Analisis exploratorio de datos, asma en medellin
Juan Gomez
19/08/2025
¿La cantidad promedio mensual de concentracion en el aire pm10 afecta al numero de consultas de personas con sintomas de cierto tipo de asma segun el mes y su zona?
aspectos zona rural
datos <- read.csv(file = "de.csv",
header = TRUE,
sep = ",",
stringsAsFactors = FALSE)
datos<-datos %>% mutate(FECHA= parse_date_time(datos$FECHA, orders = c("ymd", "dmy", "mdy")))
library(readxl)
rural <- read_excel("rural.xlsx")
#View(rural)
library(readxl)
urbano <- read_excel("urbano.xlsx")
#View(urbano)
datos_u<-filter(datos,ZONA=="U")
datos_r<-filter(datos,ZONA=="R")
datos_rural<-left_join(datos_r,rural,by= "FECHA")
datos_urbano<-left_join(datos_u,urbano,by= "FECHA")
tabla_1<-datos_rural %>% separate(col = FECHA, into = c("A.O","MES","DIA"), sep = "-", convert = TRUE)%>% select(A.O,MES,DIA,PM10,DIAGNOSTICO)
head(tabla_1)## A.O MES DIA PM10 DIAGNOSTICO
## 1 2019 11 30 42.00000 ASMA NO ESPECIFICADA
## 2 2019 11 29 51.08333 ASMA NO ESPECIFICADA
## 3 2019 11 28 34.54167 ASMA NO ESPECIFICADA
## 4 2019 11 27 36.37500 ASMA NO ESPECIFICADA
## 5 2019 11 26 36.37500 ASMA NO ESPECIFICADA
## 6 2019 11 25 43.45833 ASMA NO ESPECIFICADA#tabla_1cantidad de consultas en los años 2018-2019
#rural cantidad
tabla_1 %>% filter(A.O==2019) %>% select(MES,DIAGNOSTICO) %>%group_by(MES,DIAGNOSTICO) %>% summarise(n_casos=n()) %>% ggplot(aes(MES,n_casos))+geom_line(mapping = aes(col = DIAGNOSTICO)) +theme_bw()+
labs(title = "Numero de casos por mes para los tipos de asma en la zona rural",
subtitle = "Datos del año 2019",
col = "Diagnostico de asma",
caption = "Fuente:Consulta externa asma,ciudad de Medellín 2018-2019 ") +
xlab("Mes") +
ylab("numero de casos por mes")
tabla_1 %>% filter(A.O==2018) %>% select(MES,DIAGNOSTICO) %>%group_by(MES,DIAGNOSTICO) %>% summarise(n_casos=n())%>% ggplot(aes(MES,n_casos))+geom_line(mapping = aes(col = DIAGNOSTICO))+theme_bw()+
labs(title = "Numero de casos por mes para los tipos de asma en la zona rural",
subtitle = "Datos del año 2018",
col = "Diagnostico de asma",
caption = "Fuente:Consulta externa asma,ciudad de Medellín 2018-2019 ") +
xlab("Mes") +
ylab("numero de casos por mes") + scale_x_continuous(breaks=seq(1, 12, 1))
promedio pm10 2018-2019
#rural pm10
tabla_1 %>% filter(A.O==2019) %>% select(MES,PM10,DIAGNOSTICO) %>%group_by(MES) %>% summarise(promedio=mean(PM10))%>% ggplot(aes(MES,promedio))+geom_line()+theme_bw()+
labs(title = "Numero promedio de concentracion de PM10 por mes para la zona rural",
subtitle = "Datos del año 2019",
caption = "Fuente:Consulta externa asma,ciudad de Medellín 2018-2019 ") +
xlab("Mes") +
ylab("promedio pm10")
tabla_1 %>% filter(A.O==2018) %>% select(MES,PM10,DIAGNOSTICO) %>%group_by(MES) %>% summarise(promedio=mean(PM10))%>% ggplot(aes(MES,promedio))+geom_line()+theme_bw()+
labs(title = "Numero promedio de concentracion de PM10 por mes para la zona rural",
subtitle = "Datos del año 2018",
caption = "Fuente:Consulta externa asma,ciudad de Medellín 2018-2019 ") +
xlab("Mes") +
ylab("promedio pm10")+ scale_x_continuous(breaks=seq(1, 12, 1))
#Analisis: El promedio de pm10 en el año 2019 tiene un comportamiento similar al de la cantidad de personas qeu fueron a consulta y los diagnosticaron con estado asmatico, despues de un pico en el periodo 3 vuelve a haber uno en el periodo 7
en el asma predominante alergica cuando baja el pico de particulas los casos alergicos aumentan, es probable que en ausencia de estos halla una reaccion, pero se ve que mas adelante hay un pico de pm 10, tambien puede ser que este tipo anticipe esto y desde antes esten cosultando por su tipo de asma
en el caso de asma no especificada tiene un comportamiento similar al de las particulas pero con un efecto retardado de un mes.
el asma mixta y no alergica tiene muy pocos casos y no se ve relacion con las particulas de pm10, aunque en el mes 6 cuando hay un descenso de particulas este asma sale a flote
El promedio de pm10 en el año 2018 tiene un comportamiento similar, del mes 1 al mes 7 hay un crecimiento continuo de ambos al tiempo dando a entender que esto tiene realcion directa para los tipos de asma no especificado y asma predominante alergica, las personas no alergicas y que estan en estado de asma sempresentan un mes despues del pico de particulas, aunque con un compartamiento igual.
aspectos zona urbana
tabla1u<-datos_urbano %>%
separate(col = FECHA, into = c("Año","Mes","Dia"), sep = "-", convert = TRUE)
#tabla1u
head(tabla1u)## Año Mes Dia SEXO EDAD TIPO_EDAD SERVICIO FINALIDADCONSULTA
## 1 2019 9 1 M 4 1 CONSULTAS No aplica
## 2 2019 9 1 M 4 1 CONSULTAS No aplica
## 3 2019 9 1 M 4 1 CONSULTAS No aplica
## 4 2019 9 1 M 4 1 CONSULTAS No aplica
## 5 2019 8 29 H 26 1 CONSULTAS No aplica
## 6 2019 8 29 H 26 1 CONSULTAS No aplica
## CAUSAEXTERNA CIE10 DIAGNOSTICO ZONA EPS Tipo_Usuario PM10
## 1 Enfermedad general J459 ASMA NO ESPECIFICADA U EPS SURA contributivo 18.1
## 2 Enfermedad general J459 ASMA NO ESPECIFICADA U EPS SURA contributivo 8.4
## 3 Enfermedad general J459 ASMA NO ESPECIFICADA U EPS SURA contributivo 17.4
## 4 Enfermedad general J459 ASMA NO ESPECIFICADA U EPS SURA contributivo 12.9
## 5 Enfermedad general J459 ASMA NO ESPECIFICADA U EPS SURA contributivo 45.1
## 6 Enfermedad general J459 ASMA NO ESPECIFICADA U EPS SURA contributivo 24.6#2019
D<-tabla1u%>% group_by(Mes,DIAGNOSTICO) %>% summarise(PM10_Promedio = mean(PM10, na.rm = TRUE),casos=n())
ggplot(data = D, mapping = aes(x =Mes, y =casos)) +
geom_line(mapping = aes(col = DIAGNOSTICO))+theme_bw()+ylab("Numero de casos")+
labs(title = "Numero de casos de Asma por Mes segun el tipo de diagnostico",
subtitle = "Datos para el Año 2019",
col = "Tipo de Diagnostico",
caption = "Fuente: Indicadores Morbilidad Municipio de Medellín 2018-2019")+ scale_x_continuous(breaks=seq(1, 12, 1))
#2019
D<-tabla1u %>% group_by(Mes) %>% summarise(PM10_Promedio = mean(PM10, na.rm = TRUE))
ggplot(data = D, mapping = aes(x =Mes, y =PM10_Promedio)) +
geom_line(mapping = aes(),color="blue")+theme_bw()+ylab("PM10 Promedio")+
labs(title = "Concentracion de particulas PM10 promedio por mes",
subtitle = "Datos para el Año 2019",
caption = "Fuente: Estaciones de Monitore de PM10 Medellin 2018-2019")+ scale_x_continuous(breaks=seq(1, 12, 1))
El promedio de pm10 en el año 2019 tiene un comportamiento de dos picos de crecimiento para el diagnostico de asma no especificada este sigue los picos de los meses 3 y 8 y despues tiene otros dos picos en el mes 10 y 12 aun si en las particulas no ocurre esto, puede que sean tros factores que afecten este tipo de asma, es decir con el tiempo no hay realcion con la concentracion de pm10.
para el resto de tipos de asma a los dos meses de presentarse el pico de pm10 hay un pico de cantidad de consultas, y vuelven a tener picos meses cercanos al pico en el periodo 8
#2018
E<-tabla1u%>%filter(Año==2019) %>%group_by(Mes,DIAGNOSTICO) %>% summarise(casos=n())
ggplot(data = E, mapping = aes(x =Mes, y =casos)) +
geom_line(mapping = aes(col = DIAGNOSTICO))+theme_bw()+ylab("Numero de casos")+
labs(title = "Numero de casos de Asma por Mes segun el tipo de diagnostico",
subtitle = "Datos para el Año 2018",
col = "Tipo de Diagnostico",
caption = "Fuente: Indicadores Morbilidad Municipio de Medellín 2018-2019")+ scale_x_continuous(breaks=seq(1, 12, 1))
#2018
pm<-tabla1u %>% filter(Año==2018)%>%group_by(Mes) %>% summarise(PM10_Promedio = mean(PM10, na.rm = TRUE))
ggplot(data = pm, mapping = aes(x =Mes, y =PM10_Promedio)) +
geom_line(mapping = aes(), color="red")+theme_bw()+ylab("PM10 Promedio")+
labs(title = "Concentracion de particulas PM10 promedio por mes",
subtitle = "Datos para el Año 2018",
caption = "Fuente: Estaciones de Monitoreo de PM10 Medellin 2018-2019")+ scale_x_continuous(breaks=seq(1, 12, 1))+scale_y_continuous(breaks=seq(22, 40, 2.5))
Para el año 2018 primero hay picos de pm10 en los peridos 3 y 10 igual para la cantidad de consultas en ese mes para todas los tipos. pero el asma no especificada sigue teniendo picos si haber tenido pm10 de concentracion
¿como es la evolucion de la concentracion de pm10 atraves de los años segun su zona?
Para la zona rural tiene un crecimiento gradual hasta el mes 7 y otro en el mes 11 luego baja hasta inicios del mes 3 del siguiente año este vuelve a subir mas rapidamente que el anterior año y vuelve a descender en la misma temporada del año pasado uy vuelve a aumentar mas rapido en la misma temporada del año pasado.
Para la zona urbana tiene el mismo comportamiento, y en temporadas de incios de año aumenta gradualemte y a finales de año con el mismo comportamiento.
la base de datos presentaba atributos de mas para responder la pregunta se debio seleccionar solo las columnas necesarias y partir la columna de fecha en dia.mes y año para poder realizar las agrupaciones.
tambien se transformo de tipo caracter fecha a tipo fecha para poder enlazar las tablas (pm10 rural,pm10 urbano, con la base de datos de asma), por medio de la llave primaria FECHA.
por ende se realizo
datos<-datos %>% mutate(FECHA= parse_date_time(datos$FECHA, orders = c("ymd", "dmy", "mdy")))
datos_u<-filter(datos,ZONA=="U")
datos_r<-filter(datos,ZONA=="R")
datos_rural<-left_join(datos_r,rural,by= "FECHA")
datos_urbano<-left_join(datos_u,urbano,by= "FECHA")
tabla_1<-datos_rural %>% separate(col = FECHA, into = c("A.O","MES","DIA"), sep = "-", convert = TRUE)%>% select(A.O,MES,DIA,PM10,DIAGNOSTICO)
head(tabla_1)## A.O MES DIA PM10 DIAGNOSTICO
## 1 2019 11 30 42.00000 ASMA NO ESPECIFICADA
## 2 2019 11 29 51.08333 ASMA NO ESPECIFICADA
## 3 2019 11 28 34.54167 ASMA NO ESPECIFICADA
## 4 2019 11 27 36.37500 ASMA NO ESPECIFICADA
## 5 2019 11 26 36.37500 ASMA NO ESPECIFICADA
## 6 2019 11 25 43.45833 ASMA NO ESPECIFICADA#tabla_1deatalle de preparacion
La base de datos de calidad de aire fueron tomadas de estaciones de monitoreo tanto en zonas rurales como urbanas, estas son de los años 2018 y 2019 Politecnico Colombiano Jaime Isaza, Hospital santa margaita,Tanque miraflores,Hospital santa margaita,en esta base de datos hay 800 datos de los cuales se han distribuido en la base de datos de asma, es decir, las fechas que se prestan coinciden con las fechas de bases de datos de asma.
Se tuvo en cuenta las fechas de las consultas de asma y acoplar fechas corresponientes de concentracion de pm10 dependiendo de la zona, con ello se realizo la union de las tablas por medio de la llave primaria FECHA com se muestra en el codigo.
Resumir los datos a través de estadísticas y consultas:
moda de eps
table(datos$EPS )##
## NO ESPECIFICADA
## 1
## ALIANZA MEDELLIN ANTIOQUIA SAVIA SALUD CONTRIBUTIVO
## 9
## ALIANZA MEDELLIN ANTIOQUIA SAVIA SALUD SUBSIDIADO
## 285
## ASEG AIG COLOMBIA SEGUROS DE VIDA S.A
## 1
## ASEG COMP. SURAMERICANA DE SEGUROS S.A.
## 1
## ASEG LA PREVISORA S.A.
## 6
## ASEG LA PREVISORA VIDA S.A.
## 19
## ASEG LIBERTY SEGUROS S.A.
## 1
## ASEG SEGUROS DE VIDA COLPATRIA S.A.
## 2
## ASEG SURAMERICANA DE SEGUROS DE VIDA S.A
## 230
## ASEGURADORA DE VIDA COLSEGUROS S.A.
## 91
## CAJA DE COMPENSACIÓN DE BOYACA
## 1
## CAJA DE COMPENSACIÓN FAMILIAR DE CUNDINAMARCA COMFACUNDI
## 1
## CCF COMFACOR CORDOBA
## 9
## CCF COMFAMA DE ANTIOQUIA
## 157
## CCF COMFAMILIAR DE CARTAGENA
## 2
## CCF COMFAMILIAR DE NARIÑO
## 1
## CCF COMFAMILIAR DE RISARALDA
## 1
## COMFACHOCO EPS-S
## 8
## COMPAÑÍA SURAMERICANA SEGUROS DE VIDA
## 13
## DIRECCION DEPARTAMENTAL DE SALUD DEL VALLE
## 1
## DIRECCION DISTRITAL DE SALUD DE BOGOTA
## 2
## DLS DE AMALFI
## 1
## DLS DE BELLO
## 4
## DLS DE CAÑASGORDAS
## 2
## DLS DE MEDELLIN
## 202
## DSSA ANTIOQUIA
## 2
## EAS C. DE PREV. UNIVERSIDAD DEL CAUCA
## 91
## EAS CAJA DE PREV. UNIVERSIDAD NACIONAL
## 13
## EAS SERV. MEDICO MUPIO DE SANTGO DE CALI
## 8
## EAS UNIVERSIDAD DE ANTIOQUIA D. DE SALUD
## 2
## EMP CAFESALUD
## 64
## EMP COLMENA S.A
## 74
## EMP COLSANITAS S. A.
## 195
## EMP MEDISANITAS S. A.
## 44
## EMP SALUD COLPATRIA S. A.
## 52
## EMP SALUD COOMEVA
## 4
## EMP SALUD COOMEVA MEDICINA PREPAGADA
## 416
## EMP SUSALUD MEDICINA PREPAGADA
## 118
## EPS CAFESALUD S.A
## 2170
## EPS COMPENSAR
## 3
## EPS COOMEVA
## 16
## EPS CRUZ BLANCA S.A.
## 7
## EPS INSTITUTO DE SEGUROS SOCIALES
## 1
## EPS NUEVA EPS
## 9
## EPS SALUD COLMENA S.A.
## 2
## EPS SALUD TOTAL S.A.
## 462
## EPS SANITAS S.A.
## 398
## EPS SERVICIO OCCIDENTAL DE SALUD. S.A
## 2
## EPS SURA
## 4552
## ESA DEPARTAMENTO MEDICO E.P.M.
## 89
## ESS ASOCIACION MUTUAL ESS DE NARINO
## 1
## ESS ECOOPSOS
## 1
## MAFRE COLOMBIA VIDA S.A
## 3
## MUNDIAL DE SEGUROS DE VIDA S.A
## 2
## NO ESPECIFICADA
## 151
## PAN AMERICAN DE COLOMBIA S.A
## 3
## QBE Seguros S.A.
## 1
## R. PROF. COLMENA S.A SEGUROS DE VIDA
## 19
## RES FONDO DE PREST. SOCIAL MAGISTERIO
## 4
## RES POLICIA NACIONAL
## 1
## SAVIA SALUD
## 28
## SEGUROS BOLIVAR RIESGOS PROFESIONALES
## 6
## SEGUROS COMERCIALES BOLIVAR S. A.
## 11
## SEGUROS DE VIDA COLPATRIA
## 3
## SIN ADMINISTRADORA
## 32frec<-data.frame(table(datos$EPS ))
#frec
head(frec)## Var1 Freq
## 1 NO ESPECIFICADA 1
## 2 ALIANZA MEDELLIN ANTIOQUIA SAVIA SALUD CONTRIBUTIVO 9
## 3 ALIANZA MEDELLIN ANTIOQUIA SAVIA SALUD SUBSIDIADO 285
## 4 ASEG AIG COLOMBIA SEGUROS DE VIDA S.A 1
## 5 ASEG COMP. SURAMERICANA DE SEGUROS S.A. 1
## 6 ASEG LA PREVISORA S.A. 6la eps con mayor frecuencia es eps sura con un valor de 4552
resumen por atributo numerico
summary(datos$EDAD)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.00 4.00 10.00 22.03 38.00 99.00summary(datos$FECHA)## Min. 1st Qu. Median
## "2018-01-02 00:00:00" "2018-08-12 00:00:00" "2019-01-27 00:00:00"
## Mean 3rd Qu. Max.
## "2019-01-30 01:31:08" "2019-07-27 00:00:00" "2019-12-24 00:00:00"estadisticas atributos nominales (sexo)
table(datos$SEXO)##
## H M
## 4599 5512frecS<-data.frame(table(datos$SEXO ))
frecS## Var1 Freq
## 1 H 4599
## 2 M 5512Las mujeres van mas a cosnultas por asma que los hombres con una diferencia aproximada de 500 personas ### estadisticas atributos nominales (servicio)
table(datos$SERVICIO)##
## CYD CONSULTA DE INGRESO 0 A 5 A\xd1OS
## 3
## CONSULTA DE ATENCION MEDICA PRIORIZADA MAYOR DE 5 A\xd1OS
## 15
## CONSULTA DE URGENCIAS MAYOR 5 A\xd1OS
## 261
## CONSULTA AMBULATORIA AIEPI 2 MESES A 5 A\xd1OS
## 15
## CONSULTA AMBULATORIA ATENCION MEDICA MAYOR DE 5 A\xd1OS
## 22
## CONSULTA AMBULATORIA MEDICA PRIORIZADA AIEPI 2 MESES A 5 A\xd1OS
## 2
## CONSULTA DE INGRESO PROGRAMA AIRES
## 21
## CONSULTA AMBULATORIA MEDICA PRIORIZADA MAYOR DE 5 A\xd1OS
## 6
## CONSULTA DE ATENCION MEDICA MAYOR DE 5 A\xd1OS
## 26
## CONSULTA JOVEN SANO 10 A 13 A\xd1OS
## 1
## CONSULTA MEDICO INFANCIA 10 A\xd1OS
## 1
## CONSULTA DE TRANSCRIPCION
## 8
## CONSULTA DE URGENCIAS GESTANTES
## 1
## CONSULTA MEDICA DE CONTROL PROGRAMA AIRES
## 153
## CONSULTA MEDICO PRIMERA INFANCIA 12 HASTA 18 MESES
## 1
## CONSULTA REVISION DE EXAMENES
## 8
## CONSULTA URGENCIAS AIEPI (MAYOR DE 2 MESES)
## 45
## CONSULTAS
## 9485
## HTA - CONTROL GRUPAL POR MEDICO
## 3
## HTA - CONTROL GRUPAL2 POR MEDICO
## 9
## HTA Y/O DIABETES - CONTROL POR MEDICO
## 19
## HTA Y/O DIABETES - INGRESO AL PROGRAMA
## 4
## CONSULTA MEDICA PRIORIZADA AIEPI 2 MESES A 5 A\xd1OS
## 2frecSr<-data.frame(table(datos$SERVICIO ))
frecSr## Var1 Freq
## 1 CYD CONSULTA DE INGRESO 0 A 5 A\xd1OS 3
## 2 CONSULTA DE ATENCION MEDICA PRIORIZADA MAYOR DE 5 A\xd1OS 15
## 3 CONSULTA DE URGENCIAS MAYOR 5 A\xd1OS 261
## 4 CONSULTA AMBULATORIA AIEPI 2 MESES A 5 A\xd1OS 15
## 5 CONSULTA AMBULATORIA ATENCION MEDICA MAYOR DE 5 A\xd1OS 22
## 6 CONSULTA AMBULATORIA MEDICA PRIORIZADA AIEPI 2 MESES A 5 A\xd1OS 2
## 7 CONSULTA DE INGRESO PROGRAMA AIRES 21
## 8 CONSULTA AMBULATORIA MEDICA PRIORIZADA MAYOR DE 5 A\xd1OS 6
## 9 CONSULTA DE ATENCION MEDICA MAYOR DE 5 A\xd1OS 26
## 10 CONSULTA JOVEN SANO 10 A 13 A\xd1OS 1
## 11 CONSULTA MEDICO INFANCIA 10 A\xd1OS 1
## 12 CONSULTA DE TRANSCRIPCION 8
## 13 CONSULTA DE URGENCIAS GESTANTES 1
## 14 CONSULTA MEDICA DE CONTROL PROGRAMA AIRES 153
## 15 CONSULTA MEDICO PRIMERA INFANCIA 12 HASTA 18 MESES 1
## 16 CONSULTA REVISION DE EXAMENES 8
## 17 CONSULTA URGENCIAS AIEPI (MAYOR DE 2 MESES) 45
## 18 CONSULTAS 9485
## 19 HTA - CONTROL GRUPAL POR MEDICO 3
## 20 HTA - CONTROL GRUPAL2 POR MEDICO 9
## 21 HTA Y/O DIABETES - CONTROL POR MEDICO 19
## 22 HTA Y/O DIABETES - INGRESO AL PROGRAMA 4
## 23 CONSULTA MEDICA PRIORIZADA AIEPI 2 MESES A 5 A\xd1OS 2median(frecSr$Freq)## [1] 8estadisticas atributos nominales (FINALIDADCONSULTA)
table(datos$FINALIDADCONSULTA)##
## Detecci\xf3n de alteraciones del adulto
## 713
## Atenci\xf3n en planificaci\xf3n familiar
## 3
## Detecci\xf3n de alteraci\xf3n del desarrollo joven
## 19
## Detecci\xf3n de alteraciones de agudeza visual
## 11
## Atenci\xf3n del parto
## 230
## Detecci\xf3n de alteraciones del embarazo
## 3
## Detecci\xf3n de alteraciones de crecimiento y desarro
## 218
## Atenci\xf3n del reci\xe9n nacido
## 2
## deteccion de atencion profesional
## 7
## No aplica
## 8905frecf<-data.frame(table(datos$FINALIDADCONSULTA ))
frecf## Var1 Freq
## 1 Detecci\xf3n de alteraciones del adulto 713
## 2 Atenci\xf3n en planificaci\xf3n familiar 3
## 3 Detecci\xf3n de alteraci\xf3n del desarrollo joven 19
## 4 Detecci\xf3n de alteraciones de agudeza visual 11
## 5 Atenci\xf3n del parto 230
## 6 Detecci\xf3n de alteraciones del embarazo 3
## 7 Detecci\xf3n de alteraciones de crecimiento y desarro 218
## 8 Atenci\xf3n del reci\xe9n nacido 2
## 9 deteccion de atencion profesional 7
## 10 No aplica 8905var(frecf$Freq)## [1] 7742793con un valor de 7742793 de variablidad lo datos tienen gran dispercion entre ellos pues la mayoria de datos esta en no aplica con dato alto a los demas es decir que muy ocasionalemnte sucede las otras finalidades de consulta, las peronsas que consultan no aplica estan lejos de las otras
estadisticas atributos nominales (CAUSA EXTERNA)
table(datos$CAUSAEXTERNA)##
## Evento catastr\xf3fico Sos\xe9cha de violencia sexual
## 3 1
## Accidente de tr\xe1nsito Accidente of\xeddico
## 1 1
## Accidente de tr\xe1nsito Accidente de trabajo
## 4 32
## Accidente rabici Enfermedad general
## 4 9677
## Enfermedad profesional Lecion por agresion
## 21 10
## Otra Otro tipo de accidente
## 315 20
## Sospecha de abuso sexual Sospecha de maltrato emocional
## 13 9frecEX<-data.frame(table(datos$CAUSAEXTERNA ))
frecEX## Var1 Freq
## 1 Evento catastr\xf3fico 3
## 2 Sos\xe9cha de violencia sexual 1
## 3 Accidente de tr\xe1nsito 1
## 4 Accidente of\xeddico 1
## 5 Accidente de tr\xe1nsito 4
## 6 Accidente de trabajo 32
## 7 Accidente rabici 4
## 8 Enfermedad general 9677
## 9 Enfermedad profesional 21
## 10 Lecion por agresion 10
## 11 Otra 315
## 12 Otro tipo de accidente 20
## 13 Sospecha de abuso sexual 13
## 14 Sospecha de maltrato emocional 9sd(frecEX$Freq)## [1] 2578.663Con un valor de 2578 la desviacion estandar muestra que hay una tamaño grande de distancia ente el numero de veces por causa exerna, es decir, que los datos tienen gran diferencia de frecuencia siendo enfermedad general la moda de causa externa