres en todas las Regiones, en promedio 5 años más.
Mapa
wdiwide <- read.csv("wdiwide.csv")
library(mapdata)## Warning: package 'mapdata' was built under R version 4.3.3## Loading required package: maps## Warning: package 'maps' was built under R version 4.3.3library(ggplot2)
library(maps)
library(ggrepel)## Warning: package 'ggrepel' was built under R version 4.3.3mapa_mundo <- map_data("world")
library(tidyverse)## Warning: package 'tidyverse' was built under R version 4.3.3## Warning: package 'readr' was built under R version 4.3.3## Warning: package 'forcats' was built under R version 4.3.3## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.3 ✔ readr 2.1.5
## ✔ forcats 1.0.0 ✔ stringr 1.5.0
## ✔ lubridate 1.9.3 ✔ tibble 3.2.1
## ✔ purrr 1.0.2 ✔ tidyr 1.3.0## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ✖ purrr::map() masks maps::map()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorslibrary(ggthemes)## Warning: package 'ggthemes' was built under R version 4.3.3mapa_mundo %>%
ggplot() +
geom_polygon(aes( x= long, y = lat, group = group),
fill = "grey80",
color = "white") +
geom_point(wdiwide= wdiwide$Greenhouse.gas.emisiions,
aes(x=long, y = lat, size = wdiwide$Greenhouse.gas.emisiions), stroke = F) +
scale_size_continuous(name = "Kg") +
ggtitle( "Emisiones de gases de efecto invernadero") +
theme_map()## Warning in geom_point(wdiwide = wdiwide$Greenhouse.gas.emisiions, aes(x = long,
## : Ignoring unknown parameters: `wdiwide`