R Notebook
## Warning: package 'epiDisplay' was built under R version 4.4.3## Cargando paquete requerido: foreign## Cargando paquete requerido: survival## Cargando paquete requerido: MASS## Cargando paquete requerido: nnet##
## Adjuntando el paquete: 'dgof'## The following object is masked from 'package:stats':
##
## ks.test##
## Adjuntando el paquete: 'ggplot2'## The following object is masked from 'package:epiDisplay':
##
## alpha##
## Adjuntando el paquete: 'dplyr'## The following object is masked from 'package:MASS':
##
## select## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union## Warning: package 'crosstable' was built under R version 4.4.3## Warning: package 'ggalluvial' was built under R version 4.4.3El \(80\%\) de las muertes se da en el sexo masculino, mientras que casi \(3/4\) partes de las muertes ocurren en individuos con \(15\) años o más. El \(90\%\) de las muertes son de menores mestizos \(61\%\) y negros \(30\%\)
Reporte_Muertes <- read_excel("C:/Users/ASUS/Documents/tesis lenin/Reporte Muertes Violentas Menores 18 Años Unidad Basica Cali 2018 - 2022.xlsx")
tab1(Reporte_Muertes$`RANGO DE EDAD`,
sort.group = F, cum.percent = TRUE,main = 'Distribución de los rangos etarios de las muertes violentas')
## Reporte_Muertes$`RANGO DE EDAD` :
## Frequency Percent Cum. percent
## (00 a 04) 50 7.2 7.2
## (05 a 09) 21 3.0 10.2
## (10 a 14) 114 16.3 26.5
## (15 a 17) 514 73.5 100.0
## Total 699 100.0 100.0tab1(Reporte_Muertes$SEXO,
sort.group = 'decreasing', cum.percent = TRUE,main = 'Distribución del sexo de las muertes violentas')
## Reporte_Muertes$SEXO :
## Frequency Percent Cum. percent
## MASCULINO 560 80.1 80.1
## FEMENINO 136 19.5 99.6
## NO DETERMINADO 3 0.4 100.0
## Total 699 100.0 100.0tab1(Reporte_Muertes$`ANCESTRO RACIAL`,
sort.group = 'decreasing', cum.percent = TRUE,horiz=T,main = 'Distribución del ancestro racial de las muertes violentas')
## Reporte_Muertes$`ANCESTRO RACIAL` :
## Frequency Percent Cum. percent
## MESTIZO 428 61.2 61.2
## NEGRO 206 29.5 90.7
## SIN INFORMACIÓN 23 3.3 94.0
## MULATO 21 3.0 97.0
## BLANCO 14 2.0 99.0
## INDIGENA 7 1.0 100.0
## Total 699 100.0 100.0#hist(Reporte_Muertes$`EDAD CALCULADA EN AÑOS`,breaks = 18,axes=F,main='Distribución de la edad en años de las muertes violentas',labels=T,ylim=c(0,230))
#axis(1,at = seq(0,18,1),labels = TRUE,pos = 0)
ggplot(Reporte_Muertes %>% filter(SEXO != "NO DETERMINADO"),
aes(x = `EDAD CALCULADA EN AÑOS`, fill = SEXO)) +
geom_histogram(bins = 18, position = "dodge", color = "black") +
labs(title = "Distribución de la edad en años de las muertes violentas",
x = "Edad en años",
y = "Frecuencia") +
scale_x_continuous(breaks = seq(0, 18, 1)) +
theme_minimal()
Se observa que la distribución de la edad de la población carece de simetría y tiene un comportamiento bimodal. Por lo que a simple vista parece no seguir una distribución normal. Al realizar el test de normalidad de Kolmogorov se corrobora que la distribución no es normal. \((p<0.00001)\)
Es evidente que la mayoría de muertes ocurre en adolescentes (más del \(75\%\) en mayores de \(14\) años)
Reporte_Muertes %>%
group_by(SEXO) %>%
summarise(
Min = round(min(`EDAD CALCULADA EN AÑOS`, na.rm = TRUE),2),
Q1 = round(quantile(`EDAD CALCULADA EN AÑOS`, 0.25, na.rm = TRUE),2),
Median = round(median(`EDAD CALCULADA EN AÑOS`, na.rm = TRUE),2),
Mean = round(mean(`EDAD CALCULADA EN AÑOS`, na.rm = TRUE),2),
Q3 = round(quantile(`EDAD CALCULADA EN AÑOS`, 0.75, na.rm = TRUE),2),
Max = round(max(`EDAD CALCULADA EN AÑOS`, na.rm = TRUE),2),
Count = n()
)#Kolmorov smirnof test
ks.test(Reporte_Muertes$`EDAD CALCULADA EN AÑOS`, "pnorm",
mean=mean(Reporte_Muertes$`EDAD CALCULADA EN AÑOS`),
sd=sd(Reporte_Muertes$`EDAD CALCULADA EN AÑOS`))## Warning in ks.test(Reporte_Muertes$`EDAD CALCULADA EN AÑOS`, "pnorm", mean = mean(Reporte_Muertes$`EDAD CALCULADA EN AÑOS`), : default ks.test() cannot compute correct p-values with ties;
## see help page for one-sample Kolmogorov test for discrete distributions.##
## One-sample Kolmogorov-Smirnov test
##
## data: Reporte_Muertes$`EDAD CALCULADA EN AÑOS`
## D = 0.29714, p-value < 2.2e-16
## alternative hypothesis: two-sidedSe observa que en la mayoría de muertes (el \(95\%\)) no hubo signos de maltrato
mytable <- table(Reporte_Muertes$`PRESENTA SIGNOS DE MALTRATO`)
lbls <- paste0(names(mytable), " (", round(prop.table(mytable)*100, 2), "%)")
pie(mytable, labels = lbls,
main="Distribución de la presencia de signos de maltrato", radius = 1, cex = 0.8)
tab1(Reporte_Muertes$`PRESENTA SIGNOS DE MALTRATO`,
cum.percent = TRUE,graph = F)## Reporte_Muertes$`PRESENTA SIGNOS DE MALTRATO` :
## Frequency Percent Cum. percent
## NO 665 95.1 95.1
## NO APLICA 2 0.3 95.4
## SI 32 4.6 100.0
## Total 699 100.0 100.0Se realizará una prueba de \(\chi^2\) para verificar si la relación entre las variables tipo de cuerpo y estado del cuerpo están relacionadas entre sí.
El \(95.7\%\) de los cuerpos son completos y de estos el \(94.2\) se encuentran en estado fresco \((630\) de \(669)\). Todos los cuerpos sin diligenciar \((17)\) se encontraban en estado fresco. El \(70\%\) o \(7\) de \(10\) de los cuerpos incompletos se encontraban esqueletizados. Del resto de categorías o combinaciones de ellas se tienen muy pocas o ninguna observación para obtener conclusiones.
tab1(Reporte_Muertes$`TIPO DE CUERPO`,
sort.group = F, cum.percent = TRUE,main = 'Distribución del tipo de cuerpo de las muertes violentas',horiz=T)
## Reporte_Muertes$`TIPO DE CUERPO` :
## Frequency Percent Cum. percent
## COMPLETO 669 95.7 95.7
## INCOMPLETO 11 1.6 97.3
## INCOMPLETO EXTR 1 0.1 97.4
## INCOMPLETO TRON 1 0.1 97.6
## SIN DILIGENCIAR 17 2.4 100.0
## Total 699 100.0 100.0tab1(Reporte_Muertes$`ESTADO DEL CUERPO`,
sort.group = F, cum.percent = TRUE,main = 'Distribución del estado del cuerpo de las muertes violentas',horiz=T)
## Reporte_Muertes$`ESTADO DEL CUERPO` :
## Frequency Percent Cum. percent
## CALCINADO 1 0.1 0.1
## DESCOMPUESTO 39 5.6 5.7
## ESQUELETIZADO 9 1.3 7.0
## FRESCO 648 92.7 99.7
## SIN INFORMACION 2 0.3 100.0
## Total 699 100.0 100.0En la tabla de contingencia de las dos variables se observan varias celdas en \(0\) o cercanas a este valor.
label | variable | ESTADO DEL CUERPO | ||||
|---|---|---|---|---|---|---|
CALCINADO | DESCOMPUESTO | ESQUELETIZADO | FRESCO | SIN INFORMACION | ||
TIPO DE CUERPO | COMPLETO | 1 (0.15%) | 35 (5.23%) | 1 (0.15%) | 630 (94.17%) | 2 (0.30%) |
INCOMPLETO | 0 (0%) | 3 (27.27%) | 7 (63.64%) | 1 (9.09%) | 0 (0%) | |
INCOMPLETO EXTR | 0 (0%) | 0 (0%) | 1 (100.00%) | 0 (0%) | 0 (0%) | |
INCOMPLETO TRON | 0 (0%) | 1 (100.00%) | 0 (0%) | 0 (0%) | 0 (0%) | |
SIN DILIGENCIAR | 0 (0%) | 0 (0%) | 0 (0%) | 17 (100.00%) | 0 (0%) | |
Debido a que los valores esperados de la tabla de contingencia son la mayoría cercanos a \(0\) también realizaremos una prueba exacta de Fisher en adición a la prueba de \(\chi^2\). En ambas pruebas se rechaza la hipótesis nula con un nivel de signicancia del \(5\%\), lo que sugiere que existe una asociación de dependencia entre las variables de estado y tipo del cuerpo.
contingency_table <- table(Reporte_Muertes$`TIPO DE CUERPO`, Reporte_Muertes$`ESTADO DEL CUERPO`)
chi_sq_result <- chisq.test(contingency_table)## Warning in chisq.test(contingency_table): Chi-squared approximation may be
## incorrectprint(round(chi_sq_result$expected,2))##
## CALCINADO DESCOMPUESTO ESQUELETIZADO FRESCO SIN INFORMACION
## COMPLETO 0.96 37.33 8.61 620.19 1.91
## INCOMPLETO 0.02 0.61 0.14 10.20 0.03
## INCOMPLETO EXTR 0.00 0.06 0.01 0.93 0.00
## INCOMPLETO TRON 0.00 0.06 0.01 0.93 0.00
## SIN DILIGENCIAR 0.02 0.95 0.22 15.76 0.05print(chi_sq_result)##
## Pearson's Chi-squared test
##
## data: contingency_table
## X-squared = 451.7, df = 16, p-value < 2.2e-16(fisher.test(contingency_table))##
## Fisher's Exact Test for Count Data
##
## data: contingency_table
## p-value = 8.168e-16
## alternative hypothesis: two.sidedComo se explicó anteriormente, en este caso también se evidencia la asociación de dependencia (tras aplicar las pruebas de \(chi^2\) y exacta de Fisher \(p<0.0001\) y \(p<0.0005\)).
tab1(Reporte_Muertes$`MANERA DE MUERTE DE INGRESO`,
sort.group = 'decreasing', cum.percent = TRUE,horiz=T,main = 'Distribución de la manera de muerte de ingreso')
## Reporte_Muertes$`MANERA DE MUERTE DE INGRESO` :
## Frequency Percent Cum. percent
## VIOLENTA - HOMICIDIO 326 46.6 46.6
## NO REGISTRA 227 32.5 79.1
## VIOLENTA - SIN DETERMINAR 66 9.4 88.6
## VIOLENTA - SUICIDIO 46 6.6 95.1
## VIOLENTA - ACCIDENTAL 29 4.1 99.3
## SIN INFORMACIÓN 3 0.4 99.7
## NATURAL 1 0.1 99.9
## ACCIDENTE DE TRANSPORTE 1 0.1 100.0
## Total 699 100.0 100.0df <- as.data.frame(as.table(table(Reporte_Muertes$`MANERA DE MUERTE DE INGRESO`, Reporte_Muertes$SEXO)))
crosstable(Reporte_Muertes, "SEXO", by="MANERA DE MUERTE DE INGRESO") %>% as_flextable()label | variable | MANERA DE MUERTE DE INGRESO | |||||||
|---|---|---|---|---|---|---|---|---|---|
ACCIDENTE DE TRANSPORTE | NATURAL | NO REGISTRA | SIN INFORMACIÓN | VIOLENTA - ACCIDENTAL | VIOLENTA - HOMICIDIO | VIOLENTA - SIN DETERMINAR | VIOLENTA - SUICIDIO | ||
SEXO | FEMENINO | 0 (0%) | 0 (0%) | 34 (25.00%) | 1 (0.74%) | 13 (9.56%) | 39 (28.68%) | 27 (19.85%) | 22 (16.18%) |
MASCULINO | 1 (0.18%) | 1 (0.18%) | 192 (34.29%) | 2 (0.36%) | 16 (2.86%) | 286 (51.07%) | 38 (6.79%) | 24 (4.29%) | |
NO DETERMINADO | 0 (0%) | 0 (0%) | 1 (33.33%) | 0 (0%) | 0 (0%) | 1 (33.33%) | 1 (33.33%) | 0 (0%) | |
ggplot(df, aes(Var1, Var2)) +
geom_point(aes(size = Freq), colour = "green") +
scale_size_continuous(range = c(5, 30)) +
geom_text(aes(label = Freq), color = "black") +
theme_bw() +
xlab("MANERA DE MUERTE DE INGRESO") +
ylab("SEXO") +
theme(axis.text.x = element_text(angle = 45, hjust = 1),legend.position = "none",
plot.title = element_text(hjust = 0.5))+
labs(title='Manera de muerte de ingreso vs Sexo')
contingency_table <- table(Reporte_Muertes$`MANERA DE MUERTE DE INGRESO`, Reporte_Muertes$SEXO)
chi_sq_result <- chisq.test(contingency_table)## Warning in chisq.test(contingency_table): Chi-squared approximation may be
## incorrectprint(round(chi_sq_result$expected,2))##
## FEMENINO MASCULINO NO DETERMINADO
## ACCIDENTE DE TRANSPORTE 0.19 0.80 0.00
## NATURAL 0.19 0.80 0.00
## NO REGISTRA 44.17 181.86 0.97
## SIN INFORMACIÓN 0.58 2.40 0.01
## VIOLENTA - ACCIDENTAL 5.64 23.23 0.12
## VIOLENTA - HOMICIDIO 63.43 261.17 1.40
## VIOLENTA - SIN DETERMINAR 12.84 52.88 0.28
## VIOLENTA - SUICIDIO 8.95 36.85 0.20print(chi_sq_result)##
## Pearson's Chi-squared test
##
## data: contingency_table
## X-squared = 72.951, df = 14, p-value = 5.611e-10fisher.test(contingency_table,simulate.p.value=T)##
## Fisher's Exact Test for Count Data with simulated p-value (based on
## 2000 replicates)
##
## data: contingency_table
## p-value = 0.0004998
## alternative hypothesis: two.sidedDebido a que los valores esperados de la tabla de contingencia son la mayoría cercanos a \(0\) también realizaremos una prueba exacta de Fisher en adición a la prueba de \(\chi^2\). En ambas pruebas se rechaza la hipótesis nula con un nivel de signicancia del \(5\%\), lo que sugiere que existe una asociación de dependencia entre las variables de manera de muerte de ingreso y la edad.
df <- as.data.frame(as.table(table(Reporte_Muertes$`MANERA DE MUERTE DE INGRESO`, Reporte_Muertes$`RANGO DE EDAD`)))
ggplot(df, aes(Var1, Var2)) +
geom_point(aes(size = Freq), colour = "green") +
scale_size_continuous(range = c(5, 30)) +
geom_text(aes(label = Freq), color = "black") +
theme_bw() +
xlab("MANERA DE MUERTE DE INGRESO") +
ylab("RANGO DE EDAD") +
theme(axis.text.x = element_text(angle = 45, hjust = 1),legend.position = "none",
plot.title = element_text(hjust = 0.5),
plot.margin = margin(1, 1, -10, 1, "pt"))+
labs(title='Manera de muerte de ingreso vs Rango de edad')+
scale_y_discrete(limits = rev)
crosstable(Reporte_Muertes, "RANGO DE EDAD", by="MANERA DE MUERTE DE INGRESO") %>% as_flextable()label | variable | MANERA DE MUERTE DE INGRESO | |||||||
|---|---|---|---|---|---|---|---|---|---|
ACCIDENTE DE TRANSPORTE | NATURAL | NO REGISTRA | SIN INFORMACIÓN | VIOLENTA - ACCIDENTAL | VIOLENTA - HOMICIDIO | VIOLENTA - SIN DETERMINAR | VIOLENTA - SUICIDIO | ||
RANGO DE EDAD | (00 a 04) | 0 (0%) | 0 (0%) | 16 (32.00%) | 0 (0%) | 9 (18.00%) | 10 (20.00%) | 15 (30.00%) | 0 (0%) |
(05 a 09) | 0 (0%) | 0 (0%) | 9 (42.86%) | 0 (0%) | 6 (28.57%) | 4 (19.05%) | 2 (9.52%) | 0 (0%) | |
(10 a 14) | 1 (0.88%) | 1 (0.88%) | 34 (29.82%) | 1 (0.88%) | 6 (5.26%) | 48 (42.11%) | 13 (11.40%) | 10 (8.77%) | |
(15 a 17) | 0 (0%) | 0 (0%) | 168 (32.68%) | 2 (0.39%) | 8 (1.56%) | 264 (51.36%) | 36 (7.00%) | 36 (7.00%) | |
Reporte_Muertes %>%
group_by(`MANERA DE MUERTE DE INGRESO`) %>%
summarise(
Count = n(), # Conteo total de casos
Mean_Age = round(mean(`EDAD CALCULADA EN AÑOS`, na.rm = TRUE),2), # Promedio de edad
SD_Age = round(sd(`EDAD CALCULADA EN AÑOS`, na.rm = TRUE),2), # Desviación estándar
Min_Age = round(min(`EDAD CALCULADA EN AÑOS`, na.rm = TRUE),2),
Max_Age = round(max(`EDAD CALCULADA EN AÑOS`, na.rm = TRUE),2),
Proportion = round(n() / nrow(Reporte_Muertes),2) # Proporción del total
) %>%
arrange(desc(Count)) # Ordenar por cantidad de casoscontingency_table <- table(Reporte_Muertes$`MANERA DE MUERTE DE INGRESO`, Reporte_Muertes$`RANGO DE EDAD`)
chi_sq_result <- chisq.test(contingency_table)## Warning in chisq.test(contingency_table): Chi-squared approximation may be
## incorrectprint(round(chi_sq_result$expected,2))##
## (00 a 04) (05 a 09) (10 a 14) (15 a 17)
## ACCIDENTE DE TRANSPORTE 0.07 0.03 0.16 0.74
## NATURAL 0.07 0.03 0.16 0.74
## NO REGISTRA 16.24 6.82 37.02 166.92
## SIN INFORMACIÓN 0.21 0.09 0.49 2.21
## VIOLENTA - ACCIDENTAL 2.07 0.87 4.73 21.32
## VIOLENTA - HOMICIDIO 23.32 9.79 53.17 239.72
## VIOLENTA - SIN DETERMINAR 4.72 1.98 10.76 48.53
## VIOLENTA - SUICIDIO 3.29 1.38 7.50 33.83print(chi_sq_result)##
## Pearson's Chi-squared test
##
## data: contingency_table
## X-squared = 119.78, df = 21, p-value = 7.849e-16fisher.test(contingency_table,simulate.p.value = T)##
## Fisher's Exact Test for Count Data with simulated p-value (based on
## 2000 replicates)
##
## data: contingency_table
## p-value = 0.0004998
## alternative hypothesis: two.sidedtab1(Reporte_Muertes$`MANERA DE MUERTE DEFINITIVA`,
sort.group = 'decreasing', cum.percent = TRUE,horiz=T,main = 'Distribución de la manera de muerte definitiva')
## Reporte_Muertes$`MANERA DE MUERTE DEFINITIVA` :
## Frequency Percent Cum. percent
## VIOLENTA - HOMICIDIO 518 74.1 74.1
## VIOLENTA - ACCIDENTAL 71 10.2 84.3
## VIOLENTA - SUICIDIO 66 9.4 93.7
## VIOLENTA - SIN DETERMINAR 44 6.3 100.0
## Total 699 100.0 100.0df <- as.data.frame(as.table(table(Reporte_Muertes$`MANERA DE MUERTE DEFINITIVA`, Reporte_Muertes$SEXO)))
crosstable(Reporte_Muertes, "SEXO", by="MANERA DE MUERTE DEFINITIVA") %>% as_flextable()label | variable | MANERA DE MUERTE DEFINITIVA | |||
|---|---|---|---|---|---|
VIOLENTA - ACCIDENTAL | VIOLENTA - HOMICIDIO | VIOLENTA - SIN DETERMINAR | VIOLENTA - SUICIDIO | ||
SEXO | FEMENINO | 29 (21.32%) | 59 (43.38%) | 16 (11.76%) | 32 (23.53%) |
MASCULINO | 42 (7.50%) | 456 (81.43%) | 28 (5.00%) | 34 (6.07%) | |
NO DETERMINADO | 0 (0%) | 3 (100.00%) | 0 (0%) | 0 (0%) | |
ggplot(df, aes(Var1, Var2)) +
geom_point(aes(size = Freq), colour = "green") +
scale_size_continuous(range = c(5, 30)) +
geom_text(aes(label = Freq), color = "black") +
theme_bw() +
xlab("MANERA DE MUERTE DE INGRESO") +
ylab("SEXO") +
theme(axis.text.x = element_text(angle = 45, hjust = 1),legend.position = "none",
plot.title = element_text(hjust = 0.5))+
labs(title='Manera de muerte definitiva vs Sexo')
contingency_table <- table(Reporte_Muertes$`MANERA DE MUERTE DEFINITIVA`, Reporte_Muertes$SEXO)
chi_sq_result <- chisq.test(contingency_table)## Warning in chisq.test(contingency_table): Chi-squared approximation may be
## incorrectprint(round(chi_sq_result$expected,2))##
## FEMENINO MASCULINO NO DETERMINADO
## VIOLENTA - ACCIDENTAL 13.81 56.88 0.30
## VIOLENTA - HOMICIDIO 100.78 414.99 2.22
## VIOLENTA - SIN DETERMINAR 8.56 35.25 0.19
## VIOLENTA - SUICIDIO 12.84 52.88 0.28print(chi_sq_result)##
## Pearson's Chi-squared test
##
## data: contingency_table
## X-squared = 86.29, df = 6, p-value < 2.2e-16fisher.test(contingency_table,simulate.p.value = T)##
## Fisher's Exact Test for Count Data with simulated p-value (based on
## 2000 replicates)
##
## data: contingency_table
## p-value = 0.0004998
## alternative hypothesis: two.sideddf <- as.data.frame(as.table(table(Reporte_Muertes$`MANERA DE MUERTE DEFINITIVA`, Reporte_Muertes$`RANGO DE EDAD`)))
ggplot(df, aes(Var1, Var2)) +
geom_point(aes(size = Freq), colour = "green") +
scale_size_continuous(range = c(5, 30)) +
geom_text(aes(label = Freq), color = "black") +
theme_bw() +
xlab("MANERA DE MUERTE DEFINITIVA") +
ylab("RANGO DE EDAD") +
theme(axis.text.x = element_text(angle = 45, hjust = 1),legend.position = "none",
plot.title = element_text(hjust = 0.5),
plot.margin = margin(1, 1, -10, 1, "pt"))+
labs(title='Manera de muerte definitiva vs Rango de edad')+
scale_y_discrete(limits = rev)
crosstable(Reporte_Muertes, "RANGO DE EDAD", by="MANERA DE MUERTE DEFINITIVA") %>% as_flextable()label | variable | MANERA DE MUERTE DEFINITIVA | |||
|---|---|---|---|---|---|
VIOLENTA - ACCIDENTAL | VIOLENTA - HOMICIDIO | VIOLENTA - SIN DETERMINAR | VIOLENTA - SUICIDIO | ||
RANGO DE EDAD | (00 a 04) | 23 (46.00%) | 14 (28.00%) | 13 (26.00%) | 0 (0%) |
(05 a 09) | 10 (47.62%) | 5 (23.81%) | 5 (23.81%) | 1 (4.76%) | |
(10 a 14) | 16 (14.04%) | 74 (64.91%) | 8 (7.02%) | 16 (14.04%) | |
(15 a 17) | 22 (4.28%) | 425 (82.68%) | 18 (3.50%) | 49 (9.53%) | |
Reporte_Muertes %>%
group_by(`MANERA DE MUERTE DEFINITIVA`) %>%
summarise(
Count = n(), # Conteo total de casos
Mean_Age = round(mean(`EDAD CALCULADA EN AÑOS`, na.rm = TRUE),2), # Promedio de edad
SD_Age = round(sd(`EDAD CALCULADA EN AÑOS`, na.rm = TRUE),2), # Desviación estándar
Min_Age = round(min(`EDAD CALCULADA EN AÑOS`, na.rm = TRUE),2),
Max_Age = round(max(`EDAD CALCULADA EN AÑOS`, na.rm = TRUE),2),
Proportion = round(n() / nrow(Reporte_Muertes),2) # Proporción del total
) %>%
arrange(desc(Count)) # Ordenar por cantidad de casoscontingency_table <- table(Reporte_Muertes$`MANERA DE MUERTE DEFINITIVA`, Reporte_Muertes$`RANGO DE EDAD`)
chi_sq_result <- chisq.test(contingency_table)## Warning in chisq.test(contingency_table): Chi-squared approximation may be
## incorrectprint(round(chi_sq_result$expected,2))##
## (00 a 04) (05 a 09) (10 a 14) (15 a 17)
## VIOLENTA - ACCIDENTAL 5.08 2.13 11.58 52.21
## VIOLENTA - HOMICIDIO 37.05 15.56 84.48 380.90
## VIOLENTA - SIN DETERMINAR 3.15 1.32 7.18 32.35
## VIOLENTA - SUICIDIO 4.72 1.98 10.76 48.53print(chi_sq_result)##
## Pearson's Chi-squared test
##
## data: contingency_table
## X-squared = 194.64, df = 9, p-value < 2.2e-16fisher.test(contingency_table,simulate.p.value = T)##
## Fisher's Exact Test for Count Data with simulated p-value (based on
## 2000 replicates)
##
## data: contingency_table
## p-value = 0.0004998
## alternative hypothesis: two.sided# Crear el dataframe agrupando los casos
df_sankey <- Reporte_Muertes %>%
count(`MANERA DE MUERTE DE INGRESO`, `MANERA DE MUERTE DEFINITIVA`)
# Graficar el Sankey con ggalluvial
ggplot(df_sankey, aes(axis1 = `MANERA DE MUERTE DE INGRESO`,
axis2 = `MANERA DE MUERTE DEFINITIVA`,
y = n)) +
geom_alluvium(aes(fill = `MANERA DE MUERTE DE INGRESO`), width = 1/12) +
geom_stratum() +
geom_text(stat = "stratum", aes(label = after_stat(stratum)), size = 4) +
scale_x_discrete(limits = c("Ingreso", "Definitiva"), expand = c(0.15, 0.15)) +
labs(title = "Diagrama de Sankey: Manera de Muerte Ingreso vs Definitiva",
x = "", y = "Frecuencia") +
theme_minimal() +
theme(legend.position = "none")## Warning in to_lodes_form(data = data, axes = axis_ind, discern =
## params$discern): Some strata appear at multiple axes.
## Warning in to_lodes_form(data = data, axes = axis_ind, discern =
## params$discern): Some strata appear at multiple axes.
## Warning in to_lodes_form(data = data, axes = axis_ind, discern =
## params$discern): Some strata appear at multiple axes.
crosstable(Reporte_Muertes, "MANERA DE MUERTE DE INGRESO",
by="MANERA DE MUERTE DEFINITIVA") %>% as_flextable()label | variable | MANERA DE MUERTE DEFINITIVA | |||
|---|---|---|---|---|---|
VIOLENTA - ACCIDENTAL | VIOLENTA - HOMICIDIO | VIOLENTA - SIN DETERMINAR | VIOLENTA - SUICIDIO | ||
MANERA DE MUERTE DE INGRESO | ACCIDENTE DE TRANSPORTE | 1 (100.00%) | 0 (0%) | 0 (0%) | 0 (0%) |
NATURAL | 0 (0%) | 0 (0%) | 1 (100.00%) | 0 (0%) | |
NO REGISTRA | 22 (9.69%) | 169 (74.45%) | 14 (6.17%) | 22 (9.69%) | |
SIN INFORMACIÓN | 2 (66.67%) | 1 (33.33%) | 0 (0%) | 0 (0%) | |
VIOLENTA - ACCIDENTAL | 24 (82.76%) | 0 (0%) | 5 (17.24%) | 0 (0%) | |
VIOLENTA - HOMICIDIO | 2 (0.61%) | 319 (97.85%) | 5 (1.53%) | 0 (0%) | |
VIOLENTA - SIN DETERMINAR | 20 (30.30%) | 29 (43.94%) | 13 (19.70%) | 4 (6.06%) | |
VIOLENTA - SUICIDIO | 0 (0%) | 0 (0%) | 6 (13.04%) | 40 (86.96%) | |
contingency_table <- table(Reporte_Muertes$`MANERA DE MUERTE DE INGRESO`, Reporte_Muertes$`MANERA DE MUERTE DEFINITIVA`)
chi_sq_result <- chisq.test(contingency_table)## Warning in chisq.test(contingency_table): Chi-squared approximation may be
## incorrectprint(round(chi_sq_result$expected,2))##
## VIOLENTA - ACCIDENTAL VIOLENTA - HOMICIDIO
## ACCIDENTE DE TRANSPORTE 0.10 0.74
## NATURAL 0.10 0.74
## NO REGISTRA 23.06 168.22
## SIN INFORMACIÓN 0.30 2.22
## VIOLENTA - ACCIDENTAL 2.95 21.49
## VIOLENTA - HOMICIDIO 33.11 241.59
## VIOLENTA - SIN DETERMINAR 6.70 48.91
## VIOLENTA - SUICIDIO 4.67 34.09
##
## VIOLENTA - SIN DETERMINAR VIOLENTA - SUICIDIO
## ACCIDENTE DE TRANSPORTE 0.06 0.09
## NATURAL 0.06 0.09
## NO REGISTRA 14.29 21.43
## SIN INFORMACIÓN 0.19 0.28
## VIOLENTA - ACCIDENTAL 1.83 2.74
## VIOLENTA - HOMICIDIO 20.52 30.78
## VIOLENTA - SIN DETERMINAR 4.15 6.23
## VIOLENTA - SUICIDIO 2.90 4.34print(chi_sq_result)##
## Pearson's Chi-squared test
##
## data: contingency_table
## X-squared = 700.1, df = 21, p-value < 2.2e-16fisher.test(contingency_table,simulate.p.value = T)##
## Fisher's Exact Test for Count Data with simulated p-value (based on
## 2000 replicates)
##
## data: contingency_table
## p-value = 0.0004998
## alternative hypothesis: two.sided**—— revisar luego
#tab1(Reporte_Muertes$`CAUSA DE MUERTE DE INGRESO`,
# sort.group = 'decreasing', cum.percent = TRUE,horiz=T,main = 'Distribución de la causa de muerte de ingreso')
df <- as.data.frame(as.table(table(Reporte_Muertes$`CAUSA DE MUERTE DE INGRESO`, Reporte_Muertes$SEXO)))
crosstable(Reporte_Muertes, "SEXO", by="CAUSA DE MUERTE DE INGRESO") %>% as_flextable()label | variable | CAUSA DE MUERTE DE INGRESO | ||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
ABORTO | AHORCAMIENTO | CAIDA DE ALTURA | CONTUNDENTE | CORTO CONTUNDENTE | CORTO PUNZANTE | ELECTROCUCIÓN | EN ESTUDIO | ESTRANGULAMIENTO | INMERSIÓN | INTOXICACIÓN O ENVENENAMIENTO POR AGENTE QUIMICO | INTOXICACIÓN O ENVENENAMIENTO POR SOBREDOSIS DE PSICOACTIVOS | NO REGISTRA | POR DETERMINAR | PROYECTIL DE ARMA DE FUEGO | PUNZANTE | QUEMADURA POR FUEGO | QUEMADURA POR LIQUIDO CALIENTE | SIN INFORMACIÓN | SOFOCACIÓN POR FALTA DE OXIGENO | SUMERSIÓN | ||
SEXO | FEMENINO | 1 (0.74%) | 16 (11.76%) | 7 (5.15%) | 1 (0.74%) | 0 (0%) | 7 (5.15%) | 1 (0.74%) | 0 (0%) | 1 (0.74%) | 2 (1.47%) | 7 (5.15%) | 2 (1.47%) | 34 (25.00%) | 29 (21.32%) | 21 (15.44%) | 1 (0.74%) | 1 (0.74%) | 1 (0.74%) | 0 (0%) | 1 (0.74%) | 3 (2.21%) |
MASCULINO | 0 (0%) | 26 (4.64%) | 3 (0.54%) | 6 (1.07%) | 1 (0.18%) | 34 (6.07%) | 1 (0.18%) | 1 (0.18%) | 1 (0.18%) | 10 (1.79%) | 2 (0.36%) | 1 (0.18%) | 192 (34.29%) | 37 (6.61%) | 241 (43.04%) | 0 (0%) | 1 (0.18%) | 0 (0%) | 1 (0.18%) | 0 (0%) | 2 (0.36%) | |
NO DETERMINADO | 0 (0%) | 0 (0%) | 0 (0%) | 0 (0%) | 0 (0%) | 0 (0%) | 0 (0%) | 0 (0%) | 0 (0%) | 0 (0%) | 0 (0%) | 0 (0%) | 1 (33.33%) | 2 (66.67%) | 0 (0%) | 0 (0%) | 0 (0%) | 0 (0%) | 0 (0%) | 0 (0%) | 0 (0%) | |
ggplot(df, aes(Var1, Var2)) +
geom_point(aes(size = Freq), colour = "green") +
scale_size_continuous(range = c(5, 30)) +
geom_text(aes(label = Freq), color = "black") +
theme_bw() +
xlab("CAUSA DE MUERTE DE INGRESO") +
ylab("SEXO") +
theme(axis.text.x = element_text(angle = 45, hjust = 1),legend.position = "none",
plot.title = element_text(hjust = 0.5))+
labs(title='Causa de muerte de ingreso vs Sexo')
df <- as.data.frame(as.table(table(Reporte_Muertes$`CAUSA DE MUERTE DE INGRESO`, Reporte_Muertes$`RANGO DE EDAD`)))
ggplot(df, aes(Var1, Var2)) +
geom_point(aes(size = Freq), colour = "green") +
scale_size_continuous(range = c(5, 30)) +
geom_text(aes(label = Freq), color = "black") +
theme_bw() +
xlab("CAUSA DE MUERTE DE INGRESO") +
ylab("RANGO DE EDAD") +
theme(axis.text.x = element_text(angle = 45, hjust = 1),legend.position = "none",
plot.title = element_text(hjust = 0.5),
plot.margin = margin(1, 1, -10, 1, "pt"))+
labs(title='Causa de muerte de ingreso vs Rango de edad')+
scale_y_discrete(limits = rev)
crosstable(Reporte_Muertes, "RANGO DE EDAD", by="CAUSA DE MUERTE DE INGRESO") %>% as_flextable()label | variable | CAUSA DE MUERTE DE INGRESO | ||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
ABORTO | AHORCAMIENTO | CAIDA DE ALTURA | CONTUNDENTE | CORTO CONTUNDENTE | CORTO PUNZANTE | ELECTROCUCIÓN | EN ESTUDIO | ESTRANGULAMIENTO | INMERSIÓN | INTOXICACIÓN O ENVENENAMIENTO POR AGENTE QUIMICO | INTOXICACIÓN O ENVENENAMIENTO POR SOBREDOSIS DE PSICOACTIVOS | NO REGISTRA | POR DETERMINAR | PROYECTIL DE ARMA DE FUEGO | PUNZANTE | QUEMADURA POR FUEGO | QUEMADURA POR LIQUIDO CALIENTE | SIN INFORMACIÓN | SOFOCACIÓN POR FALTA DE OXIGENO | SUMERSIÓN | ||
RANGO DE EDAD | (00 a 04) | 1 (2.00%) | 0 (0%) | 3 (6.00%) | 2 (4.00%) | 0 (0%) | 1 (2.00%) | 0 (0%) | 0 (0%) | 0 (0%) | 2 (4.00%) | 0 (0%) | 0 (0%) | 16 (32.00%) | 14 (28.00%) | 6 (12.00%) | 0 (0%) | 2 (4.00%) | 1 (2.00%) | 0 (0%) | 0 (0%) | 2 (4.00%) |
(05 a 09) | 0 (0%) | 2 (9.52%) | 3 (14.29%) | 0 (0%) | 0 (0%) | 0 (0%) | 0 (0%) | 0 (0%) | 0 (0%) | 1 (4.76%) | 2 (9.52%) | 1 (4.76%) | 9 (42.86%) | 0 (0%) | 3 (14.29%) | 0 (0%) | 0 (0%) | 0 (0%) | 0 (0%) | 0 (0%) | 0 (0%) | |
(10 a 14) | 0 (0%) | 9 (7.89%) | 2 (1.75%) | 1 (0.88%) | 0 (0%) | 7 (6.14%) | 2 (1.75%) | 1 (0.88%) | 2 (1.75%) | 5 (4.39%) | 0 (0%) | 0 (0%) | 34 (29.82%) | 17 (14.91%) | 33 (28.95%) | 0 (0%) | 0 (0%) | 0 (0%) | 0 (0%) | 1 (0.88%) | 0 (0%) | |
(15 a 17) | 0 (0%) | 31 (6.03%) | 2 (0.39%) | 4 (0.78%) | 1 (0.19%) | 33 (6.42%) | 0 (0%) | 0 (0%) | 0 (0%) | 4 (0.78%) | 7 (1.36%) | 2 (0.39%) | 168 (32.68%) | 37 (7.20%) | 220 (42.80%) | 1 (0.19%) | 0 (0%) | 0 (0%) | 1 (0.19%) | 0 (0%) | 3 (0.58%) | |
Reporte_Muertes %>%
group_by(`CAUSA DE MUERTE DE INGRESO`) %>%
summarise(
Count = n(), # Conteo total de casos
Mean_Age = round(mean(`EDAD CALCULADA EN AÑOS`, na.rm = TRUE),2), # Promedio de edad
SD_Age = round(sd(`EDAD CALCULADA EN AÑOS`, na.rm = TRUE),2), # Desviación estándar
Min_Age = round(min(`EDAD CALCULADA EN AÑOS`, na.rm = TRUE),2),
Max_Age = round(max(`EDAD CALCULADA EN AÑOS`, na.rm = TRUE),2),
Proportion = round(n() / nrow(Reporte_Muertes),2) # Proporción del total
) %>%
arrange(desc(Count))