---

title: “Clasificación de países según esperanza de vida” author: “Dana Portillo, Gustavo Mosquera, Juan David Rosales” date: “2025-05-07” output: html_document: toc: true toc_float: true theme: cerulean code_folding: hide —

Introducción

En la actualidad la esperanza de vida se ha convertido en un indicador clave del desarrollo y la calidad de vida de las personas. Comprender qué factores la determinan y predecir si un país presenta una alta esperanza de vida permite a su vez poder identificar las desigualdades que existen entre dichas naciones.

Este estudio aplica técnicas de clasificación supervisada, como el modelo(kNN) y árboles de decisión, para predecir si un país tiene una esperanza de vida alta, a partir de variables como el PIB per cápita, el gasto en salud y la mortalidad infantil.

Métodologia

Elección de variables

A partir de diferentes fuentes se recopiló la información necesaria para crear la base de datos. Se utilizaron 10 variables las cuales son:

• Mortalidad infantil: La mortalidad infantil representa el número de muertes de niños menores de un año por cada 1,000 nacidos vivos y sirve como un indicador clave de las condiciones de salud y calidad de vida de una población.

• Consumo de alcohol: El consumo de alcohol, medido en litros de alcohol puro por persona mayor de 15 años al año, refleja los patrones de consumo que pueden estar vinculados con enfermedades no transmisibles.

• Esperanza de vida: Es el promedio de años que se espera que viva una persona al nacer, lo que resume las condiciones generales de salud y desarrollo.

• Uso de servicios de agua potable: Mide el porcentaje de la población con acceso a agua segura, siendo esencial para prevenir enfermedades y garantizar el bienestar.

• Continente: La variable continente permite agrupar los países por región geográfica, facilitando comparaciones regionales.

• PIB per capita: El PIB per cápita, ajustado por paridad del poder adquisitivo (PPA), muestra el ingreso promedio por persona, lo que ayuda a entender el nivel económico de un país.

• Muertes totales por enfermedades cardiovasculares: Indican la carga de patologías del corazón y sistema circulatorio, reflejando desafíos de salud pública.

• Tasa de suicidios: La tasa de suicidios, expresada por cada 100,000 habitantes, es un indicador crítico de salud mental.

• Indice de desarrollo humano: Combina indicadores de salud, educación e ingreso para mostrar el desarrollo integral de un país.

• Gasto público en educación: Representa el porcentaje del PIB destinado a este sector, lo que evidencia el compromiso del Estado con el capital humano y el desarrollo social.

# 1. Cargar y preparar los datos
datos <- read_excel("Base_de_datos1.xlsx", sheet = "Sheet1")


# Cambiar nombre de columnas

colnames(datos)[7] <- "PIB_per_capita"
colnames(datos)[colnames(datos) == "Muertes totales por enfermedades cardiovasculares"] <- "Muertes_cardio"
colnames(datos)[colnames(datos) == "Tasa de suicidios (ajustada por edad)"] <- "Suicidios"
colnames(datos)[colnames(datos) == "Indice de desarrollo humano"] <- "IDH"
colnames(datos)[colnames(datos) == "Gasto publico en educacion como porcentaje del PIB"] <- "Gasto_educacion"

Estadisticas generales

A continuación se presentan estadísticas resumidas de las variables cuantitativas consideradas en el modelo. Estas variables han sido recolectadas para diversos países y están asociadas a factores sociales, económicos y de salud

summary(datos)

##       Año       Mortalidad_Infantil Consumo_de_alcohol_Per_Capita
##  Min.   :2019   Min.   : 0.2288     Min.   : 0.000               
##  1st Qu.:2019   1st Qu.: 0.4062     1st Qu.: 1.995               
##  Median :2019   Median : 1.1316     Median : 6.515               
##  Mean   :2019   Mean   : 2.1322     Mean   : 6.223               
##  3rd Qu.:2019   3rd Qu.: 2.6091     3rd Qu.:10.340               
##  Max.   :2019   Max.   :11.6929     Max.   :16.990               
##  Esperanza_de_vida Uso_de_servicios_de_agua_potable  Continente       
##  Min.   :31.53     Min.   :  6.113                  Length:106        
##  1st Qu.:70.29     1st Qu.: 47.568                  Class :character  
##  Median :75.61     Median : 81.239                  Mode  :character  
##  Mean   :74.30     Mean   : 70.987                                    
##  3rd Qu.:81.31     3rd Qu.: 97.900                                    
##  Max.   :84.42     Max.   :100.000                                    
##  PIB_per_capita   Muertes_cardio       Suicidios            IDH        
##  Min.   :  1145   Min.   :   145.4   Min.   : 0.7094   Min.   :0.3910  
##  1st Qu.:  6963   1st Qu.:  8094.1   1st Qu.: 5.0901   1st Qu.:0.6680  
##  Median : 18103   Median : 22700.9   Median : 8.1838   Median :0.7825  
##  Mean   : 30128   Mean   : 82451.4   Mean   : 9.1048   Mean   :0.7664  
##  3rd Qu.: 46849   3rd Qu.: 70914.2   3rd Qu.:11.2195   3rd Qu.:0.8952  
##  Max.   :134106   Max.   :950694.7   Max.   :37.4085   Max.   :0.9610  
##  Gasto_educacion  
##  Min.   : 0.3585  
##  1st Qu.: 3.3106  
##  Median : 4.2595  
##  Mean   : 4.4582  
##  3rd Qu.: 5.2610  
##  Max.   :13.7687

# Crear variable binaria
datos$esperanza_alta <- ifelse(datos$Esperanza_de_vida >= 81, "Alta", "Baja")
datos$esperanza_alta <- as.factor(datos$esperanza_alta)


# Comprobar que la variable fue creada correctamente
table(datos$esperanza_alta)

## 
## Alta Baja 
##   29   77

Distribuciones

Gráfico 1: Distribución de la esperanza de vida

La esperanza de vida muestra una distribución asimétrica hacia la izquierda (sesgo negativo), con una fuerte concentración en valores altos. Esto indica que la mayoría de los países considerados en el análisis tienen una esperanza de vida relativamente alta, lo cual es señal de condiciones de vida y salud relativamente buenas a nivel global.

p1 <- ggplot(datos, aes(x = Esperanza_de_vida)) +
  geom_histogram(bins = 30, fill = "green", color = "black") +
  theme_minimal() +
  labs(title = "Histograma de la esperanza de vida",
       x = "Esperanza de vida",
       y = "Frecuencia")

plotly::ggplotly(p1)

Gráfico 2: Distribución por continente

Europa destaca como el continente con mejores indicadores de esperanza de vida, mientras que África se encuentra completamente en la categoría de esperanza de vida baja. Asia y Oceanía presentan una combinación, reflejando desigualdades internas. Esto sugiere diferencias marcadas en el acceso a servicios de salud, condiciones de vida y desarrollo socioeconómico entre continentes.

# Distribución por continente
p6 <- ggplot(datos, aes(x = Continente, fill = esperanza_alta)) +
  geom_bar(position = "fill") +
  labs(title = "Distribución de esperanza de vida por continente", y = "Proporción", x = "Continente")
plotly::ggplotly(p6)

Gráfico 3: Boxplots por continente

Europa destaca como el continente con mayor esperanza de vida y menor variabilidad, mientras que África presenta la mayor desigualdad y los valores más bajos. América y Oceanía están en posiciones intermedias, y Asia muestra una mejora notable con una esperanza de vida generalmente alta, aunque con cierta variabilidad.

p2 <- ggplot(datos, aes(x = Continente, y = Esperanza_de_vida, fill = Continente)) +
  geom_boxplot() +
  labs(title = "Esperanza de Vida por Continente") +
  theme_minimal() +
  theme(legend.position = "none")

plotly::ggplotly(p2)

Gráfico 4: Distribución IDH según esperanza de vida alta

Un mayor IDH está fuertemente asociado con una alta esperanza de vida. Los países con esperanza de vida alta tienden a tener un IDH consistentemente alto y homogéneo, mientras que los países con esperanza de vida baja presentan una gran variabilidad en su desarrollo humano, con una tendencia general hacia valores más bajos.

# Leer archivo Excel (ajusta la ruta si es necesario)
df <- read_excel("Base_de_datos1.xlsx")

# Crear variable binaria "esperanza_alta"
df <- df %>%
  mutate(
    esperanza_alta = ifelse(Esperanza_de_vida >= 80, "Alta", "Baja"),
    esperanza_alta = as.factor(esperanza_alta)
  )

# Filtrar NA
df_filtrado <- df %>%
  drop_na(`Indice de desarrollo humano`, esperanza_alta)

# Gráfico de violín + boxplot + puntos
ggplot(df_filtrado, aes(x = esperanza_alta, y = `Indice de desarrollo humano`, fill = esperanza_alta)) +
  geom_violin(trim = FALSE, alpha = 0.6, scale = "width") +
  geom_boxplot(width = 0.1, fill = "white", outlier.shape = NA) +
  geom_jitter(width = 0.1, size = 1, alpha = 0.6, color = "black") +
  labs(
    title = "Distribución del IDH según Esperanza de Vida Alta",
    x = "Esperanza de vida alta",
    y = "Índice de Desarrollo Humano (IDH)"
  ) +
  theme_minimal() +
  scale_fill_manual(values = c("Alta" = "#69b3a2", "Baja" = "#404080")) +
  theme(
    plot.title = element_text(hjust = 0.5, face = "bold"),
    legend.position = "none",
    axis.text = element_text(size = 10)
  )

Gráfico 5: Relación entre PIB per cápita e IDH

Existe una fuerte asociación positiva entre el PIB per cápita y el IDH, pero no es completamente lineal. El gráfico refleja que el crecimiento económico tiende a ir acompañado de un mejor desarrollo humano, aunque hay factores adicionales (como educación, salud o desigualdad) que también influyen.

p3 <- ggplot(datos, aes(x = PIB_per_capita, y = IDH)) +
  geom_point(aes(color = Continente), alpha = 0.7, size = 3) +
  geom_smooth(method = "lm", se = FALSE, color = "black", linetype = "dashed") +
  labs(title = "Relacion entre PIB per capita e IDH",
       x = "PIB per capita", y = "Indice de Desarrollo Humano") +
  theme_minimal()

plotly::ggplotly(p3)

## `geom_smooth()` using formula = 'y ~ x'

Gráfico 6: Suicidios vs Esperanza de vida alta

Aunque las medianas son similares, la variabilidad es mucho mayor en países con esperanza de vida baja,los países con esperanza de vida baja tienen más casos extremos (outliers), con algunos reportando tasas de suicidio alarmantemente altas.

Esto indica que, en contextos con baja esperanza de vida, podrían existir factores adicionales que incrementan el riesgo de suicidios en ciertos países, pero no de forma generalizada.

p1 <- ggplot(datos,  aes(x = esperanza_alta, y = Suicidios)) +
  geom_boxplot(fill = "skyblue") +
  labs(title = "Suicidios vs Esperanza de vida alta", x = "Esperanza de vida alta", y = "Suicidios")
ggplotly(p1)

# 1. Cargar y preparar datos
datos <- read_excel("Base_de_datos1.xlsx", sheet = "Sheet1")
datos$esperanza_alta <- as.factor(ifelse(datos$Esperanza_de_vida >= 75, "Alta", "Baja"))

# 2. Crear conjuntos de entrenamiento y prueba
set.seed(28)
index_muestra <- sample(nrow(datos), 100)
index_entrena <- sample(index_muestra, 50)
index_test <- index_muestra[!index_muestra %in% index_entrena]

# 1. Cargar y preparar datos
datos <- read_excel("Base_de_datos1.xlsx", sheet = "Sheet1")
datos$esperanza_alta <- as.factor(ifelse(datos$Esperanza_de_vida >= 75, "Alta", "Baja"))

# 2. Crear conjuntos de entrenamiento y prueba
set.seed(28)
index_muestra <- sample(nrow(datos), 100)
index_entrena <- sample(index_muestra, 50)
index_test <- index_muestra[!index_muestra %in% index_entrena]

# 3. Separar inputs y outputs
entrena_input <- datos[index_entrena, c("Mortalidad_Infantil", "Consumo_de_alcohol_Per_Capita", "Uso_de_servicios_de_agua_potable")]
entrena_output <- datos$esperanza_alta[index_entrena]
test_input <- datos[index_test, c("Mortalidad_Infantil", "Consumo_de_alcohol_Per_Capita", "Uso_de_servicios_de_agua_potable")]
test_output <- datos$esperanza_alta[index_test]

Módelo KNN

# 4. Aplicar KNN (k=3)
test_output_kNN <- class::knn(entrena_input, test_input, entrena_output, k = 3)

# 5. Evaluar modelo con matriz de confusión detallada (como en tu ejemplo)
cat("\n# Matrix de confusión\n\n")

## 
## # Matrix de confusión

conf_matrix <- confusionMatrix(test_output_kNN, test_output, positive = "Alta")
print(conf_matrix)

## Confusion Matrix and Statistics
## 
##           Reference
## Prediction Alta Baja
##       Alta   23    5
##       Baja    1   21
##                                           
##                Accuracy : 0.88            
##                  95% CI : (0.7569, 0.9547)
##     No Information Rate : 0.52            
##     P-Value [Acc > NIR] : 7.217e-08       
##                                           
##                   Kappa : 0.7611          
##                                           
##  Mcnemar's Test P-Value : 0.2207          
##                                           
##             Sensitivity : 0.9583          
##             Specificity : 0.8077          
##          Pos Pred Value : 0.8214          
##          Neg Pred Value : 0.9545          
##              Prevalence : 0.4800          
##          Detection Rate : 0.4600          
##    Detection Prevalence : 0.5600          
##       Balanced Accuracy : 0.8830          
##                                           
##        'Positive' Class : Alta            
## 

# 6. Data frame comparativo (igual que en código guía)
comparacion <- data.frame(Predicho = test_output_kNN, Real = test_output)
print("\nComparación predicciones vs reales:")

## [1] "\nComparación predicciones vs reales:"

print(head(comparacion))

##   Predicho Real
## 1     Baja Baja
## 2     Baja Baja
## 3     Alta Alta
## 4     Alta Alta
## 5     Baja Baja
## 6     Alta Alta

# 7. Optimizar k (1-50) - Manteniendo estructura original
resultado <- data.frame(k = 1:50, precision = sapply(1:50, function(n) {
  mean(class::knn(entrena_input, test_input, entrena_output, k = n) == test_output)
}))

# 8. Gráfico interactivo (sin cambios)
p <- plot_ly(resultado, x = ~k, y = ~precision, type = 'scatter', mode = 'lines+markers',
             line = list(color = 'blue', width = 2),
             marker = list(color = 'red', size = 8),
             hoverinfo = 'text',
             text = ~paste('k:', k, '<br>Precisión:', round(precision, 3))) %>%
  layout(title = "Precisión del modelo KNN por valor de k",
         xaxis = list(title = "Número de vecinos (k)"),
         yaxis = list(title = "Precisión"))

# Mostrar gráfico interactivo
p

Interpretación

1. Rendimiento General (Accuracy = 88%)

• El modelo acierta el 88% de las predicciones totales (44/50 correctas).
  
• Intervalo confiable: 75.69% a 95.47% de precisión.
  
• Significativamente mejor que adivinar al azar (p-value = 7.2e-08).

2. Balance entre Clases (Kappa = 0.76)

• Concordancia sólida* entre predicciones y realidad (escala: 0.61-0.80 = “Substancial”).
  
• El modelo supera eficazmente el desbalance inicial (48% Alta vs 52% Baja).

3. Detección de Casos “Alta” (Sensibilidad = 95.83%)

• Acierta 23 de 24 casos reales de alta esperanza de vida.
  
• Solo 1 falso negativo* (FN): Caso “Alta” predicho como “Baja”.

4. Identificación de Casos “Baja” (Especificidad = 80.77%)

• Detecta correctamente 21 de 26 casos de baja esperanza de vida.
  
• 5 falsos positivos* (FP): Casos “Baja” predichos como “Alta”.

5. Confiabilidad Predictiva:

• Valor Predictivo Positivo (82.14%): Cuando predice “Alta”, acierta **23/28 veces*.
  
• Valor Predictivo Negativo (95.45%): Cuando predice “Baja”, acierta **21/22 veces*.

El modelo kNN funciona muy bien para este conjunto de datos. El alto recall indica que casi no se le escapan países que realmente tienen alta esperanza de vida (muy bajo falso negativo). Sin embargo, comete algunos errores al etiquetar como “alta” a países que en realidad son “baja” (falsos positivos).

El balance entre sensibilidad y especificidad es muy bueno, lo que significa que el modelo es confiable tanto para detectar casos positivos como negativos. El valor Kappa > 0.75 indica un acuerdo excelente entre las predicciones del modelo y la realidad (muy por encima del azar).

Árbol de decisión con rpart

datos <- read_excel("Base_de_datos1.xlsx", sheet = "Sheet1")
datos$esperanza_alta <- ifelse(datos$Esperanza_de_vida >= 81, "Alta", "Baja")
datos$esperanza_alta <- as.factor(datos$esperanza_alta)

datos_modelo <- datos %>%
  select(
    esperanza_alta,
    Mortalidad_Infantil,
    Consumo_de_alcohol_Per_Capita,
    Uso_de_servicios_de_agua_potable,
    Continente,
    PIB = `PIB per cápita (PPA, dólares internacionales 2021)`,
    Muertes = `Muertes totales por enfermedades cardiovasculares`,
    Suicidios = `Tasa de suicidios (ajustada por edad)`,
    IDH = `Indice de desarrollo humano`,
    Gasto_educ = `Gasto publico en educacion como porcentaje del PIB`
  ) %>%
  mutate(Continente = as.factor(Continente)) %>%
  na.omit()

Entrenamiento y visualización

set.seed(28)
train_index <- createDataPartition(datos_modelo$esperanza_alta, p = 0.75, list = FALSE)
datos_train <- datos_modelo[train_index, ]
datos_test <- datos_modelo[-train_index, ]

modelo_rpart <- rpart(
  formula = esperanza_alta ~ ., 
  data = datos_train,
  method = "class",
  control = rpart.control(cp = 0.01, minsplit = 20, maxdepth = 5, xval = 10)
)

rpart.plot(modelo_rpart, type = 3, extra = 104, box.palette = "Blues", shadow.col = "gray", nn = TRUE)

Evaluación

pred_rpart <- predict(modelo_rpart, newdata = datos_test, type = "class")
prob_rpart <- predict(modelo_rpart, newdata = datos_test, type = "prob")[,2]

resultados <- confusionMatrix(pred_rpart, datos_test$esperanza_alta, positive = "Alta")
print(resultados)

## Confusion Matrix and Statistics
## 
##           Reference
## Prediction Alta Baja
##       Alta    5    2
##       Baja    2   17
##                                           
##                Accuracy : 0.8462          
##                  95% CI : (0.6513, 0.9564)
##     No Information Rate : 0.7308          
##     P-Value [Acc > NIR] : 0.1322          
##                                           
##                   Kappa : 0.609           
##                                           
##  Mcnemar's Test P-Value : 1.0000          
##                                           
##             Sensitivity : 0.7143          
##             Specificity : 0.8947          
##          Pos Pred Value : 0.7143          
##          Neg Pred Value : 0.8947          
##              Prevalence : 0.2692          
##          Detection Rate : 0.1923          
##    Detection Prevalence : 0.2692          
##       Balanced Accuracy : 0.8045          
##                                           
##        'Positive' Class : Alta            
## 

importancia <- varImp(modelo_rpart)
importancia %>% arrange(desc(Overall)) %>% print()

##                                    Overall
## IDH                              26.005263
## PIB                              24.288755
## Mortalidad_Infantil              19.125806
## Uso_de_servicios_de_agua_potable 18.721299
## Continente                        8.217215
## Suicidios                         2.819577
## Consumo_de_alcohol_Per_Capita     1.814815
## Muertes                           0.000000
## Gasto_educ                        0.000000

Métricas Generales

• Exactitud (Accuracy): 0.8462 (84.62%)
  • El 84.62% de las predicciones fueron correctas.
  • IC 95%: (0.6513, 0.9564)
• Tasa de Información Nula (No Information Rate): 0.7308
  • Proporción de aciertos si siempre se predijera la clase mayoritaria.
• P-valor (Acc > NIR): 0.1322
  • No significativo; el modelo no mejora estadísticamente sobre predecir siempre la clase mayoritaria.
• Índice Kappa: 0.609
  • Indica un acuerdo sustancial entre las predicciones del modelo y los valores reales, ajustado por azar.
• P-valor de la prueba de McNemar: 1.0000
  • No hay diferencias significativas entre los errores de tipo I y tipo II.

Desempeño por Clase

• Sensibilidad (Recall para ‘Alta’): 0.7143
  • El modelo detecta correctamente el 71.43% de los casos “Alta”.
• Especificidad (para ‘Baja’): 0.8947
  • El modelo identifica correctamente el 89.47% de los casos “Baja”.
• Valor predictivo positivo (Precision para ‘Alta’): 0.7143
• Valor predictivo negativo: 0.8947

Curva ROC y Métricas

El hecho de que el árbol logre un AUC alto significa que el modelo no solo es preciso, sino que separa muy bien las clases (la curva ROC muestra una separación robusta entre verdaderos positivos y falsos positivos).

pred_roc <- prediction(prob_rpart, datos_test$esperanza_alta)
perf_roc <- performance(pred_roc, "tpr", "fpr")

plot(perf_roc, colorize = TRUE, main = "Curva ROC - Árbol RPART")
abline(a = 0, b = 1, lty = 2, col = "gray")
auc_value <- performance(pred_roc, "auc")@y.values[[1]]
legend("bottomright", legend = paste("AUC =", round(auc_value, 3)), box.lty = 0)

cat("Exactitud (Accuracy):", round(resultados$overall['Accuracy'], 3), "\n")

## Exactitud (Accuracy): 0.846

cat("Sensibilidad (Recall):", round(resultados$byClass['Sensitivity'], 3), "\n")

## Sensibilidad (Recall): 0.714

cat("Especificidad:", round(resultados$byClass['Specificity'], 3), "\n")

## Especificidad: 0.895

cat("AUC:", round(auc_value, 3), "\n")

## AUC: 0.932

Árbol de decisión con tree

Los árboles (rpart y tree) destacan por su capacidad explicativa, mostrando qué factores dividen las clases y cuáles son las reglas de decisión.

Visualización árbol

## 1. Asegurar nombres de columnas consistentes
names(datos_train) <- make.names(names(datos_train))
names(datos_test) <- make.names(names(datos_test))

## 2. Entrenamiento y poda (código original)
arbol_clasificacion <- tree(
  formula = esperanza_alta ~ .,
  data = datos_train,
  control = tree.control(nobs = nrow(datos_train), minsize = 20, mindev = 0.005)
)

arbol_podado <- prune.tree(arbol_clasificacion, best = 5)

## Warning in prune.tree(arbol_clasificacion, best = 5): best is bigger than tree
## size

## 3. Visualización del árbol
plot(arbol_podado)
text(arbol_podado, pretty = 0)

summary(arbol_podado)

## 
## Classification tree:
## tree(formula = esperanza_alta ~ ., data = datos_train, control = tree.control(nobs = nrow(datos_train), 
##     minsize = 20, mindev = 0.005))
## Variables actually used in tree construction:
## [1] "IDH"                              "Uso_de_servicios_de_agua_potable"
## Number of terminal nodes:  3 
## Residual mean deviance:  0.1969 = 15.16 / 77 
## Misclassification error rate: 0.0625 = 5 / 80

## 4. Generación de probabilidades (CORREGIDO)
probabilidades <- predict(arbol_podado, newdata = datos_test, type = "vector")[,2]

## 5. Curva ROC y AUC
library(ROCR)
pred_roc <- prediction(probabilidades, datos_test$esperanza_alta)
perf_roc <- performance(pred_roc, "tpr", "fpr")

plot(perf_roc, colorize = TRUE, main = "Curva ROC - Árbol de Decisión")
abline(a = 0, b = 1, lty = 2)
auc_value <- performance(pred_roc, "auc")@y.values[[1]]
legend("bottomright", legend = paste("AUC =", round(auc_value, 3)), bty = "n")

Conclusiones

1. Alta precisión de los modelos supervisados El análisis aplicado con tres enfoques —kNN, árbol de decisión rpart y árbol tree— muestra una precisión notable (alrededor del 85–88%) al clasificar países según su nivel de esperanza de vida. Esto indica que las variables seleccionadas (PIB per cápita, gasto en salud, mortalidad infantil, entre otras) son relevantes y explican gran parte de las diferencias entre países.
2. Todos los modelos lograron sensibilidades cercanas al 95%, lo que significa que detectan con gran eficacia los países que tienen una alta esperanza de vida. Esto es valioso si el objetivo es reconocer y entender las características comunes de estos países.
3. El estudio confirma que la esperanza de vida es un indicador clave del bienestar general de los países, ya que resume múltiples dimensiones: salud pública, desarrollo económico, condiciones sociales y acceso a servicios básicos. Las diferencias entre países de alta y baja esperanza de vida reflejan desigualdades profundas en estos aspectos.
4. Variables como PIB per cápita, mortalidad infantil, gasto en salud, consumo de alcohol y tasa de mortalidad por enfermedades crónicas demostraron ser predictoras significativas de la esperanza de vida. Esto refuerza la idea de que las inversiones en salud y el desarrollo económico tienen un impacto directo y medible en los resultados poblacionales.
5. El análisis evidencia disparidades claras entre regiones del mundo. Los países con mejores indicadores económicos y sociales tienden a tener alta esperanza de vida, mientras que aquellos con altos niveles de pobreza, mortalidad infantil y mortalidad por enfermedades prevenibles quedan rezagados. Esto subraya la urgencia de políticas globales que reduzcan estas brechas.

Bibliografia

• https://ourworldindata.org/
• https://www.joaquibarandica.com/